CN110580698A - 一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法 - Google Patents

一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法 Download PDF

Info

Publication number
CN110580698A
CN110580698A CN201810881758.9A CN201810881758A CN110580698A CN 110580698 A CN110580698 A CN 110580698A CN 201810881758 A CN201810881758 A CN 201810881758A CN 110580698 A CN110580698 A CN 110580698A
Authority
CN
China
Prior art keywords
cloth
image
support vector
defect
svm
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
CN201810881758.9A
Other languages
English (en)
Inventor
赵翠芳
陈愉
马加成
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.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
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 Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN201810881758.9A priority Critical patent/CN110580698A/zh
Publication of CN110580698A publication Critical patent/CN110580698A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (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)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，涉及特征提取和学习分类两个方面，属于数字图像处理应用领域。本发明的主要步骤包括图像分块、分层梯度方向直方图特征提取、支持向量机模型训练、检测分类等，即首先将布匹图像分块，接着提取每个分块的分层梯度方向直方图特征，然后输入已训练好的支持向量机分类器中，根据分类器输出结果，判定每个图像分块是否包含疵点，从而确定整幅布匹图像是否含有疵点。结果显示，该检测方法具有较好的分类效果，有一定的鲁棒性，可应用于实际生成中。

Description

一种利用分层梯度方向直方图和支持向量机的布匹疵点检测 方法
技术领域
本发明涉及一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，属于数字图像处理应用领域。
背景技术
随着中国经济的快速发展，纺织行业的生产自动化水平越来越高，智能化的纺织机器不断应用于纺织企业，使得企业生产效率大大提高。与此同时，纺织行业面临的竞争日趋激烈，只有提高生产技术，保证产品质量才能获得好的收益。织物有无疵点是织物优劣程度的一个重要体现，传统的疵点检测主要靠人工肉眼来完成，而人工目测的方式存在诸多问题，如识别率不高、检测效率低下及易受外界主客观因素影响，且长时间的单调工作不利于工人身体健康等。因此，利用基于机器视觉的织物疵点检测系统来代替传统的人工完成织物疵点在线检测的方式，在如今看来显得尤为重要。
基于机器视觉的织物疵点检测系统中，织物疵点检测算法是关键技术之一，即通过某种算法对织物图像进行分析，快速准确的找到不同纹理背景下的疵点。目前织物疵点检测算法可分为四大类：基于模型的方法、基于频谱分析的方法、基于统计的方法、基于学习的方法。基于模型的方法通过对正常织物纹理进行建模、判别测试图像是否符合该模型来进行疵点检测，常见的有自回归模型、高斯-马尔可夫随机场(GMRF)模型、分形模型等。其算法比较复杂，计算量大，并且在线学习比较困难，对面积较小的疵点检测能力较差。基于频谱分析的方法首先将图像变换到频域，然后利用某种能量准则进行织物疵点检测，比如傅里叶变换、Gabor变换和小波变换、S变换，其检测效果依赖于滤波器组的选择。统计法包括灰度阈值法、灰度直方图统计法、灰度共生矩阵法、数学形态学方法、LBP统计特征等，通过计算正常织物与疵点区域纹理的统计特性进行疵点检测。该类方法简单易行，检测结果受纹理模式和疵点形状等的影响，对于小的疵点可能会产生漏检的情况。学习法是近几年的研究热门，通过选取适合的特征来描述织物纹理，利用机器学习的一些方法对提取的特征进行训练，从而建立学习模型，用于检测。已有的基于机器学习的织物疵点检测算法虽然很多，但是这些方法不乏存在着易受纹理特征的影响以及对样本需求量较大等缺陷。
考虑到布匹样式繁多，疵点类型也较多，但所收集的样本有限，本发明将结合布匹图像纹理结构特征和学习法的优势，利用分层梯度方向直方图(简称PHOG)的空间结构描述能力和SVM在小样本学习中的优势，进行织物疵点检测。
发明内容
本发明所要解决的技术问题是传统人工布匹疵点误检率和漏检率较高、易造成工人视觉疲劳、检测效率低，以及现有的大多数布匹图像检测方法易受纹理特征影响、且对样本需求量较大，目的在于提供一种利用分层梯度方向直方图和SVM的布匹疵点检测方法，解决上述问题。
本发明通过以下技术方案实现：
一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，具体包括以下步骤；
S1：获取某类布匹有疵点和无疵点图像并进行灰度处理形成有疵点和无疵点布匹灰度图像样本库；
S2：从布匹灰度图像样本库中抽取一幅无疵点布匹灰度图像，使用自相关系数法计算布匹灰度图像纹理基元横向周期Tx和纵向周期Ty；
S3：将布匹灰度图像样本库所有布匹灰度图像分割成大小一致的分辨率为N×N的图像分块(图像分块可部分重叠，也可完全不重叠)，求取各个图像分块的分层梯度方向直方图(Pyramid Histogram of Oriented Gradients，简称PHOG)特征，作为支持向量机(Support Vector Machine，简称SVM)的输入，并根据已知图像分块疵点有无情况，标记各个图像分块(1为有疵点，0为无疵点)，作为SVM输出，训练SVM模型，形成SVM二分器；
S4：将待检测布匹灰度图像分割成大小一致的分辨率为N×N的图像分块(可部分重叠，也可完全不重叠)，求取各个图像分块的PHOG特征，输入训练好的SVM二分器，根据SVM二分器输出结果，标记所有图像分块(1为有疵点，0为无疵点)；
S5：统计待检测布匹灰度图像各个图像分块的疵点标记情况，如果带疵点图像分块数不为零，则判定待检测布匹图像为有疵点布匹图像，否则为无疵点布匹图像。
进一步的，获取的疵点包括错色、污垢、错纬、破洞等。
进一步的，所述的步骤S2包括以下子步骤：S21：对布匹图像进行中值滤波；S22：对中值滤波后图像，分别求取横向自相关系数C1和纵向自相关系数C2；S23：求取自相关系数C1的极大值，将相邻极大值间的差的均值作为横向周期Tx；求取自相关系数C2的极大值，将相邻极大值间的差的均值作为纵向周期Ty。
进一步的，所述的步骤S3和步骤S4中，图像分块大小N的取值大于或等于布匹灰度图像纹理基元横向周期Tx和纵向周期Ty的较大值，即N＞Max(Tx，Ty)；
进一步的，所述的步骤S3和步骤S4中，SVM二分器的输入为图像分块的PHOG特征，且PHOG的分层数为3；
进一步的，所述的步骤S4中，SVM二分器的结果采用有疵点和无疵点；
进一步的，所述的步骤S5中，统计各个图像分块的疵点标记情况，进而判定待检测布匹图像是否含有疵点。
本发明于现有技术相比，具有如下的优点和有益效果：
本发明提供的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，通过上述步骤，结合PHOG的空间结构描述能力和SVM在小样本学习中的优势，进行织物疵点检测，保证了疵点检测的精确性。实验表明，本发明针对周期性布匹灰度图像，疵点检测概率达95％以上，且对工业现场经常出现的错纬、破洞、污渍、错色等缺陷具有较强的鲁棒性。本发明能替代布匹生产过程中的人工检测环节，提高布匹质量控制能力，同时可降低劳动力成本。
附图说明
图1是本发明的流程图；
图2是斜纹布匹灰度图；
图3是横向自相关系数图；
图4是纵向自相关系数图；
图5是待检测斜纹布匹灰度图和疵点检测图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步描述。
实施例
如图1所示，采用本发明提供的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，包括以下步骤：
以德国TILDA布匹样本库的斜纹布匹图像为例，采用本发明提供的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，包括以下步骤：
S1：获取某类布匹有疵点和无疵点图像并进行灰度处理形成有疵点和无疵点布匹灰度图像样本库；
S2：从布匹灰度图像样本库中抽取一幅无疵点布匹灰度图像，使用自相关系数法计算布匹灰度图像纹理基元横向周期Tx和纵向周期Ty；
S3：将布匹灰度图像样本库中所有布匹灰度图像样本分割成大小一致的分辨率为N×N的图像分块(图像分块可部分重叠，也可完全不重叠)，求取各个图像分块的分层梯度方向直方图(Pyramid Histogram of Oriented Gradients，简称PHOG)特征，作为支持向量机(Support Vector Machine，简称SVM)的输入，并根据已知图像分块疵点有无情况，标记各个图像分块(1为有疵点，0为无疵点)，作为SVM输出，训练SVM模型，形成SVM二分器；
S4：将待检测布匹灰度图像分割成大小一致的分辨率为N×N的图像分块(可部分重叠，也可完全不重叠)，求取各个图像分块的PHOG特征，输入训练好的SVM二分器，根据SVM二分器输出结果，标记所有图像分块(1为有疵点，0为无疵点)；
S5：统计待检测布匹灰度图像各个图像分块的疵点标记情况，如果带疵点图像分块数不为零，则判定待检测布匹图像为有疵点布匹图像，否则为无疵点布匹图像。
本实施例中，从德国TILDA布匹样本库中的获取斜纹布匹原始图像，对34幅原始图像进行部分重叠式截取，截取后的图像像素大小为256×256，共截取出1921幅布匹图像进行灰度化，包含有疵点图像和无疵点图像，选取1522幅有疵点图像和无疵点图像形成斜纹布匹灰度图像样本库，选取399幅有疵点图像和无疵点图像形成待检测斜纹布匹灰度图像集。疵点类别包括错色、污垢、错纬、破洞等。
本实施例中，步骤S2中，包括以下子步骤：
S21：对布匹图像(如图2所示)进行中值滤波；
S22：对中值滤波后图像，分别求取横向自相关系数C1和纵向自相关系数C2，如图3、图4所示；
S23：求取自相关系数C1的极大值，将相邻极大值间的差的均值作为横向周期Tx；求取自相关系数C2的极大值，将相邻极大值间的差的均值作为纵向周期Ty。
本实施例中，步骤S3和步骤S4中，图像分块大小N的取值大于布匹灰度图像纹理基元横向周期Tx和纵向周期Ty的较大值，即N＞Max(Tx，Ty)，取N＝16；
本实施例中，步骤S3和步骤S4中，SVM二分器的输入为图像分块的PHOG特征，且PHOG的分层数为3；
本实施例中，步骤S4中，SVM二分器的结果采用有疵点和无疵点；
本实施例中，步骤S5中，对各个图像分块的疵点情况在布匹灰度图像上进行标记，并统计各个图像分块的疵点标记情况，进而判定待检测布匹图像是否含有疵点，如图5所示。

Claims (7)

1.一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，该方法针对具有周期性纹理的布匹灰度图像，其特征在于：包括如下步骤：
S1：获取某类布匹有疵点和无疵点图像并进行灰度处理形成有疵点和无疵点布匹灰度图像样本库；
S2：从布匹灰度图像样本库中抽取一幅无疵点布匹灰度图像，使用自相关系数法计算布匹灰度图像纹理基元横向周期Tx和纵向周期Ty；
S3：将布匹灰度图像样本库中所有布匹灰度图像分割成大小一致的分辨率为N×N的图像分块(图像分块可部分重叠，也可完全不重叠)，求取各个图像分块的分层梯度方向直方图(Pyramid Histogram of Oriented Gradients，简称PHOG)特征，作为支持向量机(Support Vector Machine，简称SVM)的输入，并根据已知图像分块疵点有无情况，标记各个图像分块(1为有疵点，0为无疵点)，作为SVM输出，训练SVM模型，形成SVM二分器；
S4：将待检测布匹灰度图像分割成大小一致的分辨率为N×N的图像分块(可部分重叠，也可完全不重叠)，求取各个图像分块的PHOG特征，输入训练好的SVM二分器，根据SVM二分器输出结果，标记所有图像分块(1为有疵点，0为无疵点)；
S5：统计待检测布匹灰度图像各个图像分块的疵点标记情况，如果带疵点图像分块数不为零，则判定待检测布匹图像为有疵点布匹图像，否则为无疵点布匹图像。
2.根据权利要求1所述的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，其特征在于：获取的疵点包括错色、污垢、错纬、破洞等。
3.根据权利要求1所述的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，其特征在于：所述的步骤S2包括以下子步骤：
S21：对布匹图像进行中值滤波；
S22：对中值滤波后图像，分别求取横向自相关系数C1和纵向自相关系数C2；
S23：求取自相关系数C1的极大值，将相邻极大值间的差的均值作为横向周期Tx；求取自相关系数C2的极大值，将相邻极大值间的差的均值作为纵向周期Ty。
4.根据权利要求1所述的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，其特征在于：所述的步骤S3和步骤S4中，图像分块大小N的取值大于布匹灰度图像纹理基元横向周期Tx和纵向周期Ty的较大值，即N＞Max(Tx，Ty)。
5.根据权利要求1所述的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，其特征在于：所述的步骤S3和步骤S4中，SVM二分器的输入为图像分块的PHOG特征，且PHOG的分层数为3。
6.根据权利要求1所述的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，其特征在于：所述的步骤S4中，SVM二分器的结果采用有疵点和无疵点。
7.根据权利要求1所述的一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法，其特征在于：所述的步骤S5中，统计各个图像分块的疵点标记情况，进而判定待检测布匹图像是否含有疵点。
CN201810881758.9A 2018-08-01 2018-08-01 一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法 Pending CN110580698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810881758.9A CN110580698A (zh) 2018-08-01 2018-08-01 一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810881758.9A CN110580698A (zh) 2018-08-01 2018-08-01 一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法

Publications (1)

Publication Number Publication Date
CN110580698A true CN110580698A (zh) 2019-12-17

Family

ID=68809937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810881758.9A Pending CN110580698A (zh) 2018-08-01 2018-08-01 一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法

Country Status (1)

Country Link
CN (1) CN110580698A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106996935A (zh) * 2017-02-27 2017-08-01 华中科技大学 一种多层次模型布匹疵点检测方法和系统
CN107369155A (zh) * 2017-07-24 2017-11-21 广东工业大学 一种基于机器视觉的布匹表面疵点检测方法及其系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106996935A (zh) * 2017-02-27 2017-08-01 华中科技大学 一种多层次模型布匹疵点检测方法和系统
CN107369155A (zh) * 2017-07-24 2017-11-21 广东工业大学 一种基于机器视觉的布匹表面疵点检测方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANNA BOSCH等: "Representing shape with a spatial pyramid kernel", 《PROCEEDINGS OF THE 6TH ACM INTERNATIONAL CONFERENCE ON IMAGE AND VIDEO RETRIEVAL》 *
DING SHUMIN等: "AdaBoost Learning for Fabric Defect Detection Based on HOG and SVM", 《2011 INTERNATIONAL CONFERENCE ON MULTIMEDIA TECHNOLOGY》 *
王明景等: "经编机布匹瑕疵的在线视觉检测", 《计算机工程与应用》 *

Similar Documents

Publication Publication Date Title
Rasheed et al. Fabric defect detection using computer vision techniques: a comprehensive review
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN102221559B (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN103604809B (zh) 一种图案布匹瑕疵在线视觉检测方法
CN111223093A (zh) 一种aoi缺陷检测方法
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN104778692B (zh) 一种基于稀疏表示系数优化的织物疵点检测方法
CN108960255A (zh) 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
CN111047655A (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN111724372A (zh) 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
Ji et al. Apple grading method based on features of color and defect
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
Chen et al. Evaluating fabric pilling with light-projected image analysis
Goyal Automation in fabric inspection
CN105184777A (zh) 一种基于图像分解的印花图案织物瑕疵检测方法
CN110084246A (zh) 一种色织物疵点自动识别方法
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN115205209A (zh) 一种基于弱监督学习的单色布匹瑕疵检测方法
CN116523899A (zh) 一种基于机器视觉的纺织品瑕疵检测方法及系统
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
Javed et al. Comparative analysis of different fabric defects detection techniques

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191217

WD01 Invention patent application deemed withdrawn after publication