基于LabView的织物疵点在线检测系统设计

1、基于虚拟仪器的坯布疵点在线检测系统XXX（中原工学院,河南郑州450007）摘要:为了能实时检测坯布生产质量，把坯布疵点缺陷标记出来并进行分类，本文研究了适用于坯布疵点检测的实时检测系统，论述了其硬件结构和软件流程，提出了一种基于虚拟仪器的快速有效的检测算法，对采集的图像进行实时分析、处理与识别。结果表明，该系统可以有效地检测出织物的疵点和疵点的类别。对于每帧4096X4096像素，实际大小为20cmX20cm的图像，检测速度最高可到达90m/min。关键词：虚拟仪器；在线检测；线阵CCD；坯布疵点FabricDefectOnlineDetectSystemBasedonLabViewXXXA

2、bstract：Inordertodetectpromptlythequalityofgreycloth,aswellasthegreyclothdefects、markeddeficienciesandclassification,thispaperappliestogreyclothdefectdetectionsystemforreal-timedetection.Discussethestructureofthehardware、softwareprocessesingandthedevelopmentplatformforLabViewinstrumenttoachievereal-

3、timeimageacquisition,analysis,processingandclassification.Theresultshowsthatthesystemcaneffectivelydetectthefaultsanddefectsgreyclothcategories.Towardaframeof4096x4096pixels,theactualsizeof20cmx20cm，thatthesystemtreachtoamaximumdetectionrateof90m/min.Keywords:Labview；Onlinedetect；inearCCD；GreyClothD

4、efect引言在织物生产过程中，坯布疵点检测与识别是坯布质量控制与检测的至关重要环节，国内夕卜很多学者取得了一定的研究成果,如：Yang,x.z.i等人采用DFE训练法、StojanovicR.等人用灰度差分方法、DA.karrasw采用径向基核函数支持向量机检测织物疵点等等，因在线检测要求具有很强实时性、高效性，准确性。故很多研究仅仅停留在实验阶段，很难用于工业生产。其中,关键的因素是:一、不能达到实时性，对硬件和处理算法都要求很高；二、检测速度不是很高,不能到达生产标准；三、检出率较低。近年来,基于LabView的虚拟仪器技术得到迅速发展,它具备强大的数据采集、仪器控制和友好的用户界面，集

5、软硬件技术于一体,可以缩短开发周期，设计方便、快捷、可靠,故采用其作为开发环境。检测系统的总体设计坯布在线检测系统有硬件系统和软件系统两部分组成。硬件系统包括：工控机、伺服电机、图像采集卡、CCD相机、光电编码器和光源等等。系统整体结构如图1所示。图1系统整体结构示意图工作台是模拟实际生产线,其由伺服电机提供动力；光电编码器采集到工作台的实时速度,把信号传递给图像采集卡,同步控制线阵CCD相机线扫描速度,这样可以采集出较清晰的图像；无频闪光源可以提高自然光的响度,减少因光源波动使采集的图像灰度不一致的缺陷；下位机主要是对采集到的图像进行处理,提取出特征参数并识别分类,最终把疵点位置、类别、级别

6、和图像传输给上位机,进行管理,存入数据库，为以后查询和算法学习之用，同时当检测到有疵点时，通过标签机对坯布做出标记，并发出报警提示。软件系统主要实现的功能有：(1)坯布图像采集；(2)坯布疵点检测与定位；(3)坯布疵点识别(4)更新数据库。坯布在线检测系统软件主要基于Labview平台开发。LabVIEW是一个完全开放式的虚拟仪器开发系统应用软件,利用LabVIEW可快速生成显示、分析和控制的图形化用户界面，并提供交互式视觉开发工具包IMAQVision10l,大大缩短了编程周期。坯布疵点在线检测系统的软件流程图如图2所示。图2坯布在线检测系统的软件流程图检测和分类算法设计(5)(6)图像差影

7、是一种图像的代数运算，简单说就是图像的对应像素进行相减的运算，所以又称为减影运算。在坯布质量检测中,采集的图像和标准图像进行差影，坯布疵点是两者之间的主要差异。由于坯布图像采集时数据量大，处理精度要求高，同时考虑坯布具有单元化、周期性、规则性等特点，所以提出局部差影算法，这样可以大大减少检测运算量，提高采集速度，同时方便定位疵点。运用这种处理算法简单，运算高效，基本可以满足坯布生产中的实时要求。在标准图像选取时，则采用统计的方法，即对无疵点的图像求列行直方图、滤波，找出坯布一个单元的周期，并求出该单元中的各个像素灰度的均值，扩展至多个单元，最终得到一个MXN大小的标准模块图像g(x,y)。对采

8、集的图像，首先对其预处理，该系统采用中值滤波去除噪声，得到滤波后的图像厂(x,y)，再与标准模块图像进行绝对差影处理可以表示为：iiis(x,y)=IXf(x,y)-g(x,y)Iiiiiiii其中，f(x,y)表示f(x,y)图像分割第i块图像在点(x,y)处的灰度值，g(x,y)iiiii为MXN的标准模块图像在点(x,y)处的灰度值，s(x,y)是差影后的图像在点(x.,y.)iiiii处的灰度值。然后，对图像s(x,y)进行参数计算，为了反映图像灰度分布均匀程度和灰度值的强iii弱，选用灰度均值；反映图像灰度分布的离散情况，选用方差；能反映图像内容随机性和纹理复杂程度，选用局部熵6；极

9、差则能反映灰度值跨度。灰度均值N)方差F(x,y)XMXNx=1y=1s(x,yiiDetpij局部熵s(x,y)iii(2)(3)(4)plog(p)ijiji=1j=1MNMN-XXp(p-1)=1-XXp2ijijiji=1j=1i=1j=1极差JC=Max(s(x,y)-Min(s(x,y)iiiiii把这些参数输入到已经训练好的多层BP神经网络里进行判别，看是否有疵点。如果是，立即在原始图像上标记出来，存入数据库，同时指示灯变红，发出报警信号；否则，计算下一个区域块。在进行多层BP神经网络计算时，神经元的激活函数选择S形函数7：b(x)=(5-3)1+e-x训练时采用最速下降算法使误

10、差逐步减小，在梯度的负方向速度最快；在学习速率和惯性因子选择时，采用自适应训练方法；在误差修正时,选用yk(W)e(W)=3Id-y(W)IP=丄工(d,22k=1k疵点检测实验研究对象为棉白坯布,一帧图像为4096*4096的灰度图像,对应的坯布长宽为20cm*20cm,标准图像模块采用128*128的大小。首先从采集的图像依次选取128*128图像,由于采用线阵相机可能受到环境噪声的影响，可能出现缺帧的现象，对选取到图像，首先进行中值滤波，根据训练好的模块图像进行差影运算，在对其特性参数提取。下面是对选取到的图像采集后，中值滤波以及绝对差影后的结果图像如图4所示。原始图像中值滤波后的图像差

11、影后的图像无缺陷无噪声的图像无缺陷有噪声的图像有缺陷有噪声的图图4采集到的图像及进行处理的结果图像对差影后的图像特征提取，并分类，测得的部分数据如下表所示:表1坯布的检测中部分特征参数与检测结果样本方差均值墒极差（BP输出）识别结果处理时间19.32909.81976.136944（0.9588）无0.12ms211.154111.29436.396347（0.9189）无0.11ms353.128320.236511.4783106（0.9875）破洞0.13ms432.367115.12577.265887（0.9639）粗纬0.12ms542.267832.23509.159558（0.

12、9776）油污0.15ms634.119413.44286.7238113（0.8963）布丝0.11ms737.458717.58608.564494（0.9634）跳花0.14ms836.254715.54877.946583（0.4568）跳花0.15ms931.245716.24576.864364（0.9651）粗纬0.12ms1043.256031.457010.012752（0.9173）油污0.12ms1119.657820.257811.2548104（0.9264）破洞0.11ms表1表明,对采集到的11幅图像差影,再在训练好的BP网络上识别,有10幅图像能正常识别,其中第

13、8幅图像不能准确识别。用此算法,坯布疵点的识别率达到90%以上。4总结本文介绍了织物在线检测系统的设计与算法实现，对整个系统的分析与论述，结合了Labview提供图像开发包，可以大大提高图像处理速度，基本可以达到实时性的要求。并结合神经网络对织物疵点识别分类.，仿真实验结果证明了该方法的可行性、可靠性和准确性。参考文献:YangXZ,PangGKH,YungNHC.Discriminativefabricdefectdetectionusingadaptivewavelets.OpticalEngineering,2002,41(12):31163126StojanovicR,Mitropul

14、osP,KoulamasC,etal.Real-timevision-basedsystemfortextilefabircinspection.Real-TimeImaging,2001,7(6):507518KarrasDA.improveddefectdetectionusingsupportvectormachinesandwaveletfeatureextractionbasedonvectorquantizationandSVDfechniques.ProceedingsoftheIntenationalJointConferenceonNeuralNetworks,2003,3:23222327步红刚等.基于计算机视觉的织物疵点检测的近期进展.东华大学学报(自然科学版),200632(3):128133.贾永红.数字图像处理M武汉:武汉大学出版社，2003.范为福等.基于局部熵的织物疵点J.中原工学院学报,2007,18(5):1619.魏海坤.神经网络结构设计的理论与方法M.北京：国防工业出版社，2005.CONCIA,PROCENCACB.AComparisonbetweenImage2ProcessingApproachestoTextileInspectionJ.JournalofTextileInstit