CN109978830A - 一种织物疵点检测方法 - Google Patents
一种织物疵点检测方法 Download PDFInfo
- Publication number
- CN109978830A CN109978830A CN201910151767.7A CN201910151767A CN109978830A CN 109978830 A CN109978830 A CN 109978830A CN 201910151767 A CN201910151767 A CN 201910151767A CN 109978830 A CN109978830 A CN 109978830A
- Authority
- CN
- China
- Prior art keywords
- formula
- fabric
- value
- pixel
- image
- 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.)
- Pending
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 82
- 230000007547 defect Effects 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 239000004753 textile Substances 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009941 weaving Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010338 mechanical breakdown Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- 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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种织物疵点检测方法,具体包括:首先将待检测的织物疵点图像缩放至256×256像素,然后将织物疵点图像转为灰度图像;然后对经步骤1后得到的织物疵点图像进行改进的加权中值滤波处理;最后采用K‑means聚类分割织物疵点,在抑制织物图像背景纹理的同时能显著提高滤波速度,对不同的纹理背景的织物,能做到有效准确的检测疵点。
Description
技术领域
本发明属于纺织疵点检测方法技术领域,具体涉及一种织物疵点检测方法。
背景技术
作为衣着、装饰医用、产业用、航天军工用品的原料,织物是生活与工业生产中不可或缺的材料,在织物生产中,由于纱线瑕疵、机械故障、人工操作失误以及生产环境干扰等因素,不可避免地会产生织物缺陷。缺陷的存在对纺织终端产品的质量及价格起着决定性影响,如果缺陷产品应用于航空、军工及医用中,将造成不可估量和无法挽回的损失,因此织物缺陷检测尤为重要。然而由于各类织物纹理结构复杂,噪声和细微缺陷之间相似性高,极大增加了缺陷检测的难度。目前绝大部分的纺织企业,依赖人工视觉检测织物缺陷,传统的人工检测容易受到个人的视力、疲劳状况、情绪、光照等主客观因素的影响,往往无法确保检测的精度及准确率,尤其对于纹理复杂、图案花型多变、颜色差异较小的缺陷,人眼几乎不能识别,远远不能满足工业生产应用的需求。因此,探索一种有效、具有普适性的织物疵点检测方法,使其能够快速且准确地识别各种印花织物的疵点,具有重要的学术价值和应用价值。
针对织物疵点检测问题,主要包含四种方法,基于统计的方法主要包括分形维数、互相关,共生矩阵,局部二进制模式,Conci等运用分形维理论检测织物瑕疵,江南大学的潘教授和朱丹丹采用自相关算法计算各个纹理基元和标准模板的相似度,评估格子织物图像中有无瑕疵纹理基元;基于频谱的方法主要包括Gabor滤波器,小波变换和傅里叶变换,Kumar研究了几种不同的利用Gabor小波特征进行纹理材料表面检测的方法,Tsai等利用傅里叶模型提取织物瑕疵的傅里叶特征,进而实现疵点分割;基于模型的方法有自回归模型,马尔科夫随机场模型等,Hajimowlana等人使用一维自回归模型提取误差区域生成疵点形状,武汉纺织大学的李敏等人应用改进的高斯混合模型,通过分块建模思想有效识别出彩色纹理织物表面疵点;基于学习的方法常见的有应用卷积神经网络、自编码网络,Yapi等提出了一种新颖的基于监督学习的方法,Tsang等提出的Elo评级方法,在点型和星型图案的织物图像中被证明有很好的效果,Li等基于Fisher准则将含有疵点和不含疵点的织物图像进行分类,表明该方法在复杂的提花经编织物上有更好的结果。
基于以上分析,现有检测方法很难有效描述复杂多样的织物纹理,且具有很高的运算复杂度,自适应性不强,致使检测效果不明显;针对织物组织纹理结构复杂、花型繁多、材质多样,如何有效的检测出疵点仍然是研究的热点。
发明内容
本发明的目的在于提供一种织物疵点检测方法,减少纹理信息对疵点检测产生的影响,同时提高算法的执行速度,有效的检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点。
本发明所采用的技术方案是,一种织物疵点检测方法,具体包括以下步骤:
步骤1,将待检测的织物疵点图像缩放至256×256像素,然后将织物疵点图像转为灰度图像;
步骤2,对经步骤1后得到的织物疵点图像进行改进的加权中值滤波处理;
步骤3,将经步骤2处理后的织物疵点图像采用K-means聚类分割织物疵点。
本发明的特点还在于:
其中步骤2具体包括:
步骤2.1,把织物疵点图像标记为I,织物疵点图像中的任意一点像素为p,当以p为中心,半径为r的局部窗口R(p),对于属于R(p)窗口内的每一个像素q,都对应一个基于对应的特征图像的相似度的权重Wpq,如公式(1)所示:
Wpq=g(f(p),f(q)) (1)
式中:f(p)和f(q)是f中像素p和q处的特征,g是相邻像素之间的典型影响函数;
步骤2.2,用I(q)表示像素q的像素值,在步骤2.1设定的局部窗口R(p)内的像素总数用n表示,且n=(2r+1)2,窗口R(p)中的所有像素值和权重构成一个对序列(I(q),Wpq),对这个序列按照I(q)的值进行排序,然后依次累加权重值至累加的权重大于等于所有权重值的一半,此时对应的I(p)即作为局部窗口中心点的新的像素值,记为I(p*),则像素为p*,如公式(2)所示:
步骤2.3,构造二维的联合直方图H,对于织物疵点图像中一个半径为r的局部窗口,设该窗口内有NI个像素灰度值,Nf个图像特征,利用像素值i做横坐标,特征f为纵坐标,整个联合直方图构造如公式(3)所示:
H(i,f)=#{q∈R(p)|I(q)=Ii,f(q)=ff} (3)
式中:运算符#为计算元素的个数;
步骤2.4,经步骤2.3得到联合直方图H后,计算像素值为i的所有像素的总权重,如公式(4)所示:
步骤2.5,查找中值,遍历联合直方图H,根据步骤2.4中公式(4)计算权重,将计算的权重相加得到第一遍的总权重wt;然后进行第二遍遍历联合直方图H,将计算总权重wt的一半的加权值,此时对应的像素值i就是中值,利用该i替换中心点的像素值完成窗口的加权中值滤波;
步骤2.6,对步骤2.5过程进行加速,引入切点和平衡,窗口图像的权值在某个点分成了左权值wl和右权值wr两部分,且wl-wr=0,则该点就是切点,wl与wr之间的差异接近于零,这被称为平衡,如式(5)所示,如果切点产生最小的非负平衡,则发现加权中值:
步骤2.7,对步骤2.6进一步加速,对联合直方图H的行进行累加求和,得到一个Nf×1的列矩阵,对第f行的平衡计算如式(6)所示:
B(f)=#{q∈R(p)|I(q)≤c,f(q)=ff}-#{r∈R(p)|I(r)>c,f(r)=ff} (6)
式中:B(f)测量c两侧特征ff的像素数是否平衡;
步骤2.8,通过步骤2.7得到的平衡计算式(6),获得整个窗口的平衡点b如公式(7)所示:
其中步骤2.1中g为高斯exp{-||f(p)-f(q)||};
其中步骤3具体包括以下步骤:
步骤3.1:选择K=2个灰度值作为初始聚类中心;
步骤3.2:计算织物图像每个像素灰度值到各个聚类中心的欧式距离,以距离为依据将各个像素值分配到与各个像素值最近的类中;
步骤3.3:再重新计算由步骤3.2得到的每个类别所有像素值的均值,更新聚类中心;
步骤3.4:重复步骤3.2~步骤3.3,至目标函数收敛,得出织物的疵点数据;
其中步骤3.4中所用目标函数为:
式中:Je是输入数据对象与它所在的簇的中心点的平方误差总和,x表示簇Ci中的数据对象,ci表示簇Ci的中心点,利用K-means聚类算法的特性,对织物图像的像素灰度值进行聚类计算,得出织物的疵点数据,实现缺陷的分割。
本发明的有益效果是:
本发明的一种织物疵点检测方法提高算法对不同织物纹理的适应性,在抑制织物图像背景纹理的同时能显著提高滤波速度,对不同的纹理背景的织物,能做到有效准确的检测疵点。
附图说明
图1是本发明一种织物疵点检测方法的流程图;
图2是本发明的一种织物疵点检测方法中实施例中待检测的织物疵点图像;
图3是本发明的一种织物疵点检测方法中实施例中待检测的织物疵点图像;
图4是本发明的一种织物疵点检测方法中图2经本实施例算法处理后得到的织物疵点图像;
图5是本发明的一种织物疵点检测方法中图3经本实施例算法处理后得到的织物疵点图像。
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。
本发明提供一种织物疵点检测方法,如图1所示,具体按以下步骤实施:
步骤1,将待检测的织物疵点图像缩放至256×256像素,然后将织物疵点图像转为灰度图像;
步骤2,对经步骤1后得到的织物疵点图像进行改进的加权中值滤波处理:
步骤2.1,把织物疵点图像标记为I,织物疵点图像中的任意一点像素为p,当以p为中心,半径为r的局部窗口R(p),对于属于R(p)窗口内的每一个像素q,都对应一个基于对应的特征图像的相似度的权重Wpq,如公式(1)所示:
Wpq=g(f(p),f(q)) (1)
式中:f(p)和f(q)是f中像素p和q处的特征,g是相邻像素之间的典型影响函数,g为高斯exp{-||f(p)-f(q)||}或其他形式;
步骤2.2,用I(q)表示像素q的像素值,在步骤2.1设定的局部窗口R(p)内的像素总数用n表示,且n=(2r+1)2,窗口R(p)中的所有像素值和权重构成一个对序列(I(q),Wpq),对这个序列按照I(q)的值进行排序,然后依次累加权重值至累加的权重大于等于所有权重值的一半,此时对应的I(p)即作为局部窗口中心点的新的像素值,记为I(p*),则像素为p*,如公式(2)所示:
步骤2.3,构造二维的联合直方图H,对于织物疵点图像中一个半径为r的局部窗口,设该窗口内有NI个像素灰度值,Nf个图像特征,利用像素值i做横坐标,特征f为纵坐标,整个联合直方图构造如公式(3)所示:
H(i,f)=#{q∈R(p)|I(q)=Ii,f(q)=ff} (3)
式中:运算符#为计算元素的个数;
步骤2.4,经步骤2.3得到联合直方图H后,计算像素值为i的所有像素的总权重,如公式(4)所示:
该算法加快了中值滤波效率,但是由于步骤1需要遍历直方图,占用更多的时间,为了进一步改善,采用中位跟踪平衡算法,使步骤1能够加速到300-2000倍。
步骤2.5,查找中值,遍历联合直方图H,根据步骤2.4中公式(4)计算权重,将计算的权重相加得到第一遍的总权重wt;然后进行第二遍遍历联合直方图H,将计算总权重wt的一半的加权值,此时对应的像素值i就是中值,利用该i替换中心点的像素值即可完成窗口的加权中值滤波;
步骤2.6,对步骤2.5过程进行加速,引入切点和平衡,窗口图像的权值在某个点分成了左权值wl和右权值wr两部分,且wl-wr=0,则该点就是切点,wl与wr之间的差异接近于零,这被称为平衡,如式(5)所示,如果切点产生最小的非负平衡,则发现加权中值:
步骤2.7,为了对步骤2.6进一步加速,对联合直方图H的行进行累加求和,得到一个Nf×1的列矩阵,对第f行的平衡计算如式(6)所示:
B(f)=#{q∈R(p)|I(q)≤c,f(q)=ff}-#{r∈R(p)|I(r)>c,f(r)=ff} (6)
式中:B(f)测量c两侧特征ff的像素数是否平衡;
步骤2.8,通过步骤2.7得到的平衡计算式(6),可以直接获得整个窗口的平衡点b如公式(7)所示:
该算法避免了遍历联合直方图来计算所有权重,还捕获了加权中位数的关键属性切点,简化了计算过程。
步骤3,将经步骤2处理后的织物疵点图像采用K-means聚类分割织物疵点:
步骤3.1:选择K=2个灰度值作为初始聚类中心;
步骤3.2:计算织物图像每个像素灰度值到各个聚类中心的欧式距离,以距离为依据将各个像素值分配到与各个像素值最近的类中;
步骤3.3:再重新计算由步骤3.2得到的每个类别所有像素值的均值,更新聚类中心;
步骤3.4:重复步骤3.2~步骤3.3,直到目标函数收敛为止,目标函数为:
式中:Je是输入数据对象与它所在的簇的中心点的平方误差总和,x表示簇Ci中的数据对象,ci表示簇Ci的中心点,利用K-means聚类算法的特性,对织物图像的像素灰度值进行聚类计算,得出织物的疵点与非疵点数据,实现缺陷的分割。
实施例
一种基于改进的加权中值滤波与K-means聚类相结合的织物疵点检测算法,具体按照以下步骤实施:
步骤1,将待检测的织物疵点图像缩放至256×256像素,并将其转换为灰度图像;
步骤2,对经步骤1后得到的纱线图像进行改进的加权中值滤波处理;
步骤2.1,在处理图像I中的像素p时,仅考虑以p为中心的半径r的局部窗口R(p)内的像素,对于每个像素q∈R(p),加权中值滤波基于对应特征图f中像素p和q的亲和度将其与权重Wpq相关联,如公式(1)所示:
Wpq=g(f(p),f(q)) (1)
式中:f(p)和f(q)是f中像素p和q处的特征。g是相邻像素之间的典型影响函数,其可以是高斯exp{-||f(p)-f(q)||}或其他形式;
步骤2.2,经步骤2.1后,将I(q)表示为图像I中的像素q和n=(2r+1)2处的值作为R(p)中的像素数,将R(p)中的所有像素的值和权重表示为(I(q),Wpq)。按升序的规则对值进行排序,像素p的加权中值运算符返回一个新的像素p*,I(p)由I(p*)代替,得到p*如公式(2)所示:
该定义对于p*之前的所有像素意味着相应权重的总和应该是所有权重相加的一半,f映射通过公式(2)确定权重;
步骤2.3,将联合直方图与滑动窗口策略相结合,实现预处理速度的提升,在2D联合直方图H中,将像素q放入第f行和第i列的直方图中,整个联合直方图构造如公式(3)所示:
H(i,f)=#{q∈R(p)I(q)=Ii,f(q)=ff} (3)
式中:运算符#计算元素的数量,该计数方案即使在窗口移动时也能实现权重的快速计算,对于属于窗口中(i,f)的任何像素,考虑滤波器中心p,其权重可立即计算为g(ff,f(p)),通过遍历联合直方图,获得所有像素的权重值为i的所有像素的总权重为如公式(4)所示:
该算法以扫描线顺序处理输入图像,每个位置,执行两个步骤:
首先中值查找:遍历联合直方图,根据公式(2)计算权重,将它们相加得到第一遍的总权重wt;然后进行第二遍遍历,将计算总权重wt的一半的加权值,并输出相应的像素值;
其次移位和更新:如果不是此图像的结尾,将滤波窗口移动到下一个位置。计数离开窗口的每个像素相应减少的单元格,每移出一个像素就增加一个来更新联合直方图;
算法加快了中值滤波效率,但是由于步骤1需要遍历直方图,占用更多的时间,为了进一步改善,采用中位跟踪平衡算法,使步骤1能够加速到300-2000倍;
步骤2.4为:根据定义,在累积权重达到总权重的一半的位置处得到加权中位数,在当前滤波器中认为在该位置找到加权中值并作为切点c,其中左边的权重总和等于右边权重的总和wl和wr之间的差异接近于零,有助于通过求解找到加权中位数。
使用平衡算法,获得窗口的平衡点b如公式(5)所示。
式中:B(f)测量c两侧特征ff的像素数是否平衡,通过计算像素数差异的轻量级平衡度量,判断是否找到加权中位数,以此代替累积权重算法。
该算法避免了遍历联合直方图来计算所有权重,还捕获了加权中位数的关键属性切点,简化了计算过程;
步骤3中,采用K-means聚类分割纱线图像,具体步骤如下:
设x表示簇Ci中的数据对象,ci表示簇Ci的中心点(均值),通常所用的目标函数如式(8):
式中:Je是输入数据对象与它所在的簇的中心点的平方误差总和。
K-means算法过程如下:
步骤3.1,随机选择k个对象作为初始聚类中心;
步骤3.2,计算每个样本点到各个聚类中心的欧式距离,以距离为依据将各个样本点分配到与其最近的类中;
步骤3.3,重新计算每个类别所有样本点的均值,更新聚类中心;
步骤3.4,重复步骤3.2~步骤3.3,至目标函数收敛,然后通过所得数据进行分割织物疵点。
利用K-means聚类算法的特性,对织物图像的像素灰度值进行聚类计算,实现缺陷的分割。
采用本文方法分别检测、图2及图3中的疵点,其检测处理后的结果分别如图4、图5所示,最终得到的疵点检测结果精度如表1所示;
表1使用不同方法检测疵点的准确率对比
表2使用不同方法检测疵点的平均时间对比
由表1可知,本文方法的检测准确率到达了94%以上,特别是对方格织物,准确率达97.5%,可见本文方法的有效性;由表2可知,本文方法的平均执行速度明显比文献[3](JING F,YANG P,LI P.Supervised defect detection on textile fabrics viaoptimal Gabor filter[J].Journal of Industrial Textile,2013,44(1):40-57)、文献[16](张缓缓,李仁忠,景军锋.Frangi滤波器和模糊C均值算法相结合的织物瑕疵检测[J].纺织学报,2015,36(9):120-124)方法的快,实验结果表明,提出的方法效果较好,具有较高的可靠性。
Claims (5)
1.一种织物疵点检测方法,其特征在于,具体包括以下步骤:
步骤1,将待检测的织物疵点图像缩放至256×256像素,然后将织物疵点图像转为灰度图像;
步骤2,对经步骤1后得到的织物疵点图像进行改进的加权中值滤波处理;
步骤3,将经步骤2处理后的织物疵点图像采用K-means聚类分割织物疵点。
2.根据权利要求1所述的一种织物疵点检测方法,其特征在于,所述步骤2具体包括:
步骤2.1,把织物疵点图像标记为I,织物疵点图像中的任意一点像素为p,当以p为中心,半径为r的局部窗口R(p),对于属于R(p)窗口内的每一个像素q,都对应一个基于对应的特征图像的相似度的权重Wpq,如公式(1)所示:
Wpq=g(f(p),f(q)) (1)
式中:f(p)和f(q)是f中像素p和q处的特征,g是相邻像素之间的典型影响函数;
步骤2.2,用I(q)表示像素q的像素值,在步骤2.1设定的局部窗口R(p)内的像素总数用n表示,且n=(2r+1)2,窗口R(p)中的所有像素值和权重构成一个对序列(I(q),Wpq),对这个序列按照I(q)的值进行排序,然后依次累加权重值至累加的权重大于等于所有权重值的一半,此时对应的I(p)即作为局部窗口中心点的新的像素值,记为I(p*),则像素为p*,如公式(2)所示:
步骤2.3,构造二维的联合直方图H,对于织物疵点图像中一个半径为r的局部窗口,设该窗口内有NI个像素灰度值,Nf个图像特征,利用像素值i做横坐标,特征f为纵坐标,整个联合直方图构造如公式(3)所示:
H(i,f)=#{q∈R(p)|I(q)=Ii,f(q)=ff} (3)
式中:运算符#为计算元素的个数;
步骤2.4,经步骤2.3得到联合直方图H后,计算像素值为i的所有像素的总权重,如公式(4)所示:
步骤2.5,查找中值,遍历联合直方图H,根据步骤2.4中公式(4)计算权重,将计算的权重相加得到第一遍的总权重wt;然后进行第二遍遍历联合直方图H,将计算总权重wt的一半的加权值,此时对应的像素值i就是中值,利用该i替换中心点的像素值完成窗口的加权中值滤波;
步骤2.6,对步骤2.5过程进行加速,引入切点和平衡,窗口图像的权值在某个点分成了左权值wl和右权值wr两部分,且wl-wr=0,则该点就是切点,wl与wr之间的差异接近于零,称为平衡,如式(5)所示,如果切点产生最小的非负平衡,则发现加权中值:
步骤2.7,对步骤2.6进一步加速,对联合直方图H的行进行累加求和,得到一个Nf×1的列矩阵,对第f行的平衡计算如式(6)所示:
B(f)=#{q∈R(p)|I(q)≤c,f(q)=ff}-#{r∈R(p)|I(r)>c,f(r)=ff} (6)
式中:B(f)测量c两侧特征ff的像素数是否平衡;
步骤2.8,通过步骤2.7得到的平衡计算式(6),获得整个窗口的平衡点b如公式(7)所示:
3.根据权利要求2所述的一种织物疵点检测方法,其特征在于,所述步骤2.1中g为高斯exp{-||f(p)-f(q)||}。
4.根据权利要求1所述的一种织物疵点检测方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1:选择K=2个灰度值作为初始聚类中心;
步骤3.2:计算织物图像每个像素灰度值到各个聚类中心的欧式距离,以距离为依据将各个像素值分配到与各个像素值最近的类中;
步骤3.3:再重新计算由步骤3.2得到的每个类别所有像素值的均值,更新聚类中心;
步骤3.4:重复步骤3.2~步骤3.3,至目标函数收敛,得出织物的疵点数据。
5.根据权利要求4所述的一种织物疵点检测方法,其特征在于,所述步骤3.4中所用目标函数为:
式中:Je是输入数据对象与它所在的簇的中心点的平方误差总和,x表示簇Ci中的数据对象,ci表示簇Ci的中心点,利用K-means聚类算法的特性,对织物图像的像素灰度值进行聚类计算,得出织物的疵点数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151767.7A CN109978830A (zh) | 2019-02-28 | 2019-02-28 | 一种织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151767.7A CN109978830A (zh) | 2019-02-28 | 2019-02-28 | 一种织物疵点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978830A true CN109978830A (zh) | 2019-07-05 |
Family
ID=67077554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910151767.7A Pending CN109978830A (zh) | 2019-02-28 | 2019-02-28 | 一种织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978830A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862008A (zh) * | 2020-07-03 | 2020-10-30 | 西安工程大学 | 一种基于机器视觉的纱线疵点检测方法 |
CN111861996A (zh) * | 2020-06-23 | 2020-10-30 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN113643294A (zh) * | 2021-10-14 | 2021-11-12 | 江苏祥顺布业有限公司 | 基于频谱分析的纺织品缺陷自适应检测方法 |
CN113638104A (zh) * | 2021-10-14 | 2021-11-12 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
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 |
CN114859022A (zh) * | 2022-07-05 | 2022-08-05 | 泉州市颖秀科技发展有限公司 | 一种织物品质评估方法、系统、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110156718A1 (en) * | 2009-12-31 | 2011-06-30 | Su-Wei Tsai | Electrical connection defect detection device |
CN102221559A (zh) * | 2011-03-05 | 2011-10-19 | 河海大学常州校区 | 基于机器视觉的织物疵点在线自动检测方法及其装置 |
-
2019
- 2019-02-28 CN CN201910151767.7A patent/CN109978830A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110156718A1 (en) * | 2009-12-31 | 2011-06-30 | Su-Wei Tsai | Electrical connection defect detection device |
CN102221559A (zh) * | 2011-03-05 | 2011-10-19 | 河海大学常州校区 | 基于机器视觉的织物疵点在线自动检测方法及其装置 |
Non-Patent Citations (2)
Title |
---|
QI ZHANG 等: "100+ Times Faster Weighted Median Filter (WMF)", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
张缓缓 等: "k-means聚类算法在织物疵点检测中的应用", 《毛纺科技》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861996A (zh) * | 2020-06-23 | 2020-10-30 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN111861996B (zh) * | 2020-06-23 | 2023-11-03 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN111862008A (zh) * | 2020-07-03 | 2020-10-30 | 西安工程大学 | 一种基于机器视觉的纱线疵点检测方法 |
CN113643294A (zh) * | 2021-10-14 | 2021-11-12 | 江苏祥顺布业有限公司 | 基于频谱分析的纺织品缺陷自适应检测方法 |
CN113638104A (zh) * | 2021-10-14 | 2021-11-12 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
CN113638104B (zh) * | 2021-10-14 | 2022-02-08 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
CN113643294B (zh) * | 2021-10-14 | 2022-02-18 | 江苏祥顺布业有限公司 | 基于频谱分析的纺织品缺陷自适应检测方法 |
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 |
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 |
CN114859022A (zh) * | 2022-07-05 | 2022-08-05 | 泉州市颖秀科技发展有限公司 | 一种织物品质评估方法、系统、电子设备和存储介质 |
CN114859022B (zh) * | 2022-07-05 | 2022-09-02 | 泉州市颖秀科技发展有限公司 | 一种织物品质评估方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978830A (zh) | 一种织物疵点检测方法 | |
Yue et al. | Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production | |
CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
CN105550660B (zh) | 一种机织物组织结构种类的识别方法 | |
CN106960214A (zh) | 基于图像的物体识别方法 | |
CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN105654123B (zh) | 一种机织物组织图的识别方法 | |
CN108520114A (zh) | 一种纺织布疵点检测模型及其训练方法和应用 | |
CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
CN106296689B (zh) | 瑕疵检测方法、系统及装置 | |
CN110827260A (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN108647706A (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
Ji et al. | Apple grading method based on features of color and defect | |
CN109949287A (zh) | 一种基于自适应分割与模板校正的织物瑕疵检测方法 | |
CN107966444A (zh) | 基于模板的纺织品瑕疵检测方法 | |
CN110414626A (zh) | 一种猪只品种识别方法、装置和计算机可读存储介质 | |
Sun et al. | A fast fabric defect detection framework for multi-layer convolutional neural network based on histogram back-projection | |
CN106203536B (zh) | 一种织物疵点的特征提取及检测方法 | |
CN114818931A (zh) | 一种基于小样本元学习的水果图像分类方法 | |
Guan et al. | Defect detection and classification for plain woven fabric based on deep learning | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
Mohanty et al. | Detection and classification of fabric defects in textile using image mining and association rule miner | |
CN111899221B (zh) | 一种面向外观缺陷检测的自迁移学习方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |