CN111462064B - 一种基于大脑皮层细胞方向选择性的织物疵点检测方法 - Google Patents
一种基于大脑皮层细胞方向选择性的织物疵点检测方法 Download PDFInfo
- Publication number
- CN111462064B CN111462064B CN202010224664.1A CN202010224664A CN111462064B CN 111462064 B CN111462064 B CN 111462064B CN 202010224664 A CN202010224664 A CN 202010224664A CN 111462064 B CN111462064 B CN 111462064B
- Authority
- CN
- China
- Prior art keywords
- fabric
- edge detection
- cerebral cortex
- selectivity
- cells
- 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
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 62
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 210000003710 cerebral cortex Anatomy 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000003708 edge detection Methods 0.000 claims abstract description 39
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000004027 cell Anatomy 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 18
- 210000003127 knee Anatomy 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 7
- 210000001082 somatic cell Anatomy 0.000 claims description 6
- 230000001054 cortical effect Effects 0.000 claims description 5
- 230000036755 cellular response Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000008447 perception Effects 0.000 abstract description 3
- 230000004438 eyesight Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 230000016776 visual perception Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 210000000977 primary visual cortex Anatomy 0.000 description 2
- 241000124008 Mammalia Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Organic Chemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于大脑皮层细胞方向选择性的织物疵点检测方法,首先对织物图片进行预处理;然后利用基于大脑皮层细胞方向选择性的边缘检测模型对织物图片进行边缘检测,得到含疵点的织物图片边缘图;对边缘检测模中的参数迭代,并采用平均梯度值指标对边缘检测效果进行评价;本发明采用符合人眼感知机制的边缘检测模型对织物疵点进行检测,自适应确定模型参数,较准确地识别织物疵点尽可能减少错检、漏检现象。
Description
技术领域
本发明属于计算机视觉技术及神经科学的技术领域,涉及一种基于大脑皮层细胞方向选择性的织物疵点检测方法。
背景技术
在纺织品的生产过程当中,由于纱线质量问题或其他因素常会导致织物表面出现不同程度的瑕疵。如此类瑕疵未能及时准确的检测,将会为之后的深度加工带来困难,从而导致不必要的经济损失。因此,在织物生产过程中,其疵点检测是企业质量把控的关键环节之一。作为纺织品生产大国,我国的检测技术仍比较落后,不少企业仍依托人工作业。这不仅造成较高的人工成本,更为重要的是,作为一项需要精力高度集中的工作,不仅对工人的技术及经验要求高,而且稍有疏忽,便会造成漏检、错检等问题。
近年来,随着人工智能、计算机视觉等技术的发展,采用机器代替人工进行织物疵点检测已成为纺织行业的迫切需求。其中对织物图片进行边缘检测已成为其中的一项研究热点。该方法借用计算机视觉中的“边缘”概念,考虑背景与疵点,疵点与疵点之间的信息关联,将疵点与背景有效分割。但是,现有技术多基于传统的边缘检测算子,却忽视了一个基本问题,即“边缘”的定义源于人类的经验及视觉感知,并无准确的数学公式定义。因此,只有符合人眼视觉的边缘检测算法,才可以检测出人眼认为准确的边缘。
发明内容
本发明的目的是提供一种基于大脑皮层细胞方向选择性的织物疵点检测方法,能够得到符合人眼视觉感知机制的疵点边缘图像。
本发明所采用的技术方案是,一种基于大脑皮层细胞方向选择性的织物疵点检测方法,具体按以下步骤实施:
步骤1,对织物图片进行预处理;
步骤2,利用基于大脑皮层细胞方向选择性的边缘检测模型对步骤1中的图片进行边缘检测,得到含疵点的织物图片边缘图;
步骤3,对步骤2中的边缘检测模中的参数迭代,并采用平均梯度值指标对步骤2中的边缘检测效果进行评价。
本发明的特点还在于:
其中步骤1具体包括:对织物图片进行灰度化处理,然后使用高斯差分函数对灰度化后的织物图片进行滤波,滤波后的织物图片即为模拟侧膝体细胞的输出;
其中步骤1中将织物图片灰度化处理后将像素阈值限定在0~255之间;
其中步骤2中基于大脑皮层细胞方向选择性的边缘检测模型结构为基于脑皮层V1区的边缘检测模型接收来自侧膝体细胞的输出作为大脑皮层的输入,临近的若干个侧膝体细胞加权求和形成子单元的响应,多个子单元沿特定方向排列使得V1区细胞的方向选择性,组成V1区细胞的子单元响应如下式:
V1区细胞的方向选择性由多个子单元沿特定方向排列而成,定义为这些子单元的几何加权平均,如下式:
其中步骤2具体包括:基于大脑皮层细胞方向选择性的边缘检测模型中定义ψ(C)为一系列不同方向角度对应的子单元位置参数集合,然后,使用具有不同方向选择性的模型对输入织物图像进行处理,得到织物图像各个方向的边缘,最后,利用最大化操作方法对织物图像各个方向的简单细胞响应进行合并,并使用Canny算子中的非极大值抑制算法,得到含疵点的织物图片边缘图;
其中步骤3具体包括:利用二分查找法对检测模型的参数组合进行迭代,并利用平均梯度值来衡量边缘检测结果,平均梯度值定义如下式:
式中,m,n分别为织物图片宽度和长度,fi,j为织物图片在(i,j)位置的灰度值。
本发明的有益效果是
本发明的一种基于大脑皮层细胞方向选择性的织物疵点检测方法采用符合人眼感知机制的边缘检测模型对织物疵点进行检测,自适应确定模型参数,较准确地识别织物疵点尽可能减少错检、漏检现象。
附图说明
图1是本发明的一种基于大脑皮层细胞方向选择性的织物疵点检测方法的流程图;
图2是本发明的一种基于大脑皮层细胞方向选择性的织物疵点检测方法中基于脑皮层V1区的边缘检测模型的结构图;
图3a、图3b分别是本发明的一种基于大脑皮层细胞方向选择性的织物疵点检测方法中织物疵点检测方法生成的破洞疵点检测示例图的原始织物图像和检测结果图像;
图4a、图4b分别是本发明的一种基于大脑皮层细胞方向选择性的织物疵点检测方法中织物疵点检测方法生成的油污疵点检测示例图的原始织物图像和检测结果图像。
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。
本发明提供了一种基于大脑皮层细胞方向选择性的织物疵点检测方法,如图1所示,具体按以下步骤实施:
步骤1,织物图片预处理:
针对收集到的织物图片,对其进行灰度化处理,并将像素阈值限定在0~255之间,然后使用高斯差分函数对灰度化后的织物图片进行滤波,滤波后的图片即为模拟侧膝体细胞的输出;
步骤2,利用基于大脑皮层细胞方向选择性的边缘检测模型对步骤1中的图片进行边缘检测,得到含疵点的织物图片边缘图:
相关生物生理学研究表明,作为哺乳动物的视觉神经中枢,大脑皮层中的腹侧通路(也称为“枕一颞通路”),其分布位于初级视皮层Vl区,并经由次级皮层V2区、V3区,最终到达V4区,该通路主要实现物体方位、长度、宽度、空间频率等信息的加工及处理过程,其中,初级视皮层V1区的神经元呈现出方向选择特性,对特定方向的边缘、轮廓信息有所响应;此外,相关生理学实验表明,V1区神经元的方向选择性来源于侧膝体响应沿特定方向排列的输出,以上研究为符合人类视觉感知的边缘检测模型提供了生物学依据。根据以上结构提出的基于大脑皮层V1区的边缘检测模型在本发明中进行应用,对织物疵点进行检测,该模型的结构如下:
首先,基于脑皮层V1区的边缘检测模型接收来自侧膝体细胞的输出作为大脑皮层的输入;临近的若干个侧膝体细胞加权求和形成子单元的响应,多个子单元沿特定方向排列从而实现V1区细胞的方向选择性,其结构组成如图2所示;
其次,基于大脑皮层V1区细胞的边缘检测模型,组成V1区细胞的子单元响应如下式所示:
大脑皮层V1区细胞针对不同方向的选择性可以通过改变子单元位置参数得到,模型中定义ψ(C)为一系列不同方向角度对应的子单元位置参数集合,然后,使用具有不同方向选择性的模型对输入图像进行处理,即可以获得各个方向的边缘,最后,使用最大化操作方法对各个方向的简单细胞响应进行合并,并使用Canny算子中的非极大值抑制算法,得到最终的边缘检测图;
步骤3,自适应参数选择:
为实现自动参数选择,提高模型自适应型,本步骤与步骤2结合,对步骤2的模型参数迭代,并采用平均梯度值指标对步骤2中的边缘检测效果进行评价:
基于大脑皮层细胞方向选择性的边缘检测模型,其需要手工设定的参数有两个,σ为使用高斯差分函数定义的侧膝体细胞响应的标准差,t为阈值限定参数,由于不同的参数组合可以得到不同的边缘检测效果,过高的σ值和t值均会导致检测出的疵点边缘缺失,因此选择合适的参数至关重要,为了自适应选择参数,利用二分查找法对参数组合进行迭代,并利用平均梯度值来衡量边缘检测结果,平均梯度值定义如式(5),其中m,n分别为图片宽度和长度,fi,j为图片在(i,j)位置的灰度值,一般来说,该值越大,图像中的像素反差越大,图像层次越丰富,将该指标应用于二值化后的边缘检测图,则越高的平均梯度值意味着检测出的边缘细节越丰富;
使用本发明所述的方法进行织物疵点类型为破洞和油污的织物疵点检测,生成如图3和图4所示的示例,其中,图3a和图4a为原始图片,图3b和图4b为检测过后的效果图。
本发明基于大脑皮层细胞方向选择性的织物疵点检测方法,采用生物学对大脑皮层V1区细胞的研究结果作为依据而建立的边缘检测模型对织物疵点进行检测,将人眼视觉机制融入边缘检测中,可以得到更为符合人眼感知的边缘检测效果,另一个优势在于,利用迭代法与平均梯度指标值,自适应地确定模型参数,从而较准确地识别织物疵点,尽可能减少错检、漏检现象。
Claims (4)
1.一种基于大脑皮层细胞方向选择性的织物疵点检测方法,其特征在于,具体按以下步骤实施:
步骤1,对织物图片进行预处理;
步骤2,基于大脑皮层细胞方向选择性的边缘检测模型中定义ψ(C)为一系列不同方向角度对应的子单元位置参数集合,然后,使用具有不同方向选择性的模型对输入织物图像进行处理,得到织物图像各个方向的边缘,最后,利用最大化操作方法对织物图像各个方向的简单细胞响应进行合并,并使用Canny算子中的非极大值抑制算法,得到含疵点的织物图片边缘图;
其中基于大脑皮层细胞方向选择性的边缘检测模型结构为基于脑皮层V1区的边缘检测模型接收来自侧膝体细胞的输出作为大脑皮层的输入,临近的若干个侧膝体细胞加权求和形成子单元的响应,多个子单元沿特定方向排列使得V1区细胞的方向选择性,组成V1区细胞的子单元响应如下式:
V1区细胞的方向选择性由多个子单元沿特定方向排列而成,定义为这些子单元的几何加权平均,如下式:
步骤3,对步骤2中的边缘检测模中的参数迭代,并采用平均梯度值指标对步骤2中的边缘检测效果进行评价。
2.根据权利要求1所述的一种基于大脑皮层细胞方向选择性的织物疵点检测方法,其特征在于,所述步骤1具体包括:对织物图片进行灰度化处理,然后使用高斯差分函数对灰度化后的织物图片进行滤波,滤波后的织物图片即为模拟侧膝体细胞的输出。
3.根据权利要求2所述的一种基于大脑皮层细胞方向选择性的织物疵点检测方法,其特征在于,所述步骤1中将织物图片灰度化处理后将像素阈值限定在0~255之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224664.1A CN111462064B (zh) | 2020-03-26 | 2020-03-26 | 一种基于大脑皮层细胞方向选择性的织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224664.1A CN111462064B (zh) | 2020-03-26 | 2020-03-26 | 一种基于大脑皮层细胞方向选择性的织物疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462064A CN111462064A (zh) | 2020-07-28 |
CN111462064B true CN111462064B (zh) | 2023-05-12 |
Family
ID=71678921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224664.1A Active CN111462064B (zh) | 2020-03-26 | 2020-03-26 | 一种基于大脑皮层细胞方向选择性的织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462064B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0742431A1 (en) * | 1995-05-10 | 1996-11-13 | Mahlo GmbH & Co. KG | Method and apparatus for detecting flaws in moving fabrics or the like |
CN105678788A (zh) * | 2016-02-19 | 2016-06-15 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
CN107705306A (zh) * | 2017-10-26 | 2018-02-16 | 中原工学院 | 一种基于多特征矩阵低秩分解的织物疵点检测方法 |
WO2018214661A1 (zh) * | 2017-05-24 | 2018-11-29 | 香港纺织及成衣研发中心 | 一种织物疵点自动检测方法、系统和计算机可读存储介质 |
CN110717893A (zh) * | 2019-09-20 | 2020-01-21 | 西安工程大学 | 一种基于视觉神经通路的边缘检测方法 |
-
2020
- 2020-03-26 CN CN202010224664.1A patent/CN111462064B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0742431A1 (en) * | 1995-05-10 | 1996-11-13 | Mahlo GmbH & Co. KG | Method and apparatus for detecting flaws in moving fabrics or the like |
CN105678788A (zh) * | 2016-02-19 | 2016-06-15 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
WO2018214661A1 (zh) * | 2017-05-24 | 2018-11-29 | 香港纺织及成衣研发中心 | 一种织物疵点自动检测方法、系统和计算机可读存储介质 |
CN107705306A (zh) * | 2017-10-26 | 2018-02-16 | 中原工学院 | 一种基于多特征矩阵低秩分解的织物疵点检测方法 |
CN110717893A (zh) * | 2019-09-20 | 2020-01-21 | 西安工程大学 | 一种基于视觉神经通路的边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
李亚利 ; .应用Canny算子的织物疵点检测改进算法.科技通报.2019,(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111462064A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN105158258B (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN107845087A (zh) | 液晶面板亮度不均匀缺陷的检测方法和系统 | |
CN115330784B (zh) | 一种布匹表面缺陷检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108537787B (zh) | 一种人脸图像的质量判定方法 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN113838038B (zh) | 一种碳纤维布面疵点检测方法、装置、电子设备和存储介质 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN115131353B (zh) | 平网印花纺织品生产异常识别定位方法及系统 | |
CN116630309A (zh) | 一种布匹断纬瑕疵检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN115082465A (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
CN112837287B (zh) | 一种板面缺陷区域的提取方法及装置 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN111462064B (zh) | 一种基于大脑皮层细胞方向选择性的织物疵点检测方法 | |
CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240606 Address after: 710000, Room 301-16, West Building, Building 10, Western Life Science Park, Fengdong New City, Xixian New District, Xi'an City, Shaanxi Province Patentee after: Shaanxi Intai Zhesi Technology Co.,Ltd. Country or region after: China Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 19 Patentee before: XI'AN POLYTECHNIC University Country or region before: China |