CN111709915A - 一种速干面料瑕疵的自动检测方法及系统 - Google Patents

一种速干面料瑕疵的自动检测方法及系统 Download PDF

Info

Publication number
CN111709915A
CN111709915A CN202010464646.0A CN202010464646A CN111709915A CN 111709915 A CN111709915 A CN 111709915A CN 202010464646 A CN202010464646 A CN 202010464646A CN 111709915 A CN111709915 A CN 111709915A
Authority
CN
China
Prior art keywords
quick
image
detected
drying fabric
gray
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
CN202010464646.0A
Other languages
English (en)
Inventor
肖红波
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.)
Lhasa Economic And Technological Development Zone Mei Di Yi Outdoor Products Co ltd
Original Assignee
Lhasa Economic And Technological Development Zone Mei Di Yi Outdoor Products 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 Lhasa Economic And Technological Development Zone Mei Di Yi Outdoor Products Co ltd filed Critical Lhasa Economic And Technological Development Zone Mei Di Yi Outdoor Products Co ltd
Priority to CN202010464646.0A priority Critical patent/CN111709915A/zh
Publication of CN111709915A publication Critical patent/CN111709915A/zh
Pending legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B27/00—Layered products comprising a layer of synthetic resin
    • B32B27/12—Layered products comprising a layer of synthetic resin next to a fibrous or filamentary layer
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B3/00—Layered products comprising a layer with external or internal discontinuities or unevennesses, or a layer of non-planar shape; Layered products comprising a layer having particular features of form
    • B32B3/10—Layered products comprising a layer with external or internal discontinuities or unevennesses, or a layer of non-planar shape; Layered products comprising a layer having particular features of form characterised by a discontinuous layer, i.e. formed of separate pieces of material
    • B32B3/12—Layered products comprising a layer with external or internal discontinuities or unevennesses, or a layer of non-planar shape; Layered products comprising a layer having particular features of form characterised by a discontinuous layer, i.e. formed of separate pieces of material characterised by a layer of regularly- arranged cells, e.g. a honeycomb structure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B3/00—Layered products comprising a layer with external or internal discontinuities or unevennesses, or a layer of non-planar shape; Layered products comprising a layer having particular features of form
    • B32B3/26—Layered products comprising a layer with external or internal discontinuities or unevennesses, or a layer of non-planar shape; Layered products comprising a layer having particular features of form characterised by a particular shape of the outline of the cross-section of a continuous layer; characterised by a layer with cavities or internal voids ; characterised by an apertured layer
    • B32B3/266—Layered products comprising a layer with external or internal discontinuities or unevennesses, or a layer of non-planar shape; Layered products comprising a layer having particular features of form characterised by a particular shape of the outline of the cross-section of a continuous layer; characterised by a layer with cavities or internal voids ; characterised by an apertured layer characterised by an apertured layer, the apertures going through the whole thickness of the layer, e.g. expanded metal, perforated layer, slit layer regular cells B32B3/12
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B33/00—Layered products characterised by particular properties or particular surface features, e.g. particular surface coatings; Layered products designed for particular purposes not covered by another single class
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B5/00—Layered products characterised by the non- homogeneity or physical structure, i.e. comprising a fibrous, filamentary, particulate or foam layer; Layered products characterised by having a layer differing constitutionally or physically in different parts
    • B32B5/02—Layered products characterised by the non- homogeneity or physical structure, i.e. comprising a fibrous, filamentary, particulate or foam layer; Layered products characterised by having a layer differing constitutionally or physically in different parts characterised by structural features of a fibrous or filamentary layer
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B9/00—Layered products comprising a layer of a particular substance not covered by groups B32B11/00 - B32B29/00
    • B32B9/04—Layered products comprising a layer of a particular substance not covered by groups B32B11/00 - B32B29/00 comprising such particular substance as the main or only constituent of a layer, which is next to another layer of the same or of a different material
    • B32B9/047—Layered products comprising a layer of a particular substance not covered by groups B32B11/00 - B32B29/00 comprising such particular substance as the main or only constituent of a layer, which is next to another layer of the same or of a different material made of fibres or filaments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B2262/00—Composition or structural features of fibres which form a fibrous or filamentary layer or are present as additives
    • B32B2262/02—Synthetic macromolecular fibres
    • B32B2262/0276—Polyester fibres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B2262/00—Composition or structural features of fibres which form a fibrous or filamentary layer or are present as additives
    • B32B2262/06—Vegetal fibres
    • B32B2262/062—Cellulose fibres, e.g. cotton
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B32—LAYERED PRODUCTS
    • B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
    • B32B2307/00—Properties of the layers or laminate
    • B32B2307/70—Other properties
    • B32B2307/71—Resistive to light or to UV
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Ceramic Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种速干面料瑕疵的自动检测方法及系统，方法包括：获取速干面料的第一待检测图像；对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；获取速干面料的样本图像；对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵，自动化检测速干面料上的瑕疵，省时省力，节约成本，提高检测效率，同时提高检测准确度，避免出现误检测的问题。

Description

一种速干面料瑕疵的自动检测方法及系统
技术领域
本发明涉及速干面料瑕疵检测技术领域，特别涉及一种速干面料瑕疵的自动检测方法及系统。
背景技术
在纺织品生产中，对速干面料的质量进行检测大部分都是采用人工检验的方式，靠人工的眼睛去辨别面料上的瑕疵，人工检验费时费力，检验效率不高，且主观性大，容易出现误检测的情形，如将有瑕疵的布料辨别为良品布料。目前市场上也有部分自动检测速干面料瑕疵的装置，但是检测准确度不高，会出现误检测的问题。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的第一个目的在于提出一种速干面料瑕疵的自动检测方法，自动化检测速干面料上的瑕疵，省时省力，节约成本，提高检测效率，同时提高检测准确度，避免出现误检测的问题。
本发明的第二个目的在于提出一种速干面料瑕疵的自动检测系统。
为达到上述目的，本发明第一方面实施例提出了一种速干面料瑕疵的自动检测方法，包括：
获取速干面料的第一待检测图像；
对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；
获取速干面料的样本图像；
对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；
根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
根据本发明的一些实施例，所述在第一灰度差值大于等于预设灰度差值时，还包括：
将进行预处理后的第一待检测图像的灰度级进行压缩；
根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，所述特征值包括：对比度、能量、熵；
根据所述特征值进行特征值融合及特征值可视化处理，得到可视化图；
根据所述可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。
根据本发明的一些实施例，所述预处理包括图像灰度化、图像滤波、图像均衡化。
根据本发明的一些实施例，所述图像均衡化可以实现图像对比度增强，算法包括：
计算灰度值ki的概率分布：
Figure BDA0002512180540000021
Figure BDA0002512180540000022
其中，
Figure BDA0002512180540000023
为灰度值ki出现的次数，N为图像的总像素点。
根据本发明的一些实施例，所述在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵，还包括：对表明速干面料上有瑕疵的第一待检测图像进行瑕疵分类，包括：
将进行预处理后的第一待检测图像输入预先训练的多个不同类型的神经网络模型进行分类，获得多个分类结果；
对每个分类结果进行投票，获取每个分类结果的投票数量，将投票数量最多的分类结果确定为目标分类。
根据本发明的一些实施例，所述多个不同类型的神经网络模型包括：区域卷积神经网络模型、循环神经网络模型。
根据本发明的一些实施例，所述速干面料包括：抗紫外线层、透气层、速干层、材质层、抗菌层；所述速干面料为由外到内依次设置的抗紫外线层、透气层、速干层、材质层、抗菌层复合而成；其中，
所述抗紫外线层包括纳米抗紫外线剂；
所述材质层采用棉纤维；
所述透气层采用蜂窝状结构，所述透气层上设有多个等间距的透气孔；
所述速干层采用的是聚酯纤维；
所述抗菌层为纳米银颗粒抗菌涂层。
为达到上述目的，本发明第二方面实施例提出了一种速干面料瑕疵的自动检测系统，包括：
第一获取模块，用于获取速干面料的第一待检测图像；
第一计算模块，用于对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；
第二获取模块，用于获取速干面料的样本图像；
第二计算模块，用于对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；
第三计算模块，用于根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
根据本发明的一些实施例，还包括：
压缩模块，用于在第一灰度差值大于等于预设灰度差值时，将进行预处理后的第一待检测图像的灰度级进行压缩；
特征提取模块，用于根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，所述特征值包括：对比度、能量和熵；
特征处理模块，用于根据所述特征值进行特征值融合及特征值可视化处理，得到可视化图；
瑕疵特征图生成模块，用于根据所述可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。
根据本发明提出的一种速干面料瑕疵的自动检测方法及系统，自动化检测速干面料上的瑕疵，省时省力，节约成本，提高检测效率，同时提高检测准确度，避免出现误检测的问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明一个实施例的速干面料瑕疵的自动检测方法的流程图；
图2是根据本发明又一个实施例的速干面料瑕疵的自动检测方法的流程图；
图3是根据本发明一个实施例的速干面料瑕疵的自动检测系统的框图；
图4是根据本发明又一个实施例的速干面料瑕疵的自动检测系统的框图；
图5是根据本发明速干面料的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面参考图1至图5来描述本发明实施例提出的一种速干面料瑕疵的自动检测方法及系统。
图1是根据本发明一个实施例的速干面料瑕疵的自动检测方法的流程图；本发明第一方面实施例提出了一种速干面料瑕疵的自动检测方法，包括步骤S1-S5：
S1、获取速干面料的第一待检测图像；
S2、对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；
S3、获取速干面料的样本图像；
S4、对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；
S5、根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
根据上述技术方案的工作原理：可以通过摄像机、CDD摄像头或者扫描仪获取获取速干面料的第一待检测图像，示例的，在速干面料的正面和反面都设置有照明装置，照明装置可以是日光灯或LED灯，调节预设色温及速干面料的移动速度，拍摄清晰的第一待检测图像。对第一待检测图像进行预处理，可以获得效果更佳的数字图像，降低后续处理过程中的噪声和不同程度的干扰。将预处理后的图像进行分割成若干第一待检测子图像，计算第一待检测子图像灰度值的第一均值。将检测过确认无瑕疵的速干面料进行拍摄获取样本图像，对样本图像进行预处理后分割成若干样本子图像，计算样本图像灰度值的样本均值。第一均值和样本均值差值的绝对值为第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
根据上述技术方案的有益效果：自动化检测速干面料上的瑕疵，省时省力，节约成本，提高检测效率，同时提高检测准确度，避免出现误检测的问题。
图2是根据本发明又一个实施例的速干面料瑕疵的自动检测方法的流程图；如图2所示，所述在第一灰度差值大于等于预设灰度差值时，还包括步骤S51-S54：
S51、将进行预处理后的第一待检测图像的灰度级进行压缩；
S52、根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，所述特征值包括：对比度、能量和熵；
S53、根据所述特征值进行特征值融合及特征值可视化处理，得到可视化图；
S54、根据所述可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。
根据上述技术方案的工作原理：为提高检测准确度，在第一灰度差值大于等于预设灰度差值时，基于灰度共生矩阵为瑕疵特征进行提取。第一待检测图像的灰度级为0-255，对第一待检测图像的灰度级进行压缩，示例的，将第一待检测图像的灰度级压缩为16级，即第一待检测图像的灰度级为0-255变为0-15的范围，第一待检测图像的灰度级因预处理做过直方图均衡化处理，故图像质量依旧清晰的同时，可以降低计算量及计算复杂度，提高检测效率。根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，特征值包括：对比度、能量、熵；对比度能反映局部图像灰度的变化状况，在局部图像中灰度的差别越大，则对比度越大。能量能反映图像灰度的均匀性，在图像灰度分布越均匀，能量越大。熵能反映图像的信息量的数量，其中，也能反映图像的纹理信息，图像的纹理信息越均匀，熵越大。根据特征值进行特征值融合及特征值可视化处理，得到可视化图，可以很直观的看到特征值。根据可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。速干面料上的瑕疵包括凹陷、漏洞、划痕、褶皱等。
根据上述技术方案的有益效果：基于灰度共生矩阵提取特征，进行二次检测，生成瑕疵特征图，可以很直观的判别速干面料上是否有瑕疵，更高对速干面料瑕疵检验的准确性，避免出现误检测的问题。
根据本发明的一些实施例，所述预处理包括图像灰度化、图像滤波、图像均衡化。
根据上述技术方案的工作原理及有益效果：图像灰度化将图像的灰度值转变为0-255，有利于根据图像的灰度值进行速干面料瑕疵检测的计算。图像滤波可以去除噪声，如光电噪声、电子噪声、感光片颗粒噪声等，可以提高图像质量，减小各种干扰，保留图像中的特征信息，有利于图像分割及图像特征提取。图像均衡化可以减少图像光照不均匀的情况，可以将图像的对比度进行增强，将直方图均衡化，均衡化后的图像与原始图像会有高对比度及更丰富灰度细节的显示。
根据本发明的一些实施例，所述图像均衡化可以实现图像对比度增强，算法包括：
计算灰度值ki的概率分布：
Figure BDA0002512180540000071
Figure BDA0002512180540000072
其中，
Figure BDA0002512180540000073
为灰度值ki出现的次数，N为图像的总像素点。
根据上述技术方案的有益效果：直方图可以显示图像整体的灰度值，均衡化后的图像与原始图像会有高对比度及更丰富灰度细节的显示。
根据本发明的一些实施例，所述在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵，还包括：对表明速干面料上有瑕疵的第一待检测图像进行瑕疵分类，包括：
将进行预处理后的第一待检测图像输入预先训练的多个不同类型的神经网络模型进行分类，获得多个分类结果；
对每个分类结果进行投票，获取每个分类结果的投票数量，将投票数量最多的分类结果确定为目标分类。
根据上述技术方案的工作原理：在判断第一待检测图像为速干面料的瑕疵图像时，对速干面料的瑕疵图像进行分类，将进行预处理后的第一待检测图像输入预先训练的多个不同类型的神经网络模型进行分类，获得多个分类结果；多个不同类型的神经网络模型包括：区域卷积神经网络模型、循环神经网络模型。通过区域卷积神经网络模型生成的为第一类分类结果，通过循环神经网络模型生成的为第二类分类结果。对每个分类结果进行投票，获取每个分类结果的投票数量，将投票数量最多的分类结果确定为目标分类。示例的，对第一类分类结果和第二类分类结果进行投票，在第一类分类结果的投票数量大于第二类分类结果的投票数量时，确定第一类分类结果为目标分类，即为通过区域卷积神经网络模型生成的瑕疵分类结果为准确的分类结果。
根据上述技术方案的有益效果：可以提高对瑕疵图像中瑕疵的准确分类，使对速干布料的瑕疵管理更加完善。
图5是根据本发明速干面料的示意图；如图5所示，所述速干面料包括：抗紫外线层11、透气层12、速干层13、材质层14、抗菌层15；所述速干面料为由外到内依次设置的抗紫外线层11、透气层12、速干层13、材质层14、抗菌层15复合而成；其中，
所述抗紫外线层11包括纳米抗紫外线剂；
所述材质层14采用棉纤维；
所述透气层12采用蜂窝状结构，所述透气层12上设有多个等间距的透气孔；
所述速干层13采用的是聚酯纤维；
所述抗菌层15为纳米银颗粒抗菌涂层。
根据上述技术方案的工作原理及有益效果：人体在户外运动时，会受到紫外线光的照射，为保护人体的皮肤不受到紫外线的照射，在速干面料的最外层设置抗紫外线层11，抗紫外线层11包括纳米抗紫外线剂，可以有效抵御紫外线的照射。抗菌层15为人体皮肤直接接触，能够抑制人体在长时间穿着或经常出汗时，能够抑制细菌的滋生，抗菌层15为纳米银颗粒抗菌涂层。抗菌层15的上面为材质层14，材质层14采用棉纤维制成，可以在人体出汗时，将汗液快速吸附，具有优异的吸湿性能，可以提高用户穿着的舒适性。材质层14的上面为速干层13，速干层13采用的是聚酯纤维，可以将材质层14上吸附的汗液快速进行风干，提高了速干面料的速干效率。速干层13的上面为透气层12，增加透气功能，提高用户穿着的舒适性。
图3是根据本发明一个实施例的速干面料瑕疵的自动检测系统的框图；如图3所示，本发明第二方面实施例提出了一种速干面料瑕疵的自动检测系统，包括：
第一获取模块，用于获取速干面料的第一待检测图像；
第一计算模块，用于对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；
第二获取模块，用于获取速干面料的样本图像；
第二计算模块，用于对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；
第三计算模块，用于根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
根据上述技术方案的有益效果：自动化检测速干面料上的瑕疵，省时省力，节约成本，提高检测效率，同时提高检测准确度，避免出现误检测的问题。
图4是根据本发明又一个实施例的速干面料瑕疵的自动检测系统的框图；如图4所示，速干面料瑕疵的自动检测系统还包括：
压缩模块，用于在第一灰度差值大于等于预设灰度差值时，将进行预处理后的第一待检测图像的灰度级进行压缩；
特征提取模块，用于根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，所述特征值包括：对比度、能量、熵；
特征处理模块，用于根据所述特征值进行特征值融合及特征值可视化处理，得到可视化图；
瑕疵特征图生成模块，用于根据所述可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。
根据上述技术方案的有益效果：基于灰度共生矩阵提取特征，进行二次检测，生成瑕疵特征图，可以很直观的判别速干面料上是否有瑕疵，更高对速干面料瑕疵检验的准确性，避免出现误检测的问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种速干面料瑕疵的自动检测方法，其特征在于，包括：
获取速干面料的第一待检测图像；
对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；
获取速干面料的样本图像；
对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；
根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
2.如权利要求1所述的速干面料瑕疵的自动检测方法，其特征在于，所述在第一灰度差值大于等于预设灰度差值时，还包括：
将进行预处理后的第一待检测图像的灰度级进行压缩；
根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，所述特征值包括：对比度、能量和熵；
根据所述特征值进行特征值融合及特征值可视化处理，得到可视化图；
根据所述可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。
3.如权利要求1所述的速干面料瑕疵的自动检测方法，其特征在于，所述预处理包括图像灰度化、图像滤波、图像均衡化。
4.如权利要求3所述的速干面料瑕疵的自动检测方法，其特征在于，所述图像均衡化可以实现图像对比度增强，算法包括：
计算灰度值ki的概率分布：
Figure FDA0002512180530000011
Figure FDA0002512180530000012
其中，
Figure FDA0002512180530000021
为灰度值ki出现的次数，N为图像的总像素点。
5.如权利要求1所述的速干面料瑕疵的自动检测方法，其特征在于，所述在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵，还包括：对表明速干面料上有瑕疵的第一待检测图像进行瑕疵分类，包括：
将进行预处理后的第一待检测图像输入预先训练的多个不同类型的神经网络模型进行分类，获得多个分类结果；
对每个分类结果进行投票，获取每个分类结果的投票数量，将投票数量最多的分类结果确定为目标分类。
6.如权利要求5所述的速干面料瑕疵的自动检测方法，其特征在于，所述多个不同类型的神经网络模型包括：区域卷积神经网络模型、循环神经网络模型。
7.如权利要求1所述的速干面料瑕疵的自动检测方法，其特征在于，所述速干面料包括：抗紫外线层、透气层、速干层、材质层、抗菌层；所述速干面料为由外到内依次设置的抗紫外线层、透气层、速干层、材质层、抗菌层复合而成；其中，
所述抗紫外线层包括纳米抗紫外线剂；
所述材质层采用棉纤维；
所述透气层采用蜂窝状结构，所述透气层上设有多个等间距的透气孔；
所述速干层采用的是聚酯纤维；
所述抗菌层为纳米银颗粒抗菌涂层。
8.一种速干面料瑕疵的自动检测系统，其特征在于，包括：
第一获取模块，用于获取速干面料的第一待检测图像；
第一计算模块，用于对所述第一待检测图像进行预处理后分割成若干第一待检测子图像，计算所述第一待检测子图像灰度值的第一均值；
第二获取模块，用于获取速干面料的样本图像；
第二计算模块，用于对所述样本图像进行预处理后分割成若干样本子图像，计算所述样本图像灰度值的样本均值；
第三计算模块，用于根据所述第一均值和所述样本均值得到第一灰度差值，在第一灰度差值大于等于预设灰度差值时，表明速干面料上有瑕疵；在第一灰度差值小于预设灰度差值时，表明速干面料上没有瑕疵。
9.如权利要求8所述的速干面料瑕疵的自动检测系统，其特征在于，还包括：
压缩模块，用于在第一灰度差值大于等于预设灰度差值时，将进行预处理后的第一待检测图像的灰度级进行压缩；
特征提取模块，用于根据压缩后第一待检测图像的灰度级基于灰度共生矩阵提取特征值，所述特征值包括：对比度、能量、熵；
特征处理模块，用于根据所述特征值进行特征值融合及特征值可视化处理，得到可视化图；
瑕疵特征图生成模块，用于根据所述可视化图基于最大熵阈值分割法得到最终的瑕疵特征图。
CN202010464646.0A 2020-05-28 2020-05-28 一种速干面料瑕疵的自动检测方法及系统 Pending CN111709915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010464646.0A CN111709915A (zh) 2020-05-28 2020-05-28 一种速干面料瑕疵的自动检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010464646.0A CN111709915A (zh) 2020-05-28 2020-05-28 一种速干面料瑕疵的自动检测方法及系统

Publications (1)

Publication Number Publication Date
CN111709915A true CN111709915A (zh) 2020-09-25

Family

ID=72538023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010464646.0A Pending CN111709915A (zh) 2020-05-28 2020-05-28 一种速干面料瑕疵的自动检测方法及系统

Country Status (1)

Country Link
CN (1) CN111709915A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112191055A (zh) * 2020-09-29 2021-01-08 广州天域科技有限公司 一种矿山机械用具有空气检测结构的降尘装置
CN112308854A (zh) * 2020-11-26 2021-02-02 武汉工程大学 一种芯片表面瑕疵的自动检测方法、系统及电子设备
CN112907521A (zh) * 2021-02-05 2021-06-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN113066075A (zh) * 2021-04-10 2021-07-02 河南大学 一种多图像融合的牛仔布瑕疵检测方法及装置
CN114565607A (zh) * 2022-04-01 2022-05-31 南通沐沐兴晨纺织品有限公司 基于神经网络的织物缺陷图像分割方法
CN115100201A (zh) * 2022-08-25 2022-09-23 淄博齐华制衣有限公司 一种阻燃纤维材料的混纺缺陷检测方法
CN115661113A (zh) * 2022-11-09 2023-01-31 浙江酷趣智能科技有限公司 吸湿排汗的面料及其制备工艺
CN116660099A (zh) * 2023-07-24 2023-08-29 绵阳新启科技有限公司 一种水性涂料流动性检测系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020054293A1 (en) * 2000-04-18 2002-05-09 Pang Kwok-Hung Grantham Method of and device for inspecting images to detect defects
CN101158650A (zh) * 2007-11-09 2008-04-09 无锡东望科技有限公司 机器视觉系统对印花布瑕疵的在线检测方法
CN102601063A (zh) * 2012-02-29 2012-07-25 浙江工业大学 一种竹片自动识别分级方法
CN108090894A (zh) * 2017-11-24 2018-05-29 浙江理工大学 基于距离匹配函数和感知哈希算法的织物疵点检测方法
CN110188806A (zh) * 2019-05-21 2019-08-30 华侨大学 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN209409518U (zh) * 2018-07-17 2019-09-20 福建鸿星尔克体育用品有限公司 一种抗紫外线速干面料
CN111028213A (zh) * 2019-12-04 2020-04-17 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN111161207A (zh) * 2019-11-14 2020-05-15 西安工程大学 一种集成的卷积神经网络织物疵点分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020054293A1 (en) * 2000-04-18 2002-05-09 Pang Kwok-Hung Grantham Method of and device for inspecting images to detect defects
CN101158650A (zh) * 2007-11-09 2008-04-09 无锡东望科技有限公司 机器视觉系统对印花布瑕疵的在线检测方法
CN102601063A (zh) * 2012-02-29 2012-07-25 浙江工业大学 一种竹片自动识别分级方法
CN108090894A (zh) * 2017-11-24 2018-05-29 浙江理工大学 基于距离匹配函数和感知哈希算法的织物疵点检测方法
CN209409518U (zh) * 2018-07-17 2019-09-20 福建鸿星尔克体育用品有限公司 一种抗紫外线速干面料
CN110188806A (zh) * 2019-05-21 2019-08-30 华侨大学 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN111161207A (zh) * 2019-11-14 2020-05-15 西安工程大学 一种集成的卷积神经网络织物疵点分类方法
CN111028213A (zh) * 2019-12-04 2020-04-17 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴哲等: "基于灰度共生矩阵特征图像的织物疵点检测方法" *
徐雪倩: "基于计算机视觉的织物疵点检测与分类方法的研究" *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112191055A (zh) * 2020-09-29 2021-01-08 广州天域科技有限公司 一种矿山机械用具有空气检测结构的降尘装置
CN112308854A (zh) * 2020-11-26 2021-02-02 武汉工程大学 一种芯片表面瑕疵的自动检测方法、系统及电子设备
CN112308854B (zh) * 2020-11-26 2023-12-26 武汉工程大学 一种芯片表面瑕疵的自动检测方法、系统及电子设备
CN112907521A (zh) * 2021-02-05 2021-06-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN112907521B (zh) * 2021-02-05 2022-11-04 上海展湾信息科技有限公司 基于ssd和glcm的焊接气孔目标检测方法
CN113066075B (zh) * 2021-04-10 2022-11-01 河南大学 一种多图像融合的牛仔布瑕疵检测方法及装置
CN113066075A (zh) * 2021-04-10 2021-07-02 河南大学 一种多图像融合的牛仔布瑕疵检测方法及装置
CN114565607A (zh) * 2022-04-01 2022-05-31 南通沐沐兴晨纺织品有限公司 基于神经网络的织物缺陷图像分割方法
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
CN115100201A (zh) * 2022-08-25 2022-09-23 淄博齐华制衣有限公司 一种阻燃纤维材料的混纺缺陷检测方法
CN115100201B (zh) * 2022-08-25 2022-11-11 淄博齐华制衣有限公司 一种阻燃纤维材料的混纺缺陷检测方法
CN115661113A (zh) * 2022-11-09 2023-01-31 浙江酷趣智能科技有限公司 吸湿排汗的面料及其制备工艺
CN115661113B (zh) * 2022-11-09 2023-05-09 浙江酷趣智能科技有限公司 吸湿排汗的面料及其制备工艺
CN116660099A (zh) * 2023-07-24 2023-08-29 绵阳新启科技有限公司 一种水性涂料流动性检测系统及方法
CN116660099B (zh) * 2023-07-24 2023-10-31 绵阳新启科技有限公司 一种水性涂料流动性检测系统及方法

Similar Documents

Publication Publication Date Title
CN111709915A (zh) 一种速干面料瑕疵的自动检测方法及系统
CN110403232B (zh) 一种基于二级算法的烟支质量检测方法
CN114757900B (zh) 基于人工智能的纺织品缺陷类型识别方法
CN107886500A (zh) 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN113554080A (zh) 一种基于机器视觉的无纺布瑕疵检测分类方法及系统
CN111127383A (zh) 一种数码印花在线缺陷检测系统及其实现方法
CN114693676B (zh) 一种新材料纺织品漂白缺陷光学检测方法及装置
CN105741244B (zh) 一种室内巡检机器人弱光下去除阴影和光晕的方法
CN117218114B (zh) 一种基于图像数据处理的网状织物缺陷快速检测方法
CN109872313A (zh) 一种基于深度卷积自编码器的产品表面缺陷检测方法
CN108318491A (zh) 一种基于频谱曲率分析的织物缺陷检测方法
CN114581692B (zh) 一种基于智能图形识别的防振锤故障检测方法及系统
Chen et al. Evaluating fabric pilling with light-projected image analysis
CN113724241A (zh) 一种碳纤维经编织物的毛丝检测方法、装置和存储介质
CN109239073A (zh) 一种用于汽车车身的表面缺陷检测方法
CN114742829A (zh) 一种人造丝缺陷检测的方法及系统
CN115953627A (zh) 一种可对辣椒进行品级分类的图像识别系统
CN113808104B (zh) 一种基于分块的金属表面缺陷检测方法及系统
CN115829984A (zh) 一种棉织品丝光处理缺陷识别方法
CN117011298B (zh) 一种基于重构图像融合的织物表面疵点位置判别方法
CN108073873A (zh) 基于高清智能摄像机的人脸检测与识别系统
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN110766675B (zh) 太阳能电池板缺陷检测方法
CN116958960A (zh) 一种基于机器学习随机森林算法的鸡蛋暗斑检测方法
CN113439870B (zh) 一种雪茄烟外观分类方法及装置

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