CN108986065B - 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质 - Google Patents

一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN108986065B
CN108986065B CN201810352222.8A CN201810352222A CN108986065B CN 108986065 B CN108986065 B CN 108986065B CN 201810352222 A CN201810352222 A CN 201810352222A CN 108986065 B CN108986065 B CN 108986065B
Authority
CN
China
Prior art keywords
image
array
target
variance
module
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.)
Active
Application number
CN201810352222.8A
Other languages
English (en)
Other versions
CN108986065A (zh
Inventor
闻霞
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.)
Sanming University
Original Assignee
Sanming University
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 Sanming University filed Critical Sanming University
Priority to CN201810352222.8A priority Critical patent/CN108986065B/zh
Publication of CN108986065A publication Critical patent/CN108986065A/zh
Application granted granted Critical
Publication of CN108986065B publication Critical patent/CN108986065B/zh
Active 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
    • 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
    • G01N21/89—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
    • G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
    • G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Textile Engineering (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Wood Science & Technology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例公开了一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质，该方法包括：从双摄像头相机接收针对于同一目标区域的两组目标图像，采用模板图像分别对两组目标图像进行畸变校正以获取对应两组校正图像，对两组校正图像进行竖直积分，获得对应的两组一维数组；对两组一维数组分别进行中值滤波，以获得对应两组中值滤波值；分别计算两组对应原始数据的方差，以获得两组方差；对两组方差进行图像融合滤波，以获得方差数组；根据融合滤波后的方差数组，确定目标区域是否存在瑕疵。

Description

一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质
技术领域
本发明涉及纺织印染技术领域，尤其是一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质。
背景技术
在现代纺织企业中，质量检测与控制是纺织品生产过程中必不可少的环节。其中，瑕疵对纺织终端产品的质量及价格有着直接的影响，尤其是在服装行业，几乎没有人愿意购买有瑕疵的衣服。因此，对纺织产品表面断纱、蛛网、筘痕、油污、破洞和密路等瑕疵进行有效的检测、分类与控制是现代纺织企业控制成本及提高产品竞争力的关键环节之一。
经编机在工作过程中,经纱线有时会处于断纱等不正常的工作状况,这时织机必须立即停车,以免在织物上形成瑕疵,影响织物的质量。经编机实时瑕疵检测的任务主要是及时检测断纱，尽可能避免断纱瑕疵。这种瑕疵最常出现，并且是持续存在，对纺织质量影响最为严重，造成大量布料浪费。当前，国内大多数的经编企业通过现场的纺织工目测和手工操作来完成断纱检测—停机—接线—继续开机的动作,这种避免断纱瑕疵的方式，人力成本非常高昂。部分自动化程度较高的经编企业，也尝试加装了机械式或电气式的断纱检测装置。
当前技术的主要问题是目前常用的电容式传感器和光电式传感器有检测准确率低、灵敏度差、对外部环境影响较为敏感、装置安装麻烦等缺点；也有采用激光吹风检测装置的，其原理是：纱线断时被风机吹向激光对射区域，切割光线，控制停机，主要缺点是巡回扫描具有周期性，且巡台纺织工人普遍反映长时间吹风会造成身体不适，影响工作效率。
发明内容
本发明实施例提出的一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质，能够提高检测精度高和检测速度快，安装维护方便，抗干扰能力强。
第一方面，本发明实施例提供一种经编织物瑕疵融合滤波检测方法，具体包括：
从双摄像头相机接收针对于同一目标区域的第一目标图像和第二目标图像；
采用模板图像分别对所述第一目标图像和所述第二目标图像进行畸变校正以获取第一校正图像和第二校正图像，其中，所述模板图像用于在对所述第一目标图像和所述第二目标图像进行畸变校正时作为像素点水平方向畸变的参考；
对所述第一校正图像和所述第二校正图像进行竖直积分，获得对应的第一一维数组和第二一维数组；
对所述第一一维数组和所述第二一维数组分别进行中值滤波，以获得第一中值滤波值数组和第二中值滤波值数组；
分别计算所述第一中值滤波值数组和所述第二中值滤波值数组与对应原始数据的方差，以获得第一方差和第二方差；其中，所述原始数据为一组无瑕疵图像经过中值滤波的数据；
对所述第一方差和第二方差进行图像融合滤波，以获得方差数组；
根据融合滤波后的所述方差数组，确定所述目标区域是否存在瑕疵。
进一步地，创建所述模板图像的步骤包括：
从双摄像头相机接收一块仅有黑色竖线的标准正方形模板的样品图像；
在所述样品图像中截取2592*80个像素数，以获得样品截取图像；
对所述样品截取图像的灰度图进行二值化，以获得二值化图像；
对所述二值化图像进行大视场CMOS相机图像畸变校正以获得第三校正图像；
对所述第三校正图像进行闭运算，以获得模板图像。
进一步地，在对第一目标图像和第二目标图像进行畸变校正前还包括：
在第一目标图像和第二目标图像中分别截取出2592*80像素的的第一截取图像和第二截取图像；
对第一截取图像和所述第二截取图像进行畸变校正。
进一步地，确定所述目标区域是否存在瑕疵的还包括：
判断所述目标区域的所述方差数组内的数值是否全部大于瑕疵阈值；其中，所述瑕疵阈值为预先设定的常数；
若所述目标区域的所述方差数组内的数值全部大于瑕疵阈值，则将所述目标区域标记为瑕疵。
进一步地，双摄像相机的图像传感器为不低于500万像素的面阵CCD或CMOS。
第二方面，本发明实施例提供一种经编织物瑕疵融合滤波检测装置，具体包括：
接收图像模块，用于从双摄像头相机接收针对于同一目标区域的第一目标图像和第二目标图像；
校正图像模块，采用模板图像分别对所述第一目标图像和所述第二目标图像进行畸变校正以获取第一校正图像和第二校正图像，其中，所述模板图像用于在对所述第一目标图像和所述第二目标图像进行畸变校正时作为像素点水平方向畸变的参考；
竖直积分模块，用于对所述第一校正图像和所述第二校正图像进行竖直积分，获得对应的第一一维数组和第二一维数组；
滤波模块，用于对所述第一一维数组和所述第二一维数组分别进行中值滤波，以获得第一中值滤波值数组和第二中值滤波值数组；
计算模块，用于分别计算所述第一中值滤波值数组和所述第二中值滤波值数组与对应原始数据的方差，以获得第一方差和第二方差；其中，所述原始数据为一组无瑕疵图像经过中值滤波的数据.
图像融合模块，用于对所述第一方差和第二方差进行图像融合滤波，以获得方差数组；
瑕疵判断模块，用于根据融合滤波后的所述方差数组，确定所述目标区域是否存在瑕疵；判断所述目标区域的所述方差数组是否大于瑕疵阈值；其中，所述瑕疵阈值为预先设定的常数；若所述目标区域的所述方差数组大于瑕疵阈值，则将所述目标区域标记为瑕疵；
目标图像截取模块，用于在对所述第一目标图像和所述第二目标图像进行畸变校正前还包括：
在所述第一目标图像和所述第二目标图像中分别截取出2592*80像素的的第一截取图像和第二截取图像；对所述第一截取图像和所述第二截取图像进行畸变校正。
进一步地，所述装置还包括：
样品图像接收模块，从双摄像头相机接收一块仅有黑色竖线的标准正方形模板的样品图像；
截取图像模块，用于在所述样品图像中截取2592*80个像素数，以获得样品截取图像；
二值化图像模块，用于对所述样品截取图像的灰度图进行二值化，以获得二值化图像；
畸变校正模块，用于对所述二值化图像进行大视场CMOS相机图像畸变校正以获得第三校正图像；
模板图像获取模块，用于对所述第三校正图像进行闭运算，以获得模板图像。
第三方面，本发明实施例提供一种经编织物瑕疵融合滤波检测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现上述如第一方面中所述的一种经编织物瑕疵融合滤波检测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中所述的一种经编织物瑕疵融合滤波检测方法。
实施本发明实施例，具有如下有益效果
本发明实施例提供的一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质，利用每个工业照相机拥有两个摄像头的优势，进行图像滤波，提高检测精度和检测速度，减少误差，现场抗干扰能力强等诸多优点，基于机器视觉的织物瑕疵自动检测系统凭借其天然的优势正成为新一代经编织物瑕疵检测技术，顺应了纺织工业自动化、智能化的发展趋势。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的经编织物瑕疵融合滤波检测方法的流程示意图。
图2为本发明提供的经编织物瑕疵融合滤波检测方法的模板图像创建的流程示意图。
图3为本发明提供的经编织物瑕疵融合滤波检测装置的结示意构图。
图4为本发明提供的经编织物瑕疵融合滤波检测装置的模板图像创建的结构图。
图5为本发明提供的瑕疵的经编织物开闭运算原始图像的原图。
图6为本发明提供的瑕疵的经编织物开闭运算原始图像的二值化图。
图7为本发明提供的瑕疵的经编织物开闭运算图像的原图。
图8为本发明提供的瑕疵的经编织物开闭运算图像的二值化图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一实施例：
参见图1、图2，图1为本发明提供的经编织物瑕疵融合滤波检测方法的流程示意图，图2为本发明提供的经编织物瑕疵融合滤波检测方法的模板图像创建的流程示意图。形态学是在研究岩石的结构时建立起来的一门科学，它最主要的用途用来获得物品内的结构的各种信息，为获得更体现出物品本质的形态，可以用物体跟结构元素的互相作用的一些运算。主要的图像处理中的应用是对形态学进行基本的运算操作和处理，然后可以对图像质量进行改善，最后对图像的几何参数和特征描述。
本发明实施例提供一种基于机器视觉技术的形态学经编织物瑕疵检测方，具体包括以下步骤：
S10，从双摄像头相机接收针对于同一目标区域的第一目标图像和第二目标图像。
在经编机横梁上固定相邻安装有3个双摄像头工业照相机，且相机与经编机的横梁上的距离是固定。双摄像头相机采用高精度双摄像头工业相机，且高精度双摄像头工业相机的图像传感器为不低于500万像素以上的面阵CCD或CMOS，用于实现图像信息融合提高容错性和精度。通过双摄像头照相机分别对同一区域的布匹进行拍照，拍摄出同一区域的两组照片。
S20，采用模板图像分别对第一目标图像和第二目标图像进行畸变校正以获取第一校正图像和第二校正图像。
由于经编机的结构，纱线在经编制造过程中是倾斜的，因此每个摄像头拍摄的图像也是倾斜，若有瑕疵也是倾斜的图像，需要校正。考虑到经编机的特性，所织造的经编织物上出现的断纱瑕疵都是竖直方向的，可能是竖直、倾斜或者弧形，或者为破洞，但不会出现横向的疵点，因此我们可以忽略竖直方向的畸变，只考虑像素点水平方向畸变的情况。
在对第一目标图像和所述第二目标图像进行畸变校正前应该分别截取出2592*80像素数的图像进行畸变校正。根据固定相机截取图像的位置信息，从整幅图像中截取2592*80个像素数的布匹图像。截图位置的确定主要依据安装相机时候距离经编机分纱针最近和检测效果良好两个原则，保证能在检测出瑕疵的情况同时，缩短检测时间以达到让断纱最少的目的。截取图像的宽度为2592个像素，即采用相机拍摄到的原始图像宽度，高度截取为80像素。这样选择图像高度的原因有两个：一是在高度方向有在足够多的像素，以保证能够准确判断出瑕疵；二是不至于处理过多的数据使得检测效率降低。
本发明实施例通过采用模板图像对双摄像头拍摄的两组目标图像进行畸变校正，模板图像创建步骤参见图2：
A10，从双摄像头相机接收一块仅有黑色竖线的标准正方形模板的样品图像；
A20，在样品图像中截取2592*80个像素数，以获得样品截取图像；
A30，对样品截取图像的灰度图进行二值化，以获得二值化图像；
A40,对二值化图像进行大视场CMOS相机图像畸变校正以获得第三校正图像；
采用大视场CMOS相机图像的畸变校正方法建立畸变校正的模型，并通过对标准正方形网络成像的办法进行曲线拟合得到所需的校正系数，然后利用最近邻点法和双线性插值法分别对失真的网格进行校正；
A50,对第三校正图像进行闭运算，以获得模板图像。
采用所述形态学算法对有断纱瑕疵的经编织物进行图像识别，测试结果可参阅图5、6、7和8。
应用图像形态学处理的方法，对所得到的二值图进行闭运算(由膨胀和腐蚀两个操作构成)使得所得到的二值图更加平滑，同时填补漏洞，并去除孤立点，增强图像效果，得到模板图像。
考虑到MATALAB软件有强大的形态学工具箱，以及支持OPC接口，能够与主流组态软件无缝兼容，本算法采用MATALAB平台实现。
腐蚀erode函数：此函数可以对图像造成腐蚀效果，有以下形式：①BW2＝erode(BW1,SE)；表示将图像数据矩阵BW1用按实际情况设定的一个二值结构要素矩阵SE进行一次操作，造成腐蚀效果。②BW2＝erode(BW1,SE,…,n)；表示执行腐蚀操作n次；
膨胀imdilate函数：膨胀操作,有以下形式：①BW2＝dilate(BW1,SE)；
表示将图像数据矩阵BW1用按实际状况下设定的一个二值结构要素矩阵SE进行一次操作，造成膨胀效果。②BW2＝dilate(BW1,SE,…,n)；表示执行膨胀操作n次；
二值图像闭/开运算：①开运算运用的函数是imopen，②闭运算运用的函数是imclose。开运算能对物体的边界平滑和去掉图像中比设定的结构元素小的噪声，它其实是一种对图像先腐蚀后膨胀的操作过程。闭运算能对物体的边界平滑和填满图像中比设定的结构元素小的缺洞，它其实是一种对图像先膨胀后腐蚀的操作过程。
S30，对所述第一校正图像和所述第二校正图像进行竖直积分，获得对应的第一一维数组和第二一维数组。
S40，对所述第一一维数组和所述第二一维数组分别进行中值滤波，以获得第一中值滤波值数组和第二中值滤波值数组。
中值滤波器是一种非线性数字滤波技术，通常用于去除图像或信号中的噪声。中值滤波器基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个信号为中心点的邻域，一般为方形邻域(窗口)，对于二维数据也可以为圆形、十字形等等，然后将邻域中各信号值排序，取其中间值(中值)作为中心信号的新值，这里邻域被称为窗口，当窗口移动时，利用中值滤波可以对信号进行平滑处理。
Matlab中中值滤波器滤波函数为y＝medfilt1(x,n)y＝medfilt1(x,n)，其中x是待滤波的原始信号，n为窗口大小。MATLAB的中值滤波原理为：
当n为奇数时,y(k)是x(k-(n-1)/2:k+(n-1)/2)y(k)是x(k-(n-1)/2:k+(n-1)/2)的中值；
当n为偶数时,y(k)是x(k-n/2:k+(n/2)-1)y(k)是x(k-n/2:k+(n/2)-1)的中值；
medfilt1medfilt1函数将对这个链表进行排序，对中间的两个值取平均作为中值滤波结果。当n为偶数时，上面链表中数据个数为偶数，中间值有两个，中值结果为中间两个值的均值。
例1:若n＝11,y(k)是x(k-5:k+5)n＝11,y(k)是x(k-5:k+5)的中值；
例1:若n＝12,y(k)是x(k-6:k+5)的中值n＝12,y(k)是x(k-6:k+5)的中值。
S50，分别计算所述第一中值滤波值数组和所述第二中值滤波值数组与对应原始数据的方差，以获得第一方差和第二方差。
在本步骤中，所述原始数据为实施本步骤之前预先采集处理的图像数据，该图像数据为已确定没有瑕疵的布匹，且经过畸形校正、中值滤波等上述操作后所得到的图像所对应的数据。把目标图像的滤波值和原始数据的滤波值做对比所得就是方差。
S60，对所述第一方差和第二方差进行图像融合滤波，以获得方差数组。
S70，判断目标区域的方差数组是否大于瑕疵阈值
根据实际瑕疵判断的方法包括：
根据实际操作情况预先设定一个常数为瑕疵阈值；
若目标区域的所述方差数组大于瑕疵阈值，则
S80，将目标区域标记为瑕疵，并控制经编机停机。
具体地，本实施例中所述的步骤可以执行如下：在图像处理时刻k,将模板图像的一维数组表示为向量的形式为
Figure GDA0003299486670000091
动态变化模型为xk+1＝xk+wk。其中，x∈Rm，m为样本的个数，在本例中m＝80。在获得样本xk时，由环境等造成的噪声是为wk，假定wk为均值为零的高斯白噪声序列，且
Figure GDA0003299486670000092
δkj为Kronecker delta函数，Qk为系统协方差矩阵。一台照相机的两个摄像头独立对经编织物进行拍照，相应得到的检测一维数为
Figure GDA0003299486670000101
测量方程为
Figure GDA0003299486670000102
其中，i＝1,2，
Figure GDA0003299486670000103
为第i个摄像头在k时刻的图像测量值，
Figure GDA0003299486670000104
是第i个摄像头在k时刻的测量噪声，是独立于wk的均值为零的白噪声序列，且
Figure GDA0003299486670000105
Figure GDA0003299486670000106
为为第i个摄像头的协方差矩阵。
双摄像头信息融合过程采用多源信息融合方法，具体为：
定义一个信息变量
Figure GDA0003299486670000107
可以得到摄像头最优信息分配方法为
Figure GDA0003299486670000108
则，
Figure GDA0003299486670000109
第i个摄像头的中值滤波
Figure GDA00032994866700001010
其中
Figure GDA00032994866700001011
为融合滤波值。
分别对两个摄像头采集到的一维数组进行一次中值滤波。
计算中值滤波值与原始数据的方差
Figure GDA00032994866700001012
融合方差
Figure GDA00032994866700001013
若
Figure GDA00032994866700001014
则判读有断纱瑕疵。通知处理器，处理器再向经编机控制柜发出信号，控制经编机停机。在有些情况下，本发明中的方法还可以包括在判断有断纱瑕疵的时候，控制经编机的指示灯的红灯闪烁，以此告知巡检纺织人员目标区域中出现瑕疵。待巡检纺织人员接上断纱并开启经编机后，检测算法再次自启动。本发明中所述的检测方法将继续对目标区域进行检测，直至该目标区域通过了本检测方法的检测。可以理解的是，此处的处理器可以是能够执行上述控制步骤的单片机。
本发明第二实施例：
在第一个实施例的基础上，参照图3和图4，图3为本发明提供的经编织物瑕疵融合滤波检测装置的结示意构图，图4为本发明提供的经编织物瑕疵融合滤波检测装置的模板图像创建的结构图。本发明第二实施例提供一种经编织物瑕疵融合滤波检测装置，具体包括：
接收图像模块100，用于从双摄像头相机接收针对于同一目标区域的第一目标图像和第二目标图像。
校正图像模块200，采用模板图像分别对所述第一目标图像和所述第二目标图像进行畸变校正以获取第一校正图像和第二校正图像。
其中，所述模图像用于在对所述第一目标图像和所述第二目标图像进行畸变校正时作为像素点水平方向畸变的参考。
竖直积分模块300，用于对所述第一校正图像和所述第二校正图像进行竖直积分，获得对应的第一一维数组和第二一维数组。
滤波模块400，用于对所述第一一维数组和所述第二一维数组分别进行中值滤波，以获得第一中值滤波值数组和第二中值滤波值数组。
计算模块500，用于分别计算所述第一中值滤波值数组和所述第二中值滤波值数组与对应原始数据的方差，以获得第一方差和第二方差。
其中，所述原始数据为一组无瑕疵图像经过中值滤波的数据。
图像融合模块600，用于对所述第一方差和第二方差进行图像融合滤波，以获得方差数组。
瑕疵判断模块700，用于根据融合滤波后的所述方差数组，确定所述目标区域是否存在瑕疵；判断所述目标区域的所述方差数组是否大于瑕疵阈值；其中，所述瑕疵阈值为预先设定的常数；若所述目标区域的所述方差数组大于瑕疵阈值，则将所述目标区域标记为瑕疵；
目标图像截取模块800，用于在对所述第一目标图像和所述第二目标图像进行畸变校正前还包括：
在第一目标图像和第二目标图像中分别截取出2592*80像素的第一截取图像和第二截取图像；对第一截取图像和所述第二截取图像进行畸变校正。
该装置还包括：
样品图像接收模块11，用于从双摄像头相机接收一块仅有黑色竖线的标准正方形模板的样品图像。
截取图像模块12，用于对用于在所述样品图像中截取2592*80个像素数，以获得样品截取图像。
二值化图像模块13，用于对所述样品截取图像的灰度图进行二值化，以获得二值化图像；
畸变校正模块14，用于对所述二值化图像进行大视场CMOS相机图像畸变校正以获得第三校正图像。
模板图像获取模块15，用于对所述第三校正图像进行闭运算，以获得模板图像。
本发明的第三实施例:
本发明第三实施例提供一种经编织物瑕疵融合滤波检测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序。所述处理器执行所述计算机程序时实现上述任一项所述的一种经编织物瑕疵融合滤波检测方法实施例中的步骤，例如图1所示的步骤S10。或者，所述处理器执行所述计算机程序时实现上述各装置实例中的功能，例如图3所示的接收图像模块100。
本发明第四实施例：
本发明第四实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，例如一种经编织物瑕疵融合滤波检测方法的程序。其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述第一实施例中所述的一种经编织物瑕疵融合滤波检测方法。
示例性地，本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现一种经编织物瑕疵融合滤波检测设备中的执行过程。例如，本发明实施例二中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述经编织物瑕疵融合滤波检测方法的控制中心，利用各种接口和线路连接整个所述实现经编织物瑕疵融合滤波检测方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现经编织物瑕疵融合滤波检测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述实现经编织物瑕疵融合滤波检测设备的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种经编织物瑕疵融合滤波检测方法，其特征在于，所述方法包括：
从双摄像头相机接收针对于同一目标区域的第一目标图像和第二目标图像；
采用模板图像分别对所述第一目标图像和所述第二目标图像进行畸变校正以获取第一校正图像和第二校正图像，其中，所述模板图像用于在对所述第一目标图像和所述第二目标图像进行畸变校正时作为像素点水平方向畸变的参考；
对所述第一校正图像和所述第二校正图像进行竖直积分，获得对应的第一一维数组和第二一维数组；
对所述第一一维数组和所述第二一维数组分别进行中值滤波，以获得第一中值滤波值数组和第二中值滤波值数组；
分别计算所述第一中值滤波值数组和所述第二中值滤波值数组与对应原始数据的方差，以获得第一方差和第二方差；其中，所述原始数据为一组无瑕疵图像经过中值滤波的数据；
对所述第一方差和第二方差进行图像融合滤波，以获得方差数组；
根据融合滤波后的所述方差数组，确定所述目标区域是否存在瑕疵。
2.根据权利要求1所述的一种经编织物瑕疵融合滤波检测方法，其特征在于，创建所述模板图像的步骤包括：
从双摄像头相机接收一块仅有黑色竖线的标准正方形模板的样品图像；
在所述样品图像中截取2592*80个像素数，以获得样品截取图像；
对所述样品截取图像的灰度图进行二值化，以获得二值化图像；
对所述二值化图像进行大视场CMOS相机图像畸变校正以获得第三校正图像；
对所述第三校正图像进行闭运算，以获得模板图像。
3.根据权利要求1所述的一种经编织物瑕疵融合滤波检测方法，其特征在于，在对所述第一目标图像和所述第二目标图像进行畸变校正前还包括：
在所述第一目标图像和所述第二目标图像中分别截取出2592*80像素的的第一截取图像和第二截取图像；
对所述第一截取图像和所述第二截取图像进行畸变校正。
4.根据权利要求1所述的一种经编织物瑕疵融合滤波检测方法，其特征在于，确定所述目标区域是否存在瑕疵的还包括：
判断所述目标区域的所述方差数组内的数值是否全部大于瑕疵阈值；其中，所述瑕疵阈值为预先设定的常数；
若所述目标区域的所述方差数组内的数值全部大于瑕疵阈值，则将所述目标区域标记为瑕疵。
5.根据权利要求1所述的一种经编织物瑕疵融合滤波检测方法，其特征在于，双摄像相机的图像传感器为不低于500万像素的面阵CCD或CMOS。
6.一种经编织物瑕疵融合滤波检测装置，其特征在于，所述装置包括：
接收图像模块，用于从双摄像头相机接收针对于同一目标区域的第一目标图像和第二目标图像；
校正图像模块，采用模板图像分别对所述第一目标图像和所述第二目标图像进行畸变校正以获取第一校正图像和第二校正图像，其中，所述模板图像用于在对所述第一目标图像和所述第二目标图像进行畸变校正时作为像素点水平方向畸变的参考；
竖直积分模块，用于对所述第一校正图像和所述第二校正图像进行竖直积分，获得对应的第一一维数组和第二一维数组；
滤波模块，用于对所述第一一维数组和所述第二一维数组分别进行中值滤波，以获得第一中值滤波值数组和第二中值滤波值数组；
计算模块，用于分别计算所述第一中值滤波值数组和所述第二中值滤波值数组与对应原始数据的方差，以获得第一方差和第二方差；其中，所述原始数据为一组无瑕疵图像经过中值滤波的数据；
图像融合模块，用于对所述第一方差和第二方差进行图像融合滤波，以获得方差数组；
瑕疵确定模块，用于根据融合滤波后的所述方差数组，确定所述目标区域是否存在瑕疵；
判断模块，用于判断所述目标区域的所述方差数组是否大于瑕疵阈值；其中，所述瑕疵阈值为预先设定的常数；若所述目标区域的所述方差数组大于瑕疵阈值，则将所述目标区域标记为瑕疵；
目标图像截取模块，用于在对所述第一目标图像和所述第二目标图像进行畸变校正前还包括：
在所述第一目标图像和所述第二目标图像中分别截取出2592*80像素的的第一截取图像和第二截取图像；对所述第一截取图像和所述第二截取图像进行畸变校正。
7.根据权利要求6所述的一种经编织物瑕疵融合滤波检测装置，其特征在于，所述装置还包括：
样品图像接收模块，从双摄像头相机接收一块仅有黑色竖线的标准正方形模板的样品图像；
截取图像模块，用于在所述样品图像中截取2592*80个像素数，以获得样品截取图像；
二值化图像模块，用于对所述样品截取图像的灰度图进行二值化，以获得二值化图像；
畸变校正模块，用于对所述二值化图像进行大视场CMOS相机图像畸变校正以获得第三校正图像；
模板图像获取模块，用于对所述第三校正图像进行闭运算，以获得模板图像。
8.一种经编织物瑕疵融合滤波检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器 执行的计算机程序，所述处理器执行计算机程序时实现如权利要求1至5任一项所述的经编织物瑕疵融合滤波检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的经编织物瑕疵融合滤波检测方法。
CN201810352222.8A 2018-04-19 2018-04-19 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质 Active CN108986065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810352222.8A CN108986065B (zh) 2018-04-19 2018-04-19 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810352222.8A CN108986065B (zh) 2018-04-19 2018-04-19 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN108986065A CN108986065A (zh) 2018-12-11
CN108986065B true CN108986065B (zh) 2021-11-23

Family

ID=64541903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810352222.8A Active CN108986065B (zh) 2018-04-19 2018-04-19 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN108986065B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112802074A (zh) * 2021-01-06 2021-05-14 江南大学 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法
WO2022214853A1 (en) 2021-04-08 2022-10-13 University Of Moratuwa Method and apparatus for detecting surface defects
CN116862917B (zh) * 2023-09-05 2023-11-24 微山县振龙纺织品有限公司 一种纺织品表面质量检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102706881A (zh) * 2012-03-19 2012-10-03 天津工业大学 基于机器视觉的布匹瑕疵检测方法
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
CN105654121A (zh) * 2016-04-11 2016-06-08 李云栋 一种基于深度学习的复杂提花织物缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9382663B2 (en) * 2012-11-13 2016-07-05 Georgia-Pacific Consumer Products Lp Apparatus, system, and process for determining characteristics of a surface of a papermaking fabric

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102706881A (zh) * 2012-03-19 2012-10-03 天津工业大学 基于机器视觉的布匹瑕疵检测方法
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
CN105654121A (zh) * 2016-04-11 2016-06-08 李云栋 一种基于深度学习的复杂提花织物缺陷检测方法

Also Published As

Publication number Publication date
CN108986065A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN109325930B (zh) 边界缺陷的检测方法、装置及检测设备
CN108986065B (zh) 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质
US8014628B2 (en) Image inspection apparatus, image inspection method and computer program
CN113646801B (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN113838038B (zh) 一种碳纤维布面疵点检测方法、装置、电子设备和存储介质
CN112577969A (zh) 一种基于机器视觉的缺陷检测方法以及缺陷检测系统
CN102854195B (zh) 彩色滤光片上缺陷坐标的检测方法
CN105205803A (zh) 显示面板缺陷检测方法
CN111221996B (zh) 仪表屏幕视觉检测方法和系统
CN111426693A (zh) 一种质量缺陷检测系统及其检测方法
KR102666787B1 (ko) 인공지능을 이용한 결함 검사방법, 장치 및 프로그램
JP2007013231A (ja) 画像のシェーディング補正装置、方法及びプログラム
JP6628185B2 (ja) 透明体の検査方法
CN110672209A (zh) 一种经编布匹色差在线检测方法
CN116563223A (zh) 一种玻纤纱线绕罗拉检测方法、设备及存储介质
JP2000036033A (ja) 明暗検査装置および明暗検査方法
JPS62231069A (ja) 検反機の欠点検出方法
KR20150074942A (ko) 스캡 결함 검출 장치 및 방법
CN113012137A (zh) 一种面板缺陷检查方法、系统、终端设备及存储介质
CN111815705A (zh) 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备
JP2019060836A (ja) 印刷物の浮き検出装置及び浮き検出方法、検査装置及び検査方法
CN112213315A (zh) 外观检查管理系统、装置、方法以及存储介质
JP3753234B2 (ja) 欠陥検出方法
KR20150137497A (ko) 후판 표면 결함 탐상 장치 및 방법
Kratochvil et al. Low-cost concept of tool breakage detection system

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