基于欠完备字典重构的无监督织物疵点检测方法

doi:10.16183/j.cnki.jsjtu.2023.205

基于欠完备字典重构的无监督织物疵点检测方法

刘建欣, 潘如如, 周建^,

江南大学纺织科学与工程学院,江苏无锡 214122

Unsupervised Fabric Defect Detection Based on Under-Complete Dictionary Reconstruction

LIU Jianxin, PAN Ruru, ZHOU Jian^,

College of Textile Science and Engineering, Jiangnan University, Wuxi 214122, Jiangsu, China

通讯作者: 周建,副教授;E-mail :jzhou@jiangnan.edu.cn.

收稿日期: 2023-05-22 修回日期: 2023-06-16 接受日期: 2023-07-3

基金资助:

国家自然科学基金(61501209)

Received: 2023-05-22 Revised: 2023-06-16 Accepted: 2023-07-3

作者简介 About authors

刘建欣(1999—),硕士生,主要研究方向为数字化纺织技术.

摘要

针对当前自动织物检测方法大多仍需人工挑选训练集而无法实现无监督学习的问题,提出使用中值稳健扩展局部二值模式(MRELBP)特征的无疵图像筛选方法与欠完备字典重构疵点检测方法,实现自动无监督疵点检测,并采用自适应字典大小搜索算法,自动选取合适字典大小.算法首先对织物样本进行无疵图像的自动筛选,然后使用K-SVD算法将筛选后的正常图像块作为训练集获取欠完备字典,最后将通过计算重构后的结构相似性指标(SSIM)作为阈值进行疵点检测.在334张含有经向、纬向、块状疵点的平纹白坯布上进行实验,与使用残差分割疵点的K-SVD方法相比,正检率平均提升21.81%,误检率平均降低0.72%,每张图像的检测速率平均提升50%,在AITEX数据集上取得了平均83.29%的正检率,证明了本算法的有效性.

关键词： 织物疵点检测; 中值稳健扩展局部二值模式; 字典学习; 无监督检测

Abstract

To address the issue that most current automatic fabric defect detection methods still require manual selection of training sets and cannot achieve unsupervised learning, an automatic unsupervised defect detection method using the median robust extended local binary pattern (MRELBP) feature for flawless image screening and an under-complete dictionary reconstruction method for defect point detection are proposed. An adaptive dictionary size search algorithm is also proposed to automatically select a suitable dictionary size. First, the algorithm selects the flawless images from fabric images. Then, K-SVD is applied to obtain an under-complete dictionary from the normal image blocks as the training set. Finally, the reconstruction-base scheme is used to identify defects with the structural similarity index measure (SSIM) threshold. Experimental results of 334 plain fabrics with warp, weft, and block defects show that compared to the K-SVD method that uses residual segmentation for defect detection, the proposed method increases the correct detection rate up to 21.81%, reduces the false detection rate up to 0.72%, and a 50% increase in detection speed per image on average. The proposed algorithm achieved an average correct detection rate of 83.29% on the AITEX dataset, demonstrating its effectiveness.

Keywords： fabric defect detection; median robust extended local binary pattern (MRELBP); dictionary learning; unsupervised detection

PDF (13784KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

刘建欣, 潘如如, 周建. 基于欠完备字典重构的无监督织物疵点检测方法[J]. 上海交通大学学报, 2025, 59(2): 283-292 doi:10.16183/j.cnki.jsjtu.2023.205

LIU Jianxin, PAN Ruru, ZHOU Jian. Unsupervised Fabric Defect Detection Based on Under-Complete Dictionary Reconstruction[J]. Journal of Shanghai Jiaotong University, 2025, 59(2): 283-292 doi:10.16183/j.cnki.jsjtu.2023.205

纺织面料(织物)表面疵点直接影响外观品质、降低产品的价值及性能.传统的人工检测方法需要消耗大量的时间和人力成本,且检测成功率仅为 60%~75%^[1],难以适应现代高质高效的生产要求.而纺织面料自动疵点检测也是一项具有挑战性的任务^[2],纺织面料纹理特征非常复杂,织物的疵点种类分类已多达70余种.疵点的形状、大小、位置等各不相同^[3],使得疵点检测算法需要具备很强的适应性和鲁棒性^[4]来完成纹理表面缺陷检测任务^[5].在纺织面料生产线上,疵点检测需实时完成,否则会影响生产效率和产品质量.因此,疵点检测算法需具备快速、高效的特点,能在短时间内完成疵点检测并及时反馈结果.但获取高质量的面料疵点数据集非常困难,需要专业人员耗费大量时间和精力进行采集和标注.

综上所述,由于织物疵点样本收集困难,传统的有监督算法难以发挥其优势,而无监督的织物疵点检测算法更有利于解决疵点样本缺少的应用场景.相比于已有监督算法,现有织物自动疵点检测方法中,无监督方法是最具难度的一种方法,该类方法能在没有标注信息或先验知识的情况下,直接从数据中提取特征或进行模式识别.Hu等^[6]提出一种基于傅里叶分析和小波收缩的无监督方法,对纺织品图像进行小波分解,得到一系列局部化的子图像,并利用傅里叶分析技术对这些子图像进行处理,最终实现疵点检测;Hamdi等^[7]提出一种基于滤波与K均值聚类的无监督方法,利用标准差滤波对正常纹理进行抑制,再计算每个检测框的中值,采用K均值聚类对图案织物图像中的缺陷块进行分类;Mei等^[8]提出一种基于多尺度卷积去噪自动编码器模型的无监督方法,通过卷积去噪自动编码器网络重建图像块,每个图像块的重建残差用作直接像素预测的指标,将不同分辨率级别重建残差图进行分割和合成,可生成最终的检测结果;Wu等^[9]提出一种基于主成分分析与字典学习的无监督方法,使用字典学习方法对主成分分析后的特征向量进行学习,使用学习后的字典对图像进行重构并滤波抑制背景纹理,最后使用模板匹配的方式划分疵点;Peng等^[10]提出一种基于无缺陷样本特征比较训练的无监督织物缺陷检测方法,利用基于预训练模型的特征提取,直接捕获训练数据的正常变异性,然后将获得的特征经过自特征比对(SFC)架构,采用基于特征重建误差和特征蒸馏误差的组合判断准则得到表面缺陷.

以上无监督方法大致分为基于深度学习的方法与传统方法,两者对无监督的定义略有不同.基于深度学习的方法是不对疵点位置进行标注但需要一定的训练集;传统方法则不需要训练集,直接面对数据集进行分析,操作上来说更为简便.基于深度学习的方法通过神经网络来学习特征,存在训练集仍需少部分无疵点图像、训练时间较长或检测速度不能满足检测实时性等不足;传统方法多通过手工提取特征建模,也存在参数选取复杂或模型鲁棒性不够强等缺点.在工业场景下,对比无监督疵点检测算法,完全不依赖人工调参的织物疵点检测算法具有更高要求.首先,需在噪声与干扰中保持更高的准确率与更低的误检率,保证检测环节的有效性;其次,为了保证检测效率,算法需要具有更低的复杂度;最后,工业化应用还需要尽量强的泛化能力与自动化能力,能在尽量少的人工干预下对尽可能多的织物与疵点进行检测.

针对现有无监督算法的不足,提出一种基于欠完备字典重构的无监督织物疵点检测方法.该算法首先利用中值稳健扩展局部二值模式(MRELBP)纹理特征对织物图像中的疵点区域,即异常区域,进行自动筛选;然后,将经筛选后的样本用于欠完备字典学习;最后,利用学习字典对异常样本的重构差异实现织物疵点的无监督检测.

1 基于MRELBP纹理特征的无疵图

像筛选算法当前基于字典学习的织物疵点检测方法多为半监督^[11]方法,由于训练过程所用样本对其检测结果有直接影响,需人工精心挑选无疵点的图像进行字典的学习,所以无法满足工业场景中无监督方式下的检测要求.为此,从取代人工挑选训练集入手,利用MRELBP纹理特征对织物图像中的有疵区域进行自动剔除,进而为后续检测算法的无监督化运行提供必要条件.

1.1 MRELBP纹理特征

局部二值模式(LBP)^[12]特征因快速、稳定、通用和可扩展的优点,在多个领域仍被广泛使用,且针对不同任务,衍生出不同变种,例如针对局部纹理分类的MRELBP^[13]、针对边缘提取的改进型局部二值模式(I-LBP)^[14]、针对全局匹配的局部二值模式方差(LBPV)^[15]等.其中,MRELBP是一种基于统计的纹理特征,由3种纹理表征级联构成,分别为中心像素表征、邻域像素表征、径向差异表征,能对不同范围、方向的纹理进行表征.相较于传统的LBP,MRELBP具有更强的鲁棒性,更能抑制噪声、光照变化等因素的影响,却能保持LBP计算复杂度相对较低的性质.此外,在基于特征的纹理分类算子中,通过在多个公开数据集的纹理分类测试^[16],MRELBP均表现出优秀的分类能力,能以较低的计算复杂度获得比拟神经网络的结果.因此,可利用其优秀的纹理分类能力对疵点区域进行剔除.

1.2 无疵图像筛选算法

综上所述,MRELBP纹理特征能很好地区分局部纹理.从纹理分析角度看,纺织面料的疵点是正常纹理发生破坏而导致的,理论上可以直接用纹理鉴别.但前期实验表明,织物表面的疵点外观随机、背景纹理规则度差,仅使用MRELBP特征会存在大量的误检测,为此,利用MRELBP特征进行较为明显彻底的筛选,达到剔除潜在的疵点区域的目的.通过先验知识可知,织物疵点的发生属于小概率事件,换言之,整幅织物图像里疵点所占的面积比例非常小,而占大比例的正常纹理块之间的纹理特征都存在较高的相似度.为此,可随机选择织物图像中某一图像块,计算该图像块与其他块的相似度,通过疵点区域与正常区域的差异实现疵点的剔除,其无疵点图像的筛选算法如下:

算法1 基于MRELBP特征的无疵图像筛选算法

Input:待筛选织物图像块集合Image,图像分割大小ω

Output:无疵点图像块集合Blocks={b₁, b₂, …, b_m}

1. 初始化:将Image分割成ω×ω的图像块,记为Blocks={b₁, b₂, …, b_n},卡方距离集合Distance=Ø, MRELBP特征集合Feature=Ø

2. for i=1→n

3. 提取b_i的MRELBP归一化特征向量后f_i放入Feature

4. end

5. 在Feature中随机抽取一个特征f_r

6. for j=1→n

7. 计算f_r与b_i之间的卡方距离d_j,加入Distance中

8. end

9. while Blocks≠Ø do

10. 计算Distance的95%置信区间Range

11. for k=1→n

12. if d_k∉Range then

13. 从Blocks中移除b_k

14. else

15. break

16. end if

17. end

18. end

19. return Blocks

由算法1可知,其原理是利用对图像块之间相似度进行不停迭代剔除的过程,完成有疵点区域的剔除.所选择的图像块分别为正常图像块和疵点图像块进行卡方距离排序后的结果,如图1所示.由图可知,当选取疵点图像块时,整体的卡方距离较大;选取到正常块时,整体的卡方距离较小,但无论随机选取到哪种图像块,均存在一段卡方距离缓慢上升且不产生突变的区间,即图1(a)、1(b)的中间部分,此段区间对应的图像块可视为正常纹理.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 抽取块与其他块卡方距离排序结果

Fig.1 Sorting results of chi-square distance between extracted blocks and other blocks

为直观验证上述算法对无疵点样本的筛选效果,使用自建数据集(具体参数见后文)与AITEX数据集^[17]对算法1进行验证,结果如图2所示.由图2可知,经过算法1的筛选,4张图像中所包含的明显疵点区域被有效地筛选出来,虽然部分正常纹理区域会被误认为疵点,但由于只需保证输出正常纹理的图像块用于后续字典学习算法,所以能证明算法1的有效性.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 算法1对疵点样本的筛选效果图(白色框为筛选出来的疵点样本)

Fig.2 Filtering effect of Algorithm 1 for defect samples (white box indicating filtered defect samples)

2 基于字典重建的疵点区分算法

2.1 欠完备字典图像重构及疵点分割算法

K-SVD算法是一种用于字典学习的迭代算法,通过将信号表示为字典中原子的线性组合来重构原始信号^[18].该算法通过交替更新字典和稀疏表示来学习字典和信号的表示.其在l₂范数近似条件下的优化问题如下:

(1)

\underset{D, X}{m i n} {‖Y - D X‖}_{2}^{2}

s.t. ∀i, ‖x _i‖₀≤T

式中:Y为原始样本;D为字典矩阵;X为稀疏系数矩阵;‖x_i‖₀为稀疏系数矩阵里行向量x_i非零元素的个数;T为稀疏度,指信号在一组基中表示时,非0系数的个数.在K-SVD算法中,T通常作为输入参数给定,指定了期望的信号稀疏度,算法会通过迭代逐步优化字典和稀疏系数,以尽可能逼近该稀疏度.该问题需要系数矩阵尽可能稀疏才能最小化与原始样本的误差,但式中D与X都需进行优化,该问题的精确解为NP-hard问题.K-SVD算法采取固定一个变量,优化另一个变量的方式,交替优化D与X得到近似解.

该算法主要用于设计过完备字典,但也可用于设计欠完备字典.欠完备字典指原子的数量少于信号维度的字典,可以提供一种低维表示,利用信号中的冗余性来实现稀疏表示;完备字典指原子的数量等于信号维度的字典,可以通过原子线性组合来精确重构;过完备字典指原子的数量多于信号维度的字典,可以提供更多的基函数来逼近和表示信号,能更好地捕捉信号的特征和结构.相较于完备字典与过完备字典,欠完备字典的原子数量少于信号维度,更有利于得到较稀疏的系数表示,这说明可以使用较少的原子来表示信号,从而更有效地捕获信号的结构和特征.由于欠完备字典更关注信号中的主要特征,对于噪声或干扰的影响相对较小,使得欠完备字典在将疵点图像重构为不含疵点的图像时表现较好.此外,欠完备字典训练的原子较少,可提高稀疏表示的计算效率.由于织物纹理具有较强的重复性,可以使用欠完备字典获取织物主要的纹理结构的低维重构,再对重构后的纹理结构与织物纹理结构进行相似性度量,通过置信区间的方法将相似性低的部分视为疵点.由于使用的欠完备字典只能对主要纹理进行重构,对细节还原较差,不能直接使用传统残差的方式,否则会导致更多的误检,而结构相似性指标(SSIM)对主要纹理进行相似性判定的效果更好,故采用SSIM作为重构误差进行相似性度量.

由于SSIM存在缺陷,当疵点块占图像的比例升高时,置信区间会发生偏移,从而导致阈值分割效果变差,故对筛选后的无疵点图像进行重构,将计算重构无疵点图像时,结构相似度的99%置信区间的下限作为阈值.此外,为提高算法的实时性,稀疏编码环节采用正交匹配追踪(OMP)算法,该算法是一种基于贪心策略的稀疏编码算法,通过逐步地选择具有最大投影的基,来逐步逼近信号的稀疏表示,与直接求解最优解相比,这种贪心策略可以大幅减小计算复杂度,更快地找到一个近似解.算法整体流程如图3所示.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 字典重建疵点区分算法流程图

Fig.3 Algorithm flow chart for dictionary reconstruction with defect discrimination

由图3可知,在学习环节中,可能带有疵点的训练集在上述筛选过程中保留了部分不带疵点的训练集,再通过K值搜索算法确定字典大小,接下来进行字典学习,并用学习到的字典来重建筛选后的训练集,计算筛选后的训练集与重构后的结构相似度.由于筛选后的训练集不带疵点,所以此时的结构相似性可作为正常图像经字典重构后的阈值,为排除误差,选择99%置信区间作为重构阈值.在检测环节,直接使用学习环节获得的字典对待检测图像进行重构并使用阈值进行分割.

在阈值分割部分,如直接将小于阈值的块设为疵点块,可能会导致一定程度的误检,为减少误检并提高检测精度,使用重叠检测窗口和投票式的疵点位置标记法,通过创建一个与待检测图像相同大小的标记矩阵,将该标记矩阵初始化为零矩阵,每当某个窗口被识别为疵点窗口时,在标记矩阵的对应位置加1,识别完所有的疵点窗口后,将标记矩阵大于1的位置作为最终的疵点位置输出, 只将被不同窗口重复识别为疵点的部分视为疵点.该方法能排除单独出现的误检从而提高检测精度.

2.2 自适应K值搜索算法

在使用K-SVD算法进行字典学习时,需设置字典大小K,即字典原子数.选择过大的字典会导致泛化能力过强,即使面对疵点,也能更好地估计和重构数据,影响最后的检测效果,同时会增加计算量,从而降低算法速度;选择过小的字典会使正常纹理与疵点的还原效果均较差,从而难以区分.对于K值的选取,通常采用交叉验证或经验选取方法,通过计算重构图像与原图像的重构误差指标并同时考虑算法用时来人工选取K值.为优化K的取值方法,提出一种自适应的字典大小确定算法.

对于正常织物图像,在一定的尺度下取任意位置的图像块,虽然其结构通常与附近图像结构高度相似,但在细节上仍有差异.而在算法1筛选后的图像中,由于是按照顺序输出,每个图像块前后的图像块可视为原位置上的邻近块,故将图像块与其前后块的相似性作为图像块与周边纹理的相似性,后文统称为邻近相似性.

使用K-SVD算法对正常图像块进行重构时,图像的细节还原能力随字典的增大而增强,由于细节的不同与纹理的错位,邻近相似性会逐渐减小.通过实验与文献对比,字典大小与重构能力并不是线性相关.在字典较小时,图像的主要结构还原能力随字典增大而逐渐增强;当字典增加到一定规模后,对稀疏性较强的主要结构的还原已到达字典的能力上限继而开始稳定;继续增加字典大小时,字典对稀疏性较差的细节开始还原,最后到达还原能力的上限,并在附近波动.相较于主要结构发生的变化,细节部分的变化更微小,对于结构相似性的影响较低.于是邻近相似性会随着K的增大,大致表现出先快速下降,再缓慢下降,最后稳定在某个值附近波动的趋势.综上所述,对于需要还原主要结构而不需要还原过多细节的疵点图像重构问题,对K的最优取值可近似为取邻近相似性随K变化的转折点.将该变化视为离散函数,对其平滑后求一阶差分,由于还原能力趋于稳定,其一阶差分逐渐趋于0,可将其第一个越过0波动的点视为搜索的终点,由此可通过搜索获得较优的K值.自适应K值搜索如算法2所示.

算法2 自适应K值搜索算法

Input:无疵图像集合Blocks={b₁, b₂, …, b_m},K值搜索极限Lim

Output:字典大小K

1. 初始化:重构图像集合ReconBlcoks=Ø,平均结构相似性集合 $\bar{S}$ =Ø

2. for k=2→Lim

3. 使用K-SVD算法在Blocks上学习字典大小为k的字典D_k

4. 使用D_k将Blocks重构,结果置于ReconBlcoks中,ReconBlcoks={r₁, r₂, …, r_Lim}

5. for i=2→m-1

6. 计算r_i与r_i_-1、r_i₊₁的平均结构相似性作为s_i,加入集合Similarity中

7. end

8. ${\bar{S}}_{k}$ =mean(Similarity)

9. end

10. for j=2→n-1

11. ${\bar{S}}_{j}$ =( ${\bar{S}}_{j + 1}$ + ${\bar{S}}_{j - 1}$ )/2

12. end

13. 将 $\bar{S}$ =( ${\bar{S}}_{1}$ , ${\bar{S}}_{2}$ ,…, ${\bar{S}}_{n}$ ) 视为离散函数,计算一阶差分Δ $\bar{S}$

14. K=argmin $({x | x > 0, x \in Δ \bar{S}})$

15. return K

算法2首先对算法1筛选后的图像集合Blocks使用不同大小的字典进行字典重构,对相邻的图像计算平均结构相似性构成集合Similarity,对此数组进行大小为1的简单滑动平均法来平滑,再将其视为离散函数计算其一阶差分,找到一阶差分函数第一个大于0的点对应的K值并输出.算法2能找到第一个在误差干扰下无法保持先前降低趋势而开始波动的K值,此时邻近相似性的下降趋势相对前面趋势已逐渐平缓,可视为进入前文叙述的缓慢下降区间.

2.3 自适应K值搜索算法验证

使用自建数据集与AITEX数据集对算法2进行验证,取[2,100]区间,计算区间内每个K值对应的邻近相似性.平滑后的邻近相似性与K的关系及差分如图4所示.其中,图4(d)~4(f)分别为织物图4(a)~4(c)的邻近结构相似性在取不同K值时的变化,图4(g)~4(i)分别为图4(d)~4(f)的一阶差分.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 不同织物邻近相似性随K变化其差分

Fig.4 Difference in proximity similarity between different fabrics as K changes

由图4(d)~4(f)可知,不同织物的邻近相似性虽波动范围不一,但变化大致趋势符合前文推论结果.根据算法2寻找一阶差分最早越过0对应的K值,由图4(g)~4(i)可知,织物图4(a)~4(c)的K值分别在13、13、17时超过0.在这些点之前,对应图4(d)~4(f)函数图像邻近相似性先迅速下降,而在此之后变得缓慢.在尽量平滑的下降趋势中找尽量小的K值,这样既可以保证主要结构能被还原,同时尽量小的K值又可以尽量降低重构时间,这一结果能证明通过算法2可以取得较优的K值.

3 实验结果与讨论

为验证上述织物疵点检测算法的有效性,选取自建织物数据集及AITEX数据集进行算法验证,以下实验主要在自建数据集上进行.自建数据集参数选取如表1所示,其中相机分辨率采用像素密度PPI作为参数,单位为p/in,即像素/英寸.

表1 实验参数

Tab.1 Experimental parameters

参数类别	参数值
光照方式	透射光
图像大小/像素	512×512
对应实际尺寸/cm	6.1×6.1
相机分辨率(PPI)	213
MRELBP半径	2
组织结构	1上1下
经密/(根·10 cm^-1)	202
纬密/(根·10 cm^-1)	202
织物种类	平纹白坯布
经/纬纱支	20^S

新窗口打开| 下载CSV

由于使用平均结构相似性作为分割指标,过大的窗口会将较小面积疵点平均化而不能被识别出,会降低算法准确性;较小的窗口则易受偶发噪声影响,降低算法鲁棒性.需根据常见疵点的大小来确定检测窗口大小,使检测框的大小在图像上与常见疵点大小接近,由此确定检测框的大小为32 像素×32 像素.而T通过文献[19]方法确定为6,本文所有程序均在MATLAB 2019b、CPU型号i5-12500H、RAM 16 GB的环境下运行.对于数据集中所有的疵点,将其分为以下3类:

(1) 经向疵点(112 张),缺经、断经.

(2) 纬向疵点(119 张),稀密路、缺纬、断纬.

(3) 块状疵点(103张),破洞、油污.

在算法性能评价上,采用常见的正检率(CDR)与误检率(FDR)作为评价指标,其公式如下:

(2)r_C=

\frac{N_{p}}{N_{d f}}

×100%, r_F=

\frac{N_{e}}{N_{n f}}

×100%

式中:N_p为疵点块样本被正确检出个数;N_df为疵点块样本总数;N_e为正常块样本被误检的个数;N_nf为正常块样本总数.

3.1 无疵点图像筛选算法对重构性能的影响

为验证筛选对K-SVD重构效果的影响,使用平均结构相似度(MSSIM)和峰值信噪比(PSNR)作为重构效果的指标,选取上述自建数据集中织物图像,对疵点纹理和正常纹理的重构效果进行量化评价,其结果如表2所示,对应的重构图像效果如图5所示.其中,正常图像为人工筛选后的无疵点图像,疵点图像为约含有6%像素块为疵点像素块的图像,筛选图像为使用含疵点的织物图像经过算法1筛选后获得的图像.

表2 重构效果对比

Tab.2 Comparison of reconstruction performance

训练集	疵点部分		整体
训练集	MSSIM	PSNR	MSSIM	PSNR
正常图像	0.958 8	42.630 3	0.985 8	47.869 4
筛选图像	0.959 4	42.677 6	0.987 8	48.385 4
疵点图像	0.969 1	44.696 8	0.988 1	48.854 7

新窗口打开| 下载CSV

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 重构图像效果

Fig.5 Image reconstruction results

由图5可知,使用未经过疵点剔除的疵点图像经重构时,疵点部分的还原最好,如图5(d)所示.而采用无疵点图像和经过筛选后的图像进行重构时,其对疵点细节部分的还原能力较弱.根据表2中的量化数据,疵点图像为训练集时,疵点部分的MSSIM与PSNR均为最高,而整体重构的数据差距较小,证明使用疵点数据集对K-SVD算法进行图像重构会使部分疵点的还原效果提升,其原因可能是在进行欠完备字典学习时,将部分有纹理的疵点学习作为字典来还原此类面积相对较大的疵点时,会将疵点纹理还原得更好.此外,算法1筛选方法能拉大在使用疵点图像作为训练集时整体与疵点部分的差距,经筛选算法后重构图像疵点部分的MSSIM和PSNR相对于整体的差异率分别为2.9%与12.0%,高于不筛选时的1.9%与8.5%以及采用正常图像时的2.7%与10.9%,证明本算法能降低无监督训练时训练集的影响并拉大疵点部分与整体的差异,方便后续分割.

3.2 检测结果对比与分析

为验证算法的有效性,对上述自建数据集织物样本进行测试,同时与K-SVD过完备字典图像重构算法检测结果进行对比(以下简称为K-SVD),其检测结果汇总如表3所示,部分检测效果如图6所示.

表3 检测结果指标

Tab.3 Metrics of detection performance

算法	疵点类型	r_C/%	r_F/%	检测时间/ms
K-SVD	经向疵点	69.14	1.23	70
	纬向疵点	70.31	1.15
	块状疵点	77.19	1.90
	平均综合检测率	72.21	1.43
本文	经向疵点	91.45	0.84	35
	纬向疵点	90.63	0.72
	块状疵点	100	0.57
	平均综合检测率	94.02	0.71

新窗口打开| 下载CSV

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 K-SVD与本文算法检测结果

Fig.6 Detection results of K-SVD and the proposed algorithm

由表3中的不同算法检测时间可知,本文算法相较原K-SVD算法在每张图像的检测时间上减少了50%,这是由于本文算法只需要在训练过程中计算一次分割阈值而无需计算每张待检测图像的阈值,且字典远小于过完备字典,获取稀疏系数矩阵的时间及图像重构的时间更短,故在运行时间上优于原K-SVD算法.由表3中不同疵点的检测率可知,本文算法对于块状疵点的检测效果最好,而原 K-SVD 算法对于块状疵点的误检率更高,这是由于油污、破洞等块状疵点较小且对纹理破坏较大,进行分块置信区间阈值分割时,更容易使置信区间偏移导致误检,而本文全局阈值法则克服了该问题,检测图像中的值不影响检测阈值.由图6可知,本文算法对疵点的检测精度高于原K-SVD算法,能更加完整地选中疵点部分.

本文算法对于以上3种疵点的正检率与误检率均高于改进前的K-SVD算法,证明了本文算法使用结构相似性作为欠完备字典的重构误差的有效性,实验证明本算法能够以更快的速度进行疵点检测,并在进行离线字典训练后具有在线检测能力.

为检验本算法的泛化能力,使用AITEX数据集对本算法进行测试.将数据集分割成256 像素×256像素的图像,人工删去边缘截取图像,共得到727张图像,测试参数选取方式与自建数据集相同.

在AITEX数据集的7种织物的平均r_C与r_F分别为83.29%与0.78%,部分检测图像如图7所示.结果表明,将本算法用于其他简单纹理织物上检测不同种类疵点也有一定的泛用性,但由于AITEX数据集存在部分光照不均现象及部分细微疵点(较淡的油污、单根纱线的缺失)对结构相似度影响较小无法检出,导致检测效果相较于自建数据集有一定程度的降低.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 AITEX数据集部分检测结果

Fig.7 Detection results of AITEX dataset

欠完备字典对于织物细节的重构能力非常差,因此对用于检测的图像具有一定的限制,需要待检测织物具有较高的代表性,且和正常纹理之间具有较高的相似性,故本文算法更适合于光照均匀且具有简单纹理的纯色织物图像,对于纹理过于复杂与带有印花的织物可能不具有良好的检测能力.

4 结语

在传统半监督K-SVD字典学习织物检测算法的基础上,提出一种基于欠完备字典重构的无监督疵点检测方法.为实现算法的完全无监督化,通过提取MRELBP纹理特征对织物样本的异常区域进行筛选,进而省去了人工挑选用于训练正常样本的过程.针对字典学习过程中字典数量优化问题,以邻域结构相似性作为相似性判据,提出一种自适应的字典大小的搜索算法,同时采用结构相似度代替传统使用重构残差进行疵点区分,有效提升检测效果.对自建数据库及公开的数据库实验结果表明,相较于传统基于K-SVD的半监督方法,本方法能取得更高的检测精度,即正检率94.02%、误检率0.71%,且运行时间缩短大约50%.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

田宸玮, 王雪纯, 杨嘉能,

等.

织物瑕疵检测方法研究进展

[J]. 计算机工程与应用, 2020, 56(12): 8-18.

DOI:10.3778/j.issn.1002-8331.2002-0169 [本文引用: 1]

计算机视觉在纺织物瑕疵检测方面已经有了较为广泛的应用，织物瑕疵检测是纺织行业质量控制的必要步骤。为了能够及时了解织物瑕疵检测的最新研究进展，把握织物瑕疵检测方法的研究热点和方向，介绍了织物图案的放置规则以及织物瑕疵检测的相关指标，针对织物瑕疵检测方法较多的问题，将这些方法分为四类（基于结构、基于统计、基于频谱、基于学习）并归纳分析了这些织物瑕疵检测方法在应用中的特点，且对比了四类检测方法中各个方法的特性以及优点和缺点，目的是为了找到如何提高织物瑕疵检测效率的方法，实现实时在线检测，展望了织物瑕疵检测方法的未来研究方向。

TIAN

Chenwei

, WANG

Xuechun

, YANG

Jianeng

et al.

Research progress on fabric defect detection methods

[J]. Computer Engineering and Applications, 2020, 56(12): 8-18.

DOI:10.3778/j.issn.1002-8331.2002-0169 [本文引用: 1]

Computer vision has been widely used in the detection of textile defects. Fabric defect detection is a necessary procedure in the quality control of the textile industry. In order to timely understand the latest research progress of fabric defect detection and to grasp the research hotspots and directions of fabric defect detection methods. In view of the problems that fabric defect detection methods, this paper introduces the combination method of fabric pattern and related indicators of fabric defect detection. These methods are divided into four categories（structure-based, statistical-based, spectrum-based, learning-based） and the characteristics of these fabric defect detection methods are summarized and analyzed. The characteristics, advantages and disadvantages of the four types of detection methods are analyzed. And the purpose, in order to find a way to improve the detection efficiency of fabric defects, to achieve the purpose of real-time online detection. The future research direction of fabric defect detection methods are prospect.

[2]

NGAN

H Y T

, PANG

G K H

, YUNG

N H C

Automated fabric defect detection—A review

[J]. Image and Vision Computing, 2011, 29(7): 442-458.