CN108230315B - 一种基于机器视觉的口罩带缺失检测方法 - Google Patents

一种基于机器视觉的口罩带缺失检测方法 Download PDF

Info

Publication number
CN108230315B
CN108230315B CN201810007878.6A CN201810007878A CN108230315B CN 108230315 B CN108230315 B CN 108230315B CN 201810007878 A CN201810007878 A CN 201810007878A CN 108230315 B CN108230315 B CN 108230315B
Authority
CN
China
Prior art keywords
mask
mask image
image
sub
loss
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.)
Expired - Fee Related
Application number
CN201810007878.6A
Other languages
English (en)
Other versions
CN108230315A (zh
Inventor
张二虎
翁敬喻
段敬红
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201810007878.6A priority Critical patent/CN108230315B/zh
Publication of CN108230315A publication Critical patent/CN108230315A/zh
Application granted granted Critical
Publication of CN108230315B publication Critical patent/CN108230315B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • 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
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
    • G01N2021/891—Edge discrimination, e.g. by signal filtering
    • 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
    • G06T2207/20—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Abstract

本发明公开了一种基于机器视觉的口罩带缺失检测方法，具体为：首先对采集到的口罩图像进行姿态校正，使其成水平状态；提取调整后口罩图像的特征；然后采集无口罩带缺失和有口罩带缺失的口罩图像集作为训练集，建立基于支持向量SVM的口罩带缺失检测分类模型，并利用提取的口罩图像的特征，训练SVM模型；最后对于待检测的口罩图像依次进行姿态矫正、特征提取，并利用训练得到的SVM模型检测口罩带是否缺失。本发明通过对待检测的口罩，基于图像识别的方法，实现了口罩带缺失的自动检测，解决了人工检测速度慢、劳动强度大、可靠性较低的问题，具有快速、自动化的特点，提高了检测的效率。

Description

一种基于机器视觉的口罩带缺失检测方法
技术领域
本发明属于纺织生产技术领域，涉及一种基于机器视觉的口罩带缺失检测方法。
背景技术
口罩是生活中常见的空气过滤用品，其市场空间巨大。目前广泛应用的自动口罩生产设备可以完成口罩的自动化生产，但生产过程中难免会出现各种质量问题，如口罩表面存在毛发、污渍、异物，以及鼻梁条、口罩带的缺失等问题。这些存在质量问题的口罩，一旦流入市场，将会对企业的声誉产生较大的影响。
目前在口罩带缺失检测方面，主要是采用人工检测的方法对口罩进行离线检测。这种方法费时、费力并且效率极低，检测的结果易受检查人员技术素质、经验及疲劳程度等主观因素影响，缺乏准确性和规范化，难以保证产品质量。目前市场上还没有对口罩带缺失进行自动检测的方法，本发明基于机器视觉技术提出一种自动检测方法，可以代替人工检测，解决了人工检测劳动强度大、主观性强、检测效率低下等问题。
发明内容
本发明的目的是提供一种基于机器视觉的口罩带缺失检测方法，解决了现有人工检测中存在的劳动强度大、主观性强、检测效率低下的问题。
本发明所采用的技术方案是，一种基于机器视觉的口罩带缺失检测方法，具体按以下步骤实施：
步骤1，采用面阵相机，采集传送带上的口罩图像；
步骤2，对步骤1中采集到的口罩图像进行姿态校正，使其成水平状态；
步骤3，提取步骤2调整后口罩图像的特征；
步骤4，采集无口罩带缺失和有口罩带缺失的口罩图像集作为训练集，建立基于支持向量SVM的口罩带缺失检测分类模型，并利用步骤3提取的口罩图像的特征，训练SVM模型；
步骤5，对于待检测的口罩图像依次按照步骤1-3进行处理，然后利用步骤4训练得到的SVM模型检测左、右口罩带是否缺失。
本发明的特点还在于，
步骤2中姿态校正，依次包括基于OSTU方法的口罩图像二值化、形态学处理、基于Canny的边缘检测、最小外接矩形的确定、口罩图像的旋转、口罩图像的裁切。
步骤2中姿态校正，具体为：
步骤2.1，采用OTSU二值化方法对步骤1采集的口罩图像进行二值化处理，形成二值化口罩图像；
步骤2.2，对步骤2.1得到的二值化口罩图像采用5×5大小的形态学元素，进行形态学闭运算；
步骤2.3，对步骤2.2形态学闭运算后的口罩图像，采用Canny边缘检测方法进行边缘检测，获得口罩图像的边缘轮廓；
步骤2.4，采用Graham's Scan凸包算法，对步骤2.3得到的口罩图像的边缘轮廓，求其最小外接矩形；
步骤2.5，根据步骤2.4的最小外接矩形，可以求得口罩图像相对于水平方向的倾斜角度，对步骤2.1采集的口罩图像按照该倾斜角度进行反向的旋转校正，使口罩图像成水平状态；
步骤2.6，对步骤2.5校正后的口罩图像，利用其对称性，在垂直方向的中间将其裁切为左、右两幅子图像，并将右边的子图像进行水平方向的翻转。
步骤3包括对口罩图像依次进行二值化增强处理、检测窗口大小的划分和基于局部二值模式LBP的口罩图像特征提取。
步骤3具体为：
骤3.1，对裁切得到的口罩子图像，进行Gamma校正，其中取Gamma值为2.2；
步骤3.2，对经过步骤3.1增强后的口罩子图像，划分为4×4个子区域，求取每个子区域的旋转不变的等价LBP模式下的特征，并将这16个子区域的特征串联起来作为提取的口罩图像特征。
步骤4中SVM模型的训练采用线性核函数。
本发明的有益效果是，本发明一种基于机器视觉的口罩带缺失检测方法，通过对待检测的口罩图像的采集与预处理，提取其多种图像特征，并通过分类器对口罩带的缺失进行自动判断，从而实现口罩基于图像识别的方法自动检测，解决了人工检测速度慢、劳动强度大、可靠性较低的问题，具有快速、自动化的特点，提高了检测的效率。
附图说明
图1是本发明一种基于机器视觉的口罩带缺失检测方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于机器视觉的口罩带缺失检测方法，其流程如图1所示，具体按照以下步骤实施：
步骤1，采用面阵相机，采集传送带上的口罩图像，设采集的口罩图像为I(x,y)，其中x、y为图像中像素的坐标。
步骤2，对步骤1中采集到的口罩图像进行姿态校正，包括基于OSTU方法的口罩图像二值化、形态学处理、基于Canny的边缘检测、最小外接矩形的确定、口罩图像的旋转、口罩图像的裁切。具体为：
步骤2.1，采用OTSU二值化方法对步骤1采集的口罩图像I(x,y)进行二值化处理，形成二值化口罩图像；
步骤2.2，对步骤2.1的二值化口罩图像采用5×5大小的形态学元素，进行形态学闭运算；
步骤2.3，对步骤2.2形态学闭运算后的口罩图像，采用Canny边缘检测方法进行边缘检测，获得口罩图像的边缘轮廓；
步骤2.4，采用Graham's Scan凸包算法，对步骤2.3得到的口罩图像的边缘轮廓，求其最小外接矩形；
步骤2.5，根据步骤2.4的最小外接矩形，可以求得口罩图像相对于水平方向的倾斜角度，对步骤2.1采集的口罩图像按照该倾斜角度进行反向的旋转校正，使口罩图像成水平状态；
步骤2.6，对步骤2.5校正后的口罩图像，利用其对称性，在垂直方向的中间将其裁切为左、右两幅子图像，并将右边的子图像进行水平方向的翻转，其目的是利用口罩图像的对称性将右边子图像中右口罩带的缺失判断，归为和左边子图像中左口罩带缺失判断一样的方法。
步骤3，口罩图像的特征提取，包括二值化增强处理、检测窗口大小的划分和基于局部二值模式LBP的口罩图像特征提取，具体为：
骤3.1，对裁切得到的口罩子图像，进行Gamma校正，其中取Gamma值为2.2；
步骤3.2，对经过步骤3.1增强后的口罩子图像，划分为4×4个子区域，求取每个子区域的旋转不变的等价LBP模式下的特征，并将这16个子区域的特征串联起来作为提取的口罩图像特征；
步骤4，采集无口罩带缺失和有口罩带缺失的口罩图像集作为训练集，建立基于支持向量SVM的口罩带缺失检测分类模型。
在训练集中，有口罩带缺失的图像标记为+1，无口罩带缺失时的标记为-1。在SVM模型的训练过程中，将步骤3提取的LBP特征作为SVM的输入，采用线性核函数，训练SVM。
步骤5，对于待检测的口罩图像，首先利用步骤2可以获得待检测口罩图像的左、右子图像；然后，利用步骤3获取每个子图像的LBP特征；最后，利用步骤4训练得到的SVM模型检测左、右口罩带是否缺失。
本发明的一种基于机器视觉的口罩带缺失检测方法，通过对待检测的口罩图像的采集与预处理，提取其多种图像特征，并通过分类器对口罩带的缺失进行自动判断。该方法具有计算简单、判断准确的特点，可以替代人工进行自动检测，能够提高检测效率和自动化程度。

Claims (4)

1.一种基于机器视觉的口罩带缺失检测方法，其特征在于，具体按以下步骤实施：
步骤1，采用面阵相机，采集传送带上的口罩图像；
步骤2，对步骤1中采集到的口罩图像进行姿态校正，使其成水平状态；
所述步骤2中姿态校正，具体为：
步骤2.1，采用OTSU二值化方法对步骤1采集的口罩图像进行二值化处理，形成二值化口罩图像；
步骤2.2，对步骤2.1得到的二值化口罩图像采用5×5大小的形态学元素，进行形态学闭运算；
步骤2.3，对步骤2.2形态学闭运算后的口罩图像，采用Canny边缘检测方法进行边缘检测，获得口罩图像的边缘轮廓；
步骤2.4，采用Graham's Scan凸包算法，对步骤2.3得到的口罩图像的边缘轮廓，求其最小外接矩形；
步骤2.5，根据步骤2.4的最小外接矩形，可以求得口罩图像相对于水平方向的倾斜角度，对步骤2.1采集的口罩图像按照该倾斜角度进行反向的旋转校正，使口罩图像成水平状态；
步骤2.6，对步骤2.5校正后的口罩图像，利用其对称性，在垂直方向的中间将其裁切为左、右两幅子图像，并将右边的子图像进行水平方向的翻转；
步骤3，提取步骤2调整后口罩图像的特征；
步骤4，采集无口罩带缺失和有口罩带缺失的口罩图像集作为训练集，建立基于支持向量SVM的口罩带缺失检测分类模型，并利用步骤3提取的口罩图像的特征，训练SVM模型；
步骤5，对于待检测的口罩图像依次按照步骤1-3进行处理，然后利用步骤4训练得到的SVM模型检测左、右口罩带是否缺失。
2.根据权利要求1所述的一种基于机器视觉的口罩带缺失检测方法，其特征在于，所述步骤3包括对口罩图像依次进行二值化增强处理、检测窗口大小的划分和基于局部二值模式LBP的口罩图像特征提取。
3.根据权利要求1或2所述的一种基于机器视觉的口罩带缺失检测方法，其特征在于，所述步骤3具体为：
步骤3.1，对裁切得到的口罩子图像，进行Gamma校正，其中取Gamma值为2.2；
步骤3.2，对经过步骤3.1增强后的口罩子图像，划分为4×4个子区域，求取每个子区域的旋转不变的等价LBP模式下的特征，并将这16个子区域的特征串联起来作为提取的口罩图像特征。
4.根据权利要求1所述的一种基于机器视觉的口罩带缺失检测方法，其特征在于，所述步骤4中SVM模型的训练采用线性核函数。
CN201810007878.6A 2018-01-04 2018-01-04 一种基于机器视觉的口罩带缺失检测方法 Expired - Fee Related CN108230315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810007878.6A CN108230315B (zh) 2018-01-04 2018-01-04 一种基于机器视觉的口罩带缺失检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810007878.6A CN108230315B (zh) 2018-01-04 2018-01-04 一种基于机器视觉的口罩带缺失检测方法

Publications (2)

Publication Number Publication Date
CN108230315A CN108230315A (zh) 2018-06-29
CN108230315B true CN108230315B (zh) 2021-05-25

Family

ID=62643003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810007878.6A Expired - Fee Related CN108230315B (zh) 2018-01-04 2018-01-04 一种基于机器视觉的口罩带缺失检测方法

Country Status (1)

Country Link
CN (1) CN108230315B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109374634B (zh) * 2018-11-20 2020-07-03 深圳市维图视技术有限公司 一种口罩在线检测系统及方法
CN109374635B (zh) * 2018-11-20 2020-06-30 深圳市维图视技术有限公司 一种口罩缺陷检测装置及方法
CN109765238A (zh) * 2018-12-12 2019-05-17 弓立（厦门）医疗用品有限公司 一种口罩全自动生产检测设备的产品质量检测方法
CN109507198B (zh) * 2018-12-14 2021-12-07 航天科工智能机器人有限责任公司 基于快速傅里叶变换和线性高斯的口罩检测系统及方法
CN111453576B (zh) * 2020-04-21 2022-01-04 通力股份公司 监控系统和电梯
CN111976151A (zh) * 2020-08-06 2020-11-24 漳浦金盛智能科技有限公司 一种平面口罩机
CN111948134A (zh) * 2020-08-17 2020-11-17 上海荏御日用品有限公司 一种口罩松紧绳牢固度检测装置
CN112070738B (zh) * 2020-09-03 2022-04-12 广东高臻智能装备有限公司 一种口罩鼻梁检测方法及系统
CN112949471A (zh) * 2021-02-27 2021-06-11 浪潮云信息技术股份公司 基于国产cpu的电子公文识别复现方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952258A (zh) * 2017-03-23 2017-07-14 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法
CN107014822A (zh) * 2017-02-28 2017-08-04 深圳市维图视技术有限公司 一种无纺布口罩缺陷视觉检测系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2462535A2 (fr) * 2009-08-04 2012-06-13 Vesalis Procédé de traitement d'image pour corriger une image cible en fonction d'une image de reference et dispositif de traitement d'image correspondant

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107014822A (zh) * 2017-02-28 2017-08-04 深圳市维图视技术有限公司 一种无纺布口罩缺陷视觉检测系统及方法
CN106952258A (zh) * 2017-03-23 2017-07-14 南京汇川图像视觉技术有限公司 一种基于梯度方向直方图的瓶口缺陷检测方法

Also Published As

Publication number Publication date
CN108230315A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108230315B (zh) 一种基于机器视觉的口罩带缺失检测方法
CN109785316B (zh) 一种芯片表观缺陷检测方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN109724990B (zh) 一种包装盒标签中喷码区域的快速定位与检测方法
CN102305798B (zh) 基于机器视觉的玻璃缺陷的检测与分类方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN111179225A (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN107490582B (zh) 一种流水线工件检测系统
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN108805862B (zh) 一种基于改进结构相似度的标签鉴别方法
CN106846313A (zh) 工件表面缺陷检测方法和装置
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN113109348A (zh) 一种基于机器视觉的桨影移印缺陷识别方法
CN110349125A (zh) 一种基于机器视觉的led芯片外观缺陷检测方法及系统
CN108268841A (zh) 一种轧钢板热喷字符串识别与验证系统及方法
CN106780437B (zh) 一种快速qfn芯片塑封图像获取与放大方法
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN102901735B (zh) 利用计算机对工件缺损、裂变、变形进行自动检测的系统
CN107967681A (zh) 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法
CN107153067A (zh) 一种基于matlab的零件表面缺陷检测方法
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
CN110084246A (zh) 一种色织物疵点自动识别方法
CN112304957A (zh) 一种基于机器视觉的外观缺陷智能检测方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210525

CF01 Termination of patent right due to non-payment of annual fee