玻璃纖維織物是經(jīng)編多軸向織物，由一層或多層平行的紗線按照盡可能多的方向交錯而成的?？椢锞哂幸欢ǖ拿軐嵍群秃穸?，顏色一般為白色，生產(chǎn)時的質(zhì)量缺陷主要為劈縫缺陷，在線生產(chǎn)速度為2m/min，幅寬一般為2.5m左右，檢測精度要求為0.5mm。
本文根據(jù)生產(chǎn)實際狀況，搭建了玻纖織物缺陷在線檢測系統(tǒng)平臺如圖1所示。由圖可以看出，工業(yè)相機、鏡頭及光源組成了機器視覺檢測系統(tǒng)的圖像采集模塊。本次研究采用了全局曝光的面陣相機搭配GigE工業(yè)相機、Computa高清鏡頭。
?
圖1 玻璃纖維織物缺陷在線檢測系統(tǒng)平臺
解決方案：
由于織物材料為白色的玻璃纖維絲，正面光照會使圖像反光，我們將條形光源放在織物下方進行背光照明。通過采用該圖像采集模塊可以獲得高對比度的圖像，當織物無缺陷時，圖像上沒有透光部分，如圖2所示，織物有缺陷時，織物缺陷部分將有亮光透過，缺陷將被清晰的勾勒出來，右下圖中高亮區(qū)域即為織物的劈縫缺陷。
?
圖2 有缺陷和無缺陷玻璃纖維織物
采集圖像后，采用OpenCV圖像處理軟件進行織物的質(zhì)量檢測。一般情況下正常玻璃纖維織物的紋理具有一致的周期特性和統(tǒng)一的色彩分布，但當織物的紋理遭到破壞產(chǎn)生缺陷時，便不再具備一致的周期性和統(tǒng)一的色彩分布，因此，玻璃纖維織物疵點的檢測主要是采用提取織物的紋理信息和灰度分布來判斷織物的疵點的存在與否。
基于OpenCV機器視覺庫的圖像處理法進行織物的缺陷檢測
首先對圖像處理進行平滑處理以消除噪聲干擾，然后對圖像進行圖像分割、形態(tài)學處理和特征提取，后對提取的缺陷特征進行參數(shù)計算，求出圖像中的缺陷的個數(shù)、發(fā)生的位置、尺寸等參數(shù)。
圖3 織物的圖像處理過程
圖像平滑：采用均值濾波器（blur函數(shù)）對圖像進行平滑處理，減少噪聲干擾。
圖像分割：采用全局閾值法進行圖像分割，即利用threshold函數(shù)實現(xiàn)缺陷和背景紋理的二值化分割，有缺陷的用白色像素表示，背景紋理用黑色表示。
形態(tài)學處理：采用形態(tài)學中的閉運算操作對二值化的圖像進行處理，消除干擾的小雜點，提高缺陷的檢出率及檢測準確性。
特征提?。?/strong>利用OpenCV中findContours實現(xiàn)形態(tài)學處理后圖像的輪廓提取與分析，先采用contourArea函數(shù)計算出每個輪廓的面積，并通過與設(shè)定的面積參數(shù)比較賽選出符合缺陷面積特征的輪廓后，通過contours.size()計算出織物中缺陷的個數(shù)。
特征參數(shù)計算：為計算織物中位置和尺寸等特征，采用minAreaRect函數(shù)構(gòu)造出缺陷輪廓的小外接矩形，由小外接矩形中心的X和Y坐標值、矩形的傾斜角度、矩形的寬度和高度等參數(shù)，從可計算出缺陷的特征參數(shù)。
本文根據(jù)實際生產(chǎn)情況搭建了基于機器視覺的玻璃纖維織物在線檢測平臺，結(jié)構(gòu)簡單，易于實現(xiàn)，照明方式減少了織物材質(zhì)對成像的影響，使圖像中的目標信息與背景信息得到了*的分離，形成了有利于圖像處理的成像效果。有效地改善玻璃纖維織物的在線質(zhì)量檢測生產(chǎn)現(xiàn)狀，為其他類型織物的質(zhì)量檢測提供了參考。
