浅谈通则布匹缺陷自动检测设备

布匹的疵点检测是纺织工业中一项十分重要的环节，而传统的布匹外观检测通常是由人工完成。在布匹制造的过程中，随着加工层次的增加，发生疵点的几率也就随之升高。面对类型众多的疵点，若非是熟练工，怕是早已一副黑人问号脸，被虐得七荤八素了，更何况这还只是疵点中的沧海一粟。从学习疵点到操作检测，从生疏到熟练，从小白到熟练工，都需要时间的沉淀，而且即便是进阶到了熟练工，也敌不过生理、心理上的疲劳，致使检测效率大打折扣。

本文浅谈针对图像处理与模式识别方法来完成布匹疵点的自动检测任务，该结构设计了布匹疵点检测系统，并提出了一种以灰度共生矩阵为纹理特征的机器学习布匹疵点检测算法。为了提取布匹中更丰富的特征，进一步增加了网络的层数，对网络中卷积核的尺寸进行不断改进。该算法高效完美替代了人工检测出现的各种弊端，使得布匹质量检测自动化水平进入了新篇章。

1、传统机器视觉布匹疵点检测的难点

在布匹缺陷检测领域中，由于布匹上通常具有多种纹路、种类和尺度多样、背景干扰严重等问题，所以对于布匹缺陷的检测较为困难。近些年，随着计算机视觉识别技术的发展，出现了一些利用计算机视觉识别技术识别布匹缺陷的方法，但也因为布匹纹路过于繁杂，而且布匹颜色丰富，各种颜色特别是较深的颜色对于布匹缺陷检测造成了障碍，导致光学检测设备无法很好地实现布匹图像的缺陷部分与非缺陷部分的图像分类，很难对缺陷位置进行识别定位，而且在大面积检测布匹缺陷时检测时间过长，检测准确率较低。

2、基于卷积神经网络的布匹缺陷检测方法与流程

基于卷积神经网络的布匹缺陷检测方法，用于对布匹上存在的缺陷进行分类检测，通过多层提取布匹图像的缺陷特征，并对所提取的各特征图进行前背景分类，然后将各特征图的前景图像进行特征融合，再对特征融合后的融合特征图进行缺陷分类检测。该算法完全可以解决传统深度学习算法存在的冗时和低效的弊端。具体包括如下步骤：

步骤1：以布匹样本数据集为训练样本作为一训练网络的输入，训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型;

步骤2：基于所述布匹缺陷分类检测模型，多层提取待检测的布匹图像的图像特征，得到所述布匹图像对应的多张特征图;

步骤3：基于所述布匹缺陷分类检测模型对所述步骤2提取到的各所述特征图进行前背景分类;

步骤4：将所述步骤3分类得到的关联于各所述特征图的前景图像进行图像融合，得到经图像融合后的关联于所述布匹图像的融合特征图;

步骤5：基于所述布匹缺陷分类检测模型，对所述融合特征图进行分类检测，得到所述布匹图像上存在的布匹缺陷对应的缺陷种类，并输出缺陷种类检测结果。

3、通则布匹疵点自动检测设备结构

通则布匹疵点检测系统由机器视觉成像系统、计算机硬件系统、数据采集及图像处理系统、机械运动单元、电气控制单元等模块构成。主体设备由光源、CCD线阵相机、图像采集处理卡、PC主机与编码器构成。CCD线阵相机每次扫描一行图像，用其对在传送带上沿垂直方向运动的布匹进行成像从而形成一幅二维图像。

光源选用稳压直流光源以克服相机高频扫描时的频闪问题，并采用透射的方式进行照明，该方式可同时突显出布匹正反两面的纹理信息。相机输出的图像数据通过接口发送到图像采集处理卡中，图像采集处理卡将这些图像数据进行存储及处理，判别其中是否含有疵点然后将检测的结果与原始图像数据通过千兆以太网发送到PC主机上进行显示。各系统单元大体参数如下：

4、设备与优势

4.1 应用场景

Ø 适用于纺织业大部分梭织布、针织布，包括高纺布、无纺布、化纤布、玻璃纤维布、薄膜、特种布料等;

Ø 布料宽幅：0.1m~5m;

Ø 疵点类型：断纬、缺纬、断经、边纬稀缝、布面隐条、抽纬、打折、大破洞、吊经、叠边、接头集中、紧边、烂边、破洞、烫边不良、油污等;

Ø 备选功能：实时宽幅测量。

4.2 设备优势

Ø 实时检测图像显示及瑕疵图像快速识别;

Ø 瑕疵点的个数、坐标、长度、面积、以及位置信息记录;

Ø 瑕疵自动分类(根据客户对缺陷的要求来分类);

Ø 瑕疵统计和报表自动生成;

Ø 缺陷图像调阅及复查;

Ø 疵点检出率≥95%，检测精度1mm，检测速度60m/min;

Ø 支持离线或在线部署，无张力检测，实时告警功能;

Ø 提高检测产能，至少节省4-5个人力成本;

Ø 贴合产线环境进行量身定制。

4.3 检测效果图