CN104198498A - 基于自适应正交小波变换的布匹疵点检测方法及装置 - Google Patents
基于自适应正交小波变换的布匹疵点检测方法及装置 Download PDFInfo
- Publication number
- CN104198498A CN104198498A CN201410467061.9A CN201410467061A CN104198498A CN 104198498 A CN104198498 A CN 104198498A CN 201410467061 A CN201410467061 A CN 201410467061A CN 104198498 A CN104198498 A CN 104198498A
- Authority
- CN
- China
- Prior art keywords
- pass filter
- cloth
- warp
- broadwise
- wise
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于自适应正交小波变换的布匹疵点检测方法及装置,取代人工目测和原来的先由人工进行小波基的选择,然后进行基于小波变换的疵点自动检测方法,克服了传统人工目测检测速度慢、效率低、误检、漏检率高等缺陷以及原来的基于小波变换的疵点检测方法中由于未对小波基进行优化所引起的检测精度不高的问题。采用基于改进的量子旋转门量子遗传算法选择与布匹纹理匹配的最优小波基,采用动态策略调整量子旋转角,实现精细的自适应搜索,引入变异操作丰富种群,并且融入混沌搜索使算法具有更好的寻优能力。本发明的疵点检测方法速度快、准确度高、操作简单、效率高,具有良好的应用前景。
Description
技术领域
本发明涉及一种基于自适应正交小波变换的布匹疵点检测方法及装置。
背景技术
早期,布匹的质量检测通常是由检验人员进行人工目测,检验结果受检验人员的熟练程度、身体状况、车间环境等主观因素影响大,这种方法极易造成视觉疲劳、劳动强度大,而且存在检测效率低、漏检率和误检率高等弊端,因而急需发展快速、高效、准确度高的布匹疵点自动检测识别系统代替人工目测。
机器视觉就是以机器自动化系统代替人眼来做测量和判断。相对于人工检测来说,机器视觉则可以长时间地作测量、分析和识别任务,而且机器视觉属于非接触测量,对观测者与被观测者都不会产生任何损伤,从而提高系统的可靠性。
小波变换具有空—频域多尺度、多分辨率的特点,能够有效地从图像中提取布匹纹理信息。近年来,基于小波变换的织物疵点自动检测得到了广泛的认可和研究,但目前的基于小波分析的疵点检测方法中使用的小波基均为人工选择,不能保证小波基与织物纹理的匹配,最终导致布匹疵点检测精确度不够。
发明内容
针对上述问题,本发明提供一种基于自适应正交小波变换的布匹疵点检测方法及装置,基于改进的量子旋转门量子遗传算法和小波变换的方法对布匹疵点进行检测,采用优化过的正交小波基对布匹疵点检测,大大提高了检测精度和准确度。操作简单、效率高,具有良好的应用前景。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
基于自适应正交小波变换的布匹疵点检测方法,其特征在于,包括如下步骤:
步骤1:获取无疵点的布匹图像并作为标准布匹图像输入计算机;
步骤2:采用改进的量子旋转门量子遗传算法得到与标准布匹图像纹理相匹配的最优小波基;
步骤3:提取标准布匹图像的特征参数,所述特征参数包括布匹分块图像的熵值数组和方差数组;
步骤4:设定检测特征参数的误差范围;
步骤5:实时拍摄卷布验布机上的待测布匹图像;
步骤6:提取步骤5所述待测布匹图像的特征参数,所述特征参数包括布匹分块图像的熵值数组和方差数组;
步骤7:将待测布匹图像的特征参数与标准布匹图像的特征参数依次对比分析,若待测布匹图像所提取的熵值数组和方差数组均在标准布匹图像的熵值误差范围σei和方差的误差范围σvi内,则判断布匹合格,转到步骤5继续检测,否则,判断布匹不合格。
优选,当判断布匹不合格时,记录超出误差范围的经纬子分块,进行疵点定位,输出布匹疵点报告,并转到步骤5继续检测。
基于自适应正交小波变换的布匹疵点检测装置,其特征在于,包括计算机、待测布匹、横梁装置,所述横梁装置上设置有与计算机相连的摄像机以及若干个均匀分布的LED灯,所述LED灯下方设置有卷布机与导布辊,所述待测布匹设置在卷布机与导布辊之间。
本发明在实现基于小波变换的布匹疵点在线自动检测时,引用基于改进的量子旋转门量子遗传算法实现对小波基的优化,增大了小波基与布匹纹理的匹配程度,提高了计算精度,降低了自动检测的误检率和漏检率。克服原来的基于小波变换的疵点检测方法中由于未对小波基进行优化所引起的检测精度不高的问题
本发明的有益效果是:本发明取代人工目测和原来的先由人工进行小波基的选择,然后进行基于小波变换的疵点自动检测方法,克服了传统人工目测检测速度慢、效率低、误检、漏检率高等缺陷以及原来的基于小波变换的疵点检测方法中由于未对小波基进行优化所引起的检测精度不高的问题。采用基于改进的量子旋转门量子遗传算法选择与布匹纹理匹配的最优小波基,采用动态策略调整量子旋转角,实现精细的自适应搜索,引入变异操作丰富种群,并且融入混沌搜索使算法具有更好的寻优能力。本发明的疵点检测方法速度快、准确度高、操作简单、效率高,具有良好的应用前景。
附图说明
图1是本发明基于自适应正交小波变换的布匹疵点检测方法的流程图;
图2是本发明改进的量子旋转门量子遗传算法选择最优小波基的流程图;
图3是本发明提取标准布匹图像的特征参数的流程图;
图4是本发明提取待测布匹图像的特征参数的流程图;
图5是本发明基于自适应正交小波变换的布匹疵点检测装置的结构示意图;
附图的标记含义如下:
1:计算机;2:摄像机;3:待测布匹;4:卷布机;5:导布辊;6:LED灯;7:横梁装置。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,基于自适应正交小波变换的布匹疵点检测方法,包括如下步骤:
步骤1:获取无疵点的布匹图像并作为标准布匹图像输入计算机,比如可以利用工业摄像机拍摄无疵点的布匹图像,并将获取的布匹图像作为标准布匹图像送入计算机。
步骤2:采用改进的量子旋转门量子遗传算法得到与标准布匹图像纹理相匹配的最优小波基,并将最优小波基存入计算机。
步骤3:提取标准布匹图像的特征参数存储于计算机,其中特征参数包括布匹分块图像的熵值数组和方差数组。
步骤4:设定检测特征参数的误差范围存入计算机,其中,误差范围可以根据用户需求进行设定,假设熵值误差范围是σei、方差的误差范围是σvi。
步骤5:实时拍摄卷布验布机上的待测布匹图像,比如利用工业摄像机实时拍摄卷布验布机上的待测布匹图像,并将待测布匹图像送至计算机。
步骤6:提取步骤5所述待测布匹图像的特征参数,所述特征参数包括布匹分块图像的熵值数组和方差数组。需说明的是,步骤6与步骤3中,提取布匹图像的特征参数的过程相同。
步骤7:将待测布匹图像的特征参数与标准布匹图像的特征参数依次对比分析,若待测布匹图像所提取的熵值数组和方差数组均在标准布匹图像的熵值误差范围σei和方差的误差范围σvi内,则判断布匹合格,转到步骤5继续检测,否则,判断布匹不合格。
优选,在步骤7中,当判断布匹不合格时,记录超出误差范围的经、纬子分块,进行疵点定位,输出布匹疵点报告,并转到步骤5继续检测。
下面对各个步骤的优选实施例进行详细描述。
优选,如图2所示,步骤2具体包括以下步骤:
步骤2a:引用构造紧支撑正交小波基的必要条件构造自适应小波库,即根据式(1)、(2)、(3)构造自适应小波基库,将构造的小波基库作为群体规模:
式中:k=0,1,...N-1(N为滤波器长度);l=0,1,2,3;δ0,J为正交单位矩阵;h(k)为小波基系数。
设定滤波器长度是N,计算满足式(1)、(2)、(3)的小波基系数,存储小波基系数作为小波库,将构造的小波库作为群体规模。
步骤2b:从小波基库中选择一个小波基固定为经向低通滤波器系数,对纬向低通滤波器系数进行寻优,具体步骤为:
(2b01)设置种群规模popsize,运行总代数gen,运行代数g=1,变异概率pm;
(2b02)种群初始化。随机产生M个染色体,并将各个个体的量子概率幅初始化为;
(2b03)种群测量。对每个个体进行一次坍塌测量,使每个个体从不确定的概率状态转换为确定状态,即观测态。测量方法是:随机产生[0,1]之间的一个数,若随机数大于量子概率幅的平方,则测量值为1;反之,测量值为0;
(2b04)计算个体适应度,把每个个体对应的小波基作为纬向低通滤波器系数,采用所选纬向、经向的低通滤波器系数及其分别对应的高通滤波器系数对标准布匹纹理图像进行小波分解,得到纬向和经向子图像,并计算纬向子图像的适应度值。其中:高通滤波器系数由以下公式求得:
g(N-1-k)=(-1)k+1h(k) (4)
纬向子图像的适应度值由以下公式求得:
其中:Eh表示纬向子图像最小能量;HL(x,y)为经过小波分解后的纬向子图像的像素值,f代表图像像素坐标的集合,g(N-1-k)是高通滤波器系数;
(2b05)对步骤(2b04)所得最优个体进行混沌搜索,如果所得个体适应度值小于原最优适应度值,则更新最优个体和对应的适应度值;
(2b06)令g=g+1,如果g>gen,则转步骤(2b10);
(2b07)种群更新。利用量子旋转门对个体实施调整,得到新的种群;
(2b08)种群变异。根据变异概率对种群个体进行变异操作;
(2b09)返回步骤(2b03);
(2b10)输出纬向最优小波基作为纬向最优低通滤波器系数,以及该低通滤波器系数对应的最优高通滤波器系数;
步骤2c:从小波基库中选择一个小波基固定为纬向低通滤波器系数,对经向低通滤波器系数进行寻优,其步骤同步骤2b相同,具体为:
(2c01)设置种群规模popsize,运行总代数gen,运行代数g=1,变异概率pm;
(2c02)种群初始化。随机产生M个染色体,并将各个个体的量子概率幅初始化为;
(2c03)种群测量。对每个个体进行一次坍塌测量,使每个个体从不确定的概率状态转换为确定状态,即观测态。测量方法是:随机产生[0,1]之间的一个数,若随机数大于量子概率幅的平方,则测量值为1;反之,测量值为0;
(2c04)计算个体适应度,把每个个体对应的小波基作为经向低通滤波器系数,采用所选纬向、经向的低通滤波器系数及其分别对应的高通滤波器系数对标准布匹纹理图像进行小波分解,得到纬向和经向子图像,并计算经向子图像的适应度值。其中:高通滤波器系数由公式(4)求得,经向子图像的适应度值由以下公式求得:
式中:Ev表示经向子图像最小能量;LH(x,y)为经过小波分解后的经向子图像的像素值,f代表图像像素坐标的集合;
(2c05)对步骤(2c04)所得最优个体进行混沌搜索,如果所得个体适应度值小于原最优适应度值,则更新最优个体和对应的适应度值;
(2c06)令g=g+1,如果g>gen,则转步骤(2c10);
(2c07)种群更新。利用量子旋转门对个体实施调整,得到新的种群;
(2c08)种群变异。根据变异概率对种群个体进行变异操作;
(2c09)返回步骤(2c03);
(2c10)输出经向最优小波基作为经向最优低通滤波器系数,以及该低通滤波器系数对应的最优高通滤波器系数。
步骤2d:分别保存纬向最优低通滤波器系数、与其对应的高通滤波器系数和经向最优低通滤波器系数、与其对应的高通滤波器系数。
优选,如图3和图4所示,所述步骤3和步骤6具体包括以下步骤:
步骤3a:对标准布匹图像进行灰度变换;
步骤3b:对步骤3a所得布匹图像进行3*3均值滤波;
步骤3c:对步骤3b所得布匹图像进行直方图均衡化;
步骤3d:使用步骤2中采用的基于改进的量子旋转门量子遗传算法寻优得到的、与标准布匹纹理相匹配的最优小波基对步骤3c所得布匹图像进行一层小波分解;
优选,对布匹图像进行一层小波分解采用mallat算法,包括以下具体步骤
步骤3d01:用纬向最优低通滤波器和高通滤波器分别对布匹图像每行进行滤波,并只取偶数行,得到两个是原始图像一半大小的图像;
步骤3d02:用经向最优低通滤波器和高通滤波器分别对步骤3d01所得图像每列进行滤波,并只取偶数行,得到四个是原始图像四分之一的图像;其中,经过纬向低通滤波器和经向高通滤波器得到布匹纹理图像纬向方向信息,即纬向子图像;经过经向低通滤波器和纬向高通滤波器得到布匹纹理图像经向方向信息,即经向子图像。
步骤3e:对步骤3d所得布匹图像的纬向子图像和经向子图像分别进行横向和纵向分割,分别得到大小相等的P个纬向矩形子分块Imai(i=1,2,3......P)和经向矩形子分块Imbi(i=1,2,3......P)。优选,P等于40,每次提供40*4次的标准布匹图像与待测布匹图像对比,大大提高了检验准确度。
提取矩形子分块Imai的熵值数组Eh(i)和方差数组Vh(i),提取矩形子分块Imbi的熵值数组Ev(i)和方差数组Vv(i),存入计算机。
在步骤7中,当判断布匹不合格时,记录超出误差范围的经、纬子分块,进行疵点定位,输出布匹疵点报告,具体包括以下步骤:
步骤6a:确定存在疵点的纬向子分块:分别记录超出纬向熵值误差范围和方差误差范围的纬向子分块,若二者之间有一个超出设定的误差范围,则判断该纬向子分块存在疵点。
步骤6b:确定存在疵点的经向子分块:分别记录超出经向熵值误差范围和方差误差范围的经向子分块,若二者之间有一个超出设定的误差范围,则判断该经向子分块存在疵点。
步骤6c:疵点定位:找出步骤6a、6b中存在疵点的经、纬子分块对应原图中的位置,经、纬子分块在原图中的交叉的位置,即为疵点存在的位置。
步骤6d:输出布匹疵点报告。
上述步骤1和步骤5中所述无疵点和待测的布匹均为未经印染加工的机织坯布,优选,工业摄像机拍摄的图像分辨率为640*640像素。
基于自适应正交小波变换的布匹疵点检测装置,包括计算机1、待测布匹3、横梁装置7,所述横梁装置7上设置有与计算机1相连的摄像机2以及若干个均匀分布的LED灯6,所述LED灯6下方设置有卷布机4与导布辊5,所述待测布匹3设置在卷布机4与导布辊5之间。其中,优选,摄像机2的图像分辨率为640*640像素,LED灯6是大功率LED灯,大功率LED灯均匀分布于待测布匹3上方,能够使摄像机2拍摄到清晰的布匹图像,提高检测的精确度。
可以选用北京大恒图像设备公司的型号DH‐HV1303UC摄像机和ComputarM1614‐MP镜头,计算机用于存入标准布匹图像与待测布匹图像采用自适应正交小波变换后提取的特征参数的数据信息,并进行对比,输出对比后布匹的疵点报告,供用户观察和分析。
本发明取代人工目测和原来的先由人工进行小波基的选择,然后进行基于小波变换的疵点自动检测方法,克服了传统人工目测检测速度慢、效率低、误检、漏检率高等缺陷以及原来的基于小波变换的疵点检测方法中由于未对小波基进行优化所引起的检测精度不高的问题。采用基于改进的量子旋转门量子遗传算法选择与布匹纹理匹配的最优小波基,采用动态策略调整量子旋转角,实现精细的自适应搜索,引入变异操作丰富种群,并且融入混沌搜索使算法具有更好的寻优能力。
采用基于量子旋转门的量子遗传算法,结合适应度函数的优选,能够从小波库中优化得到与织物纹理特征匹配的最优小波基,提高布匹检测的精确度,降低检验人员的工作强度,提高劳动生产率。疵点检测方法速度快、准确度高、操作简单、效率高,具有良好的应用前景。
在实现小波分解时,采用的是与布匹纹理匹配的最优小波基,而非传统的由人工选择的正交小波基。该自适应小波变换算法是以小波基所满足的正交归一化条件为基础,以分解出高频子图像中能量最大像素灰度最小为约束条件,通过改进的量子旋转门量子遗传算法自适应选择与织物纹理特征相匹配的小波基。自适应正交小波算法在运算时间增加不大的情况下,能够找出与布匹纹理相匹配的最优小波基,能够最大程度提取布匹的经向和纬向纹理信息,增大含疵点布匹纹理与标准布匹纹理特征参数的反差,提高了检验精确度。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换,或者直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.基于自适应正交小波变换的布匹疵点检测方法,其特征在于,包括如下步骤:
步骤1:获取无疵点的布匹图像并作为标准布匹图像输入计算机;
步骤2:采用改进的量子旋转门量子遗传算法得到与标准布匹图像纹理相匹配的最优小波基;
步骤3:提取标准布匹图像的特征参数,所述特征参数包括布匹分块图像的熵值数组和方差数组;
步骤4:设定检测特征参数的误差范围;
步骤5:实时拍摄卷布验布机上的待测布匹图像;
步骤6:提取步骤5所述待测布匹图像的特征参数,所述特征参数包括布匹分块图像的熵值数组和方差数组;
步骤7:将待测布匹图像的特征参数与标准布匹图像的特征参数依次对比分析,若待测布匹图像所提取的熵值数组和方差数组均在标准布匹图像的熵值误差范围σei和方差的误差范围σvi内,则判断布匹合格,转到步骤5继续检测,否则,判断布匹不合格。
2.根据权利要求1所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,在步骤7中,当判断布匹不合格时,记录超出误差范围的经纬子分块,进行疵点定位,输出布匹疵点报告,并转到步骤5继续检测。
3.根据权利要求1所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2a:根据式(1)、(2)、(3)构造自适应小波基库,将构造的小波基库作为群体规模:
式中:k=0,1,...N-1(N为滤波器长度);l=0,1,2,3;δ0,J为正交单位矩阵;h(k)为小波基系数;
步骤2b:从小波基库中选择一个小波基固定为经向低通滤波器系数,对纬向低通滤波器系数进行寻优,具体步骤为:
(2b01)设置种群规模popsize,运行总代数gen,运行代数g=1,变异概率pm;
(2b02)种群初始化:随机产生M个染色体,并将各个个体的量子概率幅初始化为;
(2b03)种群测量:对每个个体进行一次坍塌测量,使每个个体从不确定的概率状态转换为确定状态;
(2b04)计算个体适应度:把每个个体对应的小波基作为纬向低通滤波器系数,采用所选纬向、经向的低通滤波器系数及其分别对应的高通滤波器系数对标准布匹纹理图像进行小波分解,得到纬向和经向子图像,并计算纬向子图像的适应度值:其中:高通滤波器系数由以下公式求得:
g(N-1-k)=(-1)k+1h(k) (4)
纬向子图像的适应度值由以下公式求得:
其中:Eh表示纬向子图像最小能量;HL(x,y)为经过小波分解后的纬向子图像的像素值,f代表图像像素坐标的集合;
(2b05)对步骤(2b04)所得最优个体进行混沌搜索,如果所得个体适应度值小于原最优适应度值,则更新最优个体和对应的适应度值;
(2b06)令g=g+1,如果g>gen,则转步骤(2b10);
(2b07)种群更新:利用量子旋转门对个体实施调整,得到新的种群;
(2b08)种群变异:根据变异概率对种群个体进行变异操作;
(2b09)返回步骤(2b03);
(2b10)输出纬向最优小波基作为纬向最优低通滤波器系数,以及该低通滤波器系数对应的最优高通滤波器系数;
步骤2c:从小波基库中选择一个小波基固定为纬向低通滤波器系数,对经向低通滤波器系数进行寻优,具体步骤为:
(2c01)设置种群规模popsize,运行总代数gen,运行代数g=1,变异概率pm;
(2c02)种群初始化:随机产生M个染色体,并将各个个体的量子概率幅初始化为;
(2c03)种群测量:对每个个体进行一次坍塌测量,使每个个体从不确定的概率状态转换为确定状态;
(2c04)计算个体适应度,把每个个体对应的小波基作为经向低通滤波器系数,采用所选纬向、经向的低通滤波器系数及其分别对应的高通滤波器系数对标准布匹纹理图像进行小波分解,得到纬向和经向子图像,并计算经向子图像的适应度值:其中:高通滤波器系数由公式(4)求得,经向子图像的适应度值由以下公式求得:
式中:Ev表示经向子图像最小能量;LH(x,y)为经过小波分解后的经向子图像的像素值,f代表图像像素坐标的集合;
(2c05)对步骤(2c04)所得最优个体进行混沌搜索,如果所得个体适应度值小于原最优适应度值,则更新最优个体和对应的适应度值;
(2c06)令g=g+1,如果g>gen,则转步骤(2c10);
(2c07)种群更新:利用量子旋转门对个体实施调整,得到新的种群;
(2c08)种群变异:根据变异概率对种群个体进行变异操作;
(2c09)返回步骤(2c03);
(2c10)输出经向最优小波基作为经向最优低通滤波器系数,以及该低通滤波器系数对应的最优高通滤波器系数;
步骤2d:分别保存纬向最优低通滤波器系数、与其对应的高通滤波器系数和经向最优低通滤波器系数、与其对应的高通滤波器系数。
4.根据权利要求1所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,所述步骤3和步骤6具体包括以下步骤:
步骤3a:对标准布匹图像进行灰度变换;
步骤3b:对步骤3a所得布匹图像进行3*3均值滤波;
步骤3c:对步骤3b所得布匹图像进行直方图均衡化;
步骤3d:使用步骤2中采用基于改进的量子旋转门量子遗传算法寻优得到的、与标准布匹纹理相匹配的最优小波基对步骤3c所得布匹图像进行一层小波分解;
步骤3e:对步骤3d所得布匹图像的纬向子图像和经向子图像分别进行横向和纵向分割,分别得到大小相等的P个纬向矩形子分块Imai(i=1,2,3......P)和经向矩形子分块Imbi(i=1,2,3......P);提取矩形子分块Imai的熵值数组Eh(i)和方差数组Vh(i),提取矩形子分块Imbi的熵值数组Ev(i)和方差数组Vv(i)。
5.根据权利要求4所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,在步骤3d中,对布匹图像进行一层小波分解采用mallat算法,包括以下具体步骤:
步骤3d01:用纬向最优低通滤波器和高通滤波器分别对布匹图像每行进行滤波,并只取偶数行,得到两个是原始图像一半大小的图像;
步骤3d02:用经向最优低通滤波器和高通滤波器分别对步骤3d01所得图像每列进行滤波,并只取偶数行,得到四个是原始图像四分之一的图像;其中,经过纬向低通滤波器和经向高通滤波器得到布匹纹理图像纬向方向信息,即纬向子图像;经过经向低通滤波器和纬向高通滤波器得到布匹纹理图像经向方向信息,即经向子图像。
6.根据权利要求2所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,具体包括以下步骤:
步骤6a:确定存在疵点的纬向子分块:
分别记录超出纬向熵值误差范围和方差误差范围的纬向子分块,若二者之间有一个超出设定的误差范围,则判断该纬向子分块存在疵点;
步骤6b:确定存在疵点的经向子分块:
分别记录超出经向熵值误差范围和方差误差范围的经向子分块,若二者之间有一个超出设定的误差范围,则判断该经向子分块存在疵点;
步骤6c:疵点定位:
找出步骤6a、6b中存在疵点的经、纬子分块对应原图中的位置,经、纬子分块在原图中的交叉的位置,即为疵点存在的位置;
步骤6d:输出布匹疵点报告。
7.根据权利要求1所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,步骤1和步骤5中所述无疵点和待测的布匹均为未经印染加工的机织坯布。
8.根据权利要求4所述的基于自适应正交小波变换的布匹疵点检测方法,其特征在于,所述P等于40。
9.基于自适应正交小波变换的布匹疵点检测装置,其特征在于,包括计算机(1)、待测布匹(3)、横梁装置(7),所述横梁装置(7)上设置有与计算机(1)相连的摄像机(2)以及若干个均匀分布的LED灯(6),所述LED灯(6)下方设置有卷布机(4)与导布辊(5),所述待测布匹(3)设置在卷布机(4)与导布辊(5)之间。
10.根据权利要求9所述的基于自适应正交小波变换的布匹疵点检测装置,其特征在于,所述摄像机(2)的图像分辨率为640*640像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410467061.9A CN104198498B (zh) | 2014-09-12 | 2014-09-12 | 基于自适应正交小波变换的布匹疵点检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410467061.9A CN104198498B (zh) | 2014-09-12 | 2014-09-12 | 基于自适应正交小波变换的布匹疵点检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104198498A true CN104198498A (zh) | 2014-12-10 |
CN104198498B CN104198498B (zh) | 2016-10-19 |
Family
ID=52083823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410467061.9A Active CN104198498B (zh) | 2014-09-12 | 2014-09-12 | 基于自适应正交小波变换的布匹疵点检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104198498B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205828A (zh) * | 2015-10-20 | 2015-12-30 | 江南大学 | 基于最优Gabor滤波器的经编织物瑕疵检测方法 |
CN105203547A (zh) * | 2015-08-26 | 2015-12-30 | 李云栋 | 基于智能视觉传感器的布匹瑕疵检测方法和装置 |
CN105741250A (zh) * | 2016-02-04 | 2016-07-06 | 东华大学 | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761220A (zh) * | 2016-02-04 | 2016-07-13 | 东华大学 | 基于线性插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761222A (zh) * | 2016-02-04 | 2016-07-13 | 东华大学 | 基于牛顿插值法的自动验布机走布速度不匀的图像矫正方法 |
CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
CN107274390A (zh) * | 2017-06-05 | 2017-10-20 | 镇江苏仪德科技有限公司 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
CN105741301B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于拉格朗日插值法的自动验布机走布速度不匀的图像矫正方法 |
CN110907996A (zh) * | 2019-12-11 | 2020-03-24 | 青岛理工大学 | 一种致密气藏自动识别方法 |
CN112330673A (zh) * | 2020-12-11 | 2021-02-05 | 武汉纺织大学 | 一种基于图像处理的机织物密度检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445451A (zh) * | 2011-09-28 | 2012-05-09 | 吴江市联航纺织有限公司 | 带遮光罩的布匹的检测装置 |
CN102621154A (zh) * | 2012-04-10 | 2012-08-01 | 河海大学常州校区 | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 |
CN102967606A (zh) * | 2012-11-02 | 2013-03-13 | 海宁市科威工业电子科技有限公司 | 一种纺织机织物瑕疵视觉检测系统 |
WO2014063148A1 (en) * | 2012-10-19 | 2014-04-24 | Resodyn Corporation | Methods and systems for detecting flaws in an object |
-
2014
- 2014-09-12 CN CN201410467061.9A patent/CN104198498B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445451A (zh) * | 2011-09-28 | 2012-05-09 | 吴江市联航纺织有限公司 | 带遮光罩的布匹的检测装置 |
CN102621154A (zh) * | 2012-04-10 | 2012-08-01 | 河海大学常州校区 | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 |
WO2014063148A1 (en) * | 2012-10-19 | 2014-04-24 | Resodyn Corporation | Methods and systems for detecting flaws in an object |
CN102967606A (zh) * | 2012-11-02 | 2013-03-13 | 海宁市科威工业电子科技有限公司 | 一种纺织机织物瑕疵视觉检测系统 |
Non-Patent Citations (3)
Title |
---|
张小锋等: "一种改进的量子旋转门量子遗传算法", 《计算机工程》, vol. 39, no. 4, 30 April 2013 (2013-04-30), pages 234 - 238 * |
李立轻等: "基于织物自适应正交小波的疵点检测", 《东华大学学报(自然科学版)》, vol. 27, no. 4, 31 August 2001 (2001-08-31), pages 82 - 87 * |
杨晓波: "基于自适应离散小波变换的混合特征畸变织物疵点识别", 《纺织学报》, vol. 34, no. 1, 31 January 2013 (2013-01-31), pages 133 - 137 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203547A (zh) * | 2015-08-26 | 2015-12-30 | 李云栋 | 基于智能视觉传感器的布匹瑕疵检测方法和装置 |
CN105205828A (zh) * | 2015-10-20 | 2015-12-30 | 江南大学 | 基于最优Gabor滤波器的经编织物瑕疵检测方法 |
CN105205828B (zh) * | 2015-10-20 | 2019-03-19 | 江南大学 | 基于最优Gabor滤波器的经编织物瑕疵检测方法 |
CN105741301B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于拉格朗日插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761222B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于牛顿插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105741250A (zh) * | 2016-02-04 | 2016-07-06 | 东华大学 | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761222A (zh) * | 2016-02-04 | 2016-07-13 | 东华大学 | 基于牛顿插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761220B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于线性插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105761220A (zh) * | 2016-02-04 | 2016-07-13 | 东华大学 | 基于线性插值法的自动验布机走布速度不匀的图像矫正方法 |
CN105741250B (zh) * | 2016-02-04 | 2018-10-23 | 东华大学 | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 |
CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
CN107274390A (zh) * | 2017-06-05 | 2017-10-20 | 镇江苏仪德科技有限公司 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
CN110907996A (zh) * | 2019-12-11 | 2020-03-24 | 青岛理工大学 | 一种致密气藏自动识别方法 |
CN110907996B (zh) * | 2019-12-11 | 2020-07-14 | 青岛理工大学 | 一种致密气藏自动识别方法 |
CN112330673A (zh) * | 2020-12-11 | 2021-02-05 | 武汉纺织大学 | 一种基于图像处理的机织物密度检测方法 |
CN112330673B (zh) * | 2020-12-11 | 2021-07-06 | 武汉纺织大学 | 一种基于图像处理的机织物密度检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104198498B (zh) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104198498A (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
CN108510488B (zh) | 基于残差网络的输送带四种损伤检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN107870172A (zh) | 一种基于图像处理的布匹疵点检测方法 | |
CN110766011B (zh) | 一种基于深度多级优化的接触网螺母异常识别方法 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN1948603A (zh) | 一种识别机织物疵点的方法 | |
CN107749058B (zh) | 一种锅炉管道表面缺陷的机器视觉检测方法及系统 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN102621154B (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法 | |
CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
CN105004737A (zh) | 基于自适应改进型梯度信息的水果表面缺陷检测方法 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN105300528A (zh) | 变电站设备红外图像诊断方法及系统 | |
CN110660025A (zh) | 一种基于gan网络的工业监控视频图像清晰化方法 | |
CN112150417A (zh) | 基于深度学习的涂布缺陷检测方法 | |
CN114120093A (zh) | 一种基于改进YOLOv5算法的煤矸目标检测方法 | |
CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN110378424A (zh) | 基于卷积神经网络的变压器套管故障红外图像识别方法 | |
Tao et al. | Electric insulator detection of UAV images based on depth learning | |
CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN116051539A (zh) | 一种变电设备发热故障的诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |