織物瑕疵檢測方法研究進展

田宸瑋，王雪純，楊嘉能，錢育蓉

1.新疆大學 軟件學院，烏魯木齊830000

2.中國石油吐哈油田分公司 勘探開發研究院，新疆 哈密839009

1 引言

織物是人們在日常生活中廣泛使用的材料，由紡織纖維制成。紡織纖維由天然纖維如亞麻或羊毛等制成，或尼龍、人造纖維等化學纖維制成?？椢镨Υ檬侵冈诠I化生產制造過程中織物表面出現的瑕疵缺陷。這些織物瑕疵主要由機器故障、紗線問題、不良加工、過度拉伸等問題引起的。嚴重的瑕疵問題會導致織物產品的滯銷和經濟損失[1]，而織物瑕疵的檢測是一個旨在識別和定位這些瑕疵的質量控制過程。目前，紡織業界定的織物瑕疵有76種[2]。

在以往的檢測方法中，人工檢測是確?？椢镔|量的唯一手段。人工檢測的方法雖然可以做到即時糾正一些錯誤，但是疲勞會導致不可避免的人為錯誤，并且人工檢測通常不會檢測到較為微小的瑕疵。目前人工檢測成功率僅為60%～75%[3]。因此，使用高效和穩定的計算機視覺來代替低效的人工視覺，實現織物瑕疵的自動化實時檢測，具有重要的經濟效益和現實意義。

目前實現織物瑕疵的實時在線檢測存在以下挑戰：（1）繁多的面料種類；（2）不同壁紙組的組合；（3）織物瑕疵與背景紋理相似；（4）整個檢測過程效率較低。

本文根據不同的檢測方法綜述了瑕疵檢測的研究進展，總結各個方法的優點與不足，并對未來的織物瑕疵檢測研究方向進行了預測。

2 織物瑕疵檢測

2.1 織物紋理圖案放置規則

織物圖案可以被看作是二維的紋理圖案，但是并非所有的二維紋理都設計有圖案。二維圖案紋理由底層晶格確定，其規則由17個壁紙組控制[1]，如圖1。在數學代數中，壁紙組也稱為晶體組，是明確定義的。這樣，不同組的圖案紋理可以通過平移、旋轉、反射、滑動鏡像反射構成。這17組命名為p1、p2、pm、pg、cm、pmm、pmg、pgg、cmm、p4、p4m、p4g、p3、p3m1、p31m、p6和p6m，命名規則完整符號以p（Primitive cell）或c（Centred cell）開頭，接數字n表示旋轉對稱的最高階：1倍（none）、2倍、3倍、4倍或6倍。后兩個符號表示相對于該圖案的一個平移軸的對稱性；如果有一個垂直于平移軸的反射面，則選擇此軸為主軸（如果有兩個滿足條件的平移軸，則選擇其中一個軸）。符號m（mirror）代表鏡像，g（glide reflection）代表滑動，1（none）則代表無操作。

2.2 織物紋理圖案放置規則

有兩種定義檢測成功率的方法，一種被定義為：

式中，樣本包括有瑕疵樣品和無瑕疵樣品。

可以進一步定義檢測率和誤檢率：

另一種檢測成功率定義為：

式中，TP、FP、FN和TN的定義如表1所示。

表1 瑕疵檢測中真陽性，假陽性，真陰性，假陰性的定義

圖1 17個壁紙組

根據目前的織物瑕疵檢測方法分析，以下因素會影響檢測成功率：（1）瑕疵本身與紋理表面相似；（2）瑕疵檢測算法的復雜度；（3）照明：根據不同顏色的紡織品通過單色光照射可以更好地提取瑕疵特征；（4）圖像采集方法：在使用數碼相機采集的技術上使用紅外、X光照射以及采集熱成像后的織物圖像。這些方法可能會在瑕疵檢測中提高檢測效率或檢測率。

3 織物瑕疵檢測方法

根據對圖像處理原理的不同，分為以下四類：基于結構的方法、基于統計的方法、基于頻譜的方法以及基于學習的方法，如圖2所示，其中混合方法為基于以上四種方法的組合，并行方法旨在加速整體過程。本文主要對近幾年織物瑕疵檢測算法的最新研究進展進行分類探究和分析，列舉各個方法與同類方法的不同之處，比較分析各種算法的優劣勢。

3.1 織物紋理圖案放置規則

基于結構的方法通常是將紋理視為紋理基元的組合，織物圖案的紋理通過紋理基元的一些簡單的放置規則組合來實現。紋理的結構分析主要由紋理放置規則的判斷以及紋理元素的提取。

針對單一方向單一尺度下特征提取不明顯的問題，Dhivya等[4]使用多方向多尺度的方法提取織物瑕疵的邊緣圖，輪廓特征由KNN分類器提取和分類，結果表明該方法較SVM、RBM和ELM產生了更好的性能結果。同樣是在輪廓提取的過程中，孫波[5]在圖像平滑處理時，通過迭代次數的增加，使得平滑圖像中的織物紋理逐漸變淡，同時織物圖像的細節得到較好的完整保留。顯著紋理背景下因灰度級有限、對比度不明顯導致織物圖像疵點檢測難度較大，針對此問題，石美紅等[6]基于顯著紋理特征進行了疵點檢測，提出一種多尺度度量局部紋理粗糙度的自適應算法，首先計算局部紋理粗糙度特征的顯著度(fc)：

式中，hn為灰度值n在圖像中出現的頻率。Sbest為最佳窗口的尺寸。

此算法的局部紋理粗糙度均值變化曲線是線性遞增的，結合織物圖像的視覺顯著性分析，瑕疵與背景間的紋理區域灰度對比度有著明顯的差異，根據局部紋理粗糙度定義對比度特征(fm)：

式中，g為最佳窗口下的灰度均值。

為進一步提高局部紋理的顯著性特征，使用區域局部紋理最佳窗口的視覺顯著性度量方法，根據最佳窗口計算方向特征(fd)：

式中，χ2表示卡方統計；是對四個方向邊緣相應的二進制編碼D進行灰度直方圖統計得到的特征向量，其定義為：

式中，fij表示以(i,j)的像素點為中心，以Sbest為窗口大小的子圖像；*為卷積運算；Tk為同等窗口大小的算子模板；；為平均特征向量，其計算公式為：

對每個特征子圖進行歸一化處理，然后據式（5）～式（7）按照式（10）加權融合得到視覺顯著性特征圖FR：

式中，ω1=(1-)2,為對應每個特征子圖上除全局極值點后剩余點的平均值。

Zhu等[7]結合自相關函數的方法確定了織物圖像的圖案周期之后使用歐幾里德距離來辨別有無瑕疵。自相關函數是提取信號周期的重要方法，它描述了隨機信號在兩個不同時刻之間的自相關程度，由于色紗在經紗和緯紗兩個方向上的密度和布局不同，在兩個方向上的周期也不同，定義緯紗方向(Cx,0)和經紗方向(C0,y)的自相關函數如下：

圖2 織物瑕疵檢測方法分類

式中，x=1,2,…,M,y=1,2,…,N,M和N為圖像的寬度和高度，G(i,j)是像素坐標(i,j)的灰度值。由式（13）可求出，R G和B代表RGB顏色模型中的三個組件。

GLCM的歐式距離D定義如下：

式中，f(x,y)表示待檢測圖像的GLCM，g(x,y)表示模板圖像的GLCM，N表示圖像的灰度，D值越小代表兩個圖像越相似。

自相關曲線的周期為紋理基元的大小，根據式（11）、（12）計算得到結果如圖3所示，可看到該圖像的紋理周期為26個像素（該圖像為256×256像素的圖像，通過人眼觀察每行有20個方格，256/20×2=25.6≈26）。

圖3 織物瑕疵圖像及其自相關函數周期

由于瑕疵會破壞染色織物的周期性，所以采用無瑕疵織物來提取織物的圖案周期。該方法用于組織周期較小的色織面料時得到了較高的檢測精度且擁有更好的適應性。檢測出的目標瑕疵具有較好的一致性和完整性，可用于具有顯著紋理背景的織物表面的瑕疵檢測?？椢镨Υ脠D像的顯著性檢測思想是將瑕疵區域定義為顯著區域，其余紋理圖案部分定義為低顯著性區域。同樣使用顯著性檢測的思想，李倩倩等[8]利用上下文的特點同時結合主成分分析法（PCA）對圖像信息進行降維，結合Otsu閾值分割法分割瑕疵區域，能較好地抑制織物花紋背景對瑕疵檢測的影響，分割出斷頭疵、破洞、跳花、污漬和打結五種類型的瑕疵。根據織物表面的結構性紋理特點，吳軍[9]在分割階段把采集圖像分成大小兩個窗口，在大窗口下將樣本圖像分解成經向子圖和緯向子圖，若檢測無異常則進行小窗口下小波分解，從而識別出各類含有瑕疵的圖像。

3.2 基于統計學方法的織物瑕疵檢測

統計方法使用統計量來提取紋理特征，使用該特征描述織物紋理之間的相異性以及織物紋理整體結構的一致性?；诮y計方法的疵點檢測主要有：灰度共生矩陣、數學形態學、直方圖統計法等方法。

3.2.1 灰度圖像以及灰度共生矩陣

灰度圖像中灰度急劇變化的區域通常是圖像的邊緣信息，借此吳軍[10]基于灰度分布梯度，結合織物表面的結構性紋理特點，使用直方圖均衡化增強灰度圖像的對比度，針對數據處理量較大的問題，采用全值閾值法將灰度圖像轉成二值圖像。該檢測方法能較好且快速判斷有無瑕疵，適應瑕疵范圍廣，對于經、緯向等方向類瑕疵、塊狀區域類瑕疵較明顯，但對于棉球等點狀類小瑕疵則檢測效果不理想?；叶裙采仃嚕℅LCM）是通過研究灰度的空間相關特性來描述紋理的常用方法，在紋理分析、圖像質量評價方面都有很重要的作用，原理如圖4。

圖4 像素矩陣以及灰度共生矩陣

圖4 左側圖像為一個共有8個灰度級別的圖像，數字代表灰度級，右側是其對應的灰度共生矩陣?；叶裙采仃囎鴺?x,y)值為n表示在像素矩陣中，在水平方向上，灰度值x的像素右側相距一個像素值的像素灰度為y的個數有n個。

更改上述的方向以及距離可得到不同的灰度共生矩陣?？偨Y來說，如圖5所示，有四種不同方向的灰度共生矩陣。

圖5 灰度共生矩陣方向

Arnia等[11]提出了一種檢測框架用于檢測使用離散余弦變換（DCT）壓縮后的圖像，不同的壓縮系數可以檢測出不同的瑕疵類型，檢測結果如圖6所示，由于減少了計算量，故此方法比較適合于織物瑕疵的實時檢測。

圖6 文獻[11]方法檢測效果圖

區別于傳統線性構建GLCM的方式，董蓉等[12]根據灰度出現的概率進行量化，通過最優尺度方向學習獲得參考非線性GLCM特征向量和自適應的二值化閾值，之后使用最優尺度方向參數進行非線性GLCM特征提取，并與參考特征向量匹配來定位瑕疵。該方法很大程度上凸顯了瑕疵區域和非瑕疵區域，同時GLCM本身對噪聲有很強的抗干擾能力，再結合自適應的二值化閾值，使得圖像在未進行形態學濾波的情況下，也能準確地定位瑕疵區域。使用灰度圖像以及灰度共生矩陣的各個文獻所檢測的瑕疵類型以及實驗結果如表2所示。

表2 灰度圖像以及灰度共生矩陣方法比較

使用灰度共生矩陣的方法依據其特性可以使用不同的統計特征來表示記錄各個像素之間的空間關系，不過多種的統計特征雖然可以保持較高的準確率但是隨之的較大計算量不利于確定最優的偏移向量。但是相較于小波特征或者局部二值模式來說，灰度共生矩陣基本不受噪聲影響，二值化后的結果不需要使用形態學濾波方法進行濾波。

3.2.2 數學形態學

數學形態學的操作有二值形態學和灰度形態學兩種。腐蝕和膨脹是數學形態學的兩個基本操作，二者通過結合又形成了開運算和閉運算?，F階段，基于形態學的圖像處理已經成為圖像處理比較核心的領域。

相比于Gabor濾波器，數學形態學在參數設置方面沒有較高的要求，基于此特性，Jing等[13]根據形態成分的不同分離圖像符號，保持了每個成分的信息，確保更精準的織物瑕疵定位。相同條件下，該方法檢測率高于Gabor濾波器的檢測算法。該方法不僅可以識別噪聲還能保留瑕疵的信息和形態特征。檢測結果如圖7所示。

Rebhi等[14]基于局部同質性和數學形態學的方法設置以Ic(xc,yc)為中心，寬度為(2N+1)的方形窗口P，在窗口P中可以定義從中心像素到像素Pi的不同矢量：

圖7 文獻[13]方法檢測效果圖

式中，(xi,yi)是像素Pi的坐標，(xc,yc)是中心像素Pc的坐標，i是一個整數，范圍：

式中，N是一個整數，用來定義窗口P的大小。

圖8是當N=2時，根據中心像素與周圍任意像素連接的矢量Pi,c，向量fi定義為：

圖8 用于計算5×5掩模的局部均勻性不同的矢量f i

首先使用開運算和閉運算盡可能消除織物圖像中的紋理背景，再結合方形結構元素來提取織物瑕疵。因織物瑕疵種類繁多以及瑕疵尺寸的不確定造成檢測效果差的問題，張波等[15]使用一種基于相對總變差模型和灰度自適應的數學形態學的方法，先通過相對總變差模型對紋理進行去除以及紋理與瑕疵的分離，再使用灰度自適應數學形態學對圖像進行增強，針對瑕疵多樣性以及尺寸不一的問題，該方法提高了不同瑕疵提取以及檢測的通用性。區別于此，何峰等[16]使用一種窗口跳步形態學方法對織物圖像進行腐蝕操作，通過瑕疵連通區域來確定瑕疵大小。檢測效率較快速傅里葉變換特征點算法以及傳統形態學算法相比有了很大的提高，實際工業生產環境下，實時檢測速度超過80 m/min，疵點檢測精度大小為0.1 mm，滿足實際生產需求。使用數學形態學的各個文獻所檢測的瑕疵類型以及實驗結果如表3所示。

數學形態發雖然較一些基于頻譜分析的方法有較低的要求以及更好的效率，但是數學形態法的優點只有在織物紋理圖案不具有周期性的前提下才能表現出來，也就說明了數學形態學的方法不適用于具有周期性紋理的織物圖像。

表3 數學形態學方法比較

3.2.3 直方圖統計法

2.學業成績測量。經查閱大量文獻[1][2][3]，可知學生學業成績的測量都以月考、期中、期末等大型考試中的語文、數學、英語三科的總分加權平均，即可當做學生的學業成績。本調查中也采取相同的學業成績認定方法，以七、八、高一、高二四個年段于同一時間測試的第一次月考成績為參照標準。

直方圖是一種質量分布圖，可以展現灰度圖像像素分布的情況。李春雷等[17]提出的應用方向梯度直方圖（HOG）和低秩分解的織物瑕疵檢測算法，將疵點圖像均勻分塊后提取HOG特征，取每塊的這些特征作為該塊的特征向量，特征提取分為四個步驟：Gamma校正、計算圖像梯度、構建梯度直方圖、組裝HOG特征，將所有的特征向量組合成特征矩陣進行低秩分解，得到一個對應于背景的低秩矩陣和對應于瑕疵的稀疏矩陣，通過稀疏矩陣生成顯著圖?？梢暂^好地將瑕疵與背景分離開，檢測效果如圖9所示。

另外，此方法剛開始均勻分塊后的提取特征步驟如果是應用在實時檢測方面可以考慮使用一些并行的方法來提高實時檢測的效率，該方法為進一步研究在實時檢測中應用提供了新的思路。

3.3 基于頻譜分析方法的織物瑕疵檢測

基于頻譜分析的織物瑕疵檢測方法是根據織物紋理基元的周期性與頻譜特性相似的原理，將織物圖像從空間域轉換到頻域后進行檢測。

3.3.1 傅里葉變換

傅里葉變換具有較小計算量的特點。任何頻率和幅度的正弦和余弦信號可以由傅里葉變換的總和表示，當傅里葉變換應用于一維空間中的圖像時，空間方向相等，在連續形式中，傅里葉變換由二維給出：

式中，w1,w2是定義空間頻率的頻率變量，F是復值函數。

Yildiz等[18]在其實驗中使用熱像儀獲取的圖像作為輸入圖像來檢測織物瑕疵并使用基于快速傅里葉變換（FFT）的算法，利用無瑕疵部分和瑕疵部分之間的熱差異使得瑕疵部分變得明顯這一特性來檢測織物瑕疵。

傅里葉變換最明顯的優點就是在于其提取的圖像特征是頻率分量，而這些頻率分量在圖像的縮放旋轉等操作中不會改變。表明無法在空間域上定位織物瑕疵。

3.3.2 小波變換

小波變換的優點在于其可以使用不同的子小波來識別不同的織物瑕疵類型，并且在對原始圖像進行壓縮后也能保留較為完整的信息。較高的準確率同時也意味著成本較高。

3.3.3 Gabor濾波器

Gabor濾波器是一種邊緣提取的線性濾波器，與人類視覺的頻率和方向表達很像，所以很適合紋理的表達和分離。

針對具有周期性紋理的織物，Zhang等[20]基于總距離匹配函數和最優Gabor濾波器組的織物瑕疵檢測模型，濾波器參數θ采用二進制粒子群算法（BPSO）進行優化，對于方向參數，目標函數由兩個Gabor濾波器組成的濾波器組卷積的正?？椢飯D像的能量及均值和方差組成，最后精確地分割瑕疵圖像，獲得了較之前同類型方法更清晰的圖像，檢測效果如圖10所示。

圖10 文獻[20]方法檢測效果圖

Kang等[21]提出了兩種檢測印花織物的方法，一種是借助遺傳算法來選擇最佳Gabor濾波器的參數，另一種利用距離匹配來確定印花織物的單位。最優Gabor濾波器可以去除織物背景噪聲并增強瑕疵信息，從而可以完成瑕疵分割。Gabor濾波器在檢測不規則織物方面具有更好的性能。距離匹配方法在測量織物周期方面有較好的效果，Zhang[22]使用頻率濾波將織物紋理和圖案紋理分離，根據距離匹配函數來確定紋理的周期。Qu等[23]在瑕疵檢測算法中主要包含訓練和檢測兩個過程，根據圖像的紋理周期，設置Gabor濾波器參數，當檢測時，檢測的織物圖像首先通過兩個不同尺度的Gabor濾波器進行處理。然后通過下采樣處理進行大規模圖像，再利用局部對比度歸一化操作獲得的特征，計算特征與標準的距離。通過融合兩個尺度的檢測距離，得到最終結果，相比于單一尺度檢測算法有更低的計算量。利用復合差分演化（CoDE）優化Gabor濾波器參數，Tong等[24]對于給定的圖像i(x,y)和一個k×k的Gabor濾波器掩模，通過卷積運算獲得Gabor濾波輸出，如式（18）所示：

式中，G(x,y)是特征圖像，是由平方非線性算子得到的，代表了濾波圖像的局部能量值，特征圖像在很大程度上依賴于參數，f0,σx,σy,θ的選擇，這些參數提供了足夠的自由度來設計具有各種形狀、方向和頻率特征的濾波器。

該優化問題是根據織物瑕疵和標準織物的特點設計的，實現織物瑕疵的最優特征提取。在Gabor濾波器優化中，對于每種類型織物，都需要一個無瑕疵織物圖像if(x,y)和一個瑕疵圖像id(x,y)，使用式（18）獲得的特征圖像分別用If(x,y)和Id(x,y)，這兩個特征圖每一個都被劃分成p個不重疊的像素塊，然后得到每個塊的平均值和方差：

在這些像素塊中，確定最大平均值和最小平均值，當輸入圖像被一個最佳的Gabor濾波器過濾時，瑕疵的響應將得到增強。所以，在Id所有的像素塊中，umax對應的像素塊是有瑕疵的，umin對應的像素塊是無瑕疵的，為實現對瑕疵和無瑕疵區域的最佳區分，定義適應度函數為：

式中，S源自Fisher距離，最大的值產生最佳的分割效果，為使濾波后的方差盡可能低，采用的最終目標函數為：

結合閾值和融合操作，最優Gabor濾波器可以成功地分割原始圖像背景中的瑕疵。使用最優濾波器而不是濾波器組顯著降低了檢測模型的計算成本。由于采集設備的原因，導致某些微小的瑕疵檢測過程中會出現不連續的邊緣，之后的學者可關注此方面。同樣使用代替濾波器組的方法，為提高訓練過程的性能，Li等[25]使用由隨機漂移粒子群優化算法（RDPSO）確定的最優橢圓濾波器（EGF）代替最優濾波器。Jing等[26]使用兩種基于Gabor濾波器和黃金圖像相減法的方法。兩者主要差別在于Gabor濾波器的選擇上，第一種方法使用1 Hz中心頻率和90°的Gabor濾波器，而第二種方法使用遺傳算法自動選擇最優Gabor濾波器。加上小波變換的黃金圖像相減法。本文對比三種方法進行了比較，同時，在真實機器視覺檢測系統中對上述三種方法的性能進行了測試，所提出的使用基于遺傳算法確定Gabor濾波器和黃金圖像相減的方法可以滿足紡織行業的實際需求且較其余兩者有更好的準確率。Chen等[27]將半峰值切線方法應用于Gabor濾波器的設計中以盡可能地覆蓋瑕疵的頻率，通過方向掩模選擇兩個最佳取向，并根據信噪比確定每個最佳取向的最佳尺度。但是作者提出的方法在織物損壞或者瑕疵區域與正常紋理顏色相近時，不能完全檢測出瑕疵。王傳桐等[28]結合非線性降維的等距映射算法（Isomap）以保持數據在空間中的幾何結構，為了消除冗余信息以提高分類器的分類精度和瑕疵的檢測精度，并對高維特征向量進行降維。使用Gabor濾波器的各個文獻所檢測的瑕疵類型以及實驗結果如表4所示。

表4 Gabor濾波器方法比較

采用Gabor濾波器也是近期較多學者用來檢測織物瑕疵的方法，Gabor濾波器的頻率和方向決定了濾波器的大小和處理圖像的位置，比較適合對織物紋理結構進行描述和分析，并且提供最佳的瑕疵檢測空間域和頻域，擁有較強的實用性，但是以上所有方法的前提都需要在選取了最優參數的最佳濾波器的基礎上，但是最優濾波器的參數的選取較為困難且計算量較大。對于瑕疵區域與背景織物不同的織物有較好的檢測性能。

3.4 基于學習的織物瑕疵檢測

近年來隨著計算機技術的發展，大多數行業包括紡織業都向著智能化方向改變，因此，基于學習的一些自動化方法也越來越受歡迎。并且，隨著近幾年深度學習的興起，在織物疵點檢測方面的應用也是越來越多。

神經網絡具有映射任意復雜非線性關系的能力，Li等[29]使用一種緊湊的卷積神經網絡結構，用于檢測一些常見的織物瑕疵，所提出的架構使用具有多層感知器的若干微架構來優化網絡。微架構的主要組成部分使用多尺度分析、濾波器分解和減少參數的技術構建，以提高緊湊模型中的檢測精度。所提出的網絡模型尺寸更小且在檢測精度方面取得了優異的性能。同樣使用多尺度分析的方法，Yapi等[30]使用監督學習利用多尺度輪廓波圖像分解的統計建模來獲取紋理特征，之后使用貝葉斯分類器（BC）進行瑕疵檢測。該方法能夠在紡織品紋理中實現高度精確的瑕疵檢測和定位。Li等[31]使用基于Fisher準則的堆疊去噪自動編碼機（FSCDA）由四個隱含層和一個softmax分類器組成。訓練分為預訓練和精調兩階段的方式進行。訓練集是根據行業相機捕獲的圖像繪制構建的。每個去噪自動編碼機（DA）都以不受限制的方式進行訓練且DA的權重和偏差參數用于初始化FCSDA而非使用隨機值。Rebhi等[32]利用局部同質性和神經網絡檢測織物瑕疵。首先計算一個新的同質性圖像，然后利用離散余弦變換（DCT）于此圖像并提取每個DCT塊的不同代表性能量特征，這些能量特征將用于反向傳播神經網絡來檢測織物瑕疵，檢測效果如圖11所示。

圖11 文獻[32]方法檢測效果圖

使用同樣數據集的Abid等[33]使用織物紋理的多項式插值方法檢測織物瑕疵，利用適當的插值多項式逼近不同的有瑕疵和無瑕疵圖像區域，然后使用這些多項式的系數用于訓練神經網絡以檢測和定位瑕疵區域。

Gao[34]研究了使用深度學習檢測織物瑕疵的問題。提出了一種具有多卷積和最大匯聚層的卷積神經網絡，在此網絡中使用三個卷積層來提取不同的判別特征，為了減少參數規模，在池化層中激活功能后的特征映射被下采樣為較小的特征映射。Zhang等[35]使用基于YOLOV2的方法，對比YOLO9000、YOLO-VOC和Tiny YOLO構建織物瑕疵檢測模型。通過對比研究，選擇YOLO-VOC，通過優化網絡的超參數進一步進行模型改進。Yapi等[36]使用學習的方法是使用冗余輪廓變換（RCT）的織物圖案統計表示。利用廣義高斯（MOGG）的有限混合模型模擬了RCT系數的分布，該混合模型構成了區分有瑕疵和無瑕疵織物的統計特征。檢測瑕疵區域和無瑕疵區域使用標記的織物樣本訓練貝葉斯分類器（BC）。Shuang等[37]使用無監督的基于學習的自動檢測和定位織物瑕疵的方法，利用卷積去噪自編碼網絡在多個高斯金字塔層次上重建圖像塊，并從相應的分辨率通道合成檢測結果。該方法只用少量無瑕疵樣品進行培訓，故利于無法收集大量織物圖像的情況。同樣使用無監督學習的方法，Susan[38]重新定義熵的異常值，并用它成功地定位高精度的紋理中的瑕疵或異常。通過高斯混合熵建模，自動化地找到瑕疵的最佳窗口大小。Tong[39]針對織物紋理復雜、瑕疵較小的織物，提出了一種由圖像預處理、圖像恢復和閾值操作組成的織物瑕疵檢測模型。圖像預處理提高了圖像對比度，使瑕疵細節更加突出。在學習子詞典的基礎上，采用非局部集中稀疏表示模型對輸入圖像的無瑕疵版本進行估計，使可能的瑕疵可以通過閾值運算從估計圖像的殘差圖像和輸入圖像中容易地分割出來。有瑕疵的織物圖像通常由一個相對一致的背景紋理和一些稀疏的瑕疵組成，Cao[40]在一定的特征空間中將這些瑕疵表示為一個低秩矩陣加上一個稀疏矩陣。提出一種求解效率較高切基于最小二乘回歸的子空間分割模型。吳瑩[41]采用K-奇異值分解 KSVD）的方法訓練得到一個自適應字典。利用該字典用于機織物紋理表征，重構正常的機織物紋理圖像。在此基礎上，采用閾值法檢測織物瑕疵，其鑒別能力明顯優于離散余弦變換（DCT）字典。使用基于學習的各個文獻所檢測的瑕疵類型以及實驗結果如表5所示。

表5 基于學習方法比較

雖然學習的方法可以很好地擬合大量具有輸入特征的非線性數據，但是多層的神經網絡需要調整大量參數。即使擅長圖像分類的深度學習，也并非是一個通用的分類技術。

3.5 混合方法

有色的織物采用相近的顏色光照射可以獲得更好的結果，Bandara等[42]結合形態學運算和閾值的算法應用于織物瑕疵的特征提取，結果表明根據織物顏色使用相近顏色光照射可以更好地提取瑕疵特征，最后作者提到使用紫外線照明在檢測油脂瑕疵時比其他照明更有效。所以，針對某些瑕疵使用一些非常規的圖像采集方法可以更容易地分割瑕疵區域。Zhang[43]使用結合局部二值模式（LBP）和灰度共生矩陣的方法，使用LBP提取圖像的局部特征信息，通過GLCM描述圖像的整體紋理信息。最后，將兩部分的特征信息作為BP神經網絡的輸入對瑕疵進行分類。Li等[44]采用金字塔小波算法對樣本圖像進行處理，分割圖像使用基于最大期望的高斯混合模型獲得了較好的分割效果。

織物瑕疵檢測是一個多步驟的過程，針對每個步驟又有很多的方法可以使用，但是，在提高某些步驟準確率的同時需要考慮整個過程的效率是否會受影響。

3.6 圖像處理中的并行方法

在織物瑕疵檢測過程中的一些并行的方法，如：織物瑕疵的邊緣檢測可以使用并行的算法提高檢測效率，王浩等[45]在GPU平臺上提出基于統一計算架構（CUDA）的并行算法，實現了Retinex圖像增強算法的并行處理，較串行算法速度提高了40倍，同樣的平臺，張晗等[46]為提高地質圖像邊緣檢測算法的計算速度，對大尺寸的圖像加速比可提高120倍以上。這為之后相關實驗提高檢測效率方面提供了新的思路。

4 結束語

隨著科技不斷的更新迭代，新的理論與方法不斷被學者們提出來。本文總結了近年來織物瑕疵檢測的一些主流方法，這些方法對應的文獻以及優缺點如表6所示，但是，目前織物瑕疵檢測的實時在線檢測還面臨巨大的挑戰。結合目前的研究現狀，未來織物瑕疵檢測的問題將在以下幾個方面展開：

（1）瑕疵檢測算法的通用性。盡管不斷有新的理論與方法被應用于織物瑕疵檢測，但是大多數的理論與方法都只被應用于個別種類的瑕疵檢測。但是，所有種類的織物都被分類為17個壁紙組。無論織物圖案或紋理出現多么復雜，它都必須屬于17個圖案組中的一個。這大大降低了自動化織物檢測方法的開發和驗證的難度，為織物圖案組開發的方法和結果應該具有共同的特征和屬性。這種分類有助于處理紡織工業和市場中可用的各種織物。

表6 織物瑕疵檢測方法優缺點

大多數已發布的織物檢測方法只能用于某些壁紙組，最典型的就是p1組，但在其他壁紙組上相關的實驗較少。未來需要提出一種盡可能適用于多個壁紙組的瑕疵檢測方法。還應在大型樣本數據庫上廣泛評估該方法。

（2）覆蓋瑕疵類型更全的織物瑕疵數據庫。上一點也說到，大多數的算法只針對研究者手中的瑕疵數據庫，而這些數據庫在數量上和質量上存在一定差異。希望以后能有一個覆蓋17個壁紙組的織物瑕疵數據庫以及評價指標用來評估所提出方法的通用性以及可靠性。

（3）新的織物圖像采集技術。結合以上分析來看，織物瑕疵檢測的準確率以及效率取決于很多的因素，其中，織物圖像的采集結果會影響織物檢測的準確率與效率。例如使用特定的單色光照射，紫外線照射，紅外線照射，以及采集熱成像之后的圖像等都有可能會對織物瑕疵檢測效率帶來積極的影響。

（4）多種檢測方法的組合。使用混合方法的織物瑕疵檢測可以獲得更高的檢測效率。針對不同方法的優缺點可以適當使用能彌補該方法缺點的方法來提高整體的檢測效率。

（5）使用并行方法來提高織物瑕疵的實時檢測效率?，F階段，目標識別的研究方向不再局限于提高準確率，識別效率的提高同樣重要。目前，織物瑕疵檢測大多使用串行算法來檢測瑕疵，目前流行的CUDA可以為織物瑕疵的實時在線檢測提供更好的支撐。