CN107966444A - 基于模板的纺织品瑕疵检测方法 - Google Patents

基于模板的纺织品瑕疵检测方法 Download PDF

Info

Publication number
CN107966444A
CN107966444A CN201710946432.5A CN201710946432A CN107966444A CN 107966444 A CN107966444 A CN 107966444A CN 201710946432 A CN201710946432 A CN 201710946432A CN 107966444 A CN107966444 A CN 107966444A
Authority
CN
China
Prior art keywords
template
block
textile
matching
detection method
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
Application number
CN201710946432.5A
Other languages
English (en)
Other versions
CN107966444B (zh
Inventor
常兴治
胡丽英
刘威
王国伟
朱川
黄圣超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Lushi Network Technology Co ltd
Original Assignee
Changzhou College of Information Technology CCIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou College of Information Technology CCIT filed Critical Changzhou College of Information Technology CCIT
Priority to CN201710946432.5A priority Critical patent/CN107966444B/zh
Publication of CN107966444A publication Critical patent/CN107966444A/zh
Application granted granted Critical
Publication of CN107966444B publication Critical patent/CN107966444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

本发明涉及纺织品检测技术领域，尤其是基于模板的纺织品瑕疵检测方法。该检测方法包括以下步骤：输入待检测的纺织品图像；计算该纺织品图像的周期图案模板大小；根据所得模板大小对纺织品图像进行分割,得到若干个相同大小的图像块；确定初步匹配模板；确定最优区块；提高匹配模板的精确度；将所有区块与更新后的匹配模板进行相似度比较，以此进行归类计算后形成最终模板，将最终模板与剩下的区块进行相似度比较，最终确定纺织品图像中的瑕疵位置。本发明提供了一种基于模板的纺织品瑕疵检测方法，通过中位数得到匹配模板，再利用该模板与样本进行比较，从而完成检测。

Description

基于模板的纺织品瑕疵检测方法
技术领域
本发明涉及纺织品检测技术领域，尤其是基于模板的纺织品瑕疵检测方法。
背景技术
纺织品瑕疵检测是对纺织品的质量进行评估，检测含有缺陷的部分。传统的人工检测方式是根据检测人员的经验、纺织品的评分和评等标准对纺织品的质量进行评定。这种方式检测速度低，并且漏检率较高，因此需要发展快速、准确且无监督的纺织品瑕疵检测方法。20世纪90年代以来，随着科学技术的迅猛发展、机器性能的不断提升和计算机视觉技术的日趋成熟，机器视觉已经在工业领域得到广泛的应用，这给纺织品瑕疵检测提供了新的方向和途径。
目前，国内外学者已经提出了许多基于机器视觉的纺织品瑕疵检测方法，例如小波变换方法、Garbor滤波器方法、傅里叶变换方法、分形特征法等，但是这些方法都是以纹理结构较为简单的平纹或斜纹纺织品作为检测样本，而在现实生活中，有很多纺织品往往具有更为复杂的图案纹理或者基元图案。
发明内容
本发明要解决的技术问题是：为了解决现有的检测方法无法检测图案纹理复杂的纺织品的不足，本发明提供了一种基于模板的纺织品瑕疵检测方法，通过中位数得到匹配模板，再利用该模板与样本进行比较，从而完成检测。
本发明解决其技术问题所采用的技术方案是：
一种基于模板的纺织品瑕疵检测方法，包括以下步骤：
1)输入待检测的纺织品图像；
2)计算该纺织品图像的周期图案模板大小；
3)根据所得模板大小对纺织品图像进行分割,得到若干个相同大小的图像块；
4)将所有图像区块根据计算立体模型的中位数，来确定初步匹配模板；
5)在以图像块为中心的1.5倍模板大小内进行移动，与初步匹配模板最相似的块即为该图像块在一个半周期内对应的最优区块；
6)计算图像的所有最优区块形成的中位数来更新匹配模板，从而提高匹配模板的精确度；
7)将所有区块与更新后的匹配模板进行相似度比较，以此进行归类计算后形成最终模板，将最终模板与剩下的区块进行相似度比较，最终确定纺织品图像中的瑕疵位置。
具体地，所述计算该纺织品图像的周期图案模板大小的方法是，将待测纺织品图像的长度不变，宽度按单位大小划分成区块，计算区块间的差达到最小时的单位宽度即为模板的宽度，模板长度的确定与上述方法相同。
具体地，所述确定初步匹配模板的方法是，将待测纺织品图像按照模板分成相同大小的区块，将区块进行叠加，生成立体模型，计算该模型的中位数，得到的结果即为待测纺织品图像的初步的匹配模板。
具体地，所述找出最优区块的方法是，将得到的初步的匹配模板，在当前块的一个半周期内进行遍历计算，找出与模板最相似的块作为以当前块为中心的一个半周期内的最优分块。
具体地，所述提高匹配模板的精确度的方法是，将所有最优分块进行叠加形成立体模型，由该模型得到的中位数更新匹配模板，将得到的匹配模板与所有区块遍历计算相似性，将与匹配模板相似度高的区块归为一类，再计算该类的中位数，根据计算结果更新匹配模板，提高模板的精确性。
具体地，所述确定纺织品图像中的瑕疵部分的方法是，通过计算与匹配模板相似度高的一类区块的中位数得到最终匹配模板，将该模板与剩下的一类区块进行相似度比较计算，最终确定瑕疵位置。
本发明的有益效果是：本发明提供了一种基于模板的纺织品瑕疵检测方法，通过中位数得到匹配模板，再利用该模板与样本进行比较，从而完成检测。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的检测方法流程框图；
图2是本发明的纺织品图像示意图；
图3是本发明的确定基本图案大小并分块示意图；
图4是本发明的确定图像初步匹配模板示意图；
图5是本发明的确定图像最终匹配模板示意图；
图6是本发明的检测过程示意图；
具体实施方式
现在结合附图对本发明作进一步详细的说明。
图1是本发明的检测方法流程框图，图2是本发明的纺织品图像示意图，图3是本发明的确定基本图案大小并分块示意图，图4是本发明的确定图像初步匹配模板示意图，图5是本发明的确定图像最终匹配模板示意图，图6是本发明的检测过程示意图。
一种基于模板的纺织品瑕疵检测方法，包括以下步骤：
1)输入待检测的纺织品图像；
2)计算该纺织品图像的周期图案模板大小；
3)根据所得模板大小对纺织品图像进行分割,得到若干个相同大小的图像块；
4)将所有图像区块根据计算立体模型的中位数，来确定初步匹配模板；
5)在以图像块为中心的1.5倍模板大小内进行移动，与初步匹配模板最相似的块即为该图像块在一个半周期内对应的最优区块；
6)计算图像的所有最优区块形成的中位数来更新匹配模板，从而提高匹配模板的精确度；
7)将所有区块与更新后的匹配模板进行相似度比较，以此进行归类计算后形成最终模板，将最终模板与剩下的区块进行相似度比较，最终确定纺织品图像中的瑕疵位置。
所述计算该纺织品图像的周期图案模板大小的方法是，将待测纺织品图像的长度不变，宽度按单位大小划分成区块，计算区块间的差达到最小时的单位宽度即为模板的宽度，模板长度的确定与上述方法相同。所述确定初步匹配模板的方法是，将待测纺织品图像按照模板分成相同大小的区块，将区块进行叠加，生成立体模型，计算该模型的中位数，得到的结果即为待测纺织品图像的初步的匹配模板。所述找出最优区块的方法是，将得到的初步的匹配模板，在当前块的一个半周期内进行遍历计算，找出与模板最相似的块作为以当前块为中心的一个半周期内的最优分块。所述提高匹配模板的精确度的方法是，将所有最优分块进行叠加形成立体模型，由该模型得到的中位数更新匹配模板，将得到的匹配模板与所有区块遍历计算相似性，将与匹配模板相似度高的区块归为一类，再计算该类的中位数，根据计算结果更新匹配模板，提高模板的精确性。所述确定纺织品图像中的瑕疵部分的方法是，通过计算与匹配模板相似度高的一类区块的中位数得到最终匹配模板，将该模板与剩下的一类区块进行相似度比较计算，最终确定瑕疵位置。
确定待测纺织品图像分块模板的大小，其包括如下步骤：
输入大小为M×N的待测纺织品图像I，确定一大小为r×d的待定模板，该模板长度r等于待测纺织品图像长度M，宽度d在[1，N/2]中遍历，将待测图像按照待定模板进行分块，将第一块与第二块作差，第二块与第三块作差，依次递推，求所有差的总和。当d在[1，N/2]中遍历时，每改变一个值，都会有一个总差和，则当该总差和达到极小值时，待定模板宽度d即为所求的模板的宽度或者宽度的整数倍。由于图像具有周期性，所以模板的宽度是d中的最小值。模板长度的确定按照相同的方法类推。
求取待测纺织品图像初步的匹配模板，其包括如下步骤：
将按模板分割图像所得的所有的图像块进行叠加，形成一个立体模型，计算该模型的每一块对应位置的中位数，得到的结果总和即为该待测图像的初步匹配模板IT(Initial Template)。
由初步匹配模板寻找每个图像块的最优块，其包括如下步骤：
对于每个图像块，在以其为中心的一个半周期的图像范围内，通过初步匹配模板寻找在该范围内与该图像块相似高于0.8的区域，定义该区域为该图像块的最优块。其中相似度计算公式(1)如下：
在式(2)中，re表示相关系数，B、IT表示大小为m×n的图像块和初步匹配模板矩阵，表示两个矩阵中元素的均值：
通过这一矫正过程，每一个图像块均对应一个最优块，将所有最优块进行叠加，形成一个立体模型，计算该模型的中位数，得到的结果即为该待测图像的最优匹配模板FT(Final Template)。
通过最优模板确定瑕疵区域，其包括如下步骤：
通过最终确定的最优模板，计算每个图像块与该模板的相似系数，将相似度高于0.8的块归为无瑕区块一类，将该类的图像进行叠加，计算每个位点的中位数，更新最优模板，将更新后的模板与其余的待定图像块进行相似度比较，相似度高于0.8的仍然归为无瑕区块一类，再次更新模板，而其他相似度较低的区块则判定为有瑕区块，从而完成瑕疵定位。
应当理解,虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于模板的纺织品瑕疵检测方法，其特征是，包括以下步骤：
1)输入待检测的纺织品图像；
2)计算该纺织品图像的周期图案模板大小；
3)根据所得模板大小对纺织品图像进行分割,得到若干个相同大小的图像块；
4)将所有图像区块根据计算立体模型的中位数，来确定初步匹配模板；
5)在以图像块为中心的1.5倍模板大小内进行移动，与初步匹配模板最相似的块即为该图像块在一个半周期内对应的最优区块；
6)计算图像的所有最优区块形成的中位数来更新匹配模板，从而提高匹配模板的精确度；
7)将所有区块与更新后的匹配模板进行相似度比较，以此进行归类计算后形成最终模板，将最终模板与剩下的区块进行相似度比较，最终确定纺织品图像中的瑕疵位置。
2.根据权利要求1所述的基于模板的纺织品瑕疵检测方法，其特征在于：所述计算该纺织品图像的周期图案模板大小的方法是，将待测纺织品图像的长度不变，宽度按单位大小划分成区块，计算区块间的差达到最小时的单位宽度即为模板的宽度，模板长度的确定与上述方法相同。
3.根据权利要求1所述的基于模板的纺织品瑕疵检测方法，其特征在于：所述确定初步匹配模板的方法是，将待测纺织品图像按照模板分成相同大小的区块，将区块进行叠加，生成立体模型，计算该模型的中位数，得到的结果即为待测纺织品图像的初步的匹配模板。
4.根据权利要求1所述的基于模板的纺织品瑕疵检测方法，其特征在于：所述找出最优区块的方法是，将得到的初步的匹配模板，在当前块的一个半周期内进行遍历计算，找出与模板最相似的块作为以当前块为中心的一个半周期内的最优分块。
5.根据权利要求1所述的基于模板的纺织品瑕疵检测方法，其特征在于：所述提高匹配模板的精确度的方法是，将所有最优分块进行叠加形成立体模型，由该模型得到的中位数更新匹配模板，将得到的匹配模板与所有区块遍历计算相似性，将与匹配模板相似度高的区块归为一类，再计算该类的中位数，根据计算结果更新匹配模板，提高模板的精确性。
6.根据权利要求1所述的基于模板的纺织品瑕疵检测方法，其特征在于：所述确定纺织品图像中的瑕疵部分的方法是，通过计算与匹配模板相似度高的一类区块的中位数得到最终匹配模板，将该模板与剩下的一类区块进行相似度比较计算，最终确定瑕疵位置。
CN201710946432.5A 2017-10-12 2017-10-12 基于模板的纺织品瑕疵检测方法 Active CN107966444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710946432.5A CN107966444B (zh) 2017-10-12 2017-10-12 基于模板的纺织品瑕疵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710946432.5A CN107966444B (zh) 2017-10-12 2017-10-12 基于模板的纺织品瑕疵检测方法

Publications (2)

Publication Number Publication Date
CN107966444A true CN107966444A (zh) 2018-04-27
CN107966444B CN107966444B (zh) 2020-03-27

Family

ID=61996666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710946432.5A Active CN107966444B (zh) 2017-10-12 2017-10-12 基于模板的纺织品瑕疵检测方法

Country Status (1)

Country Link
CN (1) CN107966444B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN110838111A (zh) * 2019-11-08 2020-02-25 深圳市深视创新科技有限公司 柔性电路板的自适应缺陷检测方法
CN110852989A (zh) * 2019-09-30 2020-02-28 广州利科科技有限公司 瓷砖拍照图片的质量瑕疵检测
CN111028289A (zh) * 2019-11-20 2020-04-17 国网浙江省电力有限公司电力科学研究院 基于模板匹配的变电站内设备异物定位方法
CN111784691A (zh) * 2020-07-27 2020-10-16 泉州迈斯特新材料科技有限公司 一种纺织品瑕疵检测方法
CN111915549A (zh) * 2019-05-09 2020-11-10 富泰华工业（深圳）有限公司 瑕疵检测方法、电子装置及计算机可读存储介质
CN112465743A (zh) * 2020-10-20 2021-03-09 天津大学 一种周期性结构质量检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004212392A (ja) * 2002-12-17 2004-07-29 Okayama Prefecture 表面検査方法
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN103402042A (zh) * 2013-07-31 2013-11-20 浙江大学 基于分块式误差扩散的半色调图像生成方法
CN103604809A (zh) * 2013-10-22 2014-02-26 江南大学 一种图案布匹瑕疵在线视觉检测方法
CN106296689A (zh) * 2016-08-10 2017-01-04 常州信息职业技术学院 瑕疵检测方法、系统及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004212392A (ja) * 2002-12-17 2004-07-29 Okayama Prefecture 表面検査方法
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN103402042A (zh) * 2013-07-31 2013-11-20 浙江大学 基于分块式误差扩散的半色调图像生成方法
CN103604809A (zh) * 2013-10-22 2014-02-26 江南大学 一种图案布匹瑕疵在线视觉检测方法
CN106296689A (zh) * 2016-08-10 2017-01-04 常州信息职业技术学院 瑕疵检测方法、系统及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DORIAN SCHNEIDER ET AL.: "A traverse inspection system for high precision visual on-loom fabric defect detection", 《MACHINE VISION AND APPLICATIONS》 *
吴黎明等: "重复图案晶片自动检测新方法", 《光学精密工程》 *
梁久祯等: "基于相似关系的纺织品瑕疵检测方法", 《模式识别与人工智能》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN111915549A (zh) * 2019-05-09 2020-11-10 富泰华工业（深圳）有限公司 瑕疵检测方法、电子装置及计算机可读存储介质
CN110852989A (zh) * 2019-09-30 2020-02-28 广州利科科技有限公司 瓷砖拍照图片的质量瑕疵检测
CN110852989B (zh) * 2019-09-30 2022-05-13 广州利科科技有限公司 瓷砖拍照图片的质量瑕疵检测
CN110838111A (zh) * 2019-11-08 2020-02-25 深圳市深视创新科技有限公司 柔性电路板的自适应缺陷检测方法
CN111028289A (zh) * 2019-11-20 2020-04-17 国网浙江省电力有限公司电力科学研究院 基于模板匹配的变电站内设备异物定位方法
CN111028289B (zh) * 2019-11-20 2022-05-17 国网浙江省电力有限公司电力科学研究院 基于模板匹配的变电站内设备异物定位方法
CN111784691A (zh) * 2020-07-27 2020-10-16 泉州迈斯特新材料科技有限公司 一种纺织品瑕疵检测方法
CN112465743A (zh) * 2020-10-20 2021-03-09 天津大学 一种周期性结构质量检测方法
CN112465743B (zh) * 2020-10-20 2022-04-22 天津大学 一种周期性结构质量检测方法

Also Published As

Publication number Publication date
CN107966444B (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN107966444A (zh) 基于模板的纺织品瑕疵检测方法
CN102496161B (zh) 一种印刷电路板图像的轮廓提取方法
CN101672637B (zh) 一种复杂曲面的数字化检测方法
CN109389601B (zh) 基于像素间相似性的彩色图像超像素分割方法
CN106373124B (zh) 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法
CN109472769A (zh) 一种不良图像缺陷检测方法和系统
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
Zhang et al. A review of fabric identification based on image analysis technology
Liu et al. Unsupervised segmentation and elm for fabric defect image classification
CN108090894A (zh) 基于距离匹配函数和感知哈希算法的织物疵点检测方法
CN103234969A (zh) 一种基于机器视觉的织物纬密度测量新方法
CN109949287A (zh) 一种基于自适应分割与模板校正的织物瑕疵检测方法
CN108171102A (zh) 一种基于视觉的零件快速识别方法
CN106023098B (zh) 基于张量结构多字典学习与稀疏编码的图像修补方法
CN109978830A (zh) 一种织物疵点检测方法
Zhang et al. Zju-leaper: A benchmark dataset for fabric defect detection and a comparative study
Pawening et al. Classification of textile image using support vector machine with textural feature
CN106296689B (zh) 瑕疵检测方法、系统及装置
Peng et al. Automated product boundary defect detection based on image moment feature anomaly
CN201514207U (zh) 一种复杂曲面的数字化检测系统
Kuang et al. Defect detection of bamboo strips based on LBP and GLCM features by using SVM classifier
CN113987610B (zh) 基于网格映射的不同分辨率服装曲面网格的匹配方法
Jin et al. End Image Defect Detection of Float Glass Based on Faster Region-Based Convolutional Neural Network.
CN112683166B (zh) 一种模切产品尺寸检测方法
CN112102189B (zh) 一种线结构光光条中心线提取方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240306

Address after: Room 705, Unit 3, Building 14, Tianhua Silicon Valley Manor, No. 59 Taifeng Road, Jiangbei New District, Nanjing City, Jiangsu Province, 210000

Patentee after: Nanjing Lushi Network Technology Co.,Ltd.

Country or region after: China

Address before: 213164 No. 22, Ming Xin Road, Wujin District, Changzhou, Jiangsu.

Patentee before: CHANGZHOU College OF INFORMATION TECHNOLOGY

Country or region before: China