CN110298835B - 一种皮革表面破损检测方法、系统及相关装置 - Google Patents
一种皮革表面破损检测方法、系统及相关装置 Download PDFInfo
- Publication number
- CN110298835B CN110298835B CN201910590713.0A CN201910590713A CN110298835B CN 110298835 B CN110298835 B CN 110298835B CN 201910590713 A CN201910590713 A CN 201910590713A CN 110298835 B CN110298835 B CN 110298835B
- Authority
- CN
- China
- Prior art keywords
- image
- leather
- feature map
- saliency
- damaged
- 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
- 239000010985 leather Substances 0.000 title claims abstract description 189
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims description 34
- 230000003044 adaptive effect Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 108091006146 Channels Proteins 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 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
- 230000035876 healing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请所提供的一种皮革表面破损检测方法，包括：获取分辨率达到预设分辨率阈值的皮革破损图像；利用预设目标显著性模型对皮革破损图像进行提取处理，得到皮革显著图像；其中，预设目标显著性模型是各种显著性模型中秩序相关系数均值最高的显著性模型；利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像；利用二值图像确定皮革破损图像中的破损区域。可见，该方法能够更加准确地检测出所有皮革破损区域，且不受皮革纹理干扰，抗噪性强。本申请还提供一种皮革表面破损检测系统、设备及计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本申请涉及皮革表面破损检测领域，特别涉及一种皮革表面破损检测方法、系统、设备及计算机可读存储介质。
背景技术
随着经济的发展，人们的经济生活水平的提高，皮革产品在人们生活中的使用也越来越广泛，并且人们对于皮革产品的质量也越来越高。皮革产品在生产过程中，半成品皮革的表面不可避免的会留下小部分各式各样的破损，因此在排样前必须检测和定位破损，从而使生产样本的排放和切割避开破损。我国皮革产品长期以来主要依靠人工对皮革表面的破损进行检测以及定位，识别结果容易受到多种外在因素的影响。目前，皮革自动检测方面检测算法大多针对皮革图像局部单个破损区域，对多个破损区域检测效果并不理想。
在皮革的表面破损检测与定位方面，国内外研究人员提出了不同的方法对皮革表面破损进行检测。由于皮革图像的特殊性，传统的检测方法对皮革破损检测难以得到预期的结果，具有各自限定条件。基于阈值分割与聚类的分割方法在不明显破损检测中容易将皮革纹理与破损区域混淆，无法准确分割出破损部分；基于灰度直方图的X2准则的方法容易受灰度空间分布影响，无法应对光照不均影响；基于边沿的分割方法只能在一定程度上检测明显的破损边沿轮廓，且基于边沿的分割方法抗干扰性差，分割结果通常受皮革表面光照不均的干扰；基于小波重构与基于Gabor Filter的检测方法容易忽略较小的破损区域。使用显著性模型进行皮革破损检测方面，基于全局对比的显著性模型在检测较大的破损区域时，通常会在破损的边缘部分产生较高显著性而中心区域的显著性低的情况；而基于局部对比方法则会将正常纹理计算出高显著性，形成噪声，影响检测结果。综上，传统的皮革表面破损检测方法难以准确地检测出所有皮革破损区域。
因此，如何能够更加准确地检测出所有皮革破损区域是本领域技术人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种皮革表面破损检测方法、系统、设备及计算机可读存储介质，能够更加准确地检测出所有皮革破损区域。
为解决上述技术问题，本申请提供一种皮革表面破损检测方法，包括：
获取分辨率达到预设分辨率阈值的皮革破损图像；
利用预设目标显著性模型对所述皮革破损图像进行提取处理，得到皮革显著图像；其中，所述预设目标显著性模型是各种显著性模型中秩序相关系数均值最高的显著性模型；
利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像；
利用所述二值图像确定所述皮革破损图像中的破损区域。
优选地，所述利用预设目标显著性模型对所述皮革破损图像进行提取处理，得到皮革显著图像，包括:
利用参考图像和失真图像分别计算各种所述显著性模型对应的秩序相关系数，并将所述秩序相关系数均值最高的GBVS显著性模型确定为所述预设目标显著性模型；
利用所述GBVS显著性模型对所述皮革破损图像进行提取处理，得到所述皮革显著图像。
优选地，所述利用所述GBVS显著性模型对所述皮革破损图像进行提取处理，得到所述皮革显著图像，包括：
依次对所述皮革破损图像进行降采样处理和跨尺度减差处理，得到特征图；
构建所述特征图的马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的激活图像；
对所述激活图像进行线性融合处理，得到所述皮革显著图像。
优选地，所述依次对所述皮革破损图像进行降采样处理和跨尺度减差处理，得到特征图，包括：
利用高斯滤波器对所述皮革破损图像进行降采样处理，分别得到九个尺度下的三通道图像；
在构建高斯金字塔后，利用领域差值与归一化操作对不同尺度下的所述三通道图像进行所述跨尺度减差处理，得到所述特征图；其中，所述特征图包括颜色特征图、亮度特征图及方向特征图。
优选地，所述构建所述特征图的马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的激活图像，包括：
分别构建所述颜色特征图、所述亮度特征图及所述方向特征图的所述马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的颜色激活图像、亮度激活图像及方向激活图像。
优选地，所述对所述激活图像进行线性融合处理，得到所述皮革显著图像，包括：
分别对所述颜色激活图像、所述亮度激活图像及所述方向激活图像进行归一化处理，得到对应的颜色单一激活图像、亮度单一激活图像及方向单一激活图像；
将所述颜色单一激活图像、所述亮度单一激活图像及所述方向单一激活图像进行线性融合处理，得到所述皮革显著图像。
优选地，所述利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像，包括：
确定所述自适应阈值法的自适应阈值为所述皮革显著图像的三倍平均灰度值；
利用所述自适应阈值法对所述皮革显著图像进行二值化分割处理，得到所述二值图像。
本申请还提供一种皮革表面破损检测系统，包括：
皮革破损图像获取模块，用于获取分辨率达到预设分辨率阈值的皮革破损图像；
皮革显著图像获取模块，用于利用预设目标显著性模型对所述皮革破损图像进行提取处理，得到皮革显著图像；其中，所述预设目标显著性模型是各种显著性模型中秩序相关系数均值最高的显著性模型；
二值图像获取模块，用于利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像；
破损区域确定模块，用于利用所述二值图像确定所述皮革破损图像中的破损区域。
本申请还提供一种设备，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的皮革表面破损检测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的皮革表面破损检测方法的步骤。
本申请所提供的一种皮革表面破损检测方法，包括：获取分辨率达到预设分辨率阈值的皮革破损图像；利用预设目标显著性模型对所述皮革破损图像进行提取处理，得到皮革显著图像；其中，所述预设目标显著性模型是各种显著性模型中秩序相关系数均值最高的显著性模型；利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像；利用所述二值图像确定所述皮革破损图像中的破损区域。
该方法将秩序相关系数均值最高的显著性模型作为预设目标显著性模型，并利用该预设目标显著性模型进行提取处理，得到皮革显著图像；再利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像；最后利用所述二值图像确定所述皮革破损图像中的破损区域。可见，该方法能够更加准确地检测出所有皮革破损区域，且不受皮革纹理干扰，抗噪性强。本申请还提供一种皮革表面破损检测系统、设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种皮革表面破损检测方法流程图；
图2为本申请实施例所提供的一种皮革表面破损检测系统的结构框图。
具体实施方式
本申请的核心是提供一种皮革表面破损检测方法，能够更加准确地检测出所有皮革破损区域。本申请的另一核心是提供一种皮革表面破损检测系统、设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在皮革的表面破损检测与定位方面，国内外研究人员提出了不同的方法对皮革表面破损进行检测。由于皮革图像的特殊性，传统的检测方法对皮革破损检测难以得到预期的结果，具有各自限定条件。基于阈值分割与聚类的分割方法在不明显破损检测中容易将皮革纹理与破损区域混淆，无法准确分割出破损部分；基于灰度直方图的X2准则的方法容易受灰度空间分布影响，无法应对光照不均影响；基于边沿的分割方法只能在一定程度上检测明显的破损边沿轮廓，且基于边沿的分割方法抗干扰性差，分割结果通常受皮革表面光照不均的干扰；基于小波重构与基于Gabor Filter的检测方法容易忽略较小的破损区域。使用显著性模型进行皮革破损检测方面，基于全局对比的显著性模型在检测较大的破损区域时，通常会在破损的边缘部分产生较高显著性而中心区域的显著性低的情况；而基于局部对比方法则会将正常纹理计算出高显著性，形成噪声，影响检测结果。综上，传统的皮革表面破损检测方法难以准确地检测出所有皮革破损区域。本申请提供的皮革表面破损检测方法，能够更加准确地检测出所有皮革破损区域，且不受皮革纹理干扰，抗噪性强。具体请参考图1，图1为本申请实施例所提供的一种皮革表面破损检测方法流程图，该皮革表面破损检测方法具体包括：
S101、获取分辨率达到预设分辨率阈值的皮革破损图像；
本申请先是获取分辨率达到预设分辨率阈值的皮革破损图像，在此对预设分辨率阈值不作具体限定，应由本领域技术人员根据实际情况作出相应的设定，通常设定预设分辨率阈值为高清图像的分辨率，即获取的皮革破损图像为高清图像，并通常预设皮革破损图像大小为M×N。在此对皮革破损图像中皮革破损状况不作具体限定，例如划痕、烂面、破洞、菌伤、愈合伤等。
S102、利用预设目标显著性模型对皮革破损图像进行提取处理，得到皮革显著图像；其中，预设目标显著性模型是各种显著性模型中秩序相关系数均值最高的显著性模型；
本申请实施例中使用秩序相关系数(SROCC)衡量显著性模型的性能，在此对显著性模型的种类不作具体限定，通常包括：Itti、GBVS、AIM、SR、HFT、PQFT、SDSP等。
进一步地，上述利用预设目标显著性模型对皮革破损图像进行提取处理，得到皮革显著图像，通常包括:利用参考图像和失真图像分别计算各种显著性模型对应的秩序相关系数，并将秩序相关系数均值最高的GBVS显著性模型确定为预设目标显著性模型；利用GBVS显著性模型对皮革破损图像进行提取处理，得到皮革显著图像。具体地，本实施例对Itti、GBVS、AIM、SR、HFT、PQFT、SDSP等7个经典显著性模型进行参数评价，选取TID2013数据集中10张参考图像以及200张受高斯噪声、高斯模糊、色差、色彩和饱和度变换的失真图像，其中包括每种类型的5种失真水平的失真图像。SROCC衡量的是原图与退化后图像的显著图相关性，SROCC越高则表明原图与退化图像的显著图的相关性越高，即对应的显著性模型规避噪声等退化影响最好，详细的各个模型的SROCC值如表1所示，表1为不同显著性模型的SROCC均值。
表1不同显著性模型的SROCC均值
由表1可知，GBVS显著性模型在受高斯噪声、高斯模糊、色差、色彩和饱和度变换等情况影响下的SROCC值最大，说明该显著性模型在以上指标当中规避图像退化因素影响的性能最强，本实施例选取GBVS显著性模型提取皮革破损图像的显著性区域。
进一步地，上述利用GBVS显著性模型对皮革破损图像进行提取处理，得到皮革显著图像，通常包括：依次对皮革破损图像进行降采样处理和跨尺度减差处理，得到特征图；构建特征图的马尔科夫链，并通过马尔科夫链的平衡分布得到对应的激活图像；对激活图像进行线性融合处理，得到皮革显著图像。
进一步地，上述依次对皮革破损图像进行降采样处理和跨尺度减差处理，得到特征图，通常包括：利用高斯滤波器对皮革破损图像进行降采样处理，分别得到九个尺度下的三通道图像；在构建高斯金字塔后，利用领域差值与归一化操作对不同尺度下的三通道图像进行跨尺度减差处理，得到特征图；其中，特征图包括颜色特征图、亮度特征图及方向特征图。具体地，先是将皮革破损图像的三个通道r，g和b分别执行高斯降采样，从而获得九个尺度下的三通道图像，其大小为输入图像的1/2至1/256。然后，构建高斯金字塔，对于金字塔的每个层，提取亮度I，红色R，绿色G，蓝色B和黄色Y等特征。亮度和颜色特征由如下公式(1)-(5)所示：
I＝(r+g+b)/3 (1)
R＝r-(g+b)/2 (2)
G＝g-(r+b)/2 (3)
B＝b-(r+g)/2 (4)
Y＝r+g-2(|r-g|+b) (5)
其中r，g和b分别代表输入图像的红色，绿色和蓝色的三个分量。
接着使用Gabor滤波器构建方向金字塔，在获得亮度、颜色和方向高斯金字塔后，使用领域差值与归一化操作(Center-surround differences and Normalizaton)计算对应的特征图。计算公式如(6)-(9)所示为：
I(c,s)＝|I(c)ΘI(s)| (6)
RG(c,s)＝|(R(c)-G(c))Θ(G(s)-R(s))| (7)
BY(c,s)＝|(B(c)-Y(c))Θ(Y(s)-B(s))| (8)
O(c,s,θ)＝|O(c,θ)ΘO(s,θ)| (9)
其中，s，c，δ为尺度，且s＝c+δ，c∈{2,3,4}，δ∈{3,4}。运算符Θ表示将两个图像的大小调整到一致之后做矩阵减法操作，I表示亮度特征图，RG和BY表示颜色特征图，O表示方向特征图。
进一步地，上述构建特征图的马尔科夫链，并通过马尔科夫链的平衡分布得到对应的激活图像，通常包括：分别构建颜色特征图、亮度特征图及方向特征图的马尔科夫链，并通过马尔科夫链的平衡分布得到对应的颜色激活图像、亮度激活图像及方向激活图像。具体地，对于一幅特征图，以图中的每一个像素点作为图中的节点，任意两个节点之间的边代表两个节点之间的差异性，根据像素点之间的相似性和像素点位置间的距离(欧几里德距离)作为连接权值，建立一个全连通的有向图，对于图中节点到节点的连接权重用以下公式(10)进行定义：
公式(10)中，d((i,j)||(p,q))表示节点(i,j)与节点(p,q)所表示的像素值M(i,j)与M(p,q)之间的差异性程度，其具体衡量公式为：
公式(10)中，F(i-p,j-q)表示为节点(i,j)和节点(p,q)位置间的欧式距离。
综上，给定一幅特征图，使其被转化为一幅有向全连接图并定义连接权重，将特征图的节点视为马尔可夫链中的状态，边权重代表转移概率，对概率转移矩阵进行多次迭代，直到马尔可夫链达到平稳分布。最后找到马尔可夫矩阵的主特征向量，主特征向量是主特征值对应的向量，矩阵的多个特征值中模最大的特征值叫主特征值，对应图像的显著节点。通过将主特征向量排列成两维形式，就可获得激活图像。
进一步地，上述对激活图像进行线性融合处理，得到皮革显著图像，通常包括：分别对颜色激活图像、亮度激活图像及方向激活图像进行归一化处理，得到对应的颜色单一激活图像、亮度单一激活图像及方向单一激活图像；将颜色单一激活图像、亮度单一激活图像及方向单一激活图像进行线性融合处理，得到皮革显著图像。具体地，在获得特征图的激活图像后，再将各类特征通道的激活图像调至同一尺度后相加，归一化后得到亮度，颜色和方向特征通道的单一激活图像。最后，融合亮度，颜色和方向特征通道激活图以获得皮革显著图像，其可由公式(12)所示。
S＝(N(I)+N(C)+N(O))/3 (12)
其中，N(I)，N(C)，N(O)分别表示亮度，颜色和方向特征通道的激活图像。
S103、利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像；
本申请实施例在得到皮革显著性图像后，利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像。在此对自适应阈值法的自适应阈值不作具体限定，应由本领域技术人员根据实际情况作出相应的设定。
进一步地，上述利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像，通常包括：确定自适应阈值法的自适应阈值为皮革显著图像的三倍平均灰度值；利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像。具体地，为了能够检测皮革图像的多个破损区域，本申请实施例对自适应分割阈值定义为:
其中，S(x,y)为所得的皮革显著图像，T表示自适应阈值，H(x,y)为自适应阈值分割后的二值图像。结合皮革图像特性，自适应阈值T为皮革显著图像的3倍平均灰度值，即3E(S(x,y))，其中
S104、利用二值图像确定皮革破损图像中的破损区域。
本申请实施例通过检测所得的二值图像在原图的相应位置上进行破损的标记与定位，二值图像的白色区域对应于皮革破损图像中的破损区域。
本申请将秩序相关系数均值最高的显著性模型作为预设目标显著性模型，并利用该预设目标显著性模型进行提取处理，得到皮革显著图像；再利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像；最后利用二值图像确定皮革破损图像中的破损区域。可见，该方法能够更加准确地检测出所有皮革破损区域，且不受皮革纹理干扰，抗噪性强。
下面对本申请实施例提供的一种皮革表面破损检测系统、设备及计算机可读存储介质进行介绍，下文描述的皮革表面破损检测系统、设备及计算机可读存储介质与上文描述的皮革表面破损检测方法可相互对应参照。
请参考图2，图2为本申请实施例所提供的一种皮革表面破损检测系统的结构框图；该皮革表面破损检测系统包括：
皮革破损图像获取模块201，用于获取分辨率达到预设分辨率阈值的皮革破损图像；
皮革显著图像获取模块202，用于利用预设目标显著性模型对皮革破损图像进行提取处理，得到皮革显著图像；其中，预设目标显著性模型是各种显著性模型中秩序相关系数均值最高的显著性模型；
二值图像获取模块203，用于利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像；
破损区域确定模块204，用于利用二值图像确定皮革破损图像中的破损区域。
基于上述实施例，本实施例中皮革显著图像获取模块202，通常包括:
预设目标显著性模型确定子模块，用于利用参考图像和失真图像分别计算各种显著性模型对应的秩序相关系数，并将秩序相关系数均值最高的GBVS显著性模型确定为预设目标显著性模型；
皮革显著图像获取子模块，用于利用GBVS显著性模型对皮革破损图像进行提取处理，得到皮革显著图像。
基于上述实施例，本实施例中皮革显著图像获取子模块，通常包括：
特征图获取单元，用于依次对皮革破损图像进行降采样处理和跨尺度减差处理，得到特征图；
激活图像获取单元，用于构建特征图的马尔科夫链，并通过马尔科夫链的平衡分布得到对应的激活图像；
皮革显著图像获取单元，用于对激活图像进行线性融合处理，得到皮革显著图像。
基于上述实施例，本实施例中特征图获取单元，通常包括：
三通道图像获取子单元，用于利用高斯滤波器对皮革破损图像进行降采样处理，分别得到九个尺度下的三通道图像；
特征图获取子单元，用于在构建高斯金字塔后，利用领域差值与归一化操作对不同尺度下的三通道图像进行跨尺度减差处理，得到特征图；其中，特征图包括颜色特征图、亮度特征图及方向特征图。
基于上述实施例，本实施例中激活图像获取单元，通常包括：
激活图像获取子单元，用于分别构建颜色特征图、亮度特征图及方向特征图的马尔科夫链，并通过马尔科夫链的平衡分布得到对应的颜色激活图像、亮度激活图像及方向激活图像。
基于上述实施例，本实施例中皮革显著图像获取单元，通常包括：
单一激活图像获取子单元，用于分别对颜色激活图像、亮度激活图像及方向激活图像进行归一化处理，得到对应的颜色单一激活图像、亮度单一激活图像及方向单一激活图像；
皮革显著图像获取子单元，用于将颜色单一激活图像、亮度单一激活图像及方向单一激活图像进行线性融合处理，得到皮革显著图像。
基于上述实施例，本实施例中二值图像获取模块203，通常包括：
自适应阈值确定子模块，用于确定自适应阈值法的自适应阈值为皮革显著图像的三倍平均灰度值；
二值图像获取子模块，用于利用自适应阈值法对皮革显著图像进行二值化分割处理，得到二值图像。
本申请还提供一种设备，包括：存储器和处理器；其中，存储器用于存储计算机程序，处理器用于执行计算机程序时实现上述任意实施例的皮革表面破损检测方法的步骤。
本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例的皮革表面破损检测方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种皮革表面破损检测方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (7)
1.一种皮革表面破损检测方法，其特征在于，包括：
获取分辨率达到预设分辨率阈值的皮革破损图像；
利用预设目标显著性模型对所述皮革破损图像进行提取处理，得到皮革显著图像；其中，利用参考图像和失真图像分别计算各种显著性模型对应的秩序相关系数，并将所述秩序相关系数均值最高的GBVS显著性模型确定为所述预设目标显著性模型；利用高斯滤波器对所述皮革破损图像进行降采样处理，分别得到九个尺度下的三通道图像；在构建高斯金字塔后，利用领域差值与归一化操作对不同尺度下的所述三通道图像进行跨尺度减差处理，得到特征图；其中，所述特征图包括颜色特征图、亮度特征图及方向特征图；构建所述特征图的马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的激活图像；对所述激活图像进行线性融合处理，得到所述皮革显著图像；
利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像；
利用所述二值图像在原图的相应位置上进行破损的标记与定位，所述二值图像的白色区域对应于所述皮革破损图像中的破损区域。
2.根据权利要求1所述的皮革表面破损检测方法，其特征在于，所述构建所述特征图的马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的激活图像，包括：
分别构建所述颜色特征图、所述亮度特征图及所述方向特征图的所述马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的颜色激活图像、亮度激活图像及方向激活图像。
3.根据权利要求2所述的皮革表面破损检测方法，其特征在于，所述对所述激活图像进行线性融合处理，得到所述皮革显著图像，包括：
分别对所述颜色激活图像、所述亮度激活图像及所述方向激活图像进行归一化处理，得到对应的颜色单一激活图像、亮度单一激活图像及方向单一激活图像；
将所述颜色单一激活图像、所述亮度单一激活图像及所述方向单一激活图像进行线性融合处理，得到所述皮革显著图像。
4.根据权利要求3所述的皮革表面破损检测方法，其特征在于，所述利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像，包括：
确定所述自适应阈值法的自适应阈值为所述皮革显著图像的三倍平均灰度值；
利用所述自适应阈值法对所述皮革显著图像进行所述二值化分割处理，得到所述二值图像。
5.一种皮革表面破损检测系统，其特征在于，包括：
皮革破损图像获取模块，用于获取分辨率达到预设分辨率阈值的皮革破损图像；
皮革显著图像获取模块，用于利用预设目标显著性模型对所述皮革破损图像进行提取处理，得到皮革显著图像；其中，包括预设目标显著性模型确定子模块，用于利用参考图像和失真图像分别计算各种显著性模型对应的秩序相关系数，并将所述秩序相关系数均值最高的GBVS显著性模型确定为所述预设目标显著性模型；三通道图像获取子单元，用于利用高斯滤波器对所述皮革破损图像进行降采样处理，分别得到九个尺度下的三通道图像；特征图获取子单元，用于在构建高斯金字塔后，利用领域差值与归一化操作对不同尺度下的所述三通道图像进行跨尺度减差处理，得到特征图；其中，所述特征图包括颜色特征图、亮度特征图及方向特征图；激活图像获取单元，用于构建所述特征图的马尔科夫链，并通过所述马尔科夫链的平衡分布得到对应的激活图像；皮革显著图像获取单元，用于对所述激活图像进行线性融合处理，得到所述皮革显著图像；
二值图像获取模块，用于利用自适应阈值法对所述皮革显著图像进行二值化分割处理，得到二值图像；
破损区域确定模块，用于利用所述二值图像在原图的相应位置上进行破损的标记与定位，所述二值图像的白色区域对应于所述皮革破损图像中的破损区域。
6.一种设备，其特征在于，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现如权利要求1至4任一项所述的皮革表面破损检测方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的皮革表面破损检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910590713.0A CN110298835B (zh) | 2019-07-02 | 2019-07-02 | 一种皮革表面破损检测方法、系统及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910590713.0A CN110298835B (zh) | 2019-07-02 | 2019-07-02 | 一种皮革表面破损检测方法、系统及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110298835A CN110298835A (zh) | 2019-10-01 |
| CN110298835B true CN110298835B (zh) | 2023-07-18 |
Family
ID=68029958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910590713.0A Active CN110298835B (zh) | 2019-07-02 | 2019-07-02 | 一种皮革表面破损检测方法、系统及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298835B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582034A (zh) * | 2020-04-07 | 2020-08-25 | 北京旋极信息技术股份有限公司 | 一种景物特征提取方法和设备 |
| EP3916673A1 (en) * | 2020-05-26 | 2021-12-01 | Airbus (S.A.S.) | Method for determining striation properties of fatigue striations and for determining the presence of fatigue damage |
| CN111950230B (zh) * | 2020-08-20 | 2023-08-01 | 广东工业大学 | 一种柔性材料智能连续加工控制方法及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997029368A1 (en) * | 1996-02-09 | 1997-08-14 | Unisearch Limited | Visual inspection system for leather hide |
| CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
| CN107607546A (zh) * | 2017-09-19 | 2018-01-19 | 佛山缔乐视觉科技有限公司 | 基于光度立体视觉的皮革缺陷检测方法、系统及装置 |
| CN107845086A (zh) * | 2017-09-19 | 2018-03-27 | 佛山缔乐视觉科技有限公司 | 一种皮革表面显著性缺陷的检测方法、系统及装置 |
| CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
| CN109544583A (zh) * | 2018-11-23 | 2019-03-29 | 广东工业大学 | 一种提取皮革图像感兴趣区域的方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10198654B2 (en) * | 2016-06-24 | 2019-02-05 | Ebay Inc. | Automated saliency map estimation |
-
2019
- 2019-07-02 CN CN201910590713.0A patent/CN110298835B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997029368A1 (en) * | 1996-02-09 | 1997-08-14 | Unisearch Limited | Visual inspection system for leather hide |
| CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
| CN107607546A (zh) * | 2017-09-19 | 2018-01-19 | 佛山缔乐视觉科技有限公司 | 基于光度立体视觉的皮革缺陷检测方法、系统及装置 |
| CN107845086A (zh) * | 2017-09-19 | 2018-03-27 | 佛山缔乐视觉科技有限公司 | 一种皮革表面显著性缺陷的检测方法、系统及装置 |
| CN107862689A (zh) * | 2017-11-21 | 2018-03-30 | 广东工业大学 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
| CN109544583A (zh) * | 2018-11-23 | 2019-03-29 | 广东工业大学 | 一种提取皮革图像感兴趣区域的方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| "一种皮革表面缺陷检测分类方法的研究";李健，等;《计算机测量与控制》;20101225;第18卷(第12期);第2733-2734页 * |
| "复杂背景下高分辨率电镜的小环藻识别";邓杰航，等;《计算机工程与设计》;20190116;第40卷(第1期);第167-172页 * |
| Gabor滤波器在自动视觉表面检测中的应用;温兆麟等;《中国机械工程》;20070810(第15期);第1838-1841页 * |
| 基于视觉显著度的皮革表面瑕疵检测;朱凌云等;《计算机工程与科学》;20160315(第03期);第549-554页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110298835A (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
| CA2867365C (en) | Method, system and computer storage medium for face detection | |
| CN109509200B (zh) | 基于轮廓提取的棋盘格角点检测方法以及计算机可读存储介质 | |
| CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN106709500B (zh) | 一种图像特征匹配的方法 | |
| CN115205194B (zh) | 基于图像处理的粘虫板覆盖率检测方法、系统及装置 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| Gutzeit et al. | Automatic segmentation of wood logs by combining detection and segmentation | |
| US20120320433A1 (en) | Image processing method, image processing device and scanner | |
| CN108846844A (zh) | 一种基于海天线的海面目标检测方法 | |
| CN103544703A (zh) | 数字图像拼接检测方法 | |
| WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN116912691A (zh) | 一种基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
| CN110263778A (zh) | 一种基于图像识别的抄表方法及装置 | |
| CN106415596A (zh) | 基于分割的图像变换 | |
| CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
| CN119048521B (zh) | 牛乳体细胞计数方法、装置及计算机设备 | |
| CN114926635B (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
| CN108229583A (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
| CN115641279A (zh) | 一种高噪声图像边缘检测方法 | |
| CN112396638A (zh) | 一种图像处理方法、终端和计算机可读存储介质 | |
| CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
| CN101894255B (zh) | 一种基于小波变换的集装箱号码定位方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250106 Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Tongsheng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee after: Shenzhen Wanzhida Enterprise Management Co.,Ltd. Country or region after: China Address before: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060 Patentee before: GUANGDONG University OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250318 Address after: No. 9 Huafu Road, Donghua Industrial Zone, Renhe Town, Baiyun District, Guangzhou City, Guangdong Province 510000 (Airport Baiyun) Patentee after: Guangzhou Jinyang Leather Co.,Ltd. Country or region after: China Address before: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Tongsheng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee before: Shenzhen Wanzhida Enterprise Management Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |