CN110084246A - 一种色织物疵点自动识别方法 - Google Patents

Abstract

本发明公开了一种色织物疵点自动识别方法，包括以下步骤：设采集到的织物图像为X，大小为m×n，格式为256级灰度；S1、对织物图像进行高斯滤波处理，再对其应用水平方向的Sobel算子，获取其水平边缘梯度图像标记为X_h；S2、将水平边缘梯度图像X_h划分为若干图像区域X_i；S3、对图像区域X_i应用奇异值分解，并提取前K个最大特性值对应的向量对图像区域X_i进行近似，进而可以得到图像区域的残差图像S4、将残差图像E_i划分成w×h大小的子窗口，并计算每个子窗口内所有像素点平均值标记为S_i，若像素点平均值S_i超过指定的阈值T，则判断该子窗口存在疵点。

Description

一种色织物疵点自动识别方法

技术领域

本发明属于纺织智能检测技术及质量控制领域，具体涉及一种色织物疵点自动识别方法。

背景技术

纺织作为传统的劳动密集型产业，在智能工业时代下，发展智能化的纺织加工装备是加化纺织转行升级的重要途径。近年来，应用图像分析和机器视觉的方法进行各类产品缺陷检测已非常广泛。当前已有成熟的织物疵点自动检测系统，应用于织机在线疵点检测，如比利时BMSvision公司的CYCLOPS检测系统。

由于机织物种类繁多且疵点外观随机多变，目前大多数基于机器视觉的机织面料疵点检测都集中在素色织物的检测，算法主要分为特征提取和非特征提取两大类，其中特征提取方法主要涉及纹理特征提取方法，如灰度共生矩阵、局部二值算子等；非特征提取主要有Gabor滤波器法。但两类方法的实际应用效果主要体现在，适应的疵点类型有限，不能用于色织物疵点检测。为能实现色织物疵点的自动识别，本发明提供了一种色织物疵点自动识别方法。

发明内容

本发明针对现有技术存在的问题和不足，提供一种色织物疵点自动识别方法。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供一种色织物疵点自动识别方法，其特点在于，其包括以下步骤：

设采集到的织物图像为X，大小为m×n，格式为256级灰度；

S1、对织物图像进行高斯滤波处理，再对其应用水平方向的Sobel算子，获取其水平边缘梯度图像标记为X_h；

S2、将水平边缘梯度图像X_h划分为若干图像区域X_i；

S3、对图像区域X_i应用奇异值分解，并提取前K个最大特性值对应的向量对图像区域X_i进行近似，公式为：

X_i＝UΣV^T

式中，U_K为前K个最大特性值对应的向量所组成的矩阵，进而可以得到图像区域的残差图像

S4、将残差图像E_i划分成w×h大小的子窗口，并计算每个子窗口内所有像素点平均值标记为S_i，若像素点平均值S_i超过指定的阈值T，则判断该子窗口存在疵点。

较佳地，K值的取值范围为[3,8]。

较佳地，在步骤S4中，残差图像E_i划分成w×h大小的子窗口，子窗口尺寸区间为[8,128]，

较佳地，若需要重点检测经向疵点，则选取w<h。

较佳地，指定的阈值T的选取方法是：T＝u+cσ₂，其中u和σ₂分别为所有子窗口S_i的平均值和标准差σ₂，c为常数，取值1≤c≤3.5。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明通过定位边缘对织物进行分区检测，在很大程度上解决了传统算法不能应用于色织面料检测的问题，检测算法以重构的方式进行疵点识别，提高了对不同形态疵点的适应性和识别精度。

附图说明

图1为本发明较佳实施例的色织物疵点自动识别方法的流程图。

图2为本发明较佳实施例的色织物图像示意图。

图3为本发明较佳实施例的区域划分结果图。

图4为本发明较佳实施例的残差图像示意图。

图5为本发明较佳实施例的检测结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动的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。

如图1所示，本实施例提供一种色织物疵点自动识别方法，其包括以下步骤：

设采集到的织物图像为X，大小为m×n，格式为256级灰度；

步骤101、对织物图像进行高斯滤波处理，再对其应用水平方向的Sobel算子，获取其水平边缘梯度图像标记为X_h。

步骤102、将水平边缘梯度图像X_h划分为若干图像区域X_i，采用以下公式：

X_i(x,y)＝{x|k_i≤x≤k_i+1,1≤y≤n}

k＝{x|2×P(y)≤x}

步骤103、对图像区域X_i应用奇异值分解，并提取前K个最大特性值对应的向量对图像区域X_i进行近似，公式为：

X_i＝UΣV^T

式中，U_K为前K个最大特性值对应的向量所组成的矩阵，K值的取值范围为[3,8]，进而可以得到图像区域的残差图像

步骤104、将残差图像E_i划分成w×h大小的子窗口，并计算每个子窗口内所有像素点平均值标记为S_i，若像素点平均值S_i超过指定的阈值T，则判断该子窗口存在疵点。

残差图像E_i划分成w×h大小的子窗口，是指将残差图像可以根据实际情况进行有重叠和无重叠方法划分，子窗口尺寸区间为[8,128]，可根据实际检测情况进行调整，若需要重点检测经向疵点，则选取w<h。

指定的阈值T的选取方法是：T＝u+cσ₂，其中u和σ₂分别为所有子窗口S_i的平均值和标准差σ₂，c为常数，取值1≤c≤3.5。

为了验证本方法的有效性，对色织物疵点图像进行实验。

图2是由本采集系统采集到的色织物疵点图像，记为X，大小为256×256，格式为256级灰度。首先对织物图像进行高斯滤波处理，再对其应用水平方向的Sobel算子，获取其水平边缘梯度图像，记为X_h。应用如下公式：

X_i(x,y)＝{x|k_i≤x≤k_i+1,1≤y≤256}

k＝{x|2×P(y)≤x}

将水平边缘梯度图像X_h进行划分为若干区域X_i，其划分结果如图3所示。

根据图3的划分结果，应用奇异值分解(SVD)，并提取前5个最大特性值对应的向量对图像区域X_i进行近似，其具体公式为：

X_i＝UΣV^T

进而可以得到图像区域的残差图像其残差图像如图3所示。

最后，将图4划分成32×32大小的子窗口，并计算每个子窗口内所有像素点平均值S_i。进一步得到u＝0.121，σ₂＝0.082，取c＝1.5，则指定的阈值T＝0.244，如果S_i超过指定的阈值T，则判断该子窗口存在疵点。图5给出了最终的检测结果，其中打叉的子窗体表示判定存在疵点。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (5)

1.一种色织物疵点自动识别方法，其特征在于，其包括以下步骤：

设采集到的织物图像为X，大小为m×n，格式为256级灰度；

S1、对织物图像进行高斯滤波处理，再对其应用水平方向的Sobel算子，获取其水平边缘梯度图像标记为X_h；

S2、将水平边缘梯度图像X_h划分为若干图像区域X_i；

S3、对图像区域X_i应用奇异值分解，并提取前K个最大特性值对应的向量对图像区域X_i进行近似，公式为：

X_i＝UΣV^T

式中，U_K为前K个最大特性值对应的向量所组成的矩阵，进而可以得到图像区域的残差图像

S4、将残差图像E_i划分成w×h大小的子窗口，并计算每个子窗口内所有像素点平均值标记为S_i，若像素点平均值S_i超过指定的阈值T，则判断该子窗口存在疵点。

2.如权利要求1所述的色织物疵点自动识别方法，其特征在于，K值的取值范围为[3,8]。

3.如权利要求2所述的色织物疵点自动识别方法，其特征在于，在步骤S4中，残差图像E_i划分成w×h大小的子窗口，子窗口尺寸区间为[8,128]。

4.如权利要求3所述的色织物疵点自动识别方法，其特征在于，若需要重点检测经向疵点，则选取w<h。

5.如权利要求1所述的色织物疵点自动识别方法，其特征在于，指定的阈值T的选取方法是：T＝u+cσ₂，其中u和σ₂分别为所有子窗口S_i的平均值和标准差σ₂，c为常数，取值1≤c≤3.5。