CN110490859A - 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 - Google Patents

一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 Download PDF

Info

Publication number
CN110490859A
CN110490859A CN201910775164.4A CN201910775164A CN110490859A CN 110490859 A CN110490859 A CN 110490859A CN 201910775164 A CN201910775164 A CN 201910775164A CN 110490859 A CN110490859 A CN 110490859A
Authority
CN
China
Prior art keywords
image
texture
active contour
window
conjunction
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
CN201910775164.4A
Other languages
English (en)
Inventor
景军锋
王震
张缓缓
苏泽斌
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.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic 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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201910775164.4A priority Critical patent/CN110490859A/zh
Publication of CN110490859A publication Critical patent/CN110490859A/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
    • 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
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，具体按照以下方式实施：步骤1，读取有缺陷的织物图像；步骤2，建立相对总变差模型，使用相对总变差模型对所述有缺陷的织物图像进行纹理抑制，得到修正图像；步骤3，建立主动轮廓模型，采用主动轮廓模型对修正图像进行缺陷分割，求得缺陷部分的边缘曲线方程，边缘曲线方程即为缺陷部分的边缘线。本发明对不同的纹理背景的织物，能做到有效准确的检测疵点。

Description

一种纹理抑制与主动轮廓法结合的织物缺陷检测方法
技术领域
本发明属于目标检测技术领域，涉及一种纹理抑制与主动轮廓法结合的织物缺陷检测方法。
背景技术
为保证纺织品的质量，出厂前的最后一个步骤是对产品的表面缺陷进行检测，传统的检测方式经过培训的工人完成，随着图像处理技术的飞速发展，机器视觉代替人工视觉成为主流研究方向。随着经济的发展，传统的人工方式在精度与效率上都不适用于大规模流水线作业，机器视觉方式不但可以在恶劣的工作条件下完成检测任务，同时可显著的提高检测效率与精度，降低企业成本。因此，应用机器视觉对工业产品进行缺陷检测有很大的研究价值。
一般地，在实际工业生产场景中，表面纹理丰富多样，很难直接通过算法直接进行缺陷的分割，经常出现漏检或错检的情况，如何提高对不同纹理织物缺陷检测的通用性仍然具有很大的挑战。
发明内容
本发明的目的是提供一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，解决了现有技术中存在的通用性不强的问题。
本发明所采用的技术方案是，
一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，具体按照以下方式实施：
步骤1，读取有缺陷的织物图像；
步骤2，建立相对总变差模型，使用相对总变差模型对步骤1中有缺陷的织物图像进行纹理抑制，得到修正图像；
步骤3，建立主动轮廓模型，采用主动轮廓模型对所述修正图像进行缺陷分割，求得缺陷部分的边缘曲线方程，边缘曲线方程即为缺陷部分的边缘线。
本发明的特点还在于，
步骤2具体按照以下方式实施：
步骤2.1，将有缺陷的织物图像长宽缩放至256×256像素，之后将放缩后的图像分成5*5正方形窗口，窗口的中心坐标为p，窗口内所有像素点坐标集合定义为q；
步骤2.2，求每个窗口在x方向的固有变差Lx(p)与窗口总变差Dx(p)，求每个窗口在y方向的固有变差Ly(p)与窗口总变差Dy(p)：公式如(1)和(2)所示：
其中σ代表窗口的大小，x，y代表像素的坐标；S为待求解的修正图像；g为高斯核函数，计算公式为：
步骤2.3，建立相对总差模型，模型结构如式(4)所示：
ε代表小常数,以防止等式分母为零；λ为一个常数，控制保真项与相对总变差的比例，用于调节纹理抑制程度，(SP-Ip)2用于控制输出的修正图像尽可能的逼近输入图像，联立公式(1)、(2)(4)对模型进行求解，解得Sp即为修正图像；
步骤3的具体步骤为：在修正图像中初始化一个轮廓C，构建主动轮廓能量方程的数学表述如式(5)所示；
式中，u0代表修正图像，(x,y)是图像的索引，C是织物缺陷的曲线方程，c1、c2是图像分别在曲线C内部和外部的亮度平均值，Length表示曲线的长度，Area代表曲线的面积，Cout代表曲线外部区域，Cin表示曲线包含区域，其中μ为长度正则化系数，v为面积正则化系数,λ1,λ2是固定的参数，且μ≥0,v≥0,λ1,λ2>0，求得F(c1,c2,C)为最小值时C的解即为输入图像中缺陷部分的曲线方程。
本发明的有益效果是提高算法对不同织物纹理的适应性，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是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法的流程图；
图2是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例1中的采集图像；
图3是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例1中修正图像；
图4是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例1中最终检测结果图；
图5是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例2中的采集图像；
图6是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例2中修正图像；
图7是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例2中最终检测结果图；
图8是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例3中的采集图像；
图9是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例3中修正图像；
图10是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例3中最终检测结果图；
图11是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例4中的采集图像；
图12是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例4中修正图像；
图13是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例4中最终检测结果图；
图14是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例5中的采集图像；
图15是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例5中修正图像；
图16是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例5中最终检测结果图；
图17是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例6中的采集图像；
图18是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例6中修正图像；
图19是本发明一种基于纹理抑制与主动轮廓法结合的织物表面缺陷检测方法实施例6中最终检测结果图。
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。
本发明一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，如图1所示，具体按照以下方式实施：
步骤1，读取有缺陷的织物图像；
步骤2，建立相对总变差模型，使用相对总变差模型对步骤1中有缺陷的织物图像进行纹理抑制，得到修正图像；
步骤3，建立主动轮廓模型，采用主动轮廓模型对修正图像进行缺陷分割，求得缺陷部分的边缘曲线方程，边缘曲线方程即为缺陷部分的边缘线。
步骤2具体按照以下方式实施：
步骤2.1，将有缺陷的织物图像长宽缩放至256×256像素，之后将放缩后的图像分成5*5正方形窗口，窗口的中心坐标为p，窗口内所有像素点坐标集合定义为q；
步骤2.2，求每个窗口在x方向的固有变差Lx(p)与窗口总变差Dx(p)，求每个窗口在y方向的固有变差Ly(p)与窗口总变差Dy(p)：公式如(1)和(2)所示：
其中σ代表窗口的大小，x，y代表像素的坐标；S为待求解修正图像；g为高斯核函数，计算公式为：
步骤2.3，建立相对总差模型，模型结构如式(4)所示：
ε代表小常数,以防止等式分母为零；λ为一个常数，控制保真项与相对总变差的比例，用于调节纹理抑制程度，(SP-Ip)2用于控制输出的修正图像尽可能的逼近输入图像，联立公式(1)、(2)(4)对模型进行求解，解得Sp即为修正图像；
步骤3的具体步骤为：在修正图像中初始化一个轮廓C，构建主动轮廓能量方程的数学表述如式(5)所示。
式中，u0代表修正图像，(x,y)是图像的索引，C是织物缺陷的曲线方程，c1、c2是图像分别在曲线C内部和外部的亮度平均值，Length表示曲线的长度，Area代表曲线的面积，Cout代表曲线外部区域，Cin表示曲线包含区域，其中μ为长度正则化系数，v为面积正则化系数,λ1,λ2是固定的参数，且μ≥0,v≥0,λ1,λ2>0，求得F(c1,c2,C)为最小值时C的解即为输入图像中缺陷部分的曲线方程。缺陷分割过程即为为改变轮廓线C使其在图像中运动，最终逼近目标的真实边界位置的过程。
实施例1
执行步骤1，所采集图像为图2，图2为小方格纹理织物；
执行步骤2，所得到的修正图像为图3；
执行步骤3，得到的最终分割结果为图4，其中白色部分为有缺陷部分。
实施例2
执行步骤1，所采集图像为图5，图5为蓝色条纹织物；
执行步骤2，所得到的修正图像为图6；
执行步骤3，得到的最终分割结果为图7，其中白色部分为有缺陷部分。
实施例3
执行步骤1，所采集图像为图8，图8为灰色点状纹理织物；
执行步骤2，所得到的修正图像为图9；
执行步骤3，得到的最终分割结果为图10，其中白色部分为有缺陷部分。
实施例4
执行步骤1，所采集图像为图11，图11为红色平纹织物；
执行步骤2，所得到的修正图像为图12；
执行步骤3，得到的最终分割结果为图13，其中白色部分为有缺陷部分。
实施例5
执行步骤1，所采集图像为图14，图14为暗红色方格织物；
执行步骤2，所得到的修正图像为图15；
执行步骤3，得到的最终分割结果为图16，其中白色部分为有缺陷部分。
实施例6
执行步骤1，所采集图像为图17，图17为紫色条纹织物；
执行步骤2，所得到的修正图像为图18；
执行步骤3，得到的最终分割结果为图19，其中白色部分为有缺陷部分。
注：实施例中的图2、图5、图8、图11、图14和图17均为彩色织物图像，经过步骤2处理之后得到的图3、图6、图9、图12、图15和图18也均为彩色图，如若需要可提供原图。
根据实施例1～实施例6的分割结果可知，本发明对于点状、条纹、方格等纹理等织物均将缺陷处完整的检测出来。
本方法还在选取了100张不同纹理的织物的图片上进行了测试，测试图片包含常见的条纹、点状、方格织物，分割转准确率为95％，充分说明本方法对于织物的缺陷检测具有通用性。

Claims (3)

1.一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，其特征在于，具体按照以下方式实施：
步骤1，读取有缺陷的织物图像；
步骤2，建立相对总变差模型，使用相对总变差模型对所述有缺陷的织物图像进行纹理抑制，得到修正图像；
步骤3，建立主动轮廓模型，采用主动轮廓模型对所述修正图像进行缺陷分割，求得缺陷部分的边缘曲线方程，所述边缘曲线方程即为缺陷部分的边缘线。
2.如权利要求1所述的一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，其特征在于，所述步骤2具体按照以下方式实施：
步骤2.1，将有缺陷的织物图像长宽缩放至256×256像素，之后将放缩后的图像分成5*5正方形窗口，窗口的中心坐标为p，窗口内所有像素点坐标集合定义为q；
步骤2.2，求每个窗口在x方向的固有变差Lx(p)与窗口总变差Dx(p)，求每个窗口在y方向的固有变差Ly(p)与窗口总变差Dy(p)：公式如(1)和(2)所示：
其中σ代表窗口的大小，x，y代表像素的坐标；S为修正图像；g为高斯核函数，计算公式为：
步骤2.3，建立相对总差模型，模型结构如式(4)所示：
ε代表小常数,以防止等式分母为零；λ为一个常数，控制保真项与相对总变差的比例，用于调节纹理抑制程度，(SP-Ip)2用于控制输出的修正图像尽可能的逼近输入图像，联立公式(1)、(2)、(4)对模型进行求解，解得Sp即为修正图像。
3.如权利要求1所述的一种纹理抑制与主动轮廓法结合的织物缺陷检测方法，步骤3的具体步骤为：在修正图像中初始化一个轮廓C，构建主动轮廓能量方程的数学表述如式(5)所示；
式中，u0代表修正图像，(x,y)是图像的索引，C是织物缺陷的曲线方程，c1、c2是图像分别在曲线C内部和外部的亮度平均值，Length表示曲线的长度，Area代表曲线的面积，Cout代表曲线外部区域，Cin表示曲线包含区域，其中μ为长度正则化系数，v为面积正则化系数,λ1,λ2是固定的参数，且μ≥0,v≥0,λ1,λ2>0，求得F(c1,c2,C)为最小值时C的解即为输入图像中缺陷部分的曲线方程。
CN201910775164.4A 2019-08-21 2019-08-21 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 Pending CN110490859A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910775164.4A CN110490859A (zh) 2019-08-21 2019-08-21 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910775164.4A CN110490859A (zh) 2019-08-21 2019-08-21 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法

Publications (1)

Publication Number Publication Date
CN110490859A true CN110490859A (zh) 2019-11-22

Family

ID=68552605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910775164.4A Pending CN110490859A (zh) 2019-08-21 2019-08-21 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110490859A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413332A (zh) * 2013-08-23 2013-11-27 华北电力大学 基于两通道纹理分割主动轮廓模型的图像分割方法
US20170351941A1 (en) * 2016-06-03 2017-12-07 Miovision Technologies Incorporated System and Method for Performing Saliency Detection Using Deep Active Contours
CN107705290A (zh) * 2017-09-05 2018-02-16 哈尔滨工业大学深圳研究生院 一种AMOLED显示屏Mura缺陷检测方法
CN108460781A (zh) * 2018-02-09 2018-08-28 河南师范大学 一种基于改进spf的活动轮廓图像分割方法及装置
CN109859145A (zh) * 2019-02-27 2019-06-07 长安大学 一种基于多级权重相对总变差的图像去纹理方法
CN110120032A (zh) * 2019-04-10 2019-08-13 西安工程大学 基于相对总变差模型与mser的织物毛球等级评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413332A (zh) * 2013-08-23 2013-11-27 华北电力大学 基于两通道纹理分割主动轮廓模型的图像分割方法
US20170351941A1 (en) * 2016-06-03 2017-12-07 Miovision Technologies Incorporated System and Method for Performing Saliency Detection Using Deep Active Contours
CN107705290A (zh) * 2017-09-05 2018-02-16 哈尔滨工业大学深圳研究生院 一种AMOLED显示屏Mura缺陷检测方法
CN108460781A (zh) * 2018-02-09 2018-08-28 河南师范大学 一种基于改进spf的活动轮廓图像分割方法及装置
CN109859145A (zh) * 2019-02-27 2019-06-07 长安大学 一种基于多级权重相对总变差的图像去纹理方法
CN110120032A (zh) * 2019-04-10 2019-08-13 西安工程大学 基于相对总变差模型与mser的织物毛球等级评价方法

Similar Documents

Publication Publication Date Title
Xu Instrumental evaluation of fabric pilling
CN116843688B (zh) 一种纺织品质量视觉检测方法
CN108090894B (zh) 基于距离匹配函数和感知哈希算法的织物疵点检测方法
CN111539935A (zh) 一种基于机器视觉的电缆表面缺陷在线检测方法
CN111861996B (zh) 一种印花织物疵点检测方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN104574353B (zh) 基于视觉显著性的表面缺陷判定方法
CN101799434A (zh) 一种印刷图像缺陷检测方法
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
CN104732536A (zh) 一种基于改进形态学的亚像素边缘检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN108447070B (zh) 一种基于像素向量不变关系特征的工业零件缺损检测算法
CN112288734A (zh) 一种基于图像处理的印花织物表面缺陷检测方法
CN103234969A (zh) 一种基于机器视觉的织物纬密度测量新方法
CN110889837A (zh) 一种具有瑕疵分级功能的布匹瑕疵检测方法
CN108921819A (zh) 一种基于机器视觉的验布装置及方法
CN111882549B (zh) 一种灰绿色细小异纤自动检测识别方法及检测识别系统
CN103530644A (zh) 条纹织物组织结构自动识别方法
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN114037657A (zh) 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法
CN116934749A (zh) 基于图像特征的纺织物瑕疵快速检测方法
CN115861310A (zh) 一种床单表面纺织缺陷检测方法
Lim et al. Analysis of woven fabric structure using image analysis and artificial intelligence
CN110490859A (zh) 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法
Xiao et al. A visual distortion detection method for textile cloth

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: 20191122

RJ01 Rejection of invention patent application after publication