CN108921819A - 一种基于机器视觉的验布装置及方法 - Google Patents
一种基于机器视觉的验布装置及方法 Download PDFInfo
- Publication number
- CN108921819A CN108921819A CN201810535589.3A CN201810535589A CN108921819A CN 108921819 A CN108921819 A CN 108921819A CN 201810535589 A CN201810535589 A CN 201810535589A CN 108921819 A CN108921819 A CN 108921819A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- density
- edge
- close
- 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
- 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
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06H—MARKING, INSPECTING, SEAMING OR SEVERING TEXTILE MATERIALS
- D06H3/00—Inspecting textile materials
- D06H3/08—Inspecting textile materials by photo-electric or television means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Textile Engineering (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的验布方法,用工业摄像机定焦拍摄经热定型后的待检验成品织物,获取实时图像;然后采用方法一、二对织物的纵密和横密进行计算;最后方法一、二所得的横密和纵密求出织物的实际密度。本发明还公开了一种基于机器视觉的验布装置,图像采集单元的输出端与图像处理单元的输入端连接,图像处理单元的输出端与密度检测单元的输入端连接;图像采集单元采集织物表面的反射图像;图像处理单元用于进行图像傅里叶变换、灰度变换、直方图均衡化和图像的二值化处理;密度检测单元采用边缘检测算法、霍夫变换、核密度估计算法对处理后的图像进行织物的倾斜度、脊线数和圈柱数进行分析,并计算出织物的密度。
Description
技术领域
本发明涉及验布领域,具体是一种基于机器视觉的验布装置及方法。
背景技术
纺织染整产业是我国的传统优势行业,在国民经济发展中占有重要地位,是我国经济发展的支柱性产业[1]。首先在出口贸易中是出口创汇的首要产业,对保证中国外汇储备、国际收支平衡等方面有着重要影响;其次在带动国内就业,影响人民穿衣等基础方面有着不可估量的作用。
目前国内外对热定型工艺的研究已经很多,但实践应用中完善成熟的产品却较少,且多为国外纺织产业比较发达的欧洲国家[3,4,5]。国内染整企业一方面面对国内不够完善的产品,实际应用中存在诸多问题;另一方面国外的检测产品功能虽然相对比较完善,但是价格高昂,使用过程中的维护维修必须由专业人员或生产厂商提供技术支持,这也是国外产品难以在我国染整企业普及的重要原因。这就造成了我国染整行业对针织物克重、密度等指标的检测还停留在人工阶段。织物加工所需的工艺参数都是通过操作人员的经验给出,在生产初始通过反复的人工测量克重、幅宽等指标对运行参数进行调整,直到指标符合客户订单的要求。这一调节过程不仅存在较大的滞后性,而且在生产过程中很少再进行指标检测与参数调整,因而造成同批次织物成品质量指标波动大甚至不达标,大大降低了产品一次合格率。在实际生产中我省染整企业弹力针织物热定型的一次合格率普遍不足70%。而对于针织物密度的检测,由于检测环节比较复杂,不适宜人工现场的检测,一般在织物成品中抽样进行人工测定,因而失去了对生产指导的实时性,成为不被企业生产重视的一个重要技术指标,产品质量的提高也受到相应的制约。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于机器视觉的验布装置及方法,以至少达到对针织物密度的在线检测,实时指导针织物生产过程。
本发明的目的是通过以下技术方案来实现的:一种基于机器视觉的验布方法,步骤如下:
S1.获取织物图像:
用工业摄像机定焦拍摄经热定型后的待检验成品织物,获取实时图像,相机成像的实际范围为a×b mm且a>b;
S2.采用方法一、二对织物的纵密和横密进行计算:
方法一:
I.对所述实时图像进行傅里叶变换,得到傅里叶频谱图;
II.将所述频谱图中各坐标点对应的灰度值设置为Z坐标,得到傅里叶频谱图的三维视图;
III.利用边缘检测算法对所述三维视图中的亮点区域进行提取,得到对应区域的坐标范围;
IV.对所述坐标范围内的点进行遍历,获取对应区域内灰度值最大的点的坐标值,记为峰点坐标值;
V.将所述峰点坐标值对应于极坐标中,求解纵向过原点直线上的峰点的纵坐标之差的绝对值的平均值,即为图像中的脊线条数Nb1,再求解所述纵向直线的斜率k,可得出织物倾角并求解横向直线上的峰点到所述纵向直线的最小距离值,即为图像中的圈柱数Na1;
VI.根据所述脊线和圈柱信息计算织物密度:
纵密
横密
其中,L为针织物密度定义中的规定长度,S当针织物存在倾角θ1时的频谱图最高频率对应的图像的宽度,
方法二:
I.对所述实时图像进行预处理:依次包括灰度变换、直方图均衡化和图像二值化处理;
II.通过霍夫变换提取并统计所述预处理后的图像的脊线数Nb2和倾角θ2,具体为:
①二值图像的骨架化;
②采用MATLAB对图像进行毛刺消除操作并提取脊线;
③利用霍夫变换对所述脊线进行识别和统计,并进行Hough直线有效性检验;
所述Hough直线有效性检验,具体为:
首先,通过延长每条Hough标记直线段得到直线与图像左右边缘的交点,当直线与图像上下某个边缘出现交点时,该直线舍去;
然后,在上述基础上得到延长线与图像左右一侧边缘交点与相邻交点的间距E1、E2、…、 Ed-1,
定义Ei=Zi+1-Zi(i=1,2,…,d-1),其中,Z1、Z2、……Zd为所述交点的纵坐标值,则间距的均值
最后,由有效性检测后的脊线标记图得出Nb2,由标记直线的斜率计算得出脊线在图像中的倾角θ2;
III.通过核密度估计算法提取并统计所述预处理后的图像的圈柱数Na2;
IV.计算纵密PA2和横密PB2:
定义横密纵密
其中,b为相机成像的宽度范围值,L为针织物密度定义中的规定长度,H=Zd-Z1;
S3.待验成品织物的横密和纵密分别为:
PA=C1PA1+C2PA2
PB=C3PB1+C4PB2
其中,C1,C2,C3,C4为系数。
进一步的,S2中,方法一所述边缘检测算法采用Canny边缘检测算子:
①首先用2D高斯滤波模板与图像进行卷积,消除噪声;
②利用Sobel算子或Prewitt算子中卷积计算核求取图像x和y两个方向导数,并计算梯度值和梯度方向:
其中,Gx为x方向的梯度值,Gy为y方向的梯度值;
③非极大值抑制:仅得到全局的梯度不足以确定边缘,必须保留局部梯度最大的点,而抑制非极大值。
④阈值化处理:该过程采用双阈值算法,双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2,且2τ1≈τ2,从而可以得到两个阈值边缘图象N1[i,j]和N2[i,j],由于N2[i,j]使用高阈值得到,因而含有很少的假边缘,但有间断(不闭合),双阈值法要在N2[i,j]中把边缘连接成轮廓,当到达轮廓的端点时,则在N1[i,j]的邻点位置寻找可以连接到轮廓上的边缘,不断地在N1[i,j]中收集边缘,直到将N2[i,j]连接起来为止。
进一步的,S2中,方法二所述图像二值化处理采用动态阈值算法:
①首先以需二值化的像素点为中心点,定义一个窗口Am×n,该窗口在图像中是一个m×n 的矩阵,对该窗口内像素点灰度值求均值,若坐标为(x,y)的像素点的灰度值为f(x,y),则窗口平均灰度值为
其中0<i<=m,0<j<=n,
对于图像边沿像素点不满足窗口大小的,取值小于图像下限边沿的取下限边沿值0,大于图像上限边沿值的取最大值计算;
②将所述需二值化的像素点的灰度值与比较,定义输出图像的灰度函数为g(xi,yj),输入图像的灰度函数为f(xi,yj),则有
其中0<i<=m,0<j<=n。
进一步的,S2中,方法二所述通过核密度估计算法提取并统计所述预处理后的图像的圈柱数Na2,包括:
①圈柱的提取与统计;
②圈柱间距的统计;
③标准间距的获取。
进一步的,所述圈柱的提取与统计:
①选取两条相邻标记直线段;
②由第一条计算每列开始的行,由第二条计算每列结束的行;
③根据列数与每列开始和结束的行值提取其中的点,得到圈柱图。
进一步的,所述圈柱间距的统计:
①根据圈柱图计算得出质心标记图;
②根据所述质心标记图统计相邻质心的间距,得出圈柱间距统计图。
进一步的,所述标准间距的获取:
①通过核密度估计原理将所述圈柱间距统计图变为连续的概率密度图,所述核密度估计函数定义为:
其中,x1,x2,x3,…,xn是取自一元连续总体的样本,K()为高斯核函数,定义h为窗宽,
定义其中p=1,σ为样本标准差,n为样本大小;
②根据所述概率密度图得出最大峰值对应的横坐标点,即标准间距值B;
定义其中,W为所述图像横向像素数。
一种基于机器视觉的验布装置,包括光源、图像采集单元、图像处理单元和密度检测单元,所述图像采集单元的输出端与所述图像处理单元的输入端连接,所述图像处理单元的输出端与所述密度检测单元的输入端连接;
所述图像采集单元采集织物表面的反射图像;
所述图像处理单元用于进行图像傅里叶变换、灰度变换、直方图均衡化和图像的二值化处理;
所述密度检测单元采用边缘检测算法、霍夫变换、核密度估计算法对所述处理后的图像进行织物的倾斜度、脊线数和圈柱数进行分析,并计算出织物的密度。
进一步的,所述光源包括反射光和透射光,所述图像采集单元包括数字摄像机。
本发明的有益效果是:
基于频域分析出发,采用傅里叶变换法对针织物灰度图像进行傅里叶变换,得到傅里叶频谱图中特征点与图像中针织物密度信息的对应关系。对傅里叶频谱图进行了细致分析,为弥补现阶段在傅里叶特征点提取上的不足,特采用图像处理技术提取特征点,通过对特征点分析不仅得到了针织物密度信息,而且根据傅里叶变换的旋转不变性得到了线圈在图像中的倾斜程度。在此基础上对傅里叶变换的应用进行拓展,将针织物反面图像进行傅里叶变换分析,也可以得到较为理想的结果,充分利用了傅里叶变换的泛化能力。
进一步的,采用动态阈值算法对针织物图像的预处理,解决不均匀图像的增强与二值化的问题。通过脊线骨架提取算法实现了对脊线的准确提取,根据Hough变换完成了对脊线的识别与计数。同时根据脊线骨架的标记对二值图像中的圈柱进行了局域提取与统计,由圈柱间距统计特性得到了标准的圈高,进而实现了图像中圈柱的准确计数。将针织物图像中循环组织结构的统计转化圈高的统计问题,利用概率中的密度估计进行标准圈高的估计,最终得出科学的密度值。
本系统融合两种密度检测算法,实现对针织物密度的在线精准检测,可实时指导针织物生产过程,可减少生产人员的劳动强度,提高企业生产一次合格率,节约生产成本,对增加企业的利润空间与产品竞争力具有积极的作用。
具体实施方式
下面进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
本发明的目的是通过以下技术方案来实现的:一种基于机器视觉的验布方法,步骤如下:
S1.获取织物图像:
用工业摄像机定焦拍摄经热定型后的待检验成品织物,获取实时图像,相机成像的实际范围为a×b mm且a>b;
S2.采用方法一、二对织物的纵密和横密进行计算:
方法一:
I.对所述实时图像进行傅里叶变换,得到傅里叶频谱图;
II.将所述频谱图中各坐标点对应的灰度值设置为Z坐标,得到傅里叶频谱图的三维视图;
III.利用边缘检测算法对所述三维视图中的亮点区域进行提取,得到对应区域的坐标范围;
IV.对所述坐标范围内的点进行遍历,获取对应区域内灰度值最大的点的坐标值,记为峰点坐标值;
V.将所述峰点坐标值对应于极坐标中,求解纵向过原点直线上的峰点的纵坐标之差的绝对值的平均值,即为图像中的脊线条数Nb1,再求解所述纵向直线的斜率k,可得出织物倾角并求解横向直线上的峰点到所述纵向直线的最小距离值,即为图像中的圈柱数Na1;
VI.根据所述脊线和圈柱信息计算织物密度:
纵密
横密
其中,L为针织物密度定义中的规定长度,S当针织物存在倾角θ1时的频谱图最高频率对应的图像的宽度,
方法二:
I.对所述实时图像进行预处理:依次包括灰度变换、直方图均衡化和图像二值化处理;
II.通过霍夫变换提取并统计所述预处理后的图像的脊线数Nb2和倾角θ2,具体为:
①二值图像的骨架化;
②采用MATLAB对图像进行毛刺消除操作并提取脊线;
③利用霍夫变换对所述脊线进行识别和统计,并进行Hough直线有效性检验;
所述Hough直线有效性检验,具体为:
首先,通过延长每条Hough标记直线段得到直线与图像左右边缘的交点,当直线与图像上下某个边缘出现交点时,该直线舍去;
然后,在上述基础上得到延长线与图像左右一侧边缘交点与相邻交点的间距E1、E2、…、 Ed-1,
定义Ei=Zi+1-Zi(i=1,2,…,d-1),其中,Z1、Z2、……Zd为所述交点的纵坐标值,则间距的均值
最后,由有效性检测后的脊线标记图得出Nb2,由标记直线的斜率计算得出脊线在图像中的倾角θ2;
III.通过核密度估计算法提取并统计所述预处理后的图像的圈柱数Na2;
IV.计算纵密PA2和横密PB2:
定义横密纵密
其中,b为相机成像的宽度范围值,L为针织物密度定义中的规定长度,H=Zd-Z1;
S3.待验成品织物的横密和纵密分别为:
PA=C1PA1+C2PA2
PB=C3PB1+C4PB2
其中,C1,C2,C3,C4为系数。
进一步的,S2中,方法一所述边缘检测算法采用Canny边缘检测算子:
①首先用2D高斯滤波模板与图像进行卷积,消除噪声;
②利用Sobel算子或Prewitt算子中卷积计算核求取图像x和y两个方向导数,并计算梯度值和梯度方向:
其中,Gx为x方向的梯度值,Gy为y方向的梯度值;
③非极大值抑制:仅得到全局的梯度不足以确定边缘,必须保留局部梯度最大的点,而抑制非极大值。
④阈值化处理:该过程采用双阈值算法,双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2,且2τ1≈τ2,从而可以得到两个阈值边缘图象N1[i,j]和N2[i,j],由于N2[i,j]使用高阈值得到,因而含有很少的假边缘,但有间断(不闭合),双阈值法要在N2[i,j]中把边缘连接成轮廓,当到达轮廓的端点时,则在N1[i,j]的邻点位置寻找可以连接到轮廓上的边缘,不断地在N1[i,j]中收集边缘,直到将N2[i,j]连接起来为止。
进一步的,S2中,方法二所述图像二值化处理采用动态阈值算法:
①首先以需二值化的像素点为中心点,定义一个窗口Am×n,该窗口在图像中是一个m×n 的矩阵,对该窗口内像素点灰度值求均值,若坐标为(x,y)的像素点的灰度值为f(x,y),则窗口平均灰度值为
其中0<i<=m,0<j<=n,
对于图像边沿像素点不满足窗口大小的,取值小于图像下限边沿的取下限边沿值0,大于图像上限边沿值的取最大值计算;
②将所述需二值化的像素点的灰度值与比较,定义输出图像的灰度函数为g(xi,yj),输入图像的灰度函数为f(xi,yj),则有
其中0<i<=m,0<j<=n。
进一步的,S2中,方法二所述通过核密度估计算法提取并统计所述预处理后的图像的圈柱数Na2,包括:
①圈柱的提取与统计;
②圈柱间距的统计;
③标准间距的获取。
进一步的,所述圈柱的提取与统计:
①选取两条相邻标记直线段;
②由第一条计算每列开始的行,由第二条计算每列结束的行;
③根据列数与每列开始和结束的行值提取其中的点,得到圈柱图。
进一步的,所述圈柱间距的统计:
①根据圈柱图计算得出质心标记图;
②根据所述质心标记图统计相邻质心的间距,得出圈柱间距统计图。
进一步的,所述标准间距的获取:
①通过核密度估计原理将所述圈柱间距统计图变为连续的概率密度图,所述核密度估计函数定义为:
其中,x1,x2,x3,…,xn是取自一元连续总体的样本,K()为高斯核函数,定义h为窗宽,
定义其中p=1,σ为样本标准差,n为样本大小;
②根据所述概率密度图得出最大峰值对应的横坐标点,即标准间距值B;
定义其中,W为所述图像横向像素数。
一种基于机器视觉的验布装置,包括光源、图像采集单元、图像处理单元和密度检测单元,所述图像采集单元的输出端与所述图像处理单元的输入端连接,所述图像处理单元的输出端与所述密度检测单元的输入端连接;
所述图像采集单元采集织物表面的反射图像;
所述图像处理单元用于进行图像傅里叶变换、灰度变换、直方图均衡化和图像的二值化处理;
所述密度检测单元采用边缘检测算法、霍夫变换、核密度估计算法对所述处理后的图像进行织物的倾斜度、脊线数和圈柱数进行分析,并计算出织物的密度。
进一步的,所述光源包括反射光和透射光,所述图像采集单元包括数字摄像机。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于机器视觉的验布方法,其特征在于,步骤如下:
S1.获取织物图像:
用工业摄像机定焦拍摄经热定型后的待检验成品织物,获取实时图像,相机成像的实际范围为a×bmm且a>b;
S2.采用方法一、二对织物的纵密和横密进行计算:
方法一:
I.对所述实时图像进行傅里叶变换,得到傅里叶频谱图;
II.将所述频谱图中各坐标点对应的灰度值设置为Z坐标,得到傅里叶频谱图的三维视图;
III.利用边缘检测算法对所述三维视图中的亮点区域进行提取,得到对应区域的坐标范围;
IV.对所述坐标范围内的点进行遍历,获取对应区域内灰度值最大的点的坐标值,记为峰点坐标值;
V.将所述峰点坐标值对应于极坐标中,求解纵向过原点直线上的峰点的纵坐标之差的绝对值的平均值,即为图像中的脊线条数Nb1,再求解所述纵向直线的斜率k,可得出织物倾角并求解横向直线上的峰点到所述纵向直线的最小距离值,即为图像中的圈柱数Na1;
VI.根据所述脊线和圈柱信息计算织物密度:
纵密
横密
其中,L为针织物密度定义中的规定长度,S当针织物存在倾角θ1时的频谱图最高频率对应的图像的宽度,
方法二:
I.对所述实时图像进行预处理:依次包括灰度变换、直方图均衡化和图像二值化处理;
II.通过霍夫变换提取并统计所述预处理后的图像的脊线数Nb2和倾角θ2,具体为:
①二值图像的骨架化;
②采用MATLAB对图像进行毛刺消除操作并提取脊线;
③利用霍夫变换对所述脊线进行识别和统计,并进行Hough直线有效性检验;
所述Hough直线有效性检验,具体为:
首先,通过延长每条Hough标记直线段得到直线与图像左右边缘的交点,当直线与图像上下某个边缘出现交点时,该直线舍去;
然后,在上述基础上得到延长线与图像左右一侧边缘交点与相邻交点的间距E1、E2、…、Ed-1,
定义Ei=Zi+1-Zi(i=1,2,…,d-1),其中,Z1、Z2、……Zd为所述交点的纵坐标值,则间距的均值
最后,由有效性检测后的脊线标记图得出Nb2,由标记直线的斜率计算得出脊线在图像中的倾角θ2;
III.通过核密度估计算法提取并统计所述预处理后的图像的圈柱数Na2;
IV.计算纵密PA2和横密PB2:
定义横密纵密
其中,b为相机成像的宽度范围值,L为针织物密度定义中的规定长度,H=Zd-Z1;
S3.待验成品织物的横密和纵密分别为:
PA=C1PA1+C2PA2
PB=C3PB1+C4PB2
其中,C1,C2,C3,C4为系数。
2.根据权利要求1所述的一种基于机器视觉的验布方法,S2中,方法一所述边缘检测算法采用Canny边缘检测算子,其特征在于:
①首先用2D高斯滤波模板与图像进行卷积,消除噪声;
②利用Sobel算子或Prewitt算子中卷积计算核求取图像x和y两个方向导数,并计算梯度值和梯度方向:
其中,Gx为x方向的梯度值,Gy为y方向的梯度值;
③非极大值抑制:仅得到全局的梯度不足以确定边缘,必须保留局部梯度最大的点,而抑制非极大值。
④阈值化处理:该过程采用双阈值算法,双阈值算法对非极大值抑制图象作用两个阈值τ1和τ2,且2τ1≈τ2,从而可以得到两个阈值边缘图象N1[i,j]和N2[i,j],由于N2[i,j]使用高阈值得到,因而含有很少的假边缘,但有间断(不闭合),双阈值法要在N2[i,j]中把边缘连接成轮廓,当到达轮廓的端点时,则在N1[i,j]的邻点位置寻找可以连接到轮廓上的边缘,不断地在N1[i,j]中收集边缘,直到将N2[i,j]连接起来为止。
3.根据权利要求1所述的一种基于机器视觉的验布方法,S2中,方法二所述图像二值化处理采用动态阈值算法,其特征在于:
①首先以需二值化的像素点为中心点,定义一个窗口Am×n,该窗口在图像中是一个m×n的矩阵,对该窗口内像素点灰度值求均值,若坐标为(x,y)的像素点的灰度值为f(x,y),则窗口平均灰度值为
其中0<i<=m,0<j<=n,
对于图像边沿像素点不满足窗口大小的,取值小于图像下限边沿的取下限边沿值0,大于图像上限边沿值的取最大值计算;
②将所述需二值化的像素点的灰度值与比较,定义输出图像的灰度函数为g(xi,yj),输入图像的灰度函数为f(xi,yj),则有
其中0<i<=m,0<j<=n。
4.根据权利要求1所述的一种基于机器视觉的验布方法,S2中,方法二所述通过核密度估计算法提取并统计所述预处理后的图像的圈柱数Na2,其特征在于,包括:
①圈柱的提取与统计;
②圈柱间距的统计;
③标准间距的获取。
5.根据权利要求4所述的一种基于机器视觉的验布方法,所述圈柱的提取与统计,其特征在于:
①选取两条相邻标记直线段;
②由第一条计算每列开始的行,由第二条计算每列结束的行;
③根据列数与每列开始和结束的行值提取其中的点,得到圈柱图。
6.根据权利要求5所述的一种基于机器视觉的验布方法,所述圈柱间距的统计,其特征在于:
①根据圈柱图计算得出质心标记图;
②根据所述质心标记图统计相邻质心的间距,得出圈柱间距统计图。
7.根据权利要求6所述的一种基于机器视觉的验布方法,所述标准间距的获取,其特征在于:
①通过核密度估计原理将所述圈柱间距统计图变为连续的概率密度图,所述核密度估计函数定义为:
其中,x1,x2,x3,…,xn是取自一元连续总体的样本,K()为高斯核函数,h为窗宽,
定义其中p=1,σ为样本标准差;
②根据所述概率密度图得出最大峰值对应的横坐标点,即标准间距值B;
定义其中,W为所述图像横向像素数。
8.一种基于机器视觉的验布装置,其特征在于:包括光源、图像采集单元、图像处理单元和密度检测单元,所述图像采集单元的输出端与所述图像处理单元的输入端连接,所述图像处理单元的输出端与所述密度检测单元的输入端连接;
所述图像采集单元采集织物表面的反射图像;
所述图像处理单元用于进行图像傅里叶变换、灰度变换、直方图均衡化和图像的二值化处理;
所述密度检测单元采用边缘检测算法、霍夫变换、核密度估计算法对所述处理后的图像进行织物的倾斜度、脊线数和圈柱数进行分析,并计算出织物的密度。
9.根据权利要求8所述的一种基于机器视觉的验布装置,其特征在于:所述光源包括反射光和透射光,所述图像采集单元包括数字摄像机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535589.3A CN108921819B (zh) | 2018-05-29 | 2018-05-29 | 一种基于机器视觉的验布装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535589.3A CN108921819B (zh) | 2018-05-29 | 2018-05-29 | 一种基于机器视觉的验布装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921819A true CN108921819A (zh) | 2018-11-30 |
CN108921819B CN108921819B (zh) | 2021-02-02 |
Family
ID=64411145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810535589.3A Active CN108921819B (zh) | 2018-05-29 | 2018-05-29 | 一种基于机器视觉的验布装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921819B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884084A (zh) * | 2019-03-22 | 2019-06-14 | 沈阳工业大学 | 一种围巾端部自动翻转整体视觉检测装置 |
CN111062959A (zh) * | 2019-11-28 | 2020-04-24 | 重庆大学 | 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 |
CN112184615A (zh) * | 2020-07-04 | 2021-01-05 | 浙江省常山纺织有限责任公司 | 基于图像处理的织物有色纤维检测系统 |
CN112733831A (zh) * | 2021-01-08 | 2021-04-30 | 南昌航空大学 | 一种商标检测方法及系统 |
TWI755801B (zh) * | 2020-07-29 | 2022-02-21 | 台灣歐西瑪股份有限公司 | 驗布機之針織布檢驗結構 |
CN114370820A (zh) * | 2022-03-22 | 2022-04-19 | 武汉精立电子技术有限公司 | 光谱共焦位移传感器的峰值提取方法、检测方法及系统 |
EP4083287A1 (en) | 2021-04-28 | 2022-11-02 | Pai Lung Machinery Mill Co., Ltd. | Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface condition of fabric |
US11739450B2 (en) | 2021-04-28 | 2023-08-29 | Pai Lung Machinery Mill Co., Ltd. | Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface status of fabric |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080063261A1 (en) * | 2003-10-29 | 2008-03-13 | Seoul National University Industry Foundation | Objective evaluation of fabric pilling using stereovision and measuring apparatus |
CN102788793A (zh) * | 2012-03-31 | 2012-11-21 | 江南大学 | 一种基于频谱分析的纬编针织物密度测量方法 |
CN102788792A (zh) * | 2012-03-31 | 2012-11-21 | 江南大学 | 一种基于图像分析的纬编针织物密度检测装置 |
JP2014106141A (ja) * | 2012-11-28 | 2014-06-09 | Mecc Co Ltd | 欠陥検査装置、及び欠陥検査方法 |
CN106174830A (zh) * | 2016-06-30 | 2016-12-07 | 西安工程大学 | 基于机器视觉的服装尺寸自动测量系统及其测量方法 |
CN106198542A (zh) * | 2016-07-05 | 2016-12-07 | 江南大学 | 一种基于智能手机的经编织物工艺快速分析装置及方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
-
2018
- 2018-05-29 CN CN201810535589.3A patent/CN108921819B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080063261A1 (en) * | 2003-10-29 | 2008-03-13 | Seoul National University Industry Foundation | Objective evaluation of fabric pilling using stereovision and measuring apparatus |
CN102788793A (zh) * | 2012-03-31 | 2012-11-21 | 江南大学 | 一种基于频谱分析的纬编针织物密度测量方法 |
CN102788792A (zh) * | 2012-03-31 | 2012-11-21 | 江南大学 | 一种基于图像分析的纬编针织物密度检测装置 |
JP2014106141A (ja) * | 2012-11-28 | 2014-06-09 | Mecc Co Ltd | 欠陥検査装置、及び欠陥検査方法 |
CN106174830A (zh) * | 2016-06-30 | 2016-12-07 | 西安工程大学 | 基于机器视觉的服装尺寸自动测量系统及其测量方法 |
CN106198542A (zh) * | 2016-07-05 | 2016-12-07 | 江南大学 | 一种基于智能手机的经编织物工艺快速分析装置及方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
Non-Patent Citations (2)
Title |
---|
JING J F等: "Fabric defect detection using Gabor filters and defect classification based on LBP and Tamura method", 《JOURNAL OF THE TEXTILE INSTITUTE》 * |
张孝超等: "应用图像空域法的针织物密度在线测量", 《纺织学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884084A (zh) * | 2019-03-22 | 2019-06-14 | 沈阳工业大学 | 一种围巾端部自动翻转整体视觉检测装置 |
CN109884084B (zh) * | 2019-03-22 | 2021-10-26 | 沈阳工业大学 | 一种围巾端部自动翻转整体视觉检测装置 |
CN111062959A (zh) * | 2019-11-28 | 2020-04-24 | 重庆大学 | 一种航空薄壁微构零件切出底边毛刺特征的提取及表征方法 |
CN112184615A (zh) * | 2020-07-04 | 2021-01-05 | 浙江省常山纺织有限责任公司 | 基于图像处理的织物有色纤维检测系统 |
TWI755801B (zh) * | 2020-07-29 | 2022-02-21 | 台灣歐西瑪股份有限公司 | 驗布機之針織布檢驗結構 |
CN112733831A (zh) * | 2021-01-08 | 2021-04-30 | 南昌航空大学 | 一种商标检测方法及系统 |
CN112733831B (zh) * | 2021-01-08 | 2022-04-15 | 南昌航空大学 | 一种商标检测方法及系统 |
EP4083287A1 (en) | 2021-04-28 | 2022-11-02 | Pai Lung Machinery Mill Co., Ltd. | Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface condition of fabric |
US11739450B2 (en) | 2021-04-28 | 2023-08-29 | Pai Lung Machinery Mill Co., Ltd. | Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface status of fabric |
CN114370820A (zh) * | 2022-03-22 | 2022-04-19 | 武汉精立电子技术有限公司 | 光谱共焦位移传感器的峰值提取方法、检测方法及系统 |
CN114370820B (zh) * | 2022-03-22 | 2022-07-01 | 武汉精立电子技术有限公司 | 光谱共焦位移传感器的峰值提取方法、检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108921819B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921819A (zh) | 一种基于机器视觉的验布装置及方法 | |
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
CN105160654A (zh) | 基于特征点提取的毛巾标签缺陷检测方法 | |
CN104021561A (zh) | 基于小波变换及形态学运算的织物起毛起球图像分割方法 | |
CN109272503B (zh) | 一种基于最大熵与dbscan相融合的毛羽检测方法 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN101984916A (zh) | 基于数字图像处理技术的血管管径测量方法 | |
CN116188462A (zh) | 一种基于视觉鉴定的贵金属质量检测方法及系统 | |
CN107392849A (zh) | 基于图像细分的靶标识别与定位方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN109977831A (zh) | 一种基于数字图像处理的旋钮识别方法 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN109540917A (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN115082465B (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN109472779A (zh) | 一种基于形态结构的纱线外观特征参数提取与分析方法 | |
CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
Lin et al. | A new prediction method for edge detection based on human visual feature | |
CN113781476B (zh) | 基于图像处理的纺织品染色质量评估方法与系统 |
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 |