基于計算機視覺技術的皮革瑕疵檢驗研究

陳楠

（陜西財經職業技術學院，陜西 咸陽 712099）

0 引言

天然皮革作為一種重要的材料，廣泛應用于服裝、鞋類、家具等領域。然而，在天然皮革生產加工過程之中，由于動物自身的生理因素或外界環境的影響，導致其皮革表面或內部往往會造成一定缺陷瑕疵，具體表現為皮面破損、色差、斑紋、劃痕、褶皺、壓印等[1]。

當前，許多中小型皮革加工廠多采取傳統的皮革瑕疵檢驗方法，例如人工檢驗、光學檢驗等[2]，主要針對天然皮革表面缺陷瑕疵進行篩選，往往耗費大量的時間和人力資源，特別是對于大規模的皮革加工生產線來說，效率低下且成本高昂，往往需要大量的人力投入，增加了生產成本，同時也限制了生產線的自動化和智能化程度。在皮革行業數字化、智能化轉型發展的背景下，開發一款智能型皮革瑕疵檢驗系統有其必要性。

筆者采用計算機視覺技術并引入深度學習算法來構建一種智能型皮革表面瑕疵檢驗系統，希望以此提高皮革表面瑕疵檢驗的準確性，提升檢驗效率，進一步滿足皮革加工現代化生產的實際需求。

1 智能型皮革瑕疵檢驗系統構建

1.1 系統框架設計

智能型皮革瑕疵檢驗系統基于計算機視覺技術實現，系統框架如圖1所示，具體模塊包含移動工作平臺（即由傳動機構、運動控制卡、電動驅動、展平裝置等組成）、CD視覺圖像智能采集模塊（即由光源、線陣相機、電子鏡頭等組成）、皮革瑕疵檢驗識別軟件模塊（即由深度學習算法計算模型、相機控制、目標檢測控制等組成）。

圖1 智能型皮革瑕疵檢驗系統Fig.1 Intelligent leather defect inspection system

1.2 硬件組成

智能型皮革瑕疵檢驗系統的硬件部分主要為移動工作平臺模塊與CD視覺圖像智能采集模塊組成。在傳統型皮革瑕疵檢驗系統的基礎之上，通過增加展平裝置來解決天然皮革檢驗前存在的各類凹凸、彎曲、折角等問題[3]，具體工作流程如圖2所示，由一組平整的輥筒組成，根據天然皮革材料的尺寸和形狀進行調整，用于將皮革材料展平并保持平整狀態，確保皮革在圖像采集檢驗過程中的平整性，以便在圖像采集中避免死角。在具體的實驗中可采用PLC（可編程邏輯控制器）根據不同皮革加工需要進行編程和展平參數設置。

圖2 皮革展平過程Fig.2 Leather flattening process

在系統硬件組成中，CD視覺圖像智能采集通過計算機集成逐行掃描的方式來采集天然皮革圖像，其掃描過程具體如圖3所示，在天然皮革瑕疵檢驗過程中，相機會被放置在天然皮革材料的一側，掃描內容為天然皮革表面的x0y面，若線光源中射光強度為e，則天然皮革表面受到線光源后所形成的散射系數為μ，即在（x，y）點中的反射光強度m可表示為：

圖3 計算機CD掃描過程Fig.3 Computer CD scanning process

其中，A表示線陣相機光強度探測中的性能指標量，可看作近似性常量，將采集到的數字信號傳輸到后端處理系統進行圖像處理和目標瑕疵（如面積、位置、長度等）機械能檢測，當天然皮革表面存在一定的瑕疵缺陷，則瑕疵缺陷處所形成的射光強度、光吸收系數會產生明顯的差異，缺陷處的反射光強度可表示為：

智能型皮革瑕疵檢驗系統采用線陣相機的優勢在于其高速、高分辨率和高靈敏度[4]。由于為計算機逐行掃描方式，線陣相機可在很短的時間內獲取高質量的視覺圖像，對射光強度、散射度處理具有較好的適應性分辨能力，在對類似M、M'值進行獲取后，通過深度學習模型的不斷迭代可形成自動瑕疵相似識別庫，進一步對適用于對不同皮革瑕疵進行實時和準確的自動檢測，便于捕捉到微小的皮革瑕疵細節，提高天然皮革瑕疵檢測的準確性和可靠性。

1.3 軟件組成

智能型皮革瑕疵檢驗系統識別軟件基于計算機視覺和機器學習技術，通過前期的圖像數據采集進行工作。其工作流程為：系統初始化→線陣相機功能觸發→瑕疵級別自動判別→皮革瑕疵圖像預處理→深度學習算法模型→瑕疵缺陷特征判斷→瑕疵定位。

在識別過程中，線陣相機采集到的圖像通常需要進行預處理，包括圖像去噪、圖像增強、圖像平滑等操作，以消除噪聲、增強圖像的對比度和清晰度。在預處理后，系統會從每個圖像中提取特征，特征可以是圖像的局部紋理、顏色直方圖、形狀特征等，進而描述圖像中的瑕疵信息；在特征提取后，系統需要使用已標記的訓練數據對機器模型進行訓練[5]。訓練數據包括一系列圖像和對應的瑕疵標注。訓練過程中，系統會根據提取的特征和標注信息學習皮革瑕疵的模式和規律。

軟件識別中的目標檢測核心技術原理是基于深度學習算法模型，即通過采集一系列包含正常和瑕疵的皮革圖像，對這些圖像進行初步標注出瑕疵區域的位置和類別?；谏疃葘W習算法的模型會自動學習皮革瑕疵的特征逐步形成一種經驗式的識別模式，在訓練完成后，對模型進行評估和優化。評估可使用各種指標，例如準確率、召回率、精確率等[6-7]。如果模型的性能不滿足要求，還可進行識別參數調整、數據增強等優化操作。智能皮革瑕疵檢驗系統中的識別流程如圖4所示，即通過皮革瑕疵數據集來提取瑕疵特征，在創建ROIs（感興趣區域）后，選擇線陣相機中的每一組像素作為單獨一次進行圖像紋理提取，采用深度學習中端到端的算法進行精確篩選處理，再次篩查時可采取圖像組合形式進行具體分類與位置回歸，在完成所有像素篩查后再次經過合并后的圖像中，色彩、面積差異最大的區域即為皮革紋理瑕疵缺陷所在。

圖4 基于深度學習算法模型的識別流程Fig.4 Recognition process based on deep learning algorithm model

2 天然皮革瑕疵檢驗效果對比測試

2.1 測試準備

為了更好地對智能型皮革瑕疵檢驗系統精度與效率進行有效檢驗，筆者在陜西某中型皮革制品加工廠現場進行系統搭建，并與加工廠內的傳統瑕疵檢驗系統進行天然皮革瑕疵識別對比測試，組別為智能型、傳統型兩組。

2.2 測試過程

二者在系統硬件上的區別主要在于傳統型瑕疵檢驗系統缺乏皮革展平裝置，而本文所搭建的智能型皮革檢驗系統具備展平裝置，有助于在最初皮革瑕疵檢驗之前促使其表面更為緊繃和平整；二者軟件上的區別則在于傳統型檢驗系統所搭載的算法主要為閾值分割法、紋理分析法及邊緣檢測法，智能型搭載計算機視覺技術及深度學習算法，對復雜瑕疵的適應性差具有較好的識別能力[8]、在測試中，分別選用6張30 cm×48 cm的小牛皮革進行瑕疵檢驗，從痘疤、劃痕、裂面、破皮等缺陷因素中，分別統計兩組的檢驗效果，兩組的精度檢驗數據如表1所示，檢驗效率如表2所示。

表1 兩組天然皮革瑕疵檢驗效果對比Tab.1 Comparison ofdefect inspection results between two groups ofnaturalleather

表2 兩組天然皮革瑕疵檢驗時速對比Tab.2 Comparison ofinspection speed for naturalleather defects between two groups

2.3 測試結論

從表1中可得出傳統樣型皮革瑕疵檢驗的漏檢率依次分別為0、2.3、11.1、7.76%；多檢率依次為0、4.17、16.7、6.2%；智能型皮革瑕疵檢驗的漏檢率依次為0、0、5.55、1.48%，多檢率依次為0、0、5.5、2.2%，僅在裂面、破皮缺陷檢驗中存在微小的誤差，說明基于計算機視覺技術和深度學習算法的檢驗系統能夠識別復雜的皮革瑕疵形狀、大小等變化，其檢驗精度更為準確；從表2二組的檢驗時速來看，在6張小黃牛皮革傳統型檢驗共用時197 s，平均時速32.83 s，智能型檢驗共用時170 s，平均時速28.33 s，從檢驗的時速來看，智能型皮革在線陣相機的助力下具有較高的檢驗效率，通過使用目標檢測的深度學習算法，識別軟件可自動識別天然皮革圖像中的瑕疵目標，進而快速、準確進行皮革表面瑕疵檢測，提高生產效率和質量皮革加工控制水平。

3 結語

本次開發的智能型皮革瑕疵檢驗系統基于計算機視覺技術進行實現，通過高速圖像采集和實時處理，可以準確檢測和分類瑕疵，并快速地對大量的天然皮革進行檢測，有效提高皮革瑕疵的篩查效率，降低生產成本，對優化皮革加工生產工藝和改進皮革產品原料質量具有一定的幫助，值得在后續深入研究。