CN109345548B - 一种基于总变差的织物疵点分割方法 - Google Patents
一种基于总变差的织物疵点分割方法 Download PDFInfo
- Publication number
- CN109345548B CN109345548B CN201811235340.7A CN201811235340A CN109345548B CN 109345548 B CN109345548 B CN 109345548B CN 201811235340 A CN201811235340 A CN 201811235340A CN 109345548 B CN109345548 B CN 109345548B
- Authority
- CN
- China
- Prior art keywords
- sub
- defect
- fabric
- windows
- matrix
- 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
Links
Images
Classifications
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于纺织加工技术领域,涉及一种基于总变差的织物疵点分割方法,步骤如下:第一步:将待检测到织物图像样本I连续有重叠地划分成w×w大小的子窗口;第二步:将每个子窗口的列向量排列为一个行数为w×w的矩阵A;第三步:对矩阵A进行奇异值分解;第四步:对待检测到织物图像样本I的子窗体进行重构;第五步:重复第四步将待检测到织物图像样本I中所有子窗口进行重构;第六步:获取疵点残差图S后,应用基于总变差的方程求解Sx和Sy,第七步:采用阈值H对STV进行二值化处理,进而实现疵点的分割。本发明使整个检测过程不需要训练样本和训练过程;能适应各种复杂多变纹理下的疵点,且对变化微弱疵点检测精度高。
Description
技术领域
本发明属于纺织加工技术领域,涉及一种基于总变差的织物疵点分割方法。
背景技术
对于纺织生产型企业而言,装备先进的纺织品检测技术,是生产高品质产 品的必要条件。织物瑕疵是影响纺织品质量的重要因素,然而目前大部分纺织 企业仍然是采取人工方式进行坯布成品检验,存在劳动强度高,效率低,漏检 高。随着工业机器视觉技术的发展,在织物的疵点检测中运用自动检验技术来 提高生产效率和质量是一个必然的趋势。
应用机器视觉代替人工视觉进行织物疵点自动检测的核心在于设计有效疵 点识别方法,即将让计算机将坯布上的疵点主体区域自动识别并从背景中分割 出来。由于织物为柔性片状物,其织物交织规律复杂多变,所形成的纹理千变 万化、同时所形成的疵点也复杂多样,为此设计能识别多种织物疵点的分割方 法可以为织物疵点自动识别应用提供理论基础。但是目前,织物疵点分割方法 尚未成熟,主要是识别的类型少,对于变异小的疵点识别准确度不够,为此本 发明提供了一种基于总变差的织物疵点分割方法,可以有效的将变化微弱的疵 点区域分割出来,且整个检测过程无需参考样本。
发明内容
本发明提供了一种基于总变差的织物疵点分割方法,解决机织物人工验布 带来的漏检、工作强度大、效率低等弊端。
本发明的技术方案:
一种基于总变差的织物疵点分割方法,步骤如下:
第一步:待检测到织物图像样本I的大小为m×n,将其连续有重叠地划分 成w×w大小的子窗口,其子窗口总个数为(m-w+1)×(n-w+1);
其中,w的取值范围为16~40;
第二步:将每个子窗口视为一个行数为w×w的列向量,并将该列向量排列 为一个行数为w×w的矩阵A,该矩阵A的子窗体总数为(m-w+1)×(n-w+1);
第三步:对矩阵A进行奇异值分解,即A=UDVT,U为m×m的矩阵,D 为m×n的矩阵,V为n×n的矩阵。提取矩阵U的前p列,记为Up;
其中,T为转置,p的取值范围为3~15;
第四步:采用如下公式对待检测到织物图像样本I的子窗体进行重构,得到 重构图像Im;
第五步:重复第四步将待检测到织物图像样本I中所有子窗口进行重构;计 算相应的疵点残差图S=|I-Im|;
第六步:获取疵点残差图S后,应用基于总变差的方程求解Sx和Sy,其中 Sx和Sy表示水平和垂直方向的疵点信息,总变差的方程公式如下:
其中,T为转置;F是Frobenius范数;λy为y方向的惩罚因子,取值范围 为0.1~0.4;λx为x方向的惩罚因子,取值范围为0.1~0.4;
第七步:将Sx和Sy的值归一化到区间[0,1],融合后得到STV=(Sx+Sy)/2;计 算STV中所有元素的标准差σ与平均值μ,设阈值H=μ+2σ,采用阈值H对STV进行二值化处理,进而实现疵点的分割。
本发明的有益效果:
本发明所提供的一种基于总变差的织物疵点分割方法以无监督方式工作, 整个检测过程不需要训练样本和训练过程;能适应各种复杂多变纹理下的疵点, 且对变化微弱疵点检测精度高。从而为自动疵点检测系统提供算法基础,有助 于实现验布工序连续化、智能化程度及质量管理水平。
附图说明
图1是实施例1疵点织物图像。
图2是实施例1疵点残差图。
图3是实施例1垂直方向的疵点总变差图Sy。
图4是实施例1水平方向的疵点总变差图Sx。
图5是实施例1融合水平和垂直疵点总变差图STV。
图6对实施例1图1中疵点的分割效果图。
图7是实施例2疵点织物图像。
图8是实施例2疵点残差图。
图9是实施例2垂直方向的疵点总变差图Sy。
图10是实施例2水平方向的疵点总变差图Sx。
图11是实施例2融合水平和垂直疵点总变差图STV。
图12对实施例2图1中疵点的分割效果图。
图13是实施例3疵点织物图像。
图14是实施例3疵点残差图。
图15是实施例3垂直方向的疵点总变差图Sy。
图16是实施例3水平方向的疵点总变差图Sx。
图17是实施例3融合水平和垂直疵点总变差图STV。
图18对实施例3图1中疵点的分割效果图。
具体实施方式
下面结合技术方案和附图,进一步说明本发明的具体实施方式。
实施例1
1、待检测的疵点织物图像I,见图1所示,其大小为256×256,将其连续 有重叠地划分成16×16大小的子窗口,其总个数为58081。将每个子窗口视为一 个行为256的列向量,并重新排列为一个行为256,列为子窗体总数58081的矩 阵,记为A。
2、对矩阵A进行奇异值分解,即A=UDVT。分解后提取所得矩阵U的前3 列,记为Up。将疵点织物图像样本I连续无重叠地划分16×16的子窗口,并采 用如下公式对其每个子窗体进行重构:式中,yi表示任一子窗口,为yi的重构。将I中所有子窗口进行重构,得到I的重构图像,记为Im。进而 得到相应的疵点残差图S=|I-Im|,即图2所示。
3、获取疵点残差图S后,令λx=λy=0.1应用基于总变差的方程求解Sx和Sy, 其中Sx和Sy表示水平和垂直方向的疵点信息,其公式如下:
得到图3所示垂直方向的疵点总变差图Sy,以及图4所示水平方向的疵点总变 差图Sx。
4、将Sx和Sy的值归一化到区间[0,1],融合后得到STV=(Sx+Sy)/2,如图5所 示。
5、计算STV中所有元素的标准差σ=0.081与平均值μ=0.611,则阈值H=0.773, 为阈值对STV所进行二值化,进而实现疵点的分割,从而最终得到如图6所示, 从图中可以看出本发明能很有效地将疵点区域进行准确分割。
实施例2
1、待检测的疵点织物图像I,见图7所示,其大小为256×256,将其连续 有重叠地划分成40×40大小的子窗口,其总个数为47089。将每个子窗口视为一 个行为1600的列向量,并重新排列为一个行为1600,列为子窗体总数47089的 矩阵,记为A。
2、对矩阵A进行奇异值分解,即A=UDVT。分解后提取所得矩阵U的前 15列,记为Up。将疵点织物图像样本I连续无重叠地划分40×40的子窗口,并 采用如下公式对其每个子窗体进行重构:式中,yi表示任一子窗 口,为yi的重构。将I中所有子窗口进行重构,得到I的重构图像,记为Im。 进而得到相应的疵点残差图S=|I-Im|,即图8所示。
3、获取疵点残差图S后,令λx=λy=0.4应用基于总变差的方程求解Sx和Sy, 其中Sx和Sy表示水平和垂直方向的疵点信息,其公式如下:
得到图9所示垂直方向的疵点总变差图Sy,以及图10所示水平方向的疵点总变 差图Sx。
4、将Sx和Sy的值归一化到区间[0,1],融合后得到STV=(Sx+Sy)/2,如图5所 示。
5、计算STV中所有元素的标准差σ=0.0691与平均值μ=0.493,则阈值H=0.631,为阈值对STV所进行二值化,进而实现疵点的分割,从而最终得到如图12所示, 从图中可以看出本发明能很有效地将疵点区域进行准确分割。
实施例3
1、待检测的疵点织物图像I,见图13所示,其大小为256×256,将其连续 有重叠地划分成32×32大小的子窗口,其总个数为(256-32+1)×(256-32+1)。将每 个子窗口视为一个行为32×32的列向量,并重新排列为一个行为32×32,列为子 窗体总数50625的矩阵,记为A。
2、对矩阵A进行奇异值分解,即A=UDVT。分解后提取所得矩阵U的前 10列,记为Up。将疵点织物图像样本I连续无重叠地划分32×32的子窗口,并 采用如下公式对其每个子窗体进行重构:式中,yi表示任一子窗 口,为yi的重构。将I中所有子窗口进行重构,得到I的重构图像,记为Im。 进而得到相应的疵点残差图S=|I-Im|,即图14所示。
3、获取疵点残差图S后,令λx=λy=0.2应用基于总变差的方程求解Sx和Sy, 其中Sx和Sy表示水平和垂直方向的疵点信息,其公式如下:
得到图15所示垂直方向的疵点总变差图Sy,以及图16所示水平方向的疵点总 变差图Sx。
4、将Sx和Sy的值归一化到区间[0,1],融合后得到STV=(Sx+Sy)/2,如图17所 示。
5、计算STV中所有元素的标准差σ=0.073与平均值μ=0.531,则阈值H=0.677, 为阈值对STV所进行二值化,进而实现疵点的分割,从而最终得到如图18所示, 从图中可以看出本发明能很有效地将疵点区域进行准确分割。
Claims (5)
1.一种基于总变差的织物疵点分割方法,其特征在于,步骤如下:
第一步:待检测到织物图像样本I的大小为m×n,将其连续有重叠地划分成w×w大小的子窗口,其子窗口总个数为(m-w+1)×(n-w+1);
第二步:将每个子窗口视为一个行数为w×w的列向量,并将该列向量排列为一个行数为w×w的矩阵A,该矩阵A的子窗口总数为(m-w+1)×(n-w+1);
第三步:对矩阵A进行奇异值分解,即A=UDVT,U为m×m的矩阵,D为m×n的矩阵,V为n×n的矩阵;提取矩阵U的前p列,记为Up;
其中,T为转置;
第四步:将疵点织物图像样本I连续无重叠地划分w×w的子窗口,并采用如下公式对待检测到织物图像样本I的子窗口进行重构,得到重构图像Im;
第五步:重复第四步将待检测到织物图像样本I中所有子窗口进行重构;计算相应的疵点残差图S=|I-Im|;
第六步:获取疵点残差图S后,应用基于总变差的方程求解Sx和Sy,其中Sx和Sy表示水平和垂直方向的疵点信息,总变差的方程公式如下:
其中,T为转置;F是Frobenius范数;λy为y方向的惩罚因子;λx为x方向的惩罚因子;
第七步:将Sx和Sy的值归一化到区间[0,1],融合后得到STV=(Sx+Sy)/2;计算STV中所有元素的标准差σ与平均值μ,设阈值H=μ+2σ,采用阈值H对STV进行二值化处理,进而实现疵点的分割。
2.如权利要求1所述的基于总变差的织物疵点分割方法,其特征在于,第一步中,所述的w的取值范围为16~40。
3.如权利要求1或2所述的基于总变差的织物疵点分割方法,其特征在于,第三步中,所述的p的取值范围为3~15。
4.如权利要求1或2所述的基于总变差的织物疵点分割方法,其特征在于,第六步中所述的λy取值范围为0.1~0.4;λx取值范围为0.1~0.4。
5.如权利要求3所述的基于总变差的织物疵点分割方法,其特征在于,第六步中所述的λy取值范围为0.1~0.4;λx取值范围为0.1~0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235340.7A CN109345548B (zh) | 2018-10-23 | 2018-10-23 | 一种基于总变差的织物疵点分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811235340.7A CN109345548B (zh) | 2018-10-23 | 2018-10-23 | 一种基于总变差的织物疵点分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345548A CN109345548A (zh) | 2019-02-15 |
CN109345548B true CN109345548B (zh) | 2021-08-13 |
Family
ID=65311068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811235340.7A Active CN109345548B (zh) | 2018-10-23 | 2018-10-23 | 一种基于总变差的织物疵点分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345548B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097538A (zh) * | 2019-04-17 | 2019-08-06 | 江南大学 | 一种织机在线验布装置及疵点识别方法 |
CN110084246A (zh) * | 2019-04-17 | 2019-08-02 | 江南大学 | 一种色织物疵点自动识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867299A (zh) * | 2012-08-09 | 2013-01-09 | 东华大学 | 一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法 |
CN103136728A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于字典学习和非局部总变差的图像超分辨方法 |
CN103400402A (zh) * | 2013-07-12 | 2013-11-20 | 西安电子科技大学 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
CN103473769A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于奇异值分解的织物瑕疵检测方法 |
CN103489182A (zh) * | 2013-09-05 | 2014-01-01 | 东华大学 | 一种基于图像投影和奇异值分解的织物瑕疵检测方法 |
CN104458766A (zh) * | 2014-12-31 | 2015-03-25 | 江南大学 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
-
2018
- 2018-10-23 CN CN201811235340.7A patent/CN109345548B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867299A (zh) * | 2012-08-09 | 2013-01-09 | 东华大学 | 一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法 |
CN103136728A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于字典学习和非局部总变差的图像超分辨方法 |
CN103400402A (zh) * | 2013-07-12 | 2013-11-20 | 西安电子科技大学 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
CN103473769A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于奇异值分解的织物瑕疵检测方法 |
CN103489182A (zh) * | 2013-09-05 | 2014-01-01 | 东华大学 | 一种基于图像投影和奇异值分解的织物瑕疵检测方法 |
CN104458766A (zh) * | 2014-12-31 | 2015-03-25 | 江南大学 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
Non-Patent Citations (2)
Title |
---|
An Efficient Iterative Cerebral Perfusion CT Reconstruction via Low-Rank Tensor Decomposition With Spatial–Temporal Total Variation Regularization;Sui Li 等;《IEEE Transactions on Medical Imaging》;20180813;360-370 * |
结合全变差与自适应低秩正则化的图像压缩感知重构;刘金龙 等;《计算机应用》;20160110;233-237 * |
Also Published As
Publication number | Publication date |
---|---|
CN109345548A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rasheed et al. | Fabric defect detection using computer vision techniques: a comprehensive review | |
Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
CN107705306B (zh) | 一种基于多特征矩阵低秩分解的织物疵点检测方法 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
Zhang et al. | A review of fabric identification based on image analysis technology | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN104036529A (zh) | 一种刺绣织物意匠颜色的图像分析方法 | |
CN109345548B (zh) | 一种基于总变差的织物疵点分割方法 | |
CN110310277B (zh) | 基于深度特征和ntv-rpca的织物疵点检测方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN112991271B (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN110084246A (zh) | 一种色织物疵点自动识别方法 | |
CN105184777A (zh) | 一种基于图像分解的印花图案织物瑕疵检测方法 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN108399614B (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
CN115131353A (zh) | 平网印花纺织品生产异常识别定位方法及系统 | |
CN111260609A (zh) | 一种基于深度学习的烟支外观缺陷检测方法 | |
Luo et al. | A lightweight detector based on attention mechanism for fabric defect detection | |
CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
Celik et al. | A Novel Industrial Application of CNN Approach: Real Time Fabric Inspection and Defect Classification on Circular Knitting Machine | |
Bao et al. | Low-rank decomposition fabric defect detection based on prior and total variation regularization | |
CN113724223B (zh) | 基于光学显微镜的YOLOv3数据集制作方法及系统 |
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 |