CN104458766A - 一种基于结构纹理法的布匹表面瑕疵检测方法 - Google Patents
一种基于结构纹理法的布匹表面瑕疵检测方法 Download PDFInfo
- Publication number
- CN104458766A CN104458766A CN201410854388.1A CN201410854388A CN104458766A CN 104458766 A CN104458766 A CN 104458766A CN 201410854388 A CN201410854388 A CN 201410854388A CN 104458766 A CN104458766 A CN 104458766A
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- cloth
- flaw
- model
- 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)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于结构纹理法的布匹表面瑕疵检测方法,本发明提供了一种布匹表面瑕疵的在线视觉检测方法,首先对采集到的布匹图像进行总变差正则化方法处理,将图像分解为背景纹理部分和包含瑕疵的结构部分;然后对结构部分做图像增强处理并通过计算与标准布匹结构部分图像的相关性进行阈值化处理,得到瑕疵区域的二值图像;最后保存记录瑕疵区域的像素坐标信息以备后续处理。通过对布匹图像进行结构纹理法处理,消除了布匹原有纹理对瑕疵检测的干扰影响,能够有效的提高检测精度,降低漏检和误检率。
Description
技术领域
本发明涉及一种基于机器视觉的布匹表面瑕疵检测方法,具体是指工业现场中,在线阵光源下通过线阵相机对高速传送的布匹表面瑕疵进行检测并即时记录的图像检测方法。
背景技术
工业生产过程里,随着技术水平的不断提高,市场对产品质量的要求不断提升。在纺织行业中,布匹的质量检测要求随着这种发展趋势愈加严格,并随着纺织品产量的持续增大,验布过程要求的速度与精度大大提升,而传统的人工检测法速度慢、成本高、标准化程度低、误检率大,因此快速精确地检测出纺织品瑕疵成为生产过程中亟待解决的问题。
面对这样的的需求,国外的一些大型企业在工业上已经有了一定规模的应用,主要代表产品有以色列EVS公司的IQ-TEX4自动在线检测系统,美国BMS公司的Cyclops自动在线织物检测系统等,但成本高昂、维护不易,在国内并不普遍推广适用。目前,研究者主要采用基于统计学方法、频域变换法、模型法等方法对布匹图像进行处理,以求准确检测到瑕疵,由于布匹表面带有纹理干扰,瑕疵种类繁复,正确地提取出瑕疵区域成为布匹表面检测中的重点和难点。
由于在检测过程中,出布速度快,布匹幅面较大,检测精度要求高,选用高分辨率并适用于高速采集过程的的线阵相机作为图像采集传感器已经越来越成为主流的检测方式。
发明内容
本发明目的在于提出一种基于机器视觉的布匹瑕疵检测方法,解决布匹背景纹理、花纹对瑕疵检测的干扰问题。
针对这个目的,本发明通过如下技术方案实现:
1、获取图像,预先得到无瑕疵标准布匹图像,并保持相机采集参数不变条件下实时获取待测图像序列;
2、对图像进行预处理,通过高斯滤波去噪以及直方图均衡化增强图像对比度,凸显图像背景纹理;
3、对处理后的图像做总变差正则化处理,将布匹图像的纹理部分和结构部分分解出来;
4、将待测图像的结构部分与标准图像的结构部分进行最大相关性处理,以独立出瑕疵区域;
5、对得到的瑕疵部分去噪增强,并记录坐标值等信息。
本发明的有益效果:本发明提供了一种基于总变差法的布匹表面瑕疵处理方法,对于纹理较强的布匹能够较好的分割出纹理部分与瑕疵部分,较大程度的降低了背景纹理对瑕疵检测的干扰,准确性高,提高检测效率,对于带图案花纹的布匹也有很好的检测效果。
附图说明
图1本发明的整体系统构建图
图2本发明算法整体流程图
具体实施方式
为使本发明的目的、技术方案和优点等更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的基本目的是检验布匹表面的瑕疵缺陷,装置的硬件构建如图1所示,算法整体流程如图2所示。整个算法核心为通过构建变差模型将图像的结构部分和纹理部分分解出从而消去纹理对瑕疵检测的影响。
进一步的,具体实现步骤为:
(1)采集图像:利用线阵相机实时获取布匹图像,调节布匹的传送速度、相机采集频率以及相机光圈焦距等参数,实时获得无瑕疵的布匹图像作为样本,以及包含瑕疵的布匹图像序列作为待测图像。
(2)预处理:
(2.1)对得到的图像用中值滤波做去噪处理,
(2.2)对滤波后图像做直方图均衡化处理。
在一幅图像中灰度级rk出现的概率近似为:
其中,n是图像的像素和,nk是图像中灰度级为rk的像素个数,L是图像中可能的灰度级总数。则有输出灰度级sk的变换函数为:
通过该变换函数能将输入图像中灰度级为rk的各个像素映射到输出图像中灰度级为sk的对应像素。
(3)总变差正则化:
构建一种基于总变差形式的模型,该模型可以有效的分解图像中的结构信息和纹理,并且无需特别指定纹理是否规则或者对称。换言之,该方法具有一般性和随意性,它适用于非统一的或各向异性的纹理。
(4)式为变差模型:
I代表输入图像,u代表2D图像像素的索引,S代表输出结构图像。对(4)式第二项进行展开,可以写成各向异性的形式:
将(5)回带并加入正则项则得到模型如(6)式:
其中,
D表示对u点的窗口区域内做总变差:
L表示对于整体图像的空间做梯度加权绝对值的求取,能够用来突出结构部分:
u为二维像素的索引值,v为以u点为中心的一个正方形区域内所有的像素点的索引,S是输出图像,为正则项,也称为相对变差,它依赖于图像的边缘,使得图像中可以有不连续的部分,但不允许有振荡的存在,因此可以用于去除噪声。λ是一个权重值,在正则项和逼近项中起着平衡的作用;ε是为了防止分母为0而设置的非常小的正值。g是根据相关性定义的权重函数,此处选用高斯核函数定义为:
其中,σ是空间尺度,u为变差区域的中心像素点,v为任一像素点。
(4)对结构部分图像去噪处理,最后分离得到凸显瑕疵的二值图像。在去除布匹表面的纹理信息后,通过(6)式得到的图像结构部分仍然保留有背景色,需要与标准图像对比清除后才能彻底提取出瑕疵部分,可以通过(8)式判定相关性以提取出瑕疵区域。
其中,var(·)和cov(·)分别是方差与协方差,f和f*分别为标准图像和待测图像的结构部分。
(5)如果此帧图像不包含瑕疵区域,则不保存此图像序列。继续检测下一帧图像,若是此帧图像出现瑕疵,保存此瑕疵图像与位置信息至结构体并继续检测下一幅图像。
Claims (3)
1.一种布匹瑕疵的在线视觉检测方法,其特征是:通过构建变差模型将图像的结构部分和纹理部分分解出,从而消去纹理对瑕疵检测的影响。具体包括以下几个步骤:
(1)采集图像并对图像做预处理;
(2)构建一个总变差正则化模型,有效分离出图像的结构部分与纹理部分;
(3)将待测图像的结构部分与标准图像的结构部分做最大相关性处理,获得瑕疵区域。
2.根据权利要求1所述一种布匹表明瑕疵的在线视觉检测方法,其特征是:所述步骤(2)中总变差形式正则化模型的构建,包括以下步骤:
构建一种基于总变差形式的模型,该模型可以有效的分解图像中的结构信息和纹理,并且无需特别指定纹理是否规则或者对称。换言之,该方法具有一般性和随意性,它适用于非统一的或各向异性的纹理。
(1)式为变差模型:
I代表输入图像,u代表2D图像像素的索引,S代表输出结构图像。对(1)式第二项进行展开,可以写成各向异性的形式:
将(2)回带并加入正则项则得到模型如(3)式:
其中,
D表示对u点的窗口区域内做总变差:
L表示对于整体图像的空间做梯度加权绝对值的求取,能够用来突出结构部分:
u为二维像素的索引值,v为以u点为中心的一个正方形区域内所有的像素点的索引,S是输出图像,为正则项,也称为相对变差,它依赖于图像的边缘,使得图像中可以有不连续的部分,但不允许有振荡的存在,因此可以用于去除噪声。λ是一个权重值,在正则项和逼近项中起着平衡的作用;ε是为了防止分母为0而取得的非常小的正值。g是根据相关性定义的权重函数,此处选用高斯核函数,定义为:
其中,σ是空间尺度,u为变差区域的中心像素点,v为任一像素点。
3.根据权利要求1所述一种布匹表明瑕疵的在线视觉检测方法,其特征是:所述步骤(2)中瑕疵区域的准确判定,包括以下步骤:
对得到的图像去噪处理,最后分离得到凸显瑕疵的二值图像。在去除布匹表面的纹理信息后,通过(3)式得到的图像结构部分仍然保留有背景色,需要与标准图像对比清除后才能彻底提取出瑕疵部分,可以通过(5)式判定相关性以提取出瑕疵区域。
其中,var(·)和cov(·)分别是方差与协方差,f和f*分别为标准图像和待测图像的结构部分。
如果此帧图像不包含瑕疵区域,则不保存此图像序列。继续检测下一帧图像,若是此帧图像出现瑕疵,保存此瑕疵图像与位置信息至结构体并继续检测下一幅图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854388.1A CN104458766B (zh) | 2014-12-31 | 2014-12-31 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410854388.1A CN104458766B (zh) | 2014-12-31 | 2014-12-31 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104458766A true CN104458766A (zh) | 2015-03-25 |
CN104458766B CN104458766B (zh) | 2017-07-18 |
Family
ID=52905167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410854388.1A Expired - Fee Related CN104458766B (zh) | 2014-12-31 | 2014-12-31 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104458766B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751472A (zh) * | 2015-04-10 | 2015-07-01 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
CN106970090A (zh) * | 2017-04-27 | 2017-07-21 | 佛山市南海区广工大数控装备协同创新研究院 | 胚布缺陷视觉检测设备及方法 |
CN107798665A (zh) * | 2017-11-07 | 2018-03-13 | 天津大学 | 基于结构‑纹理分层的水下图像增强方法 |
CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
CN109345548A (zh) * | 2018-10-23 | 2019-02-15 | 江南大学 | 一种基于总变差的织物疵点分割方法 |
CN109859145A (zh) * | 2019-02-27 | 2019-06-07 | 长安大学 | 一种基于多级权重相对总变差的图像去纹理方法 |
CN110246099A (zh) * | 2019-06-10 | 2019-09-17 | 浙江传媒学院 | 一种保持结构边缘的图像去纹理方法 |
CN110501339A (zh) * | 2019-08-13 | 2019-11-26 | 江苏大学 | 一种复杂环境下的布面定位方法 |
CN110514672A (zh) * | 2018-09-06 | 2019-11-29 | 永康市缘匠贸易有限公司 | 玻璃噪声自适应去除系统 |
CN112418223A (zh) * | 2020-12-11 | 2021-02-26 | 互助土族自治县北山林场 | 一种基于改进优化的野生动物图像显著性目标检测方法 |
CN112950598A (zh) * | 2021-03-09 | 2021-06-11 | 深圳棱镜空间智能科技有限公司 | 工件的瑕疵检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030081215A1 (en) * | 2001-01-09 | 2003-05-01 | Ajay Kumar | Defect detection system for quality assurance using automated visual inspection |
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
CN103926255A (zh) * | 2014-04-26 | 2014-07-16 | 江南大学 | 一种基于小波神经网络的布匹表面瑕疵检测方法 |
-
2014
- 2014-12-31 CN CN201410854388.1A patent/CN104458766B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030081215A1 (en) * | 2001-01-09 | 2003-05-01 | Ajay Kumar | Defect detection system for quality assurance using automated visual inspection |
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
CN103926255A (zh) * | 2014-04-26 | 2014-07-16 | 江南大学 | 一种基于小波神经网络的布匹表面瑕疵检测方法 |
Non-Patent Citations (7)
Title |
---|
LEONID I.RUDIN ET AL.: "Nonlinear total variation based noise removal algorithms", 《PHYSICA D》 * |
MIN LI ET AL.: "Texture Primitive Based Method for Patterned Fabric Defect Detection", 《JOURNAL OF COMPUTATIONAL INFORMATION SYSTEMS》 * |
吴刚等: "一种基于变差函数的纹理图像分割方法", 《电子学报》 * |
李敏等: "基于小波空间的图像分解变分模型", 《电子学报》 * |
李鑫等: "基于图像能量的布匹瑕疵检测方法", 《计算机测量与控制》 * |
殷国亮等: "基于边缘检测和小波分析的布匹瑕疵检测方法", 《江南大学学报(自然科学版)》 * |
温兆麟等: "统计纹理的自动表面检测", 《计算机应用研究》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751472B (zh) * | 2015-04-10 | 2017-06-23 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
CN104751472A (zh) * | 2015-04-10 | 2015-07-01 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
CN106970090A (zh) * | 2017-04-27 | 2017-07-21 | 佛山市南海区广工大数控装备协同创新研究院 | 胚布缺陷视觉检测设备及方法 |
CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
CN107798665B (zh) * | 2017-11-07 | 2021-07-09 | 天津大学 | 基于结构-纹理分层的水下图像增强方法 |
CN107798665A (zh) * | 2017-11-07 | 2018-03-13 | 天津大学 | 基于结构‑纹理分层的水下图像增强方法 |
CN110514672A (zh) * | 2018-09-06 | 2019-11-29 | 永康市缘匠贸易有限公司 | 玻璃噪声自适应去除系统 |
CN109345548B (zh) * | 2018-10-23 | 2021-08-13 | 江南大学 | 一种基于总变差的织物疵点分割方法 |
CN109345548A (zh) * | 2018-10-23 | 2019-02-15 | 江南大学 | 一种基于总变差的织物疵点分割方法 |
CN109859145A (zh) * | 2019-02-27 | 2019-06-07 | 长安大学 | 一种基于多级权重相对总变差的图像去纹理方法 |
CN109859145B (zh) * | 2019-02-27 | 2022-12-09 | 西安汇智信息科技有限公司 | 一种基于多级权重相对总变差的图像去纹理方法 |
CN110246099A (zh) * | 2019-06-10 | 2019-09-17 | 浙江传媒学院 | 一种保持结构边缘的图像去纹理方法 |
CN110246099B (zh) * | 2019-06-10 | 2021-09-07 | 浙江传媒学院 | 一种保持结构边缘的图像去纹理方法 |
CN110501339A (zh) * | 2019-08-13 | 2019-11-26 | 江苏大学 | 一种复杂环境下的布面定位方法 |
CN110501339B (zh) * | 2019-08-13 | 2022-03-29 | 江苏大学 | 一种复杂环境下的布面定位方法 |
CN112418223A (zh) * | 2020-12-11 | 2021-02-26 | 互助土族自治县北山林场 | 一种基于改进优化的野生动物图像显著性目标检测方法 |
CN112950598A (zh) * | 2021-03-09 | 2021-06-11 | 深圳棱镜空间智能科技有限公司 | 工件的瑕疵检测方法、装置、设备及存储介质 |
CN112950598B (zh) * | 2021-03-09 | 2024-03-19 | 深圳棱镜空间智能科技有限公司 | 工件的瑕疵检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104458766B (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104458766A (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
CN110322433B (zh) | 一种面向外观缺陷视觉检测的数据集扩增方法 | |
Schmugge et al. | Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN110992363B (zh) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN107742289A (zh) | 一种基于机器视觉回转体工件检测方法 | |
CN104574353A (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN108133473B (zh) | 基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
CN112070727A (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN112489016A (zh) | 复合材料缺陷热影像图的局部敏感判别分析方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN103926255A (zh) | 一种基于小波神经网络的布匹表面瑕疵检测方法 | |
Luo et al. | Research on edge detection algorithm of work piece defect in machine vision detection system | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
Lin et al. | A new prediction method for edge detection based on human visual feature | |
CN114066810A (zh) | 一种包装盒凹凸点缺陷检测方法及装置 | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170718 Termination date: 20191231 |