CN107256545A - 一种大圆机的破洞瑕疵检测方法 - Google Patents
一种大圆机的破洞瑕疵检测方法 Download PDFInfo
- Publication number
- CN107256545A CN107256545A CN201710322853.0A CN201710322853A CN107256545A CN 107256545 A CN107256545 A CN 107256545A CN 201710322853 A CN201710322853 A CN 201710322853A CN 107256545 A CN107256545 A CN 107256545A
- Authority
- CN
- China
- Prior art keywords
- msub
- mtd
- mrow
- mtr
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000004753 textile Substances 0.000 claims abstract description 37
- 239000004744 fabric Substances 0.000 claims abstract description 36
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 7
- 238000005728 strengthening Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- NUHSROFQTUXZQQ-UHFFFAOYSA-N isopentenyl diphosphate Chemical compound CC(=C)CCO[P@](O)(=O)OP(O)(O)=O NUHSROFQTUXZQQ-UHFFFAOYSA-N 0.000 description 2
- 238000009940 knitting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明的一种大圆机的破洞瑕疵检测方法,利用机器学习方法实现对织物破洞瑕疵的检测,根据自适应图像增强技术预处理瑕疵图像,有效分割感兴趣区域,并且根据角点检测器结合排序方法有效地提取织物瑕点的单调光照及旋转不变的特征信息;在织物瑕疵点匹配方面,利用双向匹配方法,成功地得到织破洞针瑕疵。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,适用于纺织设备的布匹实时检测,特别涉及一种大圆机的破洞瑕疵检测方法。
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,如破洞、坏帧、缩纬等给工厂生产优质织物造成巨大问题。为此,本发明人研究出一种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
本发明的技术目的在于提出一种大圆机的破洞瑕疵检测方法,可实时检测织物上的破洞瑕疵,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。
为了解决上述技术问题,本发明的技术方案如下:
一种大圆机的破洞瑕疵检测方法,包括以下步骤:
步骤1、数据采集
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与图像采集设备连接的控制终端;
步骤2、图像预处理,其包括:
步骤21、对织物图像进行自适应增强滤波处理,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处理;
步骤3、提取织物瑕疵特征,具体包括:
步骤31、对输入的分割后的织物图像进行关键点检测;
选用FAST角点检测器,首先根据质心法对FAST角点进行方向估计,得到一个oFAST(orientedFAST)关键点检测器:
根据局部区域的灰度相对其中心的偏移得到灰度质心,这个偏移向量即可用于方向的估计;局部图像块的矩定义为:
使用矩将图像块的质心位置表示为:
图像块的方向即可以用一个向量的方向表示,该向量由图像块中心O指向质心C,向量OC的方向为:
θ=atan2(τ01,τ10);
步骤32、关键点检测完成后,利用BRISK采样方式对关键点周围的局部图像进行采样,得到有效代表该局部图像的像素点;
然后使用oFAST检测器获得的方向对采样图案进行调整;
步骤33、基于顺序排列来构造描述子,即构造特征ZIPP;
步骤4、瑕疵匹配,具体包括:
步骤41、采用双向匹配方法:
从织物瑕疵图像A中为织物模板图像B的每个特征点找出距离最近点,同时也从织物模板图像B中为织物瑕疵图像A每个特征点找出最近点;
在匹配前建立极线约束求;
步骤42、特征点距离判别:求织物瑕疵图像A中一特征点P1,与织物模板图像B在对应极线上所有特征点的距离,找出最近点P2;
若是距离大于匹配值则删除P2,重复步骤42;
若是距离小于匹配值,则为图B中的P2找出图A中对应极线上点的距离,找出最近点P1;
判断是否P1=P2,若是则匹配成功,否则返回步骤42;
在瑕疵图像和模板图像这两幅图像的特征描述子生成后,就可按照步骤41通过双向匹配原则进行图像特征的匹配。
所述步骤21具体包括:
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,然后对于每个像素块,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,得到增强织物图像;
所述步骤22具体包括:
利用快速均值漂移算法进行预分割,并使用G(x)表示梯度估计:
式(3)中,“~”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;
通过所述融合边缘信息的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;
所述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,Σi},其中,μi和Σi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,Σm}和{μn,Σn};
最后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。
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'):
x'=xcosθ+ysinθ
y'=-xsinθ+ycosθ (2)
其中,θ为以(i',j')为中心的像素块的方向。
所述步骤32中,对采样图案进行调整过程具体包括:设Sn代表原始图案中n个采样点的坐标和高斯平滑的标准差,则调校后的采样图案可以用旋转矩阵Rθ获得,其中θ由下式得到,过程表示如下:
对方向角度以π/30的增量进行量化,并将原始图案按这些角度进行旋转;
设φ表示像素的非降序顺序排列,π表示在含有N个像素的原向量上进行排序操作,即
一个像素包括像素灰度和位置索引两个属性,则基于同一个操作π同时得到另一个在像素索引上的排列:
分区操作可用如下式表示:
其中,δ等于每区内的像素数量,即
Z=(1...1 2...2...nz...nz)
其中,Z可以被看作是一个包含有δ个区号的排列,最后,将π的逆操作置于Z上,得到一个新的排列ψ2:
采用上述方案后,本发明具有以下特点:本发明利用机器学习方法实现对织物破洞瑕疵的检测,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,根据关键点检测器结合排序方法,有效的提取织物瑕点的特征信息;在织物瑕疵点匹配方面,利用双向匹配方法,成功的检测出织物破洞瑕疵从而大大提高了纺织品的瑕疵检测速度和效率。
下面结合附图和具体实施方式对本发明的技术方案进行详细说明。
附图说明
图1是本发明一种大圆机的破洞瑕疵检测方法的硬件载体结构图;
图2是本发明一种大圆机的破洞瑕疵检测方法的流程简图。
具体实施方式
如图1所示,本发明涉及的一种大圆机的破洞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,在控制终端内对织物图像通过下述检测方法进行处理和判定。
如图2所示,本发明揭示的一种大圆机的破洞瑕疵检测方法,包括:
步骤1、数据采集
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与图像采集设备连接的控制终端;
步骤2、图像预处理,其包括:
步骤21、对织物图像进行自适应增强滤波处理,得到增强图像;
上述自适应增强滤波处理过程具体包括:
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,然后对于每个像素块,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,得到增强织物图像;
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。
步骤21中,根据式(2)计算旋转坐标(x',y'):
x'=xcosθ+ysinθ
y'=-xsinθ+ycosθ (2)
其中,θ为以(i',j')为中心的像素块的方向。
步骤22、对增强后的织物图像进行感兴趣区域分割处理;其具体包括:
所述步骤22具体包括:
利用快速均值漂移算法进行预分割,并使用G(x)表示梯度估计:
式(3)中,“~”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;
通过所述融合边缘信息的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;
所述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};
最后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、提取织物瑕疵特征,具体包括:
步骤31、对输入的分割后的织物图像进行关键点检测;
选用FAST角点检测器,首先根据质心法对FAST角点进行方向估计,得到一个oFAST(oriented FAST)关键点检测器:
根据局部区域的灰度相对其中心的偏移得到灰度质心,这个偏移向量即可用于方向的估计;局部图像块的矩定义为:
使用矩将图像块的质心位置表示为:
图像块的方向即可以用一个向量的方向表示,该向量由图像块中心O指向质心C,向量OC的方向为:
θ=atan2(τ01,τ10);
步骤32、关键点检测完成后,利用BRISK采样方式对关键点周围的局部图像进行采样,得到有效代表该局部图像的像素点;
然后使用oFAST检测器获得的方向对采样图案进行调整;对采样图案进行调整过程具体包括:设Sn代表原始图案中n个采样点的坐标和高斯平滑的标准差,则调校后的采样图案可以用旋转矩阵Rθ获得,其中θ由下式得到,过程表示如下:
对方向角度以π/30的增量进行量化,并将原始图案按这些角度进行旋转;
设φ表示像素的非降序顺序排列,π表示在含有N个像素的原向量上进行排序操作,即
一个像素包括像素灰度和位置索引两个属性,则基于同一个操作π同时得到另一个在像素索引上的排列:
分区操作可用如下式表示:
其中,δ等于每区内的像素数量,即
Z=(1 ... 1 2 ... 2 ... nz ...nz)
其中,Z可以被看作是一个包含有δ个区号的排列,最后,将π的逆操作置于Z上,得到一个新的排列ψ2:
步骤33、基于顺序排列来构造描述子,即构造特征ZIPP;
步骤4、瑕疵匹配,具体包括:
步骤41、采用双向匹配方法:
从织物瑕疵图像A中为织物模板图像B的每个特征点找出距离最近点,同时也从织物模板图像B中为织物瑕疵图像A每个特征点找出最近点;
在匹配前建立极线约束求;
步骤42、特征点距离判别:求织物瑕疵图像A中一特征点P1,与织物模板图像B在对应极线上所有特征点的距离,找出最近点P2;
若是距离大于匹配值则删除P2,重复步骤42;
若是距离小于匹配值,则为图B中的P2找出图A中对应极线上点的距离,找出最近点P1;
判断是否P1=P2,若是则匹配成功,否则返回步骤42;
在瑕疵图像和模板图像这两幅图像的特征描述子生成后,就可按照步骤41通过双向匹配原则进行图像特征的匹配。
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 (6)
1.一种大圆机的破洞瑕疵检测方法,其特征在于,包括以下步骤:
步骤1、数据采集
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与图像采集设备连接的控制终端;
步骤2、图像预处理,其包括:
步骤21、对织物图像进行自适应增强滤波处理,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处理;
步骤3、提取织物瑕疵特征,具体包括:
步骤31、对输入的分割后的织物图像进行关键点检测;
选用FAST角点检测器,首先根据质心法对FAST角点进行方向估计,得到一个oFAST关键点检测器:
根据局部区域的灰度相对其中心的偏移得到灰度质心,这个偏移向量即可用于方向的估计;局部图像块的矩定义为:
<mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</munder>
<msup>
<mi>x</mi>
<mi>p</mi>
</msup>
<msup>
<mi>y</mi>
<mi>q</mi>
</msup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
使用矩将图像块的质心位置表示为:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&tau;</mi>
<mn>10</mn>
</msub>
<msub>
<mi>&tau;</mi>
<mn>00</mn>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>&tau;</mi>
<mn>01</mn>
</msub>
<msub>
<mi>&tau;</mi>
<mn>00</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
图像块的方向即可以用一个向量的方向表示,该向量由图像块中心O指向质心C,向量OC的方向为:
θ=atan2(τ01,τ10);
步骤32、关键点检测完成后,利用BRISK采样方式对关键点周围的局部图像进行采样,得到有效代表该局部图像的像素点;
然后使用oFAST检测器获得的方向对采样图案进行调整;
步骤33、基于顺序排列来构造描述子;
步骤4、瑕疵匹配,具体包括:
步骤41、采用双向匹配方法:
从织物瑕疵图像A中为织物模板图像B的每个特征点找出距离最近点,同时也从织物模板图像B中为织物瑕疵图像A每个特征点找出最近点;
在匹配前建立极线约束求;
步骤42、特征点距离判别:求织物瑕疵图像A中一特征点P1,与织物模板图像B在对应极线上所有特征点的距离,找出最近点P2;
若是距离大于匹配值则删除P2,重复步骤42;
若是距离小于匹配值,则为图B中的P2找出图A中对应极线上点的距离,找出最近点P1;
判断是否P1=P2,若是则匹配成功,否则返回步骤42;
在瑕疵图像和模板图像这两幅图像的特征描述子生成后,就可按照步骤41通过双向匹配原则进行图像特征的匹配。
2.如权利要求1所述的一种大圆机的破洞瑕疵检测方法,其特征在于,所述步骤21具体包括:
通过方差均衡法对织物图像进行均衡化处理,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,然后对于每个像素块,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,得到增强织物图像;
所述步骤22具体包括:
利用快速均值漂移算法进行预分割,并使用G(x)表示梯度估计:
<mrow>
<mo>&dtri;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>~</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>avg</mi>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>h</mi>
<mo>,</mo>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中,“~”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;
通过所述融合边缘信息的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Graphcuts分割模型;
所述Graphcuts分割模型可表示为:
<mrow>
<mi>E</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>I</mi>
</mrow>
</munder>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&gamma;&Sigma;S</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
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,Σi},其中,μi和Σi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,高斯距离度量的形式为:
<mrow>
<mi>D</mi>
<mi>I</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>g</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>g</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mi>m</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>&Sigma;</mi>
<mi>n</mi>
</msub>
<mo>+</mo>
<msubsup>
<mi>&Sigma;</mi>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>&Sigma;</mi>
<mi>m</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>n</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mi>m</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
<mo>)</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mi>n</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mn>2</mn>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
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,Σm}和{μn,∑n};
最后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。
3.如权利要求2所述的一种大圆机的破洞瑕疵检测方法,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):
<mrow>
<mi>&chi;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<mo>|</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
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。
4.如权利要求3所述的一种大圆机的破洞瑕疵检测方法,其特征在于,所述步骤21中,根据式(2)计算旋转坐标(x′,y′):
x'=xcosθ+ysinθ
y'=-xsinθ+ycosθ (2)
其中,θ为以(i',j')为中心的像素块的方向。
5.如权利要求1所述的一种大圆机的破洞瑕疵检测方法,其特征在于,所述步骤32中,对采样图案进行调整过程具体包括:设Sn代表原始图案中n个采样点的坐标和高斯平滑的标准差,则调校后的采样图案可以用旋转矩阵Rθ获得,其中θ由下式得到,过程表示如下:
<mrow>
<msub>
<mi>S</mi>
<mi>&theta;</mi>
</msub>
<mo>=</mo>
<msub>
<mi>R</mi>
<mi>&theta;</mi>
</msub>
<msub>
<mi>S</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>&sigma;</mi>
<mi>n</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
对方向角度以π/30的增量进行量化,并将原始图案按这些角度进行旋转。
6.如权利要求1所述的一种大圆机的破洞瑕疵检测方法,其特征在于,所述步骤33基于顺序排列来构造描述子具体包括:设φ表示像素的非降序顺序排列,π表示在含有N个像素的原向量上进行排序操作,即
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>&pi;</mi>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>I</mi>
<mi>min</mi>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mi>max</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
一个像素包括像素灰度和位置索引两个属性,则基于同一个操作π同时得到另一个在像素索引上的排列:
<mrow>
<mi>&psi;</mi>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>&pi;</mi>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>n</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
</mtd>
<mtd>
<msub>
<mi>n</mi>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<msub>
<mi>s</mi>
<mi>N</mi>
</msub>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
分区操作可用如下式表示:
其中,δ等于每区内的像素数量,即
Z=(1 ... 1 2 ... 2 ... nz ... nz)
其中,Z可以被看作是一个包含有δ个区号的排列,最后,将π的逆操作置于Z上,得到一个新的排列ψ2:
<mrow>
<msub>
<mi>&psi;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msup>
<mi>Z</mi>
<msup>
<mi>&pi;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</msup>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322853.0A CN107256545B (zh) | 2017-05-09 | 2017-05-09 | 一种大圆机的破洞瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322853.0A CN107256545B (zh) | 2017-05-09 | 2017-05-09 | 一种大圆机的破洞瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256545A true CN107256545A (zh) | 2017-10-17 |
CN107256545B CN107256545B (zh) | 2019-11-15 |
Family
ID=60027541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710322853.0A Active CN107256545B (zh) | 2017-05-09 | 2017-05-09 | 一种大圆机的破洞瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256545B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942658A (zh) * | 2017-11-10 | 2018-04-20 | 华侨大学 | 一种采用自适应滤波器的大圆机旋转周期预测方法及系统 |
CN109100360A (zh) * | 2018-07-05 | 2018-12-28 | 福建省国业科技发展有限公司 | 基于计圈信号及初始固定特征进行瑕疵定位的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN103529051A (zh) * | 2013-11-01 | 2014-01-22 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN103679193A (zh) * | 2013-11-12 | 2014-03-26 | 华南理工大学 | 一种基于freak的高速高密度封装元器件快速定位方法 |
CN104851094A (zh) * | 2015-05-14 | 2015-08-19 | 西安电子科技大学 | 一种基于rgb-d的slam算法的改进方法 |
CN105158272A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工商大学 | 一种纺织品缺陷检测方法 |
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 |
CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
-
2017
- 2017-05-09 CN CN201710322853.0A patent/CN107256545B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN103529051A (zh) * | 2013-11-01 | 2014-01-22 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN103679193A (zh) * | 2013-11-12 | 2014-03-26 | 华南理工大学 | 一种基于freak的高速高密度封装元器件快速定位方法 |
CN104851094A (zh) * | 2015-05-14 | 2015-08-19 | 西安电子科技大学 | 一种基于rgb-d的slam算法的改进方法 |
CN105158272A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工商大学 | 一种纺织品缺陷检测方法 |
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 |
CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
Non-Patent Citations (2)
Title |
---|
KAUSTUBH SAKHARE ETC.: "Spectral and Spatial Domain Approach for Fabric Defect Detection and Classification", 《2015 INTERNATIONAL CONFERENCE ON INDUSTRIAL INSTRUMENTATION AND CONTROL (ICIC)》 * |
董 蓉 等: "应用积分图的织物瑕疵检测快速算法", 《纺 织 学 报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942658A (zh) * | 2017-11-10 | 2018-04-20 | 华侨大学 | 一种采用自适应滤波器的大圆机旋转周期预测方法及系统 |
CN107942658B (zh) * | 2017-11-10 | 2020-06-26 | 华侨大学 | 一种采用自适应滤波器的大圆机旋转周期预测方法及系统 |
CN109100360A (zh) * | 2018-07-05 | 2018-12-28 | 福建省国业科技发展有限公司 | 基于计圈信号及初始固定特征进行瑕疵定位的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107256545B (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
CN104951784B (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
CN107657225B (zh) | 一种基于聚合通道特征的行人检测方法 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN105562361A (zh) | 一种织物分拣机器人自主分拣方法 | |
CN105046252A (zh) | 一种人民币冠字码识别方法 | |
CN110728302A (zh) | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
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 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN107346413A (zh) | 一种街景影像中的交通标志识别方法和系统 | |
CN108764251A (zh) | 一种工件表面裂缝检测方法及系统 | |
CN105718552A (zh) | 基于服装手绘草图的服装图像检索方法 | |
CN105095907B (zh) | 一种基于rbf神经网络的棉花异质纤维鉴别方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN112883881B (zh) | 一种条状农产品无序分拣方法及装置 | |
CN115311310B (zh) | 通过图割实现纺织品印花图案提取的方法 | |
CN104766319A (zh) | 提升夜间拍照图像配准精度的方法 | |
CN108090928A (zh) | 一种检测与筛选类圆形细胞区域的方法及系统 | |
CN107256545A (zh) | 一种大圆机的破洞瑕疵检测方法 | |
CN107516315A (zh) | 一种基于机器视觉的掘进机出渣监测方法 |
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 |