CN107016664B - 一种大圆机的坏针瑕疵检测方法 - Google Patents
一种大圆机的坏针瑕疵检测方法 Download PDFInfo
- Publication number
- CN107016664B CN107016664B CN201710036716.0A CN201710036716A CN107016664B CN 107016664 B CN107016664 B CN 107016664B CN 201710036716 A CN201710036716 A CN 201710036716A CN 107016664 B CN107016664 B CN 107016664B
- Authority
- CN
- China
- Prior art keywords
- attribute
- sample
- image
- pixels
- value
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 239000004744 fabric Substances 0.000 claims abstract description 39
- 239000004753 textile Substances 0.000 claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000001427 coherent effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 235000015170 shellfish Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明一种大圆机的坏针瑕疵检测方法，利用机器学习方法实现对织物坏针瑕疵的检测，通过自适应图像增强技术预处理瑕疵图像，并有效分割感兴趣区域，根据相位一致的多尺度金字塔方法，有效地提取织物瑕点的特征信息；在织物瑕疵点分类识别方面，利用超图正则化属性学习，成功地检测出织物坏针瑕疵。本发明大大提高了纺织品的瑕疵检测速度和效率。
Description
技术领域
本发明涉及一种视觉检测方法，主要适用于纺织设备的布匹实时检测，特别涉及一种大圆机的坏针瑕疵检测方法。
背景技术
我国对织物瑕疵自动检测的研究目前还没有较成熟的织物自动检测系统的商业化应用。对于瑕疵识别的研究主要还处于理论阶段。在这一方面国内的织物自动检测系统需要朝着实用化和商业化方面发展。织物的瑕疵种类繁多，如坏针、破洞、缩纬等给工厂生产优质织物造成巨大问题。因此，需要一个可行的织物瑕疵检测方法来提高织物的生产效率及质量。
发明内容
本发明的目的在于提供一种大圆机的坏针瑕疵检测方法，能实时检测织物上的坏针瑕疵，利用机器代替人工操作，大大减少生产中的人力、物力，使得织物生产效率更高，质量更优，并能和现有系统互连互通。
本发明一种大圆机的坏针瑕疵检测方法，具体包括如下步骤：
步骤1、通过设置于大圆机内的图像采集设备，实时采集织物图像，并将该织物图像上传至控制终端；
步骤2、对传输到控制终端的织物图像进行数据预处理：
步骤21、对织物图像进行自适应增强滤波：
通过方差均衡法对织物图像进行均衡化处理，使得处理后的织物图像达到要求的平均灰度和方差；
把织物图像分成w×w个重叠的像素块，对织物图像进行方向场计算机平滑，然后求取每一像素块纹线方向信息的可靠性，计算出每一像素块的方向场，若以(i,j)为中心的像素块纹线方向信息的可靠性χ(i,j)小于阈值T时，说明计算出的该像素块的方向场可靠，对于每个像素块，根据计算出的方向场，计算出该像素块所有像素旋转后的坐标(x'，y')，通过Gaussian函数和像素块旋转后的像素点的值作卷积运算，并将卷积后的值局限在[0,255]之间，最后将该值作为子块中间的像素值，得到增强图像；
步骤22、对增强后的织物图像进行感兴趣区域分割：
利用快速均值漂移算法进行预分割，使用G(x)表示梯度估计：
这里，“～”表示正比于，“avg”表示求平均，xi为实际的特征采样点，Wh,x表示以x为中心的特征区域；
通过上述融合边缘信息的快速均值漂移算法将增强后的织物图像有效地分割为多个具有准确边界的同质区域，并将这些区域描述为超像素，用于构建精简的加权图，即构建Graph cuts分割模型；
Graph cuts分割模型可表示为：
其中，α表示分割标号值，0代表背景，而1代表前景；I表示图像中所有的像素点；Di(α)用于判断当前像素点i相对分割标号α的特征相似度；Sm,n(α)用于估计邻接像素点m和n分属不同标号集时的惩罚值；γ是平衡系数；
使用区域的彩色高斯统计对超像素进行特征描述，每个超像素i都可以表示为Gi＝{μi,∑i}，其中，μi和∑i分别对应于超像素i中彩色特征的均值和协方差，并在信息论空间汇总对高斯距离度量进行设计，高斯距离度量的简单形式为：
其中，d为高斯特征的空间维数，对应于彩色空间的通道数，gm(x)、gn(x)分别具有高斯参数集{μm,∑m}和{μn,∑n}；
使用分量形式的期望最大化混合高斯算法来进行先验聚类；
步骤3、建立织物瑕疵特征空间：
步骤31、对输入的织物图像进行拉普拉斯金字塔分解得到分层图像：
假设输入的原图像为L0,并将其作为高斯金字塔的第零层,对原图像L0通过高斯低通滤波器L进行滤波和隔行隔列的下采样，得到低通高斯金字塔的第一层图像L1,将低通高斯金字塔的第一层图像L1经过上采样和带通滤波器H进行的插值膨胀滤波得到L1'，并计算它和原图像的差值，得到带通分量即拉普拉斯金字塔的第零层LP1,拉普拉斯金字塔的下一级分解是在得到的低通高斯金字塔图像上进行，迭代完成多尺度分解，迭代过程可用公式表示：
LPl(b,c)＝Ll-1(b,c)-Ll'(b,c) (8)
其中，l为高斯金字塔和拉普拉斯金字塔LP分解的层数，b和c表示金字塔第l层的行数和列数，w(p,q)是一个5×5的低通滤波器，p∈[-2,2],q∈[-2,2]；
步骤32、对拉普拉斯金字塔中每层图像进行相位一致特征提取得到多尺度金字塔相位一致图像；
步骤33、自上而下将多尺度金字塔相位一致图像进行融合得到融合图像，即基于相位一致的多尺度金字塔特征图；
步骤4、瑕疵分类：
步骤41、利用织物瑕疵特征样本以及属性标签构造一个描绘样本属性关系的属性超图；
步骤42、一组属性超图的切向量F＝[f1,...,fm]被定义为样本的属性预测，这属性超图切向量的每一个元素对应着所有样本关于第k个属性的预测值；
步骤43、把属性预测过程近似考虑为一个正则化超图分割问题，在超图分割阶段应使超边结构的损失最小化，属性关系损失函数定义如下：
其中，令V是超图的顶点集合，而E是超图的超边集合，每个样本都对应超图中的一个顶点v∈V,e∈E，δ(e)表示超边的阶，w(e)是超边的权重，d(v)表示超图的顶点阶，Fu是向量F关于顶点u的一个行向量，该行向量第k元素是顶点u关于第k个属性预测；
采用欧氏距离来度量最小化训练样本的预测误差：
其中，矩阵Y＝[y1,...,ym]是各个属性的标签集合，如果训练样本具有该属性，属性标签向量对应该样本的元素值为1，反之则为-1；
步骤44、训练样本的属性预测器可表示为从织物瑕疵特征样本空间到属性超图嵌入空间的映射问题：
F＝XTB (3)(11)
其中，矩阵B＝[β1,...,βm]是织物瑕疵特征样本空间X到属性超图嵌入空间的投影矩阵；
根据属性预测器的目标函数学习得到一组最优的超图，目标函数可以定义为：
其中，η是一个非负正则化参数，λ是一个正参数，LH是一个拉普拉斯正定对称阵,X为织物瑕疵特征样本空间，Y为属性标签矩阵，B为投影矩阵；
步骤45、给定一个坏针瑕疵样本zk，按照公式(13)计算其属性预测值：
Pk＝sign(zk TB) (13)
B＝[β1,...,βm]是织物瑕疵特征样本空间X到属性超图嵌入空间的投影矩阵，若Pk为正数，表示坏针瑕疵样本zk具有坏针瑕疵特征样本的属性，若为负数，则表示坏针瑕疵样本zk不具有该属性；
步骤46、将步骤45学习到的属性预测值用于分类，利用Sigmoid函数对属性预测值进行归一化，确保其值在0-1之间，以用来进行零样本学习，归一化如下：
其中，ρ是一个控制尺度归一化的正参数，向量rk＝[rk1,...,rkm]是归一化后样本zk的各个属性的预测值；归一化后的属性预测值可视为一个样本具有特定属性的概率；利用贝叶斯法则根据一个样本的属性存在性概率r来计算属于各个测试类别的后验概率，样本的真实类别应该具有最大的后验概率；指的是样本属性预测值；
步骤47、对每类瑕疵样本都定义一个属性列表模板，假设坏针瑕疵的属性列表模板ta，该模板每个元素表示该类样本具有不容属性的先验概率，通过度量属性列表模板和坏针瑕疵样本学习到的属性预测值的距离对坏针瑕疵分类，公式如下：
其中函数O(zk)为具有最小欧式距离的类别标签，rk是归一化后坏针瑕疵样本zk的各个属性的预测值，ta表示坏针瑕疵的属性列表模板。
所述步骤21中求取每一像素块纹线方向信息的可靠性具体为：根据式(1)得到以(i,j)为中心的像素块纹线方向信息的可靠性χ(i,j)：
其中，R为以(i,j)为中心的像素块周围的像素块集合，n为像素块集合R中像素块的数目，n＝w×w，θ(i,j)，θ(i',j')分别代表以(i,j)，(i',j')为中心的像素块的方向。
所述步骤21中，根据式(2)计算旋转坐标(x'，y')：
其中，θ为以(i',j')为中心的像素块的方向。
本发明主要是利用机器学习方法实现对织物坏针瑕疵的检测，通过自适应图像增强技术预处理瑕疵图像，并有效分割感兴趣区域，根据相位一致的多尺度金字塔方法，有效的提取织物瑕点的特征信息；在织物瑕疵点分类识别方面，利用超图正则化属性学习，成功的检测出织物坏针瑕疵。本发明大大提高了纺织品的瑕疵检测速度和效率。实验证明，本发明检测速度每分钟120cm，能检测处理宽度为20至400厘米的纺织物，瑕疵正确检测率达到96％以上。
附图说明
图1为本发明硬件连接示意图；
图2为本发明的流程图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
如图1所示，本发明一种大圆机的坏针瑕疵检测方法在以下硬件载体上实现的：具有高质量的图像采集设备、控制终端以及大圆机。将作为相机和光源集合成一图像采集设备搭载于大圆机内部，相机拍摄织物图像并反馈到控制终端，以进行织物瑕疵检测。
由于线阵相机自身传感器分辨率高并可对光源进行预校准，实现准确地高分辨率的图像采集，因此，可选用线阵相机。
如图2所示，本发明一种大圆机的坏针瑕疵检测方法，具体包括如下步骤：
步骤1、通过设置于大圆机内的图像采集设备，实时采集织物图像，并将该织物图像上传至控制终端；
步骤2、对传输到控制终端的织物图像进行数据预处理：
步骤21、对织物图像进行自适应增强滤波：
通过方差均衡法对织物图像进行均衡化处理，使得处理后的织物图像达到要求的平均灰度和方差；
把织物图像分成w×w个重叠的像素块，此处，w＝3，首先，对织物图像进行方向场计算机平滑，然后求取每一像素块纹线方向信息的可靠性，计算出每一像素块的方向场，根据式(1)得到以(i,j)为中心的像素块纹线方向信息的可靠性χ(i,j)：
其中，R为以(i,j)为中心的像素块周围的像素块集合，n为像素块集合R中像素块的数目，n＝w×w，此处n＝9，θ(i,j)，θ(i',j')分别代表以(i,j)，(i',j')为中心的像素块的方向；
若以(i,j)为中心的像素块纹线方向信息的可靠性χ(i,j)小于阈值T时，说明计算出的该像素块的方向场可靠，对于每个像素块，根据计算出的方向场，计算出该像素块所有像素旋转后的坐标(x'，y')，根据式(2)计算旋转坐标，此处，T＝π/8；
其中，θ为以(i',j')为中心的像素块的方向；
通过Gaussian函数和像素块旋转后的像素点的值作卷积运算，并将卷积后的值局限在[0,255]之间，最后将该值作为子块中间的像素值，得到增强图像；
步骤22、对增强后的织物图像进行感兴趣区域分割：
利用快速均值漂移算法进行预分割，使用G(x)表示梯度估计：
这里，“～”表示正比于，“avg”表示求平均，xi为实际的特征采样点，Wh,x表示以x为中心的特征区域；
通过上述融合边缘信息的快速均值漂移算法将增强后的织物图像有效地分割为多个具有准确边界的同质区域，并将这些区域描述为超像素，用于构建精简的加权图.即构建Graph cuts分割模型；
Graph cuts分割模型可表示为：
其中，α表示分割标号值，0代表背景，而1代表前景；I表示图像中所有的像素点；Di(α)用于判断当前像素点i相对标号α(前景或背景)的特征相似度；Sm,n(α)用于估计邻接像素点m和n分属不同标号集时的惩罚值；γ是平衡系数；
使用区域的彩色高斯统计对超像素进行特征描述，每个超像素i都可以表示为Gi＝{μi,∑i}，其中，μi和∑i分别对应于超像素i中彩色特征的均值和协方差，并在信息论空间汇总对高斯距离度量进行设计，高斯距离度量的简单形式为：
其中，d为高斯特征的空间维数，对应于彩色空间的通道数，gm(x)、gn(x)分别具有高斯参数集{μm,∑m}和{μn,∑n}；
使用分量形式的期望最大化混合高斯算法来进行先验聚类；
步骤3、建立织物瑕疵特征空间：
步骤31、对输入的织物图像进行拉普拉斯金字塔分解得到分层图像：
假设输入的原图像为L0,并将其作为高斯金字塔的第零层,对原图像L0通过高斯低通滤波器L进行滤波和隔行隔列的下采样，得到低通高斯金字塔的第一层图像L1,将低通高斯金字塔的第一层图像L1经过上采样和带通滤波器H进行的插值膨胀滤波得到L1'，并计算它和原图像的差值，得到带通分量即拉普拉斯金字塔的第零层LP1,拉普拉斯金字塔的下一级分解是在得到的低通高斯金字塔图像上进行，迭代完成多尺度分解，迭代过程可用公式表示：
LPl(b,c)＝Ll-1(b,c)-Ll'(b,c) (8)
其中，l为高斯金字塔和拉普拉斯金字塔LP分解的层数，b和c表示金字塔第l层的行数和列数，w(p,q)是一个5×5的低通滤波器，p∈[-2,2],q∈[-2,2]；
步骤32、对拉普拉斯金字塔中每层图像进行相位一致特征提取得到多尺度金字塔相位一致图像；
步骤33、自上而下将多尺度金字塔相位一致图像进行融合得到融合图像，即基于相位一致的多尺度金字塔特征图；
步骤4、瑕疵分类：
步骤41、利用织物瑕疵特征样本以及属性标签构造一个描绘样本属性关系的属性超图；
步骤42、一组属性超图的切向量F＝[f1,...,fm]被定义为样本的属性预测，这属性超图切向量的每一个元素对应着所有样本关于第k个属性的预测值；
步骤43、把属性预测过程近似考虑为一个正则化超图分割问题，在超图分割阶段应使超边结构的损失最小化，属性关系损失函数定义如下：
其中，令V是超图的顶点集合，而E是超图的超边集合，每个样本都对应超图中的一个顶点v∈V,e∈E，δ(e)表示超边的阶，w(e)是超边的权重，d(v)表示超图的顶点阶，Fu是向量F关于顶点u的一个行向量，该行向量第k元素是顶点u关于第k个属性预测；
采用欧氏距离来度量最小化训练样本的预测误差：
其中，矩阵Y＝[y1,...,ym]是各个属性的标签集合，如果训练样本具有该属性，属性标签向量对应该样本的元素值为1，反之则为-1；
步骤44、训练样本的属性预测器可表示为从织物瑕疵特征样本空间到属性超图嵌入空间的映射问题：
F＝XTB (3)(11)
其中，矩阵B＝[β1,...,βm]是织物瑕疵特征样本空间X到属性超图嵌入空间的投影矩阵；
根据属性预测器的目标函数学习得到一组最优的超图，目标函数可以定义为：
其中，η是一个非负正则化参数，λ是一个正参数，LH是一个拉普拉斯正定对称阵,X为织物瑕疵特征样本空间，Y为属性标签矩阵，B为投影矩阵；
步骤45、给定一个坏针瑕疵样本zk，按照公式(13)计算其属性预测值：
Pk＝sign(zk TB) (13)
B＝[β1,...,βm]是织物瑕疵特征样本空间X到属性超图嵌入空间的投影矩阵，若Pk为正数，表示坏针瑕疵样本zk具有坏针瑕疵特征样本的属性，若为负数，则表示坏针瑕疵样本zk不具有该属性；
步骤46、将步骤45学习到的属性预测值用于分类，利用Sigmoid函数对属性预测值进行归一化，确保其值在0-1之间，以用来进行零样本学习，归一化如下：
其中，ρ是一个控制尺度归一化的正参数，向量rk＝[rk1,...,rkm]是归一化后样本zk的各个属性的预测值；归一化后的属性预测值可视为一个样本具有特定属性的概率；利用贝叶斯法则根据一个样本的属性存在性概率r来计算属于各个测试类别的后验概率，样本的真实类别应该具有最大的后验概率；指的是样本属性预测值；
步骤47、对每类瑕疵样本都定义一个属性列表模板，假设坏针瑕疵的属性列表模板ta，该模板每个元素表示该类样本具有不容属性的先验概率，通过度量属性列表模板和坏针瑕疵样本学习到的属性预测值的距离对坏针瑕疵分类，公式如下：
其中函数O(zk)为具有最小欧式距离的类别标签，rk是归一化后坏针瑕疵样本zk的各个属性的预测值，ta表示坏针瑕疵的属性列表模板。
以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种大圆机的坏针瑕疵检测方法，其特征在于包括如下步骤：
步骤1、通过设置于大圆机内的图像采集设备，实时采集织物图像，并将该织物图像上传至控制终端；
步骤2、对传输到控制终端的织物图像进行数据预处理：
步骤21、对织物图像进行自适应增强滤波：
通过方差均衡法对织物图像进行均衡化处理，使得处理后的织物图像达到要求的平均灰度和方差；
把织物图像分成w×w个重叠的像素块，对织物图像进行方向场计算机平滑，然后求取每一像素块纹线方向信息的可靠性，计算出每一像素块的方向场，若以(i,j)为中心的像素块纹线方向信息的可靠性χ(i,j)小于阈值T时，说明计算出的该像素块的方向场可靠，对于每个像素块，根据计算出的方向场，计算出该像素块所有像素旋转后的坐标(x'，y')，通过Gaussian函数和像素块旋转后的像素点的值作卷积运算，并将卷积后的值局限在[0,255]之间，最后将该值作为子块中间的像素值，得到增强图像；
步骤22、对增强后的织物图像进行感兴趣区域分割：
利用快速均值漂移算法进行预分割，使用G(x)表示梯度估计：
这里，“～”表示正比于，“avg”表示求平均，xi为实际的特征采样点，Wh,x表示以x为中心的特征区域；
通过上述融合边缘信息的快速均值漂移算法将增强后的织物图像有效地分割为多个具有准确边界的同质区域，并将这些区域描述为超像素，用于构建精简的加权图，即构建Graph cuts分割模型；
Graph cuts分割模型可表示为：
其中，α表示分割标号值，0代表背景，而1代表前景；I表示图像中所有的像素点；Di(α)用于判断当前像素点i相对分割标号α的特征相似度；Sm,n(α)用于估计邻接像素点m和n分属不同标号集时的惩罚值；γ是平衡系数；
使用区域的彩色高斯统计对超像素进行特征描述，每个超像素i都可以表示为Gi＝{μi,∑i}，其中，μi和∑i分别对应于超像素i中彩色特征的均值和协方差，并在信息论空间汇总对高斯距离度量进行设计，高斯距离度量的简单形式为：
其中，d为高斯特征的空间维数，对应于彩色空间的通道数，gm(x)、gn(x)分别具有高斯参数集{μm,∑m}和{μn,∑n}；
使用分量形式的期望最大化混合高斯算法来进行先验聚类；
步骤3、建立织物瑕疵特征空间：
步骤31、对输入的织物图像进行拉普拉斯金字塔分解得到分层图像：
假设输入的原图像为L0,并将其作为高斯金字塔的第零层,对原图像L0通过高斯低通滤波器L进行滤波和隔行隔列的下采样，得到低通高斯金字塔的第一层图像L1,将低通高斯金字塔的第一层图像L1经过上采样和带通滤波器H进行的插值膨胀滤波得到L1'，并计算它和原图像的差值，得到带通分量即拉普拉斯金字塔的第零层LP1,拉普拉斯金字塔的下一级分解是在得到的低通高斯金字塔图像上进行，迭代完成多尺度分解，迭代过程可用公式表示：
LPl(b,c)＝Ll-1(b,c)-Ll'(b,c) (8)
其中，l为高斯金字塔和拉普拉斯金字塔LP分解的层数，b和c表示金字塔第l层的行数和列数，w(p,q)是一个5×5的低通滤波器，p∈[-2,2],q∈[-2,2]；
步骤32、对拉普拉斯金字塔中每层图像进行相位一致特征提取得到多尺度金字塔相位一致图像；
步骤33、自上而下将多尺度金字塔相位一致图像进行融合得到融合图像，即基于相位一致的多尺度金字塔特征图；
步骤4、瑕疵分类：
步骤41、利用织物瑕疵特征样本以及属性标签构造一个描绘样本属性关系的属性超图；
步骤42、一组属性超图的切向量F＝[f1,...,fm]被定义为样本的属性预测，这属性超图切向量的每一个元素对应着所有样本关于第k个属性的预测值；
步骤43、把属性预测过程近似考虑为一个正则化超图分割问题，在超图分割阶段应使超边结构的损失最小化，属性关系损失函数定义如下：
其中，令V是超图的顶点集合，而E是超图的超边集合，每个样本都对应超图中的一个顶点v∈V,e∈E，δ(e)表示超边的阶，w(e)是超边的权重，d(v)表示超图的顶点阶，Fu是向量F关于顶点u的一个行向量，该行向量第k元素是顶点u关于第k个属性预测；
采用欧氏距离来度量最小化训练样本的预测误差：
其中，矩阵Y＝[y1,...,ym]是各个属性的标签集合，如果训练样本具有该属性，属性标签向量对应该样本的元素值为1，反之则为-1；
步骤44、训练样本的属性预测器可表示为从织物瑕疵特征样本空间到属性超图嵌入空间的映射问题：
F＝XTB(3) (11)
其中，矩阵B＝[β1,...,βm]是织物瑕疵特征样本空间X到属性超图嵌入空间的投影矩阵；
根据属性预测器的目标函数学习得到一组最优的超图，目标函数可以定义为：
其中，η是一个非负正则化参数，λ是一个正参数，LH是一个拉普拉斯正定对称阵,X为织物瑕疵特征样本空间，Y为属性标签矩阵，B为投影矩阵；
步骤45、给定一个坏针瑕疵样本zk，按照公式(13)计算其属性预测值：
Pk＝sign(zk TB) (13)
B＝[β1,...,βm]是织物瑕疵特征样本空间X到属性超图嵌入空间的投影矩阵，若Pk为正数，表示坏针瑕疵样本zk具有坏针瑕疵特征样本的属性，若为负数，则表示坏针瑕疵样本zk不具有该属性；
步骤46、将步骤45学习到的属性预测值用于分类，利用Sigmoid函数对属性预测值进行归一化，确保其值在0-1之间，以用来进行零样本学习，归一化如下：
其中，ρ是一个控制尺度归一化的正参数，向量rk＝[rk1,...,rkm]是归一化后样本zk的各个属性的预测值；归一化后的属性预测值可视为一个样本具有特定属性的概率；利用贝叶斯法则根据一个样本的属性存在性概率r来计算属于各个测试类别的后验概率，样本的真实类别应该具有最大的后验概率；指的是样本属性预测值；
步骤47、对每类瑕疵样本都定义一个属性列表模板，假设坏针瑕疵的属性列表模板ta，该模板每个元素表示该类样本具有不容属性的先验概率，通过度量属性列表模板和坏针瑕疵样本学习到的属性预测值的距离对坏针瑕疵分类，公式如下：
其中函数O(zk)为具有最小欧式距离的类别标签，rk是归一化后坏针瑕疵样本zk的各个属性的预测值，ta表示坏针瑕疵的属性列表模板。
2.根据权利要求1所述的一种大圆机的坏针瑕疵检测方法，其特征在于所述步骤21中求取每一像素块纹线方向信息的可靠性具体为：根据式(1)得到以(i,j)为中心的像素块纹线方向信息的可靠性χ(i,j)：
其中，R为以(i,j)为中心的像素块周围的像素块集合，n为像素块集合R中像素块的数目，n＝w×w，θ(i,j)，θ(i',j')分别代表以(i,j)，(i',j')为中心的像素块的方向。
3.根据权利要求1所述的一种大圆机的坏针瑕疵检测方法，其特征在于所述步骤21中，根据式(2)计算旋转坐标(x'，y')：
其中，θ为以(i',j')为中心的像素块的方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710036716.0A CN107016664B (zh) | 2017-01-18 | 2017-01-18 | 一种大圆机的坏针瑕疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710036716.0A CN107016664B (zh) | 2017-01-18 | 2017-01-18 | 一种大圆机的坏针瑕疵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107016664A CN107016664A (zh) | 2017-08-04 |
| CN107016664B true CN107016664B (zh) | 2019-08-30 |
Family
ID=59440752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710036716.0A Active CN107016664B (zh) | 2017-01-18 | 2017-01-18 | 一种大圆机的坏针瑕疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016664B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
| CN108494602B (zh) * | 2018-04-08 | 2020-11-06 | 上海鸿洛通信电子有限公司 | Ota参数的调整方法、装置及智能终端 |
| CN108717569B (zh) * | 2018-05-16 | 2022-03-22 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络装置及其构建方法 |
| CN108896561B (zh) * | 2018-07-09 | 2021-04-06 | 苏州新乐隆自动化科技有限公司 | 一种基于多线程机器视觉的纺织布料检测方法 |
| CN108986093B (zh) * | 2018-07-19 | 2021-08-24 | 常州宏大智能装备产业发展研究院有限公司 | 基于机器视觉的圆网或平网印花机堵网疵点检测方法 |
| CN112489073B (zh) * | 2020-11-18 | 2021-07-06 | 中国人民解放军陆军军事交通学院镇江校区 | 基于帧间高级特征差分的零样本视频前景分割方法 |
| CN113221881B (zh) * | 2021-04-30 | 2022-03-22 | 浙大城市学院 | 一种多层级的智能手机屏幕缺陷检测方法 |
| CN115984246B (zh) * | 2022-01-27 | 2024-01-23 | 华南理工大学 | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 |
| CN114529550B (zh) * | 2022-04-25 | 2022-07-01 | 启东新朋莱纺织科技有限公司 | 一种基于图像处理的纺织品色牢度检测方法及系统 |
| CN116862917B (zh) * | 2023-09-05 | 2023-11-24 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
| CN116894841B (zh) * | 2023-09-08 | 2023-11-28 | 山东天鼎舟工业科技有限公司 | 一种变速箱合金壳体质量视觉检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6026571A (ja) * | 1983-06-30 | 1985-02-09 | ガ−バ−・サイエンテイフイツク・インコ−ポレ−テツド | 布帛の欠陥処理装置 |
| CN102073995A (zh) * | 2010-12-30 | 2011-05-25 | 上海交通大学 | 基于纹理金字塔与正则化局部回归的色彩恒常方法 |
| CN103955922A (zh) * | 2014-04-17 | 2014-07-30 | 西安工程大学 | 基于Gabor滤波器的印花织物疵点检测方法 |
| CN104778692A (zh) * | 2015-04-09 | 2015-07-15 | 中原工学院 | 一种基于稀疏表示系数优化的织物疵点检测方法 |
-
2017
- 2017-01-18 CN CN201710036716.0A patent/CN107016664B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6026571A (ja) * | 1983-06-30 | 1985-02-09 | ガ−バ−・サイエンテイフイツク・インコ−ポレ−テツド | 布帛の欠陥処理装置 |
| CN102073995A (zh) * | 2010-12-30 | 2011-05-25 | 上海交通大学 | 基于纹理金字塔与正则化局部回归的色彩恒常方法 |
| CN103955922A (zh) * | 2014-04-17 | 2014-07-30 | 西安工程大学 | 基于Gabor滤波器的印花织物疵点检测方法 |
| CN104778692A (zh) * | 2015-04-09 | 2015-07-15 | 中原工学院 | 一种基于稀疏表示系数优化的织物疵点检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于机器视觉的智能化布匹瑕疵检测方法";李鑫 等;《河南工程学院学报》;20101231;第22卷(第4期);第11-14页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107016664A (zh) | 2017-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
| CN107256558B (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| Paris et al. | A topological approach to hierarchical segmentation using mean shift | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN104217438B (zh) | 基于半监督的图像显著性检测方法 | |
| CN109271991A (zh) | 一种基于深度学习的车牌检测方法 | |
| CN108932518B (zh) | 一种基于视觉词袋模型的鞋印图像特征提取及检索方法 | |
| CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN105279519A (zh) | 基于协同训练半监督学习的遥感影像水体提取方法及系统 | |
| CN109948625A (zh) | 文本图像清晰度评估方法及系统、计算机可读存储介质 | |
| CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
| CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
| CN103366373B (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN111199245A (zh) | 油菜害虫识别方法 | |
| Yang et al. | Instance segmentation and classification method for plant leaf images based on ISC-MRCNN and APS-DCCNN | |
| CN110969121A (zh) | 一种基于深度学习的高分辨率雷达目标识别算法 | |
| CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
| CN108280469A (zh) | 一种基于稀疏表示的超市商品图像识别方法 | |
| CN114818931A (zh) | 一种基于小样本元学习的水果图像分类方法 | |
| CN110991374A (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
| CN107256545B (zh) | 一种大圆机的破洞瑕疵检测方法 | |
| Li et al. | Research on textile defect detection based on improved cascade R-CNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |