CN103575743A - 一种本色布自动评分方法 - Google Patents

一种本色布自动评分方法 Download PDF

Info

Publication number
CN103575743A
CN103575743A CN201310570920.2A CN201310570920A CN103575743A CN 103575743 A CN103575743 A CN 103575743A CN 201310570920 A CN201310570920 A CN 201310570920A CN 103575743 A CN103575743 A CN 103575743A
Authority
CN
China
Prior art keywords
fault
scoring
length
warp
flaws
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201310570920.2A
Other languages
English (en)
Inventor
王亦红
薛胜尧
徐晓庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201310570920.2A priority Critical patent/CN103575743A/zh
Publication of CN103575743A publication Critical patent/CN103575743A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明公开一种本色布自动评分方法。将GB/T17759-2009给出的本色布在生产中可能产生的所有71种疵点按4分制评分的标准并基于其特征值分成经向疵点、纬向疵点、横档疵点以及严重疵点四大类,并根据4分制评分标准对每一大类的疵点按其特征值分档且给出相应的评分。这种本色布自动评分方法的实现步骤包括:对采集的本色布图像预处理,并判断有无疵点。如果有疵点,对于预处理后存在疵点的本色布图像,将目标疵点与背景进行分割,并判断目标疵点属于四大类疵点中的哪一类型;根据特征值判断目标疵点在其所属疵点类型中为哪一档,并根据疵点所属的类型及分档,给出评分。本发明可取代人工对本色布评分,具有准确率高、客观性强,评分速度快等优点。

Description

一种本色布自动评分方法
技术领域
本发明涉及一种本色布自动评分方法,尤其是一种基于《本色布布面面疵点检测方法》(GB/T17759-2009)中4分制评分标准的本色布自动评分方法,属于本色布质量检测技术领域。
背景技术
目前,我国纺织工人依据国家颁布的《本色布布面疵点检测方法》国家标准(GB/T17759-2009)对本色布的质量进行评分。人工评分的效率较低,其结果不可避免地受到人为因素的影响。以一种基于图像处理技术的本色布自动评分方法代替人工评分,不仅可以保证评分结果的客观性和准确性,提高评分效率,而且可以促进纺织产业升级,提升其竞争力。
发明内容
发明目的:针对现有技术中存在的问题,本发明一种本色布自动评分方法,以机器视觉代替人工,并依据《本色布布面疵点检测方法》国家标准(GB/T17759-2009)中的4分制对本色布的质量进行评分,从而提高评分效率并使评分的结果更为客观和准确。其中,《本色布布面疵点检测方法》(GB/T17759-2009)国家标准,4分制评分如表1所示。
表1本色布疵点(4分制)人工分类和评分表
Figure BDA0000415479050000011
技术方案:一种本色布自动评分方法,包括如下步骤:
第一步,采集本色布图像,并进行预处理。判断有无疵点。如果没有疵点,判断评分有无结束,没有结束,则继续采集下一幅图像。如果有疵点,则需进入第二步。
第二步,对疵点分类。分类方法包含以下步骤:
1.用垂直于经向和纬向的标准矩形窗将图像中整个疵点区域框出,参见图1。标准矩形窗的纬向与经向长度之比用p1表示。p1将作为表征疵点的特征值。大于0且小于1的临界阈值用P表示,即1<1/P<∞。若P<p1≤1/P,则该疵点为块状疵点;若p1≤P或p1>1/P,则该疵点为条状疵点。
2.条状疵点根据特征值p1按以下条件分类:若p1≤P,则该疵点为经向疵点;否则,为非经向条状疵点。
非经向条状疵点根据特征值p1和参数因子λ(λ>1)按以下条件细分:若1/P<p1≤λ/P,则该疵点为纬向疵点;若p1>λ/P,则该疵点为横档疵点。
3.块状疵点用面积最小的矩形窗将其框出,参见图2。该矩形窗的长边与短边之比p2作为表征块状疵点的另一个特征值。若p2>1/P,则该疵点为方向明显的块状疵点;若p2≤1/P,则该疵点为方向不明显的块状疵点。
4.方向明显的块状疵点根据特征值p1按以下条件细分:若p1≤1,则为经向疵点;若p1>1,则为纬向疵点。
5.方向不明显块状疵点根据其图像的平均灰度值(用t表示)以及无疵点本色布图像的平均灰度值(用T表示)按以下条件细分:若|t-T|≤δT(δ为系数因子),则该疵点为严重疵点,否则为经向疵点。
通过上述五个步骤将《本色布布面疵点检测方法》(GB/T17759-2009)给出的生产中本色布可能产生的71种疵点按表1中4分制评分要求分为经向疵点、纬向疵点、横档疵点以及严重疵点四类。本发明采用的逐级细化的分类方法参见图3。
第三步,根据4分制评分要求,分别按以下条件对经向疵点、纬向疵点、横档疵点和严重疵点分档和评分。
1、经向疵点分档评分
将经向疵点的经向长度作为疵点评分长度width:width≤8时,评1分;8<width≤16时,评2分;16<width≤24时,评3分;当width>24时,评4分。
2、纬向疵点分档评分
将纬向疵点的纬向长度作为疵点评分长度length:length≤8时,评1分;8<length≤16时,评2分;16<length≤24时,评3分;length>24时,评4分。
3、横档疵点分档评分
将横档疵点的纬向长度作为疵点评分长度(length):length≤0.5×LENGTH(LENGTH是整幅图像在纬向上的实际长度)时,评3分;length>0.5×LENGTH时,评4分。
4、严重疵点分档评分
严重疵点根据其长度和织线根数两个特征值分档评分。其中,评分长度取其经向长度和纬向长度中的大者;纬线根数取严重疵点在经向上投影的像素点个数与经向纹理周期比值的整数部分,经线根数取严重疵点在纬向上投影的像素点个数与纬向纹理周期比值的整数部分,评分织线根数取纬线根数和经线根数中的大者。
严重疵点评分步骤如下:首先,求出疵点的评分长度,并根据评分长度评分:当长度小于1cm时,评3分;其它的评4分。其次,求出疵点评分织线根数,并根据织线根数评分:当织线根数小于等于3时,评3分;其它的评4分。然后,比较基于长度所得的评分和基于织线根数所得的评分。最后,取较大者作为最终的评分。
第四步,判断检测是否结束。如果没有结束,回第一步开始采集下一幅图像。
有益效果:与现有技术相比,本发明提供的本色布自动评分方法,可取代人工对本色布评分,具有准确率高、客观性强,评分速度快等优点。
附图说明
图1是本色布疵点外接标准矩形窗的示意图;图中,大的矩形是采集到的整幅本色布图像,椭圆代表疵点,其外接矩形是标准矩形窗;另外,为方便阐述,进行了归一化处理;图中,短边用1表示;
图2是本色布块状类疵点外接面积最小矩形窗的示意图,为方便阐述,进行了归一化处理;图中,短边用1表示;
图3是本发明的本色布疵点分类示意图;
图4是本发明的方法流程图;
图5是本发明实施例的本色布疵点分类流程图;
图6是本发明实施例的经向疵点分档和评分流程图;
图7是本发明实施例的纬向疵点分档和评分流程图;
图8是本发明实施例的横档疵点分档和评分流程图。
图9是本发明实施例的严重疵点分档和评分流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图4所示,本色布自动评分方法,包括如下步骤:
第一步,采集本色布图像,并进行预处理。判断有无疵点。如果有疵点,进入第二步。否则进入第四步。
第二步,采用三级分类法对疵点图像的疵点进行分类。
一级分类:
对疵点外加标准矩形窗。依据标准矩形窗的长宽比p1分类。如果p1≤P或者p1>1/P,则为条状疵点;否则为块状疵点。其中,P通过实验统计所得,经验值取0.4。
二级分类:
条状疵点根据p1进一步细分。如果p1≤P,则为经向疵点。否则,为非经向疵点。
对块状疵点外加面积最小的矩形窗。根据面积最小的矩形窗的长宽比p2分类。如果p2>1/P,则为方向明显的块状疵点;如果p2≤1/P,则为方向不明显的块状疵点。
三级分类:
非经向疵点按以下条件进一步细分:如果1/P<p1≤λ/P,其中λ为大于1的参考因子,并且其经验值取3,则该非经向疵点为纬向疵点;否则为横档疵点。
方向明显的块状疵点根据p1细分:如果p1≤1,则为经向疵点;否则为纬向疵点。
方向不明显的块状疵点根据疵点图像的平均灰度值t和无疵点图像的平均灰度值进一步细分。如果|t-T|≤δT,则为经向疵点,否则为严重疵点。系数因子δ的经验值取0.08。
基于图像处理技术,根据GB/T17759-2009的4分制评分要求,按上述步骤对本色布疵点进行分类的流程图如图5所示。
第三步,对已经分类的疵点按以下条件分档和评分
1、经向疵点按其经向长度width分档和评分
根据整幅图像在经向上的像素点个数(用W表示)及其实际长度(用WIDTH表示),以及疵点像素在经向上的投影(用w表示),width可按以下公式求得:
width = w &times; WIDTH W - - - ( 1 )
当width≤8时,评1分;8<width≤16时,评2分;16<width≤24时,评3分;当width>24时,评4分。
基于GB/T17759-2009的4分制评分要求对经向疵点实现分档评分的流程图如图6所示。
2、纬向疵点按其纬向长度length分档和评分长
根据整幅图像在纬向上的像素点个数(用L表示)和其实际长度(用LENGTH表示),以及疵点像素在纬向上的投影(用l表示),length可按以下公式求得:
length = l &times; LENGTH L - - - ( 2 )
基于GB/T17759-2009的4分制评分要求对纬向疵点实现分档评分的流程图如图7所示。
3、横档疵点的分档和评分
根据GB/T17759-2009对横档疵点的定义,此类疵点纬向长度明显大于经向长度,因此横档疵点按其纬向长度length分档和评分长。根据公式(2)计算出横档疵点的纬向长度length。当length≤0.5×LENGTH时,评3分;length>0.5×LENGTH时,评4分。横档疵点的分档和评分的流程图如图8所示。
4、严重疵点的分档和评分
根据公式(1)和公式(2)分别求出严重疵点的经向长度和纬向长度,并取两者中长度较大者作为严重疵点分档和评分的依据。
根据严重疵点在纬向上的投影l以及纬向纹理周期Twei,按以下公式(3)计算,并对计算结果取整。该整数值即为严重疵点的经线根数。
m = [ l T wei ] - - - ( 3 )
根据严重疵点在经向上的投影w以及经向纹理周期Tjing,按以下公式(4)计算,并对计算结果取整。该整数值即为严重疵点的纬线根数。
n = [ w T jing ] - - - ( 4 )
根据公式(3)和公式(4)求出严重疵点的经线根数和纬线根数,并取两者中根数较小者作为严重疵点分档和评分的依据。
若严重疵点以评分长度为依据评分,则长度小于1cm时,评3分。否则,评4分。若严重疵点以参与评分的织线根数为依据,则织线根数小于等于3时,评3分。否则,评4分。
在上述评分基础上,比较两种评分结果,取分值较大者作为最后的评分结果。基于GB/T17759-2009的4分制评分要求对严重疵点的分档和评分的流程图如图9所示。
第四步,判断检测是否结束。若没有,采集下一幅图像,继续检测。

Claims (4)

1.一种本色布自动评分方法,以GB/T17759-2009中的4分制评分标准为依据,其特征在于,包括如下步骤:
图像采集、预处理和判断疵点有无;将预处理后的有疵点本色布图像中的目标疵点与背景进行分割,并根据疵点的特征值判断目标疵点属于经向疵点、纬向疵点、横档疵点以及严重疵点四类中的哪一类;然后,再根据该目标疵点的特征值判断其在所属的疵点类型中属于哪一档;最后,根据疵点所属的类型及分档,给出评分。
2.根据权利要求1所述的本色布自动评分方法,其特征在于,所述本色布在生产中可能产生的全部疵点分为点四大类的方法为:
对于含有疵点的图像,用垂直于经向和纬向的标准矩形窗将图像中整个疵点区域框出;标准矩形窗的纬向与经向长度比值p1将作为表征疵点的特征值;根据p1和临界阈值P初步分为块状疵点和条状疵点。
根据p1、P以及参数因子λ将条状疵点分为经向疵点、纬向疵点和横档疵点;
对于块状疵点,将引入最小面积外接矩形窗;最小面积外接矩形窗中较长边与较短边的比值p2作为表征块状疵点的另一个特征值;根据p2和P将块状疵点分为方向明显的块状疵点和方向不明显的块状疵点;
根据特征值p1将方向明显的块状疵点分为经向疵点和纬向疵点;
根据方向不明显块状疵点的平均灰度值t、无疵点标准图像平均灰度值T以及系数因子δ,将方向不明显的块状疵点分为严重疵点和经向疵点。
3.根据权利要求2所述的本色布自动评分方法,其特征在于,所述临界阈值P取0.4,参数因子λ取3,系数因子δ取0.08。
4.根据权利要求1所述的本色布自动评分方法,其特征在于,根据GB/T17759-2009中4分制评分标准,从图像处理技术角度,分别对经向疵点、纬向疵点、横档疵点以及严重疵点四大类疵点分档,分档方法为:
将经向疵点的经向长度作为疵点分档长度width;按width的大小分档评分;
将纬向疵点的纬向长度作为疵点分档长度length;按length的大小分档评分;
将横档疵点的纬向长度作为疵点评分长度length;根据length以及整幅图像在纬向上的实际长度LENGTH分档评分;
严重疵点将根据其长度和织线根数两个特征值分档评分;其中,评分长度取其经向长度和纬向长度中的大者;纬线根数取严重疵点像素点在经向上投影的像素点个数与经向纹理周期比值的整数部分,经线根数取疵点像素点在纬向上投影的像素点个数与纬向纹理周期比值的整数部分,评分织线根数取纬线根数和经线根数中的大者;然后,比较基于长度所得的评分和基于织线根数所得的评分;最后,取较大者作为最终的评分。
CN201310570920.2A 2013-11-13 2013-11-13 一种本色布自动评分方法 Pending CN103575743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310570920.2A CN103575743A (zh) 2013-11-13 2013-11-13 一种本色布自动评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310570920.2A CN103575743A (zh) 2013-11-13 2013-11-13 一种本色布自动评分方法

Publications (1)

Publication Number Publication Date
CN103575743A true CN103575743A (zh) 2014-02-12

Family

ID=50047978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310570920.2A Pending CN103575743A (zh) 2013-11-13 2013-11-13 一种本色布自动评分方法

Country Status (1)

Country Link
CN (1) CN103575743A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268505A (zh) * 2014-09-12 2015-01-07 河海大学常州校区 基于机器视觉的布匹疵点自动检测识别装置及方法
CN106157314A (zh) * 2015-12-23 2016-11-23 河海大学 一种造纸设备的实时故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1760437A (zh) * 2005-11-10 2006-04-19 东华大学 一种自动验布等级客观评定系统
CN1948603A (zh) * 2006-11-10 2007-04-18 苏州大学 一种识别机织物疵点的方法
JP2012093315A (ja) * 2010-10-28 2012-05-17 Microtek Internatl Inc 光学的自動検査システム及び方法
CN102879401A (zh) * 2012-09-07 2013-01-16 西安工程大学 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1760437A (zh) * 2005-11-10 2006-04-19 东华大学 一种自动验布等级客观评定系统
CN1948603A (zh) * 2006-11-10 2007-04-18 苏州大学 一种识别机织物疵点的方法
JP2012093315A (ja) * 2010-10-28 2012-05-17 Microtek Internatl Inc 光学的自動検査システム及び方法
CN102879401A (zh) * 2012-09-07 2013-01-16 西安工程大学 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
中华人民国和国国家质量检督检验检疫总局: "《中华人民共和国国家标准》", 21 April 2009 *
王璜: "基于机器视觉的纺织品外观疵点检测与质量评价的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268505A (zh) * 2014-09-12 2015-01-07 河海大学常州校区 基于机器视觉的布匹疵点自动检测识别装置及方法
CN104268505B (zh) * 2014-09-12 2017-08-11 河海大学常州校区 基于机器视觉的布匹疵点自动检测识别装置及方法
CN106157314A (zh) * 2015-12-23 2016-11-23 河海大学 一种造纸设备的实时故障诊断方法
CN106157314B (zh) * 2015-12-23 2018-12-14 河海大学 一种造纸设备的实时故障诊断方法

Similar Documents

Publication Publication Date Title
CN101793501B (zh) 一种基于图像的输电线覆冰状态检测方法
CN103440654B (zh) 一种lcd异物缺陷检测方法
CN102930547A (zh) 风力传送条件下棉花异性纤维图像在线分割方法及系统
CN102508110A (zh) 基于纹理的绝缘子缺陷诊断方法
CN102332094B (zh) 半监督在线学习人脸检测方法
Jadhav et al. A fruit quality management system based on image processing
CN103425984B (zh) 一种检测票据中正多边形印章的方法和装置
CN103440478A (zh) 一种基于hog特征的人脸检测方法
CN103020609B (zh) 复杂纤维图像的识别方法
CN101710081A (zh) 基于图像纹理与分形维数的机械零件表面缺陷检测方法
CN110514675A (zh) 一种标签的智能检测方法及系统
CN101403678A (zh) 不锈钢铸坯夹杂物金相自动检测方法
CN105354831A (zh) 一种基于图像分块方差-加权特征值的多缺陷检测方法
CN103471973A (zh) 一种图像法测定织物孔隙特征的方法
CN104677908A (zh) 基于机器视觉的冲裁断面质量检测系统及方法
CN103530644A (zh) 条纹织物组织结构自动识别方法
CN103345632A (zh) 一种电池尾端表面划痕缺陷检测方法
CN109934808A (zh) 一种基于图像多形状法向梯度差值pcb板缺陷分类方法
CN103575743A (zh) 一种本色布自动评分方法
CN105821538A (zh) 细纱断裂的检测方法和系统
CN103743760A (zh) 一种pcb板的线路检测方法
CN109309022A (zh) 一种缺陷抽检方法
CN106353340A (zh) 一种棒状高反射率零件表面缺陷检测方法
DE102013005489B4 (de) Verfahren und Vorrichtung zur automatischen Fehlerstellenerkennung bei biegeschlaffen Körpern
CN112801965A (zh) 一种基于卷积神经网络的烧结皮带异物监测方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140212