CN110188806A - 一种基于机器视觉的大圆机织物疵点检测与分类方法 - Google Patents

一种基于机器视觉的大圆机织物疵点检测与分类方法 Download PDF

Info

Publication number
CN110188806A
CN110188806A CN201910421831.9A CN201910421831A CN110188806A CN 110188806 A CN110188806 A CN 110188806A CN 201910421831 A CN201910421831 A CN 201910421831A CN 110188806 A CN110188806 A CN 110188806A
Authority
CN
China
Prior art keywords
image
tree
classification
gray
random forest
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
Application number
CN201910421831.9A
Other languages
English (en)
Inventor
潘书万
汪泰伸
章璟怡
郑力新
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.)
Huaqiao University
Original Assignee
Huaqiao 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 Huaqiao University filed Critical Huaqiao University
Priority to CN201910421831.9A priority Critical patent/CN110188806A/zh
Publication of CN110188806A publication Critical patent/CN110188806A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于机器视觉的大圆机织物疵点检测与分类方法，通过图像采集设备采集织物图像；对织物图像进行直方图均衡化处理，得到增强图像；对增强后的织物图像进行自适应高斯滤波处理；对预处理后的图像灰度级量化；共生矩阵提取与特征值计算；生成特征图像；采用特征值对随机森林分类器进行训练优化；采用优化后的随机森林分类器对织物图片进行分类检测，从而取代人工离线检测，以此来提高了纺织品的疵点检测速度和效率、以及产品的质量。

Description

一种基于机器视觉的大圆机织物疵点检测与分类方法
技术领域
本发明涉及一种机器视觉检测与分类方法，特别涉及一种基于机器视觉的大圆机织物疵点检测与分类方法。
背景技术
织物疵点检测是纺织品生产过程中保证产品质量的关键环节之一。织物的疵点种类繁多，如断经、断纬、破洞、油污等，给工厂生产优质织物造成巨大问题。目前，织物疵点检测大部分仍然是利用人工视觉进行离线检测。但是，人工检测存在诸多缺点，易受人工自身工作和外部环境的影响，导致漏检率和误检率高、检测速度慢等。因此，需要一个可行的织物疵点检测和分类方法来提高织物的生产效率及质量。
发明内容
本发明要解决的技术问题，在于提供一种基于机器视觉的大圆机织物疵点检测与分类方法，从而取代人工离线检测，以此来提高了纺织品的疵点检测速度和效率、以及产品的质量。
本发明是这样实现的：一种基于机器视觉的大圆机织物疵点检测与分类方法，包括：
步骤1、通过图像采集设备采集织物图像；
步骤2、取样本织物图像进行预处理，其包括：
步骤21、对织物图像进行直方图均衡化处理，得到增强图像；
步骤22、对增强后的织物图像进行自适应高斯滤波处理；
步骤3、对预处理后的图像进行灰度共生矩阵算法处理，其包括：
步骤31、对预处理后的图像灰度级量化；
步骤32、灰度共生矩阵提取，并进行特征值计算；
步骤33、生成特征图像；
步骤4、采用特征值对随机森林分类器进行训练优化，之后进行分类检测，其包括：步骤41采用特征值对随机森林分类器进行训练优化；
步骤42、采用优化后的随机森林分类器对织物图片进行分类检测。
进一步地，所述步骤21进一步具体为：对织物图像大小进行尺寸调整和灰度化处理，调整尺寸为256×256；使用直方图均衡化算法对灰度图像进行直方图均衡化处理，得到增强图像。
进一步地，所述步骤22进一步具体为：采用自适应高斯滤波算法对增强后的图像进行滤波处理，逐行扫描织物疵点图像，对每一个像素，以该像素作为中心，计算其周围区域R的统计特征，如果区域R的特征满足选定的噪声判据；根据选定模板计算邻域加权和作为该点响应；如果区域R的特征不满足选定的噪声判据，则不处理该点。
进一步地，所述步骤31进一步具体为：对预处理后的图像灰度级量化到16级，将灰度值除以16后取整，便可将其从0～255转换为0～15。
进一步地，所述步骤32中灰度共生矩阵的提取方法为：
取图像上的任意一点(x，y)，设其灰度值为i，再取偏离它的另一点(x+a，y+b)，其灰度值为j，a和b为固定常数，两个点就组成一个像素对(i，j)，在图像上移动点(x，y)，可以得到不同的(i，j)；如果图像的灰度级数为G，则共有G2种(i，j)；灰度共生矩阵就是每一种(i，j)出现的频率p(x，y，j，θ)构成的k×k方阵；灰度共生矩阵的数学表达式为:
p(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)＝i；f(x+a,y+b)＝j]}
式中θ为生成方向，(x，y)表示图像中像素点的位置，f(x,y)表示像素点的灰度值。
进一步地，所述步骤32中特征值计算包括以下5个特征值：：
(1)角二阶矩，其定义为灰度共生矩阵元素值的平方和，能够反映图像纹理粗细度和灰度分布均匀程度；
(2)熵：为图像随机性灰度分布的信息量，是图像纹理复杂情况的表征；
(3)对比度：反映局部图像中变化测度；
(4)逆差矩：测量灰度图像的局部图像强度的均匀性；
(5)相关性：是图像中灰度值线性度的测度，表述共生矩阵中各行各列中灰度值之间的相似度。
进一步地，步骤41所述采用特征值对随机森林分类器进行训练优化，随机森林分类器的数学表达式为：
{h(x,βk),k＝1,2,…,ntree}
其中，h(x,βk)表示元分类器，是用分类回归树算法进行生成并且没有修剪的一种回归树，x表示输入向量，k是独立同分布的一个随机向量，决定了一个树的生成过程，n为正整数；随机森林的最终输出结果用单颗树的平均值来表示；选用投票的方式决定；随机森林的具体算法步骤如下：
(1)假设要生成的随机森林规模的大小为K；在训练样本集时通过袋装法，生成K个自助样本集；
(2)每一个自助样本集都用于构建一棵决策分类树，K个自助样本集就产生K个决策分类树；假设样本的特征数量为M，那么，一棵树的生长过程就表示为：在每颗树的每个内部节点处，从M个特征中随机挑选m个特征来作为候选特征，其中m<<M；根据节点不纯度最小原则，从这m个候选特征中选取一个最优特征以对节点进行分裂性生长；让每一棵分类树都充分生长直到其每个叶子节点的不纯度达到最小，这一过程不对树进行剪枝；
(3)根据构建好的多个分类回归树分类器，可以用其预测新的样本，新样本的分类结果可以根据每个树分类器的投票结果，最终用投票法来决定；每次抽样都生成一份自助的样本集；在全体样本中，约有37％的样本不会出现在任意一份自助样本集中，这些样本集被称为袋外数据；随机森林的训练结束后，其测试样本x经过每一颗树后到达某个叶子节点，那么，样本x属于分类标值c的概率为：
其中，T表示森林中随机树的数量，Pi(c|x)表示叶子节点的裂分布；对x类别的决策为下式：
进一步地，所述步骤3还包括：步骤33、生成特征图像，根据所述特征图像选取特征值。
本发明具有如下优点：一种基于机器视觉的大圆机织物疵点检测与分类方法，将图像处理与机器视觉技术应用到织物疵点检测中，通过训练使得计算机能够实现自动检测织物疵点，从而取代人工离线检测，以此来提高了纺织品的疵点检测速度和效率、以及产品的质量。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明的图像采集结构图；
图2本发明的原理框图；
图3本发明的流程简图；
其中：1—相机。
具体实施方式
本发明基于机器视觉的大圆机织物疵点检测与分类方法，包括：
步骤1、通过图像采集设备采集织物图像；
步骤2、取样本织物图像进行预处理，其包括：
步骤21、对织物图像进行直方图均衡化处理，得到增强图像；
步骤22、对增强后的织物图像进行自适应高斯滤波处理；
步骤3、对预处理后的图像进行灰度共生矩阵算法处理，其包括：
步骤31、对预处理后的图像灰度级量化；
步骤32、灰度共生矩阵提取，并进行特征值计算；
步骤33、生成特征图像；
步骤4、采用特征值对随机森林分类器进行训练优化，之后进行分类检测，其包括：步骤41采用特征值对随机森林分类器进行训练优化；
步骤42、采用优化后的随机森林分类器对织物图片进行分类检测。
优选的，所述步骤21进一步具体为：对织物图像大小进行尺寸调整和灰度化处理，调整尺寸为256×256；使用直方图均衡化算法对灰度图像进行直方图均衡化处理，得到增强图像。
优选的，所述步骤22进一步具体为：采用自适应高斯滤波算法对增强后的图像进行滤波处理，逐行扫描织物疵点图像，对每一个像素，以该像素作为中心，计算其周围区域R的统计特征，如果区域R的特征满足选定的噪声判据；根据选定模板计算邻域加权和作为该点响应；如果区域R的特征不满足选定的噪声判据，则不处理该点。
优选的，所述步骤31进一步具体为：对预处理后的图像灰度级量化到16级，将灰度值除以16后取整，便可将其从0～255转换为0～15。
优选的，所述步骤32中灰度共生矩阵的提取方法为：
取图像上的任意一点(x，y)，设其灰度值为i，再取偏离它的另一点(x+a，y+b)，其灰度值为j，a和b为固定常数，两个点就组成一个像素对(i，j)，在图像上移动点(x，y)，可以得到不同的(i，j)；如果图像的灰度级数为G，则共有G2种(i，j)；灰度共生矩阵就是每一种(i，j)出现的频率p(x，y，j，θ)构成的k×k方阵；灰度共生矩阵的数学表达式为:
p(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)＝i；f(x+a,y+b)＝j]}
式中θ为生成方向，(x，y)表示图像中像素点的位置，f(x,y)表示像素点的灰度值。
优选的，所述步骤32中特征值计算包括以下5个特征值：：
(1)角二阶矩，其定义为灰度共生矩阵元素值的平方和，能够反映图像纹理粗细度和灰度分布均匀程度；
(2)熵：为图像随机性灰度分布的信息量，是图像纹理复杂情况的表征；
(3)对比度：反映局部图像中变化测度；
(4)逆差矩：测量灰度图像的局部图像强度的均匀性；
(5)相关性：是图像中灰度值线性度的测度，表述共生矩阵中各行各列中灰度值之间的相似度。
优选的，步骤41所述采用特征值对随机森林分类器进行训练优化，随机森林分类器的数学表达式为：
{h(x,βk),k＝1,2,…,ntree}
其中，h(x,βk)表示元分类器，是用分类回归树算法进行生成并且没有修剪的一种回归树，x表示输入向量，k是独立同分布的一个随机向量，决定了一个树的生成过程，n为正整数；随机森林的最终输出结果用单颗树的平均值来表示；选用投票的方式决定；随机森林的具体算法步骤如下：
(1)假设要生成的随机森林规模的大小为K；在训练样本集时通过袋装法，生成K个自助样本集；
(2)每一个自助样本集都用于构建一棵决策分类树，K个自助样本集就产生K个决策分类树；假设样本的特征数量为M，那么，一棵树的生长过程就表示为：在每颗树的每个内部节点处，从M个特征中随机挑选m个特征来作为候选特征，其中m<<M；根据节点不纯度最小原则，从这m个候选特征中选取一个最优特征以对节点进行分裂性生长；让每一棵分类树都充分生长直到其每个叶子节点的不纯度达到最小，这一过程不对树进行剪枝；
(3)根据构建好的多个分类回归树分类器，可以用其预测新的样本，新样本的分类结果可以根据每个树分类器的投票结果，最终用投票法来决定；每次抽样都生成一份自助的样本集；在全体样本中，约有37％的样本不会出现在任意一份自助样本集中，这些样本集被称为袋外数据；随机森林的训练结束后，其测试样本x经过每一颗树后到达某个叶子节点，那么，样本x属于分类标值c的概率为：
其中，T表示森林中随机树的数量，Pi(c|x)表示叶子节点的裂分布；对x类别的决策为下式：
优选地，所述步骤3还包括：步骤33、生成特征图像，根据所述特征图像选取特征值。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照如图1至图3所示，一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于，包括以下步骤：
步骤1、数据采集，其包括：通过设置在大圆机内的图像采集设备，实时采集织物图像，并将该织物图像传输至与图像采集设备连接的工控机；
步骤2、图像预处理，其包括：
步骤21、对织物图像进行直方图均衡化处理，得到增强图像；
步骤22、对增强后的织物图像进行自适应高斯滤波处理；
步骤3、对图像进行灰度共生矩阵算法处理，其包括：
步骤31、织物疵点图像灰度级量化；
步骤32、共生矩阵提取与特征值计算；
步骤33、生成特征图像；
步骤4、采用特征值对随机森林分类器进行训练优化，及分类检测，其包括：步骤41、采用特征值对随机森林分类器进行训练优化；
步骤42、采用优化后的随机森林分类器对织物图片进行检测分类。
步骤21所述的图像预处理过程为：对样本图像大小进行尺寸调整和灰度化处理，调整尺寸为256×256；使用直方图均衡化算法对灰度图像进行图像增强操作
步骤22所述的图像滤波过程为：采用自适应高斯滤波算法对图像进行滤波处理，逐行扫描织物疵点图像，对每一个像素，以该像素作为中心，计算其周围区域R的统计特征，如最大值，最小值和方差σ等；如果区域R的特征满足选定的噪声判据；根据选定模板计算邻域加权和作为该点响应；高斯平滑滤波器的表达式为：
如果区域R的特征不满足选定的噪声判据，则不处理该点。
步骤31所述织物疵点图像灰度级量化的步骤具体为：对256级的织疵图像灰度级量化到16级，将灰度值除以16后取整，便可将其从0～255转换为0～15，从而降低灰度共生矩阵的大小。
步骤32所述灰度图像的基础上构建灰度共生矩阵的步骤具体为：
取图像上的任意一点(x，y)，设其灰度值为i，再取偏离它的另一点(x+a，y+b)，其灰度值为j，a和b为固定常数，两个点就组成一个像素对(i，j)。在图像上移动点(x，y)，可以得到不同的(i，j)；如果图像的灰度级数为G，则共有G2种(i，j)；灰度共生矩阵就是每一种(i，j)出现的频率p(x，y，j，θ)构成的k×k方阵；灰度共生矩阵的数学表达式为:
p(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)-i；f(x+a,y+b)＝j]}
式中一般取1；θ为生成方向，一般取0°，45°，90°，135°。
优选的，本发明步骤32所述采用以下5个比较常见的特征值来提取纹理的特征：
(1)角二阶矩(AngularSecondMoment,ASM)，其定义为灰度共生矩阵元素值的平方和，能够反映图像纹理粗细度和灰度分布均匀程度。其表达式为：
(2)熵：为图像随机性灰度分布的信息量，是图像纹理复杂情况的表征；图像的灰度越复杂，熵越大，图像中灰度越均匀，熵越小；
(3)对比度：反映局部图像中变化测度，图像中灰度值差别越大，则图像边缘也越锐利，对比度也就越大，典型的k＝2,λ＝1；
(4)逆差矩：测量灰度图像的局部图像强度的均匀性，如果局部均匀，逆差矩值较大；
(5)相关性：是图像中灰度值线性度的测度，表述共生矩阵中各行各列中灰度值之间的相似度；
其中是μx，μy均值，以及σx，σy是标准差。
步骤41所述采用特征值对随机森林分类器进行训练优化，随机森林分类器的数学表达式为：
{h(x,βk),k＝1,2,…,ntree}
其中，h(x,βk)表示元分类器，是用分类回归树算法进行生成并且没有修剪的一种回归树，x表示输入向量，k是独立同分布的一个随机向量，他决定了一个树的生成过程；随机森林的最终输出结果可用单颗树的平均值来表示；选用多数投票的方式决定；随机森林的具体算法步骤如下：
(1)假设要生成的随机森林规模的大小为K；在训练样本集时通过袋装法(Bagging)生成K个自助样本集；
(2)每一个自助样本集都用于构建一棵决策分类树，K个自助样本集就可以产生K个决策分类树；假设样本的特征数量为M，那么，一棵树的生长过程就可以表示为：在每颗树的每个内部节点处，从M个特征中随机挑选m个特征来作为候选特征(其中m<<M)；根据节点不纯度最小原则，从这m个候选特征中选取一个最优特征以对节点进行分裂性生长；让每一棵分类树都充分生长直到其每个叶子节点的不纯度达到最小，这一过程不对树进行剪枝；
(3)根据构建好的多个分类回归树分类器，可以用其预测新的样本，新样本的分类结果可以根据每个树分类器的投票结果，最终用简单的多数投票法来决定；每次抽样都生成一份自助的样本集；在全体样本中，约有37％的样本不会出现在任意一份自助样本集中，这些样本集被称为袋外数据(Out-Of-Bag,OOB)；随机森林的训练结束后，其测试样本x经过每一颗树后到达某个叶子节点，那么，样本x属于分类标值c的概率为：
其中，T表示森林中随机树的数量，Pi(c|x)表示叶子节点的裂分布；对x类别的决策为下式：
步骤42所述采用优化后的随机森林分类器对织物图片进行检测分类。
根据步骤41中计算的两个值判断疵点属于哪一类。检测疵点分类时，分类器已经训练优化完成了。随机森林分类器检测疵点步骤是：(1)灰度共生矩阵检测疵点特征值，(2)先人为的标定好这些特征值属于哪一类疵点的，将这些数据给随机森林分类器训练，让他知道哪些特征值对应哪些疵点，(3)训练优化后，就可以用来检测分类新的疵点了，这是就可以使用这个随机森林分类器了。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (8)

1.一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：包括：
步骤1、通过图像采集设备采集织物图像；
步骤2、取样本织物图像进行预处理，其包括：
步骤21、对织物图像进行直方图均衡化处理，得到增强图像；
步骤22、对增强后的织物图像进行自适应高斯滤波处理；
步骤3、对预处理后的图像进行灰度共生矩阵算法处理，其包括：
步骤31、对预处理后的图像灰度级量化；
步骤32、灰度共生矩阵提取，并进行特征值计算；
步骤4、采用特征值对随机森林分类器进行训练优化，之后进行分类检测，其包括：步骤41采用特征值对随机森林分类器进行训练优化；
步骤42、采用优化后的随机森林分类器对织物图片进行分类检测。
2.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤21进一步具体为：对织物图像大小进行尺寸调整和灰度化处理，调整尺寸为256×256；使用直方图均衡化算法对灰度图像进行直方图均衡化处理，得到增强图像。
3.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤22进一步具体为：采用自适应高斯滤波算法对增强后的图像进行滤波处理，逐行扫描织物疵点图像，对每一个像素，以该像素作为中心，计算其周围区域R的统计特征，如果区域R的特征满足选定的噪声判据；根据选定模板计算邻域加权和作为该点响应；如果区域R的特征不满足选定的噪声判据，则不处理该点。
4.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤31进一步具体为：对预处理后的图像灰度级量化到16级，将灰度值除以16后取整，便可将其从0～255转换为0～15。
5.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤32中灰度共生矩阵的提取方法为：
取图像上的任意一点(x，y)，设其灰度值为i，再取偏离它的另一点(x+a，y+b)，其灰度值为j，a和b为固定常数，两个点就组成一个像素对(i，j)，在图像上移动点(x，y)，可以得到不同的(i，j)；如果图像的灰度级数为G，则共有G2种(i，j)；灰度共生矩阵就是每一种(i，j)出现的频率p(x，y，j，θ)构成的k×k方阵；灰度共生矩阵的数学表达式为:
p(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)＝i；f(x+a,y+b)＝j]}
式中θ为生成方向，(x，y)表示图像中像素点的位置，f(x,y)表示像素点的灰度值。
6.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤32中特征值计算包括以下5个特征值：
(1)角二阶矩，其定义为灰度共生矩阵元素值的平方和，能够反映图像纹理粗细度和灰度分布均匀程度；
(2)熵：为图像随机性灰度分布的信息量，是图像纹理复杂情况的表征；
(3)对比度：反映局部图像中变化测度；
(4)逆差矩：测量灰度图像的局部图像强度的均匀性；
(5)相关性：是图像中灰度值线性度的测度，表述共生矩阵中各行各列中灰度值之间的相似度。
7.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：步骤41进一步具体为：所述采用特征值对随机森林分类器进行训练优化，随机森林分类器的数学表达式为：
{h(x,βk),k＝1,2,…,n}
其中，h(x,βk)表示元分类器，是用分类回归树算法进行生成并且没有修剪的一种回归树，x表示输入向量，k是独立同分布的一个随机向量，决定了一个树的生成过程，n为正整数；随机森林的最终输出结果用单颗树的平均值来表示；选用投票的方式决定；随机森林的具体算法步骤如下：
(1)假设要生成的随机森林规模的大小为K；在训练样本集时通过袋装法，生成K个自助样本集；
(2)每一个自助样本集都用于构建一棵决策分类树，K个自助样本集就产生K个决策分类树；假设样本的特征数量为M，那么，一棵树的生长过程就表示为：在每颗树的每个内部节点处，从M个特征中随机挑选m个特征来作为候选特征，其中m<<M；根据节点不纯度最小原则，从这m个候选特征中选取一个最优特征以对节点进行分裂性生长；让每一棵分类树都充分生长直到其每个叶子节点的不纯度达到最小，这一过程不对树进行剪枝；
(3)根据构建好的多个分类回归树分类器，可以用其预测新的样本，新样本的分类结果可以根据每个树分类器的投票结果，最终用投票法来决定；每次抽样都生成一份自助的样本集；在全体样本中，约有37％的样本不会出现在任意一份自助样本集中，这些样本集被称为袋外数据；随机森林的训练结束后，其测试样本x经过每一颗树后到达某个叶子节点，那么，样本x属于分类标值c的概率为：
其中，T表示森林中随机树的数量，Pi(c|x)表示叶子节点的裂分布；对x类别的决策为下式：
8.根据权利要求1所述的一种基于机器视觉的大圆机织物疵点检测与分类方法，其特征在于：所述步骤3还包括：步骤33、生成特征图像，根据所述特征图像选取特征值。
CN201910421831.9A 2019-05-21 2019-05-21 一种基于机器视觉的大圆机织物疵点检测与分类方法 Pending CN110188806A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910421831.9A CN110188806A (zh) 2019-05-21 2019-05-21 一种基于机器视觉的大圆机织物疵点检测与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910421831.9A CN110188806A (zh) 2019-05-21 2019-05-21 一种基于机器视觉的大圆机织物疵点检测与分类方法

Publications (1)

Publication Number Publication Date
CN110188806A true CN110188806A (zh) 2019-08-30

Family

ID=67716962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910421831.9A Pending CN110188806A (zh) 2019-05-21 2019-05-21 一种基于机器视觉的大圆机织物疵点检测与分类方法

Country Status (1)

Country Link
CN (1) CN110188806A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838113A (zh) * 2019-11-08 2020-02-25 南京大学金陵学院 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法
CN111337506A (zh) * 2020-03-30 2020-06-26 河南科技学院 一种用于服装品质检验的智能装置
CN111595237A (zh) * 2020-05-13 2020-08-28 广西大学 一种基于机器视觉的织物尺寸测量分布式系统及方法
CN111709915A (zh) * 2020-05-28 2020-09-25 拉萨经济技术开发区美第意户外用品有限公司 一种速干面料瑕疵的自动检测方法及系统
CN111862069A (zh) * 2020-07-28 2020-10-30 江南大学 一种基于灰度梯度法的圆纬编横条疵点在线检测方法
CN114913512A (zh) * 2022-07-15 2022-08-16 南通浩盛汽车科技有限公司 基于计算机视觉的汽车座椅皮革分类方法、装置及系统
EP4083287A1 (en) 2021-04-28 2022-11-02 Pai Lung Machinery Mill Co., Ltd. Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface condition of fabric
US11739450B2 (en) 2021-04-28 2023-08-29 Pai Lung Machinery Mill Co., Ltd. Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface status of fabric

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292827A (zh) * 2016-04-03 2017-10-24 郭正 一种自适应高斯滤波方法
CN107330892A (zh) * 2017-07-24 2017-11-07 内蒙古工业大学 一种基于随机森林法的向日葵病害识别方法
CN107958450A (zh) * 2017-12-15 2018-04-24 武汉大学 基于自适应高斯滤波的全色多光谱影像融合方法及系统
CN108428231A (zh) * 2018-03-19 2018-08-21 南京信息工程大学 一种基于随机森林的多参数零件表面粗糙度学习方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292827A (zh) * 2016-04-03 2017-10-24 郭正 一种自适应高斯滤波方法
CN107330892A (zh) * 2017-07-24 2017-11-07 内蒙古工业大学 一种基于随机森林法的向日葵病害识别方法
CN107958450A (zh) * 2017-12-15 2018-04-24 武汉大学 基于自适应高斯滤波的全色多光谱影像融合方法及系统
CN108428231A (zh) * 2018-03-19 2018-08-21 南京信息工程大学 一种基于随机森林的多参数零件表面粗糙度学习方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴哲等: "基于灰度共生矩阵特征图像的织物疵点检测方法", 《图像与多媒体》 *
张丹丹: "基于SVM及RF的CNN分类模型及其在人脸检测中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
张舞杰等: "基于改进RANSAC 算法的 PCB 板定位方法的研究", 《机床与液压》 *
李倩倩: "基于机器视觉的玻璃边缘缺陷检测的方法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
毕明德等: "基于机器视觉的布匹疵点检测系统", 《仪表技术与传感器》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838113A (zh) * 2019-11-08 2020-02-25 南京大学金陵学院 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法
CN110838113B (zh) * 2019-11-08 2022-03-04 南京大学金陵学院 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法
CN111337506A (zh) * 2020-03-30 2020-06-26 河南科技学院 一种用于服装品质检验的智能装置
CN111595237A (zh) * 2020-05-13 2020-08-28 广西大学 一种基于机器视觉的织物尺寸测量分布式系统及方法
CN111709915A (zh) * 2020-05-28 2020-09-25 拉萨经济技术开发区美第意户外用品有限公司 一种速干面料瑕疵的自动检测方法及系统
CN111862069A (zh) * 2020-07-28 2020-10-30 江南大学 一种基于灰度梯度法的圆纬编横条疵点在线检测方法
CN111862069B (zh) * 2020-07-28 2024-05-28 江南大学 一种基于灰度梯度法的圆纬编横条疵点在线检测方法
EP4083287A1 (en) 2021-04-28 2022-11-02 Pai Lung Machinery Mill Co., Ltd. Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface condition of fabric
US11739450B2 (en) 2021-04-28 2023-08-29 Pai Lung Machinery Mill Co., Ltd. Circular knitting machine for prompting knitting machine status instantaneously based on cloth surface status of fabric
CN114913512A (zh) * 2022-07-15 2022-08-16 南通浩盛汽车科技有限公司 基于计算机视觉的汽车座椅皮革分类方法、装置及系统
CN114913512B (zh) * 2022-07-15 2022-09-23 南通浩盛汽车科技有限公司 基于计算机视觉的汽车座椅皮革分类方法、装置及系统

Similar Documents

Publication Publication Date Title
CN110188806A (zh) 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN110097543B (zh) 基于生成式对抗网络的热轧带钢表面缺陷检测方法
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
Chen et al. Segmentation of fingerprint images using linear classifier
CN109325550B (zh) 基于图像熵的无参考图像质量评价方法
CN101059425A (zh) 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置
CN105427275B (zh) 大田环境麦穗计数方法及装置
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN105760877A (zh) 一种基于灰度共生矩阵模型的羊毛羊绒识别算法
CN109934287A (zh) 一种基于lbp与glcm的服装纹理识别分类方法
CN106530288A (zh) 基于深度学习算法的织物疵点检测方法
CN116363127B (zh) 基于图像处理的全降解塑料制品质量检测方法
CN108764312A (zh) 基于ds优化多指标大坝缺陷图像检测方法
Chen et al. Evaluating fabric pilling with light-projected image analysis
CN104268587B (zh) 一种基于指波变换和svm的假指纹检测方法
CN201041547Y (zh) 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置
Shabir et al. Tyre defect detection based on GLCM and Gabor filter
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN206897873U (zh) 一种基于检测产品特性的图像处理与检测系统
Guan et al. Defect detection and classification for plain woven fabric based on deep learning
CN115841600B (zh) 基于深度学习的甘薯外观品质分类方法
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
CN108596249B (zh) 图像特征提取及分类的方法和装置
Jeffrey Kuo et al. Self-organizing map network for automatically recognizing color texture fabric nature
CN113160166B (zh) 通过卷积神经网络模型进行医学影像数据挖掘工作方法

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: 20190830

RJ01 Rejection of invention patent application after publication