机器视觉代替人体视觉在纺织检测中的应用

1 　机器视觉的研究内容 　　人们从外界环境获取的信息中,80 %来自于视觉,其它来自于触觉、听觉、嗅觉等感觉器官。当人们的眼睛从自己周围的环境获取大量信息,并传入 大脑后,由大脑根据知识或经验对信息进行加工、推理等处理工作,zui后识别、理解周围环境,包括环境内的对象物,如运动物体与物体间的相对位置、形状、大小、颜色、纹理、运动还是静止等。机器视觉就是用计算机模拟人眼的视觉功能,从图像或图像序列中提取信息,对客观世界的三维景物和物体进行形态和运动识别。机器视觉研究的基本目的之一就是要寻找人类视觉规律,从而开发出从图像输入到自然景物分析的图像理解系统。对于机器视觉系统来说,输入是表示三维景物投影的灰度阵列(可以有若干个输入阵列) ,这些阵列可提供从不同方向、不同视角、不同时刻得到的信息。希望的输出是对图像所代表景物的符号描述。通常这些描述是关于物体的类别和物体间的关系,但也可能包括如表面空间结构、表面物理特性(形状、纹理、颜色、材料) 、阴影以及光源位置等信息。目前许多机器视觉专家都是在马尔(Marr) 创立的视觉计算理论框架下求索。 2 　机器视觉与人类视觉的差异 　　对于人的视觉来说,由于人的大脑和神经的高度发展,其目标识别能力很强。但是,人的视觉也同样存在障碍,例如,即使具有一双敏锐视觉和极为高 度发达头脑的人,一旦置于某种特殊环境(即使曾经具备一定的检验知识) ,其目标识别能力也会急剧下降。事实上人们在这种环境下,面对简单物体时,仍 然可以有效而简便地识别,而在这种情况下面对复杂目标或特殊背景时,才会在视觉功能上发生障碍,两者共同的结果是导致目标识别的有效性和可靠性的大幅度下降。将人的视觉引入机器视觉中,机器视觉也存在着这样的障碍。它主要表现在3 个方面:1) 如何准确、高速(实时) 地识别出目标;2) 如何有效地增大存储容量,以便容纳足够细节的目标图像;3) 如何有效地构造和组织出可靠的识别算法,并且顺利地实现。前两者相当于人的大脑这样的物质 基础,这期待着高速的阵列处理单元以及算法(如神经网络[1 ] 、分维算法[2 ] 、小波变换[3 ] 等算法) 的新突破,用极少的计算量以及高度地并行性实现功能。 3 　机器视觉检测中几种基本技术 311 　训练系统 先将参考织物或图片的图像输入微机图像处理系统,选择并计算可表示图像特征的参数,以确定疵点或图形的分类指标,如灰度级,疵点或图形的面积,疵点在经纬向尺寸、形态等,是系统获得这些指标的标准。然后将所测试的织物输入,计算其各点灰度值及一些需比较的特征参数与标准比较,确定疵点或图形分类。 312 　样板匹配 求得某一图像哪一部分对应另一图像的哪一部分是或比较2 幅图像的相似度时,采用样板样匹配的方法。一般将样板t ( x , y) ,令其中心与图像的一点( i , j) 重合,逐点检测,找出差距小于阈值的部位,定位相同或相似的,大于阈值的部位,定为不同或不相似的点。 313 　二值化处理 为将图形与背景分离,根据灰度值确定一定灰度域值。将灰度值大于此域的点置为1 ,小于此域值的点为0。使图像变为黑白二值图像,便于图形特征测量和结构分析描述。 314 　腐蚀和膨胀 腐蚀可使轮廓边界收缩,膨胀可使轮廓边界膨胀,腐蚀和膨胀的不同组合,不同处理次数,可以得到不同的图形效果,如使图像中的小孔使之检测出来或使之消除。 315 　细线化 对给定的图形使之细化,从而提取线宽为1 的中心线的操作。在细线化中,不改变原图的连接性,使图形骨架轮廓结构清晰,便于计算,不会因边界上的小凹凸而产生毛刺。在计算非织造布纤维取向度是用此法处理。 316 　纹理分析 在分析绉组织的绉效果或羊绒的鳞片结构时,须用纹理分析的方法。纹理分析内容包括:纹理特征的计算(如直方图特征、灰度共生矩阵、傅立叶特征) 微粒区域的分割与纹理边缘的检测。 “具体可以解决的问题如： 1，纺织布料识别与质量评定、 　　2，织物表面绒毛鉴定、 　　3，织物的反射特性、 　　4，合成纱线横截面分析、 　　5，纱线结构分析等。 　　6，此外还可用于织物组织设计、花型纹板、棉粒检测、分析纱线表面摩擦等。 ” QCROBOT可提供此机器视觉模块及工程解决方案。