CN111062934B - 一种织物图像缺陷实时检测方法 - Google Patents

一种织物图像缺陷实时检测方法 Download PDF

Info

Publication number
CN111062934B
CN111062934B CN201911352729.4A CN201911352729A CN111062934B CN 111062934 B CN111062934 B CN 111062934B CN 201911352729 A CN201911352729 A CN 201911352729A CN 111062934 B CN111062934 B CN 111062934B
Authority
CN
China
Prior art keywords
fabric
image
color
gamma
region
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
CN201911352729.4A
Other languages
English (en)
Other versions
CN111062934A (zh
Inventor
陈金选
蔡启欣
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201911352729.4A priority Critical patent/CN111062934B/zh
Publication of CN111062934A publication Critical patent/CN111062934A/zh
Application granted granted Critical
Publication of CN111062934B publication Critical patent/CN111062934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种织物缺陷自动检测技术，特别是一种织物图像缺陷实时检测方法，采用工业相机获取织物图像并实时判断是否存在缺陷，利用工业相机获取的织物图像本身存在大量冗余信息，本发明提出的方法可以从大量的冗余信息中提取有用的信息，准确地判断出一张织物图像里是否存在缺陷。平均计算时间在0.15s左右，满足工业上实时性的要求。这种无接触式的判断手段不会对织物生产产生干扰，并且极大提升了产品的出厂合格率，助力工厂实现无人化。

Description

一种织物图像缺陷实时检测方法
技术领域
本发明涉及一种织物缺陷自动检测技术，特别是一种织物图像缺陷实时检测方法。
背景技术
在纺织品生产行业中，由于织造纺织品的机械设备本身的误差、原材料的偏差以及环境的不理想，会产生很多缺陷，其中有很多缺陷如拖纱、结头、断丝和修正不良等。因为这些缺陷的形状不规则、特征不明显而很难采用传统检测电路进行自动识别。
现有的针对不规则缺陷的检测识别主要有两种方式，一是依赖人工对不规则缺陷进行检测。但人工由于个体差异、疲劳等原因也经常出现漏检等情况。此外，由于不同检测工人具有不同验布经验，且责任心都不尽相同，因此，即便同一检验工也往往受个人因素等影响造成织物检验质量不稳定、一致性差等问题。
二是依赖自动识别设备进行检测。现有织物缺陷自动识别设备主要是通过深度学习类的AI检测电路来归纳缺陷的特征进行缺陷检测。这种方法不仅需要大量的缺陷数据样本来进行训练，而且要求待检测的缺陷特征与样本特征不能有太大差异，否则训练好的特征则不能适应新的缺陷，造成漏检和误检。而织物的很多缺陷因为并非全部是可预测的原因造成，导致形态多种多样，特征也不尽相同，而且如果在织物上另加一层印刷图案，则现有图像算法基本上很难应用于工业实践。
因此，提供一种无需大量缺陷样本进行训练又能替代人工检测的缺陷检测方法，已成为该行业中亟需解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，适应现实需要，提供一种织物图像缺陷实时检测方法。
为解决上述问题，本发明披露的一种技术方案为：
提出一种织物图像缺陷实时检测方法，包括采用工业相机实时获取织物图像，其特征在于包括如下步骤：
对所述织物图像进行滤波处理，所述滤波处理可以是中值滤波或者均值滤波或者高斯滤波或者是它们的组合；
将所述滤波后的织物图像R、G、B三通道进行分离，生成3张颜色特征图像并分别计算每张图像所有像素值的均值，将最大均值减最小均值得到最大差分均值，若所述最大差分均值大于预设差分阀值，则判断为颜色织物，否则判断为无颜色织物；
若判断为颜色织物，则利用所述颜色特征图进行图像分割提取织物区域，若判断为无颜色织物则利用人机交互获取织物区域；
将获取的织物区域设置为感兴趣区域，接下来的缺陷判定操作即在感兴趣区域内进行；
将感兴趣区域划分为n个子区域，子区域可以预设为矩形或者圆形，所述每个子区域包含mk个像素点，感兴趣区域的像素点gij属于哪一个子区域由其邻域决定，n为gij的函数，mk为ε、k与gij的函数，即n=f1(gij)、mk=∑f2(gij,ε,k)，其中ε为gij的邻域面积，i，j为图像平面上的坐标值，k为子区域的编号；或将n，mk预设为常数；
将所述每个子区域进行池化操作生成池化特征图C；
将所述池化特征图C进行若干次Gamma变换得到若干张特征图Gγ，即Gγ=Gamma(C,γ)，其中γ为Gamma值，每次Gamma变换保持γ值整数递增，并计算所述特征图Gγ中的非零像素点个数Hγ，当Hγ小于预设阀值时停止Gamma变换并令Maxγ等于此时的γ值；
令显著度W=∑(Hγ*γ)，其中γ=0，1,2……Maxγ，若W大于预设显著度阀值，则判定此张织物图像存在缺陷，否则，判定为无缺陷。
优选地，所述颜色特征图进行图像分割提取织物区域包括步骤：
将所述最大均值与最小均值对应的颜色特征图进行图像差分操作；
将得到的差分图像进行二值化得到二值图像；
再将所述滤波后的织物图像与所述二值图像进行差分即可分离出织物区域。
优选地，所述函数f1、f2可以为线性函数或者由BP神经网络确定。
优选地，所述每个子区域进行的池化操作可以是最大池化操作或者平均池化操作。
本发明的有益效果在于：
利用工业相机获取的织物图像本身存在大量冗余信息，本发明提出的方法可以从大量的冗余信息中提取有用的信息，准确地判断出一张织物图像里是否存在缺陷。平均计算时间在0.15s左右，满足工业上实时性的要求。这种无接触式的判断手段不会对织物生产产生干扰，并且极大提升了产品的出厂合格率，助力工厂实现无人化。
附图说明
图1为本发明的方法流程图。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例：如图1所示，采用工业相机获取的图像先进行中值滤波处理（中值滤波是指取像素点邻域像素的均值来替代该点像素值的操作，中值滤波可以去除图像的噪声点），而后将滤波后的织物图像R、G、B三通道进行分离，生成3张颜色特征图像并分别计算每张图像所有像素值的均值，将最大均值减最小均值得到最大差分均值，若所述最大差分均值大于预设差分阀值，则判断为颜色织物，否则判断为无颜色织物。
若判断为颜色织物，将最大均值对应的颜色特征图减去最小均值对应的颜色特征图得到差分图像，取阀值Tth执行二值化操作，即当差分图像的像素点大于Tth时，用0替代该点的像素值，当差分图像的像素点小于Tth时，用255替代该点的像素值，最后将滤波后的织物图像减去二值图像再进行闭区域操作即可分离出织物区域，此时织物区域像素点的值没有发生变化，而非织物区域的背景点的像素值全部为0。本文将颜色织物提取称为图像自动分割。
而无颜色织物则采用人工事先画框的方式告诉程序织物的大概位置，程序再进行略微修正，本文称这种方式为人机交互分割。
得到织物区域后，将织物区域设置为感兴趣区域以减小计算域，这样做一方面可以节省计算时间，一方面可以减少混入背景区域而造成的误判。
将感兴趣区域划分为n个子区域，子区域可以预设为矩形或者圆形，每个子区域包含mk个像素点，其中感兴趣区域的像素点gij属于哪一个子区域由其邻域决定，n为gij的函数，mk为ε、k与gij的函数，即n=f1(gij)、mk=∑f2(gij,ε,k)，其中ε为gij的邻域面积，i，j为图像平面上的坐标值，k为子区域的编号，∑为求和符号。而函数f1、f2可以为线性函数或者由BP神经网络确定，比如可以对每个像素进行加权求和计算n的值，权重由少量样本训练得到，gij属于哪一个子区域也可以由其邻域像素的加权求和来确定。使用线性函数简单明了，计算复杂度低，但是精度不高，而BP神经网络作为多层感知机（简单的一次加权求和为单层感知），精度较高，但是计算复杂度也较高。另外，对于简单纹理或者没有印刷图案的织物，可以将mk，n的值预设为常数。
得到mk，n之后随即进行池化操作，本实施例采用平均池化操作，即取子区域中所有像素值的均值代替当前区域进而形成尺寸更小的池化特征图C，这一步操作去除了大量的冗余信息。
将池化特征图C进行若干次Gamma变换得到若干张特征图Gγ，即Gγ=Gamma(C,γ)，其中γ为Gamma值，每次Gamma变换保持γ值整数递增，即计算G1=Gamma(C,1)，G2=Gamma(C,2)……，并相应计算特征图Gγ中的非零像素点个数Hγ，当Hγ小于预设阀值则停止Gamma变换并令Maxγ等于此时的γ值。本文将进行若干次Gamma变换称为Gamma循环。
上文所述的Gamma变换等同于Gamma校正，其通常操作步骤为：1、将整张图像像素点进行归一化得Iij，其中i，j为图像平面上的坐标值。2、令f (Iij)= (I ij)γ。3、对f (Iij)进行反归一化得到变换后的像素值。因为涉及到浮点数乘法与指数运算，直接按照公式进行计算十分耗时，实际操作中常用查表法进行加速。
最后，令显著度W=∑(Hγ*γ)，其中γ=0，1,2……Maxγ，若W大于预设阀值，则判定此张织物图像存在缺陷，否则，判定为无缺陷。
以上显示和描述了本发明的基本原理、主要特征及优点。本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。

Claims (4)

1.一种织物图像缺陷实时检测方法，包括采用工业相机实时获取织物图像，其特征在于包括如下步骤：
对所述织物图像进行滤波处理，所述滤波处理可以是中值滤波或者均值滤波或者高斯滤波或者是它们的组合；
将所述滤波后的织物图像R、G、B三通道进行分离，生成3张颜色特征图像并分别计算每张图像所有像素值的均值，将最大均值减最小均值得到最大差分均值，若所述最大差分均值大于预设差分阀值，则判断为颜色织物，否则判断为无颜色织物；
若判断为颜色织物，则利用所述颜色特征图进行图像分割提取织物区域，若判断为无颜色织物则利用人机交互获取织物区域；
将获取的织物区域设置为感兴趣区域，接下来的缺陷判定操作即在所述感兴趣区域内进行；
将感兴趣区域划分为n个子区域，子区域可以预设为矩形或者圆形，所述每个子区域包含mk个像素点，感兴趣区域的像素点gij属于哪一个子区域由其邻域决定，n为gij的函数，mk为ε、k与gij的函数，即n=f1(gij)、mk=∑f2(gij,ε,k)，其中ε为gij的邻域面积，i，j为图像平面上的坐标值，k为子区域的编号；或将n，mk预设为常数；
将所述每个子区域进行池化操作生成池化特征图C；
将所述池化特征图C进行若干次Gamma变换得到若干张特征图Gγ，即Gγ=Gamma(C,γ)，其中γ为Gamma值，每次Gamma变换保持γ值整数递增，并计算所述特征图Gγ中的非零像素点个数Hγ，当Hγ小于预设阀值时停止Gamma变换并令Maxγ等于此时的γ值；
令显著度W=∑(Hγ*γ)，其中γ=0，1,2……Maxγ，若W大于预设显著度阀值，则判定此张织物图像存在缺陷，否则，判定为无缺陷。
2.如权利要求1所述的一种织物图像缺陷实时检测方法，其特征在于，所述颜色特征图进行图像分割提取织物区域包括步骤：
将所述最大均值与最小均值对应的颜色特征图进行图像差分操作；
将得到的差分图像进行二值化得到二值图像；
再将所述滤波后的织物图像与所述二值图像进行差分即可分离出织物区域。
3.如权利要求1所述的一种织物图像缺陷实时检测方法，其特征在于：所述函数f1、f2可以为线性函数或者由BP神经网络确定。
4.如权利要求1所述的一种织物图像缺陷实时检测方法，其特征在于：所述每个子区域进行的池化操作可以是最大池化操作或者平均池化操作。
CN201911352729.4A 2019-12-25 2019-12-25 一种织物图像缺陷实时检测方法 Active CN111062934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911352729.4A CN111062934B (zh) 2019-12-25 2019-12-25 一种织物图像缺陷实时检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352729.4A CN111062934B (zh) 2019-12-25 2019-12-25 一种织物图像缺陷实时检测方法

Publications (2)

Publication Number Publication Date
CN111062934A CN111062934A (zh) 2020-04-24
CN111062934B true CN111062934B (zh) 2023-10-13

Family

ID=70303299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352729.4A Active CN111062934B (zh) 2019-12-25 2019-12-25 一种织物图像缺陷实时检测方法

Country Status (1)

Country Link
CN (1) CN111062934B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724396B (zh) * 2020-06-17 2023-07-14 泰康保险集团股份有限公司 图像分割方法及装置、计算机可读存储介质、电子设备
CN112257580A (zh) * 2020-10-21 2021-01-22 中国石油大学(华东) 一种基于深度学习的人体关键点定位检测方法
CN114565607B (zh) * 2022-04-01 2024-06-04 汕头市鼎泰丰实业有限公司 基于神经网络的织物缺陷图像分割方法
CN114596041A (zh) * 2022-05-10 2022-06-07 山东恒远智能科技有限公司 基于提高agv精度验证方式的智能仓储运输系统及方法
CN115393359A (zh) * 2022-10-28 2022-11-25 菲特（天津）检测技术有限公司 一种镜片表面缺陷检测用的图像处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103911717A (zh) * 2014-04-09 2014-07-09 西南大学 一种调整彩织视觉效果的方法
CN105158258A (zh) * 2015-07-15 2015-12-16 广西师范大学 一种基于计算机视觉的竹条表面缺陷检测方法
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
CN107341493A (zh) * 2017-07-14 2017-11-10 电子科技大学中山学院 基于分支相似度的地形特征线提取方法、装置及电子设备
CN107833220A (zh) * 2017-11-28 2018-03-23 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6804381B2 (en) * 2000-04-18 2004-10-12 The University Of Hong Kong Method of and device for inspecting images to detect defects

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103911717A (zh) * 2014-04-09 2014-07-09 西南大学 一种调整彩织视觉效果的方法
CN105158258A (zh) * 2015-07-15 2015-12-16 广西师范大学 一种基于计算机视觉的竹条表面缺陷检测方法
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
CN107341493A (zh) * 2017-07-14 2017-11-10 电子科技大学中山学院 基于分支相似度的地形特征线提取方法、装置及电子设备
CN107833220A (zh) * 2017-11-28 2018-03-23 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LBP和HOG特征的图案织物缺陷检测;马浩;景军锋;苏泽斌;张缓缓;李鹏飞;;电子测量与仪器学报(第04期);全文 *

Also Published As

Publication number Publication date
CN111062934A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062934B (zh) 一种织物图像缺陷实时检测方法
CN104992449B (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN111080622B (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN103439338B (zh) 薄膜缺陷分类方法
CN109472271B (zh) 印刷电路板图像轮廓提取方法及装置
CN105865329B (zh) 基于视觉的成捆圆钢端面中心坐标的获取系统和方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
US10043259B2 (en) Facilitating anomaly detection for a product having a pattern
CN108090434B (zh) 一种矿石快速识别方法
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
CN113083804A (zh) 激光智能除锈方法、系统及可存读介质
CN111060442A (zh) 一种基于图像处理的油液颗粒检测方法
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN115078365A (zh) 一种软包装印刷质量缺陷检测方法
CN114627089A (zh) 缺陷识别方法、装置、计算机设备及计算机可读存储介质
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
CN108615039A (zh) 基于计算机视觉的弹壳表面缺陷自动检测方法
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN110632094B (zh) 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN110516725B (zh) 基于机器视觉的木板条纹间距和颜色的检测方法
CN105913440A (zh) 一种基于双峰模式判别的织物材料表面疵点分割方法
CN109272480B (zh) 一种不相溶溶液分界线的检测方法
CN114202544B (zh) 一种基于自编码器的复杂工件缺陷检测方法

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