基于灰度共生矩阵的纺织品瑕疵识别算法

吴亚新

摘要：提出了一种利用灰度共生矩阵对纺织品瑕疵进行识别的方法。首先构建纺织品图像的灰度共生矩阵，提取逆差矩和相关性特征，讨论了步长和角度对分类的影响，确定了最佳的参数，采用最近邻分类器在1391幅图像上进行实验，最终分类准确率为95.36%，表明该方法能有效地将瑕疵样本和正常样本分开。

关键词：纺织品图像；灰度共生矩阵；识别算法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）28-0204-02

棉纺织工业是我国国民经济的传统支柱产业和重要的民生产业，也是国际竞争优势明显的产业。在繁荣市场、扩大出口、吸纳就业、增加农民收入、促进城镇化发展等方面发揮着重要作用，纺织品瑕疵检测是纺织品质量控制的重要环节，既影响价格，又影响在国际市场的竞争力，还关乎国家相关企业信誉度。目前我国纺织品瑕疵仍依靠人工检测。人工验布有很多缺陷：一方面，人眼能保持高度集中的时间仅有15分钟左右。因而，长时间枯燥的验布工作导致误检、漏检率较高。另一方面，验布车间工作环境中恶劣，高温，噪声，棉尘对验布工人的健康伤害很大。

随着高性能计算机成本越来越低、计算能力越来越强，同时机器学习技术的发展，越来越多的图像识别算法被开发出来，使得自动识别瑕疵能为工业应用成为可能。采用机器学习方法解决问题，主要包括数据预处理、特征提取与分类器设计三个阶段，而特征提取环节是整个识别系统的关键，决定问题的成败。本文选取了灰度共生矩阵特征，最近邻分类器设计了瑕疵识别算法，并将所设计的算法在平纹、斜纹白坯布图像上进行了实验。

1 实验数据的准备

论文选择了斜纹白坯布作为研究对象，图像采集自安庆华茂集团有限公司。实际采集的纺织品图像为彩色图像，将采集的原始图像转变为灰度图像，并裁减成128*128的大小，构建成实验数据集。论文共得到1391幅实验图像。其中正常图像681幅，异常图像710幅。部分实验样本如图1所示，其中第一排为正常的样本，第二排第三排为瑕疵样本。

2 灰度共生矩阵特征提取方法基本原理

论文采用灰度共生矩阵（GLCM）特征提取方法。灰度共生矩阵是一种经典的图像纹理特征[1，4]，通过灰度空间的相关特性来描述纹理，常被应用于各类纹理的分析中，在纺织品分析与检测中的应用也非常广泛[2-3]。灰度共生矩阵统计距离为d，角度为?的点对出现的次数，图2显示了距离为1，?=0时灰度共生矩阵的构造过程。图2中左侧为原始图像，右侧为对应的灰度共生矩阵。

3 仿真实验

论文分别计算了0度，90度两个方向的灰度共生矩阵，每个方向计算6个步长，分别为1，2，3，4，5，6. 对于每一幅图像，提取其灰度共生矩阵的相关性和逆差矩作为该图像的特征向量。下面分别讨论步长和角度对识别率的影响。

3.1 步长对识别结果的影响

首先讨论步长对识别效果的影响，此时，角度为90度，分别选择了6个步长构建灰度共生矩阵，提取逆差矩和相关性特征，实验结果如图3所示。其中蓝色点为正常样本，红色点为瑕疵样本。从图中可以看出，当步长较小时，相关性和逆差矩具有一定的线性相关性，分类效果不是很好。当步长增加时，二者之间的相关性减弱，当步长为6时，正常样本分布比较集中，正常样本和瑕疵样本区别明显。

3.2 角度对分类效果的影响

角度是构造灰度共生矩阵的另一个重要参数。图4给出了步长为6时，角度对分类效果的影响。从图4可以看出，当?=0时，正常样本和瑕疵样本重叠区域较大，很难区分。而当角度为90度时，正常样本和瑕疵样本区分明显。

3.3 实验结果

通过前面的分析，可以得出角度步长为6，?=90时，分类效果较好。因此，论文最终选择步长为6，?=90度，构建灰度共生矩阵，提取相关性和逆差矩特征，采用最近邻分类器进行分类。实验的数据集表1所示：

实验结果的分辨矩阵如表2所示：

从表1和表2可以看出，测试集样本总数为604个，分类正确数量为576，分类准确率为95.36%。

4 结论

论文采用共生矩阵法识别纺织品瑕疵图像。构建纺织品图像的灰度共生矩阵，提取共生矩阵的相关性和逆差矩特征，讨论了步长参数和角度参数对识别效果的影响，选择最佳参数，在1391幅纺织品图像上进行了实验，实验结果表明，所选用的相关性特征和逆差矩特征能较好的将正常样本和瑕疵样本分类，分类准确率达到了95.36.

论文中的分类器采用了最简单的最近邻分类器。由于最近邻分类器容易受到噪声的影响，因此实际应用中，需要先对图像进行滤波处理。

参考文献：

[1] Haralick R M.Statistical and structural approaches to texture[J.Proceedings of the IEEE，1979，67（ 5）：786-804.

[2] 陈丽丽.基于灰度共生矩阵的毛料裤子穿着平整度特征提取[J].毛纺科技，2017，45（5）：50-54.

[3] Lin Jeng-Jong. Applying a co-occurrence matrix to automatic inspection of weaving density for woven fabrics [J].Textile Research Journal，2002，72（ 6）：486-490.

[4] 任国贞，江涛. 基于灰度共生矩阵的纹理提取方法研究[J].计算机应用与软件，2014，31（11）：190-192，325.endprint