CN113643276B - 一种基于统计分析的纺织物纹理缺陷自动检测方法 - Google Patents
一种基于统计分析的纺织物纹理缺陷自动检测方法 Download PDFInfo
- Publication number
- CN113643276B CN113643276B CN202110999576.3A CN202110999576A CN113643276B CN 113643276 B CN113643276 B CN 113643276B CN 202110999576 A CN202110999576 A CN 202110999576A CN 113643276 B CN113643276 B CN 113643276B
- Authority
- CN
- China
- Prior art keywords
- centroid
- image
- value
- curvature
- slope
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 239000004753 textile Substances 0.000 title claims abstract description 29
- 238000007619 statistical method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 239000004744 fabric Substances 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000009161 Espostoa lanata Nutrition 0.000 description 1
- 240000001624 Espostoa lanata Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于统计分析的纺织物纹理缺陷自动检测方法，包括以下步骤：1)获取纺织物图像数据集；2)纺织物图像预处理；3)质心提取及经纬线绘制；4)构建质心经纬线统计属性的缺陷检测模型；本发明针对断经、疵点等织物曲线，在曲线斜率和曲率双重约束下，通过绘制寻找经纬图中的异常质心，实现缺陷的定位与可视化从而减少人力并提高无缺陷产品的生产率。
Description
技术领域
本发明涉及工业过程缺陷自动检测技术领域，具体涉及一种基于统计分析的纺织物纹理缺陷自动检测方法。
背景技术
众所周知织物缺陷检测被认为是该行业所有纺织品生产过程中最困难的自动化集成步骤之一。在纺织品生产系统中，影响织物品质的主要因素是织物缺陷，而织物表面缺陷检测是一个非常重要的环节。缺陷会使面料产品的价格下降。长期以来，织物缺陷检测一直在手动完成。遗憾的是，手动检测存在以下问题：效率低，检测结果不稳定，耗时长，检测时间长，严重影响工人的视力和身心健康。缺陷检测的目的就是在织造完成后，验布过程中及时发现这些已经存在的疵点，通过修复和整理，尽可能降低由疵点导致的织物质量的下降。
织物缺陷是指织物上的斑点或小缺陷。根据外形，主要包括线性缺陷，平面缺陷，点状缺陷和其他缺陷。经线长度与纬线长度之间的较大差异会形成线性缺陷，例如断头和断经。平面缺陷是由不规则轮廓边界(例如孔)引起的平面形状缺陷。点状缺陷是由小针头或小孔引起的，例如打结和棉球。其他缺陷包括不规则形状的缺陷等。根据特征描述，当前的织物缺陷检测方法大致包括四种方法：统计方法，频域方法，模型方法和学习方法。
发明内容
针对上述存在的问题，本发明提出一种基于统计分析的纺织物纹理缺陷自动检测方法，以实现在计算机视觉上检测纺织物产品图像中的缺陷，从而减少人力并提高无缺陷产品的生产率。
本发明的技术方案如下：
一种基于统计分析的纺织物纹理缺陷自动检测方法，所述方法包括以下步骤：
1)获取纺织物图像数据集：
使用正常光照条件下的标准相机拍摄产品图像，采集的原始图像应为灰度图像，以便后续处理。
2)纺织物图像预处理：
为了加快模型的训练速度，对纺织物图像进行预处理。包括图像裁剪-感兴趣区域提取、图像二值化以及二值图像的孔洞填充与降噪。
3)质心提取与经纬线绘制：
二值化后的图像中白色块的排列分析难以再用来分析织物缺陷。为了观察白色块在二进制图像中的分布情况，每个二进制图像的白色区域的质心被提取。随后，根据质心点绘制经纬线图，质心的经线可以反映异常点偏离竖直纹理的程度，而质心的纬线则可以反映异常点偏离水平纹理的程度。
4)构建质心经纬线统计属性的缺陷检测模型：
目视检测经纬图上水平-竖直偏离质心自动化程度低，耗时费力。更严重的，依赖于人为观察的过程可能会令不同的检测员得到不同的评估结构，误判或遗失在降低检测准确性的同时也折损了检测的置信度。因此，计算经、纬线上各质心点处的斜率和曲率，在设定阈值后，依据斜率值、曲率值的双重约束判定，经线、纬线的结合交叉验证来准确自动的检测异常质心的位置。
进一步，所述步骤2)的过程为：
步骤2.1)考虑到检测的目标是检测产品中心部分的缺陷，原始图像中并非全部区域对于数据分析都是有效的，含无效区域的图像会因尺寸太大给数据处理带来诸多不便，比如数据计算复杂度、计算时间和效率。因此，有必要去除原始图像无效边缘，选择图像的子区域作为感兴趣区域。因此，从整个图像开始，中心位置已裁切为小的图像。它允许具有相等大小的图像以提取图像属性。
步骤2.2)二值化是通过采用阈值化方法将图像灰度级转换为两个值(通常为0和1)的过程。由于二进制图像的简单性和有效性，它在图像处理应用中更有用。将每个像素分配给一类背景或前景，如果灰度强度值大于确定的阈值，则它属于前景类，否则属于背景。在本方法中，大津法(QTSU)是指根据观察到的灰度强度值的分布自动寻找最佳阈值的方法，在采样图像中使用。OTSU方法的基本思想是，寻找最小化加权类内方差的阈值就像最大化类间方差一样。它直接对灰度直方图进行操作。
步骤2.3)填充二值图像中的空洞区域。如，当黑色的背景上有个白色的圆圈，则这个圆圈内区域将被填充。随后，采用中值滤波对图像进行降噪。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
进一步，所述步骤3)的过程为：
步骤3.1)质心提取：
二值化后的图像中白色块的排列分析难以再用来分析织物缺陷。这里，为了观察白色区域在二进制图像中的分布情况，每个二进制图像的白色区域的质心被提取。水平或垂直连接的二进制图像中白色块的质心可能会预测白色块之间的水平或垂直距离，这有助于观察图像的图案。
步骤3.2)质心经纬线绘制：
二值化图像中白色块状近似形状和体积相等，且在水平(记为纬线)和竖直(记为经线)方向呈直线状排列。水平或垂直连接的二进制图像中白色块的质心来预测白色块之间的水平或垂直距离。质心的经线(纬线)可以反映异常点偏离竖直(水平)纹理的程度。根据单一的偏离状态判断缺陷的位置容易导致错误，因为偏离程度的阈值是未知的。因此，一副质心的经纬线图才是判断缺陷位置的最佳方式，在经线和纬线上同时发生偏离的质心更可能是缺陷存在的位置。
进一步，所述步骤4)的过程为：
步骤4.1)构建质心经纬线统计属性的缺陷检测模型：
在织物的经纬图中，缺陷存在的一个共同特性是其所在位置的质心严重的偏离了所在的经纬线，这样的特点可用数学表达为：质心所在经线和纬线的位置，曲线的斜率和曲率存在突变。即在质心位置经纬线的斜率和曲率变化曲线出现极值。斜率是表示一条直线(或曲线的切线)关于坐标轴倾斜程度的量；曲率是针对曲线上某个点的切线方向角对弧长的转动率，表明曲线偏离直线的程度，也可以理解为斜率的变化率。因此，曲线在质心点出的斜率和曲率成为检测异常质心的重要依据，这为织物缺陷检测的准确化、自动化提供了保证。下面以经线的异常质心检测过程为基础，阐述质心曲线斜率-曲率曲线变化检测缺陷过程。
在第i条(从左至右)经线的第j个(从下至上)质心点Ci，j处的斜率Ki，j计算公式为：
式中：(Xi，j，Yi，j)表示质心点Ci，j的坐标；
(Xi，j+1，Yi，j+1)表示质心点Ci，j+1的坐标；
质心点Ci，j处的曲率Qi，j计算公式为：
式中：Yi，j”是经线i在质心点Ci，j处的二阶导数，
质心经线的斜率极值是验证异常质心点的第一约束，而曲率极值是判断异常质心点第二约束，二者的结合应用增加了经线异常检测的准确性。进一步，经线与纬线的组合增强了检测的可靠性。斜率极值更多反映地是整条曲线是是否存在异常，是异常质心的定性检测，且准确性较低；而曲率极值更多地关注曲线中的局部位置是否异常，是质心的位置检测，且准确性更高。整体判断和局部验证保证了织物缺陷检测的准确性。具体地，判断异常质心点的准则条件为：
(Ki，j≥δ)∩(Qi，j≥δ)
其中，δ为质心异常状态下偏离临界值，称为阈值；∩为交集符号。
通常，阈值的设置尽管没有严格的规则，但仍需要一定的经验知识。本方法中阈值的设置考虑到了全部质心点处的斜率范围和曲率范围，具体地步骤是：A)计算全部经线的质心点的斜率并取绝对值；B)对全部的斜率绝对值按照从大到小排序，得到斜率向量K；C)取K的元素数量的m％，记为数值d(若小数则取整)；D)取向量K中的第d个元素值作为斜率阈值。同理，取曲率向量Q中的第l(Q的元素数量的％5数值)个元素值作为曲率阈值。这样的阈值设置方式从统计数量的角度假设了异常质心存在的比重，具有一定的实用性。从上述步骤中可知，斜率与曲率的阈值计算方式分别为：
δK＝abs(K(fix(length(K)×m％))
δQ＝(abs(Q(fix(length(Q)×m％))
式中：δK为斜率阈值；
δQ为曲率阈值；
abs为取绝对值；
fix()为取整函数；
length()为计算向量长度(及元素个数)的函数；
阈值由比例值m％唯一决定，m％反映了整个质心图中异常质心的比例，该值常需要根据检测物的损坏状态设定，一旦确定即可通过上诉曲线与曲率极值法确定缺陷位置并标记。
在判断确定经线上的异常质心后，按照同样的方法确定纬线上的异常质心，两种方法选定的共有异常质心点处可确定为织物的纹理缺陷。
本发明旨在通过使用过程中的产品图像来开发基于统计分析的纺织物纹理缺陷自动检测方法，以实现在计算机视觉上检测纺织物产品图像中的缺陷，从而减少人力并提高无缺陷产品的生产率。
本发明的有益效果主要表现在：本发明针对断经、疵点等织物曲线，在曲线斜率和曲率约束下，通过绘制寻找经纬图中的异常质心，实现缺陷的定位与可视化。
附图说明
图1是本发明二值图像中的白色块及其质心图；
图2是本发明经线图和纬线图；
图3是本发明质心的经纬线图及缺陷初步鉴定图；
图4是本发明质心经线图各经线的斜率与曲率变化图；
图5是本发明经线图中左起第5条线的斜率与曲率变化；
图6是本发明产品图像的灰度图；
图7是本发明的图像预处理流程与结果；
图8是本发明方法的缺陷检测结果。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图8，一种基于统计分析的纺织物纹理缺陷自动检测方法，主要包括以下步骤：
1)获取纺织物图像数据集：
使用正常光照条件下的标准相机拍摄产品图像，采集的原始图像应为灰度图像，以便后续处理。
2)纺织物图像预处理：
步骤2.1)考虑到检测的目标是检测产品中心部分的缺陷，原始图像中并非全部区域对于数据分析都是有效的，含无效区域的图像会因尺寸太大给数据处理带来诸多不便，比如数据计算复杂度、计算时间和效率。因此，有必要去除原始图像无效边缘，选择图像的子区域作为感兴趣区域。因此，从整个图像开始，中心位置已裁切为小的图像。它允许具有相等大小的图像以提取图像属性。
步骤2.2)二值化是通过采用阈值化方法将图像灰度级转换为两个值(通常为0和1)的过程。由于二进制图像的简单性和有效性，它在图像处理应用中更有用。将每个像素分配给一类背景或前景，如果灰度强度值大于确定的阈值，则它属于前景类，否则属于背景。在本方法中，大津法(QTSU)是指根据观察到的灰度强度值的分布自动寻找最佳阈值的方法，在采样图像中使用。QTSU方法的基本思想是，寻找最小化加权类内方差的阈值就像最大化类间方差一样。它直接对灰度直方图进行操作。
步骤2.3)填充二值图像中的空洞区域。如，当黑色的背景上有个白色的圆圈，则这个圆圈内区域将被填充。随后，采用中值滤波对图像进行降噪。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
3)质心提取及经纬线绘制：
步骤3.1)质心提取：
二值化后的图像中白色块的排列分析难以再用来分析织物缺陷。这里，为了观察白色区域在二进制图像中的分布情况，每个二进制图像的白色区域的质心被提取。水平或垂直连接的二进制图像中白色块的质心可能会预测白色块之间的水平或垂直距离，这有助于观察图像的图案。
步骤3.2)质心经纬线绘制：
二值化图像中白色块状近似形状和体积相等，且在水平(记为纬线)和竖直(记为经线)方向呈直线状排列。水平或垂直连接的二进制图像中白色块的质心来预测白色块之间的水平或垂直距离。质心的经线(纬线)可以反映异常点偏离竖直(水平)纹理的程度。根据单一的偏离状态判断缺陷的位置容易导致错误，因为偏离程度的阈值是未知的。因此，一副质心的经纬线图才是判断缺陷位置的最佳方式，在经线和纬线上同时发生偏离的质心更可能是缺陷存在的位置。
4)构建质心经纬线统计属性的缺陷检测模型：
目视检测经纬图上水平-竖直偏离质心自动化程度低，耗时费力。更严重的，依赖于人为观察的过程可能会令不同的检测员得到不同的评估结构，误判或遗失在降低检测准确性的同时也折损了检测的置信度。因此，计算经、纬线上各质心点处的斜率和曲率，在设定阈值后，依据斜率值、曲率值的双重约束判定，经线、纬线的结合交叉验证来准确自动的检测异常质心的位置。
实施例：
一种基于统计分析的纺织物纹理缺陷自动检测方法，具体步骤如下：
1)获取纺织物图像数据集：
使用正常光照条件下的标准相机拍摄产品图像。采集的原始图像应为灰度图像，以便后续处理。
2)纺织物图像预处理：
为了加快模型的训练速度，对纺织物图像进行预处理。包括图像裁剪-感兴趣区域提取、图像二值化以及二值图像的孔洞填充与降噪。
3)质心提取及经纬线绘制：
根据质心点绘制经纬线图，如图2所示。质心的经线可以反映异常点偏离竖直纹理的程度，而质心的纬线则可以反映异常点偏离水平纹理的程度，质心的经纬线图及缺陷初步鉴定如图3所示。
4)构建质心经纬线统计属性的缺陷检测模型：
计算经、纬线上各质心点处的斜率和曲率，在设定阈值后，依据斜率值、曲率值的双重约束判定，经线、纬线的结合交叉验证来准确自动的检测异常质心的位置。质心经线图各经线的斜率与曲率变化及经线图中左起第5条线的斜率与曲率变化如图4和图5所示。
从工业过程中采集设计的产品图像，其灰度图如图6所示。图像的灰度强度值范围为0-255。获得织物产品的灰度图后，对图像进行预处理，具体包括感兴趣区域裁剪、图像二值化、空洞区域填充及降噪。预处理流程的结果如图7所示。
织物灰度图像经过一系列预处理步骤，使得二值化图像中白色块的质心提取更加准确。根据质心分布绘制经纬线图。计算经、纬线上各质心点处的斜率和曲率，在设定阈值后，依据斜率值、曲率值的双重约束判定，经线、纬线的结合交叉验证，可以准确自动的检测异常质心的位置，于是缺陷及其位置也被有效检测到。
在本方法中，阈值由比例值m％唯一决定。取m＝5，比例值是5％时的异常质心检测精度。如图8所示，在阈值设置为5％之后，可以检查到一些明显偏离所在曲线的质心点，这些点在织物上反映为缺陷。分析图8可知，本方法很好的检测到严重偏离的缺陷，然而也标记除了看似偏离较小的质心点，判定其为缺陷仍缺乏一定的置信度，为获得更可靠的检测结果，可以通过增大阈值来实现。
本发明方法针对断经、疵点等织物曲线，在曲线斜率和曲率约束下，通过绘制寻找经纬图中的异常质心，实现缺陷的定位与可视化。该软件算法简单但有效、计算速度快、检测的结构稳定且准确性较高，释放了人力贡献，是计算机视觉在织物缺陷检测中的重要应用。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种基于统计分析的纺织物纹理缺陷自动检测方法，其特征在于，包括以下步骤：
1)获取纺织物图像数据集：
使用正常光照条件下的标准相机拍摄产品图像，采集的原始图像应为灰度图像，以便后续处理；
2)纺织物图像预处理：
为了加快模型的训练速度，对纺织物图像进行预处理；包括图像裁剪、感兴趣区域提取、图像二值化以及二值图像的孔洞填充与降噪；
3)质心提取与经纬线绘制：
提取质心，并根据质心点绘制经纬线图，质心的经线用来反映异常点偏离竖直纹理的程度，而质心的纬线则用来反映异常点偏离水平纹理的程度；
4)构建质心经纬线统计属性的缺陷检测模型：
计算经、纬线上各质心点处的斜率和曲率，在设定阈值后，依据斜率值、曲率值的双重约束判定，经线、纬线的结合交叉验证来准确自动的检测异常质心的位置；
所述步骤4)的过程为：
在织物的经纬图中，缺陷存在的一个共同特性是其所在位置的质心严重的偏离了所在的经纬线，用数学表达为：质心所在经线和纬线的位置，曲线的斜率和曲率存在突变，即在质心位置经纬线的斜率和曲率变化曲线出现极值；下面以经线的异常质心检测过程为基础，阐述质心曲线斜率-曲率曲线变化检测缺陷过程；
在第i条经线的第j个质心点Ci，j处的斜率Ki，j计算公式为：
式中：(Xi，j，Yi，j)表示质心点Ci，j的坐标；
(Xi，j+1，Yi，j+1)表示质心点Ci，j+1的坐标；
质心点Ci，j出的曲率Qi，j计算公式为：
式中：Yi，j”是经线i在质心点Ci，j处的二阶导数，
质心经线的斜率极值是验证异常质心点的第一约束，而曲率极值是判断异常质心点第二约束，二者的结合应用增加了经线异常检测的准确性及可靠性；判断异常质心点的准则条件为：
(Ki，j≥δ)∩(Qi，j≥δ)
其中，δ为质心异常状态下偏离临界值，称为阈值；∩表示取交集；
阈值的设置需要考虑到全部质心点处的斜率范围和曲率范围，具体地步骤如下：A)计算全部经线的质心点的斜率并取绝对值；B)对全部的斜率绝对值按照从大到小排序，得到斜率向量K；C)取K的元素数量的m％，记为数值d；D)取向量K中的第d个元素值作为斜率阈值；同理，取曲率向量Q中的第l个元素值作为曲率阈值；从上述步骤中可知，斜率与曲率的阈值计算方式分别为：
δK＝abs(K(fix(length(K)×m％))
δQ＝(abs(Q(fix(length(Q)×m％))
式中：δK为斜率阈值；
δQ为曲率阈值；
abs为取绝对值；
fix()为取整函数；
length()为计算向量长度(及元素个数)的函数；
阈值由比例值m％唯一决定，m％反映了整个质心图中异常质心的比例，该值常需要根据检测物的损坏状态设定，确定后即可通过上述曲线与曲率极值法确定缺陷位置并标记；
在判断确定经线上的异常质心后，按照同样的方法确定纬线上的异常质心，两种方法选定的共有异常质心点处可确定为织物的纹理缺陷。
2.如权利要求1所述的基于统计分析的纺织物纹理缺陷自动检测方法，其特征在于，所述步骤2)的过程为：
步骤2.1)对图像中心位置进行裁切，并选择裁切后图像的子区域作为感兴趣区域；
步骤2.2)将每个像素分配给一类背景或前景，如果灰度强度值大于确定的阈值，则它属于前景类，否则属于背景；在采样图像中使用大津法QTSU是指根据观察到的灰度强度值的分布自动寻找最佳阈值的方法；
步骤2.3)填充二值图像中的空洞区域，随后，采用中值滤波对图像进行降噪；中值滤波是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
3.如权利要求1或2所述的基于统计分析的纺织物纹理缺陷自动检测方法，其特征在于，所述步骤3)的过程为：
步骤3.1)质心提取：
二值化后的图像中白色块的排列分析难以再用来分析织物缺陷，为了观察白色区域在二进制图像中的分布情况，对每个二进制图像的白色区域的质心进行提取；
步骤3.2)质心经纬线绘制：
二值化图像中白色块状近似形状和体积相等，且在水平和竖直方向呈直线状排列；水平或垂直连接二进制图像中白色块的质心来预测白色块之间的水平或垂直距离；质心的经线或纬线用来反映异常点偏离竖直或水平纹理的程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110999576.3A CN113643276B (zh) | 2021-08-29 | 2021-08-29 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110999576.3A CN113643276B (zh) | 2021-08-29 | 2021-08-29 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643276A CN113643276A (zh) | 2021-11-12 |
| CN113643276B true CN113643276B (zh) | 2024-02-02 |
Family
ID=78424317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110999576.3A Active CN113643276B (zh) | 2021-08-29 | 2021-08-29 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643276B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782426B (zh) * | 2022-06-17 | 2022-09-02 | 江苏宜臻纺织科技有限公司 | 基于人工智能系统的针织布料断纱缺陷检测方法 |
| CN115311265B (zh) * | 2022-10-10 | 2023-03-31 | 南通惠罗家用纺织品有限公司 | 基于纺织质量的织布机智能控制系统 |
| CN116630315B (zh) * | 2023-07-24 | 2023-09-29 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
| CN116843688B (zh) * | 2023-09-01 | 2023-11-24 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
| CN109211918A (zh) * | 2018-08-28 | 2019-01-15 | 河海大学常州校区 | 一种基于纬纱走向的织物弓纬检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8331650B2 (en) * | 2010-07-29 | 2012-12-11 | Sharp Laboratories Of America, Inc. | Methods, systems and apparatus for defect detection |
-
2021
- 2021-08-29 CN CN202110999576.3A patent/CN113643276B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
| CN109211918A (zh) * | 2018-08-28 | 2019-01-15 | 河海大学常州校区 | 一种基于纬纱走向的织物弓纬检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643276A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113643276B (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
| CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
| CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
| CN114140679A (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
| CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
| CN116823817B (zh) | 一种基于深度学习的纺织提花缺陷检测方法及系统 | |
| CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
| CN114663744A (zh) | 基于机器学习的仪表自动识别方法及系统 | |
| Zhang et al. | A pointer meter recognition algorithm based on deep learning | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
| CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
| CN118334029B (zh) | 基于图像处理的钛锭生产质量检测方法及系统 | |
| CN118501177A (zh) | 一种化成箔的外观缺陷检测方法及系统 | |
| 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 | |
| CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
| CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
| CN115452845B (zh) | 一种基于机器视觉的led屏幕表面损伤检测方法 | |
| CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
| Pham et al. | Artificial intelligence based techniques for processing segmented images of wood boards | |
| CN118365635B (zh) | 一种包装覆膜表面缺陷视觉检测方法及系统 | |
| CN118570397B (zh) | 煤矿主井井底积煤与尾绳的3d图像生成与分析系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |