CN102221559B - 基于机器视觉的织物疵点在线自动检测方法及其装置 - Google Patents

Abstract

本发明涉及一种基于机器视觉的织物疵点在线自动检测方法及装置，为解决传统人工检测方法劳动强度大、检测质量差的问题，利用工业摄像机对卷布验布机上的织物拍摄清晰完整的、无瑕疵的标准织物图像作为标准图像模板，并提取相应的特征参数存贮于计算机，根据用户要求设置织物疵点检测特征参量的范围，利用工业摄像机再将实时拍摄的织物图像传输至计算机与标准图像模板进行对比处理，并与标准特征参数比较，若织物特征参数不符合设定要求，则由检测软件启用报警，并对疵点进行分析，执行打印疵点标签。本发明具有检测精度高、速度快，大大降低了劳动强度的优点。

Description

基于机器视觉的织物疵点在线自动检测方法及其装置

技术领域

本发明涉及利用机器视觉和图像处理技术进行在线检测的技术领域，主要涉及成品布卷布现场利用机器视觉系统对织物疵点进行在线检测的方法及装置。

背景技术

长期以来，织物疵点检测基本用人工背光检测或机械灯光检测，也就是检验人员在没有眩光的北面窗旁或日光灯照明条件下按照自己的经验利用肉眼观察和手触摸等方式判别疵点，按照检验人员个人对织物疵点的认识和自身经验判定织物疵点及其类型，再按照织物评分、评等标准对织物等级做出评定，给出织物的扣分结果和评价结果。然而这种方法有很多弊端，首先，人工检测严重降低了织物工艺流程的自动化程度，检测速度较慢，一般在15-20米/分；其次，人工检测依靠验布工人的经验和培训的熟练程度，所以评判标准的不稳定和不一致经常会产生误检和漏检；第三，疵点检测对工人来说是一个繁重且单调的体力劳动，极大地伤害了验布工人的视力，这种传统的人工检测方法存在劳动强度大，漏检和误检率高，受主观因素影响大难以得到准确的检验结果，织物质量不能得到有效的保证和控制，因而急需发展新颖快速、检测率高的织物疵点自动检测系统来代替人工的检验工作。

机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置）将要检测的目标转换成数字信号，这些数字信号再传送给专用的图像处理系统，图像处理系统根据要检测的任务要求来设置检测任务，然后记录检测结果或者根据判别的结果来控制现场的设备动作。

机器视觉系统的特点是提高生产的产品质量和生产线自动化程度，尤其是用在一些不适合人工作业的危险工作环境或人眼难以满足要求的场合，同时在批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测则可大大提高生产效率和生产的自动化程度，而且易于实现信息集成，是实现计算机集成制造的基础技术。在纺织行业，生产量大，生产环境较差，而且各类织物都是比较规则的，重复性很强，这些有利的条件为机器视觉技术在织物疵点检测领域的应用提供了非常广阔前景。

织物从织造—印染—使用的过程中，每个环节都会出现疵点。授权公告号为CN100593716C的中国专利公开了一种基于机器视觉系统对印花布瑕疵的在线检测方法，授权公告号为CN100561146C的中国专利公开了一种基于机器视觉系统对印染染色色差的在线检测方法。但是印染的瑕疵只是织物总疵点的小部分，大部分的疵点还是在织造过程中产生的，为了降低纺织工业中质量检测的成本，改善检测质量，提高产品的市场竞争力，急需发展快速、准确的织物疵点在线自动检测系统。

发明内容

本发明的目的是：提供一种不仅大大降低了工人的检测劳动强度，而且提高了织物检测的精确度，可以有效保证出厂布匹的合格率的基于机器视觉的织物疵点在线自动检测方法及其装置。

实现上述目的中基于机器视觉的织物疵点在线自动检测方法的技术方案是：一种基于机器视觉的织物疵点在线自动检测方法，其创新点在于：其步骤包括：

a、利用工业摄像机定时拍摄在卷布验布机上织物的图像，并将拍摄织物的图像送至计算机；

b、根据对织物图像的精度要求，设置拍摄清晰图像的摄像机的参数；

c、选择清晰完整的织物图像作为标准图像模板，进行图像算法处理并提取相应的特征参数存贮于计算机，每种类型的织物存贮一幅标准图像模板，所述的特征参数包括织物图像的分形维数                                                

、灰度均值

、方差

和织物的标准图像二值化处理后所得二值图像的1值像素百分比率

；

d、根据用户要求设置检测参量的精度范围，所述检测参量包括待测织物的织物图像的分形维数

、灰度均值

、方差

和织物的实拍图像二值化处理后所得二值图像的1值像素百分比率；

e、由相机内部的定时信号控制摄像机，实时拍摄卷布验布机上运行织物的图像，并将拍摄的图像传输至计算机供检测；

f、计算机将接收到的实时拍摄织物图像进行图像算法处理，并且提取相应的特征参数；

g、将步骤f中实时拍摄的织物图像所提取的特征参数与步骤c中标准图像模板所提取的特征参数进行对比、分析和判别；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之内，则计算机判断实测织物为合格；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之外，则计算机判断实测织物有疵点，并且打印疵点标签。

在上述的技术方案中，所述步骤c 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：

c1、对作为标准图像模板的织物图像进行灰度化；

c2、对步骤c1所获得的织物图像进行直方图均衡化；

c3、对步骤c2所获得的织物图像进行分块；

c4、对步骤c3所获得的织物图像进行3*3中值滤波；

c5、将步骤c4所获得的织物图像基于分形模型进行特征参数的提取；

c6、对步骤c4所获得的织物图像进行最优阈值的求解；

c7、将步骤c4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率； 

c8、将步骤c5所提取的特征参数、步骤c6所求得的最优阈值以及步骤c7所求得的二值图像的1值像素百分比率送至计算机保存。

在上述的技术方案中，所述步骤c5中提取步骤c4所获得的织物图像的特征参数是基于分形模型法，即是通过对织物疵点的分形特征进行聚类分析来识别织物疵点，其具体步骤如下： 

①、设置步骤c4所获得的织物图像的最小和最大像素块；

②、根据步骤①的像素块大小的要求，选定像素块大小；

③、将织物图像按照步骤②选定的像素块大小进行分割，依次通过计算每个像素块上灰度的最小值、最大值，从而获取该像素块的盒子数；

④、将步骤③求得的各像素块上的盒子数相加，计算出图像覆盖所需的总盒子数；

⑤、计算出对应像素块条件下的分形维数；

⑥、在步骤①确定的像素块大小的范围内，不断改变像素块的大小，并且转到步骤③，直到像素块不再满足步骤①所设置的像素块条件；

⑦、将不同像素块得到的分形维数进行最小二乘拟合，得到标准图像的分形维数，然后再计算标准图像的灰度均值和方差，即可以得到一组分别表示标准图像的分形维数、图像的平均强度和图像灰度变化的剧烈程度的特征参数数据集。

在上述的技术方案中，所述步骤c6中最优阈值的选择方法是基于图像二维最大熵的选择方法，即采用由图像像素灰度和邻域平均灰度构成的二维直方图搜索图像的最优阈值。

在上述的技术方案中，所述图像二维最大熵的选择是基于混沌变异量子粒粒子群优化算法进行的，其具体步骤如下：

步骤1：初始化，即设置种群规模、变异概率、迭代次数以及迭代总次数，其中，迭代次数设置为1；

步骤2：判断迭代次数是否大于迭代总次数，若迭代次数大于迭代总次数，则进入步骤7，若迭代次数小于迭代总次数，则进入步骤3；

步骤3：产生0-1之间随机数，若该随机数大于变异概率，则粒子按照量子粒子群算法更新粒子的位置和速度；若该随机数小于变异概率，则粒子按照量子非门进行变异更新；

步骤4：计算每一个粒子的适应度值，若大于该粒子当前位置的个体极值，则将个体最佳设置为该粒子的当前位置，且更新该粒子的个体极值；若所有粒子的个体极值中最大值大于当前全局极值，则将全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；

步骤5：对全局最优粒子进行混沌搜索，若所得结果大于当前全局极值，则全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；

步骤6：迭代次数加1，并且转到步骤2；

步骤7：输出种群的全局最优解。

在上述的技术方案中，所述步骤f 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：

f1、对实时拍摄的织物图像进行灰度化；

f2、对步骤f1所获得的织物图像进行直方图均衡化；

f3、对步骤f2所获得的织物图像进行分块；

f4、对步骤f3所获得的织物图像进行3*3中值滤波；

f5、将步骤f4所获得的织物图像基于分形模型进行特征参数的提取；

f6、将步骤f4所获得的织物图像进行二值化处理，并求出该二值图像的1值像素百分比率。

实现上述目的中基于机器视觉的织物疵点在线自动检测装置的技术方案是：一种基于机器视觉的织物疵点在线自动检测装置，其创新点在于：包括摄像机、计算机、显示器和打印疵点标签机构，所述摄像机的镜头对准卷布验布机与导布辊之间的织物的表面，所述摄像机、显示器和打印疵点标签机构分别与计算机通信连接。

在上述技术方案中，还包括与计算机通信连接的测长仪，所述测长仪位于卷布验布机与导布辊之间的织物的一侧。

在上述技术方案中，还包括恒定直流光源，所述恒定直流光源对准卷布验布机与导布辊之间的织物的表面。

在上述技术方案中，所述摄像机和恒定直流光源均位于卷布验布机与导布辊之间的织物表面的上方。

与现有技术相比，本发明所具有的积极效果是：本发明的基于机器视觉的织物疵点在线自动检测方法及装置，采用机器视觉系统对织物进行在线检测，取代人工抽检，克服了现有织物疵点人工检测劳动强度大及容易产生视觉疲劳、布匹误检、漏检率低的缺陷，而本发明在检测的过程中如经过摄像机下方的织物有疵点出现，则通过计算机提示，并进行报警，启动打印标签机构，大大降低工人的检测劳动强度，提高了生产效率和合格率。本发明可根据用户要求设置所述检测参量的精度范围，既能达到用户要求，又能有效提高检测速度。

附图说明

图1是本发明基于机器视觉的织物疵点在线自动检测方法流程图；

图2是本发明织物的标准图像的处理算法流程图；

图3是本发明待测织物图像的处理算法流程图；

图4是本发明基于机器视觉的织物疵点在线自动检测装置的结构示意图；

图5是本发明基于机器视觉的织物疵点在线自动检测装置的使用状态示意图。

具体实施方式

以下结合附图及给出的实施例对本发明作进一步的详细说明。

如图1、2、3所示，一种基于机器视觉的织物疵点在线自动检测方法，其步骤包括：

a、利用工业摄像机定时拍摄在卷布验布机上织物的图像，并将拍摄织物的图像送至计算机；

b、根据对织物图像的精度要求，设置拍摄清晰图像的摄像机的参数；

c、选择清晰完整的织物图像作为标准图像模板，进行图像算法处理并提取相应的特征参数存贮于计算机，每种类型的织物存贮一幅标准图像模板，所述的特征参数包括织物图像的分形维数

、灰度均值

、方差

和织物的标准图像二值化处理后所得二值图像的1值像素百分比率；

d、根据用户要求设置检测参量的精度范围，所述检测参量包括待测织物的织物图像的分形维数

、灰度均值

、方差

和织物的实拍图像二值化处理后所得二值图像的1值像素百分比率

；

e、由相机内部的定时信号控制摄像机，实时拍摄卷布验布机上运行织物的图像，并将拍摄的图像传输至计算机供检测；

f、计算机将接收到的实时拍摄织物图像进行图像算法处理，并且提取相应的特征参数；

g、将步骤f中实时拍摄的织物图像所提取的特征参数与步骤c中标准图像模板所提取的特征参数进行对比、分析和判别；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之内，则计算机判断实测织物为合格；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之外，则计算机判断实测织物有疵点，并且打印疵点标签。

在上述的技术方案中，如图2所示，所述步骤c 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：

c1、对作为标准图像模板的织物图像进行灰度化；

c2、对步骤c1所获得的织物图像进行直方图均衡化；

c3、对步骤c2所获得的织物图像进行分块；

c4、对步骤c3所获得的织物图像进行3*3中值滤波；

c5、将步骤c4所获得的织物图像基于分形模型进行特征参数的提取；

c6、对步骤c4所获得的织物图像进行最优阈值的求解；

c7、将步骤c4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率； 

c8、将步骤c5所提取的特征参数、步骤c6所求得的最优阈值以及步骤c7所求得的二值图像的1值像素百分比率送至计算机保存。

其中，所述步骤c5中提取步骤c4所获得的织物图像的特征参数是基于分形模型法，即是通过对织物疵点的分形特征进行聚类分析来识别织物疵点，其具体步骤如下： 

①、设置步骤c4所获得的织物图像的最小和最大像素块；

②、根据步骤①的像素块大小的要求，选定像素块大小；

③、将织物图像按照步骤②选定的像素块大小进行分割，依次通过计算每个像素块上灰度的最小值、最大值，从而获取该像素块的盒子数；

④、将步骤③求得的各像素块上的盒子数相加，计算出图像覆盖所需的总盒子数；

⑤、计算出对应像素块条件下的分形维数；

⑥、在步骤①确定的像素块大小的范围内，不断改变像素块的大小，并且转到步骤③，直到像素块不再满足步骤①所设置的像素块条件；

⑦、将不同像素块得到的分形维数进行最小二乘拟合，得到标准图像的分形维数，然后再计算标准图像的灰度均值和方差，即可以得到一组表示标准图像的分形维数、图像的平均强度和图像灰度变化的剧烈程度的特征参数数据集。

本发明的技术方案中，所谓分形，通常被人们看作是大小碎片聚集的状态，是没有特征长度的图形、构造以及现象的总称；这类集合的性质不能用欧氏测度来刻划，而维数恰是此类集合尺度变化下的不变量，因此可用维数来刻划这类集合，于是提出了分形维数的概念，即刻划分形集合性质的维数叫分形维数。

通过对自然景物纹理图像的研究，表明自然界中大多数表面映射成的灰度图像是具有相同分形特征的分形表面，分形维数与人类视觉系统对图像粗糙度的感知是一致的；若分形维数越大，则对应的图像表面越粗糙；反之，若分形维数越小，则对应的图像表面越光滑；因此，对于纹理图像，分形维数可以很好地表征纹理的粗糙程度，并且对尺度的变化不敏感；所以，准确地计算图像的分形维数作为图像纹理的特征量就可以较好地对图像进行分割和分类。

对于分形维数，人们从各自的研究领域出发，提出了豪斯道夫维数、计盒维数、信息维数、相似维数和填充维数等许多种定义；由于盒子法具有概念清晰、计算简单的特点，故应用较广；但该方法计算误差偏大，故在实际的工程应用中常采用差分盒子法，该方法覆盖了图像分形维数的较大的动态范围，对粗糙度小的纹理其变化更剧烈，更好地反映了分形维的情况和估计差异。故本发明依据差分盒子法计算盒子维数；其基本思想如下：

假设一图像的的大小为M*M，则将该图像分割成s*s的子块(其中，M ^1/3<s<M/2，s为整数)，令r=s/M，将图像想象成三维空间中的曲面，x，y表示平面位置，z轴表示灰度值，xy平面被分割成许多s*s的网格，在每个网格上，是一列s×s×s的盒子．设图像灰度在第（i，j）网格中的最小值和最大值分别落在第k和第l个盒子中，则：

                                       （1）

是覆盖第(i,j)网格中的图像所需的盒子数，而覆盖整个图像所需的盒子数

为

                                       （2） 

而分形维数为

      

                                  （3）

针对不同的r，计算Nr ，应用最小二乘法拟合，即可求得分形维数D。

通过对差分盒计数法的深入研究，发现该计数法估计覆盖分形曲面的盒子数可能出现“空盒子” 被计数，从而导致盒子数偏多而生产冗余，特别是对那些曲面变化较剧烈的分形图像更为突出；为此，本发明引入“空隙”特征的概念，采用逐段搜索法，提出了有效估计图像分维数的最佳分形盒计数法。

由于分形维数是从图像的整体来描述织物纹理的内在自相似性而忽视了图像的局域信息，因此不同的纹理图像其分形维数可能会非常接近甚至完全相同，为了克服采用单一传统分形特征进行疵点检测的局限性，本发明在特征参数提取时，增加了织物纹理图像的灰度均值和方差两特征参数，以期达到较好的检测效果。

其中，所述步骤c6中最优阈值的选择方法是基于图像二维最大熵的选择方法，即采用由图像像素灰度和邻域平均灰度构成的二维直方图搜索图像的最优阈值。

其中，所谓阈值法是图像分割中最常用的一种技术，其中基于最大熵原则的方法，就是使这样选择阈值获得的信息量最大；一维最大熵阈值算法在图像质量较好和背景稳定变化时，可以取得比较理想的分割结果；但当图像的信噪比较低或图像背景较为复杂时，其效果不佳，二维最大熵图像分割算法，通过采用像素灰度和邻域平均灰度构成的二维直方图搜索阈值，充分利用了图像像素的灰度分布信息和各像素间的空间相关信息，使得图像的分割效果较好。 

假设一m ×n 大小的图像的灰度级数为L，图像k ×k 邻域的平均灰度也有L 级灰度, 总像素点数为N ( N = m ×n) , 其中二维直方图为

,0 ≤i , j ≤L - 1 ,其中i 为像素灰度， j 为邻域平均灰度；如

为图像中点灰度为i及其邻域灰度均值为j 的像素点数,则

可由下式确定：

                                        （4） 

且：

   

                                   （5）

假设图像由目标和背景组成，用最大熵原理确定像素灰度—邻域平均灰度组成的最优阈值（s，t），可使真正代表目标和背景的信息量最大，阈值向量为（s，t），其中，s 表示像素的灰度阈值，而 t 则对应像素的平均灰度阈值，定义离散二维

                  （6） 

其中：

                              （7）

                               （8）

                                 （9）

二维最大熵法本质上是在二维灰度空间上搜索参数，使得目标函数式（6）取得最大值的优化问题；从上面的分析可以看出，对于每个( s , t) 对, 都要从头开始计算

和

,计算比较耗时，实际应用中，为了提高运算速度，必须对二维最大熵法进行优化。

本发明对二维最大熵法的优化是基于混沌变异量子粒子群优化算法进行的，综合考虑二维最大熵原理和量子粒子群优化算法，在二维空间Q = { ( s , t) | 0 ≤s , t ≤L - 1} 里，设置点( s , t) 作为粒子的位置，熵函数式（3）作为评价粒子的适应函数, 通过迭代寻找最优解，也就是让图像二维熵最大的点( s, t) ；因而，本发明所述图像二维最大熵的选择是基于混沌变异量子粒粒子群优化算法进行的，其具体步骤如下：

步骤1：初始化，即设置种群规模、变异概率、迭代次数以及迭代总次数，其中，迭代次数设置为1；

步骤2：判断迭代次数是否大于迭代总次数，若迭代次数大于迭代总次数，则进入步骤7，若迭代次数小于迭代总次数，则进入步骤3；

步骤3：产生0-1之间随机数，若该随机数大于变异概率，则粒子按照量子粒子群算法更新粒子的位置和速度；若该随机数小于变异概率，则粒子按照量子非门进行变异更新；

步骤4：计算每一个粒子的适应度值，若大于该粒子当前位置的个体极值，则将个体最佳设置为该粒子的当前位置，且更新该粒子的个体极值；若所有粒子的个体极值中最大值大于当前全局极值，则将全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；

步骤5：对全局最优粒子进行混沌搜索，若所得结果大于当前全局极值，则全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；

步骤6：迭代次数加1，并且转到步骤2；

步骤7：输出种群的全局最优解。

在上述技术方案中，如图3所示，所述步骤f 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：

f1、对实时拍摄的织物图像进行灰度化；

f2、对步骤f1所获得的织物图像进行直方图均衡化；

f3、对步骤f2所获得的织物图像进行分块；

f4、对步骤f3所获得的织物图像进行3*3中值滤波；

f5、将步骤f4所获得的织物图像基于分形模型进行特征参数的提取；

f6、将步骤f4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率。

其中，将步骤f4所获得的织物图像是基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率，在上述步骤f5中特征参数的提取方法是基于改进分形模型的算法，其具体方法与步骤c5相同，在此不多做阐述。

如图4、5所示，一种基于机器视觉的织物疵点在线自动检测装置，包括摄像机2、计算机3、显示器5和打印疵点标签机构6，所述摄像机2的镜头对准卷布验布机81与导布辊82之间的织物1的表面，所述摄像机2、显示器5和打印疵点标签机构6分别与计算机3通信连接。

如图4、5所示，为了便于测量织物运行的长度，还包括与计算机2通信连接的测长仪4，所述测长仪4位于卷布验布机81与导布辊82之间的织物1的一侧。

如图4、5所示，为了提高摄像机2的拍摄效果，还包括恒定直流光源7，所述恒定直流光源7对准卷布验布机81与导布辊82之间的织物1的表面。

如图4、5所示，为了进一步提高摄像机2的拍摄效果，确保摄像机2所拍出照片的精度高，所述摄像机2和恒定直流光源7均位于卷布验布机81与导布辊82之间的织物表面的上方。其中，位于卷布验布机81与导布辊82之间的织物1沿着图5中箭头方向由导布辊82向卷布验布机81的方向移动。

本发明基于机器视觉的织物疵点在线自动检测装置的摄像机优先选用京大恒图像设备公司的型号为DH-HV1303UC的彩色摄像机，并且固定在卷布验布机上织物正上方1.2m处，其中，摄像机使用的是日本Computar M0814-MP镜头，光圈调到最大值，且增益（其决定图像的反差效果）调为8；触发模式选0（定时触发），其中，恒定直流光源优先选用白色30W大功率LED面光源，并且将恒定直流光源固定在织物的正上方照射，以便能比较稳定地拍摄到清晰的织物图像，并显示在计算机的屏幕上。

由于采用了上述基于机器视觉的织物疵点在线自动检测装置，因而可以实时地检测织物质量和可能存在的疵点，并且及时地对疵点进行报警，打印疵点标签，并标定疵点类型和位置，大大提高了织物质量，降低了工人劳动强度。    

Claims (5)

1.一种基于机器视觉的织物疵点在线自动检测方法，其特征在于：其步骤包括：

a、利用工业摄像机定时拍摄在卷布验布机上织物的图像，并将拍摄织物的图像送至计算机；

b、根据对织物图像的精度要求，设置拍摄清晰图像的摄像机的参数；

c、选择清晰完整的织物图像作为标准图像模板，进行图像算法处理并提取相应的特征参数存贮于计算机，每种类型的织物存贮一幅标准图像模板，所述的特征参数包括织物图像的分形维数                                                

、灰度均值

、方差

和织物的标准图像二值化处理后所得二值图像的1值像素百分比率

；所述步骤c 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：

c1、对作为标准图像模板的织物图像进行灰度化；

c2、对步骤c1所获得的织物图像进行直方图均衡化；

c3、对步骤c2所获得的织物图像进行分块；

c4、对步骤c3所获得的织物图像进行3*3中值滤波；

c5、将步骤c4所获得的织物图像基于分形模型进行织物图像的分形维数 

、灰度均值

和方差

的提取；

c6、对步骤c4所获得的织物图像进行最优阈值的求解；

c7、将步骤c4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率； 

c8、将步骤c5所提取的织物图像的分形维数 

、灰度均值

和方差

、步骤c6所求得的最优阈值以及步骤c7所求得的二值图像的1值像素百分比率

送至计算机保存；

d、根据用户要求设置检测参量的精度范围，所述检测参量包括待测织物的织物图像的分形维数、灰度均值

、方差和织物的实拍图像二值化处理后所得二值图像的1值像素百分比率

；

e、由相机内部的定时信号控制摄像机，实时拍摄卷布验布机上运行织物的图像，并将拍摄的图像传输至计算机供检测；

f、计算机将接收到的实时拍摄织物图像进行图像算法处理，并且提取相应的特征参数；

g、将步骤f中实时拍摄的织物图像所提取的特征参数与步骤c中标准图像模板所提取的特征参数进行对比、分析和判别；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之内，则计算机判断实测织物为合格；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之外，则计算机判断实测织物有疵点，并且打印疵点标签。

2.根据权利要求1所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：所述步骤c5中将步骤c4所获得的织物图像基于分形模型进行特征参数的提取的具体步骤如下： 

①、设置步骤c4所获得的织物图像的最小和最大像素块；

②、根据步骤①的像素块大小的要求，选定像素块大小；

③、将织物图像按照步骤②选定的像素块大小进行分割，依次通过计算每个像素块上灰度的最小值、最大值，从而获取该像素块的盒子数；

④、将步骤③求得的各像素块上的盒子数相加，计算出图像覆盖所需的总盒子数；

⑤、计算出对应像素块条件下的分形维数；

⑥、在步骤①确定的像素块大小的范围内，不断改变像素块的大小，并且转到步骤③，直到像素块不再满足步骤①所设置的像素块条件；

⑦、将不同像素块得到的分形维数进行最小二乘拟合，得到标准图像的分形维数，然后再计算标准图像的灰度均值和方差，即可以得到一组分别表示标准图像的分形维数、图像的平均强度和图像灰度变化的剧烈程度的织物图像的分形维数 

、灰度均值

和方差

数据集。

3.根据权利要求1所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：所述步骤c6中最优阈值的求解是基于图像二维最大熵的选择方法，即采用由图像像素灰度和邻域平均灰度构成的二维直方图搜索图像的最优阈值。

4.根据权利要求3所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：所述图像二维最大熵的选择是基于混沌变异量子粒粒子群优化算法进行的，其具体步骤如下：

步骤1：初始化，即设置种群规模、变异概率、迭代次数以及迭代总次数，其中，迭代次数设置为1；

步骤2：判断迭代次数是否大于迭代总次数，若迭代次数大于迭代总次数，则进入步骤7，若迭代次数小于迭代总次数，则进入步骤3；

步骤3：产生0-1之间随机数，若该随机数大于变异概率，则粒子按照量子粒子群算法更新粒子的位置和速度；若该随机数小于变异概率，则粒子按照量子非门进行变异更新；

步骤4：计算每一个粒子的适应度值，若大于该粒子当前位置的个体极值，则将个体最佳设置为该粒子的当前位置，且更新该粒子的个体极值；若所有粒子的个体极值中最大值大于当前全局极值，则将全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；

步骤5：对全局最优粒子进行混沌搜索，若所得结果大于当前全局极值，则全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；

步骤6：迭代次数加1，并且转到步骤2；

步骤7：输出种群的全局最优解。

5.根据权利要求1所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：所述步骤f 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：

f1、对实时拍摄的织物图像进行灰度化；

f2、对步骤f1所获得的织物图像进行直方图均衡化；

f3、对步骤f2所获得的织物图像进行分块；

f4、对步骤f3所获得的织物图像进行3*3中值滤波；

f5、将步骤f4所获得的织物图像基于分形模型进行织物图像的分形维数、灰度均值

和方差的提取;

f6、将步骤f4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率

。

Images