核心软硬件配置
硬件设备
-
线扫相机
-
LED照明设备
-
工业计算机
-
输送系统
软件栈
Python、OpenCV、YOLO、TensorFlow、PyTorch
适用场景
纺织品制造、织物检测、机织质量控制、针织质量控制
引言
纺织品制造的生产速度极快，人工检测几乎无法实现。即使是经验丰富的检测人员，也会因疲劳、检测速度和缺陷特征不明显等因素，遗漏15%-25%的缺陷。
基于计算机视觉的自动化视觉检测技术能识别更多缺陷，保证检测一致性，还能实现实时质量控制。本指南将介绍从基础OpenCV技术到工业级深度学习系统的各类缺陷检测方法。
常见织物缺陷
机织缺陷
| 缺陷类型 | 缺陷描述 | 视觉特征 |
|---|---|---|
| 断经 | 纵向纱线缺失 | 纵向线条/缝隙 |
| 断纬 | 横向纱线缺失 | 横向线条/缝隙 |
| 缺纬 | 漏插纬纱 | 细横向条纹 |
| 浮线 | 纱线错搭 | 纱线翘起/松弛 |
| 筘痕 | 打纬不均 | 竖向条纹图案 |
| 边撑痕 | 边缘张力异常 | 边缘变形 |
针织缺陷
| 缺陷类型 | 缺陷描述 | 视觉特征 |
|---|---|---|
| 漏针 | 线圈缺失 | 破洞/梯状纹路 |
| 勾丝 | 纱线被扯起 | 表面形成线圈 |
| 横档 | 条纹图案异常 | 横向色带 |
| 针路 | 织针故障 | 纵向线条 |
| 破洞 | 多处线圈脱落 | 明显缝隙 |
表面缺陷
| 缺陷类型 | 缺陷描述 | 检测难点 |
|---|---|---|
| 污渍 | 织物变色 | 颜色分析 |
| 油渍 | 设备污染附着 | 纹理变化识别 |
| 杂质/异物 | 外部污染物 | 颜色与纹理双重分析 |
| 折痕 | 织物折印 | 阴影与纹理识别 |
| 起球 | 表面形成毛球 | 纹理分析 |
成像系统搭建
相机选型
-
线扫相机（生产推荐）
-
逐行采集图像
-
超高分辨率（4K-16K像素宽度）
-
适用于连续织物幅面检测
-
需与织物运行速度精准同步
-
-
面扫相机（原型开发适用）
-
标准帧式采集
-
搭建难度低
-
高速度下易遗漏帧间缺陷
-
适合学习与开发阶段使用
-
分辨率要求
基本原则：最小缺陷维度至少对应3-5个像素。
| 缺陷尺寸 | 1米幅宽所需分辨率 |
|---|---|
| 1mm | 3000-5000像素/米 |
| 0.5mm | 6000-10000像素/米 |
| 0.25mm | 12000-20000像素/米 |
照明方式
1. 透射光（背光源）
[相机]
↓
═══════════════ ← 织物
↑
[光源]
-
最适用于破洞检测
-
可清晰显示纱线密度变化
-
要求织物具备透光性
2. 正面光
[光源] [相机] [光源]
↘ ↓ ↙
═══════════════════════════ ← 织物
-
可检测表面缺陷
-
适用于颜色与污渍检测
-
适配所有类型织物
3. 斜射光/掠射光
[相机]
↓
[光源]→ ═══════════════════ ← 织物
-
突出纹理类缺陷
-
可显示机织结构不规则问题
-
适用于起球检测
传统计算机视觉方法
基于Gabor滤波器的纹理分析
Gabor滤波器非常适合检测重复纹理中的结构性缺陷。
import cv2
import numpy as np
def create_gabor_filters(num_orientations=8, wavelengths=[4, 8, 16]):
"""
构建用于纹理分析的Gabor滤波器组
"""
filters = []
for wavelength in wavelengths:
for i in range(num_orientations):
theta = i * np.pi / num_orientations
kernel = cv2.getGaborKernel(
ksize=(31, 31),
sigma=4.0,
theta=theta,
lambd=wavelength,
gamma=0.5,
psi=0
)
filters.append(kernel)
return filters
def apply_gabor_filters(image, filters):
"""
应用Gabor滤波器组并返回响应结果
"""
responses = []
for kernel in filters:
filtered = cv2.filter2D(image, cv2.CV_64F, kernel)
responses.append(filtered)
return responses
def detect_texture_defects(image, filters, threshold_factor=2.5):
"""
基于正常纹理响应的偏差检测缺陷
"""
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image
# 获取Gabor滤波器响应
responses = apply_gabor_filters(gray, filters)
# 融合响应结果
combined = np.zeros_like(gray, dtype=np.float64)
for response in responses:
combined += np.abs(response)
# 归一化处理
combined = combined / len(responses)
# 识别异常区域（与均值的偏差）
mean_response = np.mean(combined)
std_response = np.std(combined)
# 缺陷阈值筛选
defect_mask = np.abs(combined - mean_response) > (threshold_factor * std_response)
return defect_mask.astype(np.uint8) * 255
基于傅里叶分析的周期性图案检测
织物具有规则的周期性结构，缺陷会破坏该结构特征。
def detect_periodic_defects(image, sensitivity=0.3):
"""
基于傅里叶分析检测缺陷
适用于具有规则图案的机织织物
"""
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image
gray = gray.astype(np.float32)
# 计算快速傅里叶变换
f = np.fft.fft2(gray)
fshift = np.fft.fftshift(f)
# 获取幅度谱
magnitude = np.abs(fshift)
# 识别主频率（织物图案特征，在频域表现为亮斑）
mean_mag = np.mean(magnitude)
pattern_mask = magnitude > (mean_mag * 10)
# 去除图案频率（仅保留异常信息）
fshift_filtered = fshift.copy()
fshift_filtered[pattern_mask] = 0
# 逆傅里叶变换
f_ishift = np.fft.ifftshift(fshift_filtered)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)
# 阈值筛选缺陷
threshold = np.mean(img_back) + sensitivity * np.std(img_back)
defect_mask = img_back > threshold
# 图像形态学处理
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
defect_mask = cv2.morphologyEx(
defect_mask.astype(np.uint8) * 255,
cv2.MORPH_CLOSE, kernel
)
return defect_mask
破洞与缝隙检测
用于检测织物破洞和纱线缺失问题：
def detect_holes(image, min_area=50):
"""
基于阈值分割和轮廓分析检测破洞
搭配背光源使用效果最佳
"""
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image
# 自适应阈值分割
thresh = cv2.adaptiveThreshold(
gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV, 11, 2
)
# 形态学运算
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
# 查找轮廓
contours, _ = cv2.findContours(
thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)
holes = []
for contour in contours:
area = cv2.contourArea(contour)
if area > min_area:
x, y, w, h = cv2.boundingRect(contour)
holes.append({
'边界框': (x, y, w, h),
'面积': area,
'轮廓': contour,
'类型': '破洞'
})
return holes
污渍与颜色缺陷检测
def detect_stains(image, reference_color=None, threshold=30):
"""
基于与织物基准颜色的偏差检测污渍
"""
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
if reference_color is None:
# 以中值作为基准颜色
reference_color = np.median(hsv, axis=(0, 1))
# 计算颜色距离
diff = np.abs(hsv.astype(np.float32) - reference_color)
# 通道加权（色相通道对污渍检测最重要）
weights = [2.0, 1.0, 0.5] # 色相、饱和度、明度
weighted_diff = sum(diff[:,:,i] * weights[i] for i in range(3))
# 阈值筛选
stain_mask = weighted_diff > threshold
# 图像形态学处理
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
stain_mask = cv2.morphologyEx(
stain_mask.astype(np.uint8) * 255,
cv2.MORPH_CLOSE, kernel
)
stain_mask = cv2.morphologyEx(stain_mask, cv2.MORPH_OPEN, kernel)
return stain_mask
深度学习方法
基于YOLO的缺陷检测
训练YOLO模型实现织物缺陷的检测与分类：
from ultralytics import YOLO
# 数据集配置
"""
# fabric_defects.yaml
path: /data/fabric_defects
train: images/train
val: images/val
names:
0: 破洞
1: 污渍
2: 断纱
3: 折痕
4: 油渍
5: 异物
6: 起球
7: 勾丝
"""
# 模型训练
model = YOLO('yolov8m.pt')
results = model.train(
data='fabric_defects.yaml',
epochs=200,
imgsz=640,
batch=16,
augment=True,
# 织物检测专属数据增强
degrees=5, # 小角度旋转
translate=0.1, # 平移
scale=0.2, # 缩放
fliplr=0.5, # 水平翻转
flipud=0.0, # 垂直翻转（对织物检测无明显帮助）
mosaic=0.5 # 马赛克增强
)
分类网络
用于织物合格/不合格的二分类检测：
import torch
import torch.nn as nn
from torchvision import models, transforms
class FabricClassifier(nn.Module):
def __init__(self, num_classes=8, pretrained=True):
super().__init__()
# 以EfficientNet为骨干网络
self.backbone = models.efficientnet_b0(
weights='DEFAULT' if pretrained else None
)
# 替换分类头
in_features = self.backbone.classifier[1].in_features
self.backbone.classifier = nn.Sequential(
nn.Dropout(0.3),
nn.Linear(in_features, 256),
nn.ReLU(),
nn.Dropout(0.2),
nn.Linear(256, num_classes)
)
def forward(self, x):
return self.backbone(x)
# 训练循环
def train_classifier(model, train_loader, val_loader, epochs=50):
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = model.to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4)
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(
optimizer, T_max=epochs
)
for epoch in range(epochs):
model.train()
for images, labels in train_loader:
images, labels = images.to(device), labels.to(device)
optimizer.zero_grad()
outputs = model(images)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
scheduler.step()
# 模型验证
model.eval()
correct = 0
total = 0
with torch.no_grad():
for images, labels in val_loader:
images, labels = images.to(device), labels.to(device)
outputs = model(images)
_, predicted = torch.max(outputs, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f'第{epoch+1}轮训练：验证集准确率 = {100*correct/total:.2f}%')
生产系统架构
在线检测系统
┌───────────────┐
│ 线扫相机 │
└───────┬───────┘
│
┌────────────────────────▼────────────────────────┐
───│═══════════════════════════════════════════════════│───
│ 织物幅面 │
───│═══════════════════════════════════════════════════│───
└────────────────────────┬────────────────────────┘
│
┌───────▼───────┐
│ LED灯条 │
└───────────────┘
┌───────────────┐
│ 工业计算机 │
│ （分析端） │
└───────┬───────┘
│
┌───────────────┼───────────────┐
▼ ▼ ▼
┌─────────┐ ┌─────────┐ ┌─────────┐
│ 显示终端 │ │ 可编程控制器 │ │ 数据库 │
│ （报警） │ │ （控制） │ │ （日志） │
└─────────┘ └─────────┘ └─────────┘
速度同步
def calculate_scan_rate(fabric_speed_mpm, camera_resolution_px, width_mm):
"""
计算相机所需扫描速率
fabric_speed_mpm: 织物运行速度（米/分钟）
camera_resolution_px: 相机像素宽度
width_mm: 检测幅宽（毫米）
"""
# 每毫米像素数
px_per_mm = camera_resolution_px / width_mm
# 织物运行速度（毫米/秒）
speed_mmps = (fabric_speed_mpm * 1000) / 60
# 所需扫描速率（行/秒）
scan_rate = speed_mmps * px_per_mm
return scan_rate
# 示例：
# 织物速度50米/分钟
# 相机分辨率8192像素
# 检测幅宽1600毫米
# 所需扫描速率：约4267行/秒
训练数据集
公共数据集
| 数据集 | 缺陷类型 | 数据量 | 获取方式 |
| :--- | :--- | :--- | :--- |
| AITEX | 破洞、污渍、断纱 | 245张图像 | AITEX数据库 |
| TILDA | 多种机织缺陷 | 3200张图像 | 科研渠道获取 |
| Kaggle织物数据集 | 各类缺陷 | 数量不定 | Kaggle平台搜索 |
自建数据集方法
推荐策略
-
从生产线采集实际图像
-
包含多种织物类型
-
均衡各缺陷类别样本量
-
加入边缘案例样本
-
由行业专家验证样本有效性
最小样本量要求
-
每个缺陷类别200-500张图像
-
合格织物图像500张以上
-
包含多种照明条件下的样本
-
覆盖不同织物图案
性能基准
典型检测准确率
| 检测方法 | 准确率 | 检测速度 | 训练数据量 |
|---|---|---|---|
| 调优后传统计算机视觉 | 85%-92% | 实时检测 | 无需训练数据 |
| 训练后YOLO模型 | 92%-98% | 30帧/秒以上 | 1000张以上图像 |
| 分类卷积神经网络 | 90%-96% | 100帧/秒以上 | 500张以上图像 |
生产指标要求
| 指标 | 目标值 |
|---|---|
| 缺陷检出率 | ＞98% |
| 误检率 | ＜2% |
| 处理吞吐量 | 与生产线速度匹配 |
| 检测延迟 | ＜100毫秒 |
硬件推荐
开发环境
| 硬件组件 |
|---|
| 工业USB3相机 |
| LED灯条 |
| 织物样本 |
| 带GPU的计算机 |
生产环境
| 硬件组件 |
|---|
| 8K线扫相机 |
| 相机链路/同轴高清接口 |
| LED线光源 |
| 工业计算机 |
| 安装支架与防护外壳 |
| 系统集成与软件 |
入门步骤
-
采集目标织物类型的样本图像
-
从OpenCV方法入手，理解缺陷特征
-
使用Roboflow或CVAT工具标注训练数据
-
针对特定缺陷训练YOLO模型
-
基于独立测试集验证模型性能
-
搭配合适硬件部署检测系统
