CN111882549B - 一种灰绿色细小异纤自动检测识别方法及检测识别系统 - Google Patents

一种灰绿色细小异纤自动检测识别方法及检测识别系统 Download PDF

Info

Publication number
CN111882549B
CN111882549B CN202010755840.4A CN202010755840A CN111882549B CN 111882549 B CN111882549 B CN 111882549B CN 202010755840 A CN202010755840 A CN 202010755840A CN 111882549 B CN111882549 B CN 111882549B
Authority
CN
China
Prior art keywords
pixel
score
slope
image
pixels
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
CN202010755840.4A
Other languages
English (en)
Other versions
CN111882549A (zh
Inventor
朱思宇
张得旺
陆阳
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.)
Shaanxi Changling Software Development Co ltd
Original Assignee
Shaanxi Changling Software Development 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 Shaanxi Changling Software Development Co ltd filed Critical Shaanxi Changling Software Development Co ltd
Priority to CN202010755840.4A priority Critical patent/CN111882549B/zh
Publication of CN111882549A publication Critical patent/CN111882549A/zh
Application granted granted Critical
Publication of CN111882549B publication Critical patent/CN111882549B/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
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30—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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种灰绿色细小异纤自动检测识别方法及检测识别系统，包括动态采集图像采集区域的实时棉流图像，并将棉流图像处理为RGB真彩图像；对RGB真彩图像根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色点区域；通过坡度计算方法对RGB真彩图像中坡度变化具有异形特征的像素进行标定，得到异形区域；将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；在滤波后的图像中采用滑动掩膜的方式确定异纤位置并进行标记，完成异纤识别。本发明的自动检测识别方法及检测识别系统，能够提高灰绿色异纤识别率，降低正常棉花的误喷率，提高纺织厂最终棉制品的质量。

Description

一种灰绿色细小异纤自动检测识别方法及检测识别系统
技术领域
本发明涉及纺织电子设备技术领域，尤其涉及一种灰绿色细小异纤自动检测识别方法及检测识别系统。
背景技术
纺织企业在对棉花进行进一步处理时，首先需要对棉花中的异纤进行清除。目前普遍采用的清除方法是使得棉花高速通过图像采集区域，通过高速相机采集图像并实时处理来判断异纤是否存在，如果存在即喷出。倘若异纤没有喷出，则会对最终的棉织品质量产生较大影响；倘若误喷太多，则会造成棉花的浪费，不符合纺织厂的经济需求。因此，有必要开发一种既能够保证误喷量在可接受范围内，同时具有较高的异纤识别率的算法，提高纺织厂最终棉制品的质量，同时减少对原棉的浪费，以提高纺织厂的经济效益。
发明内容
针对上述缺陷或不足，本发明的目的在于提供一种灰绿色细小异纤自动检测识别方法及检测识别系统，提高灰绿色异纤识别率，降低正常棉花的误喷率，提高纺织厂最终棉制品的质量。
为达到以上目的，本发明的技术方案为：
一种灰绿色细小异纤自动检测识别方法，包括：
1)、采集图像采集区域的实时棉流图像，并将实时棉流图像处理为RGB真彩图像；
2)、获取RGB真彩图像中RGB综合灰度值，根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色点区域；
3)、通过坡度计算方法对RGB真彩图像中坡度进行计算，选取坡度变化具有异形特征的像素进行标记，得到异形区域；
4)、将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；
5)、在滤波后的图像确定异纤位置并进行标记，完成异纤识别。
所述采集图像采集区域的棉花线图像具体为：通过有线阵CCD工业相机对对动态棉花进行线扫采样，获得棉花线图像，并以RGB888的图像格式存储。
所述对RGB真彩图像根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记具体为：
2.1、定义5*5方格像素平均值为pixel_ave25，定义1*1方格像素平均值为pixel_ave1，将5*5方格的中心与1*1方格的中心对齐，则1*1方格采用5*5方格中坐标为(3，3)像素点，所述5*5方格矩阵为：
pixel_ave25＝mean(T5×5×(R5×5+G5×5+B5×5))/3 (2)
pixel_ave1＝(R1×1+G1×1+B1×1)/3 (3)
2.2、采取阈值分割法，判断灰绿色点和普通点，具体为：
B＞thredshold1 (4)
G+threshold2*Pixel_ave25＞R (5)
R+threshold3*Pixel_ave25＞G (6)
R＞B+threshold4*Pixel_ave25 (7)
G＞B+threshold5*Pixel_ave25 (8)
pixel_ave1≤threshold6×pixel_ave25 (9)
采用公式4至9计算，若该像素点同时满足公式4至9，则判断为异色点标记为Colormark＝1，否则则判断为普通点Colormark＝0。
所述阈值系数为：Threshold1为10；Threshold2为0.4；Threshold3为0.2；Threshold4为0.2；Threshold5为0.1；Threshold6为0.2；Threshold3为0.9。
所述步骤3)具体包括：
3.1、对于每一个像素点生成5*5滑动窗口，待判断像素为中心点，记录为矩阵：
其中am，n即为第m行，第n列的元素，每一个元素均通过下式计算出来：
am，n＝R+G+B (11)
对于每一个像素点，am，n均为该像素点对应的RGB三值之和。
3.2、计算上梯度：
先获得上掩膜：
通过旋转获得左，下，右3个方向掩膜；其中，旋转掩膜左，下，右梯度对应的掩膜为上掩膜逆时针旋转90，180与270度；
然后计算上梯度：
Slopeup＝sum(A.*Tup) (13)
最后依次计算其他左，下，右3个方向梯度；
3.3、计算梯度得分：
获取对称性得分：
sym_score＝-abs(Slopeup-Slopedown)-abs(Slopeleft-Sloperight) (14)
获取绝对值得分：
abs_score＝abs(Slopeup+Slopedown+Slopeleft+Sloperight) (15)
3.4、通过对称性得分和绝对值得分可以算出总分
Total_Score＝threshold7×sym_score+abs_score (16)
其中，sym_score总为负值，abs_score总为正值，threshold即为形状判断阈值：
如果阈值超过设定值，则认为其为异状点，标记为Shapemark＝1；否则为普通点标记为Shapemark＝0：
所述阈值系数为：Threshold7为1.2；Threshold8为800。
所述步骤4)具体为：
4.1、获取异色区域和异形区域的交集像素，将同时为异色点与异状点的像素判断为异纤点：
其中Colormark是颜色标记，Shapemark是形状标记，&为与运算，|为或运算。
4.2、通过十字滤波算法对异色区域和异形区域的交集像素进行清理滤波，去除噪声点。
所述十字滤波算法具体为：
设置滤波窗口M：
通过和选定区域对应位置的元素相加得到连续度C，输入矩阵是0-1矩阵，仅包含0或者1这两种元素；
进行判断：
上式中C即为计算出来的连续度，p为当前位置，大于等于10则赋予1，小于10则赋予0，生成滤波后的图像。
所述步骤5)具体包括：
根据滤波后图像中存在的异纤点确定异纤的位置，通过网格进行滑动计算，如果异纤点数量超过阈值Threshold9则判断为异纤，识别并喷出。
一种灰绿色细小异纤自动检测识别系统，包括：图像输入模块、颜色识别模块处理、形状识别模块处理、交集处理模块、滤波处理处理、以及区域识别模块；
所述图像输入模块用于采集图像采集区域的棉花线图像，并将棉花线图像处理为RGB真彩图像；
颜色识别模块处理用于获取RGB真彩图像中RGB综合灰度值，根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色区域；
形状识别模块处理用于通过坡度计算方法对RGB真彩图像中坡度进行计算，选取坡度变化具有异形特征的像素进行标记，得到异形区域；
交集处理模块用于获取异色区域和异形区域的交集像素；
滤波处理处理用于将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；
区域识别模块用于在滤波后的图像中确定异纤位置并进行标记，完成异纤识别。
与现有技术比较，本发明的有益效果为：
本发明提供了一种灰绿色细小异纤自动检测识别方法及检测识别系统，通过颜色加形状的双重检测以及滤波，能够有效提取异纤像素，去除干扰和噪声像素，最终将异纤部分标记在采集的图像之上，若判断出为异纤则由机器喷出，若未判断则棉花通过异纤机到达下一流程，其主要针对大量容易误判的区域有较好的清除效果，防止出现大量的误判情况，另外，本发明所采用的颜色识别模块利用灰绿色在RGB空间的数值特征，通过阈值判断来划分灰绿色所属的区域。同时可以通过调整参数的方式，使之适用于其他非灰绿色异纤，具体修改方式还要取决于异纤在图像上表现出的颜色特征，亦可单独将此模块列出以判断异色点，或与其他模块结合，以为其他模块添加颜色判断功能。
进一步地，本发明所采用的形状识别模块利用梯度判断能够有效找出在像素值空间中具有值低且周围坡度平均的区域，并判断为丝状区域。该算法亦可以与其他算法结合，为其他模块添加形状判断功能。
进一步地，本发明所使用的滤波算法通过十字滤波，能有效消除孤立噪声点，以此大幅减少误判；同时尽可能保留相连像素的特征，以免细小异纤部分被滤波清除。
附图说明
图1是本发明灰绿色细小异纤自动检测识别方法流程图；
图2是本发明灰绿色细小异纤自动检测识别系统框图。
具体实施方式
下面将结合附图对本发明做详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明提供了一种灰绿色细小异纤自动检测识别方法，包括：
1)、采集图像采集区域的棉花线图像，并将棉花线图像处理为RGB真彩图像；
在异纤清除机器中，棉花不断通过检测区域，有线阵CCD(charge coupleddevice)工业相机针对动态棉花进行线扫采样，获得棉花线图像，并以RGB888的图像格式存储。
2)、获取RGB真彩图像中RGB综合灰度值，根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色区域；
具体为：
2.1、定义5*5方格像素平均值为pixel_ave25，定义1*1方格像素平均值为pixelave1，将5*5方格的中心与1*1方格的中心对齐，则1*1方格采用5*5方格中坐标为(3，3)像素点，所述5*5方格矩阵为：
pixel_ave2＝mean(T5×5×(R5×5+G5×5+B5×5))/3 (2)
pixel_ave1＝(R1×1+G1×1+B1×1)/3 (3)
2.2、采取阈值分割法，判断灰绿色点和普通点，具体为：
B＞thredshold1 (4)
G+threshold2*Pixel_ave25＞R (5)
R+threshold3*Pixel_ave25＞G (6)
R＞B+threshold4*Pixel_ave25 (7)
G＞B+threshold5*Pixel_ave25 (8)
pixel_ave1≤threshold6×pixel_ave25 (9)
采用公式4至9计算，若该像素点同时满足公式4至9，则判断为异色点标记为Colormark＝1，否则则判断为普通点Colormark＝0。
公式4至9中的阈值系数表1：
表1 threshold1-6值
3)、通过坡度计算方法对RGB真彩图像中坡度进行计算，选取坡度变化具有异形特征的像素进行标记，得到异形区域；
形状识别算法和颜色识别方法是独立的，该判断仅判断丝状物，能有效判断宽度为3像素以下的异纤，具体包括：
3.1、对于每一个像素点生成5*5滑动窗口，待判断像素为中心点，记录为矩阵：
其中am，n即为第m行，第n列的元素，每一个元素均通过下式计算出来：
am，n＝R+G+B (11)
对于每一个像素点，am，n均为该像素点对应的RGB三值之和。
3.2、计算上梯度：
先获得上掩膜：
通过旋转获得左，下，右3个方向掩膜；其中，旋转掩膜左，下，右梯度对应的掩膜为上掩膜逆时针旋转90，180与270度；
然后计算上梯度：
Slopeup＝sum(A.*Tup) (13)
最后依次计算其他左，下，右3个方向梯度；
3.3、计算梯度得分：梯度得分由两部分组成，一部分是对称性得分，一部分是绝对值得分，总分由两部分分数相加。对称性得分总为负值，绝对值得分总为正值，abs为取绝对值的意思。
获取对称性得分：
sym_score＝-abs(Slopeup-Slopedown)-abs(Slopeleft-Sloperight) (14)
获取绝对值得分：
abs_score＝abs(Slopeup+Slopedown+Slopeleft+Sloperight) (15)
3.4、通过对称性得分和绝对值得分可以算出总分
Total_Score＝threshold7×symscore+abs_score (16)
其中，sym_score总为负值，abs_score总为正值，threshold即为形状判断阈值：
如果阈值超过设定值，则认为其为异形点，标记为Shapemark＝1；否则为普通点标记为Shapemark＝0：
具体阈值参考如表2：
表2为threshold7-8值
阈值 推荐值 意义
THRESHOLD7 1.2 对称性权重
THRESHOLD8 800 形状阈值
4)、将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；
本发明所采用的形状识别模块利用梯度判断能够有效找出在像素值空间中具有值低且周围坡度平均的区域，并判断为丝状区域。该算法亦可以与其他算法结合，为其他模块添加形状判断功能。
所述步骤4)具体为：
4.1、获取异色区域和异形区域的交集像素，将同时为异色点与异状点的像素判断为异纤点：
其中Colormark是颜色标记，Shapemark是形状标记，&为与运算，|为或运算。
4.2、通过十字滤波算法对异色区域和异形区域的交集像素进行清理滤波，去除噪声点。
滤波模块针对异纤点图像进行滤波，连续滤波是卷积滤波(滑窗滤波)的延伸，效果是保留在8领域内相通的中心点，对于椒盐噪声有着很好的去噪效果，这里也主要针对椒盐噪声进行处理。
所述十字滤波算法具体为：
设置滤波窗口M：
滤波窗口M是一个长宽均为3的矩阵，中间为8周围是1，通过和选定区域对应位置的元素相加得到连续度C，输入矩阵必须是0-1矩阵，仅包含0或者1这两种元素；
进行判断：
上式中C即为计算出来的连续度，p为当前位置，大于等于10则赋予1，小于10则赋予0，生成滤波后的图像。
进行判断：
上式中C即为计算出来的连续度，p为当前位置，大于等于10则赋予1，小于10则赋予0，生成滤波后的图像。
5)、在滤波后的图像采集区确定异纤位置并进行标记，完成异纤识别。
所述步骤5)具体包括：
根据滤波后图像中存在的异纤点确定异纤的位置，通过网格进行滑动计算，如果异纤点数量超过阈值Threshold9则判断为异纤，识别并喷出。如果异纤点数量超过Threshold9则判断为异纤，识别并喷出，阈值表如表3。
表3 Threshold9值
阈值 推荐值 意义
THRESHOLD9 50 滤波后总数
如图2所示，本发明提供了一种灰绿色细小异纤自动检测识别系统，包括：图像输入模块1、颜色识别模块处理2、形状识别模块处理3、交集处理模块4、滤波处理处理5、以及区域识别模块6；
所述图像输入模块1用于动态采集图像采集区域的实时棉流图像，并将实时棉流图像处理为RGB真彩图像；
颜色识别模块处理2用于获取RGB真彩图像中RGB综合灰度值，根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色区域；
形状识别模块处理3用于通过坡度计算方法对RGB真彩图像中坡度进行计算，选取坡度变化具有异形特征的像素进行标记，得到异形区域；
交集处理模块4用于获取异色区域和异形区域的交集像素；
滤波处理处理5用于将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；
区域识别模块6用于在滤波后的图像中采集区确定异纤位置并进行标记，完成异纤识别。
区域识别模块则是根据滤波后存在的异纤点寻找异纤的位置，通过宽130高50的网格进行滑动计算。
本发明通过五个模块的处理，能够有效提取异纤像素，去除干扰和噪声像素，最终将异纤部分标记在采集的图像之上，若判断出为异纤则由机器喷出，若未判断则棉花通过异纤机到达下一流程。
图像输入模块1通过相机将通过图像采集区域的棉花线扫采样为RGB真彩图像；颜色识别模块2则通过阈值分割将RGB空间中属于灰绿区域的像素标记出来；形状识别模块3则通过坡度计算将图像区域中值低并且坡度平均的像素标记出来；滤波模块5则通过十字滤波算法将两者取交集的像素进行清理滤波，去除噪声点；区域识别模块6则将最终的异纤位置确定下来并标记，以此完成整套异纤识别流程。
本发明通过颜色加形状的双重检测以及滤波，主要针对大量容易误判的区域有较好的清除效果，防止出现大量的误判情况。本发明设置了9个可调整参数，其中6个控制颜色识别模块，2个控制形状识别模块，1个控制区域识别模块。通过调整这些参数，可以有效使算法适应各类工况，或者针对不同颜色或者形状的异纤。并且采用的颜色识别模块利用灰绿色在RGB空间的数值特征，通过阈值判断来划分灰绿色所属的区域。同时可以通过调整参数的方式，使之适用于其他非灰绿色异纤，具体修改方式还要取决于异纤在图像上表现出的颜色特征，亦可单独将此模块列出以判断异色点，或与其他模块结合，以为其他模块添加颜色判断功能。本发明为纯算法，仅通过基础数学计算，不涉及复杂的数学方法，可以应用于多个平台，便于移植；同时可以支持整数运算，以满足更为严格的硬件要求。
对于本领域技术人员而言，显然能了解到上述具体事实例只是本发明的优选方案，因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动，体现的仍是本发明的原理，实现的仍是本发明的目的，均属于本发明所保护的范围。

Claims (8)

1.一种灰绿色细小异纤自动检测识别方法，其特征在于，包括：
1)、采集图像采集区域的实时棉流图像，并将实时棉流图像处理为RGB真彩图像；
2)、获取RGB真彩图像中RGB综合灰度值，根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色点区域；
3)、通过坡度计算方法对RGB真彩图像中坡度进行计算，选取坡度变化具有异形特征的像素进行标记，得到异形区域；
4)、将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；
5)、在滤波后的图像中确定异纤位置并进行标记，完成异纤识别；
所述对RGB真彩图像根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记具体为：
2.1、定义5*5方格像素平均值为pixel_ave25，定义1*1方格像素平均值为pixel_ave1，将5*5方格的中心与1*1方格的中心对齐，则1*1方格采用5*5方格中坐标为(3,3)像素点，所述5*5方格矩阵为：
pixel_ave25＝mean(T5×5×(R5×5+G5×5+B5×5))/3 (2)
pixel_ave1＝(R1×1+G1×1+B1×1)/3 (3)
2.2、采取阈值分割法，判断灰绿色点和普通点，具体为：
B>thredshold1 (4)
G+threshold2*Pixel_ave25＞R (5)
R+threshold4*Pixel_ave25>G (6)
R>B+threshold4*Pixel_ave25 (7)
G>B+threshold4*Pixel_ave25 (8)
pixel_ave1≤threshold6×pixel_ave25 (9)
采用公式4至9计算，若该像素点同时满足公式4至9，则判断为异色点标记为Colormark＝1，否则则判断为普通点Colormark＝0；
所述步骤3)具体包括：
3.1、对于每一个像素点生成5*5滑动窗口，待判断像素为中心点，记录为矩阵：
其中am，n即为第m行，第n列的元素，每一个元素均通过下式计算出来：
am，n＝R+G+B (11)
对于每一个像素点，am，n均为该像素点对应的RGB三值之和；
3.2、计算上梯度：
先获得上掩膜：
通过旋转获得左，下，右3个方向掩膜；其中，旋转掩膜左，下，右梯度对应的掩膜为上掩膜逆时针旋转90,180与270度；
然后计算上梯度：
Slopeup＝sum(A.*Tup) (13)
最后依次计算其他左，下，右3个方向梯度；
3.3、计算梯度得分：
获取对称性得分：
sym_score＝-abs(Slopeup-Slopedowm)-abs(Slopeleft-Sloperight) (14)
获取绝对值得分：
abs_score＝abs(Slopeup+Slopedown+Slopeleft+Sloperight) (15)
3.4、通过对称性得分和绝对值得分可以算出总分
Total_Score＝threshold7×sym_score+abs_score (16)
其中，sym_score总为负值，abs_score总为正值，threshold即为形状判断阈值：
如果阈值超过设定值，则认为其为异状点，标记为Shapemark＝1；否则为普通点标记为Shapemark＝0：
2.根据权利要求1所述的灰绿色细小异纤自动检测识别方法，其特征在于，所述采集图像采集区域的棉花线图像具体为：通过有线阵CCD工业相机对对动态棉花进行线扫采样，获得棉花线图像，并以RGB888的图像格式存储。
3.根据权利要求2所述的灰绿色细小异纤自动检测识别方法，其特征在于，所述阈值系数为：Threshold1为10；Threshold2为0.4；Threshold3为0.2；Threshold4为0.2；Threshold5为0.1；Threshold6为0.2；Threshold3为0.9。
4.根据权利要求1所述的灰绿色细小异纤自动检测识别方法，其特征在于，所述阈值系数为：Threshold7为1.2；Threshold8为800。
5.根据权利要求1所述的灰绿色细小异纤自动检测识别方法，其特征在于，所述步骤4)具体为：
4.1、获取异色区域和异形区域的交集像素，将同时为异色点与异状点的像素判断为异纤点：
其中Colormark是颜色标记，Shapemark是形状标记，&为与运算，|为或运算；
4.2、通过十字滤波算法对异色区域和异形区域的交集像素进行清理滤波，去除噪声点。
6.根据权利要求5所述的灰绿色细小异纤自动检测识别方法，其特征在于，所述十字滤波算法具体为：
设置滤波窗口M：
通过和选定区域对应位置的元素相加得到连续度C，输入矩阵是0-1矩阵，仅包含0或者1这两种元素；
进行判断：
上式中C即为计算出来的连续度，p为当前位置，大于等于10则赋予1，小于10则赋予0，生成滤波后的图像。
7.根据权利要求1或5所述的灰绿色细小异纤自动检测识别方法，其特征在于，所述步骤5)具体包括：
根据滤波后图像中存在的异纤点确定异纤的位置，通过网格进行滑动计算，如果异物点数量超过阈值Threshold9则判断为异物，识别并喷出。
8.一种灰绿色细小异纤自动检测识别系统，其特征在于，包括：图像输入模块(1)、颜色识别模块处理(2)、形状识别模块处理(3)、交集处理模块(4)、滤波处理处理(5)、以及区域识别模块(6)；
所述图像输入模块(1)用于采集图像采集区域的棉花线图像，并将棉花线图像处理为RGB真彩图像；
颜色识别模块处理(2)用于获取RGB真彩图像中RGB综合灰度值，根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记，得到异色区域；
形状识别模块处理(3)用于通过坡度计算方法对坡度进行计算，选取坡度变化具有异形特征的像素进行标记，得到异形区域；
交集处理模块(4)用于获取异色区域和异形区域的交集像素；
滤波处理处理(5)用于将异色区域和异形区域的交集像素进行清理滤波，去除噪声点；
区域识别模块(6)用于在滤波后的图像中确定异纤位置并进行标记，完成异纤识别；
所述对RGB真彩图像根据设置的阈值进行分割，将RGB真彩图像中的灰绿区域的像素进行标记具体为：
2.1、定义5*5方格像素平均值为pixel_ave25，定义1*1方格像素平均值为pixel_ave1，将5*5方格的中心与1*1方格的中心对齐，则1*1方格采用5*5方格中坐标为(3,3)像素点，所述5*5方格矩阵为：
pixel_ave25＝mean(T5×5×(R5×5+G5×5+B5×5))3 (2)
pixel_ave1＝(R1×1+G1×1+B1×1)/3 (3)
2.2、采取阈值分割法，判断灰绿色点和普通点，具体为：
B>thredshold1 (4)
G+threshold4*Pixel_ave25>R (5)
R>B+threshold4*Pixel_ave25>G (6)
R>B+threshold4*Pixel_ave25 (7)
G>B+threshold4*Pixel_ave25 (8)
pixel_ave1≤threshold6×pixel_ave25 (9)
采用公式4至9计算，若该像素点同时满足公式4至9，则判断为异色点标记为Colormark＝1，否则则判断为普通点Colormark＝0；
所述步骤3)具体包括：
3.1、对于每一个像素点生成5*5滑动窗口，待判断像素为中心点，记录为矩阵：
其中am，n即为第m行，第n列的元素，每一个元素均通过下式计算出来：
am，n＝R+G+B (11)
对于每一个像素点，am，n均为该像素点对应的RGB三值之和；
3.2、计算上梯度：
先获得上掩膜：
通过旋转获得左，下，右3个方向掩膜；其中，旋转掩膜左，下，右梯度对应的掩膜为上掩膜逆时针旋转90,180与270度；
然后计算上梯度：
Slopeup＝sum(A.*Tup) (13)
最后依次计算其他左，下，右3个方向梯度；
3.3、计算梯度得分：
获取对称性得分：
sym_score＝-abs(slopeup-Slopedown)-abs(Slopeleft-Sloperight) (14)
获取绝对值得分：
abs_score＝abs(Slopeup+Slopedown+Slopeleft+Sloperight) (15)
3.4、通过对称性得分和绝对值得分可以算出总分
Total_Score＝threshold7×sym_score+abs_acore (16)
其中，sym_score总为负值，abs_score总为正值，threshold即为形状判断阈值：
如果阈值超过设定值，则认为其为异状点，标记为Shapemark＝1；否则为普通点标记为Shapemark＝0：
CN202010755840.4A 2020-07-31 2020-07-31 一种灰绿色细小异纤自动检测识别方法及检测识别系统 Active CN111882549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010755840.4A CN111882549B (zh) 2020-07-31 2020-07-31 一种灰绿色细小异纤自动检测识别方法及检测识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010755840.4A CN111882549B (zh) 2020-07-31 2020-07-31 一种灰绿色细小异纤自动检测识别方法及检测识别系统

Publications (2)

Publication Number Publication Date
CN111882549A CN111882549A (zh) 2020-11-03
CN111882549B true CN111882549B (zh) 2024-04-09

Family

ID=73204712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010755840.4A Active CN111882549B (zh) 2020-07-31 2020-07-31 一种灰绿色细小异纤自动检测识别方法及检测识别系统

Country Status (1)

Country Link
CN (1) CN111882549B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450382B (zh) * 2021-07-16 2022-03-11 武汉智目智能技术合伙企业(有限合伙) 一种基于图像中心回归的异纤分割方法
CN113642521B (zh) * 2021-09-01 2024-02-09 东软睿驰汽车技术（沈阳）有限公司 红绿灯识别质量的评价方法、装置和电子设备
CN114821281B (zh) * 2022-05-16 2024-09-20 西安交通大学 一种用于精确地识别实际接触面积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
JP2002262299A (ja) * 2001-02-28 2002-09-13 Seiko Epson Corp 偽色除去装置、偽色除去プログラム、偽色除去方法およびデジタルカメラ
CN101770645A (zh) * 2010-02-10 2010-07-07 中国农业大学 高分辨率棉花异性纤维彩色图像的快速分割方法与系统
CN104123731A (zh) * 2014-08-04 2014-10-29 山东农业大学 低对比度皮棉地膜图像分割方法
CN108890692A (zh) * 2018-07-05 2018-11-27 陕西大中科技发展有限公司 一种用于工业机器人视觉分拣的物料颜色识别方法
CN110472598A (zh) * 2019-08-20 2019-11-19 齐鲁工业大学 基于区域特征的svm机采棉花含杂图像分割方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809630B (zh) * 2014-12-30 2019-03-12 展讯通信(天津)有限公司 一种图像噪声过滤方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002262299A (ja) * 2001-02-28 2002-09-13 Seiko Epson Corp 偽色除去装置、偽色除去プログラム、偽色除去方法およびデジタルカメラ
CN101770645A (zh) * 2010-02-10 2010-07-07 中国农业大学 高分辨率棉花异性纤维彩色图像的快速分割方法与系统
CN104123731A (zh) * 2014-08-04 2014-10-29 山东农业大学 低对比度皮棉地膜图像分割方法
CN108890692A (zh) * 2018-07-05 2018-11-27 陕西大中科技发展有限公司 一种用于工业机器人视觉分拣的物料颜色识别方法
CN110472598A (zh) * 2019-08-20 2019-11-19 齐鲁工业大学 基于区域特征的svm机采棉花含杂图像分割方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于智能方法的丝状异纤分离关键技术研究;王光波;曹梦龙;;工业控制计算机(第04期);全文 *
基于样本的棉花异性纤维识别算法;李娜;;陕西科技大学学报(自然科学版)(第04期);全文 *
应用区域颜色分割的机采棉杂质检测方法;张成梁;李蕾;董全成;葛荣雨;;纺织学报(第07期);全文 *
棉花异性纤维在线检测系统研究与实现;吴明会;张宇波;;科学技术与工程(第20期);全文 *

Also Published As

Publication number Publication date
CN111882549A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111882549B (zh) 一种灰绿色细小异纤自动检测识别方法及检测识别系统
CN104867159B (zh) 一种数字相机传感器污点检测及分级方法与装置
CN111539935A (zh) 一种基于机器视觉的电缆表面缺陷在线检测方法
CN108921819B (zh) 一种基于机器视觉的验布装置及方法
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN104361330B (zh) 一种玉米精准施药系统的作物行识别方法
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN111784597B (zh) 一种植保机器人自主导航路径检测方法及服务器、存储介质
CN104021561A (zh) 基于小波变换及形态学运算的织物起毛起球图像分割方法
CN106952280B (zh) 一种基于计算机视觉的喷枪喷漆量均匀度检测方法
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN109472779B (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
CN114549441B (zh) 基于图像处理的吸管缺陷检测方法
CN115330784A (zh) 一种布匹表面缺陷检测方法
CN116823824B (zh) 基于机器视觉的井下带式输送机降尘检测系统
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及系统
CN110687121A (zh) 一种陶瓦智能在线检测与自动分级方法和系统
CN116630309A (zh) 一种布匹断纬瑕疵检测方法
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN112435235A (zh) 一种基于图像分析的籽棉含杂率检测方法
CN107527354B (zh) 一种基于合成图的区域生长方法
CN106254864B (zh) 监控视频中的雪花和噪点噪声检测方法
CN107256549A (zh) 一种基于机器视觉的竹条缺陷检测方法

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