CN110969193B - 织物图像获取方法、装置、计算机设备和存储介质 - Google Patents

织物图像获取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110969193B
CN110969193B CN201911120696.0A CN201911120696A CN110969193B CN 110969193 B CN110969193 B CN 110969193B CN 201911120696 A CN201911120696 A CN 201911120696A CN 110969193 B CN110969193 B CN 110969193B
Authority
CN
China
Prior art keywords
fabric
image
brightness
light source
preset
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
Application number
CN201911120696.0A
Other languages
English (en)
Other versions
CN110969193A (zh
Inventor
姚俊俊
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.)
Changzhou Rising Technology Co ltd
Original Assignee
Changzhou Rising Technology Co ltd
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 Changzhou Rising Technology Co ltd filed Critical Changzhou Rising Technology Co ltd
Priority to CN201911120696.0A priority Critical patent/CN110969193B/zh
Publication of CN110969193A publication Critical patent/CN110969193A/zh
Application granted granted Critical
Publication of CN110969193B publication Critical patent/CN110969193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model

Abstract

本申请涉及计算机技术领域，特别涉及一种织物图像获取方法、装置、计算机设备和存储介质。方法包括：通过图像采集设备对织物进行图像采集得到当前织物图像，对当前织物图像进行识别得到对应的当前织物亮度；查找织物关联的预设亮度范围；判断当前织物亮度是否在预设亮度范围内；当织物亮度不在预设亮度范围内时，通过光源调整模型根据预设调整步长调整图像采集设备的光源参数，直至织物图像的织物亮度在预设亮度范围内时，输出对应的织物图像。采用本方法能够提高对织物图像获取的效率。

Description

织物图像获取方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种织物图像获取方法、装置、计算机设备和存储介质。
背景技术
随着社会的进步与发展，人们对纺织品的质量要求越来越高，但是纺织品在练漂和印染等生产过程中，会经过很多次的机械拉力作用，使得纺织品会产生变形等不期望的现象。为了保证纺织品如织物的印染质量，在对织物进行印染之前需要将织物通过整纬机，利用整纬机对织物进行整纬调整。
传统技术中通过人工调整相机光源参数，根据调整后的相机光源参数对织物进行拍摄得到织物图像，将织物图像输入整纬模型得到整纬参数，但是外界光源不稳定，通过人工调整外界光源，使得相机拍摄得到的织物图像的织物亮度不稳定，极大地降低了织物图像的获取效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高有效营销数据的获取效率的织物图像获取方法、装置、计算机设备和存储介质。
一种织物图像获取方法，所述方法包括：
通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；
查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；
判断所述当前织物亮度是否在所述预设亮度范围内；
当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；
根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，所述查找所述织物关联的预设亮度范围，包括：
提取所述织物对应的所述当前织物图像的花纹特征，根据所述花纹特征得到所述织物的类别；
从织物亮度数据库中查找所述织物的类别对应的预设亮度范围。
在一个实施例中，所述提取所述织物对应的所述织物图像的花纹特征，根据所述花纹特征得到所述织物的类别，包括：
提取所述织物图像的局部纹理特征；
获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；
根据所述局部纹理特征以及所述多尺度特征生成特征向量；
根据所述特征向量得到所述织物的类别。
在一个实施例中，所述织物亮度数据库的生成方法，包括：
获取各类别的织物对应的预设亮度范围；
将各所述预设亮度范围与各所述类别进行关联，生成织物亮度数据库。
在一个实施例中，所述通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数，包括：
获取各所述图像采集设备对应的光源调整参数；
根据各所述光源调整参数得到综合光源调整参数，以使所述光源调整模型根据所述综合光源调整参数，以及各所述图像采集设备的所述预设调整步长调整各所述图像采集设备的光源参数。
在一个实施例中，所述输出对应的织物图像之后，还包括：
将所述织物图像输入整纬模型，以使所述整纬模型根据获取的预设阈值对所述织物图像的亮度进行调整，并计算调整亮度后的各所述织物图像对应的整纬精度值；
提取最大的整纬精度值对应的织物图像。
在一个实施例中，所述获取所述织物图像对应的织物亮度，包括：
对所述织物图像进行预处理得到织物灰度图；
获取所述织物灰度图的直方图，根据所述直方图计算所述织物图像对应的织物亮度。
一种织物图像获取装置，所述装置包括：
亮度获取模块，用于通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；
亮度范围查找模块，用于查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；
判断模块，用于判断所述当前织物亮度是否在所述预设亮度范围内；
调整模块，用于当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；
织物图像获取模块，用于根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述织物图像获取方法、装置、计算机设备和存储介质，通过图像采集设备对织物进行图像采集得到当前织物图像，并对当前织物图像进行识别得到对应的当前织物亮度；从织物亮度数据库中查找织物关联的预设亮度范围，以及图像采集设备的光源参数的预设调整步长；并判断当前织物亮度是否在预设亮度范围内；当织物亮度不在预设亮度范围内时，通过光源调整模型根据预设调整步长调整图像采集设备的光源参数；以根据调整后的光源参数对织物进行拍摄，得到调整后的光源参数对应的织物图像，服务器将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断当前织物亮度是否在预设亮度范围内，直至织物图像的织物亮度在预设亮度范围内时，输出对应的织物图像。实现了通过自动调整图像采集的光源参数，获取在预设亮度范围内的织物图像，提高了对织物图像的获取效率。
附图说明
图1为一个实施例中织物图像获取方法的应用场景图；
图2为一个实施例中织物图像获取方法的流程示意图；
图3为一个实施例中的识别织物类别的流程示意图；
图4为一个实施例中织物图像获取装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的织物图像获取方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102通过网络与服务器104进行通信。图像采集设备102对织物进行采集得到当前织物图像，服务器104对当前织物图像进行识别得到对应的当前织物亮度；服务器104查找织物关联的预设亮度范围，以及图像采集设备的光源参数的预设调整步长；判断当前织物亮度是否在预设亮度范围内；当服务器104判断织物亮度不在预设亮度范围内时，通过光源调整模型根据预设调整步长调整图像采集设备102的光源参数；图像采集设备102根据调整后的光源参数对织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，服务器104并继续判断当前织物亮度是否在预设亮度范围内，直至服务器104判断织物图像的织物亮度在预设亮度范围内时，服务器104输出对应的织物图像。
其中，图像采集设备102可以但不限于是各种相机以及具有图像采集功能的设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器104为独立的服务器时，服务器104中可以部署多个数据库，每个数据库中可以存储特定的织物图像；当服务器104为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储特定的织物图像集。
在一个实施例中，如图2所示，提供了一种织物图像获取方法的流程示意图，以该方法应用于图1中的服务器104为例进行说明，在其他实施例中，该方法也可以应用于终端，方法包括以下步骤：
步骤210，通过图像采集设备对织物进行图像采集得到当前织物图像，并对当前织物图像进行识别得到对应的当前织物亮度。
图像采集设备可为工业相机，当服务器检测到织物时，触发图像采集设备对织物进行拍摄采集，得到织物图像。其中，图像采集设备的数量可为多个，多个图像采集设备依次设置在织物上方或者下方，对织物进行拍摄，并且图像采集设备的个数可根据织物的尺寸进行调整，当织物的宽度较大时，图像采集设备的数量也较多。
服务器对图像采集设备采集的当前织物图像进行亮度检测，得到当前织物图像对应的当前织物亮度。其中，服务器获取当前织物亮度的方法可包括统计织物图像的亮度值，根据亮度值得到当前织物图像对应的当前织物亮度。
步骤220，查找织物关联的预设亮度范围，以及图像采集设备的光源参数的预设调整步长。
服务器获取当前织物对应的当前织物亮度之后，还包括从预先设置的亮度数据库中查找当前织物对应的预设亮度范围。其中，预设亮度范围是事先存储的与该织物对应的亮度范围。具体地，可为一个范围数值。
服务器还获取图像采集设备的光源参数对应的预设调整步长，该预设调整步长可为图像采集设备的调整幅度单元，以根据该预设调整步长对图像采集设备的光源参数进行调整。
步骤230，判断当前织物亮度是否在预设亮度范围内。
服务器判断当前织物亮度是否在预设亮度范围内。当服务器判断图像采集设备采集到的当前织物的亮度在预设范围内时，服务器判断获取的织物图像是合格的，可以不对图像采集设备的光源参数进行调整。
步骤240，当织物亮度不在预设亮度范围内时，通过光源调整模型根据预设调整步长调整图像采集设备的光源参数。
当服务器判断当前织物亮度不在预设亮度范围内时，服务器控制光源调整模型对图像采集设备的光源参数进行调整，以使图像采集设备按照调整后的光源参数对织物进行拍摄得到预设亮度范围内的织物图像。其中，光源调整模型对图像采集设备的光源参数进行调整按照预设调整步长进行调整。并且当图像采集设备的数量为多个时，服务器还包括获取各图像采集设备的预设调整步长，根据各预设调整步长对各图像采集设备的光源参数分别进行调整。
步骤250，根据调整后的光源参数对织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断当前织物亮度是否在预设亮度范围内，直至织物图像的织物亮度在预设亮度范围内时，输出对应的织物图像。
图像采集设备的光源参数被调整后，按照调整后的光源参数对织物进行拍摄，得到当前织物图像。然后服务器根据亮度检测算法获取当前织物图像的当前织物亮度，并继续将当前织物亮度与预设亮度范围进行比对，当在预设亮度范围内时，表明利用当前的光源参数采集到的当前织物对应的织物亮度是合格的，服务器输出织物亮度在预设亮度范围内的织物图像。
在具体实施例中，服务器可以先大量测试图像采集设备的采集的织物图像的亮度在什么范围内时，使得织物图像在处理算法中的运算精度最高。例如，获得织物图像亮度的下界限VL，上界限为VH时，图像处理算法对织物处理的精度最高。
在具体实施时，利用图像采集设备采集织物的织物图像，利用亮度计算算法计算织物图像的亮度值Vx，如果Vx<VL，那么控制图像采集设备的光源参数按照预设步长幅度进行调整，增加图像采集设备的亮度，直到Vx>VL且Vx<VH为止。如果Vx>VH，那么控制图像采集设备按照预设步长幅度进行调整，减小图像采集设备的亮度，直到Vx>VL且Vx<VH为止。
需要说明的是，当图像采集设备进行更换时，不同类型的图像采集设备的设备参数不同，即时利用同样的光源参数数值对织物进行拍摄，得到的织物亮度也会不同，或者利用同一类型的图像采集设备对织物进行拍摄时，不同的外界环境下得到的织物图像的亮度也是不同的。为了保证在不同的外界环境中都能采集到的预设亮度范围内的织物图像，需要一个自动调整图像采集设备的光源参数的算法，以利用该算法控制获取到的织物图像的亮度始终处于最佳的亮度范围内。
在本实施例中，服务器通过检测当前织物对应的当前织物亮度，将当前织物亮度与预先存储的预设亮度范围进行比对，当比对成功时，判断当前织物图像对应的当前织物亮度是合格的，不需要对图像采集设备的光源参数进行调整，当比对失败时，服务器判断图像采集设备采集到的当前织物图像对应的当前织物亮度是不合格的，需要对图像采集设备的光源参数进行调整，继续利用调整参数后的图像采集设备对织物进行拍摄，直到服务器判断得到的织物图像的亮度在预设亮度范围内，才获取亮度合格的织物图像，并输出。通过实时检测织物图像亮度，实现对图像采集设备光源参数的自动调整，从源头上提高了获取织物图像的质量。
在一个实施例中，查找织物关联的预设亮度范围，包括：提取织物对应的当前织物图像的花纹特征，根据花纹特征得到织物的类别；从织物亮度数据库中查找织物的类别对应的预设亮度范围。
织物的类别多种多样，例如可按照原料类型分为纯纺织物、混纺织物以及交织织物等，按照花纹类型可分为横条花纹织物、格子花纹织物等。织物的特征可用于识别织物的类别，具体地，服务器可提取织物图像对应的花纹特征，利用花纹特征判别织物的类别。然后服务器从织物亮度数据库中查找织物的类别对应的预设亮度范围。
在本实施例中，考虑到织物的类别多种多样，并且不同类别的织物对应的预设亮度范围不同，服务器通过识别织物的类别，从织物亮度数据库中查找该类别的织物对应的预设亮度范围，实现了按照类别查找预设亮度范围的效率，提高了预设亮度范围获取的准确度。
需要说明的是，在对织物进行加工处理的过程中，由于织物连续处于牵引状态，受各种机械运动及生产操作的影响，织物会产生纬纱歪斜和弯曲，即纬斜。故而，对于同一个类别的织物，可能会具有变形、拉伸、扭曲、不同光照以及多种倾斜角度的不同状态，对于在不同不期望状态下的织物对其类别的准确识别具有一定的影响。
为了提高了对织物类别的识别鲁棒性，能够实现当织物在不同状态下仍然能够正确识别出织物的类别，服务器提取织物图像的多个特征，根据织物图像的多个特征生成特征向量。其中提取到的织物特征应该具有的性能为：能识别出织物的类别，特别是当获取的织物图像为在变形、拉伸、光照以及扭曲等状态下，仍能识别出织物的类别。
具体地，服务器获取织物在不同状态下的织物图像，根据不同状态下的织物图像获取织物的特征向量，根据多个特征生成特征向量。根据特征向量识别织物的类别。
在一个实施例中，如图3所示，提供了一种识别织物类别的流程示意图。具体地，提取织物对应的织物图像的花纹特征，根据花纹特征得到织物的类别，包括：
步骤310，提取织物图像的局部纹理特征。
织物图像的纹理特征可用于识别织物类别。如可以利用局部二值模式(LBP-LocalBinary Pattern)提取织物图像的局部纹理特征，其中LBP是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点，可以应对光照的变化，即在不同光照变化下仍能识别出织物类别。
步骤320，获取织物图像在多个尺度下的多尺度图像，根据多尺度图像提取织物图像的多尺度特征。
为应对织物的变形、拉伸以及扭曲，可以采用一种方向梯度直方图(HOG-histogram of oriented gradient)和LBP多特征融合的算法。首先，对输入的织物图像进行裁剪和缩放得到多个尺度的织物图像，然后根据多尺度图像提取织物图像的多尺度特征。
步骤330，根据局部纹理特征以及多尺度特征生成特征向量。
服务器将多尺度的LBP特征和一个HOG特征构成的一维向量来表示织物图像的特征向量。将织物类型与特征向量进行关联绑定，建立特征模板。进而可以根据织物的特征向量从织物模板中匹配到织物的类别。进一步地，还可以将织物类型、特征向量以及预设亮度范围进行关联，生成亮度模板。
当服务器获取图像采集设备采集到的织物图像时，提取织物图像对应的织物亮度，以及织物图像的特征向量，从亮度模板中匹配与特征向量匹配的织物类别，以及预设亮度范围，进而实现对当前织物亮度的调整。
在本实施例中，通过获取织物图像的多尺度特征，实现对织物类别的识别，并且多尺度特征具有抗干扰能力，能够实现对不同状态下的织物进行识别。
在一个实施例中，提取织物图像对应的多个特征，根据多个特征生成特征向量，包括：将织物图像输入分类模型，以通过分类模型根据预先训练好的花纹特征参数，对织物图像进行识别得到各织物图像的花纹对应的特征向量。
图像分类模型可以是预先训练好的机器学习模型，机器学习模型已经学习了对织物图像进行分类的分类参数，根据分类参数实现对织物图像类别的识别。具体地，服务器将获取的多种状态下的织物图像输入预先训练好的织物图像分类模型，织物图像分类模型根据预先学习的分类参数，提取织物图像的特征向量，根据特征向量实现对织物图像的分类。进一步地，织物图像中的花纹特征可用于表征各织物的类别，织物图像分类模型通过提取各织物图像中的花纹对应的花纹特征向量，根据花纹特征向量实现对各织物图像的类别识别。
织物图像分类模型可以为预先训练好的深度学习模型，对织物图像分类模型的训练过程可包括：将不同状态下的织物图像，以及各类型的织物图像中的花纹对应的花纹类别作为训练样本，输入深度学习模型，利用深度学习模型学习织物图像与花纹类别之间的关系，得到织物图像分类模型。
例如，深度学习模型可为CNN网络模型，具体地可为VGG16模型，在VGG16模型中使用损失函数驱动模型进行训练。进一步地，服务器将获取的织物图像依次经过训练好的VGG16模型，得到织物的类别。
在本实施例中，通过图织物像分类模型实现花纹特征向量的自动提取，实现了快速、准确地获取织物图像的特征向量，并对织物进行类别的识别。
进一步地，得到的织物图像分类模型可以适应目前已有的任何类别的织物，并且当遇到未知类别的织物时，只需在织物图像分类模型中添加相应类型数据进行训练，对织物图像分类模型进行更新即可，易于维护，实用价值极高。
在一个实施例中，获取新增织物图像；提取新增织物图像对应的新增特征向量；将各新增特征向量、新增织物类别添加至特征模板。进一步地，将各新增特征向量、新增织物类别以及新增预设亮度范围添加至亮度模板。
在本实施例中，得到的特征模板可以适应目前已有的任何织物，并且当遇到未知织物类别时，只需在特征模板中添加相应织物数据进行训练，对织物图像分类模型进行更新即可，易于维护，实用价值极高。解决了传统技术中需要人工识别织物类别的弊端。
在一个实施例中，织物亮度数据库的生成方法，包括：获取各类别的织物对应的预设亮度范围；将各预设亮度范围与各类别进行关联，生成织物亮度数据库。
不同类别的织物对应不同的预设亮度范围，也就是说服务器对不同类别的织物进行图像处理时，对织物的亮度要求不同。织物亮度数据库中存储有不同类别的织物对应的预设亮度范围，并且，当不同类别的织物的预设亮度范围发生改变时，只需要对织物亮度数据库中的数据进行更新即可，进一步地，织物亮度数据库中还可以根据同一类别的织物的不同明暗程度进行划分，对于不同明暗程度的织物选取对应的预设亮度范围，进一步地实现对织物亮度划分的准确率。
在本实施例中，通过将织物类别与预设亮度范围进行关联，得到织物亮度数据库。进而当服务器获取织物时，只需要通过图像检测算法获取织物的类别就可以从织物亮度数据库中查找到与织物类别关联的预设亮度范围，将当前织物亮度与预设亮度范围进行比对，实现对织物亮度的自动调整，提高了对织物亮度调整的效率。
在一个实施例中，通过光源调整模型根据预设调整步长调整图像采集设备的光源参数，包括：获取各图像采集设备对应的光源调整参数；根据各光源调整参数得到综合光源调整参数，以使光源调整模型根据综合光源调整参数，以及各图像采集设备的预设调整步长调整各图像采集设备的光源参数。
考虑到不同的图像采集设备的设备参数不同，或者不同图像采集设备所处的外界环境不同，如外界环境光不同，还包括：服务器将各图像采集设备采集到的织物图像与预设织物亮度范围分别进行比对，获取各织物图像对应的亮度调整范围，以获取各图像采集设备对应的光源调整参数，根据各光源调整参数对各图像采集设备进行调整，得到调整后的各织物图像。
还包括：服务器根据各图像采集设备对应的各光源调整参数得到综合光源调整参数，以使光源调整模型根据综合光源调整参数，以及各图像采集设备的预设调整步长调整各图像采集设备的光源参数。实现了对所有图像采集设备进行统一参数调整。例如，当图像采集设备的数量为8个时，即8个图像采集设备如摄像机同时拍摄织物，计算得到每个摄像机应该调整的光源参数后，还应该进行加权求平均得到一个综合调整参数，利用这个综合调整参数对所有的摄像机的光源参数进行同时同幅度的调整。并且求综合调整参数的算法还可以包括根据权重求平均等算法，可根据具体的需求，计算综合调整参数。
在本实施例中，不仅可以对单个的图像采集设备的光源调整参数进行单独调整，还可以根据各光源调整参数计算得到综合调整参数，根据综合调整参数对图像采集设备进行综合调整，提高了对图像采集设备的光源参数调整的灵活度。
在一个实施例中，输出对应的织物图像之后，还包括：将织物图像输入整纬模型，以使整纬模型根据获取的预设阈值对织物图像的亮度进行调整，并计算调整亮度后的各织物图像对应的整纬精度值；提取最大的整纬精度值对应的织物图像。
服务器提供一个模拟环境，在该模拟环境中不断地调整从织物图像的亮度，具体地，将该织物图像输入整纬模型中，整纬模型获取预设阈值，根据该预设阈值对织物图像的亮度大小进行调整，以使整纬模型根据调整亮度后的织物图像进行整纬，并计算利用各调整后织物图像进行整纬处理对应的整纬精度值。需要说明的是，服务器可以在整纬算法中提供模拟环境进行织物图像亮度的调优和适配。
服务器提取最大的整纬精度值对应的织物亮度为该类别的织物对应的最佳预设亮度。并且，该最佳织物亮度和从初始的织物亮度的大小可以相同也可以不同。
并且，服务器还可以将获取的最佳织物亮度与织物类型进行关联绑定，形成织物亮度模板。
在本实施例中，在获取织物图像的过程中，首先通过比对织物图像亮度与预设亮度范围，实现对图像采集设备的光源参数的调整，实现了在采集织物图像的源头获取精度更加精确的织物图像，在采集图像的时候获取更多像素信息，实现了在源头上也就是获取织物图像的环节中减少织物图像质量的损失。然后还包括对获取的织物图像在算法中进行二次亮度调优，具体地，通过提供一个模拟环境实现对获取的织物图像的亮度的自动调优，使得获取的织物图像的亮度更加准确，提高了对织物进行整纬的精度。
在一个实施例中，获取织物图像对应的织物亮度，包括：对织物图像进行预处理得到织物灰度图；获取织物灰度图的直方图，根据直方图计算织物图像对应的织物亮度。
具体地，服务器可通过获取织物图像对应的直方图，根据直方图或者织物亮度。其中，还可以包括对直方图进行预处理，如平滑处理根据预处理后的直方图计算织物图像的织物亮度。或者服务器还可以根据织物图像的像素灰度值计算织物图像亮度。在此不作限制。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种织物图像获取装置，包括：亮度获取模块410、亮度范围查找模块420、判断模块430、调整模块440和织物图像获取模块450，其中：
亮度获取模块410，用于通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度。
亮度范围查找模块420，用于查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长。
判断模块430，用于判断所述当前织物亮度是否在所述预设亮度范围内。
调整模块440，用于当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数。
织物图像获取模块450，用于根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，所述亮度范围查找模块420，包括：
类别识别单元，用于提取所述织物对应的所述当前织物图像的花纹特征，根据所述花纹特征得到所述织物的类别。
亮度范围获取单元，用于从织物亮度数据库中查找所述织物的类别对应的预设亮度范围。
在一个实施例中，所述类别识别单元，包括：
局部特征提取子单元，用于提取所述织物图像的局部纹理特征。
多尺度特征提取子单元，用于获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征。
特征向量生成子单元，用于根据所述局部纹理特征以及所述多尺度特征生成特征向量。
类别识别子单元，用于根据所述特征向量得到所述织物的类别。
在一个实施例中，所述装置还包括，包括：
亮度范围获取模块，用于获取各类别的织物对应的预设亮度范围。
数据库生成模块，用于将各所述预设亮度范围与各所述类别进行关联，生成织物亮度数据库。
在一个实施例中，所述调整模块440，包括：
调整参数获取单元，用于获取各所述图像采集设备对应的光源调整参数。
调整参数单元，用于根据各所述光源调整参数得到综合光源调整参数，以使所述光源调整模型根据所述综合光源调整参数，以及各所述图像采集设备的所述预设调整步长调整各所述图像采集设备的光源参数。
在一个实施例中，所述装置还包括，还包括：
精度值计算模块，用于将所述织物图像输入整纬模型，以使所述整纬模型根据获取的预设阈值对所述织物图像的亮度进行调整，并计算调整亮度后的各所述织物图像对应的整纬精度值。
织物图像提取模块，用于提取最大的整纬精度值对应的织物图像。
在一个实施例中，所述亮度获取模块410，包括：
预处理单元，用于对所述织物图像进行预处理得到织物灰度图。
亮度获取单元，用于获取所述织物灰度图的直方图，根据所述直方图计算所述织物图像对应的织物亮度。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于搜索应用数据处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种织物图像获取方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；判断所述当前织物亮度是否在所述预设亮度范围内；当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，处理器执行计算机程序时实现所述查找所述织物关联的预设亮度范围的步骤时还用于：提取所述织物对应的所述当前织物图像的花纹特征，根据所述花纹特征得到所述织物的类别；从织物亮度数据库中查找所述织物的类别对应的预设亮度范围。
在一个实施例中，处理器执行计算机程序时实现所述提取所述织物对应的所述织物图像的花纹特征，根据所述花纹特征得到所述织物的类别的步骤时还用于：提取所述织物图像的局部纹理特征；获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；根据所述局部纹理特征以及所述多尺度特征生成特征向量；根据所述特征向量得到所述织物的类别。
在一个实施例中，处理器执行计算机程序时实现所述织物亮度数据库的生成方法的步骤时还用于：获取各类别的织物对应的预设亮度范围；将各所述预设亮度范围与各所述类别进行关联，生成织物亮度数据库。
在一个实施例中，处理器执行计算机程序时实现所述通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数的步骤时还用于：获取各所述图像采集设备对应的光源调整参数；根据各所述光源调整参数得到综合光源调整参数，以使所述光源调整模型根据所述综合光源调整参数，以及各所述图像采集设备的所述预设调整步长调整各所述图像采集设备的光源参数。
在一个实施例中，处理器执行计算机程序时实现所述输出对应的织物图像之后的步骤还用于：将所述织物图像输入整纬模型，以使所述整纬模型根据获取的预设阈值对所述织物图像的亮度进行调整，并计算调整亮度后的各所述织物图像对应的整纬精度值；提取最大的整纬精度值对应的织物图像。
在一个实施例中，处理器执行计算机程序时实现所述获取所述织物图像对应的织物亮度的步骤时还用于：对所述织物图像进行预处理得到织物灰度图；获取所述织物灰度图的直方图，根据所述直方图计算所述织物图像对应的织物亮度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；判断所述当前织物亮度是否在所述预设亮度范围内；当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，计算机程序被处理器执行时实现所述查找所述织物关联的预设亮度范围的步骤时还用于：提取所述织物对应的所述当前织物图像的花纹特征，根据所述花纹特征得到所述织物的类别；从织物亮度数据库中查找所述织物的类别对应的预设亮度范围。
在一个实施例中，计算机程序被处理器执行时实现所述提取所述织物对应的所述织物图像的花纹特征，根据所述花纹特征得到所述织物的类别的步骤时还用于：提取所述织物图像的局部纹理特征；获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；根据所述局部纹理特征以及所述多尺度特征生成特征向量；根据所述特征向量得到所述织物的类别。
在一个实施例中，计算机程序被处理器执行时实现所述织物亮度数据库的生成方法的步骤时还用于：获取各类别的织物对应的预设亮度范围；将各所述预设亮度范围与各所述类别进行关联，生成织物亮度数据库。
在一个实施例中，计算机程序被处理器执行时实现所述通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数的步骤时还用于：获取各所述图像采集设备对应的光源调整参数；根据各所述光源调整参数得到综合光源调整参数，以使所述光源调整模型根据所述综合光源调整参数，以及各所述图像采集设备的所述预设调整步长调整各所述图像采集设备的光源参数。
在一个实施例中，计算机程序被处理器执行时实现所述输出对应的织物图像之后的步骤还用于：将所述织物图像输入整纬模型，以使所述整纬模型根据获取的预设阈值对所述织物图像的亮度进行调整，并计算调整亮度后的各所述织物图像对应的整纬精度值；提取最大的整纬精度值对应的织物图像。
在一个实施例中，计算机程序被处理器执行时实现所述获取所述织物图像对应的织物亮度的步骤时还用于：对所述织物图像进行预处理得到织物灰度图；获取所述织物灰度图的直方图，根据所述直方图计算所述织物图像对应的织物亮度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种织物图像获取方法，所述方法包括：
通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；
查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；
判断所述当前织物亮度是否在所述预设亮度范围内；
当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；
根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
2.根据权利要求1所述的方法，其特征在于，所述查找所述织物关联的预设亮度范围，包括：
提取所述织物对应的所述当前织物图像的花纹特征，根据所述花纹特征得到所述织物的类别；
从织物亮度数据库中查找所述织物的类别对应的预设亮度范围。
3.根据权利要求2所述的方法，其特征在于，所述提取所述织物对应的所述织物图像的花纹特征，根据所述花纹特征得到所述织物的类别，包括：
提取所述织物图像的局部纹理特征；
获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；
根据所述局部纹理特征以及所述多尺度特征生成特征向量；
根据所述特征向量得到所述织物的类别。
4.根据权利要求2所述的方法，其特征在于，所述织物亮度数据库的生成方法，包括：
获取各类别的织物对应的预设亮度范围；
将各所述预设亮度范围与各所述类别进行关联，生成织物亮度数据库。
5.根据权利要求1所述的方法，其特征在于，所述通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数，包括：
获取各所述图像采集设备对应的光源调整参数；
根据各所述光源调整参数得到综合光源调整参数，以使所述光源调整模型根据所述综合光源调整参数，以及各所述图像采集设备的所述预设调整步长调整各所述图像采集设备的光源参数。
6.根据权利要求1所述的方法，其特征在于，所述输出对应的织物图像之后，还包括：
将所述织物图像输入整纬模型，以使所述整纬模型根据获取的预设阈值对所述织物图像的亮度进行调整，并计算调整亮度后的各所述织物图像对应的整纬精度值；
提取最大的整纬精度值对应的织物图像。
7.根据权利要求1至6任一所述的方法，其特征在于，所述获取所述织物图像对应的织物亮度，包括：
对所述织物图像进行预处理得到织物灰度图；
获取所述织物灰度图的直方图，根据所述直方图计算所述织物图像对应的织物亮度。
8.一种织物图像获取装置，所述装置包括：
亮度获取模块，用于通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；
亮度范围查找模块，用于查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；
判断模块，用于判断所述当前织物亮度是否在所述预设亮度范围内；
调整模块，用于当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；
织物图像获取模块，用于根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201911120696.0A 2019-11-15 2019-11-15 织物图像获取方法、装置、计算机设备和存储介质 Active CN110969193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911120696.0A CN110969193B (zh) 2019-11-15 2019-11-15 织物图像获取方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911120696.0A CN110969193B (zh) 2019-11-15 2019-11-15 织物图像获取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110969193A CN110969193A (zh) 2020-04-07
CN110969193B true CN110969193B (zh) 2023-04-18

Family

ID=70030737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911120696.0A Active CN110969193B (zh) 2019-11-15 2019-11-15 织物图像获取方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110969193B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595237B (zh) * 2020-05-13 2022-05-20 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
CN115359587B (zh) * 2022-10-21 2023-02-17 常州海图信息科技股份有限公司 一种微型cvbs图像采集系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2262900A (en) * 1999-03-31 2000-10-12 Made Toorder.Com Image enhancement for rasterized images
CN101096819A (zh) * 2006-06-27 2008-01-02 中国纺织科学研究院 织物的组织判别方法
CN101982826A (zh) * 2010-11-10 2011-03-02 中国船舶重工集团公司第七一○研究所 一种光源亮度自动调整的手指静脉采集识别方法
CN103336424A (zh) * 2013-06-15 2013-10-02 常州瑞昇科技有限公司 整纬机双核控制系统
CN108174172A (zh) * 2017-12-25 2018-06-15 广东欧珀移动通信有限公司 拍摄方法及装置、计算机可读存储介质和计算机设备
WO2018121185A1 (zh) * 2016-12-27 2018-07-05 杭州萤石网络有限公司 红外灯功率的调整方法及摄像设备
CN108830197A (zh) * 2018-05-31 2018-11-16 平安医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN109634027A (zh) * 2019-01-04 2019-04-16 广东智媒云图科技股份有限公司 一种光源亮度及位置的调节方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2262900A (en) * 1999-03-31 2000-10-12 Made Toorder.Com Image enhancement for rasterized images
CN101096819A (zh) * 2006-06-27 2008-01-02 中国纺织科学研究院 织物的组织判别方法
CN101982826A (zh) * 2010-11-10 2011-03-02 中国船舶重工集团公司第七一○研究所 一种光源亮度自动调整的手指静脉采集识别方法
CN103336424A (zh) * 2013-06-15 2013-10-02 常州瑞昇科技有限公司 整纬机双核控制系统
WO2018121185A1 (zh) * 2016-12-27 2018-07-05 杭州萤石网络有限公司 红外灯功率的调整方法及摄像设备
CN108174172A (zh) * 2017-12-25 2018-06-15 广东欧珀移动通信有限公司 拍摄方法及装置、计算机可读存储介质和计算机设备
CN108830197A (zh) * 2018-05-31 2018-11-16 平安医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN109634027A (zh) * 2019-01-04 2019-04-16 广东智媒云图科技股份有限公司 一种光源亮度及位置的调节方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
聚合物光纤发光织物的制备及其亮度测试;吕晨 等;《天津工业大学学报》;20130425;第42-45页 *

Also Published As

Publication number Publication date
CN110969193A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN105809123B (zh) 人脸检测方法及装置
CN110969193B (zh) 织物图像获取方法、装置、计算机设备和存储介质
CN112215201B (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
CN105320945A (zh) 图像分类的方法及装置
CN105404848A (zh) 识别装置以及识别装置的控制方法
CN110889838A (zh) 一种织物疵点检测方法及装置
CN110942012A (zh) 图像特征提取方法、行人重识别方法、装置和计算机设备
CN111368758A (zh) 一种人脸模糊度检测方法、装置、计算机设备及存储介质
WO2009158700A1 (en) Assessing biometric sample quality using wavelets and a boosted classifier
WO2019171124A1 (en) Method, device, system and program for setting lighting condition and storage medium
WO2021000832A1 (zh) 匹配人脸的方法、装置、计算机设备和存储介质
CN108460344A (zh) 屏幕中的动态区域智能识别系统及智能识别方法
CN111291773A (zh) 特征识别的方法及装置
CN110969154A (zh) 文本识别方法、装置、计算机设备和存储介质
CN110791944B (zh) 整纬机控制方法、装置、计算机设备和存储介质
AU2017443986B2 (en) Color adaptation using adversarial training networks
CN111553431A (zh) 图片清晰度检测方法、装置、计算机设备及存储介质
CN110942067A (zh) 文本识别方法、装置、计算机设备和存储介质
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
Raveane et al. Texture classification with neural networks
CN116994049A (zh) 全自动针织横机及其方法
CN115311248A (zh) 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备
CN110909649A (zh) 一种织物整纬方法、装置、计算机设备和存储介质
CN115564734A (zh) 一种产品检测方法、电子设备及存储介质
CN109886923A (zh) 一种用于互联网检测中基于机器学习的测量检测系统及办法

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