Содержание к диссертации
Введение
1. Анализ современного состояния проблемы контроля качества ткани 11
1.1. Проблемы контроля качества в общей цепочке технологического процесса производства ткани 11
1.2. Анализ существующих методов автоматизированного контроля показателей качества ткани 14
1.3. Сравнение применяемых на производстве методов контроля качества ткани 19
1.4. Современное состояние и возможности компьютерной техники 23
1.5. Компьютерные алгоритмы обнаружения пороков ткани 28
1.6. Выбор объекта исследования 32
1.7. Выбор теоретических и экспериментальных методов исследований 33
1.8. Постановка задачи исследования 34
2. Теоретические основы компьютерного обнаружения пороков ткани 37
2.1. Обоснование научного подхода к проблеме обнаружения пороков ткани 37
2.2. Получение качественного изображения участка поверхности ткани 39
2.3. Спектральный анализ изображений тканых полотен 43
2.4. Определение закономерностей изменения яркости на изображениях ткани 55
2.5. Теоретическое обоснование метода обнаружения нитей на изображении ткани 59
2.6. Научные результаты по главе.. 64
3. Разработка алгоритма определения плоской структуры ткани 66
3.1. Формирование алгоритма определения структуры переплетения ткани 66
3.2. Алгоритм определения длины раппорта переплетения ткани 68
3.3. Алгоритм обнаружения нитей ткани 78
3.4. Графическая модель ткани „ 88
3.5. Научные результаты по главе 90
4. Построение метода обнаружения дефектов ткани по графической модели 92
4.1. Взаимосвязь пороков ткани с параметрами графической модели 92
4.2. Условия бездефектности ткани 93
4.3. Уточнение графической модели ткани 95
4.4. Условие бездефектности переплетения 98
4.5. Правила достоверного обнаружения некоторых пороков ткани 101
4.6. Синтез изображений тканей с различными пороками 108
4.7. Научные результаты по главе 110
5. Экспериментальные исследования метода компьютерного обнаружения пороков ткани 111
5.1. Построение методики экспериментальных исследований 111
5.2. Исследование метода определения угла ориентации нитей и геометрической плотности ткани 113
5.3. Исследование метода определения параметров графической модели ткани 117
5.4. Испытание метода обнаружения пороков ткани 123
5.5. Научные результаты по главе 125
Общие выводы по работе 127
Список литературы 128
- Сравнение применяемых на производстве методов контроля качества ткани
- Теоретическое обоснование метода обнаружения нитей на изображении ткани
- Алгоритм определения длины раппорта переплетения ткани
- Правила достоверного обнаружения некоторых пороков ткани
Введение к работе
В настоящее время в текстильной промышленности главным условием повышения конкурентоспособности продукции является расширение ассортимента и обеспечение высокого качества готовых изделий. Одна из наиболее важных составляющих проблемы — осуществление возможности оперативного и эффективного контроля качества на всех этапах технологического процесса, а также в сфере разработки, маркетинга и продажи готовой продукции. Для проведейия контроля существуют различные технические средства, которые реализуют многообразие методов измерения и.диагностики качества продукции. Контролю подвергаются многочисленные показатели качества исходного сырья, полуфабрикатов и готовой продукции. Большинство применяемых в настоящее время методов морально и физически устарели и требуют модернизации с учетом сегодняшних требований информатизации. Современный уровень развития компьютерной техники дает возможность разрабатывать программно-технические комплексы, способные решать задачи автоматизированного контроля показателей качества различных текстильных материалов и изделий. Простота и относительная дешевизна технического оснащения персональных компьютеров и таких аппаратных средств, как сканеры, цифровые микроскопы, многоканальные АЦП, позволяют создавать на их базе лабораторные методы, опирающиеся на современные теоретические работы в области прикладной математики. В частности, применение последних разработок в области анализа цифровых изображений позволяет находить подходы к ранее неразрешимым задачам автоматизации процесса контроля внешнего вида ткани.
Пороки, приобретенные на различных стадиях технологического процесса: дефекты сырья, ткачества, отделки, сказываются на качестве и внешнем виде конечной продукции. Во избежание производства большого количества низкосортной ткани необходимо применение гибких автоматизированных ме-
тодов контроля качества полуфабрикатов на каждом технологическом переходе, а также для оценки выработанной ткани.
Целью данной диссертационной работы является разработка научно обоснованного подхода к проблеме автоматизации контроля качества и создание методов компьютерного обнаружения пороков внешнего вида хлопчатобумажной ткани. Работа выполнялась по плану научно-исследовательских работ в Ивановской государственной текстильной академии (ИГТА).
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность работы. В современных условиях экономической конкуренции текстильные предприятия вынуждены уделять особое внимание вопросам повышения качества ткани как главной составляющей её конкурентоспособности. Актуальность работы обусловлена, с одной стороны, потребностью производителя обеспечить требуемый уровень качества изготавливаемой ткани, а с другой стороны, необходимостью оперативного контроля характеристик ткани, принимаемой потребителем.
В настоящее время в качестве основных способов оценки ткани по наличию пороков внешнего вида применяются методы, основанные на визуальном анализе поверхности ткани человеком-оператором. Их главным недостатком является субъективность восприятия характеристик внешнего вида ткани разными операторами. Невысокая производительность, низкая надежность этого морально устаревшего метода вынуждают искать другие технические решения для автоматизации процесса контроля внешнего вида ткани. Существующие на сегодняшний день автоматизированные системы контроля качества ткани не способны выявлять всё разнообразие встречающихся пороков, поэтому их применение на производстве ограниченно.
Высокая стоимость комплексов для автоматической разбраковки ткани, используемых на некоторых зарубежных текстильных предприятиях, в свете
всеобщего снижения цен на аппаратное обеспечение обусловлено высокой сложностью и специфичностью применяемых программных алгоритмов. Совершенствование существующих, а также разработка принципиально новых компьютерных методов, является наиболее актуальной задачей в современных условиях повсеместного внедрения информационных технологий.
Цели и задачи исследования. Целью диссертационной работы является создание методов определения параметров строения и дефектов ткани в лабораторных условиях путём компьютерного анализа изображений её поверхности. Для реализации научнообоснованного подхода к проблеме были поставлены следующие научно-практические задачи:
Сравнение применяемых на производстве методов контроля качества ткани
К показателям качества ткани относят широкий спектр физико-механических и структурных свойств, строго регламентируемых стандартами на тот или иной вид ткани. Физико-механические свойства ткани в основном зависят от качества используемой пряжи и мало изменяются в пределах одной партии ткани [6]. Поэтому их оценивают по показателям отдельных образцов в лабораторных условиях методами, установленными в соответствующей нормативной документации.
Внешний вид ткани почти полностью определяется технологическими процессами ткачества и отделки, поэтому поиск дефектов на этих этапах должен проводиться по всей ширине ткани. На производстве пороки внешнего вида в основном выявляют при помощи субъективной визуальной оценки поверхности ткани человеком-оператором. Это наложило свой отпечаток на составление нормативных документов, определяющих показатели качества внешнего вида ткани. Анализ государственного стандарта на пороки тканей [7] выявил неоднозначность многих определений и терминов. Границы между наличием или отсутствием того или иного порока весьма расплывчаты и могут быть трактованы оператором весьма субъективно. Зрение человека имеет определенную специфику, не позволяющую заменять его такими простыми методами анализа, как оценка уровня среднего квадрата ошибок. Всё это показывает недостаточность проработки вопросов количественной оценки внешнего вида ткани в современной нормативной документации.
В настоящее время разработано множество различных методов и средств автоматизированного контроля качества ткани [8]. Практически для каждого из контролируемых параметров существуют десятки специфических методов, использующих весь спектр физических принципов взаимодействия. Они подразделяются по принципу преобразования энергии на визуальные, механические, фотоэлектрические, пневматические, радиационные и емкостные методы.
Наиболее распространены методы контроля перекоса утка [9], использующие различные механические принципы. К достоинствам этих методов следует отнести инвариантность к цветности ткани и работоспособность на плотных полотнах [10]. Недостатки методов состоят в сложности настройки применяемых механических средств, а также в их высокой чувствительности к натяжению ткани. Известны также устройства, в которых в качестве преобразуемой используется электрическая или электромагнитная энергия. Так, в [11] описы-ваеься метод контроля электрического сопротивления между двумя цилиндрическими контактирующими с тканью электродами, которое изменяется в контролируемой области в зависимости от положения уточных нитей.
Основным недостатком таких методов является их узкая направленность только на какой-либо один показатель качества. При потребности в контроле нескольких количественных характеристик ткани возникает проблема одновременного применения большого числа сложных и дорогостоящих методов.
В последнее время широко применяются различные фотоэлектрические устройства, основанные на принципе контроля проходящего сквозь ткань [12] или отраженного от нее света [13]. При очевидных недостатках этих методов (чувствительности к цветности и к сложности структуры) заложенный в их основу принцип оптического сканирования поверхности ткани является базовым для всех современных методов цифровой обработки изображения ткани.
В [14] описывается устройство дифракционного определения ряда основных характеристик ткани и тканеподобных материалов. Исследуемый образец освещают параллельным пучком монохроматического света с длиной волны А, перпендикулярно его поверхности и анализируют симметрию и взаимное расположение основных максимумов на дифракционной картине. Анализ осуществляют с дополнительным измерением средних расстояний между горизонтальными и вертикальными осями, по которым определяют ширину и длину раппорта. О величине линейного заполнения по основе судят по значению среднего расстояния между соседними горизонтальными рядами дифракционных максимумов и диаметру нитей основы. О появлении местных утолщений основы й утка и о нарушениях переплетения судят по изменению величин интенсивности первых двух максимумов, лежащих соответственно на центральных горизонтальных и вертикальных рядах. Главными недостатком этого мето 17 да являются высокая чувствительность к допустимым отклонениям в структуре переплетения ткани, низкая универсальность и высокая сложность.
Сравнение автоматизированных методов контроля качества ткани [15] показывает, что наиболее выгодным является использование относительно не дорогих оптических методов контроля сразу нескольких параметров внешнего вида ткани.
Кроме того, в последнее время всё большее внимание уделяется компьютерным методам. Для получения изображения ткани используются подвижные сканирующие головки [16] или несколько специальных видеокамер, также известны методы [17] контроля параметров ткани с применением лазера. Основная задача разработчиков данных методов состоит в создании программных алгоритмов, позволяющих анализировать визуальную или другую информацию о поверхности ткани.
В Костромском государственном технологическом университете разработан метод компьютерной фотограмметрии, использующий фотографирование одного и того же участка ткани под разными углами для получения в дальнейшем пространственных характеристик ткани [18]. Изображения ткани обрабатывают на компьютере при помощи алгоритма, позволяющего определить опорные точки элементов нити в двух плоскостях, затем по известным формулам вычисляют их характеристики. Недостатки данного метода заключаются в высоких требованиях к качеству изображения исследуемого участка. Информативность получаемых изображений непосредственно связана с отражательной способностью ткани, которая, в свою очередь, зависит от природы волокна нитей, его окраски, содержания примесей, способа получения. Кроме того, появляется необходимость учитывать особенности выработки изделия, например проборки основы в бердо, так как проборка по две нити в зуб берда сохраняется в структуре суровой ткани в виде парочек. Также при этом способе анализа необходимо учитывать ворсистость пряжи и ее неравномерность по линейной плотности.
Теоретическое обоснование метода обнаружения нитей на изображении ткани
Главное достоинство компьютерных методов контроля качества ткани заключается в глубине анализа сравнения и выявлении сложных закономерностей между отслеживаемыми параметрами, что стало возможным в последнее время, в связи с продолжающимся ростом мощностей компьютеров. Это сравнительно молодое направление исследований привлекает все большее количество специалистов многих организаций как в Российской Федерации (Костромской государственный технологический университет, Московский государственный текстильный университет, Санкт-Петербургский государственный университет технологии и дизайна, Ивановская государственная текстильная академия, Ивановский государственный энергетический университет), так и за рубежом (The University of Hong Kong, Manchester University, Bodazici University (Турция), Oak Ridge National Lab, University of Southern California).
Сам по себе метод визуального контроля является единственным и безальтернативным в сфере задач по выявлению сложных ткацких пороков и не может быть полноценно заменён какими-либо другим методом. Усовершенствованию в данном случае подлежит лишь сам способ анализа визуальной информации, то есть замена человека-оператора компьютером с системой цифровой обработки изображений.
Принципы работы современных алгоритмов обнаружения пороков по изображению ткани базируются на множестве методов анализа текстуры изображений, применяемых во многих областях науки и техники. Текстурой изображения ткани считают повторяющийся рисунок переплетения. Анализируя отклонения оценочных функций для текстуры на локальных участках, делают выводы о наличии там пороков.
В работе [40] изображение ткани анализируют, попиксельно используя Марковякую модель случайного процесса, при этом считают, что яркость конкретного пикселя изображения в основном зависит от уровней яркости соседних пикселей. На первом этапе работы алгоритма по существу происходит определение соответствующих статистических зависимостей для выбранной модели. После этого исходное изображение разбивается на участки и на каждом из них проверяется выполнение установленной зависимости, отрицательная оценка служит сигналом об обнаруженном дефекте.
Оценка качества текстуры возможна посредством специальных фильтров выделения текстуры изображения [41]. Статистический анализ сверток изображения с этими фильтрами в простых случаях позволяет оценить качество текстуры, а значит, и определить наличие дефектов ткани.
Самыми распространенными для анализа сигналов и изображений являются методы, базирующиеся на преобразовании Фурье [42]. Как известно, базисные функции преобразования предельно локализованы в частотной области и очень плохо локализованы в пространстве. Вследствие этого такой подход удовлетворительно может обнаруживать только достаточно протяженные пороки ткани.
Работа [43] посвящена анализу двумерного спектра, полученного с помощью быстрого преобразования Фурье (БПФ), и определению параметров строения ткани по расположению пиков на амплитудном спектре. В работе [44] представлен модернизированный метод, использующий нейронные сети для более тонкого анализа спектра и его особенностей. Утверждается, что непосредственный анализ расположения пиков на амплитудном спектре позволяет обнаружить распространенные пороки ткани, а анализ значений мощности спектра в этих пиках с помощью нейронных сетей делает возможным выявление некоторых видов локальных пороков. Недостатки алгоритмов, использующих преобразование Фурье, заключаются в принципиальной неприспособленности этого метода [45] для представления реальных нестационарных сигналов и изображений: - локальные особенности сигналов вызывают незначительные изменения частотного образа во всем интервале частот, что делает их обнаружение по спектру практически невозможным; - базисной функцией при разложении в ряд Фурье является гармоническое колебание, в принципе не способное передавать перепады сигналов бесконечной крутизны; - единственным приспособлением к представлению быстрых изменений сигналов является резкое увеличение числа гармоник, которые оказывают влияние на форму сигнала за пределами его локальных особенностей. Оконное, или кратковременное, преобразование Фурье не получило широко применения, поскольку будучи более сложным не избавлено от принципиальных недостатков, связанных с тем, что базисная функция спектрального разложения остается синусоидой. В работе [46] успешно применяется методика с использованием частотно-временного преобразования Габора. К недостаткам метода можно отнести необходимость установки оптимальной ширины окна, а также избыточность информации при оконном преобразовании Фурье, что вызывает неоправданные вычислительные затраты.
Широко применяемые в последнее время вейвлет-технологии лишены подобных недостатков. В [47] используется вейвлет-декомпозиция изображения ткани при помощи двумерного вейвлета Габора с четырьмя уровнями масштаба и направления. Для каждого уровня декомпозиции вычисляются оценки текстуры изображения. После отсечения по порогу средняя оценка определяет наличие дефектов.
Недостатки подобных методов заключаются в сложности правильной интерпретации полученных данных. Для решения этой проблемы были разработаны [48] методы анализа коэффициентов вейвлет-разложения с помощью нейронных сетей.
Алгоритм определения длины раппорта переплетения ткани
Достоинством частотного метода анализа изображений ткани является возможность автоматического определения основных структурных характеристик образца ткани теоретически любого переплетения, что делает этот алгоритм наиболее универсальным и наиболее оптимальным на первом этапе обработки изображения ткани.
При контроле качества в лабораторных условиях не всегда существует возможность правильного ориентирования участка обрабатываемой ткани в сканере. Это подтверждает актуальность разработки методов контроля качества ткани, инвариантных к повороту изображения.
Подводя итог анализа теоретических возможностей метода Фурье для обработки изображений ткани, необходимо подчеркнуть, что фактором, определяющим точность рассчитываемых показателей, является размер изображения. Предварительно минимальные размеры образца ткани ограничивали десятью раппортами переплетения.
Таким образом, методом спектрального анализа можно определять лишь глобальные нарушения периодичной структуры ткани на участках порядка десяти раппортов переплетения, что пригодно только для выявления некоторых видов протяженных пороков или для предварительного анализа изображения ткани. Последнее включает в себя задачу правильной ориентации образца ткани в сканере и определение раппорта переплетения. Эти проблемы весьма актуальны при разработке алгоритмов лабораторного контроля качества тканей вследствие высоких требований универсальности и инвариантности к разрешающей способности сканера и повороту ткани.
Достоинством метода является возможность работы с изображениями ткани низкого разрешения — менее 5 пикселей на нить. Это позволяет заметно сократить время обработки изображений. На практике повсеместно применяются аппаратные решения [69; 70], позволяющие рассчитывать спектр сигнала без существенных временных затрат, что делает возможным в современных условиях применение алгоритмов, использующих ДПФ в задачах контроля качества ткани.
Согласно выбранному в разд. 2.1 подходу к проблеме контроля качества, первоочередной задачей является непосредственное определение структуры переплетения ткани, которое подразумевает на первом этапе нахождение взаимоположения нитей основы и утка в плоскости ткани.
В силу того, что нити однотонных тканей не различаются по яркостным характеристикам, определение положения конкретной нити возможно лишь по косвенным данным, например по положению пор на изображении ткани. Этот способ используется многими алгоритмами обработки ткани [17, 18]. Его главный недостаток заключается в невозможности анализа тканей с высокой плотностью.
Визуальный анализ отсканированных изображений ткани показывает, что в силу оптических особенностей системы освещения ткани, её пространственная структура сказывается на изображении. Вследствие этого яркость отдельно взятой нити, не постоянна, а изменяется в зависимости от высот волн изгиба. Это происходит из-за затенения более низких участков нити более высокими соседними (рис. 2.10). Для нити, вплетенной в полотно, можно выделить следующие особенности: распределение вероятной яркости по ширине нити имеет максимум в её центре и минимумы на периферии; вдоль направления нити яркость меняется периодически, и наиболее темные участки предшествуют уходу исследуемой нити под пересекающую её нить; видимые волокна нитей оказывают довольно сильное влияние на изображение, и носят характер случайных помех. Шум, вызванный влиянием волокнистого состава нити, не может быть полностью исключен из изображения при помощи линейных фильтров, по тем соображениям, что информативная составляющая яркостных характеристик нитей будет при этом неизбежно утеряна. Любой линейный фильтр является компромиссом между наилучшим подавлением шумов и динамическими искажениями, вносимыми при фильтрации [67]. Проблема нелинейных фильтров заключается в высокой вычислительной сложности их реализации. Большинство фильтрующих систем основано на предположении о гауссовском распределении шума и о стационарности изо 57 бражения [60]. В реальных условиях при анализе изображений тканых полотен, в особенности при наличии дефектов, шум не является независимой составляющей яркостного сигнала. Как отмечалось выше, в основном шум вызван волокнистым составом нити, и подчиняется сложным пространственным и частотным зависимостям. В этих условиях наиболее подходящими являются вейвлет-технологии [45, 71, 72] и эвристические методы фильтрации изображений на основе нейронных сетей [73]. Проблема разработки подобных фильтров заключается в отсутствии на данном этапе четких критериев оптимальности фильтрации, которые, строго говоря, напрямую зависят от применяемого в последующем алгоритма анализа изображения ткани. Субъективная визуальная оценка отфильтрованных изображений в данном случае не может быть критерием выбора фильтра. Настоящая работа не затрагивает проблему выбора фильтрующей системы на этапе предварительной обработки изображения ткани. Как показал предварительный анализ, не один из фильтров не может обеспечить полное подавление шума. С учетом этого при разработке алгоритма применялись методы эвристической оценки полученных данных, сводящие к минимуму степень влияние шумовых составляющих.
Правила достоверного обнаружения некоторых пороков ткани
Для решения этой задачи целесообразно провести измерения на синтезированном изображении ткани с изначально определенными характеристиками в каждой точке.
С помощью специально разработанного (разд. 4.6) программного обеспечения (П. 4) было синтезировано изображение ткани 200x200 пике с одинаковой геометрической плотностью по основе и утку 10 пике и с постоянным диаметром нитей 5 пике. На изображение был наложен белый шум.
Далее методом последовательных приближений было найдено макси-мальное пороговое значение дисперсии шума (а = 0,05), при котором алгоритм определения параметров графической модели ткани еще оставался работоспособным.
Для синтезированного таким образом изображения определили параметры графической модели ткани (П. 6). Далее оценивали ряд значений параметров и определяли погрешности измерения относительно действительных значений.
Максимальное значение погрешности измерения локального расстояния между нитями составляет 10 %, что обусловлено в данном случае шумом и дискретностью координатной сетки, дающей погрешность ±1 пиксель. Погрешность при измерении среднего значения при этом находится в пределах 1%. Максимальная погрешность измерения локального диаметра нити достигает 28%, ошибка измерения среднего значения не превышает 3%, что говорит о хорошей воспроизводимости метода, даже при высоком уровне шума. В целях экспериментального исследования разработанного метода обнаружения пороков по графической модели использовались образцы ткани со следующими пороками внешнего вида: местное утолщение, дыра, двойник, близна, недосека, забоина. Было отсканировано по 10 участков каждого образца ткани с дефектами. Для всех полученных цифровых изображений определяли параметры графической модели ткани и выявляли пороки. Оценку работы алгоритма проводили визуально путём подсчета элементов графической модели, отражающих реальное строение ткани. Вычисляли процент верно найденных перекрытий графической модели от общего числа пересечений нитей на участке изображения (без учета крайних). Также определяли процент верно найденных границ между перекрытиями. Результаты обнаружения пороков оценивали по проценту исходов, при которых пороки были обнаружены правильно. Для 10 участков ткани образца, не содержащего пороков внешнего вида, в среднем компьютером было верно обнаружено 99% всех нитей участка ткани, около 90% границ между перекрытиям, что позволило во всех 10 испытаниях образец верно классифицировался как бездефектный. Для образцов с пороками в виде местных утолщений в среднем компьютером было верно обнаружено 98% всех нитей участка ткани и 75% границ между перекрытиям (ошибки при обнаружении границ связаны с локальными особенностями утолщенных нитей), в результате во всех 10 испытаниях порок был обнаружен. Порок пробоина был обнаружен во всех случаях, при этом среднее число верно найденных нитей составило 80%, снижение достоверности найденных координат обусловлено хаотичным расположением концов оборванных нитей у края пробоины. Образец с пороком двойник был отсканирован в 10 местах вдоль двойной нити. На всех 10 участках в среднем компьютером было верно обнаружено 96% нитей и 85% границ между перекрытиями, в результате в 9 случаях порок был успешно обнаружен. ІТорок близна был найден в 8 случаях, при этом результат обнаружения нитей — 95 %, границ между перекрытиями — 82%. Порок недосека был обнаружен во всех случаях. Для образцов с пороком забоина вследствие повышения плотности ткани результаты несколько хуже: нити — 90%, границы — 87%, в итоге порок забоина был обнаружен в 8 случаях. Итоговое количество верно классифицированных пороков составляет 92,9% от общего числа испытаний. В результате проведенных экспериментальных исследований получено подтверждение теоретических предположений и закономерностей, выявленных для изображения ткани и его амплитудного спектра. На практике установлены некоторые ограничения применения разработанных алгоритмов: - предварительный анализ изображения в частотной области возможен только для образцов ткани на порядок больших длины раппорта переплетения; - получение координат точек нитей в плоскости ткани возможно только для отбеленных или достаточно светлых образцов; - наименьшее число ошибок при обнаружении нитей (менее 10%) получается при анализе тканей полотняного переплетения; - наиболее точные результаты измерения толщины нитей получаются на тканях большей пористости; - алгоритм обнаружения границ между перекрытиями даёт наиболее точные результаты для тканей полотняного переплетения; - обнаружение пороков внешнего вида менее протяженных, нежели раппорт переплетения ткани не всегда возможен. Установлено, что разработанная методика поэтапного анализа изображения ткани обладает рядом достоинств, одно из которых заключается в способности с высокой достоверностью распознавать широкий спектр дефектов структуры ткани.
