基于信息熵的喷水织机织物疵点检测

PAGE

PAGE

-15-

基于信息熵的喷水织机织物疵点检测

摘要：为实现喷水织机织物上疵点的有效检测及疵点准确定位，本文提出一种基于二维信息熵的特征显著图的疵点检测方法。将待检测织物图像使用改进的同态滤波进行预处理，改善图像因光照不均对疵点检测产生的影響;利用图像基元信息熵与图像纹理的关系引入二维熵来反映图像纹理的空间分布，计算每个重叠的图像基元的信息熵，并把该熵值作为中心像素的灰度值，经归一化后生成一幅特征显著图;最后对显著图进行阈值分割得到疵点的轮廓，同时通过显著图得到径向投影差分序列对织物图像进行疵点判别。结果表明，本方法能够有效地抑制织物中重复的纹理背景，突出疵点部分，实现疵点区域的准确定位。

关键词：喷水织机;同态滤波;信息熵;特征显著性;阈值分割;疵点检测

中图分类号：TS106.5;TP391.4文献标志码：A文章编号：10017003（2022）06007208

引用页码：061110

DOI：10.3969/j.issn.1001-7003.2022.06.010（篇序）

基金项目：国家自然科学基金项目（51805402）

作者简介：柏顺伟（1997），男，硕士研究生，研究方向为图像处理和织物断经检测。通信作者：沈丹峰，副教授，dfshen@。

喷水织机织物疵点的检测是纺织品质量控制的研究热点，数字图像处理和机器视觉等现代技术被广泛应用于织物疵点检测[1]。喷水织物采用具有疏水性的化纤长丝为原料，织物风格以素色织物背景为主，在生产过程中环境的复杂性、生产材料的多样性，同时疵点检测系统要求较高的实时性，使喷水织物疵点检测算法很难拥有较好的通用性。

疵点检测已经做了许多相关的研究，如基于统计学的方法[2]将图像灰度、纹理特征的统计结果作为疵点检测的分析依据，此类方法对于素色织物具有较好的效果，同时疵点的检测易受统计量选择的影响。基于灰度共生矩阵的空间灰度统计的方法[3]就是直接对织物图像的灰度统计，从灰度共生矩阵提取出不同的特征值，并将被检测织物图像的特征值与正常织物图像的特征值进行比较。Zhu等[4]利用自相关函数和纹理特征的织物疵点检测算法，该方法在共生矩阵上计算量大而且对细小的疵点校测效果不高。基于Gabor滤波器的方法[5]利用纹理的频谱特性，这种方法能够有效地实现疵点检测，但对于方格条纹色织物检测效果不佳，同时对滤波器参数设定复杂。基于视觉显著性[6]检测法利用色织物纹理背景和疵点的差异性导致织物纹理周期性特征的显著性变化实现疵点检测，朱磊等[7]利用相似性度量函数进行显著性检测，此类方法对明显的疵点检测效果较好，对细微的疵点检测效果欠佳，但对于光照不均的检测对象易误检。近年来，提出的基于深度学习模型[8-9]检测法利用卷积神经网络对疵点目标进行分类识别与检测，在检测速度和检测精度上取得了不错的效果，但是缺陷织物数据库通常太小无法训练出满足生产要求的深度神经网络，所以在实际工业生产中很少得到应用，实现过程难度较大。

上述方法都有着自身的特点，故针对喷水织机织物图像易受光照不均的影响和疵点部分与背景区域对比度低的现象，本文提出了基于信息熵来描述疵点图像的灰度级的变化，引入能够反映图像纹理空间分布特征的二维信息熵特征显著图检测方法，利用特征显著图得到径向投影序列来判断疵点有无，同时对有疵点的显著图通过最大间类方差法进行阈值分割得到疵点的轮廓，从而实现对常见织物疵点的有效检测。

1织物疵点检测方法

本文提出的疵点检测方法包括三个步骤：首先，对采集的织物图像进行改进的同态滤波预处理;其次，基于二维信息熵计算图像空间分布的特征显著图，通过得到的显著图的径向差分投影序列判断织物是否存在疵点;最后，对特征显著图进行阈值分割和形态学处理剔除异常点，得到疵点检测结果。

1.1改进同态滤波图像预处理

在工业生产环境下的图像采集过程中，一是喷水织机在生产过程中空气的湿度大，二是光照系统在整个工作的电气

环境下易受到各种干扰，使得采集图像时因光照不均造成图像的质量较差，给检测带来的难度较大，故本文通过同态滤波进行预处理来提高疵点检测的准确率。

图像在照明-反射模型中可以表示照明分量和反射分量的乘积形式：f（x，y）=r（x，y）×i（x，y）。其中反射分量r（x，y）包含了图像细节，在频谱上其能量集中于高频段;而照明分量i（x，y）的变化缓慢包含图像的背景部分，其能量集中低频段[10]。通过减弱光照不均对疵点检测带来的影响以增强图像的局部对比度。同态滤波的过程如图1所示。

图1中，lnf对图像进行对数运算;FFT为快速傅里叶变换;H（U，V）表示滤波函数，通常采用巴特沃斯高通滤波器;IFFT反傅里叶变换;exp表示取指数运算。

传统的滤波器因传递函数的参数太多，不易控制，需要调节大量的参数才能达到满意的滤波效果。对于不同的织物图像需要不同的高低频增益及截止频率，为了得到满意的滤波效果同时减少调节参数获得相似的滤波效果，本文提出了一种改进的同态滤波传递函数。

H（u，v）=a+b11+[D0/D（u，v）]2（1）

式中：D0为截止频率半径，D（u，v）为（u，v）到滤波中心的距离，低频增加倍数a起主要作用，b为高频增加倍数（取值1.5）;通过对低频增加倍数a调整得到不同幅值的滤波器函数。46959EF9-4829-46A2-8694-6A6099C9A635

为寻找最优低频增加倍数的滤波器函数对图像进行滤波处理，本文通过大量的实验，利用滤波后图像方差来确定最优的参数值a。织物图像的方差反映了灰度值的离散情况，当滤波后的图像取得一个较大的方差时，就得到消除光照不均的滤波结果。在不同参数a得到的滤波函数滤波后图像的方差曲线，如图2所示，通过多项式拟合得到方差变化曲线，通过拟合曲线最大值得出a值，本文中a的取值为0.92，然后使用式传递函数对图像进行同态滤波。

经同态滤波的预处理得到织物结果，如图3所示，处理后的织物图像消除了光照不均的影响，有利于图像疵点的识别。

1.2二维信息熵图

1.2.1信息熵与织物疵点的关系

根据人的视觉对图像织物疵点图像判断时，当织物图像中的某一区域的灰度值变化大于周围区域的变化时，该异常区域图像更容易引起注意。Shannon[11]在信息论中使用信息熵来表示这种关系，图像的信息熵如下式所示。

H=-∑L-1i=0P（Xi）log2P（Xi）（2）

式中：H为图像的信息熵;Xi为每个像素的灰度值;P（Xi）是灰度为Xi的像素出现的概率;L为图像中灰度级的数量。

喷水织物具有周期纹理的结构，使用信息熵描述图像灰度级分布的不确定性和信息量的度量，对于正常织物图像，纹理特征是均匀分布的，得到的图像熵值较小。对于疵点图像，图像纹理特征的一致性被破坏，疵点处的像素灰度信息量增加，熵值增大。为了解决信息熵在整个图像层次上的局限性，根据图像空域滤波使用卷积核的卷积运算，本文提出在一维熵的基础上引入了一种能反映图像空间纹理信息分布特征的二维熵特征矩阵，并将特征提取的视野从整体转到局部检测的视野。

织物的组织是由经纱和纬纱交替编织而成，在灰度分布角度下表现为纹理结构的周期性，是由多个重复单元组成[12]。织物图像中纹理基本单元之间具备很强的相似性，使用信息熵作为纹理基本单元的纹理特征的统计形式用于计算，当出现瑕疵的时候，纹理基本单元中灰度值的一致性就會发生变化及灰度信息量增加，将图像中的每个单元的熵值结果作为新的灰度值就可以构成二维熵特征矩阵。在预处理后的织物空间域上提取图像的熵值，归一化为特征矩阵，即得到特征显著图，进而从显著图中定位出疵点显著性区域。

1.2.2二维信息熵图的计算

为了得到与原图像同样大小的特征显著图，使用镜像填充完成对图像边缘扩展;为了提高熵值的准确性和计算速度，对原图像的灰度级L=256进行压缩，以不同灰度级Li得到特征显著图与人工标注的疵点图像之间的相似度关系，相似度越大显著图的计算结果越准确，结果如图4所示。

由图4可知，不同灰度级下的计算时间，取Li=16计算效率最高，相似度Si如下式所示。

Si=1-2f（x，y）-gi（x，y）2f（x，y）2+g（x，y）2（3）

式中：Si为压缩灰度级为i与人工标注图的相似度，X2为矩阵二范数，f（x，y）为人工疵点标注图，g（x，y）疵点显著图。

在织物图像中以点（x，y）为中心，对m×n像素区域大小的图像使用一维熵的公式计算该点处的熵值，为了增大疵点区域与正常区域熵值的差异，将计算后的结果进行指数化。通过步长为2遍历图像中的像素点，计算出反应每个像素点周围信息的熵值作为特征图像相应位置的响应值，再对得到的显著图进行上采样得到一幅与原图像相同大小的二维熵图。二维熵的计算方法如图5所示，H（x，y）为图像中点（x，y）核大小为3×3的熵值，其中3×3领域包含三个灰度级：1、2、3，即L为3。

1.2.3计算核的确定

二维信息熵图对局部纹理信息描述的准确性取决于局部描述域的形状和大小，即计算核尺寸。织物织造过程的主要疵点类型是径向类疵点，即断经和断纬。径向疵点区域灰度值的分布特点是水平或竖直分布的特点，为了更加高效准确地对局部灰度信息量的统计，本文采用矩形核进行熵值提取。在局部信息熵的计算过程中，相比于方形核[13]，在断经或断纬疵点区域矩形核更加符合疵点灰度值分布的特点，使得矩形核在计算熵值信息时可以包含更多的灰度级信息量，从而在径向疵点的区域内相比于无疵点区域所得的疵点区域熵值更大，所得熵值特征图的疵点区域更加显著，有利于疵点区域的分割。

对一幅500×100的疵点图像，如图6（a）所示，分别按二维熵的计算方法得到如图6（b）（c）所示的特征显著图。从特征图中可知矩形核对疵点的局部区域描述得更加准确，所得疵点区域相比于背景区域具有更高的显著性。为验证这一点，通过对得到的特征图按织物径向做均值投影（式（4））得到图6（d）所示的熵值投影图。从熵值投影图中可知，相比于方形的计算核，在疵点处通过矩形核计算出的熵值要高于方形核的计算值，故本文提出的矩形核对疵点单元的熵值更加显著。

Gmean（i）=1N∑Nj=1G（i，j）（4）

式中：Gmean（i）为熵值经向平均投影序列;G（i，j）为熵图中像素点（i，j）处的熵值;i取值为1～M，j取值为1～N;M为图像的宽度;N为图像的高度。46959EF9-4829-46A2-8694-6A6099C9A635

为了提高局部信息熵对织物纹理信息描述的准确性，本文根据织物纹理结构的最小重复单元来确定计算核的大小，采用自相关函数来计算纬向重复单元的大小，自相关函数的周期大小即为纹理基本单元重复呈现出的周期。图像纬向的自相关函数如下式所示。

Cx，0=1M×（N-x）∑N-xi=1∑Mj=1Gi，jGI+x，j1M×N∑Ni=1∑Mj=1G2i，j（5）

式中：Cx，0代表代表水平方向上的自相关函数值;Gi，j为图像中（i，j）处灰度值。

织物纬向的自相关曲线是具有多个峰值和谷值的光滑曲线，两个相邻“峰”或“谷”间的距离为织物的周期，如图7所示。图7中，前四个极小值点的自相关值为125.5、125.4、125.6、125.6，其相应坐标值为0，7，14，21。相邻极小值点的间距分别为7、7、7，从而得到纬向的周期Tx=7，即矩形核的宽为7，矩形核的长宽比为3︰2。

根据以上得出的结果，将大小和形状为7×11的矩形计算核对疵点图像每个像素点进行信息熵的特征提取。每个计算核得到的信息熵作为相应像素点的灰度值，对得到信息熵图进行归一化至[0，1]，再将归一化后的图像灰度级放大到[0，255]，得到一幅单通道的视觉显著图，如图8所示，显著图中的每个像素点的值为局部信息熵值。从显著图可以看出，不仅能有效抑制反复出现的织物纹理这部分冗余信息，同时疵点信息得到了有效的保留，实现了疵点的有效检测。

1.3疵点区域分割

为了将织物疵点区域从特征显著图中提取出来，需要对织物显著图进行阈值分割和形态学处理。本文采用最大类间方差法（QTSU）对得到的特征显著图进行阈值分割，同时对二值图像进行形态学开运算，如图9所示为二值图像分割结果。

2实验

本文实验的图像在车速为850r/min的HW8010型喷水织机（青岛海佳机械有限公司）上利用U-300C面阵CCD相机（深圳迈视威科技有限公司）采集多种疵点图像，为了清晰地展示出疵点区域的特征，将采集的70张（40幅疵点图像和30幅正常图像）图像裁剪成大小为256像素×256像素的图像。织物的背景花色为素色，样本疵点类型包括斷经、吊经、经缩、油污等常见的区域性疵点。本文的检测算法在pycharm2022.2编译器上实现，使用Python基于OpenCV开源视觉库实现整个算法。实验设备为主频为2.50GHz的Intel（R）Core（TM）i5处理器和16GBRAM内存的win10操作系统计算机上进行。

3结果与分析

3.1疵点图像准确性检测

图10为本文算法对采集的样本中4组常见的织物疵点检测结果。从图10可以看出，本文算法能够完整地从复杂背景纹理织物图像中分割出完整连续的疵点区域，实现疵点的有效检测。为进一步验证该检测方法所得到的疵点区域的准确性，使用二值图像的疵点边缘与织物原图像进行与运算，得到图10（d）所示疵点边缘叠加图，通过本文算法得出的特征显著图能够准确地定位疵点的位置和形状。

3.2疵点图像有效性检测

实际生产过程中得通过判断当前检测对象是否存在疵点让织机停机。为验证本文算法疵点检测的有效性，对采集的不同光照条件下，包含断经、跳花、油污、断头疵、破洞五种常见类型的疵点织物图像进行验证。根据二维熵图算法原则，无论织物图像是正常图像还是疵点图像，其特征显著图都会存在显著部分。正常图像和疵点图像的显著图如图11所示，从生成的显著图中可以看出，断经疵点图像生成的显著图中显著区域为断经疵点在图中的灰度分布区域，该区域的显著值呈现出集中竖直分布的特点，其他背景区域的显著值较低;而正常织物图像生成的显著图中，具有多个较高的显著区域，且在整个图像中呈现出分散分布的特点。本文通过径向投影差分序列[14]来判断待检测织物图像是否存在疵点，通过下式的显著图的径向投影序列的基础上，进一步得到径向差分序列D={d1，d2，…，di，…}，di计算公式如下：

di=gi+1-gi，i=1，2，…，N-1（6）

式中：gi为第i列特征投影值;N为图像的宽度。

织物图像的径向投影差分序列如图11（e）所示。

从径向投影差分图中可以看出，正常织物显著图的差分序列波动较小，而疵点织物显著图的差分序列在疵点处存在一个较大的突变。本文利用差分序列的峰值系数Cp和峭度因子Ck来判断图像是否有断经疵点[15]，峰值系数和峭度计算方法如下式所示。

Cp=αXrms（7）

Ck=βX4rms（8）

式中：α=xmax-xmin为差分序列D的峰值;Xrms={E[d2（i）]}12为差分序列D的有效值;β=E[d4（i）]为差分序列D的峭度。

通过对采集的40幅疵点图像和30幅正常图像进行实验，对每个检测样本峰值系数和峭度因子的计算结果如12所示。当峰值系数Cp>10且峭度因子Ck>10，则为疵点图像，否则为正常图像。从图12可以看出，检测的准确率为97.5%，表明本文提出的方法可以有效检测出织物疵点。46959EF9-4829-46A2-8694-6A6099C9A635

3.3不同算法检测结果对比

选取5组典型的织物疵点图，并将本文算法与其他3种疵点检测算法进行对比，结果如图13所示。这3种疵点检测算法分别是采用Lab颜色空间距离局部对比度的文献[16]显著性AC算法，文献[17]提出的GBVS（Graph-basedvisualsaliency，GBVS）模型检测算法，文献[18]提出的PCA-Gabor算法。从图13可以看出，文献[16]方法可以大致地检测出疵点所在的位置，但背景纹理部分没有被很好地一致，可能是因为织物图像中的背景部分与疵点区域在颜色空间中对比度不高，同时提取的疵点轮廓也不完整。文献[17]方法对在光照不均条件下的断经疵点检测效果较差，对图像的非疵点区域易发生错检，得到的疵点显著区轮廓大于实际的疵点轮廓，但对明显的油污疵点检测效果较好。文献[18]方法对因光照不均匀条件下的织物疵点图像检测效果较差，可以在一定程度上识别出疵点位置，但是不能完全抑制背景部分，得到的检测结果含有大量的噪声。本文算法是基于灰度级检测算法，可以更好地抑制重复的纹理单元，计算得到的检测结果，即疵点区域与背景的对比明显且能够准确地检测出疵点图像中疵点完整的轮廓。

选用采集的70张疵点图像进行检测，按有疵点和无疵点织物图像分类，进行4种检测算法的检测准确率和误检率进行比较，如表1所示。检测准确率為正确检测的带疵点样本与所有被判断为疵点样本个数的百分比，误检率即错误检测的无疵点样本个数与所有无疵点样本个数的百分比。从表1可看出，本文算法检测的准确率比其他3种方法提高了5%以上，同时对样本的误检率均低于其他3检测算法;本文算法在检测速度上与文献[16]基本一致，优于其他2种方法。从上述实验结果可得出，本文采用特征显著图能够有效地抑制背景纹理，同时显著突出疵点区域，且能够对疵点区域进行准确定位。

4结论

本文通过对喷水织机织物径向类疵点图像纹理特征的研究，提出了基于二维信息熵来提取织物的特征显著图的检测方法，根据纹理基元的灰度级的分布差异来分辨疵点基元。根据织物疵点检测结果可以看出，每一幅织物图像生成相应的特征显著图，能够较好地抑制织物的纹理背景，突出瑕疵区域，有效分割出断经、吊经、经缩、油污等常见径向疵点类型，实现了对疵点区域的准确定位。同时，利用径向投影序列实现待检测图像是否存在疵点。实验结果表明，本文算法对素色织物疵点轮廓的准确提取，使得检测准确率得到明显提高。

参考文献：

[1]OUYANGWenbin，XUBugao，HOUJue，etal.Fabricdefectdetectionusingactivationlayerembeddedconvolutionalneuralnetwork[J].IEEEAccess，2022（7）：70130-70140.

[2]BIM，SUNZ，LIY.Texturalfabricdefectdetectionusingadaptivequantizedgray-levelco-occurrencematrixandsupportvectordescriptiondata[J].InformationTechnologyJournal，2022，11（6）：673-685.

[3]王孟涛，李岳阳，杜帅，等.基于灰度梯度共生矩阵和SVDD的织物疵点检测[J].丝绸，2022，55（12）：55-61.

WANGMengtao，LIYueyang，DUShuai，etal.Fabricdefectdetectionbasedongray-levelgradientco-occurrencematrixandSVDD[J].JournalofSilk，2022，55（12）：55-61.

[4]ZHUD，PANR，GAOW，etal.Yarn-dyedfabricdefectdetectionbasedonautocorrelationfunctionandGLCM[J].AutexResearchJournal，2022，15（3）：226-232.

[5]TONGL，WONGWK，KWONGCK.Differentialevolution-basedoptimalGaborfiltermodelforfabricinspection[J].Neurocomputing，2022，173（6）：1386-1401.

[6]李倩倩，周武能.利用上下文视觉显著性检测色织物的疵点[J].棉纺织技术，2022，46（2）：9-13.

LIQianqian，ZHOUWuneng.Defectioninspectionofyarn-dyedfabricwithcontext-awaresaliency[J].CottonTextileTechnology，2022，46（2）：9-13.

[7]朱磊，任梦凡，潘杨，等.基于相似性定位和超像素分割的织物疵点检测[J].纺织学报，2022，41（10）：58-66.

ZHULei，RENMengfan，PANYang，etal.Fabricdefectdetectionbasedonsimilaritylocationandsuperpixelsegmentation[J].JournalofTextileResearch，2022，41（10）：58-66.46959EF9-4829-46A2-8694-6A6099C9A635

[8]晏琳，景军锋，李鹏飞.FasterRCNN模型在坯布疵点检测中的应用[J].棉纺织技术，2022，47（2）：24-27.

YANLin，JINGJunfeng，LIPengfei.ApplicationofFasterRCNNmodelusedingreyfabricdefectdetection[J].CottonTextileTechnology，2022，47（2）：24-27.

[9]王理顺，钟勇，李振东，等.基于深度学习的织物缺陷在线检测算法[J].计算机应用，2022，39（7）：2125-2128.

WANGLishun，ZHONGYong，LIZhendong，etal.On-linefabricdefectrecognitionalgorithmbasedondeeplearning[J].ComputerApplications，2022，39（7）：2125-2128.

[10]梁琳，何卫平，雷蕾，等.光照不均图像增强方法综述[J].计算机应用研究，2022，27（5）：1625-1628.

LIANGLin，HEWeiping，LEILei，etal.Surveyonenhancementmethodsfornon-uniformilluminationimage[J].ApplicationResearchofComputers，2022，27（5）：1625-1628.

[11]SHANNONCE.Amathematicaltheoryofcommunication[J].TheBellSystemTechnicalJournal，1948，27（3）：379-423.

[12]祝雙武，郝重阳.基于纹理周期性分析的织物疵点检测方法[J].计算机工程与应用，2022，48（21）：163-166.

ZHUShuangwu，HAOChongyang.Fabricdefectdetectionapproachbasedontextureperiodicityanalysis[J].ComputerEngineeringandApplications，2022，48（21）：163-166.

[13]LIUGuohua，ZHENGXiangtong.Fabricdefectdetectionbasedoninformationentropyandfrequencydomainsaliency[J].TheVisualComputer，2022，37（3）：51