CN107064160A - 基于显著性检测的纺织品表面瑕疵检测方法及系统 - Google Patents
基于显著性检测的纺织品表面瑕疵检测方法及系统 Download PDFInfo
- Publication number
- CN107064160A CN107064160A CN201710211976.7A CN201710211976A CN107064160A CN 107064160 A CN107064160 A CN 107064160A CN 201710211976 A CN201710211976 A CN 201710211976A CN 107064160 A CN107064160 A CN 107064160A
- Authority
- CN
- China
- Prior art keywords
- image
- textile
- module
- flaw
- textile surface
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种基于显著性检测的纺织品表面瑕疵检测方法,包括:对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品;抓拍运动过程中纺织品表面图像;调节抓拍运动中的亮度和曝光时间;去除纺织品表面图像的失真部分和噪声;对纺织品表面图像进行疵点检测以生成检测结果;根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。本发明还公开了一种基于显著性检测的纺织品表面瑕疵检测系统。采用本发明,能对多种宽幅纺织品进行图像采集和数据分析,精确地分析出纺织品表面瑕疵的位置,自动打印报表和瑕疵分布图反映纺织品的质量,自动化程度高,检测速度快,能最大程度减少人的参与,减轻验布工的负担,应用范围广泛。
Description
技术领域
本发明涉及纺织印染技术领域,尤其涉及一种基于显著性检测的纺织品表面瑕疵检测方法及基于显著性检测的纺织品表面瑕疵检测系统。
背景技术
纺织行业对于纺织品的质量有严格的要求。其中,纺织品表面的瑕疵直接影响最终成品的价格,对表面瑕疵进行检测对企业的质量管理、成本控制及提升产品竞争力有巨大的意义。
近几年来,人工验布的方式依然是大多数纺织企业的主要方式,由于验布工每天要在生产线上工作长达12个小时,每天长期注视着高速运动的布料,视觉系统会受到很大的伤害。
人工验布受人生理特征的限制,检测结果受人为因素影响比较大,验布工技能的好坏决定了瑕疵正确检出率。不同的验布工对瑕疵判断的标准也存在一定的差异。因此很难保证检测结果的一致性和客观性。此外,面对枯燥的验布工作,验布工要保持高度的精力集中,周围环境的影响,比如工作过程中同事聊天,也会大大影响检测结果。
人保持的注意力的时间是有限的,最多维持1个小时左右。但是验布工要连续工作十几个小时处于验布状态,加上检测过程中纺织品处于运动状态,验布工极易产生视觉疲劳,导致漏检率大大增加。在检验速度方面,由于人眼可接受的速度非常有限,这大大限制了验布的效率。
基于机器视觉的瑕疵自动检测系统是人工智能与计算机科学与人工智能发展的产物,该系统具备天然的优势,为人工验布提供可行的替代方案。该系统顺应了纺织的自动化和智能化的发展趋势,比起人工验布,具有客观、稳定和高效的优点。
到目前为止,已经推出市场的瑕疵检测系统都是国外的,而且算法细节都是保密的。主要包括以色列EVS的I-TEX系列自动验布系统、比利时Barco Vision公司的Cyclops在线织物瑕疵检测系统和瑞士Uster公司的Fabriscan自动验布系统。其中EVS公司在此领域影响力最大,其设备在大型纺织厂使用相对较多,如广东溢达纺织厂已经投入使用。最新的IQ-TEX无纺布瑕疵检测系统,最大检测速度可达1000m/min,最小检测瑕疵尺寸在0.2mm。然而这些自动检测系统使用状况并不理想,主要原因是这些系统对纺织品品种的适应性比较差,而且价格非常昂贵。而我国在这方面研究起步较晚,纺织品瑕疵自动检测系统仍处于研发阶段,目前国内还没有成熟的产品。因此研发具有自主知识产权的国产自动验布系统对打破国外垄断和技术创新有很重大的意义。
发明内容
本发明所要解决的技术问题在于,提供一种基于显著性检测的纺织品表面瑕疵检测方法及系统,可能对多种宽幅纺织品进行图像采集和数据分析,精确地分析出纺织品表面瑕疵的位置,并进行数据库存储,检测完成后自动打印报表和瑕疵分布图反映纺织品的质量。
为了解决上述技术问题,本发明提供了一种基于显著性检测的纺织品表面瑕疵检测方法,包括:
S1,对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品;
S2,抓拍运动过程中纺织品表面图像;
S3,调节抓拍运动中的亮度和曝光时间;
S4,去除纺织品表面图像的失真部分和噪声;
S5,对纺织品表面图像进行疵点检测以生成检测结果;
S6,根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。
作为上述方案的改进,所述步骤S2包括:抓拍运动过程中纺织品表面图像;调节拍摄模块的工作距离;对纺织品表面打光;对纺织品打透射光;获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机的扫描频率;调节相机相对卷布机的水平距离、角度和高度;调节线性光源相对线阵相机的水平位置、角度和高度。
作为上述方案的改进,所述步骤S3包括:将编码器采集的速度信号转化为线阵相机内触发所需的扫描频率信号;通过白平衡算法调节亮度;调整曝光时间。
作为上述方案的改进,所述步骤S4包括:对纺织品表面图像进行平场校正处理;对纺织品表面图像进行平滑处理。
作为上述方案的改进,所述步骤S5包括:将线阵相机采集到的纺织品表面图像划分为多个区域子图像;调整区域子图像的图像大小;通过动态滑块扫描区域子图像,将区域子图像划分为多个分块图像,并对分块图像进行纹理分析;提取分块图像的textons基元纹理特征;获取每个滑块的特征值数组,计算每个滑块的特征均值;获取区域子图像的F范数;以求得的F范数作为子空间分割的先验知识,采用基于先验知识的子空间分割算法对纺织品表面图像进行分割,并采用拉格朗日迭代算法,求出分割后所有区域子图像用于衡量瑕疵信息强弱的特征向量;获取纺织品表面图像的瑕疵映射图像;对瑕疵映射图像进行滤波处理;通过最大类方差法寻找阈值,并采用阈值法将瑕疵映射图像转化为二值图像;采用八连通区域检测算法获取二值图像的轮廓,所述轮廓包括外部轮廓及内部边缘;存储瑕疵位置及瑕疵大小;显示检测结果。
相应地,本发明还提供了一种基于显著性检测的纺织品表面瑕疵检测系统,包括:
机械验布模块,用于对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品;
图像采集模块,用于抓拍运动过程中纺织品表面图像;
图像获取模块,用于调节抓拍运动中的亮度和曝光时间;
图像预处理模块,用于去除纺织品表面图像的失真部分和噪声;
图像表面瑕疵分析模块,用于对纺织品表面图像进行疵点检测以生成检测结果;
图像表面瑕疵分布打印模块,用于根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。
作为上述方案的改进,所述图像采集模块包括:线阵相机,用于抓拍运动过程中纺织品表面图像;镜头,用于配合线阵相机抓拍;接圈,用于调节拍摄模块的工作距离;线性光源,用于对纺织品表面打光;打光灯管,用于对纺织品打透射光;编码器,用于获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机的扫描频率;工控机,用于算法运算和数据存储;相机支架,用于固定相机并调节相机相对卷布机的水平距离、角度和高度;光源支架,用于固定线性光源并调节线性光源相对线阵相机的水平位置、角度和高度;光源冷却装置,用于光源散热。
作为上述方案的改进,所述图像获取模块包括:纺织品纵向扫描频率获取模块,用于将编码器采集的速度信号转化为线阵相机内触发所需的扫描频率信号;白平衡模块,用于通过白平衡算法调节亮度;曝光时间自动调整模块,用于调整曝光时间。
作为上述方案的改进,所述图像预处理模块包括:平场校正模块,用于对纺织品表面图像进行平场校正处理;第一高斯滤波模块,用于对纺织品表面图像进行平滑处理。
作为上述方案的改进,所述图像瑕疵分析模块包括:图像区域划分模块,用于将线阵相机采集到的纺织品表面图像划分为多个区域子图像;图像下采样模块,用于调整区域子图像的图像大小;子图像各区域分块模块,用于通过动态滑块扫描区域子图像,将区域子图像划分为多个分块图像,并对分块图像进行纹理分析;图像纹理特征提取模块,用于提取分块图像的textons基元纹理特征;图像块特征计算模块,用于获取每个滑块的特征值数组,计算每个滑块的特征均值;F范数先验知识获取模块,用于获取区域子图像的F范数;低秩表示子空间分割模块,用于以求得的F范数作为子空间分割的先验知识,采用基于先验知识的子空间分割算法对纺织品表面图像进行分割,并采用拉格朗日迭代算法,求出分割后所有区域子图像用于衡量瑕疵信息强弱的特征向量;显著区域恢复模块,用于获取纺织品表面图像中的瑕疵映射图像;第二高斯滤波模块,用于对瑕疵映射图像进行滤波处理;自动阈值获取模块,用于通过最大类方差法寻找阈值,并采用阈值法将瑕疵映射图像转化为二值图像;连通区域检测模块,用于采用八连通区域检测算法获取二值图像的轮廓,所述轮廓包括外部轮廓及内部边缘;瑕疵数据存储模块,用于存储瑕疵位置及瑕疵大小;瑕疵信息显示模块,用于显示检测结果。
实施本发明,具有如下有益效果:
本发明能对多种宽幅纺织品进行图像采集和数据分析,精确地分析出纺织品表面瑕疵的位置,并进行数据库存储,检测完成后自动打印报表和瑕疵分布图反映纺织品的质量,自动化程度高,检测速度快,能最大程度减少人的参与,减轻验布工的负担,应用范围广泛。
附图说明
图1是本发明基于显著性检测的纺织品表面瑕疵检测方法的实施例流程图;
图2是本发明基于显著性检测的纺织品表面瑕疵检测系统的结构示意图;
图3是图2中机械验布模块的结构示意图;
图4是图2中图像采集模块的结构示意图;
图5是图2中图像获取模块的结构示意图;
图6是图2中图像预处理模块的结构示意图;
图7是图2中图像表面瑕疵分析模块的结构示意图;
图8是图2中图像表面瑕疵分布打印模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
图1是本发明基于显著性检测的纺织品表面瑕疵检测方法的实施例流程图,包括:
S1,对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品。
具体地,所述步骤S1包括:
S101,通过卷布机对纺织品进行上布及卷布处理。
S102,通过布面刷毛吸尘装置将纺织品表面影响检测的可去除异物(如,绒毛,灰尘,蚊虫,微小的碎布,头发,线头等)采用吹-刷毛-吸-过滤-吹、拍打、静电消除等方式去除,使异物与纺织品表面快速分离,以减少该类轻度瑕疵对检测结果的影响,更好的反映纺织品的质量。
S103,通过红外对中装置将纺织品完全展开,并快速纠正纺织品的偏移,保证运行稳定。通过红外对中装置,可将纺织品完全展开,使得卷布机的上布及卷布过程可以尽可能减少人工的干预,保证无人操作的时候,卷布机不会因为跑偏而出现前后重锤限位的状况。
因此,步骤S1中机械验布模块将卷布机、布面刷毛吸尘装置及红外对中装置相结合,工作时,将待检测的纺织品送上卷布机,使纺织品能够完全展开,并提供运动的纺织品以供拍摄,同时上布和卷布过程中,布面刷毛吸尘装置及时清理布面,红外对中装置实时纠正纺织品在移动过程中的左右偏移,为图像采集提供最佳的拍摄环境。
S2,抓拍运动过程中纺织品表面图像。
具体地,所述步骤S2包括:
S201,抓拍运动过程中纺织品表面图像。需要说明的是,抓拍过程中需将线阵相机、镜头及接圈相结合,其中,线阵相机主要用于对运动的纺织品进行扫描,当需对幅宽为1.8m的纺织品完成抓拍时,需要配置至少两台线阵相机。镜头,用于配合线阵相机抓拍;所述镜头优选为施耐德镜头,且至少为两个。接圈,用于调节拍摄模块的工作距离,实现更清晰的抓拍;所述接圈优选为M72-V接圈,且至少为两个。
S202,调节拍摄模块的工作距离。
S203,利用线性光源对纺织品表面打光。线性光源可以照亮纺织品表面,为线阵相机拍摄打光,保证线阵相机在光线差、纺织品高速运动的情况下能补充足够的光照,抓拍到清晰的图像,同时,由于拍摄幅宽为1.8m,因此需要配置至少两个1米的线性光源。
S204,利用打光灯管对纺织品打透射光,增强对表面瑕疵的拍摄效果;所述打光灯管可以为多个。
S205,利用编码器获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机的扫描频率。需要说明的是,编码器,用于获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机的扫描频率,从而正确地对运动的纺织品实现抓拍。编码器可以将纺织品的速度信号转化为线阵相机内触发模式所需的速度增量脉冲信号,并通过计算转化为线阵相机扫描所需的扫描行频信号,随着纺织品移动速度的改变,编码器获得的速度增量脉冲信号以及计算得到的扫描行频信号也会发生变化,通过实时更新线阵相机的扫描行频,可保证线阵相机获得的积分图像的误差不超过5%,所述编码器优选为增量编码器。
S206,利用相机支架固定并调节相机相对卷布机的水平距离、角度和高度。
S207,利用光源支架固定并调节线性光源相对线阵相机的水平位置、角度和高度。
S3,调节抓拍运动中的亮度和曝光时间,内触发线阵相机以拍摄清晰无失真的动态视频流。
另外,还可以通过工控机实现算法运算和数据存储,所述工控机优选为双PCI网卡工控机;通过光源冷却装置实现光源散热,由于生产线检测条件比较恶劣,温度比较高,光源(线性光源、打光灯管)昼夜不停地工作,产生的热量比较大,但是过热容易减少光源的使用寿命,采用光源冷却装置可保证相机和光源长期在高温、高压等恶劣环境下工作快速散热,提高相机和光源的使用寿命。
因此,步骤S2中将所有硬件设备(线阵相机两个,施耐德镜头两个,镜头接圈两个,线性光源规格1000mm两个,相机支架两个,线性光源支架两个,编码器一个,双PCI网卡工控机,普通打光灯管三个,光源冷却装置两个等)连接起来,搭建拍摄环境。工作时,安装线阵相机、施耐德镜头、接圈、线阵光源、打光灯管等设备,需根据实际的需求通过相机支架及线性光源支架调整安装的高度和角度,使拍摄的幅宽为1.8m,拍摄的精度为0.2mm,且线性光源与拍摄线的距离尽可能小且不遮挡光线,减少光源的亮度,节约电能。
具体地,所述步骤S3包括:
S301,将编码器采集的速度信号转化为线阵相机内触发所需的扫描频率信号。工作时,通过可编码器获得纺织品运动的速度,采用RS-422接口直接连接线阵相机,再通过内触发的方式获得脉冲信号,把编码器读取的纺织品速度变化的增量脉冲信号转化为扫描行频信号,并通过Dalsa线阵相机软件接口实时更新线阵相机的扫描行频,从而得到正确的积分图像,达到精确拍摄的目的,保证线扫描误差对拍摄成像没有影响。
S302,通过白平衡算法调节亮度。图像的亮度会随着布料的种类、外界光照强度的变化、和纺织品运动的速度等因素的变化而发生变化,通过白平衡算法,根据变频器获得的扫描行频和速度信息,自动调节图像的亮度,使图像随着布料的种类、外界光照强度的变化和纺织品运动速度等因素的变化而自动调节白平衡,使图像有更好的视觉效果,保证图像的清晰度能满足图像分析的需求,更方便系统分析。
S303,调整曝光时间。拍摄的最小像元在曝光时间内的平均速度要远远大于纺织品运动的速度才能清晰地对图像实现抓拍,而随着纺织品速度的加快,对光照的强度要求也随之增大,通过曝光时间自动调整,可使拍摄的最小像元在曝光时间内的平均速度远远大于纺织品运动的速度,能同时获得满意的图像清晰度和合适的光强。
因此,通过步骤S3可拍摄到视觉效果较好的积分图像,保证积分图像的扫描线误差不超过5%。
S4,去除纺织品表面图像的失真部分和噪声。
具体地,所述步骤S4包括:
S401,对纺织品表面图像进行平场校正处理。由于系统拍摄的幅度非常宽,图像采集过程不可避免产生噪声信号,线性光源无法保证绝对打光均匀,图像采集过程存在延时等因素导致图像性能不好,因此图像需要进行平场校正。具体地,步骤S401中通过Sapera LT++提供的平场校正算法,可以选择Basic和Low Pass两种算法对图像采集过程中产生的图像不一致性、固定图像噪声、图像响应不一致性、镜头和光源不一致性等进行校正。
S402,对纺织品表面图像进行平滑处理。步骤S402中通过高斯滤波算法,对图像采集过程由于随机信号污染产生的常见噪声(如椒盐噪声,脉冲噪声和高斯噪声等)进行滤波处理,减少噪声信号对图像分析的干扰。
因此,通过步骤S4可对图像做基本的前期预处理工作,去除原始积分图像表面的不一致性和常见的噪声信号。
S5,对纺织品表面图像进行疵点检测以生成检测结果。
具体地,所述步骤S5包括:
S501,将线阵相机采集到的纺织品表面图像划分为多个区域子图像,即通过对纺织品表面图像区域进行分块编号,分别分析各块的表面瑕疵。
S502,调整区域子图像的图像大小。采用线性差值法对图像进行下采样处理,将图像调整为最合适的大小,使图像的宽调整为一致,保证不但可以最大程度加快图像分析的速度、减少运算量,而且对检测结果精度没有影响。具体地,可通过对图像进行s倍下采样,把原始图像s*s窗口内的图像变成一个像素。
S503,通过动态滑块扫描区域子图像,将区域子图像划分为多个分块图像,并对分块图像进行纹理分析。具体地,通过设定一定大小的滑块(特定尺度的滑块),以某一速度(步长)从左到右扫描,然后以相同的速度(步长)从上到下滑动该速度值的像素数,再以这个速度从右到左滑动,依此规律扫描整幅图像,记录所有滑块内的像素相对整幅图像的ID,即可得到所有滑块包含像素位置的集合。
S504,提取分块图像的textons基元纹理特征。相应地,为了减少运算量,可减少textons特征的维数(由原来的八维降为四维),实验证明,尽管降低了维数,但是检测结果并未发生太大的变化。
S505,获取每个滑块的特征值数组,计算每个滑块的特征均值。步骤S505中计算模块对每个块中的随机多个位置提取基元特征数组并计算平均值,通过随机取值,降低某些主观因素对结果的影响。具体地,计算方式如下:根据每一个滑块内像素的ID得到滑块的特征数组,分别根据每个滑块的特征值数组计算滑块的特征均值,并将所有滑块的特征值均值合并为包含所有块特征均值的序列,分别对序列中每个特征求解均值,再对序列中的每一个特征元素减去该均值,得到新的去均值后的序列。
S506,获取区域子图像的F范数。步骤S506将所有块提取出的降维后的四维特征去均值后计算F范数作为基于先验知识的低秩分解算法的先验知识,具体地,通过对去均值后的序列求F范数,即可得到包含所有滑块的F范数数组。
S507,以求得的F范数作为子空间分割的先验知识,采用基于先验知识的子空间分割算法对纺织品表面图像进行分割,并采用拉格朗日迭代算法,求出分割后所有区域子图像用于衡量瑕疵信息强弱的特征向量。相应地,步骤S507主要是采用增广拉格朗日数乘法计算得到公式()中的最优化问题的解,将图像中包含瑕疵的成分和不包含瑕疵的成分分割出来;同时,低秩表示子空间分割模块的实现部分主要采用迭代的方式,得到各分块包含瑕疵显著性的权重。
S508,获取纺织品表面图像中的瑕疵映射图像。步骤S508中根据所求特征向量和滑块索引信息,获取纺织品表面图像中的瑕疵映射图像,相应地,根据各分块中包含瑕疵显著性的权重得到瑕疵映射分布图,通过瑕疵映射分布图可以得到瑕疵的位置和大小。
S509,对瑕疵映射图像进行滤波处理。相应地,步骤S509中通过高斯滤波算法对瑕疵映射分布图滤波,滤除一些由于噪声产生的显著性差异,排除非瑕疵噪声区域带来的干扰,提高检测的准确性。
S510,通过最大类方差法寻找阈值,并采用阈值法将瑕疵映射图像转化为二值图像。
S511,采用八连通区域检测算法获取二值图像的轮廓,所述轮廓包括外部轮廓及内部边缘。相应地,步骤S511采用八邻域连通区域检测算法,检测出瑕疵映射分布图中的所有瑕疵区域的边界坐标数组,并在图像中标记瑕疵的位置及形状。
S512,存储瑕疵位置及瑕疵大小。需要说明是,步骤S512将检测出的相对于整个纺织品的瑕疵位置、大小和连通区域坐标数组存储到数据库,便于生成产品质量报表。具体地,步骤S512通过获取的轮廓标记瑕疵块的位置(位置采用连通坐标序列表示瑕疵块对应的连通区域)、大小(大小用连通区域包含的像素数衡量),并根据图像比例,将测出的相对块本身的瑕疵大小和位置转化为相对整幅图像的大小和位置,对所有检测结果进行汇总,并将连通区域坐标序列和瑕疵大小等数据进行数据库存储。
S513,显示检测结果。相应地,步骤S513通过采用图像处理、模式识别等技术,能对图像表面瑕疵的位置的大小进行检测并标记,其主要是软件的GUI设计,用于显示运动的纺织品图像、纺织品当前检测状况、检测到的瑕疵的位置、大小及瑕疵图像截图等信息。
因此,步骤S5通过对纺织品表面图像区域进行分块编号,分别分析各块的表面瑕疵,并结合多尺度下采样分析算法,通过变换为合适的大小,对图像表面瑕疵进行分析,对各块的检测结果进行合并,计算并输出瑕疵的大小和位置信息。
S6,根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。
具体地,步骤S6包括:
S601,根据图像表面瑕疵分析模块的检测结果生成质量报表,反映纺织品质量。
S602,打印质量报表。
因此,步骤S6通过利用瑕疵数据库中存储的瑕疵的大小和位置信息,即可得到纺织品表面瑕疵分布图,并生成检测报表反映纺织品的质量,检测完成后自动打印报表。
由上可知,本发明基于显著性检测的纺织品表面瑕疵检测方法自动化程度高,检测速度快,能最大程度减少人的参与,减轻验布工的负担,应用范围广泛。具体地,本发明能对多种宽幅纺织品进行图像采集和数据分析,精确地分析出纺织品表面瑕疵的位置,并进行数据库存储,检测完成后自动打印报表和瑕疵分布图反映纺织品的质量。
参见图2,图2显示了本发明基于显著性检测的纺织品表面瑕疵检测系统100的具体结构,包括机械验布模块1、图像采集模块2、图像获取模块3、图像预处理模块4、图像表面瑕疵分析模块5及图像表面瑕疵分布打印模块6,其中:
机械验布模块1,用于对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品。
图像采集模块2,用于抓拍运动过程中纺织品表面图像。
图像获取模块3,用于调节抓拍运动中的亮度和曝光时间,内触发线阵相机以拍摄清晰无失真的动态视频流。
图像预处理模块4,用于去除纺织品表面图像的失真部分和噪声。
图像表面瑕疵分析模块5,用于对纺织品表面图像进行疵点检测以生成检测结果。
图像表面瑕疵分布打印模块6,用于根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。
如图3所示,所述机械验布模块1包括卷布机11、布面刷毛吸尘装置12及红外对中装置13,其中:
卷布机11,用于纺织品进行上布及卷布处理。
布面刷毛吸尘装置12,用于将纺织品表面影响检测的可去除异物(如,绒毛,灰尘,蚊虫,微小的碎布,头发,线头等)采用吹-刷毛-吸-过滤-吹、拍打、静电消除等方式去除,使异物及与纺织品表面快速分离,以减少该类轻度瑕疵对检测结果的影响,更好的反映纺织品的质量。
红外对中装置13,用于将纺织品完全展开,并能快速纠正纺织品的偏移,保证运行稳定。通过红外对中装置13,可将纺织品完全展开,使得卷布机11的上布及卷布过程尽可能减少人工的干预,保证无人操作的时候,卷布机11不会因为跑偏而出现前后重锤限位的状况。
因此,机械验布模块1将卷布机11、布面刷毛吸尘装置12及红外对中装置13相结合,工作时,将待检测的纺织品送上卷布机11,使纺织品能够完全展开,并提供运动的纺织品以供拍摄,同时上布和卷布过程中,布面刷毛吸尘装置12及时清理布面,红外对中装置13实时纠正纺织品在移动过程中的左右偏移,为图像采集提供最佳的拍摄环境。
如图4所示,所述图像采集模块2包括线阵相机21、镜头22、接圈23、线性光源24、打光灯管25、编码器26、工控机27、相机支架28、光源支架29及光源冷却装置210,其中:
线阵相机21,用于抓拍运动过程中纺织品表面图像。线阵相机21主要用于对运动的纺织品进行扫描,当需对幅宽为1.8m的纺织品完成抓拍时,至需要配置至少两台线阵相机。
镜头22,用于配合线阵相机21抓拍。所述镜头22优选为斯耐德镜头,且至少为两个。
接圈23,用于调节拍摄模块的工作距离,实现更清晰的抓拍。所述接圈23优选为M72-V接圈,且至少为两个。
线性光源24,用于对纺织品表面打光。线性光源24可以照亮纺织品表面,为线阵相机21拍摄打光,保证线阵相机21在光线差、纺织品高速运动的情况下能补充足够的光照,抓拍到清晰的图像,同时,由于拍摄幅宽为1.8m,因此需要配置至少两个1米的线性光源24。
打光灯管25,用于对纺织品打透射光,增强对表面瑕疵的拍摄效果。所述打光灯管25可以为多个。
编码器26,用于获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机21的扫描频率,从而正确地对运动的纺织品实现抓拍。编码器26可以将获得的纺织品的速度信号转化为线阵相机21内触发模式所需的速度增量脉冲信号,并通过计算转化为线阵相机21扫描所需的扫描行频信号,随着纺织品移动速度的改变,编码器26获得速度增量脉冲信号以及算出的扫描行频信号也会发生变化,通过实时更新线阵相机21的扫描行频,可保证线阵相机21获得的积分图像的误差不超过5%,所述编码器26优选为增量编码器。
工控机27,用于算法运算和数据存储,所述工控机27优选为双PCI网卡工控机。
相机支架28,用于固定相机并调节线阵相机21相对卷布机的水平距离、角度和高度,以适应多种拍摄方案。
光源支架29,用于固定线性光源24并调节线性光源24相对线阵相机21的水平位置、角度和高度,以配合对多种拍摄方案打光。
光源冷却装置210,用于光源散热。由于生产线检测条件比较恶劣,温度比较高,光源(线性光源24、打光灯管25)昼夜不停地工作,产生的热量比较大,但是过热容易减少光源的使用寿命,采用光源冷却装置210可保证线阵相机21和光源长期在高温、高压等恶劣环境下工作快速散热,提高线阵相机21和光源的使用寿命。
工作时,将所有硬件设备(线阵相机21两个,施耐德镜头22两个,镜头接圈23两个,线性光源24规格1000mm两个,相机支架28两个,光源支架29两个,编码器26一个,双PCI网卡工控机27,普通打光灯管25三个,光源冷却装置210两个等)连接起来,搭建拍摄环境。需要说明的是,安装线阵相机21、施耐德镜头22、接圈23、线阵光源24、打光灯管25等设备,需根据实际的需求通过相机支架28及光源支架29调整安装的高度和角度,使拍摄的幅宽为1.8m,拍摄的精度为0.2mm,且线性光源24与拍摄线的距离尽可能小且不遮挡光线,减少光源的亮度,节约电能。
如图5所示,所述图像获取模块3包括纺织品纵向扫描触发频率获取模块31、白平衡模块32及曝光时间自动调整模块33,其中:
纺织品纵向扫描触发频率获取模块31,用于将编码器26采集的速度信号转化为线阵相机21内触发所需的扫描频率信号。纺织品纵向扫描触发频率获取模块31通过编码器26获得纺织品运动的速度,采用RS-422接口直接连接线阵相机21,再通过内触发的方式获得脉冲信号,把编码器26读取的纺织品速度变化的增量脉冲信号转化为扫描行频信号,并通过Dalsa线阵相机21软件接口实时更新线阵相机21的扫描行频,从而得到正确的积分图像,达到精确拍摄的目的,保证线扫描误差对拍摄成像没有影响。
白平衡模块32,用于通过白平衡算法调节亮度。图像的亮度会随着布料的种类、外界光照强度的变化、和纺织品运动的速度等因素的变化而发生变化,通过白平衡算法,根据变频器获得的扫描行频和速度信息,自动调节图像的亮度,使图像随着布料的种类、外界光照强度的变化和纺织品运动速度等因素的变化而自动调节白平衡,使图像有更好的视觉效果,使图像的清晰度能满足图像分析的需求,更方便系统分析。
曝光时间自动调整模块33,用于调整曝光时间。拍摄的最小像元在曝光时间内的平均速度要远远大于纺织品运动的速度才能清晰地对图像实现抓拍,而随着纺织品运动速度的加快,对光照的强度要求也随之增大,通过曝光时间自动调整,可使拍摄的最小像元在曝光时间内的平均速度远远大于纺织品运动的速度,能同时获得满意的图像清晰度和合适的光强。
因此,通过图像获取模块3可拍摄到视觉效果较好的积分图像,保证积分图像的扫描线误差不超过5%。
如图6所示,所述图像预处理模块4包括平场校正模块41及第一高斯滤波模块42,其中:
平场校正模块41,用于对纺织品表面图像进行平场校正处理。由于系统拍摄的幅度非常宽,图像采集过程不可避免产生噪声信号,线性光源无法保证绝对打光均匀,图像采集过程存在延时等因素导致图像性能不好,因此图像需要进行平场校正。具体地,平场校正模块41通过Sapera LT++提供的平场校正算法,可以选择Basic和Low Pass两种算法对图像采集过程中产生的图像不一致性、固定图像噪声、图像响应不一致性、镜头和光源不一致性等进行校正。
第一高斯滤波模块42,用于对纺织品表面图像进行平滑处理,对图像表面像素进行去噪,减少噪声对图像分析的干扰。具体地,第一高斯滤波模块42通过高斯滤波算法,对图像采集过程由于随机信号污染产生的常见噪声(如椒盐噪声,脉冲噪声和高斯噪声等)进行滤波处理,减少噪声信号对图像分析的干扰。
因此,通过图像预处理模块4可对图像做基本的前期预处理工作,去除原始积分图像表面的不一致性和常见的噪声信号。
如图7所示,所述图像瑕疵分析模块5包括图像区域划分模块51、图像下采样模块52、子图像各区域分块模块53、图像纹理特征提取模块54、图像块特征计算模块55、F范数先验知识获取模块56、低秩表示子空间分割模块57、显著区域恢复模块58、高斯滤波模块59、自动阈值获取模块510、连通区域检测模块511、瑕疵数据存储模块512及瑕疵信息显示模块513,其中:
图像区域划分模块51,用于将线阵相机21采集到的纺织品表面图像划分为多个区域子图像及其索引,便于分析和减少运算量。具体地,图像区域划分模块51通过对纺织品表面图像区域进行分块编号,分别分析各块的表面瑕疵。
图像下采样模块52,用于调整区域子图像的图像大小。采用线性差值法对图像进行下采样处理,将图像调整为最合适的大小,使图像的宽调整为一致,保证不但可以最大程度加快图像分析的速度、减少运算量,而且对检测结果精度没有影响。具体地,图像下采样模块52主要通过对图像进行s倍下采样,把原始图像s*s窗口内的图像变成一个像素。
子图像各区域分块模块53,用于通过动态滑块扫描区域子图像,将区域子图像划分为多个分块图像,并对分块图像进行纹理分析。具体地,通过设定一定大小的滑块(特定尺度的滑块),以某一速度(步长)从左到右扫描,然后以相同的速度(步长)从上到下滑动该速度值的像素数,再以这个速度从右到左滑动,依此规律扫描整幅图像,记录所有滑块内的像素相对整幅图像的ID,即可得到所有滑块包含像素位置的集合。
图像纹理特征提取模块54,用于提取分块图像的textons基元纹理特征。相应地,为了减少运算量,可减少textons特征的维数(由原来的八维降为四维),实验证明,尽管降低了维数,但是检测结果并未发生太大的变化。
图像块特征计算模块55,用于获取每个滑块的特征值数组,计算每个滑块的特征均值。图像块特征计算模块55对每个块中的随机多个位置提取基元特征数组并计算平均值,通过随机取值,降低某些主观因素对结果的影响。具体地,计算方式如下:根据每一个滑块内像素的ID得到滑块的特征数组,分别根据每个滑块的特征值数组计算滑块的特征均值,并将所有滑块的特征值均值合并为包含所有块特征均值的序列,分别对序列中每个特征求解均值,再对序列中的每一个特征元素减去该均值,得到新的去均值后的序列。
F范数先验知识获取模块56,用于获取区域子图像的F范数。F范数先验知识获取模块56是将所有块提取出的降维后的四维特征去均值后计算F范数作为基于先验知识的低秩分解算法的先验知识,具体地,通过对去均值后的序列求F范数,即可得到包含所有滑块的F范数数组。
低秩表示子空间分割模块57,用于以求得的F范数作为子空间分割的先验知识,采用基于先验知识的子空间分割算法对纺织品表面图像进行分割,并采用拉格朗日迭代算法,求出分割后所有区域子图像用于衡量瑕疵信息强弱的特征向量。相应地,低秩表示子空间分割模块主要是采用增广拉格朗日数乘法计算得到公式()中的最优化问题,将图像中包含瑕疵的成分和不包含瑕疵的成分分割出来;同时,低秩表示子空间分割模块的实现部分主要采用迭代的方式,得到各分块包含瑕疵显著性的权重。
显著区域恢复模块58,用于获取纺织品表面图像中的瑕疵映射图像。根据所求特征向量和滑块索引信息,获取纺织品表面图像中的瑕疵映射图像。相应地,显著区域恢复模块58根据各分块中包含瑕疵显著性的权重得到瑕疵映射分布图,通过瑕疵映射分布图可以得到瑕疵的位置和大小。
第二高斯滤波模块59,用于对瑕疵映射图像进行滤波处理,滤除部分噪声信号和一些可忽略的瑕疵,并让信号更加平滑。相应地,第二高斯滤波模块59通过高斯滤波算法对瑕疵映射分布图滤波,滤除一些由于噪声产生的显著性差异,排除非瑕疵噪声区域带来的干扰,提高检测的准确性。
自动阈值获取模块510,用于通过最大类方差法寻找阈值,并采用阈值法将瑕疵映射图像转化为二值图像。
连通区域检测模块511,用于采用八连通区域检测算法获取二值图像的轮廓,所述轮廓包括外部轮廓及内部边缘。相应地,连通区域检测模块511主要采用八邻域连通区域检测算法,检测出瑕疵映射分布图中的所有瑕疵区域的边界坐标数组,并在图像中标记瑕疵的位置及形状。
瑕疵数据存储模块512,用于存储瑕疵位置及瑕疵大小。需要说明是,瑕疵数据存储模块用于将检测出的相对于整个纺织品的瑕疵位置、大小和连通区域坐标数组存储到数据库,便于生成产品质量报表。具体地,瑕疵数据存储模块512获取的轮廓标记瑕疵块的位置(位置采用连通坐标序列表示瑕疵块对应的连通区域)、大小(大小用连通区域包含的像素数衡量),并根据图像比例,将测出的相对块本身的瑕疵大小和位置转化为相对整幅图像的大小和位置,对所有检测结果进行汇总,并将连通区域坐标序列和瑕疵大小等数据进行数据库存储。
瑕疵信息显示模块513,用于显示检测结果。相应地,瑕疵信息显示模块513通过采用图像处理、模式识别等技术,能对图像表面瑕疵的位置的大小进行检测并标记,其主要是软件的GUI设计,用于显示运动的纺织品图像、纺织品当前检测状况、检测到的瑕疵的位置、大小及瑕疵图像截图等信息。
因此,图像区域划分模块5通过对纺织品表面图像区域进行分块编号,分别分析各块的表面瑕疵,并结合多尺度下采样分析算法,通过变换为合适的大小,对图像表面瑕疵进行分析,对各块的检测结果进行合并,计算并输出瑕疵的大小和位置信息。
如图8所示,所述图像表面瑕疵分布打印模块6包括瑕疵报表生成模块61及自动打印模块62,其中:
瑕疵报表生成模块61,用于根据图像表面瑕疵分析模块的检测结果生成质量报表,反映纺织品质量。
自动打印模块62,用于打印质量报表。
因此,图像表面瑕疵分布打印模块6通过利用瑕疵数据库中存储的瑕疵的大小和位置信息,即可得到纺织品表面瑕疵分布图,并生成检测报表反映纺织品的质量,检测完成后自动打印报表。
由上可知,本发明基于显著性检测的纺织品表面瑕疵检测系统100的自动化程度高,检测速度快,能最大程度减少人的参与,减轻验布工的负担,应用范围广泛。具体地,本发明能对多种宽幅纺织品进行图像采集和数据分析,精确地分析出纺织品表面瑕疵的位置,并进行数据库存储,检测完成后自动打印报表和瑕疵分布图反映纺织品的质量。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于显著性检测的纺织品表面瑕疵检测方法,其特征在于,包括:
S1,对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品;
S2,抓拍运动过程中纺织品表面图像;
S3,调节抓拍运动中的亮度和曝光时间;
S4,去除纺织品表面图像的失真部分和噪声;
S5,对纺织品表面图像进行疵点检测以生成检测结果;
S6,根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。
2.如权利要求1所述的基于显著性检测的纺织品表面瑕疵检测方法,其特征在于,所述步骤S2包括:
抓拍运动过程中纺织品表面图像;
调节拍摄模块的工作距离;
对纺织品表面打光;
对纺织品打透射光;
获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机的扫描频率;
调节相机相对卷布机的水平距离、角度和高度;
调节线性光源相对线阵相机的水平位置、角度和高度。
3.如权利要求2所述的基于显著性检测的纺织品表面瑕疵检测方法,其特征在于,所述步骤S3包括:
将编码器采集的速度信号转化为线阵相机内触发所需的扫描频率信号;
通过白平衡算法调节亮度;
调整曝光时间。
4.如权利要求3所述的基于显著性检测的纺织品表面瑕疵检测方法,其特征在于,所述步骤S4包括:
对纺织品表面图像进行平场校正处理;
对纺织品表面图像进行平滑处理。
5.如权利要求4所述的基于显著性检测的纺织品表面瑕疵检测方法,其特征在于,所述步骤S5包括:
将线阵相机采集到的纺织品表面图像划分为多个区域子图像;
调整区域子图像的图像大小;
通过动态滑块扫描区域子图像,将区域子图像划分为多个分块图像,并对分块图像进行纹理分析;
提取分块图像的textons基元纹理特征;
获取每个滑块的特征值数组,计算每个滑块的特征均值;
获取区域子图像的F范数;
以求得的F范数作为子空间分割的先验知识,采用基于先验知识的子空间分割算法对纺织品表面图像进行分割,并采用拉格朗日迭代算法,求出分割后所有区域子图像用于衡量瑕疵信息强弱的特征向量;
获取纺织品表面图像中的瑕疵映射图像;
对瑕疵映射图像进行滤波处理;
通过最大类方差法寻找阈值,并采用阈值法将瑕疵映射图像转化为二值图像;
采用八连通区域检测算法获取二值图像的轮廓,所述轮廓包括外部轮廓及内部边缘;
存储瑕疵位置及瑕疵大小;
显示检测结果。
6.一种基于显著性检测的纺织品表面瑕疵检测系统,其特征在于,包括:
机械验布模块,用于对纺织品进行上布及卷布处理,去除纺织品表面异物及展开纺织品;
图像采集模块,用于抓拍运动过程中纺织品表面图像;
图像获取模块,用于调节抓拍运动中的亮度和曝光时间;
图像预处理模块,用于去除纺织品表面图像的失真部分和噪声;
图像表面瑕疵分析模块,用于对纺织品表面图像进行疵点检测以生成检测结果;
图像表面瑕疵分布打印模块,用于根据图像表面瑕疵分析模块的检测结果生成并打印质量报表。
7.如权利要求6所述的基于显著性检测的纺织品表面瑕疵检测系统,其特征在于,所述图像采集模块包括:
线阵相机,用于抓拍运动过程中纺织品表面图像;
镜头,用于配合线阵相机抓拍;
接圈,用于调节拍摄模块的工作距离;
线性光源,用于对纺织品表面打光;
打光灯管,用于对纺织品打透射光;
编码器,用于获得纺织品纵向前进的速度,并转化为扫描行频,通过内触发的方式改变线阵相机的扫描频率;
工控机,用于算法运算和数据存储;
相机支架,用于固定相机并调节相机相对卷布机的水平距离、角度和高度;
光源支架,用于固定线性光源并调节线性光源相对线阵相机的水平位置、角度和高度;
光源冷却装置,用于光源散热。
8.如权利要求7所述的基于显著性检测的纺织品表面瑕疵检测系统,其特征在于,所述图像获取模块包括:
纺织品纵向扫描触发频率获取模块,用于将编码器采集的速度信号转化为线阵相机内触发所需的扫描频率信号;
白平衡模块,用于通过白平衡算法调节亮度;
曝光时间自动调整模块,用于调整曝光时间。
9.如权利要求8所述的基于显著性检测的纺织品表面瑕疵检测系统,其特征在于,所述图像预处理模块包括:
平场校正模块,用于对纺织品表面图像进行平场校正处理;
第一高斯滤波模块,用于对纺织品表面图像进行平滑处理。
10.如权利要求9所述的基于显著性检测的纺织品表面瑕疵检测系统,其特征在于,所述图像瑕疵分析模块包括:
图像区域划分模块,用于将线阵相机采集到的纺织品表面图像划分为多个区域子图像;
图像下采样模块,用于调整区域子图像的图像大小;
子图像各区域分块模块,用于通过动态滑块扫描区域子图像,将区域子图像划分为多个分块图像,并对分块图像进行纹理分析;
图像纹理特征提取模块,用于提取分块图像的textons基元纹理特征;
图像块特征计算模块,用于获取每个滑块的特征值数组,计算每个滑块的特征均值;
F范数先验知识获取模块,用于获取区域子图像的F范数;
低秩表示子空间分割模块,用于以求得的F范数作为子空间分割的先验知识,采用基于先验知识的子空间分割算法对纺织品表面图像进行分割,并采用拉格朗日迭代算法,求出分割后所有区域子图像用于衡量瑕疵信息强弱的特征向量;
显著区域恢复模块,用于获取纺织品表面图像中的瑕疵映射图像;
第二高斯滤波模块,用于对瑕疵映射图像进行滤波处理;
自动阈值获取模块,用于通过最大类方差法寻找阈值,并采用阈值法将瑕疵映射图像转化为二值图像;
连通区域检测模块,用于采用八连通区域检测算法获取二值图像的轮廓,所述轮廓包括外部轮廓及内部边缘;
瑕疵数据存储模块,用于存储瑕疵位置及瑕疵大小;
瑕疵信息显示模块,用于显示检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211976.7A CN107064160B (zh) | 2017-04-01 | 2017-04-01 | 基于显著性检测的纺织品表面瑕疵检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211976.7A CN107064160B (zh) | 2017-04-01 | 2017-04-01 | 基于显著性检测的纺织品表面瑕疵检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107064160A true CN107064160A (zh) | 2017-08-18 |
CN107064160B CN107064160B (zh) | 2020-10-16 |
Family
ID=59602733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211976.7A Active CN107064160B (zh) | 2017-04-01 | 2017-04-01 | 基于显著性检测的纺织品表面瑕疵检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107064160B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107643294A (zh) * | 2017-10-13 | 2018-01-30 | 陕西长岭软件开发有限公司 | 一种布匹瑕疵自动检测设备 |
CN109712113A (zh) * | 2018-11-28 | 2019-05-03 | 中原工学院 | 一种基于级联低秩分解的织物疵点检测方法 |
CN109856148A (zh) * | 2018-12-29 | 2019-06-07 | 广东嘉铭智能科技有限公司 | 隧道衬砌检测方法、装置、计算机及计算机可读存储介质 |
CN110057832A (zh) * | 2019-04-24 | 2019-07-26 | 拓卡奔马机电科技有限公司 | 一种铺布机上的布料瑕疵检测控制系统 |
TWI667575B (zh) * | 2018-06-29 | 2019-08-01 | 由田新技股份有限公司 | 利用人工智慧的瑕疵檢測系統及其方法 |
CN110286131A (zh) * | 2019-07-09 | 2019-09-27 | 安徽富煌科技股份有限公司 | 一种纺织品瑕疵自动检测分析提示系统及方法 |
CN110310277A (zh) * | 2019-07-05 | 2019-10-08 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN111751379A (zh) * | 2020-06-30 | 2020-10-09 | 浙江双元科技开发有限公司 | 纺织机视觉检测方法和系统 |
CN112051271A (zh) * | 2018-07-06 | 2020-12-08 | 湖南工程学院 | 自动检测织物瑕疵装置及工艺 |
CN112461850A (zh) * | 2020-09-29 | 2021-03-09 | 江苏南高智能装备创新中心有限公司 | 工件表面瑕疵检测系统 |
CN113063791A (zh) * | 2021-03-23 | 2021-07-02 | 南通大学 | 一种基于图像处理的布匹缺陷识别方法 |
CN113177924A (zh) * | 2021-05-10 | 2021-07-27 | 南通大学 | 一种工业流水线产品瑕疵检测方法 |
CN113267501A (zh) * | 2020-02-17 | 2021-08-17 | 远传电信股份有限公司 | 片状材料快速检测瑕疵整合系统及其使用方法 |
CN114092510A (zh) * | 2021-12-01 | 2022-02-25 | 常州市宏发纵横新材料科技股份有限公司 | 一种基于正态分布的分割方法、计算机设备及存储介质 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及系统 |
CN115353063A (zh) * | 2022-08-26 | 2022-11-18 | 卡拉库立传动科技(台州)有限公司 | 一种ai棉绒智能拍匀设备及棉绒制品的拍匀方法 |
CN115598138A (zh) * | 2022-11-23 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
CN115980322A (zh) * | 2023-02-09 | 2023-04-18 | 百福工业缝纫机(张家港)有限公司 | 一种织物瑕疵智能检测方法及系统 |
CN116203034A (zh) * | 2023-04-13 | 2023-06-02 | 浙江谦丝忆纺织科技有限公司 | 一种沙发布经编布验布设备 |
CN116973378A (zh) * | 2023-09-22 | 2023-10-31 | 山东梁山华宇集团汽车制造有限公司 | 一种车辆生产质量检测系统 |
CN118154605A (zh) * | 2024-05-11 | 2024-06-07 | 江西智成飞桨科技有限公司 | 纺织品ai瑕疵检测方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315337A (zh) * | 2008-07-07 | 2008-12-03 | 湖北工业大学 | 一种坯布表面疵点在线检测装置 |
CN101851849A (zh) * | 2010-06-02 | 2010-10-06 | 北京经纬纺机新技术有限公司 | 自动验布机 |
CN101923059A (zh) * | 2010-04-15 | 2010-12-22 | 北京经纬纺机新技术有限公司 | 一种自动验布方法及系统 |
CN103558229A (zh) * | 2013-11-25 | 2014-02-05 | 苏州富鑫林光电科技有限公司 | 一种tft-lcd制程的mura视觉自动检测方法及装置 |
-
2017
- 2017-04-01 CN CN201710211976.7A patent/CN107064160B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315337A (zh) * | 2008-07-07 | 2008-12-03 | 湖北工业大学 | 一种坯布表面疵点在线检测装置 |
CN101923059A (zh) * | 2010-04-15 | 2010-12-22 | 北京经纬纺机新技术有限公司 | 一种自动验布方法及系统 |
CN101851849A (zh) * | 2010-06-02 | 2010-10-06 | 北京经纬纺机新技术有限公司 | 自动验布机 |
CN103558229A (zh) * | 2013-11-25 | 2014-02-05 | 苏州富鑫林光电科技有限公司 | 一种tft-lcd制程的mura视觉自动检测方法及装置 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107643294A (zh) * | 2017-10-13 | 2018-01-30 | 陕西长岭软件开发有限公司 | 一种布匹瑕疵自动检测设备 |
CN110659662B (zh) * | 2018-06-29 | 2023-05-30 | 由田新技股份有限公司 | 利用人工智能的瑕疵检测系统及其方法 |
TWI667575B (zh) * | 2018-06-29 | 2019-08-01 | 由田新技股份有限公司 | 利用人工智慧的瑕疵檢測系統及其方法 |
CN110659662A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 利用人工智能的瑕疵检测系统及其方法 |
CN112051271A (zh) * | 2018-07-06 | 2020-12-08 | 湖南工程学院 | 自动检测织物瑕疵装置及工艺 |
CN112051271B (zh) * | 2018-07-06 | 2024-03-12 | 湖南工程学院 | 自动检测织物瑕疵装置及工艺 |
CN109712113A (zh) * | 2018-11-28 | 2019-05-03 | 中原工学院 | 一种基于级联低秩分解的织物疵点检测方法 |
CN109856148A (zh) * | 2018-12-29 | 2019-06-07 | 广东嘉铭智能科技有限公司 | 隧道衬砌检测方法、装置、计算机及计算机可读存储介质 |
CN110057832A (zh) * | 2019-04-24 | 2019-07-26 | 拓卡奔马机电科技有限公司 | 一种铺布机上的布料瑕疵检测控制系统 |
CN110310277A (zh) * | 2019-07-05 | 2019-10-08 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN110286131A (zh) * | 2019-07-09 | 2019-09-27 | 安徽富煌科技股份有限公司 | 一种纺织品瑕疵自动检测分析提示系统及方法 |
CN113267501A (zh) * | 2020-02-17 | 2021-08-17 | 远传电信股份有限公司 | 片状材料快速检测瑕疵整合系统及其使用方法 |
CN111751379A (zh) * | 2020-06-30 | 2020-10-09 | 浙江双元科技开发有限公司 | 纺织机视觉检测方法和系统 |
CN112461850A (zh) * | 2020-09-29 | 2021-03-09 | 江苏南高智能装备创新中心有限公司 | 工件表面瑕疵检测系统 |
CN113063791A (zh) * | 2021-03-23 | 2021-07-02 | 南通大学 | 一种基于图像处理的布匹缺陷识别方法 |
CN113177924A (zh) * | 2021-05-10 | 2021-07-27 | 南通大学 | 一种工业流水线产品瑕疵检测方法 |
CN114092510A (zh) * | 2021-12-01 | 2022-02-25 | 常州市宏发纵横新材料科技股份有限公司 | 一种基于正态分布的分割方法、计算机设备及存储介质 |
CN115353063A (zh) * | 2022-08-26 | 2022-11-18 | 卡拉库立传动科技(台州)有限公司 | 一种ai棉绒智能拍匀设备及棉绒制品的拍匀方法 |
CN115353063B (zh) * | 2022-08-26 | 2023-11-17 | 卡拉库立传动科技(台州)有限公司 | 一种ai棉绒智能拍匀设备及棉绒制品的拍匀方法 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及系统 |
CN115598138A (zh) * | 2022-11-23 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
CN115980322A (zh) * | 2023-02-09 | 2023-04-18 | 百福工业缝纫机(张家港)有限公司 | 一种织物瑕疵智能检测方法及系统 |
CN116203034A (zh) * | 2023-04-13 | 2023-06-02 | 浙江谦丝忆纺织科技有限公司 | 一种沙发布经编布验布设备 |
CN116973378A (zh) * | 2023-09-22 | 2023-10-31 | 山东梁山华宇集团汽车制造有限公司 | 一种车辆生产质量检测系统 |
CN116973378B (zh) * | 2023-09-22 | 2024-01-09 | 山东梁山华宇集团汽车制造有限公司 | 一种车辆生产质量检测系统 |
CN118154605A (zh) * | 2024-05-11 | 2024-06-07 | 江西智成飞桨科技有限公司 | 纺织品ai瑕疵检测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107064160B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107064160A (zh) | 基于显著性检测的纺织品表面瑕疵检测方法及系统 | |
CN102735695B (zh) | 一种镜片瑕疵快速检测方法及装置 | |
CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN106645197B (zh) | 检测精密光学元件表面颗粒物的在线检测系统及应用方法 | |
CN108760747A (zh) | 一种3d打印模型表面缺陷视觉检测方法 | |
CN110766702B (zh) | 一种双孢蘑菇分级判断方法 | |
CN107358627B (zh) | 基于Kinect相机的果实尺寸检测方法 | |
CN104111260A (zh) | 陶瓷砖无损检测设备及检测方法 | |
CN102261892A (zh) | 一种叶丝宽度的快速测量系统 | |
CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
CN109406527B (zh) | 一种微型摄像模组镜头精细外观缺陷检测系统及方法 | |
CN206772850U (zh) | 用于智能检测产品表面缺陷的ccd线扫相机系统 | |
CN103808263A (zh) | 谷粒粒形参数的高通量检测方法 | |
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 | |
CN106969708A (zh) | 一种骨料形态质量的检测装置和方法 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN110648301A (zh) | 一种消除成像反光的装置及方法 | |
CN104992446A (zh) | 非线性光照自适应的图像拼接方法及其实现系统 | |
CN113706521A (zh) | 碳纤维表面毛团检测方法、装置、存储介质和电子设备 | |
CN102538759B (zh) | 近地和中高轨空间目标实时全自动捕获方法 | |
Farella et al. | Handling critical aspects in massive photogrammetric digitization of museum assets | |
WO2022048120A1 (zh) | 基于机器视觉的产线智能吸尘机器人 | |
CN107563991B (zh) | 零件表面断裂激光光条的提取与匹配方法 | |
CN207366475U (zh) | 一种凹凸图案在线视频检测装置 | |
CN107091729B (zh) | 一种无机械运动的透镜焦距测试方法 |
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 |