·482· 智能系统学报 第15卷 (a)原图 (b)瑕疵基准图（©）本文算法 (d)BB (e)RB (f)WGIS (g)ER (h)TC 图10 不同方法对点形图绳结瑕疵图像的检测结果 Fig.10 Detection results of different methods on dot- shaped knots defect images (e)RB (f)WGIS (g)ER (h)TC 图8不同方法对盒形图破洞瑕疵图像的检测结果 Fig.8 Detection results of different methods on box- shaped hole defect images (a)原图b)瑕疵基准图(c)本文算法 (d)BB (e)RB (f)WGIS (g)ER (h)TC (a)原图 (b)瑕疵基准图(c)本文算法 (d)BB 图11不同方法对点形图细条纹瑕疵图像的检测结果 Fig.11 Detection results of different methods on dot shaped thin bars defect images (e)RB (f)WGIS (g)ER (h)TC 图9不同方法对盒形图粗条纹瑕疵图像的检测结果 Fig.9 Detection results of different methods on box- (a)原图 (b)瑕疵基准图(c)本文算法 (d)BB shaped thick bars defect images y、 表5列出了盒形图的检测结果，WGIS方法 在粗条纹型瑕疵检测中的TPR值为最优值， TC方法在断端型、破洞型瑕疵检测中的PPV值 (e)RB (f)WGIS (g)ER (h)TC 达到最优。本文方法在破洞型瑕疵检测中的TPR 图12 不同方法对点形图粗条纹瑕疵图像的检测结果 值为最优值，且在破洞型、粗条纹型瑕疵中∫值均 Fig.12 Detection results of different methods on dot- 达到最优。总体来看，本文方法的查全率和查准 shaped thick bars defect images 率整体优于其他5种算法。 4结束语 3.3.3点形图 分析图10~12的检测结果，本文方法在细 本文提出了一种基于结构相似性与模板校正 条纹、粗条纹瑕疵类型图中的检测效果优于其 的织物瑕疵检测方法。针对包含复杂周期的图案 他5种算法，在绳结型瑕疵检测结果图中，存在 织物的疵点检测问题，将图像按周期自动分割， 部分误检的情况。表6列出了点状图的检测结 为了减小由图像局部形变造成的晶格间不匹配的 果，本文方法在细条纹、粗条纹型2种类型瑕疵 局限性的影响。通过基于模板的方法进行校正， 检测结果中的PPV值均为最优值。在绳结型瑕 再利用晶格间的SSM,将瑕疵，点检测问题转为图 疵检测结果图中ER方法∫值、TPR值、PPV值均 像品格的二分类问题，对瑕疵晶格进行标记，完 成瑕疵晶格的定位，根据提出的阈值准则对晶格 达到最优。TC方法在细条纹、粗条纹瑕疵检测 进行像素级的检测。本文算法对星形图和盒形图 中∫值达到最优。总体来看，本文方法的查全率 在PPV、TPR、∫值对比传统算法有很大的提高。 优于其他5种算法。 点形图两种瑕疵图检测结果TPR比传统算法要 好，但会出现少部分像素点的误检，因为点形图类 型纺织品的图案较为复杂，图像具有较多的纹理 信息。在实际应用中还需进一步探讨基于图像特 (a)原图 (b)瑕疵基准图(c)本文算法 (d)BB 征的晶格分割的方法。(a) 原图 (b) 瑕疵基准图 (c) 本文算法 (d) BB (e) RB (f) WGIS (g) ER (h) TC 图 8 不同方法对盒形图破洞瑕疵图像的检测结果 Fig. 8 Detection results of different methods on box￾shaped hole defect images (a) 原图 (b) 瑕疵基准图 (c) 本文算法 (d) BB (e) RB (f) WGIS (g) ER (h) TC 图 9 不同方法对盒形图粗条纹瑕疵图像的检测结果 Fig. 9 Detection results of different methods on box￾shaped thick bars defect images 表 5 列出了盒形图的检测结果，WGIS 方法 在粗条纹型瑕疵检测中 的 T PR 值为最优值， TC 方法在断端型、破洞型瑕疵检测中的 PPV 值 达到最优。本文方法在破洞型瑕疵检测中的 TPR 值为最优值，且在破洞型、粗条纹型瑕疵中 f 值均 达到最优。总体来看，本文方法的查全率和查准 率整体优于其他 5 种算法。 3.3.3 点形图 分析图 10～12 的检测结果，本文方法在细 条纹、粗条纹瑕疵类型图中的检测效果优于其 他 5 种算法，在绳结型瑕疵检测结果图中，存在 部分误检的情况。表 6 列出了点状图的检测结 果，本文方法在细条纹、粗条纹型 2 种类型瑕疵 检测结果中的 PPV 值均为最优值。在绳结型瑕 疵检测结果图中 ER 方法 f 值、TPR 值、PPV 值均 达到最优。TC 方法在细条纹、粗条纹瑕疵检测 中 f 值达到最优。总体来看，本文方法的查全率 优于其他 5 种算法。 (e) RB (f) WGIS (g) ER (h) TC 图 10 不同方法对点形图绳结瑕疵图像的检测结果 Fig. 10 Detection results of different methods on dot￾shaped knots defect images (a) 原图 (b) 瑕疵基准图 (c) 本文算法 (d) BB (e) RB (f) WGIS (g) ER (h) TC 图 11 不同方法对点形图细条纹瑕疵图像的检测结果 Fig. 11 Detection results of different methods on dot￾shaped thin bars defect images (a) 原图 (b) 瑕疵基准图 (c) 本文算法 (d) BB (e) RB (f) WGIS (g) ER (h) TC 图 12 不同方法对点形图粗条纹瑕疵图像的检测结果 Fig. 12 Detection results of different methods on dot￾shaped thick bars defect images 4 结束语 本文提出了一种基于结构相似性与模板校正 的织物瑕疵检测方法。针对包含复杂周期的图案 织物的疵点检测问题，将图像按周期自动分割， 为了减小由图像局部形变造成的晶格间不匹配的 局限性的影响。通过基于模板的方法进行校正， 再利用晶格间的 SSIM，将瑕疵点检测问题转为图 像晶格的二分类问题，对瑕疵晶格进行标记，完 成瑕疵晶格的定位，根据提出的阈值准则对晶格 进行像素级的检测。本文算法对星形图和盒形图 在 PPV、TPR、f 值对比传统算法有很大的提高。 点形图两种瑕疵图检测结果 TPR 比传统算法要 好,但会出现少部分像素点的误检，因为点形图类 型纺织品的图案较为复杂,图像具有较多的纹理 信息。在实际应用中还需进一步探讨基于图像特 (a) 原图 (b) 瑕疵基准图 (c) 本文算法 (d) BB 征的晶格分割的方法。 ·482· 智 能 系 统 学 报 第 15 卷