CN109685766A - 一种基于区域融合特征的布匹瑕疵检测方法 - Google Patents
一种基于区域融合特征的布匹瑕疵检测方法 Download PDFInfo
- Publication number
- CN109685766A CN109685766A CN201811407792.9A CN201811407792A CN109685766A CN 109685766 A CN109685766 A CN 109685766A CN 201811407792 A CN201811407792 A CN 201811407792A CN 109685766 A CN109685766 A CN 109685766A
- Authority
- CN
- China
- Prior art keywords
- lbp
- feature
- image
- pixel
- fusion
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 239000002356 single layer Substances 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000005498 polishing Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims 1
- 240000007651 Rubus glaucus Species 0.000 abstract description 3
- 235000011034 Rubus glaucus Nutrition 0.000 abstract description 3
- 235000009122 Rubus idaeus Nutrition 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000021028 berry Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种单层平纹布匹生产过程中的实时瑕疵检测方法。该方法首先使用工业相机实时采集织布机生产布匹的视频图像,并通过傅里叶变换滤除噪声信息,其次采用滑动窗口法提取布匹候选区域的LBP与HOG融合特征,最后利用多类支持向量机实现瑕疵精细分类。该装置包含采集布匹瑕疵的工业相机,光源,机械固定装置和用于算法运行的树莓派平台。本发明能克服传统方法存在瑕疵分类和定位方面的不足,实现对光滑单层平纹布面中出现的断纱,跳线和油污等瑕疵的准确定位和实时检测,实现无人化布匹瑕疵监测。
Description
技术领域
本发明涉及机器学习领域,提出了一种融合HOG-LBP区域特征检测布匹瑕疵的方法。
背景技术
随着技术的发展,纺织工业的规模飞速增长,已成为我国基础工业的重要经济支柱。在纺织品的生成过程中,布匹表面瑕疵是影响布匹质量的主要因素。布面瑕疵直接影响布面等级,二等品的价格一般只有一等品的一半。跳线等原因造成的瑕疵将直接导致废品产生,带来不必要的损失。因此,布匹瑕疵检测在纺织品的质检方面尤为重要。
长期以来,布匹质量检测一直是依靠人工实现的。人工检测的准确率与速率依赖于操作人员的经验与熟练程度,评价标准不稳定,易受主观因素影响,产生漏检与误检。以先进的自动检测技术代替人工布匹瑕疵检测,是提高检测效率、减少劳动力、降低人工劳动强度和保证布匹质量的重要措施。
发明内容
本发明针对传统瑕疵检测方法中瑕疵误判问题,提出一种基于融合HOG-LBP区域特征的布匹瑕疵检测方法。
本发明采用的技术方案如下:
包括以下步骤:
步骤1,通过工业相机获取布匹实时图像信息,然后送入微型电脑中进行处理;
步骤2,图像去噪,采用傅里叶频率域低通滤波去除噪声以及多余的纹理信息;
步骤3,对获得的布匹信息提取区域LBP特征,然后对整幅图像提取HOG特征;
步骤4,将区域LBP特征和HOG特征进行融合,构建新的特征向量;
步骤5,将融合区域特征向量作为输入,利用多类支持向量机对输入图像进行精细分类。
进一步,所述步骤2中傅里叶频率域滤波具体步骤如下:
步骤2.1,工业相机采集到的图片会有较大的噪声干扰,需要首先对图片进行滤波,对采集到的图像进行二维离散傅里叶变换,公式如下:
其中f(x,y)代表一副大小为MxN的图像,其中x=0,1,2,···,M-1和y=0,1,2,···,N-1,F(u,v)表示f(x,y)的傅里叶变换。
步骤2.2,瑕疵和布匹纹理都属于高频信息,在实验中,理想低通滤波器能够将图片进行模糊,保留明显瑕疵信息的同时能消除一些有干扰的纹理信息。对采集到的图像进行二维傅里叶变换,在根据理想低通滤波器进行滤波。与低通频域滤波器结合的频域滤镜为:
其中:
其中D0表示理想低通滤波器的截止频率,D(u,v)是到频谱中心的距离(欧式距离),滤波器的频率域原点在频谱图像的中心处,在以截止频率为半径的圆形区域之内的滤镜元素值全部为1,而该圆之外的滤镜元素值全部为0。
步骤2.3,将滤波后的图像进行傅里叶逆变换,公式如下:
工业相机采集到的图像,采用傅里叶低通滤波,可以有效滤除噪声及多余的布匹纹理信息。
进一步,所述步骤3中所述提取区域LBP特征和HOG特征;步骤包括:
步骤3.1,采用滑框算法,以指定步长stride和尺度在布面范围内滑动窗口,对截取的窗口内图片,截取中心及左方,下方,右方共四块区域,以每个子图像块的中心区域为核心,这样区域特征就能对整幅图像进行代表性表述;
步骤3.2,提取区域LBP特征,构建新的区域特征;具体方法为:
计算图像中每个像素点的LBP模式,选择一个像素点作为中心像素,该像素的灰度值作为阈值,邻域像素的灰度值小于阈值则用0表示,大于或等于阈值则用1表示,然后按一个固定的方向获得LBP模式的01码串。若使用(xc,yc)表示中心像素,ic是灰度值,ip表示中心像素周围像素的灰度值,s是一个符号函数,p的取值为0……p-1,则LBP算子公式如下:
其中
根据公式(5)计算四块图像的特征向量,假设分别为LBPleft,LBPright,LBPbottom,LBPcenter,那么本发明构建的新的区域特征为:
LBPcl=LBPcenter-LBPleft (6)
LBPcr=LBPcenter-LBPright (7)
LBPcb=LBPcenter+LBPbottom (8)
步骤3.3,融合区域特征,构建新的特征向量;具体按照:
COLBP=C1LBPcl+C2LBPcr+C3LBPcb (9)
其中,COLBP表示融合特征,C1,C2,C3表示各区域特征所占的权重,满足C1+C2+C3=1;将其整合为中心区域新的的特征。单面光滑布匹的纹理信息具有相似性,通过融合区域LBP特征,能有效消除纹理信息的干扰,在织布机中瑕疵按布匹生产方向分布,相比于提取整幅图片的LBP特征会减弱瑕疵信息,区域融合特征能在局部突出瑕疵特征信息,得到减弱背景显著性的特征。
进一步,步骤3中所述提取HOG特征,具体步骤包括:
步骤3.4,颜色空间Gamma校正,将整幅图像进行归一化;
步骤3.5,分割样本图像为若干小块,每块由相邻的四个单元组成,每个单元由8x8像素组成,块与块之间采用重叠两个单元的形式进行滑动。计算出图像中像素点(x,y)的水平方向和垂直方向的梯度分别为:
Ix(x,y)=I(x+1,y)-I(x-1,y)
Iy(x,y)=I(x,y+1)-I(x,y-1) (10)
其中Ix(x,y)和Iy(x,y)分别表示像素点(x,y)处的水平方向梯度和垂直方向梯度,I(x,y)表示该点的像素值。
则得到像素点(x,y)处的梯度幅值和梯度方向分别为:
步骤3.6,顺序级联每块的直方图特征,得到整幅图像的整体HOG特征;
进一步,步骤4所述将特征进行融合,构建新的特征向量;具体步骤为:
步骤4.1,对灰度图像分区域提取LBP特征,统计所有子块图像的LBP直方图特征,将素有子块的直方图特征顺序级联,得到区域LBP特征;
步骤4.2,将区域LBP特征与原始HOG特征进行融合,通过串行连接得到新的融合特征;
需要说明的是,HOG特征能很好地描述图像的边缘信息,它描述的是图像的局部形状变化。结合第三步和第四步的实现方式,量化位置和方向在一定程度上对平移和旋转起到了抑制作用。
进一步,步骤5所述进行精细分类;具体步骤为:
步骤5.1,滑动窗口,提取融合特征,输入已训练好的模型;采用滑框截取算法,截取当前像素中心点,左右及下方,共四个子图像块,每个图像块为100x100像素。在整幅图像中,对布匹瑕疵选取小尺度正负样本(posWin/negWin)训练检测,效果优于整幅图像做训练样本。原始LBP特征融合HOG特征的模型的平均丢失率约高7.13%。而融合特征的模型,对于2592x1520的图片,在没有GPU加速的情况下也能达到12fps。
在训练多类支持向量机的过程中,由于布匹瑕疵分类情况有限,训练数据较多,选取高斯核函数作为支持向量机的核函数,高斯核如下:
其中,xi为当前点,li为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围,
步骤5.2,精细分类,若出现瑕疵,则返回瑕疵信息与位置信息。在树莓派平台中,对摄像头传入图像进行检测,若出现瑕疵,则保存此帧信息,返回分类结果与滑动窗口的位置信息,从而实现瑕疵的实时监测与准确定位。
该装置包含采集布匹瑕疵的工业相机,光源,机械固定装置和用于算法运行的树莓派平台。本发明能克服传统方法存在瑕疵分类和定位方面的不足,实现对光滑单层平纹布面中出现的断纱,跳线和油污等瑕疵的准确定位和实时检测,实现无人化布匹瑕疵监测。
附图说明
图1为布匹瑕疵检测装置简图;
图2为布匹瑕疵检测算法的主要流程;
图3为区域图像截取示意图;
图4为区域LBP特征融合示意图;
图5为瑕疵种类;(a)细长断线(b)透光型跳线(c)油污以及正常布匹。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明的提出的一种基于融合LBP特征的布匹瑕疵检测方法及装置,采用以下技术方案:
步骤1,通过工业相机获取布匹实时图像信息,然后送入微型电脑中进行处理;所述微型电脑为树莓派,图2所示,获取布匹实时图像信息;根据先验知识,选定布面部分;针对单层平滑布匹,在检测过程中采用背面白色光源透光照射,选取背面打光有效避免光源过强与光照不稳定的情况。
步骤2,对获取的图像采用傅里叶变换,通过低通滤波,去除噪声;具体步骤为:
步骤2.1,图像矩阵为f(x,y),傅里叶变换可以将一幅图片分解为正弦和余弦两个分量,即将一幅图像从其空间域(spatial domain)转换为频域(frequency domain)。这种变换的思想是任何函数可以很精确的接近无穷个sin()函数和cos()函数的和。傅里叶变换提供了这种方法来达到这种效果。对于二维图像其傅里叶变换公式如下:
其中f(x,y)代表一副大小为MxN的图像,其中x=0,1,2,···,M-1和y=0,1,2,···,N-1,F(u,v)表示f(x,y)的傅里叶变换。
步骤2.2,在单面平滑的布匹中,噪声信息为高频信号,选取低通滤波器滤除,理想低通滤波器的频域滤镜为:
其中:
其中D0表示理想低通滤波器的截止频率,D(u,v)是到频谱中心的距离(欧式距离),滤波器的频率域原点在频谱图像的中心处,在以截止频率为半径的圆形区域之内的滤镜元素值全部为1,而该圆之外的滤镜元素值全部为0。
步骤2.3,将滤波后的图像进行傅里叶逆变换,公式如下:
步骤3,对获得的干净的布匹信息提取区域LBP特征,融合特征,构成新的特征向量;具体步骤为:
步骤3.1,采用滑框算法,以指定步长stride和尺度在布面范围内滑动窗口,对截取的窗口内图片,截取中心及左方,下方,右方共四块区域;如图3所示;
步骤3.2,提取区域LBP特征,构建新的区域特征;具体方法为:
计算图像中每个像素点的LBP模式,选择一个像素点作为中心像素,该像素的灰度值作为阈值,邻域像素的灰度值小于阈值则用0表示,大于或等于阈值则用1表示,然后按一个固定的方向获得LBP模式的01码串。若使用(xc,yc)表示中心像素,ic是灰度值,ip表示中心像素周围像素的灰度值,s是一个符号函数,p的取值为0……p-1,则LBP算子公式如下:
其中
根据公式(5)计算四块图像的特征向量,假设分别为LBPleft,LBPright,LBPbottom,LBPcenter,那么本发明构建的新的区域特征为:
LBPcl=LBPcenter-LBPleft (6)
LBPcr=LBPcenter-LBPright (7)
LBPcb=LBPcenter+LBPbottom (8)
步骤3.3,融合区域特征,构建新的特征向量;具体按照:
COLBP=C1LBPcl+C2LBPcr+C3LBPcb (9)
其中,COLBP表示融合特征,C1,C2,C3表示各区域特征所占的权重,满足C1+C2+C3=1;将其整合为中心区域新的的特征。融合过程如图4所示;
进一步,步骤3中所述提取HOG特征,具体步骤包括:
步骤3.4,颜色空间Gamma校正,将整幅图像进行归一化;
步骤3.5,分割样本图像为若干小块,每块由相邻的四个单元组成,每个单元由8x8像素组成,块与块之间采用重叠两个单元的形式进行滑动。计算出图像中像素点(x,y)的水平方向和垂直方向的梯度分别为:
其中Ix(x,y)和Iy(x,y)分别表示像素点(x,y)处的水平方向梯度和垂直方向梯度,I(x,y)表示该点的像素值。
则得到像素点(x,y)处的梯度幅值和梯度方向分别为:
步骤3.6,顺序级联每块的直方图特征,得到整幅图像的整体HOG特征;
步骤4,将特征进行融合,构建新的特征向量;具体步骤为:
步骤4.1,对灰度图像分区域提取LBP特征,统计所有子块图像的LBP直方图特征,将素有子块的直方图特征顺序级联,得到区域LBP特征;
步骤4.2,将区域LBP特征与原始HOG特征进行融合,通过串行连接得到新的融合特征;HOG特征能很好地描述图像的边缘信息,它描述的是图像的局部形状变化。通过与区域LBP特征的融合,量化位置和方向在一定程度上对平移和旋转起到了抑制作用。
步骤5,将上述步骤所得特征向量输入多类支持向量机进行精细分类;
步骤5.1,对采集的数据进行整理标注,本发明所选取的正负样本各一万余张,约1.5:1;
在白色光源下的单面光滑布匹,多类支持向量机的精细分类分为四类,如图5所示,(a)细长断线(b)透光型跳线(c)油污以及正常布匹。
步骤5.2,通过步骤4所述算法提取正负样本的特征作为样本表述参与训练,配置多类支持向量机参数进行训练。在训练多类支持向量机的过程中,由于布匹瑕疵分类情况有限,训练数据较多,选取高斯核函数作为支持向量机的核函数,高斯核如下:
其中,xi为当前点,li为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围,
步骤5.3,加载模型实现分类,通过滑动窗口提取特征进行检测,返回分类结果与位置信息。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (8)
1.一种基于区域融合特征的布匹瑕疵检测方法,其特征在于,包括以下步骤:
步骤1,通过工业相机获取布匹实时图像信息,然后送入微型电脑中进行处理;
步骤2,图像去噪,采用傅里叶频率域低通滤波去除噪声以及多余的纹理信息;
步骤3,对获得的布匹信息提取区域LBP特征,然后对整幅图像提取HOG特征;
步骤4,将区域LBP特征和HOG特征进行融合,构建新的特征向量;
步骤5,将融合区域特征向量作为输入,利用多类支持向量机对输入图像进行精细分类。
2.根据权利要求1所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,所述步骤1的具体过程为;根据先验知识选定布面部分;针对单层平滑布匹,在检测过程中采用背面白色光源透光照射,选取背面打光有效避免光源过强与光照不稳定的情况。
3.根据权利要求1所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,所述步骤2中图像去噪,采用傅里叶频率域低通滤波去除噪声以及多余的纹理信息步骤包括:
步骤2.1,对采集到的图像进行二维离散傅里叶变换,公式如下:
其中f(x,y)代表一副大小为MxN的图像,其中x=0,1,2,···,M-1和y=0,1,2,···,N-1,F(u,v)表示f(x,y)的傅里叶变换;
步骤2.2,对采集到的图像进行二维傅里叶变换,在根据理想低通滤波器进行滤波,与低通频域滤波器结合的频域滤镜为:
其中:
其中D0表示理想低通滤波器的截止频率,D(u,v)是到频谱中心的欧式距离,
步骤2.3,将滤波后的图像进行傅里叶逆变换,公式如下:
4.根据权利要求3所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,低通滤波器的频率域原点在频谱图像的中心处,在以截止频率为半径的圆形区域之内的滤镜元素值全部为1,而该圆之外的滤镜元素值全部为0。
5.根据权利要求1所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,所述步骤3中提取区域LBP特征,其具体方法为:
步骤3.1,采用滑框算法,以指定步长stride和尺度在布面范围内滑动窗口,对截取的窗口内图片,截取中心及左方,下方,右方共四块区域;
步骤3.2,提取区域LBP特征,构建新的区域特征;具体方法为:
计算图像中每个像素点的LBP模式,选择一个像素点作为中心像素,该像素的灰度值作为阈值,邻域像素的灰度值小于阈值则用0表示,大于或等于阈值则用1表示,然后按一个固定的方向获得LBP模式的01码串,若使用(xc,yc)表示中心像素,ic是灰度值,ip表示中心像素周围像素的灰度值,s是一个符号函数,p的取值为0……p-1,则LBP算子公式如下:
其中
根据公式(5)计算四块图像的特征向量,假设分别为左边子图像块LBPleft,右边子图像块LBPright,底部子图像块LBPbottom,中心子图像块LBPcenter,那么本发明构建的新的区域特征为:
LBPcl=LBPcenter-LBPleft (6)
LBPcr=LBPcenter-LBPright (7)
LBPcb=LBPcenter+LBPbottom (8)
步骤3.3,融合区域特征,构建新的特征向量;具体按照:
COLBP=C1LBPcl+C2LBPcr+C3LBPcb (9)
其中,COLBP表示融合特征,C1,C2,C3表示各区域特征所占的权重,满足C1+C2+C3=1;将其整合为中心区域新的特征。
6.根据权利要求1所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,所述步骤3中所述提取HOG特征,具体步骤包括:
步骤3.4,颜色空间Gamma校正,将整幅图像进行归一化;
步骤3.5,分割样本图像为若干小块,每块由相邻的四个单元组成,每个单元由8x8像素组成,块与块之间采用重叠两个单元的形式进行滑动,计算出图像中像素点(x,y)的水平方向和垂直方向的梯度分别为:
其中Ix(x,y)和Iy(x,y)分别表示像素点(x,y)处的水平方向梯度和垂直方向梯度,I(x,y)表示该点的像素值;
则得到像素点(x,y)处的梯度幅值和梯度方向分别为:
步骤3.6,顺序级联每块的直方图特征,得到整幅图像的整体HOG特征。
7.根据权利要求1所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,所述步骤4中特征进行融合的方法为:
步骤4.1,根据上述步骤3,对灰度图像分区域提取LBP特征,统计所有子块图像的LBP直方图特征,将所有子块的直方图特征顺序级联,得到区域LBP特征;
步骤4.2,将区域LBP特征与原始HOG特征进行融合,通过串行连接得到新的融合特征。
8.根据权利要求1所述的一种基于融合LBP特征的布匹瑕疵检测方法,其特征在于,所述步骤5中对输入图像进行精细分类,包括以下步骤:
步骤5.1,对输入图像,采取滑动窗口,通过上述1-4步骤进行特征提取,将提取的融合特征输入训练完成的精细多类支持向量机进行分类;选取高斯核函数作为支持向量机的核函数,高斯核如下:
其中,xi为当前点,li为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围,
步骤5.2,在微型电脑中,对摄像头传入图像进行检测,若出现瑕疵,则保存此帧信息,返回分类结果与滑动窗口的位置信息,从而实现瑕疵的实时监测与准确定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407792.9A CN109685766B (zh) | 2018-11-23 | 2018-11-23 | 一种基于区域融合特征的布匹瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811407792.9A CN109685766B (zh) | 2018-11-23 | 2018-11-23 | 一种基于区域融合特征的布匹瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685766A true CN109685766A (zh) | 2019-04-26 |
CN109685766B CN109685766B (zh) | 2023-07-21 |
Family
ID=66185828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811407792.9A Active CN109685766B (zh) | 2018-11-23 | 2018-11-23 | 一种基于区域融合特征的布匹瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685766B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501339A (zh) * | 2019-08-13 | 2019-11-26 | 江苏大学 | 一种复杂环境下的布面定位方法 |
CN111721773A (zh) * | 2020-06-29 | 2020-09-29 | 北京大简技术有限公司 | 一种布匹检测系统和方法 |
CN111815648A (zh) * | 2020-07-01 | 2020-10-23 | 智慧眼科技股份有限公司 | 基于图像的水痕判定方法、装置、计算机设备及存储介质 |
CN113837126A (zh) * | 2021-09-28 | 2021-12-24 | 常州市宏发纵横新材料科技股份有限公司 | 一种db类纬纱纱线检测方法 |
CN114264661A (zh) * | 2021-12-06 | 2022-04-01 | 浙江大学台州研究院 | 一种清晰度自适应的卷材检测方法及装置、系统 |
CN114723705A (zh) * | 2022-03-31 | 2022-07-08 | 海门市恒创织带有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
CN114821284A (zh) * | 2022-06-30 | 2022-07-29 | 南通捷茜纺织科技有限公司 | 一种纺织品生产用码布机智能调节方法 |
CN115100201A (zh) * | 2022-08-25 | 2022-09-23 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115272304A (zh) * | 2022-09-26 | 2022-11-01 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
CN116862917A (zh) * | 2023-09-05 | 2023-10-10 | 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 |
CN117152158A (zh) * | 2023-11-01 | 2023-12-01 | 海门市缔绣家用纺织品有限公司 | 基于人工智能的纺织品疵点检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136536A (zh) * | 2011-11-24 | 2013-06-05 | 北京三星通信技术研究有限公司 | 对象检测系统和方法、图像的特征提取方法 |
-
2018
- 2018-11-23 CN CN201811407792.9A patent/CN109685766B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136536A (zh) * | 2011-11-24 | 2013-06-05 | 北京三星通信技术研究有限公司 | 对象检测系统和方法、图像的特征提取方法 |
Non-Patent Citations (1)
Title |
---|
马浩等: "基于LBP 和HOG 特征的图案织物缺陷检测", 《电子测量与仪器学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501339B (zh) * | 2019-08-13 | 2022-03-29 | 江苏大学 | 一种复杂环境下的布面定位方法 |
CN110501339A (zh) * | 2019-08-13 | 2019-11-26 | 江苏大学 | 一种复杂环境下的布面定位方法 |
CN111721773A (zh) * | 2020-06-29 | 2020-09-29 | 北京大简技术有限公司 | 一种布匹检测系统和方法 |
CN111815648B (zh) * | 2020-07-01 | 2023-07-28 | 智慧眼科技股份有限公司 | 基于图像的水痕判定方法、装置、计算机设备及存储介质 |
CN111815648A (zh) * | 2020-07-01 | 2020-10-23 | 智慧眼科技股份有限公司 | 基于图像的水痕判定方法、装置、计算机设备及存储介质 |
CN113837126A (zh) * | 2021-09-28 | 2021-12-24 | 常州市宏发纵横新材料科技股份有限公司 | 一种db类纬纱纱线检测方法 |
CN113837126B (zh) * | 2021-09-28 | 2022-08-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种db类纬纱纱线检测方法 |
CN114264661A (zh) * | 2021-12-06 | 2022-04-01 | 浙江大学台州研究院 | 一种清晰度自适应的卷材检测方法及装置、系统 |
CN114264661B (zh) * | 2021-12-06 | 2024-05-31 | 浙江大学台州研究院 | 一种清晰度自适应的卷材检测方法及装置、系统 |
CN114723705B (zh) * | 2022-03-31 | 2023-08-22 | 深圳市启灵图像科技有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
CN114723705A (zh) * | 2022-03-31 | 2022-07-08 | 海门市恒创织带有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
CN114821284B (zh) * | 2022-06-30 | 2022-09-02 | 南通捷茜纺织科技有限公司 | 一种纺织品生产用码布机智能调节方法 |
CN114821284A (zh) * | 2022-06-30 | 2022-07-29 | 南通捷茜纺织科技有限公司 | 一种纺织品生产用码布机智能调节方法 |
CN115100201A (zh) * | 2022-08-25 | 2022-09-23 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115100201B (zh) * | 2022-08-25 | 2022-11-11 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115272304A (zh) * | 2022-09-26 | 2022-11-01 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
CN115272304B (zh) * | 2022-09-26 | 2022-12-09 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
CN116862917A (zh) * | 2023-09-05 | 2023-10-10 | 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 |
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 |
CN117152158A (zh) * | 2023-11-01 | 2023-12-01 | 海门市缔绣家用纺织品有限公司 | 基于人工智能的纺织品疵点检测方法及系统 |
CN117152158B (zh) * | 2023-11-01 | 2024-02-13 | 海门市缔绣家用纺织品有限公司 | 基于人工智能的纺织品疵点检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109685766B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN108320280A (zh) | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN116843688A (zh) | 一种纺织品质量视觉检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
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 | |
CN104458764B (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN108399614B (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
CN115546232A (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
CN102760295A (zh) | 基于边缘检测算子用火灾图像探测系统 | |
Oni et al. | Patterned fabric defect detection and classification (FDDC) techniques: a review |
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 |