CN113487558A - 一种基于图像识别技术的涂料印染面料检测方法 - Google Patents
一种基于图像识别技术的涂料印染面料检测方法 Download PDFInfo
- Publication number
- CN113487558A CN113487558A CN202110746671.2A CN202110746671A CN113487558A CN 113487558 A CN113487558 A CN 113487558A CN 202110746671 A CN202110746671 A CN 202110746671A CN 113487558 A CN113487558 A CN 113487558A
- Authority
- CN
- China
- Prior art keywords
- fabric
- dyeing
- image
- pca
- machine learning
- 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.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 138
- 238000004043 dyeing Methods 0.000 title claims abstract description 108
- 238000007639 printing Methods 0.000 title claims abstract description 71
- 239000003973 paint Substances 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000576 coating method Methods 0.000 claims description 39
- 239000011248 coating agent Substances 0.000 claims description 25
- 239000000835 fiber Substances 0.000 claims description 19
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000047 product Substances 0.000 description 21
- 239000004753 textile Substances 0.000 description 11
- 239000000049 pigment Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000853 adhesive Substances 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000007730 finishing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-M Acrylate Chemical compound [O-]C(=O)C=C NIXOWILDQLNWCW-UHFFFAOYSA-M 0.000 description 1
- 150000001252 acrylic acid derivatives Chemical class 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000003431 cross linking reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003094 microcapsule Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000002103 nanocoating Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- XNGIFLGASWRNHJ-UHFFFAOYSA-L phthalate(2-) Chemical compound [O-]C(=O)C1=CC=CC=C1C([O-])=O XNGIFLGASWRNHJ-UHFFFAOYSA-L 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Abstract
本发明涉及一种基于图像识别技术的涂料印染面料检测方法，首先分别获取已知染色工艺的m块面料(m≥1000)的图像，提取第j块面料的图像的颜色直方图特征Cj、胡矩特征Hj和Haralick纹理特征Tj，j＝1，2...m，并将Cj、Hj和Tj进行合并得到Fj，则全部m块面料的图像特征矩阵
m块面料对应的染色工艺
然后将F作为输入，y作为输出，构建并训练机器学习模型；最后获取染色工艺未知的一块面料的图像，提取图像的颜色直方图特征C′、胡矩特征H′和Haralick纹理特征T′，并将C′、H′和T′进行合并得到F′，将F′输入至训练好的机器学习模型中，机器学习模型输出对应的染色工艺y′。本发明减少了对人工操作的依赖，满足实际应用中面料染色检测的稳定、准确、自动化需求，应用前景广阔。
Description
技术领域
本发明属于涂料印染面料检测技术领域，涉及一种基于图像识别技术的涂料印染面料检测方法。
背景技术
国家强制性标准GB 31701-2015《婴幼儿及儿童纺织产品安全技术规范》对婴幼儿和儿童纺织产品的技术术语和定义、质量要求以及检验规则做出了规定。该标准适用于供36个月以下的婴幼儿和3到14岁儿童穿着或使用的纺织产品，不符合本标准的产品，将禁止生产、销售、进口。这一强制性标准有助于婴幼儿和儿童安全以及环境安全。该标准中规定了婴幼儿和儿童纺织产品安全技术要求分为A类、B类和C类，婴幼儿纺织产品要符合A类要求，与儿童皮肤直接接触的纺织产品至少要符合B类产品的要求，不与儿童皮肤直接接触的纺织产品至少要符合C类产品的要求。其中A类要求中涉及到的考核指标“重金属”和“邻苯二甲酸酯”注明“仅考核含有涂层和涂料印染的织物”，但标准中未给出涂层和涂料印染的鉴别方法。随着涂料印染技术的发展，涂料印染与染料印染区分越来越困难，这也就造成了GB 31701-2015标准在实际使用中的技术难点。目前纺织品的涂层鉴别已经有了国家标准GB/T 30666-2014《纺织品涂层鉴别试验方法》，但涂层和涂料染色是不同的加工方法，涂层是后整理范畴，国内关于涂料印染却并没有统一适用的方法。
涂料印染具有工艺简单、正品率较高、节能减排等优势，是一种可持续发展的清洁生产技术，具有深远的发展前景，是印染技术重要的发展方向，全世界印花产品中大约有50％以上的印花产品是采用涂料印花技术，尤其是美国，涂料印花比例达到85％，而染料印花仅有3％，我国涂料用于印花的比例逐年提高。涂料本身对纤维没有亲和力，需要依靠一定量的黏合剂、交联剂将涂料机械地固着于纤维上，传统的大部分涂料印花黏合剂采用丙烯酸酯类单体为主体，印花涂料产品一般手感较硬，比较便于鉴别；随着涂料印花产品技术的发展，如采用纳米涂料技术、微胶囊涂料技术、PU/PA黏合剂的合成以及改性丙烯酸酯黏合剂的制备等，可获得柔软的手感和弹性。涂料染色是借助粘合剂将涂料颗粒粘附在纤维上，对基材没有选择性，可以解决混纺纤维染色不匀的问题，简化了混纺工艺流程，可满足多品种、小批量和快交货的需求。对于阳离子改性的织物，甚至不需要借助粘合剂便可以进行涂料染色。近年，随着涂料细化技术的提升，涂料印花的遮盖力、着色力、色牢度及印花制品的手感得到了进一步提升，涂料印花产品与染料印花产品的相似度越来越高，鉴别产品类别难度也加大。
目前文献报导人们通过对样品的感官体验来分析鉴别涂料印花纺织品，包括目测观察不同印染部位的正、反面(观察试样反面颜色渗透特征，不渗透到背面的可能为涂料印花)以及手触感受(用手感受织物试样表面不同印染部位的平整、凸出、软、硬等，涂料印花通常浮于基布，颜色不那么鲜艳，而且手感柔软度相较染料印花产品欠佳)。
随着涂料、染料印染技术的发展和产品的差异化，通过感官分析结果重现性不好，容易出现误判。
因此，有必要提供一种重现性好且可以准确判定涂料印染纺织品的方法。
发明内容
本发明的目的是解决现有技术中存在的上述问题，提供一种基于图像识别技术的涂料印染面料检测方法。
为达到上述目的，本发明采用的技术方案如下：
一种基于图像识别技术的涂料印染面料检测方法，首先分别获取已知染色工艺的m块面料的图像，提取第j块面料的图像的颜色直方图(ColorHistogram)特征Cj、胡矩(HuMoments)特征Hj和Haralick纹理特征Tj，j＝1,2…m，并将Cj、Hj和Tj进行合并得到Fj，Fj＝[Cj,Hj,Tj]，则全部m块面料的图像特征矩阵
m块面料对应的染色工艺
其中yj表示第j块面料的染色工艺，，yj为0或1，0代表涂料工艺，1代表非涂料工艺，C1,C2…Cm分别表示提取的已知染色工艺的m块面料的图像的颜色直方图特征，H1,H2…Hm分别表示提取的已知染色工艺的m块面料的图像的胡矩特征，T1,T2…Tm分别表示提取的已知染色工艺的m块面料的图像的Haralick纹理特征，y1,y2…ym分别表示已知染色工艺的m块面料的染色工艺；然后将F作为输入，y作为输出，构建并训练机器学习模型；最后获取染色工艺未知的一块面料的图像，提取图像的颜色直方图特征C′、胡矩特征H′和Haralick纹理特征T′，并将C′、H′和T′进行合并得到F′，F′＝[C′,H′,T′]，将F′输入至训练好的机器学习模型中，机器学习模型输出对应的染色工艺y′，y'为0或1，0代表涂料工艺，1代表非涂料工艺，根据y′即确定所述染色工艺未知的一块面料为涂料工艺面料或者非涂料工艺面料；
所有的面料的图像都是指面料中的纱线退捻后的纤维表面特征图像；
m的数量为1000以上，已知染色工艺的m块面料中涂料印染面料的数量占比为40～60％；
所述机器学习模型集成学习XGBoost、AdaBoost、Bagging、随机森林(RandomForest)、GradientBoost和投票法(Voting分类)(默认情况下，使用XGBoost)，由于当前各类机器学习模型各有，在不同场景中使用准确率稍有不同，为获得更好的效果，本发明集成学习多种集成学习算法。
作为优选的技术方案：
如上所述的一种基于图像识别技术的涂料印染面料检测方法，输出的染色工艺用数字0和1表示，0代表涂料工艺，1代表非涂料工艺。
如上所述的一种基于图像识别技术的涂料印染面料检测方法，为保证样本均衡性，提高预测准确率，所述已知染色工艺的m块面料中涂料印染面料与非涂料印染面料的数量比为1:1(理想状态下，不同种类的面料应该是同样多的，机器学习中称呼为“样本均衡性”，所以是1:1，这样才能保证模型的准确率)。
如上所述的一种基于图像识别技术的涂料印染面料检测方法，面料中的纱线退捻后的纤维表面特征图像是在生物显微镜下放大200～500倍观察得到的。
如上所述的一种基于图像识别技术的涂料印染面料检测方法，构建并训练机器学习模型时，通过主成分分析对F进行降维得到Fpca(以原始矩阵F来说，它的每一行包含了一块面料的各种特征，但是由于特征数量太多：其中部分特征对区分染色工艺可能并不是太重要，但是被认为加入，降低维度可以排除这类不重要信息，更加有利于机器学习算法进行区分)，将Fpca作为输入，并保存生成的主成分分析的基模型，记为P，Fpca＝P(F)；
使用训练好的机器学习模型进行测试时，先使用主成分分析的基模型P对F′进行降维得到F′pca，即F′pca＝P(F′)，再将F′pca输入至训练好的机器学习模型中。
如上所述的一种基于图像识别技术的涂料印染面料检测方法，具体步骤如下：
(1)获取已知染色工艺的一块面料的图像；
(2)基于开源视觉库OpenCV，进行面料的图像的颜色直方图特征提取；所述颜色直方图包含色相(Hue)、饱和度(Saturation)和亮度(Value)特征，考虑不同染色工艺对图像造成的色相、饱和度和亮度的区别，本发明用颜色直方图记录面料的这一特征，该特征向量可以表示图像中不同色彩在整个图像中所占的比例；
(3)基于开源视觉库OpenCV，进行面料的图像的胡矩特征提取；不同染色工艺获得的面料，其纤维表面结构不同(涂料印染面料表面的纤维会显得较为粗糙，非涂料印染面料表面的纤维稍微光滑)，导致像素强度会具有明显区别，图像的胡矩正好可以表达这一特征，胡矩具有旋转、平移和比例不变性，因而无论纤维排列方向如何，具有轮廓特征的纤维表面，理论上应具有类似的胡矩；
(4)基于开源视觉库OpenCV，进行面料的图像的Haralick纹理特征提取，即生成一个灰度共生矩阵，并将提取的Haralick纹理特征进行向量化；对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大；纹理特征是一种不依赖于颜色或亮度而反映图像中同质现象的视觉特征，包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系，因而本发明引入Haralick纹理特征进行辅助区分纤维染整工艺；本发明中步骤(2)～(4)的次序可调整，最终目的是获取面料的图像的颜色直方图特征、胡矩特征和Haralick纹理特征，只要能获得这三个特征即可，无所谓先后次序；
(5)将颜色直方图特征C1、胡矩特征H1和Haralick纹理特征T1进行合并形成一个更高维度的向量，记为F1，F1＝[C1,H1,T1]；同时，所获取面料对应的工艺记为y1；
(6)重复步骤(1)～(5)，获得其余m-1块已知染色工艺的面料的图像的颜色直方图特征、胡矩特征和Haralick纹理特征，则全部m块面料的图像特征矩阵
对应的工艺
(7)通过主成分分析(Principal components analysis,PCA)对F进行降维，降维后的新矩阵记为Fpca，该矩阵的行数与原矩阵F相同，但是列数变得更低，有利于机器学习算法进行高效运算；
(8)将Fpca作为输入，并保存生成的主成分分析的基模型，记为P，Fpca＝P(F)，将y作为输出，构建集成学习XGBoost、AdaBoost、Bagging、随机森林、GradientBoost和投票法的机器学习模型；
(9)模型构建完毕后，开始进行训练，训练过程中，模型通过自我参数调节，逐步提高识别准确率，直至模型的准确率再也无法提高时，训练终止；此外，为保证模型的有效性，最终停止时的准确率至少达到80％以上；
(10)获取染色工艺未知的一块面料的图像，提取图像的颜色直方图特征C'、胡矩特征H′和Haralick纹理特征T′，并将C′、H'和T′进行合并得到F′，F'＝[C',H',T']，使用主成分分析的基模型P对F'进行降维得到F'pca，即F'pca＝P(F′)；
(11)将F′pca输入至训练好的机器学习模型中，由其输出对应的染色工艺y′，y′为0时，步骤(10)中的面料为涂料印染面料，y′为1时，步骤(10)中的面料为非涂料印染面料。
如上所述的一种基于图像识别技术的涂料印染面料检测方法，步骤(7)中Fpca的维度为30～40。
如上所述的一种基于图像识别技术的涂料印染面料检测方法，涂料印染面料的检测准确率为82％以上，即每100份涂料印染面料中至少有90份被成功识别。
有益效果：
本发明针对依赖人工操作的面料染色工艺检测准确性低、耗时费力的缺点，提出基于图像识别技术的涂料印染面料检测方法，减少了对人工操作的依赖，满足实际应用中面料染色检测的稳定、准确、自动化等需求，应用前景十分广阔。同时，在本发明的设计下，用户可以将原生的显微镜图片作为输入，不需要手动预处理，大大方便了使用。
附图说明
图1为本发明的流程图；
图2为测试时所选取的面料的显微图像；
图3为测试时提取的颜色直方图特征结果。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于图像识别技术的涂料印染面料检测方法，如图1所示，具体步骤如下：
(1)获取已知染色工艺的一块面料的图像；其中，面料的图像是指面料中的纱线退捻后的纤维表面特征图像，是在生物显微镜下放大200～500倍观察得到的；
(2)基于开源视觉库OpenCV，进行面料的图像的颜色直方图特征提取；颜色直方图包含色相、饱和度和亮度特征；
(3)基于开源视觉库OpenCV，进行面料的图像的胡矩特征提取；
(4)基于开源视觉库OpenCV，进行面料的图像的Haralick纹理特征提取，即生成一个灰度共生矩阵，并将提取的Haralick纹理特征进行向量化；
(5)将颜色直方图特征C1、胡矩特征H1和Haralick纹理特征T1进行合并形成一个更高维度的向量，记为F1，F1＝[C1,H1,T1]；同时，所获取面料对应的工艺记为y1，y1为0或1，0代表涂料工艺，1代表非涂料工艺；
(6)重复步骤(1)～(5)，获得其余m-1块已知染色工艺的面料的图像的颜色直方图特征、胡矩特征和Haralick纹理特征，则全部m块面料的图像特征矩阵
对应的工艺
yj表示第j块面料的染色工艺，y1、y2…ym分别为0或1，0代表涂料工艺，1代表非涂料工艺；染色工艺的m块面料中涂料印染面料与非涂料印染面料的数量比为1:1，m的数量为1000以上；
(7)通过主成分分析对F进行降维，降维后的新矩阵记为Fpca，Fpca的维度为30～40；
(8)将Fpca作为输入，并保存生成的主成分分析的基模型，记为P，Fpca＝P(F)，将y作为输出，构建集成学习XGBoost、AdaBoost、Bagging、随机森林、GradientBoost和投票法的机器学习模型；
(9)模型构建完毕后，开始进行训练，训练过程中，模型通过自我参数调节，逐步提高识别准确率，直至模型的准确率再也无法提高时，训练终止；此外，为保证模型的有效性，最终停止时的准确率至少达到80％以上；
(10)获取染色工艺未知的一块面料的图像，提取图像的颜色直方图特征C′、胡矩特征H′和Haralick纹理特征T′，并将C′、H′和T′进行合并得到F′，F′＝[C′,H′,T′]，使用主成分分析的基模型P对F′进行降维得到F′pca，即F′pca＝P(F′)；
(11)将F′pca输入至训练好的机器学习模型中，由其输出对应的染色工艺y′；y'为0时，步骤(10)中的面料为涂料印染面料，y'为1时，步骤(10)中的面料为非涂料印染面料。
在使用本发明预测时，需要将面料的显微特征图像放置在指定文件夹下，待模型进行读取。默认设置下，采用XGBoost分类器，用户可以直接点击“开始识别”，进行染整工艺识别，也可通过勾选，添加其他类型分类器进行预测。系统在读取图像文件后会自动识别染整工艺，并且在当前界面显示预测结果，同时自动将结果保存为Excel文件。若用户对当前模型的结果不满意，可以选择“根据数据，重新训练模型”，这样就会根据训练集合，重新训练机器学习模型。如表1所示，为不同模型预测准确率对比表，从表中可以看出XGBoost对纤维布料染整工艺类型识别准确率最高，因此在本发明中，也将作为默认预测算法；尽管其他算法性能在此处表现不佳，但作为后续的参考对比，因此依然保留。为了保持模型的效果，该模型后期可以由用户添加更多数据集，通过可视化操作进行训练新的模型，确保使用过程中的预测准确率。
表1:不同模型预测准确率对比
应用实例
一种基于图像识别技术的涂料印染面料检测方法，应用实例如下：
(1)获取染色工艺未知的一块面料的图像(所使用面料为涂料印染面料，但在测试之前未告知染色工艺)，如图2所示；其中，面料的图像是指面料中的纱线退捻后的纤维表面特征图像，是在生物显微镜下放大200倍观察得到的；
(2)基于开源视觉库OpenCV，进行面料的图像的颜色直方图特征提取；颜色直方图包含色相、饱和度和亮度特征，颜色直方图特征结果C1，其值显示如图3所示；
(3)基于开源视觉库OpenCV，进行面料的图像的胡矩特征提取，经计算，胡矩特征Hx的值为(读取方式为从上至下)：
| 1.27600464e-03 |
| 7.63118587e-07 |
| 6.72426312e-12 |
| 3.99137269e-12 |
| -2.03212699e-23 |
| -3.43195957e-15 |
| 3.82364263e-24 |
(4)基于开源视觉库OpenCV，进行面料的图像的Haralick纹理特征提取，即生成一个灰度共生矩阵，并将提取的Haralick纹理特征进行向量化，经计算，Haralick纹理特征Tx的值为(读取方式为从上至下)：
(5)将颜色直方图特征Cx、胡矩特征Hx和Haralick纹理特征Tx进行合并形成一个更高维度的向量，记为Fx，Fx＝[Cx,Hx,Tx]；
(6)通过主成分分析对Fx进行降维，使用主成分分析的基模型P对Fx进行降维得到Fpcax，即Fpcax＝P(Fx)，Fpcax的维度为40，经计算，Fpcax值为(读取顺序为：先从左往右读取，然后继续读取下一行)：
| -0.488114 | -1.21897 | 0.228114 | -0.645983 |
| 0.674811 | -0.916294 | -0.25073 | 0.650871 |
| -0.944192 | -0.205425 | 0.560239 | 0.384566 |
| 0.326399 | -1.87124 | -0.248683 | 2.37194 |
| -0.859227 | 3.27003 | 2.76869 | 1.72736 |
| -0.138766 | 0.237773 | -1.6924 | 0.354748 |
| 1.33298 | -0.130272 | -3.305 | -0.737775 |
| 0.179216 | 1.1319 | -0.703843 | 0.0461353 |
(7)将Fpcax作为输入，开始使用上述已经训练完成的集成学习模型(XGBoost、AdaBoost、Bagging、随机森林、GradientBoost和投票法的机器学习模型)进行预测，获得输出面料工艺yx的预测值，yx为0，代表当前面料为涂料印染面料，对应算法获得预测结果为：
Claims (7)
1.一种基于图像识别技术的涂料印染面料检测方法，其特征在于：首先分别获取已知染色工艺的m块面料的图像，提取第j块面料的图像的颜色直方图特征Cj、胡矩特征Hj和Haralick纹理特征Tj，j＝1,2…m，并将Cj、Hj和Tj进行合并得到Fj，Fj＝[Cj,Hj,Tj]，则全部m块面料的图像特征矩阵
m块面料对应的染色工艺
其中yj表示第j块面料的染色工艺，yj为0或1，0代表涂料工艺，1代表非涂料工艺；然后将F作为输入，y作为输出，构建并训练机器学习模型；最后获取染色工艺未知的一块面料的图像，提取图像的颜色直方图特征C'、胡矩特征H′和Haralick纹理特征T′，并将C′、H′和T′进行合并得到F′，F′＝[C′,H′,T′]，将F′输入至训练好的机器学习模型中，机器学习模型输出对应的染色工艺y′，y'为0或1，0代表涂料工艺，1代表非涂料工艺；
所有的面料的图像都是指面料中的纱线退捻后的纤维表面特征图像；
m的数量为1000以上，已知染色工艺的m块面料中涂料印染面料的数量占比为40～60％；
所述机器学习模型集成学习XGBoost、AdaBoost、Bagging、随机森林、GradientBoost和投票法。
2.根据权利要求1所述的一种基于图像识别技术的涂料印染面料检测方法，其特征在于，所述已知染色工艺的m块面料中涂料印染面料与非涂料印染面料的数量比为1:1。
3.根据权利要求1所述的一种基于图像识别技术的涂料印染面料检测方法，其特征在于，面料中的纱线退捻后的纤维表面特征图像是在生物显微镜下放大200～500倍观察得到的。
4.根据权利要求1所述的一种基于图像识别技术的涂料印染面料检测方法，其特征在于，构建并训练机器学习模型时，通过主成分分析对F进行降维得到Fpca，将Fpca作为输入，并保存生成的主成分分析的基模型，记为P，Fpca＝P(F)；
使用训练好的机器学习模型进行测试时，先使用主成分分析的基模型P对F′进行降维得到F′pca，即F′pca＝P(F′)，再将F′pca输入至训练好的机器学习模型中。
5.根据权利要求4所述的一种基于图像识别技术的涂料印染面料检测方法，其特征在于，具体步骤如下：
(1)获取已知染色工艺的一块面料的图像；
(2)基于开源视觉库OpenCV，进行面料的图像的颜色直方图特征提取；所述颜色直方图包含色相、饱和度和亮度特征；
(3)基于开源视觉库OpenCV，进行面料的图像的胡矩特征提取；
(4)基于开源视觉库OpenCV，进行面料的图像的Haralick纹理特征提取，即生成一个灰度共生矩阵，并将提取的Haralick纹理特征进行向量化；
(5)将颜色直方图特征C1、胡矩特征H1和Haralick纹理特征T1进行合并形成一个更高维度的向量，记为F1，F1＝[C1,H1,T1]；同时，所获取面料对应的工艺记为y1；
(6)重复步骤(1)～(5)，获得其余m-1块已知染色工艺的面料的图像的颜色直方图特征、胡矩特征和Haralick纹理特征，则全部m块面料的图像特征矩阵
对应的工艺
(7)通过主成分分析对F进行降维，降维后的新矩阵记为Fpca；
(8)将Fpca作为输入，并保存生成的主成分分析的基模型，记为P，Fpca＝P(F)，将y作为输出，构建集成学习XGBoost、AdaBoost、Bagging、随机森林、GradientBoost和投票法的机器学习模型；
(9)模型构建完毕后，开始进行训练，训练过程中，模型通过自我参数调节，逐步提高识别准确率，直至模型的准确率再也无法提高时，训练终止；训练终止时模型的准确率至少为80％以上；
(10)获取染色工艺未知的一块面料的图像，提取图像的颜色直方图特征C′、胡矩特征H′和Haralick纹理特征T′，并将C′、H′和T′进行合并得到F′，F′＝[C′,H′,T′]，使用主成分分析的基模型P对F′进行降维得到F′pca，即F′pca＝P(F′)；
(11)将F′pca输入至训练好的机器学习模型中，由其输出对应的染色工艺y′，y′为0时，步骤(10)中的面料为涂料印染面料，y′为1时，步骤(10)中的面料为非涂料印染面料。
6.根据权利要求5所述的一种基于图像识别技术的涂料印染面料检测方法，其特征在于，步骤(7)中Fpca的维度为30～40。
7.根据权利要求1所述的一种基于图像识别技术的涂料印染面料检测方法，其特征在于，涂料印染面料的检测准确率为82％以上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110746671.2A CN113487558B (zh) | 2021-07-01 | 2021-07-01 | 一种基于图像识别技术的涂料印染面料检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110746671.2A CN113487558B (zh) | 2021-07-01 | 2021-07-01 | 一种基于图像识别技术的涂料印染面料检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113487558A true CN113487558A (zh) | 2021-10-08 |
| CN113487558B CN113487558B (zh) | 2023-12-22 |
Family
ID=77940000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110746671.2A Active CN113487558B (zh) | 2021-07-01 | 2021-07-01 | 一种基于图像识别技术的涂料印染面料检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487558B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263431A (zh) * | 2019-06-10 | 2019-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种混凝土28d抗压强度预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070172113A1 (en) * | 2006-01-20 | 2007-07-26 | Kansai Paint Co., Ltd. | Effective pigment identification method, identification system, identification program, and recording medium therefor |
| US20130071015A1 (en) * | 2010-06-25 | 2013-03-21 | E I Du Pont De Nemours And Company | System for producing and delivering matching color coating and use thereof |
| CN112102253A (zh) * | 2020-08-21 | 2020-12-18 | 佛山职业技术学院 | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 |
| CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和系统 |
| US20210089745A1 (en) * | 2019-09-24 | 2021-03-25 | Case Western Reserve University | Fast synthetic haralick texture generation for histology images |
| CN112668650A (zh) * | 2020-12-30 | 2021-04-16 | 上海电气集团股份有限公司 | 工业数据模型的生成方法、系统、设备和介质 |
-
2021
- 2021-07-01 CN CN202110746671.2A patent/CN113487558B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070172113A1 (en) * | 2006-01-20 | 2007-07-26 | Kansai Paint Co., Ltd. | Effective pigment identification method, identification system, identification program, and recording medium therefor |
| US20130071015A1 (en) * | 2010-06-25 | 2013-03-21 | E I Du Pont De Nemours And Company | System for producing and delivering matching color coating and use thereof |
| US20210089745A1 (en) * | 2019-09-24 | 2021-03-25 | Case Western Reserve University | Fast synthetic haralick texture generation for histology images |
| CN112102253A (zh) * | 2020-08-21 | 2020-12-18 | 佛山职业技术学院 | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 |
| CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和系统 |
| CN112668650A (zh) * | 2020-12-30 | 2021-04-16 | 上海电气集团股份有限公司 | 工业数据模型的生成方法、系统、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李明超;刘承照;张野;朱月琴;: "耦合颜色和纹理特征的矿物图像数据深度学习模型与智能识别方法", 大地构造与成矿学, no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263431A (zh) * | 2019-06-10 | 2019-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种混凝土28d抗压强度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113487558B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Exploring features in a bayesian framework for material recognition | |
| Bu et al. | Fabric defect detection based on multiple fractal features and support vector data description | |
| CN105844278B (zh) | 一种多特征融合的织物扫描图案识别方法 | |
| CN108960255A (zh) | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 | |
| CN105005765A (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
| WO2013037119A1 (zh) | 红细胞形态学分析装置及其方法 | |
| CN103020609B (zh) | 复杂纤维图像的识别方法 | |
| CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
| CN110399821A (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
| CN103149210B (zh) | 一种基于鳞片图文特征的织物羊绒含量检测系统及方法 | |
| CN109187579A (zh) | 织物疵点检测方法及装置、计算机设备及计算机可读介质 | |
| Xing et al. | A novel digital analysis method for measuring and identifying of wool and cashmere fibers | |
| CN108288048A (zh) | 基于改进头脑风暴优化算法的面部情绪识别特征选择方法 | |
| CN113487558A (zh) | 一种基于图像识别技术的涂料印染面料检测方法 | |
| CN113793319A (zh) | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 | |
| Zhang et al. | Identification of animal fibers with wavelet texture analysis | |
| CN109447097B (zh) | 一种基于卷积神经网络的面料主成分检测方法 | |
| CN112927180B (zh) | 一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法 | |
| CN110070532B (zh) | 基于三维图像与二维图像特征结合的织物平整度评价方法 | |
| Yu et al. | Research on CNN Algorithm for Monochromatic Fabric Defect Detection | |
| CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
| Al Sasongko et al. | Application of Gray Scale Matrix Technique for Identification of Lombok Songket Patterns Based on Backpropagation Learning | |
| Ugail et al. | Deep facial features for analysing artistic depictions-a case study in evaluating 16th and 17th century old master portraits | |
| Kumar et al. | A multi-level colour thresholding based segmentation approach for improved identification of the defective region in leather surfaces | |
| CN110427950A (zh) | 紫色土土壤图像阴影检测方法 |
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 |