CN111127383A - 一种数码印花在线缺陷检测系统及其实现方法 - Google Patents
一种数码印花在线缺陷检测系统及其实现方法 Download PDFInfo
- Publication number
- CN111127383A CN111127383A CN201910195693.7A CN201910195693A CN111127383A CN 111127383 A CN111127383 A CN 111127383A CN 201910195693 A CN201910195693 A CN 201910195693A CN 111127383 A CN111127383 A CN 111127383A
- Authority
- CN
- China
- Prior art keywords
- image
- gaussian
- defect
- printing
- model
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 239000004744 fabric Substances 0.000 claims abstract description 43
- 239000000203 mixture Substances 0.000 claims abstract description 23
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000000737 periodic effect Effects 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000007921 spray Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000006740 morphological transformation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 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 1
- 241001522633 Betula utilis subsp. albosinensis Species 0.000 description 1
- 239000008830 Carthamus tinctorius Honghua extract Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种数码印花在线缺陷检测系统及其实现方法。本发明设计了一套数码印花缺陷检测系统，针对不同的织物图案提出两种缺陷检测算法：第一种对于周期性的印花图案织物，提出了基于改进的多通道Gabor的缺陷检测算法，通过融合不同方向和尺度的Gabor滤波器组，以标准印花样本图像特征参数作为阈值，结合形态学处理，实现印花织物缺陷的检测；第二种对于印花随机的图案织物，提出了基于改进的高斯混合模型的缺陷检测算法，能够有效解决光照变换和细微抖动带来的影响，准确定位印花图像中的缺陷位置。本发明在检测时间和检测准确性方面可以满足实际生产线的要求。
Description
技术领域
本发明涉及一种数码印花在线缺陷检测系统及其实现方法，属于机器视觉和图像处理领域，能够有效地替代人工检测，具有很好的工程应用价值。
背景技术
20世纪90年代，数码印花技术开始兴起，与传统印花技术相比，具有全过程数字化、占地面积小、印花精度高、响应速度快，操作简单，无颜色套数和花回长度限制等优势，可实现小批量、短周期、富颜色、小污染等诸多优点的印花生产，受到了业界广泛的认同。尽管数码印花新技术优势突出，但仍存在一些弊端，如由于设备硬件故障，操作环境影响等因素会造成打印的印花图案出现各种各样的缺陷，不及时发现和解决出现的故障，会导致大量残次品产生，需要很多检测人员随机监控等问题。因此本发明提出了一种数码印花在线检测方法，通过总结现有织物缺陷检测算法的优势与不足，对印花织物缺陷算法进行了理论分析和算法改进。
国外数码印花缺陷检测经历了十多年的发展，算法研究主要基于小波变换，双阈值二值化、形态学运算等，在数码印花缺陷检测的仪器方面，国外已经出现许多商用的数码印花自动检测的机器，如德国 mahlo的WEBSCAN自动检测系统等。但国外系统虽然性能比较高，但价格十分昂贵，只能对特定类型的缺陷进行检测，维护成本极高，并不适合国内普遍的中小纺织企业使用。与国外研究相比，国内织物缺陷检测起步较晚，且主要集中在无图案织物的缺陷检测的理论研究上，在印花织物检测算法的研究还很少。其检测算法大致分为统计方法、频谱方法、模型方法和机器学习方法四大类。在数码印花缺陷检测的仪器方面，目前国内该没有大规模使用的成熟检测设备，国内生产厂商主要以陕西长岭纺电和杭州宏华数码科技等公司对各种类型的布匹缺陷进行在线检测，但大多还处于研发阶段，很多关键技术没有很好的解决，如检测精度低，检测对象单一，算法效率不高等问题，并不能直接投入市场使用。
发明内容
本发明的目的是针对现有技术的不足，提供一种数码印花在线缺陷检测系统及其实现方法。
一种数码印花在线缺陷检测系统，包括光源模块、图像采集模块、图像分析与检测模块；
光源模块选用线扫描相机专用的LED光源，且选用漫射照明；
图像采集模块中的工业相机选用Sentech公司的彩色陷阵相机 FS-C4KU7DCL；通过工业相机对印花图像进行采集，并对采集到的印花图像进行预处理，即抑制图像噪声和增强图像的对比度，采用基于二维伽马的函数的光照不均匀图像自适应校正算法进行校正，最后使用高斯滤波去除图像噪声；
图像分析与检测模块：根据不同的喷印花型，再选择相应缺陷检测算法，对于周期性的印花图案织物，使用基于改进的多通道Gabor 的缺陷检测算法；对于印花随机的图案织物，使用基于改进的高斯混合模型的缺陷检测算法。
一种数码印花在线缺陷检测系统的实现方法，具体包括如下步骤：
步骤(1)数码印花图像的采集与预处理；
步骤(2)根据喷印花型的不同，分为周期性的印花图案织物和印花随机的图案织物；
步骤(3)对于周期性的印花图案织物，使用基于改进的多通道 Gabor的缺陷检测算法；
步骤(4)对于印花随机的图案织物，使用基于改进的高斯混合模型的缺陷检测算法；
步骤(1)中首先通过工业相机对印花图像进行采集，数码印花机的运动一次时间为打印时间加上打印等待时间；在采集完印花图像后，需对其预处理：抑制图像噪声和增强图像的对比度，即采用基于二维Gamma的函数的光照不均匀图像自适应校正算法进行校正，使用高斯滤波去除图像噪声。
所述步骤(3)具体实现如下：
3-1.特征提取：在检测开始前，采集一幅无缺陷图像样本进行参数训练，经过预处理后利用Gabor滤波器组滤波，获得一组特征参考图片
计算各通道参考图像的均值μmn和标准差σmn作为后续的度量标准；检测开始后，对每幅采集的测试图片进行预处理和Gabor 滤波器组滤波，得到一组参考图像
根据图像的统计特征作判决，判决方法如公式(1)所示：
其中，ε为控制错误拒绝的概率；
3-2.采用多通道融合的方式获取更精确地检测结果，具体分两步进行融合：
3-2-1.第一次相同角度不同尺度Gabor通道融合：
对同一方向上的所有尺度进行融合，得到尺度融合子图 An(x,y),q＝1,2...n，其中n为Gabor滤波器的方向数量；
3-2-2.第二次不同角度Gabor通道融合：
通过损失评价函数先对每个通道进行计算，再根据不同角度通道的损失值进行比重排序，最后选择损失函数值最大的三个通道进行融合获取最终融合图像，具体步骤如下：
①对每个通道，把融合图像分割成K个互不重复，长宽为l*l的正方形子区域；
②计算融合通道中每个子区域的输出幅度均值，对于通道An：
比较后得到最大子区域均值为
最小子区域均值为
③用如下损失函数衡量第i个融合子区域的输出，i＝1,2…n：
④对所有融合子区域使用公式(4)，取损失函数值J最大的三个通道进行融合，再取平均值，最后得到的融合结果为：
3-3.最终融合图像的二值化：为了从融合后的图像G(x,y)中分割出缺陷，需要对最终融合图像进行二值化，采用自动阈值分割法对最终融合图像进行二值化处理，并对二值化后的图像进一步使用形态学滤波。
所述步骤(4)具体实现如下：
4-1.高斯模型建立：在进行缺陷检测前需要对模型进行训练，首先采集n张无瑕疵缺陷的图片，并设定初始参数：均值u(x,y)＝0，方差σ2(x,y)＝0；当第一幅无缺陷图像I(x,y,0)输入时，从第一个像素点开始，对每个像素点进行建模，并单独设置好固定的均值、方差和权值；采用3个高斯模型组成高斯混合模型；对于像素点(x0,y0)，对于采集的第n张图片xn＝[rn,gn,bn]T，属于印花织物图像的概率为：
其中，K为高斯分布的个数，可根据计算机计算性能进行调整，取值为3；wj,t为第j个高斯模型的权重，
为第n幅图像的第j个高斯协方差矩阵，且
σj,n为协方差；η(xn；uj,t,∑j,n) 为第j个高斯密度函数，定义为：
4-2.高斯模型分布排序：根据公式(7)计算优先级，并根据优先级进行对高斯模型进行排序：
先以权值顺序进行排序，权值的模型排在前面，权值相同的以标准差进行排序，标准差小的模型排在前面；然后将满足如下公式(8) 进行模型选择：
其中，B＝argminB(.)表示满足括号内不等式条件下B的最小值； T为阈值且可根据图像的背景图案复杂程度进行设置，图案越复杂， T值设置越大；
4-3.高斯匹配：对于采集的第n张图像，将待测像素xn与高斯混合模型中的3个高斯模型进行匹配：
|xn-un-1,j|＜2.5σn-1,j (9)
即第n张图像中所有的待测像素与3个高斯模型中任意一个高斯模型的均值差在2.5σ内，则存在匹配，表明该第n张图像属于印花织物中的正常图像；否则被认为是缺陷；
4-4.参数更新：
对于每一个高斯模型，对其权值通过公式(10)进行更新：
ωj,n＝(1-α)×ωj,n-1+α×ωj,n (10)
其中，α是学习率且α∈(0,1)，α取值越大，模型对于微小干扰越敏感，反之会影响模型的更新速度；当取α＝0时，模型不再更新；
对于未匹配的高斯模型，保持其均值μ和方差σ2不变；
对于匹配的高斯模型均值和方差，参数更新如下：
μj,n＝(1-ρ)μj,n-1+ρxn (11)
其中ρ为学习率，其值为：
ρ＝αη(xn-1；uj,n-1,∑j,n-1) (13)
更新之后返回步骤4-4继续循环迭代进行待测像素的匹配，直至所有待测像素完成匹配；
4-4.形态学变换：通过形态学变换对经高斯混合模型算法处理后的图像进行噪声的剔除，最终得到印花缺陷区域。
本发明对高斯混合模型算法的改进实现如下：
⑴对于步骤4-1中采集的第n幅图像In(x,y)，从图像左上角开始，按行分割成4*4和2*2像素块，当图像边缘像素不足时，使用0填充法，保证整个图像完整分割；
⑵根据公式(14)和(15)计算4*4和2*2像素块的均值：
⑶根据高斯模型建立方式对
进行高斯建模和排序；
(4)使用4*4像素块进行高斯匹配，若匹配成功，则判断该像素块对应的16个像素都为正常像素，进行正常的参数更新，然后依次处理下一个像素块。若匹配不成功，将4*4像素块分割成2*2像素块继续进行匹配，若匹配成功，则判断该像素块对应的4个像素没有缺陷存在，进行正常的参数更新，再依次处理下一个像素块，若不匹配则以传统的单像素模式与高斯模型进行匹配，直到最后一个像素点为止。
本发明有益效果如下：
本发明以计算机视觉技术为基础，以实际生产中的印花机为平台，可以准确检测喷印阶段产生的常见印花缺陷，并给予警报提示，以达到减员增效的效果。首先对工业像机采集的印花织物图像进行滤波去噪和光照不均校正等预处理，消除噪声干扰，增强缺陷部分和正常图像的对比度。其次根据喷印花型的不同，提出了两种印花缺陷检测算法：对于周期性的印花图案织物，提出了基于改进的多通道Gabor 的缺陷检测算法，通过融合不同方向和尺度的Gabor滤波器组，以标准印花样本图像特征参数作为阈值，结合形态学处理，实现印花织物缺陷的检测；对于印花随机的图案织物，提出了基于改进的高斯混合模型的缺陷检测算法，能够有效解决光照变换和细微抖动带来的影响，准确定位印花图像中的缺陷位置。最后，通过对平纹和斜纹印花布匹的测试，该印花缺陷检测系统在检测时间和检测准确性方面可以满足实际生产线的要求。
附图说明
图1为本发明的数码印花缺陷检测系统的流程图。
图2为本发明的数码印花缺陷检测算法流程图。
图3为本发明基于改进的多通道Gabor的缺陷检测算法流程图。
图4为本发明基于改进的高斯混合模型的缺陷检测算法流程图。
具体实施方式
下面结合附图对本发明所述技术方案的实施方式作进一步的详细描述。
如图1-4所示，本发明具体实现如下：
步骤(1)搭建数码印花缺陷检测系统；
步骤(2)数码印花图像的采集与预处理；
步骤(3)根据喷印花型的不同，分为周期性的印花图案织物和印花随机的图案织物；
步骤(4)对于周期性的印花图案织物，使用基于改进多通道 Gabor的缺陷检测算法；
步骤(5)对于印花随机的图案织物，使用基于改进的高斯混合模型的缺陷检测算法。
步骤(1)分析了数码印花过程中常见缺陷及产生原因，其次对检测系统进行搭建，包括硬件设备选择和实现流程的设计。本文搭建的检测系统平台主要有四个模块组成：1)光源模块；2)图像采集模块；3)图像分析与检测模块；4)警报和显示装置。
在印花缺陷检测中，印花布匹幅面较宽，因此本发明光源模块选用线扫描相机专用的LED光源，考虑到本发明是对印花图像进行检测，背向照明会受到不同的深浅颜色的影响，因此本发明选用漫射照明。工业相机选用Sentech公司的彩色陷阵相机FS-C4KU7DCL，可基本满足检测系统需求。
数码印花缺陷检测设备选择描述如下：
1-1.参数配置：将准备打印的一幅完整图像的长度、宽度、打印方式及每次步进的距离通过数码上位机输入缺陷检测系统。
1-2.模板图像处理：分为图像采集、图像处理和图像特征参数提取三个不同步骤。检测开始前，需要采集一幅完整的模板图像，对模板图像进行预处理后，提取图像特征参数作为后续缺陷检测的判断阈值。
1-3.缺陷检测：对正在打印中的印花图像做检测，分为印花图像采集，图像与处理和参数提取等步骤。
1-4.缺陷判定：将测试图像与标准图像中相应的帧图像的特征参数进行对比分析，根据设定的阈值，对图像进行判定，最终分离出瑕疵区域。
步骤(2)中首先通过工业相机对印花图像进行采集，数码印花机的运动一次时间为打印时间加上打印等待时间，约1.5s，所以必须这段时间内完成印花图像的传输和处理，实现系统的实时性要求。在采集完印花图像后，需对其预处理，通过抑制图像噪声和增强图像的对比度，可以有效地提高图像质量，有利于后续对于图像缺陷的准确定位。针对光照不均的情况，本发明采用基于二维Gamma的函数的光照不均匀图像自适应校正算法进行校正，最后使用高斯滤波去除图像噪声。
步骤(3)中根据不同的喷印花型，选择相应的缺陷检测算法。
步骤(4)中的基于改进多通道Gabor的缺陷检测算法，流程图如图 3所示，具体实现步骤如下：
4-1.印花类型选择：因为数码印花的花型具有随机性，理论上任何形状的花型都可以出现，但是由于Gabor滤波器的特性和算法判决条件的限制，故对周期性的印花图案具有很好的检测效果，而对花型随机的印花图案检测效果大幅下降。
4-2.特征提取：在检测开始前，需要采集一幅无缺陷图像样本进行参数训练，经过预处理后利用Gabor滤波器组滤波，获得一组特征参考图片
计算各通道参考图像的均值μmn，标准差σmn作为后续的度量标准。检测开始后，对每幅采集的测试图片进行预处理和上述的Gabor滤波，得到一组参考图像
因为图像缺陷的存在，破坏了周期图案的排列顺序，导致印花缺陷区域不同于正常印花区域，因此可根据图像的统计特征做出判决，判决方法如公式(1)所示：
其中ε为控制错误拒绝的概率，它决定了敏感度，采集的图像分辨率越高，其值可设置越大，根据经验ε＝2～3适合高分辨率的图像。
4-3.Gabor滤波器组是多方向多角度滤波，不同的滤波通道获得的信息不同，所以采用多通道融合的方式可以得到更精确地检测结果。经研究发现，Gabor滤波器对方向信息比较灵敏，而印花缺陷破坏布匹的印花纹理特征，所以在使用多通道处理图像时，方向信息比尺度信息更重要。本发明结合实际应用背景和Gabor滤波器自身的特点，分两步进行融合。
4-3-1.第一次相同角度不同尺度Gabor通道融合：首先对同一方向上的所有尺度进行融合，得到尺度融合子图An(x,y),q＝1,2...n.其中 n为Gabor滤波器的方向数量。
4-3-2.第二次不同角度Gabor通道融合：各个的尺度融合子图An反映了不同方向的缺陷信息，对方向性比较强的缺陷，各子图检测信息存在差异，如果默认各通道的权值相同，会导致贡献较小的通道造成方向信息的冗余，影响检测精度，增加无意义的计算量；所以需要对各通道进行加权并排序，从中选择包含较多缺陷信息的通道再次进行融合。本发明提出的一种简单而有效的损失评价函数，先对每个通道进行计算，再根据不同角度通道的损失值进行比重排序，最后选择损失函数值最大的三个通道进行融合，获取融合图像。具体步骤如下：
①对每个通道，把融合图像分割成K个互不重复，长宽为l*l的正方形子区域。
②计算融合通道中每个子区域的输出幅度均值，对于通道An：
比较后得到最大子区域均值为
最小子区域均值为
③用如下损失函数衡量第i个融合子图的输出，i＝1,2…n：
④对所有融合子图使用如上损失函数，取损失函数值J最大的三个通道进行融合，再取平均值，最后得到的融合结果为：
4-4.融合图像的二值化：为了从融合后的图像G(x,y)中分割出缺陷，需要对融合图像进行二值化，本发明采用自动阈值分割法来进行二值化处理，并对二值化后的图像进一步使用形态学滤波，减少噪声对检测结果的影响，提高缺陷检测的准确性。
实施例1：
为了验证上述算法的检测效果，本发明选择了具有代表性的两种布匹纹理：平纹和斜纹；以及三类典型缺陷：第一类为点状缺陷，选取喷头滴墨缺陷图像等样本；第二类为线状缺陷，选取喷头堵塞缺陷图像等样本；第三类为面状缺陷，选取水渍缺陷图像等样本。每种缺陷取10张图片作为实验样本，共计60张样本图片。这些检测样本图像是通过数码相机采集而来，样本大小被量化为512像素*512像素。在本实验中，采用了6个方向3个尺度的Gabor滤波器组(尺度膨胀m＝3, 角度旋转次数n＝6，6个方向是对0～π进行等分；三个尺度σn为： 1.5+n，n＝1,2,3。敏感度参数设置为3。参数的设置需根据计算机性能和和实验对象种类及分辨率进行选择，同时也要兼顾计算复杂度和检测精度。实验运行的硬件环境Interi5.8300H 2.3GHz CPU；8GB内存的计算机，软件环境为：Matlab R2017a。从实验结果来看，不同形态的印花缺陷已经被检测出来；相比于平纹布，带有方向纹理的斜纹布检测更加准确。
步骤(5)中基于改进的高斯混合模型的缺陷检测算法，流程图如图4所示，具体步骤为：
5-1.高斯模型建立：在进行缺陷检测前需要对模型进行训练，首先采集n张无瑕疵缺陷的图片，设定初始参数：均值u(x,y)＝0，方差σ2(x,y)＝0；当第一幅无缺陷图像输入时，从第一个像素点开始，对每个像素点进行建模，单独设置好固定的均值、方差和权值。本发明进行试验时采用的高斯模型个数为3个，组成高斯混合模型；对于像素点(x0,y0)，对于采集的第n张图片xn＝[rn,gn,bn]T，属于印花织物图像的概率为：
其中，K为高斯分布的个数，可根据计算机计算性能进行调整，本发明模型个数设置为3；wj,t为第j个高斯模型的权重，
为第n幅图像的第j个高斯协方差矩阵，且
σj,n为协方差，η(xn；uj,t,∑j,n)为第j个高斯密度函数，定义为：
5-2.高斯模型分布排序：按照公式(7)，计算优先级并根据优先级进行对高斯模型进行排序：
先以权值顺序进行排序，权值的模型排在前面，权值相同的以标准差进行排序，标准差小的模型排在前面。然后将满足如下公式(8) 进行模型选择：
其中B＝argminB(.)表示满足括号内不等式条件下B的最小值；T 为阈值且，可根据图像的背景图案复杂程度进行设置，图案越复杂， T值设置越大。
5-3.高斯匹配：对于采集的第n张图像，将待测像素xn与高斯混合模型中的3个高斯模型进行匹配，若满足：
|xn-un-1,j|＜2.5σn-1,j (9)
即第n张图像中所有的待测像素与三个高斯模型中任意一个高斯模型的均值差在2.5σ内，则表明该第n张图像属于印花织物中的正常图像；若都不匹配，则被认为是缺陷；
根据实际情况，此时如果当前高斯模型小于3个，就增加一个模型并初始化参数；若当前模型数量已有3个，就用新的高斯分布代替权值最小的高斯分布。
5-4.参数更新：对于每一个模型而言，其权值公式(10)进行更新：
ωj,n＝(1-α)×ωj,n-1+α×ωj,n (10)
其中，α是学习率且α∈(0,1)，α取值越大，模型对于微小干扰越敏感，反之会影响模型的更新速度。当取α＝0时，背景模型不再更新。本发明的实验中α取值为0.01。
对于未匹配的高斯模型，保持其均值μ和方差σ2不变；
对于匹配的高斯模型均值和方差，参数更新如下：
μj,n＝(1-ρ)μj,n-1+ρxn (11)
其中ρ为学习率，其值为：
ρ＝αη(xn-1；uj,n-1,∑j,n-1) (13)
更新之后继续循环迭代进行像素匹配。
5-5.形态学变换：经高斯混合模型算法处理后的图像还会存在一些随机的图像噪声，为了更准确的检测出缺陷区域，最后使用形态学变换进行噪声的剔除，最终得到印花缺陷区域。
5-6.算法优化：经过深入研究发现，高斯混合模型是基于单个像素点来建立的背景模型，认为相邻的像素点之间的灰度值不相关的，导致再进行像素匹配时，将当前像素点和背景模型进行对比后，直接对像素点进行判断，导致算法检测精度低，检测时间较长。而在实际的印花图案中，印花图像相邻像素之间不是独立存在的，是具有相关性，而且缺陷区域的相邻像素也存在相关性，基于以上特性，本发明进行如下改进：
5-6-1.对于采集的第n幅图片，从图像左上角开始，按行分割成 4*4和2*2像素块，当图像边缘像素不足时，使用0填充法，保证整个图像可以完整分割。
5-6-2.按照公式(14)和(15)计算4*4和2*2像素块的均值：
5-6-3.按照之前的模型对
进行高斯建模和排序。
5-6-4.使用4*4像素块进行高斯匹配，若匹配成功，则判断该像素块对应的16个像素都为正常像素，进行正常的参数更新，然后依次处理下一个像素块。若匹配不成功，将4*4像素块分割成2*2像素块继续进行匹配，若匹配成功，则判断该像素块对应的4个像素没有缺陷存在，进行正常的参数更新，再依次处理下一个像素块，若不匹配则以传统的单像素模式与高斯模型进行匹配，直到最后一个像素点为止。
实施例2：
为验证算法的检测效果。本次实验首先对常用的背景差分法，高斯混合模型检测算法(GMM)和改进的高斯混合模型检测算法这三种算法作对比分析，再对改进GMM算法进行效率和准确率方面的检测。实验运行的硬件环境和软件环境和前一节一致，首先对不同算法的检测结果作对比分析：本次实验选取不同缺陷类型的印花图案30 幅。
表1 3种检测方法对比
通过三种检测算法的对比，背景差分法检测图像出现很多噪声，很多不属于缺陷区域的像素也被错误检测为缺陷像素；基于GMM检测算法可以很好地抑制图像的噪声，但是由于每个像素点之间相互独立，在高斯匹配过程中，独立的进行硬判决，使得检测精度不高，而改进的GMM算法由于引入分块思想，提高了检测精度，检测正确率较高。
综上所诉，本发明构建了一种数码印花在线检测的方法，深入研究数码印花整个流程，设计出一套数码印花在线检测系统的方案。针对采集图像中可能存在的噪声及光照不均匀现象，对图像进行去噪和增强，再通过调整二维Gamma函数，对光照不均匀进行自适应的校正处理。提出了一种基于改进多通道Gabor的缺陷检测算法，基于一种多通道信息融合的机制，先对不同尺度的通道进行融合，再根据损失评价函数对同一方向通道进行融合，得到多通道Gabor滤波融合图像，并对融合后的图像使用自动阈值分割方法和形态学后处理，最终获得缺陷区域。同时提出了一种基于改进的高斯混合模型的数码印花缺陷检测算法，先使用K个高斯模型对印花织物图像中各个像素的进行建模，再对下一次采集的印花图像进行高斯匹配，若匹配，则判为正常，否则为疵点，最后通过引入分块建模改进原有模型，使得算法具有更好的实时性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管按照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种数码印花在线缺陷检测系统，其特征在于包括：光源模块、图像采集模块、图像分析与检测模块；
光源模块选用线扫描相机专用的LED光源，且选用漫射照明；
图像采集模块中的工业相机选用Sentech公司的彩色陷阵相机FS-C4KU7DCL；通过工业相机对印花图像进行采集，并对采集到的印花图像进行预处理，即抑制图像噪声和增强图像的对比度，采用基于二维Gamma的函数的光照不均匀图像自适应校正算法进行校正，最后使用高斯滤波去除图像噪声；
图像分析与检测模块：根据不同的喷印花型，再选择相应缺陷检测算法，对于周期性的印花图案织物，使用基于改进的多通道Gabor的缺陷检测算法；对于印花随机的图案织物，使用基于改进的高斯混合模型的缺陷检测算法。
2.根据权利要求1所述的一种数码印花在线缺陷检测系统的实现方法，其特征在于具体包括如下步骤：
步骤(1)数码印花图像的采集与预处理；
步骤(2)根据喷印花型的不同，分为周期性的印花图案织物和印花随机的图案织物；
步骤(3)对于周期性的印花图案织物，使用基于改进的多通道Gabor的缺陷检测算法；
步骤(4)对于印花随机的图案织物，使用基于改进的高斯混合模型的缺陷检测算法；
步骤(1)中首先通过工业相机对印花图像进行采集，数码印花机的运动一次时间为打印时间加上打印等待时间；在采集完印花图像后，需对其预处理：抑制图像噪声和增强图像的对比度，即采用基于二维Gamma的函数的光照不均匀图像自适应校正算法进行校正，使用高斯滤波去除图像噪声。
3.根据权利要求2所述的一种数码印花在线缺陷检测系统的实现方法，其特征在于步骤(3)具体实现如下：
3-1.特征提取：在检测开始前，采集一幅无缺陷图像样本进行参数训练，经过预处理后利用Gabor滤波器组滤波，获得一组特征参考图片
计算各通道参考图像的均值μmn和标准差σmn作为后续的度量标准；检测开始后，对每幅采集的测试图片进行预处理和Gabor滤波器组滤波，得到一组参考图像
根据图像的统计特征作判决，判决方法如公式(1)所示：
其中，ε为控制错误拒绝的概率；
3-2.采用多通道融合的方式获取更精确地检测结果，具体分两步进行融合：
3-2-1.第一次相同角度不同尺度Gabor通道融合：
对同一方向上的所有尺度进行融合，得到尺度融合子图An(x,y),q＝1,2...n，其中n为Gabor滤波器的方向数量；
3-2-2.第二次不同角度Gabor通道融合：
通过损失评价函数先对每个通道进行计算，再根据不同角度通道的损失值进行比重排序，最后选择损失函数值最大的三个通道进行融合获取最终融合图像，具体步骤如下：
①对每个通道，把融合图像分割成K个互不重复，长宽为l*l的正方形子区域；
②计算融合通道中每个子区域的输出幅度均值，对于通道An：
比较后得到最大子区域均值为
最小子区域均值为
③用如下损失函数衡量第i个融合子区域的输出，i＝1,2…n：
④对所有融合子区域使用公式(4)，取损失函数值J最大的三个通道进行融合，再取平均值，最后得到的融合结果为：
3-3.最终融合图像的二值化：为了从融合后的图像G(x,y)中分割出缺陷，需要对最终融合图像进行二值化，采用自动阈值分割法对最终融合图像进行二值化处理，并对二值化后的图像进一步使用形态学滤波。
4.根据权利要求2或3所述的一种数码印花在线缺陷检测系统的实现方法，其特征在于步骤(4)具体实现如下：
4-1.高斯模型建立：在进行缺陷检测前需要对模型进行训练，首先采集n张无瑕疵缺陷的图片，并设定初始参数：均值u(x,y)＝0，方差σ2(x,y)＝0；当第一幅无缺陷图像输入时，从第一个像素点开始，对每个像素点进行建模，并单独设置好固定的均值、方差和权值；采用3个高斯模型组成高斯混合模型；对于像素点(x0,y0)，对于采集的第n张图片xn＝[rn,gn,bn]T，属于印花织物图像的概率为：
其中，K为高斯分布的个数，可根据计算机计算性能进行调整，取值为3；wj,t为第j个高斯模型的权重，
为第n幅图像的第j个高斯协方差矩阵，且
σj,n为协方差；η(xn；uj,t,∑j,n)为第j个高斯密度函数，定义为：
4-2.高斯模型分布排序：根据公式(7)计算优先级，并根据优先级进行对高斯模型进行排序：
先以权值顺序进行排序，权值的模型排在前面，权值相同的以标准差进行排序，标准差小的模型排在前面；然后将满足如下公式(8)进行模型选择：
其中，B＝argminB(.)表示满足括号内不等式条件下B的最小值；T为阈值且可根据图像的背景图案复杂程度进行设置，图案越复杂，T值设置越大；
4-3.高斯匹配：对于采集的第n张图像，将待测像素xn与高斯混合模型中的3个高斯模型进行匹配：
|xn-un-1,j|＜2.5σn-1,j (9)
即第n张图像中所有的待测像素与3个高斯模型中任意一个高斯模型的均值差在2.5σ内，则存在匹配，表明该第n张图像属于印花织物中的正常图像；否则被认为是缺陷；
4-4.参数更新：
对于每一个高斯模型，对其权值通过公式(10)进行更新：
ωj,n＝(1-α)×ωj,n-1+α×ωj,n (10)
其中，α是学习率且α∈(0,1)，α取值越大，模型对于微小干扰越敏感，反之会影响模型的更新速度；当取α＝0时，模型不再更新；
对于未匹配的高斯模型，保持其均值μ和方差σ2不变；
对于匹配的高斯模型均值和方差，参数更新如下：
μj,n＝(1-ρ)μj,n-1+ρxn (11)
其中ρ为学习率，其值为：
ρ＝αη(xn-1；uj,n-1,∑j,n-1) (13)
更新之后返回步骤4-4继续循环迭代进行待测像素的匹配，直至所有待测像素完成匹配；
4-4.形态学变换：通过形态学变换对经高斯混合模型算法处理后的图像进行噪声的剔除，最终得到印花缺陷区域；
5.根据权利要求4所述的一种数码印花在线缺陷检测系统的实现方法，其特征在于高斯混合模型算法的改进实现如下：
⑴对于步骤4-1中采集的第n幅图像，从图像左上角开始，按行分割成4*4和2*2像素块，当图像边缘像素不足时，使用0填充法，保证整个图像完整分割；
⑵根据公式(14)和(15)计算4*4和2*2像素块的均值：
⑶根据高斯模型建立方式对
进行高斯建模和排序；
⑷使用4*4像素块进行高斯匹配，若匹配成功，则判断该像素块对应的16个像素都为正常像素，进行正常的参数更新，然后依次处理下一个像素块。若匹配不成功，将4*4像素块分割成2*2像素块继续进行匹配，若匹配成功，则判断该像素块对应的4个像素没有缺陷存在，进行正常的参数更新，再依次处理下一个像素块，若不匹配则以传统的单像素模式与高斯模型进行匹配，直到最后一个像素点为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910195693.7A CN111127383A (zh) | 2019-03-15 | 2019-03-15 | 一种数码印花在线缺陷检测系统及其实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910195693.7A CN111127383A (zh) | 2019-03-15 | 2019-03-15 | 一种数码印花在线缺陷检测系统及其实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111127383A true CN111127383A (zh) | 2020-05-08 |
Family
ID=70495115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910195693.7A Pending CN111127383A (zh) | 2019-03-15 | 2019-03-15 | 一种数码印花在线缺陷检测系统及其实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127383A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754513A (zh) * | 2020-08-07 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
| CN111784644A (zh) * | 2020-06-11 | 2020-10-16 | 上海布眼人工智能科技有限公司 | 基于深度学习的印花瑕疵检测方法及系统 |
| CN111781467A (zh) * | 2020-07-13 | 2020-10-16 | 贵州电网有限责任公司 | 一种基于多维全景数据的电网故障智能判别方法 |
| CN111929327A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院（江苏）有限公司 | 布匹缺陷检测方法和装置 |
| CN112270722A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
| CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
| CN113516328A (zh) * | 2020-07-13 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 数据处理方法、服务提供方法、装置、设备和存储介质 |
| CN114022442A (zh) * | 2021-11-03 | 2022-02-08 | 武汉智目智能技术合伙企业(有限合伙) | 一种基于无监督学习的织物疵点检测算法 |
| CN114693652A (zh) * | 2022-04-01 | 2022-07-01 | 南通睿谷纺织科技有限公司 | 基于高斯混合模型的织物缺陷检测方法 |
| CN115100206A (zh) * | 2022-08-26 | 2022-09-23 | 南通永安纺织有限公司 | 用于具有周期图案纺织物的印花缺陷识别方法 |
| CN117541832A (zh) * | 2024-01-04 | 2024-02-09 | 苏州镁伽科技有限公司 | 异常检测方法、系统、电子设备及存储介质 |
| CN118351091A (zh) * | 2024-04-26 | 2024-07-16 | 广州皓晴科技有限公司 | 基于人工智能的服饰面料检验分析处理系统 |
| CN118358268A (zh) * | 2024-06-20 | 2024-07-19 | 徐州美亚纺织有限公司 | 一种基于全方位的纺织设备在线实时监测控制系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955922A (zh) * | 2014-04-17 | 2014-07-30 | 西安工程大学 | 基于Gabor滤波器的印花织物疵点检测方法 |
| CN108765402A (zh) * | 2018-05-30 | 2018-11-06 | 武汉理工大学 | 无纺布缺陷检测与分类方法 |
-
2019
- 2019-03-15 CN CN201910195693.7A patent/CN111127383A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955922A (zh) * | 2014-04-17 | 2014-07-30 | 西安工程大学 | 基于Gabor滤波器的印花织物疵点检测方法 |
| CN108765402A (zh) * | 2018-05-30 | 2018-11-06 | 武汉理工大学 | 无纺布缺陷检测与分类方法 |
Non-Patent Citations (10)
| Title |
|---|
| YU ZHANG; ZHAOYANG LU; JING LI: ""Fabric Defect Detection and Classification Using Gabor Filters and Gaussian Mixture Model"" * |
| YU ZHANG; ZHAOYANG LU; JING LI: ""Fabric Defect Detection and Classification Using Gabor Filters and Gaussian Mixture Model"", 《LECTURE NOTES IN COMPUTER SCIENCE》 * |
| 刘铭: ""基于嵌入式GPU的数码印花缺陷检测系统硬件设计"" * |
| 刘铭: ""基于嵌入式GPU的数码印花缺陷检测系统硬件设计"", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
| 李敏，崔树芹，谢: ""高斯混合模型在印花织物疵点检测中的应用", 《纺织学报》 * |
| 李敏，崔树芹，谢治平: ""高斯混合模型在印花织物疵点检测中的应用"" * |
| 薛婷婷;刘秀平;张凯兵;王珍;闫亚娣;闫焕营: ""基于学习的Gabor滤波器多样式布匹瑕疵检测"" * |
| 薛婷婷;刘秀平;张凯兵;王珍;闫亚娣;闫焕营: ""基于学习的Gabor滤波器多样式布匹瑕疵检测"", 《西安工程大学学报》 * |
| 邓新: ""基于嵌入式GPU的数码印花缺陷检测算法研发"" * |
| 邓新: ""基于嵌入式GPU的数码印花缺陷检测算法研发"", 《中国优秀硕士学位论文全文数据库（电子期刊 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784644A (zh) * | 2020-06-11 | 2020-10-16 | 上海布眼人工智能科技有限公司 | 基于深度学习的印花瑕疵检测方法及系统 |
| CN111781467A (zh) * | 2020-07-13 | 2020-10-16 | 贵州电网有限责任公司 | 一种基于多维全景数据的电网故障智能判别方法 |
| CN113516328A (zh) * | 2020-07-13 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 数据处理方法、服务提供方法、装置、设备和存储介质 |
| CN113516328B (zh) * | 2020-07-13 | 2022-09-02 | 阿里巴巴集团控股有限公司 | 数据处理方法、服务提供方法、装置、设备和存储介质 |
| CN111754513B (zh) * | 2020-08-07 | 2024-03-22 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
| CN111754513A (zh) * | 2020-08-07 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
| CN111929327A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院（江苏）有限公司 | 布匹缺陷检测方法和装置 |
| CN112270722A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
| CN112270722B (zh) * | 2020-10-26 | 2024-05-17 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
| CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
| CN112734691B (zh) * | 2020-12-17 | 2023-06-16 | 郑州金惠计算机系统工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
| CN114022442A (zh) * | 2021-11-03 | 2022-02-08 | 武汉智目智能技术合伙企业(有限合伙) | 一种基于无监督学习的织物疵点检测算法 |
| CN114693652A (zh) * | 2022-04-01 | 2022-07-01 | 南通睿谷纺织科技有限公司 | 基于高斯混合模型的织物缺陷检测方法 |
| CN114693652B (zh) * | 2022-04-01 | 2023-08-25 | 深圳市科宝图像技术有限公司 | 基于高斯混合模型的织物缺陷检测方法 |
| CN115100206A (zh) * | 2022-08-26 | 2022-09-23 | 南通永安纺织有限公司 | 用于具有周期图案纺织物的印花缺陷识别方法 |
| CN117541832A (zh) * | 2024-01-04 | 2024-02-09 | 苏州镁伽科技有限公司 | 异常检测方法、系统、电子设备及存储介质 |
| CN117541832B (zh) * | 2024-01-04 | 2024-04-16 | 苏州镁伽科技有限公司 | 异常检测方法、系统、电子设备及存储介质 |
| CN118351091A (zh) * | 2024-04-26 | 2024-07-16 | 广州皓晴科技有限公司 | 基于人工智能的服饰面料检验分析处理系统 |
| CN118358268A (zh) * | 2024-06-20 | 2024-07-19 | 徐州美亚纺织有限公司 | 一种基于全方位的纺织设备在线实时监测控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127383A (zh) | 一种数码印花在线缺陷检测系统及其实现方法 | |
| CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
| CN111402197B (zh) | 一种针对色织物裁片缺陷区域的检测方法 | |
| CN114782562B (zh) | 基于数据识别的服装布料浸染监测方法及人工智能系统 | |
| CN111861996B (zh) | 一种印花织物疵点检测方法 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
| CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN116703911A (zh) | 一种led灯生产质量检测系统 | |
| CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN112668754B (zh) | 一种基于多源特征信息融合的电力设备缺陷诊断方法 | |
| CN115131353B (zh) | 平网印花纺织品生产异常识别定位方法及系统 | |
| CN115170475A (zh) | 一种基于深度学习方法的无纺布缺陷检测方法 | |
| CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
| CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
| CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
| CN114565607B (zh) | 基于神经网络的织物缺陷图像分割方法 | |
| CN114119500A (zh) | 一种基于生成对抗网络的色织物缺陷区域的检测方法 | |
| CN111709429B (zh) | 一种基于卷积神经网络的机织物结构参数识别方法 | |
| CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
| CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
| CN115524337A (zh) | 基于机器视觉的验布方法 | |
| CN115482227A (zh) | 机器视觉自适应成像环境调整方法 | |
| CN113578778A (zh) | 利用轮廓特征和色彩特征检测汽车玻璃混线的方法及系统 |
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: 20200508 |