计算机视觉的皮革检测技术研究

序论：速发表网结合其深厚的文秘经验，特别为您筛选了1篇计算机视觉的皮革检测技术研究范文。如果您需要更多原创资料，欢迎随时与我们的客服老师联系，希望您能从中汲取灵感和知识！

引言

皮革强度较高且可塑性强［１］，在工业生产中是一种重要的原材料，广泛应用于鞋服、机械、家具等行业。皮革具有舒适轻盈、透气保暖、高档时尚等优点，因此消费者对皮革制品的购买兴趣也与日俱增［２］。但市场上皮革制品的质量却参差不齐，这主要是由于在生产加工过程中，皮革检测没有起到应有的作用，问题皮革表面的缺陷未被及时发现，导致次品混入到成品中［３］。由于牛的生长环境和养育情况，牛皮表面的缺损、皱纹等缺陷都难以避免［４］。目前，皮革表面缺陷的查找和修复通常需要熟练工人依靠自身经验完成，而人工操作极易受主观因素影响，不能满足检测要求。皮革检测技术水平低下严重限制了皮革制品生产的质量和效率，造成了以次充好情况的出现［５］。因此，开展皮革智能检测技术研究，将工人从繁重的检测工作中解放出来，是促进皮革产业发展的必由之路。皮革的表面特点十分有利于开展计算机视觉技术的研究，采用图像处理方法对皮革缺陷进行自动化检测取得了较好的效果［６］。图像处理原理如图１所示。但皮革的缺陷面积通常较小，并且缺陷和皮革整体的灰度相差较小，因此图像增强、图像分割等传统图像处理方法对皮革缺陷的检测也无能为力；同时为了美观起见，皮革表面会轧制花纹，构成了典型的纹理表面，又给缺陷的高效检测增加了难度［７］。本文首先以图像处理系统原理为切入点，引入皮革缺陷检测系统；其次，以人工神经网络为理论基础，实现皮革正反面的自动分类，并验证了算法的有效性；最后，采用改进的模糊Ｃ—均值聚类算法实现对皮革表面缺陷的自动化检测。

１皮革检测系统框架

随着人工智能和计算机科学的快速发展，计算机视觉技术在二维、三维物体的识别、检测和分析等多个应用场景中取得了良好的效果，该技术具有可检测样本数据量大、准确度高和速度快等优点［８］。越来越多研究者开展了计算机视觉技术的研究，该技术在工业品质量检测、医学辅助诊断、机器人控制、航空测绘、图像分析、物体识别等多个领域得到了大规模应用并起到了较好的效果。以图像处理系统的结构为基础，设计皮革图像处理系统用于皮革表面缺陷检测。

１.１图像处理系统介绍

图像处理是计算机视觉的核心技术，主要功能是基于人类视觉的计算模型设计合适的计算机视觉系统，广泛应用于工业产品的机械结构、几何尺寸、表面缺陷等参数的在线自动检测［９］。图像处理系统组成如图２所示。典型的图像处理系统组成如图２所示，主要由待检测物体、摄像机、图像采集设备、计算机和控制系统组成。摄像机采集待检测物体的图像，由相应采集器将图像数字信号传输至计算机，由计算机对图像进行增强、分割、滤波等处理。控制系统含有多种执行器，可以接收图像处理结果并生成相应的控制指令，对待检测物体进行修补、切割等操作。

１.２皮革检测系统框架

皮革表面难以避免的缺陷给皮革需求的持续增长带来了消极影响，而传统人工检测方式费时费力。考虑到图像处理技术在各类工业产品质量检测中的成功应用，人工检测的精度和成本没有任何优势，皮革行业也逐渐认识到图像处理技术取代人工检测的紧迫性。随着计算机视觉技术的发展，图像处理也从直接依赖于输入图像的低层处理发展到依赖于特征、结构、关系和知识的高层处理［１０］。皮革表面的纹理和缺陷呈现出的两种不同特征，基于图像处理技术，搭建如图３所示的皮革缺陷检测系统，该系统由４层结构组成。

（１）图像采集层。皮革图像具有独特且变化的特征才能保证系统完成对皮革的检测，获取精准的皮革图像是特征提取的重要前提。由摄像机等采集设备将皮革图像转换为数字信号，方便计算机对其进行处理。图像采集层的另一作用是将图像数字信号传输并储存到计算机中，为后续工作做好准备。

（２）特征提取与处理层。该层的主要任务是对来自图像获取层的皮革图像序列进行特征提取。拍摄环境变化、镜头不稳定和电磁干扰等因素会显著影响特征提取精度，因此该层需对获取的图像进行预处理和后处理，如去噪、增强和分割等操作。

（３）图像分析层。分析特征提取和处理层获得的图像处理结果，得到缺陷的位置、种类和尺寸等信息，并确定皮革的质量等级和利用率。

观，部分皮革表面具有丰富多彩的纹理图样和别致的造型，甚至搭配了多种装饰品，因此常规检测算法对复杂皮革表面的检测效果不是十分理想。通过研究系统中的图像采集层、特征提取与处理层、图像分析层，设计合适的计算机视觉算法，实现皮革正反面分类及缺陷检测。

２皮革正反面分类

为获得一件精美的皮革制品，皮革加工过程中的染色、打磨、修饰等多种操作必不可少，这类工序主要在皮革正面进行。皮革正面一般用于皮革制品的外表面，因此皮革正面的质量要求要高于反面，正面和反面的缺陷检测也遵循不同的标准。皮革缺陷检测先要完成皮革正反面的识别与分类。皮革正面与反面的纹理特征存在明显差别，模式识别技术在物体特征的识别与分类上具有精准、高效的优点，可以基于模式识别技术设计皮革正反面分类算法。通过处理皮革图像并提取出正反面的纹理特征向量，可采用先进的人工神经网络技术完成皮革正反面的识别与分类。

２.１模式识别概述
皮革正面的纹理较细，反面的纹理较粗，二者的外观即模式不同，因此皮革正反面的自动分类是一个典型的模式识别问题。计算机视觉领域中的模式指的是从事物中提取的特征信息，往往表现为不同空间或时间分布的信息。对皮革正反面图像而言，模式是二者在空间上表现出的纹理特征，模式识别可以根据皮革正反面所呈现出的不同模式对其进行智能分类。以皮革检测系统为框架，模式识别流程主要包括４个步骤：获取图像、特征提取、分类器设计和分类决策，如图４所示。

（ｌ）获取图像。计算机能够分类识别事物，要将该事物表示为计算机可以处理的信息。模式识别的第一步是由摄像机获取事物图像。

（２）特征提取。特征提取关系到事物分类是否准确，将获取的图像输入到计算机中进行分析处理，提取出图像最明显的特征向量。

（３）分类器设计。分类器的设计的本质是一个学习过程，通过学习总结已知所属类别的大量样本的特征，不断训练、调整分类器的参数，直到分类结果与样本所属类别一致为止。

（４）分类决策。分类决策要根据统计学思想将待检测事物划归为某一类别，在设计好的分类器基础上确定某个规则，使待检测事物完成正确分类的概率最高。模式识别是依据待检测事物的特征进行分类，事物特征的提取方法和难易程度存在不同，也因此出现了多种不同的分类方法，其中基于人工智能技术的人工神经网络分类器可以根据图像特征向量的数目确定训练结构，具有较好的分类效果。

２.２基于人工神经网络的分类算法

人工智能的出现促进了模式识别技术的快速发展，人工智能的核心架构是人工神经网络，其通常含有输入层、输出层和隐含层３个部分［１１］。皮革图像纹理复杂，可以提取到多个纹理特征，其中熵、光谱、能量和灰度４个特征向量差别较大，因此皮革纹理可取这４个特征向量来描述。人工神经网络的输入层包括４个神经元节点。与输入层相对应，隐含层同样包含４个神经元节点。为研究皮革正反两面的分类，输出层包含两个节点，从而设计出人工神经网络结构图如图５所示。学习阶段，将一组数量为ｍ的待检测样本输入到神经网络中，得到各个样本的输出向量ｙ，实际输出与理想输出存在全局误差，选取５０幅皮革正反面图像作为训练样本，分别提取出图像的熵、光谱、能量和灰度４个特征向量，输入到如图５所示的人工神经网络中开始学习过程。经过１２８步迭代，全局误差满足Ｅ≤ｅ。结果显示４８幅图像皮革正反面分类正确。若需进一步提高分类精准度，可以考虑增加特征向量数量，但这也会增加计算量和神经网络结构的复杂性。

３皮革缺陷检测

皮革制品的外观是否美观大方由皮革正面决定，因此，在正式加工前，对皮革正面进行缺陷检测是必不可少的一步［１２－１３］。皮革缺陷检测的目的是依据缺陷所呈现的纹理特征不同于完好皮革，可采用一定的方法将其从皮革中定位并分离出来。由于皮革缺陷与整个表面的灰度差距很小，采用传统灰度图像分割方法检测效果较差。从完好皮革中检测与之特征不同的缺陷，实质是将缺陷图像从完整皮革图像中分割出来。皮革表面纹理具有较强的随机性和不规则性，从图像中提取出最主要的纹理特征关系到图像分割能否成功［１４－１５］。统计学中二阶共生矩阵方法，不仅考虑到局部图像纹理像素，还将邻域关系纳入统计范围，可用于提取皮革图像的复杂纹理特征。基于模糊算法，根据共生矩阵方法提取到纹理特征，设计Ｃ－均值聚类方法对图像进行区域分割，该方法的优点是无需提前获取皮革纹理的种类、数量等图像先验知识。

３.１基于共生矩阵的皮革图像特征提取

共生矩阵可以准确描述图像的纹理特征，目前已经在超声波、ＭＲ和ＣＴ等医疗图像的分析中发挥了重要作用。共生矩阵用于描述纹理特征的具体方法是统计图像具有不同方向和不同距离的像素对的数目，因此共生矩阵只描述了纹理的方向和距离两个特征，信息量不足不能直接用于区别不同纹理，还需从更多的特征矩阵中获取更多测度来描述纹理特征。计算特征矩阵时，纹理方向选取４个角度θ＝０°、４５°、９０°、１３５°，因此每个方向具有４个共生矩阵，每个方向上像素对的距离ｄ＝１。根据上文提到的最能代表皮革纹理的特征属性，从图像测度中取熵、光谱、能量和灰度４个测度组成特征向量，最终得到皮革图像灰度分布图，从而确定皮革不同纹理特征的具体位置。

３.２基于改进模糊聚类算法的皮革缺陷检测

基于马尔可夫随机性理论、小波变换等常规方法都可以完成纹理图像的分割，然而此类分割方法的应用局限于纹理种类已知的情况，并需要对纹理样本进行训练和学习。然而皮革缺陷检测事先无法预知皮革表面纹理种类，是一类非监督的纹理分割过程。计算机视觉技术中的聚类方法对图像的纹理等先验知识要求较少，常用于非监督的纹理分割，聚类的作用是将样本分为不同的集合，使不同集合之间的样本特征具有十分明显的差异，而同一个集合内的样本特征尽可能完全相同。基于模糊算法的Ｃ－均值聚类方法可以不根据图像纹理种类自动确定图像分割的最佳区域数。根据皮革图像的最明显的特征，选取４个角度方向的共生矩阵计算出的４个测度作为像素的纹理特征向量，确定出分割区域数，采用模糊算法对特征向量进行聚类分析，得到皮革表面缺陷信息的种类和分布，完成皮革的自动检测过程。

４结语

本文运用计算机视觉技术设计皮革正反面分类及缺陷检测系统，基于皮革正反面呈现出明显不同的纹理特征，采用人工神经网络方法，选取合适的神经元节点对皮革进行正反面分类。试验结果显示，该方法具有较高的分类精度。统计学中共生矩阵思想充分考虑了图像特性，并基于共生矩阵思想提取纹理特征。对于皮革缺陷检测这一类非监督的纹理分割过程，对图像检验知识要求较少的聚类方法可以起到较好的效果。选取Ｃ－均值聚类方法分割纹理图像，可实现对皮革缺陷的高效检测。

参考文献：

［１］　罗泽建，王美林，肖文，等．基于视觉分析的ＰＶＣ皮革缺陷检测系统设计与实现［Ｊ］．现代信息科技，２０２１，５（２３）：１４５－１５０．

［２］　冉诗雅，赵义红，王巍，等．数字化技术在皮革行业的应用现状及展望［Ｊ］．中国皮革，２０２１，５０（４）：２９－３３．

［３］　张鑫．皮革断面图像的自动配准与拼接算法研究［Ｄ］．济南：齐鲁工业大学，２０１７．

［４］　朱凌云，严飞华，李汶松．基于视觉显著度的皮革表面瑕疵检测［Ｊ］．计算机工程与科学，２０１６，３８（３）：５４９－５５５．

［５］　刘飞飞，孙合锐，王潇男，等．基于Ｇａｂｏｒ滤波的重建图像法检测皮革表面缺陷［Ｊ］．传感器与微系统，２０２２，４１（３）：１３９－１４１，１４４．

［６］　吴林林，宁铎．基于计算机视觉的皮革测配色［Ｊ］．计算机工程与设计，２０１４，３５（１１）：３９８０－３９８４．

［７］　崔扬．图像检测技术在皮革缺陷检测中的应用研究［Ｄ］．杭州：浙江大学，２００４．

［８］　尹志锋．基于机器视觉检测技术的皮革缺陷检测系统研究与开发［Ｄ］．广州：广东工业大学，２０１９．

［９］　廖家华．柔性皮革材料缺陷智能视觉检测技术［Ｄ］．广州：广东工业大学，２０２０．

［１０］武倩．绿色可持续视角下中国皮革产业低碳转型与发展模式构建［Ｊ］．中国皮革，２０２１，５０（１２）：１２６－１３０．

作者:张娜 单位:陕西电子信息职业技术学院