Методы определения местных пороков тканей с помощью вейвлет-технологий
В.И. Агафонов,
М.И. Сёмин
Аннотация
Описываются критерии качества текстильных материалов и типичные дефекты. Приводятся характерные методы их обнаружения. Рассматриваются современные направления автоматизации поиска дефектов с целью уменьшения поля влияния субъективных факторов. Приводится перспективный метод локализации пороков тканей и результаты его успешной работы. текстильный дефект автоматизация
Ключевые слова: контроль качества, вейвлет - анализ, сканирование рулона ткани, энергетические характеристики, функции яркости ткани, визуальная информационная система.
Введение
В настоящее время во всём мире активно ведутся разработки автоматических систем управления технологическими процессами. Автоматизация широко внедряется не только в электронной промышленности, атомной энергетике и др., но и в лёгкой промышленности. Этот факт объясняется необходимостью устранения дефектов (местных пороков) тканей, неизбежно возникающих даже при использовании самого совершенного текстильного оборудования и снижающих её качественные характеристики.
Современный высокий уровень сложности изготовления тканых полотен неизбежно приводит к сбоям техники, ошибочной работе текстильного оборудования и появлению местных пороков ткани. Они могут возникать на различных этапах производства тканей и отделочных работ. Поэтому своевременное обнаружение пороков не только позволяет проводить своевременную разбраковку, но и установить причину брака и, возможно, избежать его повторного возникновения. Общеизвестным является утверждение, что уменьшение количества брака ведёт к повышению конкурентоспособности предприятия лёгкой промышленности и активному продвижению его брэнда.
В рамках того или иного предприятия число пороков (дефектов) тканей зачастую можно спрогнозировать путём привлечения большого количества данных по выпускаемой продукции. Подобная задача в вероятностной постановке успешно решена в случае непрерывного распределения случайной величины обнаружения порока [1]. Однако реально возникающие стохастические колебания качества подобным методом не определяются, что затрудняет выработку общих рекомендаций на ограничение возникающих дефектов, отмеченных в нормативно-технической документации на текстильные материалы.
Анализ нормативно-технической документации на текстильные материалы, показывает [2], что оценка качества материалов осуществляется, в основном, органолептическими методами, которые субъективны и недостаточно достоверны. Отсутствие "экспрессных" инструментальных методов значительно усложняет взаимоотношения между поставщиками продукции и потребителями. Поэтому переход к инструментальным методам оценки качества материалов, автоматизация процесса дефектации и разбраковки достаточно актуален.
Отметим, что большинство существующих методов контроля качества не имеет аналогов в других отраслях промышленности, что приводит к их высокой сложности и стоимости и предопределяет необходимость разработки новых систем.
Система контроля качества
Общая схема промышленной линии контроля качества представлена на рисунке 1 ([3, 4]).
При контроле качества ткани наблюдатель неизбежно сталкивается с оценкой информации. Это может быть наблюдение ткани или обработка модели, полученной с помощью какого-либо визуального оптического датчика. В технике датчиком приёма визуальной информации могут служить фотокамера, телекамера, сканер и т. п. Применение сканера во многих случаях является оптимальным [5]. Оцифровывание аналогово-оптической среды предполагает использование современных сканирующих устройств, в которых, чаще всего, применяются матрицы с некоторой постоянной плотностью распределения в них приборов с постоянной зарядовой связью (ПЗС). Подобная конструкция призвана имитировать физиологические особенности сетчатой оболочки глаза человека и хорошо себя зарекомендовала на практике.
Блок обработки информации может служить, с одной стороны, для фиксирования битового образа исследуемого полотна и, одновременно, непрерывного отображения информации с помощью соответствующего средства. С другой стороны, наряду с протоколированием параллельно может проводиться обработка информации с целью выявления местных пороков ткани.
Визуальное исследование тканого полотна при соответствующем уровне обучения наблюдателя-контролёра является наиболее точным. Однако в условиях промышленного производства этот наиболее распространённый метод ведёт к большим затратам усилий и нестабильным во времени результатам. Современный уровень развития техники позволяет автоматизировать этот процесс, используя оптические датчики и центры обработки данных. Тем не менее, технические достижения в получении визуальной информации с помощью датчиков далеки от совершенства [5]. Этот недостаток компенсируется созданием управляющих алгоритмов и программ, интерпретирующих процесс технического зрения с целью выявления необходимой для оценки информации и способных в динамическом режиме менять параметры сенсорных датчиков для получения как можно более полной электронной картины исследуемого образца.
Поиск дефектов
Визуальная информационная система, используемая в процессе дефектации тканей и представленная рисунком 1, основана на интеллектуальном ядре, позволяющем с помощью эффективных алгоритмов отслеживать особенности битовых образов исследуемой ткани в динамическом режиме. Построение системы распознавания образов является очень трудоёмкой задачей, решение которой во всём мире находится только на начальной стадии развития [6].
Проблема поиска местных пороков тканей в рамках современных технологий подразделяется на несколько этапов.
Оцифровка изображения
На первом этапе с помощью элементов технического зрения наблюдатель получает изображение визуально-оптической среды исследуемой ткани. Существующие технические средства далеки от совершенства, поэтому для создания качественной и пригодной для исследования картины необходимо применять специальные методы [5]. В качестве примера исследовались модельные изображения, полученные с помощью оптимальных действий. Разрешение при сканировании тканей Dim являлось одним из параметров, влияющих на качество работы алгоритма обнаружения дефектов: малое значение линиатуры растра приводило к невысокой точности, большое - к низкой скорости обработки информации.
Определяющие критерии
На следующем этапе задаются критерии присутствия местного порока. При поиске пороков окраски использовались известные из физиологии зрения данные о зрительных стимулах, достаточных для обнаружения порока в определённой области ткани [5]. Поиск "пятна" на ткани эквивалентен поиску источника излучения: при достижении уровня энергии некоторого порога констатируется факт его присутствия. Сертифицированные стандарты, определяющие критерии пороков цвета и их классификацию, в настоящее время отсутствуют. Энергетический порог, при котором утверждается наличие дефекта, задаётся константой Ti, определяемой по данным Н.И. Пинегина.
Анализ изображения
На третьем этапе согласно выбранным критериям качества изображение тканого материала подвергается математическому анализу, который является самым ёмким с точки зрения затрат времени и мощности используемых аппаратных средств. Обработка информации может вестись двумя способами. Первый из них - динамическое отслеживание поступающей информации и непрерывное указание дефектных областей - наиболее предпочтителен. Однако требования к аппаратным ресурсам, необходимым для этого, самые высокие. Среди них достаточно отметить многопроцессорную параллельную обработку вычислений на максимально возможных частотах процессоров.
Второй путь - путь протоколирования поступающих на исследование образцов тканей с отложенной обработкой информации. В этом случае проводятся выборочные исследования, что снижает энергозатраты. Однако достоверность общей картины производства уменьшается. Процент брака при этом определяется статистическими методами. На практике применяется разумная комбинация отмеченных способов разбраковки тканей.
Локальные дефекты окраски тканей выявляются с помощью современных достижений в области анализа изображений и компьютерной графики. Основополагающими в решении поставленной задачи явились методы теории сигналов. Действительно, непрерывно линейно сканируемое полотно ткани представляется как нестационарный сигнал (рис.2), поэтому применение указанных достаточно разработанных методов является вполне оправданным.
Рис.2
Сигнал является зашумлённым. Для того, чтобы воспользоваться методами сегментации изображений [6], - его необходимо очистить от "шума", применив какой-либо сглаживающий фильтр. Однако в этом случае неизбежно отсекаемая высокочастотная составляющая сигнала зачастую несёт существенные сведения о присутствии локального дефекта. Поэтому методы сегментации, несмотря на свою простоту и надёжность, в рассматриваемом случае неприменимы.
Другой подход к анализу изображений - декомпозиция с помощью преобразования Фурье. Достоинства и недостатки преобразования Фурье общеизвестны. Среди достоинств можно отметить хорошо развитую классическую теорию и разработанные алгоритмы, использующие быстрое дискретное преобразование Фурье. К существенным недостаткам следует отнести большие ошибки в приближении функций, связанные с эффектом Гиббса, особенно в местах локальных неоднородностей, а также отсутствие связи между частотной и временной составляющими спектра преобразования Фурье. Перечисленные недостатки не исчезают и в оконном преобразовании Габора и являются критичными в рассматриваемой задаче, где необходимо не только констатировать наличие дефекта, но и получить максимально возможное количество информации о его местоположении в рулоне ткани, величине, классе и т. п.
Вейвлет-анализ
Значительное количество отмеченных проблем решается применением активно развивающегося в последнее время метода декомпозиции с помощью вейвлет-функций. При анализе нестационарных сигналов вейвлеты за счёт свойства локальности получают существенное преимущество перед преобразованием Фурье, которое даёт только глобальные сведения о масштабах исследуемого сигнала.
Прямое вейвлет-преобразование осуществляется согласно математическому правилу
[7]
(1)
где и b - параметры, определяющие масштаб и смещение функции ш, являющейся анализирующим вейвлетом, Сш - нормировочный множитель. Базисный вейвлет образует путём растяжений и сдвигов семейство функций . Практически единственным ограничением на его выбор является условие конечности нормировочного множителя
где - Фурье-образ вейвлета ш(x)
Этому условию удовлетворяет множество функций, поэтому возможно подобрать вид вейвлета, наиболее подходящего для решения конкретной задачи. Используемое непрерывное вейвлет-преобразование (1), по сравнению с дискретным аналогом, приводит при анализе сигналов к аналитически ясным результатам. Несмотря на то, что непрерывное преобразование требует больших вычислительных затрат, оно позволяет рассмотреть структуру сигнала более детально.
С помощью вейвлетов сигнал представляется совокупностью волновых пакетов, образованных на основе некоторой базовой функции ш0(х). В настоящее время для различных целей вычислительной математики сконструированы сотни типов базисных вейвлетов [8]. В задаче об определении локальных пороков окраски для серий расчётов используются только некоторые из них.
Вейвлет Хаара
Односторонность которого и несимметрия формы позволяют отслеживать односторонние скачки при резком повышении уровня функции яркости. Однако он не является гладким и его спектр плохо локализован.
Вейвлет Добеши 4-го порядка - значительно более гладкий, чем вейвлет Хаара. Однако недостаточная периодичность и отсутствие симметрии позволяют использовать семейство вейвлетов Добеши, в основном, для поиска узкополосных всплесков. Кроме того, их несимметричность приводит в рассматриваемой задаче к сдвигу определяемых координат дефекта по отношению к истинным значениям.
Вейвлет "Мексиканская шляпа", в отличие от большинства функций, описывается аналитическим выражением
,
имеет узкий энергетический спектр, симметричен и хорошо приспособлен для анализа сложных сигналов. Однако он обладает минимумом свойств, которыми обладают вейвлеты: поскольку семейство данных вейвлетов не является ортогональным, возможно лишь "грубое", далеко не точное приближение исследуемого сигнала.
Вейвлет Мейера является бесконечно регулярным. Однако использование его в численных процедурах ведёт к большим затратам вычислительного времени.
Выбор вейвлета для решения задачи о локализации местных пороков тканей - предмет отдельного исследования. Перечисленные выше вейвлеты использовались в компьютерных расчётах с целью выявления зависимости успеха решения от типа используемой вейвлет-функции.
Анализ сложного сигнала с помощью вейвлетов позволяет выделить такие его особенности как разрывы, изменение знаков первой и второй производных, изменение частоты сигнала и др. Исследование коэффициентов преобразования Wш(a,b) преобразования (1) позволяет находить местоположение локальных особенностей структуры изображения ткани.