第4期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·721· (a)受光照影响(b)Ground--truth(c)LCE算法(d)Retinex(e)同态滤波（①自商图像 图8不同光照预处理算法对箱形断端瑕疵类型瑕疵图检测结果 Fig.8 Box broken end defect image and fabric detection results with different preprocessing algorithm 88a8i日 44目 (a)受光照影响(b)Ground--truth(c)LCE算法 (d)Retinex(e)同态滤波()自商图像 图9不同光照预处理算法对箱形网纹瑕疵类型瑕疵图检测结果 Fig.9 Box netting multiple defect image and fabric detection results with different preprocessing algorithm (a)受光照影响(b)Ground-truth(c)LCE算法(d)Retinex (e)同态滤波()自商图像 图10不同光照预处理算法对箱形细条纹瑕疵类型瑕疵图检测结果 Fig.10 Box thin bar defect image and fabric detection results with different preprocessing algorithm 分析表1和图5~7检测实验结果，基于 检。自商图像算法针对3种瑕疵类型的检测 LCE预处理算法的疵点检测效果最为出色，针对 结果TPR值均低于0.3且依然存在大面积的 3种瑕疵类型的TPR值均达到0.99，且不存在误 误检。 检情况。Retinex算法针对断端和细条纹瑕疵类 综上所述，Retinex算法仅针对星形数据集的 型的检测结果TPR值虽然达到0.99但是其检测 实验结果查全率TPR与LCE算法接近，但是前者 结果存在大面积误检，针对网纹瑕疵类型的检测 检测结果误检面积较大，其他两种算法都与 结果TPR值仅有0.I1,且也有大范围的误检。同 LCE算法差距较大，故选择LCE算法作为最优光 态滤波算法针对网纹、细条纹和断端瑕疵类型的 照预处理算法，并结合本文提出的特征提取算法 检测结果TPR值分别为0.91、0.86和0.56且检测 进行瑕疵检测。 结果存在大面积的误检。自商图像算法针对3种 3.3本文算法与其他算法对比 瑕疵类型的检测结果TPR值均低于0.3且依然存 在星形图与箱形图数据集中，本文算法与其 在大面积的误检。 他经典算法LSG、WGIS、BB和RB结合LCE光 分析表2、图8~10检测实验结果，基于 照预处理算法进行对比实验。实验结果如表3、 LCE预处理算法的疵点检测效果最为出色，针 表4、图11~16所示。 对网纹和细条纹瑕疵类型的TPR值均达到0.99， 分析表3、图11~13检测实验结果，本文算法 针对网纹类型检测结果存在小范围误检情况。 在所有3种瑕疵类型中的检测结果均为最优。且 Retinex算法针对断端的TPR值为O.01几乎无法 本方法在所有3种类型的瑕疵中TPR值均达到 检测出瑕疵区域，针对网纹与细条纹瑕疵类型 最优，FPR值保持稳定。 的检测结果TPR值在0.5左右，但是其检测结果 分析表4，图14~16检测实验结果，在3种瑕 存在大面积误检。同态滤波算法针对网纹、细 疵类型的检测结果中本文算法均优于其他3种算 条纹和断端瑕疵类型的检测结果TPR值分别为 法且本方法在所有3种类型的瑕疵中TPR值均 0.60、0.56和0.45且检测结果存在大面积的误 达到最优，FPR值保持稳定。分 析 表 1 和 图 5 ~ 7 检测实验结果，基 于 LCE 预处理算法的疵点检测效果最为出色，针对 3 种瑕疵类型的 TPR 值均达到 0.99，且不存在误 检情况。Retinex 算法针对断端和细条纹瑕疵类 型的检测结果 TPR 值虽然达到 0.99 但是其检测 结果存在大面积误检，针对网纹瑕疵类型的检测 结果 TPR 值仅有 0.11，且也有大范围的误检。同 态滤波算法针对网纹、细条纹和断端瑕疵类型的 检测结果 TPR 值分别为 0.91、0.86 和 0.56 且检测 结果存在大面积的误检。自商图像算法针对 3 种 瑕疵类型的检测结果 TPR 值均低于 0.3 且依然存 在大面积的误检。 分 析 表 2、 图 8 ~ 1 0 检测实验结果，基 于 LCE 预处理算法的疵点检测效果最为出色，针 对网纹和细条纹瑕疵类型的 TPR 值均达到 0.99， 针对网纹类型检测结果存在小范围误检情况。 Retinex 算法针对断端的 TPR 值为 0.01 几乎无法 检测出瑕疵区域，针对网纹与细条纹瑕疵类型 的检测结果 TPR 值在 0.5 左右，但是其检测结果 存在大面积误检。同态滤波算法针对网纹、细 条纹和断端瑕疵类型的检测结果 TPR 值分别为 0.60、0.56 和 0.45 且检测结果存在大面积的误 检。自商图像算法针 对 3 种瑕疵类型的检测 结 果 TPR 值均低 于 0.3 且依然存在大面积的 误检。 综上所述，Retinex 算法仅针对星形数据集的 实验结果查全率 TPR 与 LCE 算法接近，但是前者 检测结果误检面积较大，其他两种算法都 与 LCE 算法差距较大，故选择 LCE 算法作为最优光 照预处理算法，并结合本文提出的特征提取算法 进行瑕疵检测。 3.3 本文算法与其他算法对比 在星形图与箱形图数据集中，本文算法与其 他经典算法 LSG、WGIS、BB 和 RB 结合 LCE 光 照预处理算法进行对比实验。实验结果如表 3、 表 4、图 11~16 所示。 分析表 3、图 11~13 检测实验结果，本文算法 在所有 3 种瑕疵类型中的检测结果均为最优。且 本方法在所有 3 种类型的瑕疵中 TPR 值均达到 最优，FPR 值保持稳定。 分析表 4，图 14~16 检测实验结果，在 3 种瑕 疵类型的检测结果中本文算法均优于其他 3 种算 法且本方法在所有 3 种类型的瑕疵中 TPR 值均 达到最优，FPR 值保持稳定。 (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 8 不同光照预处理算法对箱形断端瑕疵类型瑕疵图检测结果 Fig. 8 Box broken end defect image and fabric detection results with different preprocessing algorithm (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 9 不同光照预处理算法对箱形网纹瑕疵类型瑕疵图检测结果 Fig. 9 Box netting multiple defect image and fabric detection results with different preprocessing algorithm (a) 受光照影响(b) Ground-truth (c) LCE 算法 (d) Retinex (e) 同态滤波 (f)自商图像 图 10 不同光照预处理算法对箱形细条纹瑕疵类型瑕疵图检测结果 Fig. 10 Box thin bar defect image and fabric detection results with different preprocessing algorithm 第 4 期 狄岚，等：基于光照预处理与特征提取的纺织品瑕疵检测方法 ·721·