CN113643289B - 基于图像处理的织物表面缺陷检测方法和系统 - Google Patents
基于图像处理的织物表面缺陷检测方法和系统 Download PDFInfo
- Publication number
- CN113643289B CN113643289B CN202111192865.9A CN202111192865A CN113643289B CN 113643289 B CN113643289 B CN 113643289B CN 202111192865 A CN202111192865 A CN 202111192865A CN 113643289 B CN113643289 B CN 113643289B
- Authority
- CN
- China
- Prior art keywords
- fabric
- binary image
- image
- defect
- square
- 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 341
- 230000007547 defect Effects 0.000 title claims abstract description 173
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000011800 void material Substances 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 5
- 239000004753 textile Substances 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009940 knitting Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000009941 weaving 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T2207/30—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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数字图像处理识别和纺织品检测及分类技术领域,具体涉及一种基于图像处理的织物表面缺陷检测方法和系统。该方法包括:根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;根据膨胀二值图像获取织物参考二值图像;根据织物参考二值图像获得消除织物纹理信息的待检测织物二值图像;根据待检测织物缺陷二值图像获得织物缺陷类型。本发明消除了待检测织物表面图像的织物纹理信息,可忽略织物表面纹理的干扰,提高缺陷检测精度;可准确识别出织物表面折痕和其他线条状缺陷,无需实施者再人为分析缺陷类别,提高纺织机器的运维效率。
Description
技术领域
本发明涉及数字图像处理识别和纺织品检测及分类技术领域,具体涉及一种基于图像处理的织物表面缺陷检测方法和系统。
背景技术
纺织品是人们日常生活中的不可缺少的物品,随着生活水平的不断提高,人们对纺织品质量的要求越来越高,而纺织品中的缺陷不仅对于质量有影响,而且对于纺织品的美观性,时尚性都会有影响。传统织物检测通常通过人工对织物表面缺陷进行检测,但易出现漏检情况,且检测速度较慢,人工劳动性强缺点;因此现有技术提出了通过图像处理或深度学习的方法进行织物表面缺陷检测,如CN102879401B基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法;CN107643295B一种基于机器视觉的布匹缺陷在线检测的方法和系统等。
但现有织物表面缺陷检测技术存在问题在于,难以适用多种工况,泛化能力较差,面对缺陷不明显和织物表面纹理干扰的情况时,难以有效地通过模板匹配或阈值分割获取缺陷。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的织物表面缺陷检测方法和系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于图像处理的织物表面缺陷检测方法:获取待检测织物表面图像,根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;将织物膨胀二值图像多次平移获得多张平移后的织物膨胀二值图像,将织物膨胀二值图像分别和平移后的织物膨胀二值图像逐点相乘获得多张相乘后二值图像;根据相乘后二值图像中空洞像素点数量选取织物参考二值图像;
对织物参考二值图像中织物像素点进行聚类,获取各聚类集合的包围框;确定正方形尺寸,根据正方形的尺寸将待检测织物表面图像划分为多个正方形待处理区域;根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形;利用最优正方形消除各个待处理区域的织物纹理信息,获取待检测织物缺陷二值图像;
根据待检测织物缺陷二值图像获得织物缺陷类型。
优选地,对空洞像素区域进行膨胀,获得膨胀二值图像包括:获取二值图像中空洞像素和织物像素的数量比值,将比值与1的距离作为膨胀参考指标;若膨胀参考指标为变小趋势,则继续膨胀,若膨胀参考指标变大,则以上次膨胀对应的二值图作为织物膨胀二值图像;织物膨胀二值图像中空洞像素和织物像素数量近似相等。
优选地根据相乘后二值图像中空洞像素点数量选取织物参考二值图像包括:获取多张相乘后二值图像,选择空洞像素数量最多的相乘后二值图像作为第一织物参考二值图像;根据待检测织物表面图像的尺寸获得第一预设阈值;若第一织物参考二值图像中织物像素数量不超过第一预设阈值,第一织物参考二值图像作为织物参考二值图像;若第一织物参考二值图像中织物像素数量超过第一预设阈值,将第一织物参考二值图像反向进行平移获得多张平移后的第一织物参考二值图像;将第一织物参考二值图像与平移后第一织物参考二值图像逐点相乘获得多张相乘后二值图像;选取相乘后二值图像中空洞像素数量最多的二值图像作为织物参考二值图像。
优选地,正方形尺寸满足:利用该尺寸正方形对织物参考二值图像中非包围框区域进行填充,使未填充区域最小。
优选地,根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形包括:将正方形待处理区域依次和多个待比较正方形进行相减,统计相减后待处理区域中的空洞像素,选取最多空洞像素对应的待比较正方形作为待处理区域的最优正方形。
优选地,根据待检测织物缺陷二值图像获得织物缺陷类型包括:将待检测织物缺陷二值图像与待检测织物表面图像像素逐点相乘获得织物表面缺陷图像;对织物表面缺陷图像按行或按列分别求一阶微分和二阶微分,并将非零像素点的像素值置为设定值,获得一阶微分二值图和二阶微分二值图;获取织物表面缺陷图像中的缺陷包围框,判断一阶微分二值图中各缺陷包围框对应区域内连通域外边缘是否为两条近似平行的直线,若是,则缺陷包围框位置为线条状缺陷,否则,缺陷包围框位置为非线条状缺陷;
根据缺陷包围框尺寸获得第二预设阈值;对于线条状缺陷类型,若一阶微分二值图、二阶微分二值图中缺陷包围框对应位置的像素点差值绝对值之和小于等于第二预设阈值,且缺陷类型像素点为同一连通域,则缺陷包围框位置为折痕缺陷类型;否则,缺陷包围框位置为其他线条状缺陷类型。
第二方面,本发明另一个实施例提供了一种基于图像处理的织物表面缺陷检测系统。系统包括:织物参考二值图像获取模块,用于获取待检测织物表面图像,根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;将织物膨胀二值图像多次平移获得多张平移后的织物膨胀二值图像,将织物膨胀二值图像分别和平移后的织物膨胀二值图像逐点相乘获得多张相乘后二值图像;根据相乘后二值图像中空洞像素点数量选取织物参考二值图像;
织物缺陷二值图像获取模块,用于对织物参考二值图像中织物像素点进行聚类,获取各聚类集合的包围框;确定正方形尺寸,根据正方形的尺寸将待检测织物表面图像划分为多个正方形待处理区域;根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形;利用最优正方形消除各个待处理区域的织物纹理信息,获取待检测织物缺陷二值图像;
织物缺陷类型获取模块,用于根据待检测织物缺陷二值图像获得织物缺陷类型。
优选地,织物参考二值图像获取模块还用于对空洞像素区域进行膨胀,获得膨胀二值图像包括:获取二值图像中空洞像素和织物像素的数量比值,将比值与1的距离作为膨胀参考指标;若膨胀参考指标为变小趋势,则继续膨胀,若膨胀参考指标变大,则以上次膨胀对应的二值图作为织物膨胀二值图像;织物膨胀二值图像中空洞像素和织物像素数量近似相等。
优选地,织物参考二值图像获取模块还用于根据相乘后二值图像中空洞像素点数量选取织物参考二值图像包括:获取多张相乘后二值图像,选择空洞像素数量最多的相乘后二值图像作为第一织物参考二值图像;根据待检测织物表面图像的尺寸获得第一预设阈值;若第一织物参考二值图像中织物像素数量不超过第一预设阈值,第一织物参考二值图像作为织物参考二值图像;若第一织物参考二值图像中织物像素数量超过第一预设阈值,将第一织物参考二值图像反向进行平移获得多张平移后的第一织物参考二值图像;将第一织物参考二值图像与平移后第一织物参考二值图像逐点相乘获得多张相乘后二值图像;选取相乘后二值图像中空洞像素数量最多的二值图像作为织物参考二值图像。
优选地,所述织物缺陷类型获取模块还用于根据待检测织物缺陷二值图像获得织物缺陷类型包括:将待检测织物缺陷二值图像与待检测织物表面图像像素逐点相乘获得织物表面缺陷图像;对织物表面缺陷图像按行或按列分别求一阶微分和二阶微分,并将非零像素点的像素值置为设定值,获得一阶微分二值图和二阶微分二值图;获取织物表面缺陷图像中的缺陷包围框,判断一阶微分二值图中各缺陷包围框对应区域内连通域外边缘是否为两条近似平行的直线,若是,则缺陷包围框位置为线条状缺陷,否则,缺陷包围框位置为非线条状缺陷;
根据缺陷包围框尺寸获得第二预设阈值;对于线条状缺陷类型,若一阶微分二值图、二阶微分二值图中缺陷包围框对应位置的像素点差值绝对值之和小于等于第二预设阈值,且缺陷类型像素点为同一连通域,则缺陷包围框位置为折痕缺陷类型;否则,缺陷包围框位置为其他线条状缺陷类型。
本发明实施例至少具有如下有益效果:
本发明消除织物表面纹理信息和织物表面图像中除织物缺陷信息外的其他信息,得到织物缺陷图像,根据织物缺陷二值图像对织物中的缺陷进行分类得到缺陷的类型,相较于现有技术有益效果在于克服了织物表面纹理的干扰,提高缺陷检测精度;可准确识别出织物表面折痕和其他线条状缺陷(如烂针等),无需实施者再人为分析缺陷类别,提高纺织机器的运维效率;通过控制相机焦距获取不同的织物表面图像,多张不同焦距织物表面图像均进行后续处理,起到互证作用,避免出现误检。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的织物表面缺陷检测方法和系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的织物表面缺陷检测方法和系统的具体方案。
实施例1
本发明主要应用场景为:纺织作业场景,对纹理平整的纺织成品织物进行表面缺陷检测。纹理平整的织物包括:规则斜纹织物、经纬规则交织的织物。纹理平整的织物中空洞缝隙基本规则。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的织物表面缺陷检测方法流程图,该方法包括以下步骤:
首先,获取待检测织物表面图像,根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;将织物膨胀二值图像多次平移获得多张平移后的织物膨胀二值图像,将织物膨胀二值图像分别和平移后的织物膨胀二值图像逐点相乘获得多张相乘后二值图像;根据相乘后二值图像中空洞像素点数量选取织物参考二值图像。
利用相机对织物进行表面图像采集,获取待检测织物表面图像。该步骤的目的:用于获取待处理图像,能够带来的好处:便于进行后续的织物缺陷检测和识别,且对多个不同焦距织物表面图像均进行后续处理,起到互证作用,避免出现误检。该步骤的输入图像采集指令,进行织物表面图像采集处理,输出多张不同焦距织物表面图像。所述图像采集指令由实施者自行设置,用于控制相机进行织物表面图像采集,实施者可选择设置固定采集时间间隔的方式,或通过纺织机器完成纺织任务事件进行触发。织物表面图像采集具体过程:通过RGB相机对织物表面进行图像采集,相机光轴始终垂直于织物所放置表面但允许平移,实施者可设置不同的焦距对织物表面进行图像采集,以获取不同缩放程度的织物表面图像,相机不同位置和焦距信息均为已知量,即可实现不同位姿之间图像坐标的互相转换;需要说明的是,为便于后续处理,限制相机成像图像宽高一致且固定。
对于待检测织物,其纹理信息主要是针织纹理信息,针织纹理信息是规律的,因此针织线之间的缝隙即空洞信息也是规律的。本发明基于空洞像素进行处理,空洞像素即织物针织线的间隙,从而消除织物的平整纹理。由于待检测织物表面图像无布料位置像素靠近黑色,也即灰度值接近0,因此,对待检测织物表面图像进行灰度化处理,获取对应的灰度图,并设置一个较小的分割阈值m1,将织物表面图像中像素点位置基于是否为织物这一条件分割为二值图像,得到分割二值图,优选地,在本发明中该阈值m1设置为5,实施者可根据实际情况调节该阈值;小于等于该阈值的像素点赋值为0,为空洞像素,大于该阈值的像素点赋值为1,为织物像素。
此外,还可设置表面为透明材质的检测台,将织物平铺于检测台表面,在检测台内设置照向织物的正射灯光,以提高空洞像素的分割精度。当以这种方式采集织物表面图像时,空洞像素灰度较高,优选地分割阈值设为250,将大于等于分割阈值的像素点赋值为零,其他像素赋值为1,从而获取织物表面图像的分割二值图。
获取织物参考二值图像具体为:
(a)统计分割二值图中两类像素点数量之比,设为τ,并计算|1-τ|作为膨胀参考指标;对空洞像素进行四邻域单次膨胀处理,判断膨胀参考指标|1-τ|的变化情况,若参考指标变小,则继续膨胀;若参考指标变大,则以上次膨胀对应的膨胀后图像作为织物膨胀二值图像;膨胀的目的:使织物膨胀二值图像中空洞像素点和织物像素点的数量尽可能一致,进而提升后续处理的效果;
(b)将待织物膨胀二值图像分别平移k个像素点,获取k个平移后图像,将织物膨胀二值图像与k个平移后图像分别进行逐点相乘,获取k张相乘后的二值图像,选择空洞像素的像素点数量最多的相乘后二值图像作为第一织物参考二值图像;判断第一织物参考二值图像中织物像素数量是否超过第一预设阈值m,优选地,m取W2∕H,W、H为待检测织物表面图像的宽、高,若不超过阈值,将第一织物参考二值图像作为织物参考二值图像进行后续处理;否则,将第一织物参考二值图像向相反方向平移k-1个像素点,获取k-1个平移后二值图像,将第一织物参考二值图像与k-1个平移后图像分别进行逐点相乘,获取k-1张相乘后的二值图像,选择空洞像素数量最多的相乘后图像作为第二织物参考二值图像,获取第二织物参考二值图像作为参考二值图像进行后续处理,织物参考二值图像由织物膨胀二值图像消除织物纹理信息。
然后,对织物参考二值图像中织物像素点进行聚类,获取各聚类集合的包围框;确定正方形尺寸,根据正方形的尺寸将待检测织物表面图像划分为多个正方形待处理区域;根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形;利用最优正方形消除各个待处理区域的织物纹理信息,获取待检测织物缺陷二值图像。
该步骤的目的:用于在忽略织物表面纹理的干扰下获取织物缺陷,便于提高后续织物缺陷识别的准确率。
将织物参考二值图像中非零像素点进行DBSCAN密度聚类;并获取各聚类集合对应的包围框,将织物参考二值图像划分为包围框区域和非包围框区域;确定正方形尺寸,该正方形尺寸应满足:对非包围框区域采用该尺寸的正方形进行填充,正方形不允许旋转,能使非包围框区域的未填充区域最小;且满足正方形边长大于等于最小边长阈值m2,设置阈值的目的为避免正方形过小,导致正方形内无法包含纹理信息,在本发明中m2设置为W/100,实施者可根据实际情况调节该阈值;上述条件用于确定最优正方形尺寸,边长尺寸为L,获取尺寸后,选择织物参考二值图像中像素点像素值完全为0的矩形区域,矩形区域的尺寸为2L×L,将该矩形区域位置映射到待检测织物表面图像中,在矩形区域内采用正方形区域在平移前织物表面图像内平移,截取L+1个待比较正方形;
将待检测织物表面图像基于最优正方形尺寸划分为多个正方形待处理区域,未能完全填充最优正方形尺寸的图像区域进行填充0处理;对每个正方形待处理区域采用L+1正方形进行逐点相减并取绝对值操作,统计相减后待处理区域的空洞像素,选取最多空洞像素对应的待比较正方形作为待处理区域的最优正方形,利用最优正方形与待处理区域相减后消除各个待处理区域的织物纹理信息,获得织物纹理消除图像,此时可将织物纹理从待检测织物表面图像中去除,再进行大津阈值分割即可获取织物缺陷二值图像。
最后,根据待检测织物缺陷二值图像获得织物缺陷类型。
该步骤的目的:用于准确区分织物表面折痕和其他线条状缺陷,可准确识别出织物表面折痕和其他线条状缺陷(如烂针等),无需实施者再人为分析缺陷类别,提高纺织机器的运维效率。
所述织物缺陷类型识别具体为:
(a)对于每个上述缺陷包围框区域,将织物缺陷二值图像与待检测织物表面图像中包围框区域内像素点进行逐点相乘,获取织物表面缺陷图像,对织物表面缺陷图像按行或按列分别求一阶微分和二阶微分,并再次进行阈值化处理,此时阈值化将非零像素点的像素值均置为设定值,设定值为1,获取一阶微分二值图和二阶微分二值图;
(b)获取织物表面缺陷图像中的缺陷包围框,判断一阶微分二值图中各缺陷包围框对应区域内连通域外边缘是否为两条近似平行的直线,若是,则缺陷包围框位置为线条状缺陷,否则,缺陷包围框位置为非线条状缺陷;
(a)设置第二预设阈值为Margin=Wj×Hj÷25,其中Wj、Hj为第j个缺陷包围框的宽和高,根据第二预设阈值对一阶微分二值图和二阶微分二值图中各对应缺陷包围框区域进行对比分析;若一阶微分二值图、二阶微分二值图中缺陷包围框内像素点差值绝对值之和小于等于第二预设阈值,且缺陷类型像素点为同一连通域,此时表征缺陷内部灰度值变化不平滑,判断缺陷包围框位置为折痕缺陷类型;若一阶微分二值图、二阶微分二值图中缺陷包围框对应位置的像素点差值绝对值之和小于等于第二预设阈值,且缺陷类型像素点不为同一连通域,此时表征缺陷内部灰度值无变化,或一阶微分二值图、二阶微分二值图中缺陷包围框对应位置的像素点差值绝对值之和大于第二预设阈值,此时表征缺陷内部灰度值变化平滑,判断缺陷包围框位置为其他线条状缺陷(如烂针等);
(c)由于相机位姿已知,可将图像中缺陷质心点映射到真实场景中织物表面对应位置,则最终缺陷信息包括真实定位点和缺陷类别;
对多个不同焦距织物表面图像均进行上述织物缺陷检测和织物缺陷识别处理,获取多组真实定位点及缺陷类别信息,进行互相验证,以避免出现误检情况对人力和运维资源造成浪费。
实施例2
本实施例提供了一种系统实施例。一种基于图像处理的织物表面缺陷检测系统,该系统包括:织物参考二值图像获取模块,用于获取待检测织物表面图像,根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;将织物膨胀二值图像多次平移获得多张平移后的织物膨胀二值图像,将织物膨胀二值图像分别和平移后的织物膨胀二值图像逐点相乘获得多张相乘后二值图像;根据相乘后二值图像中空洞像素点数量选取织物参考二值图像;
织物缺陷二值图像获取模块,用于对织物参考二值图像中织物像素点进行聚类,获取各聚类集合的包围框;确定正方形尺寸,根据正方形的尺寸将待检测织物表面图像划分为多个正方形待处理区域;根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形;利用最优正方形消除各个待处理区域的织物纹理信息,获取待检测织物缺陷二值图像;
织物缺陷类型获取模块,用于根据待检测织物缺陷二值图像获得织物缺陷类型。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的织物表面缺陷检测方法,其特征在于,该方法包括:获取待检测织物表面图像,根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;将织物膨胀二值图像多次平移获得多张平移后的织物膨胀二值图像,将织物膨胀二值图像分别和平移后的织物膨胀二值图像逐点相乘获得多张相乘后二值图像;根据相乘后二值图像中空洞像素点数量选取织物参考二值图像;
对织物参考二值图像中织物像素点进行聚类,获取各聚类集合的包围框;确定正方形尺寸,根据正方形的尺寸将待检测织物表面图像划分为多个正方形待处理区域;根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形;利用最优正方形消除各个待处理区域的织物纹理信息,获取待检测织物缺陷二值图像;
将待检测织物缺陷二值图像与待检测织物表面图像像素逐点相乘获得织物表面缺陷图像;对织物表面缺陷图像的按行或按列分别求一阶微分和二阶微分,并将非零像素点的像素值置为设定值,获得一阶微分二值图和二阶微分二值图;获取织物表面缺陷图像中的缺陷包围框,判断一阶微分二值图中各缺陷包围框包对应区域内连通域外边缘是否为两条近似平行的直线,若是,则缺陷包围框位置为线条状缺陷,否则,缺陷包围框位置为非线条状缺陷;
根据缺陷包围框尺寸获得第二预设阈值;对于线条状缺陷类型,若一阶微分二值图、二阶微分二值图中缺陷包围框对应位置的像素点差值绝对值之和小于等于第二预设阈值,且缺陷类型像素点为同一连通域,则缺陷包围框位置为折痕缺陷类型;否则,缺陷包围框位置为其他线条状缺陷类型。
2.根据权利要求1所述的方法,其特征在于,所述对空洞像素区域进行膨胀,获得膨胀二值图像包括:获取二值图像中空洞像素和织物像素的数量比值,将比值与1的距离作为膨胀参考指标;若膨胀参考指标为变小趋势,则继续膨胀,若膨胀参考指标变大,则以上次膨胀对应的二值图作为织物膨胀二值图像;织物膨胀二值图像中空洞像素和织物像素数量近似相等。
3.根据权利要求1所述的方法,其特征在于,所述根据相乘后二值图像中空洞像素点数量选取织物参考二值图像包括:获取多张相乘后二值图像,选择空洞像素数量最多的相乘后二值图像作为第一织物参考二值图像;根据待检测织物表面图像的尺寸获得第一预设阈值;若第一织物参考二值图像中织物像素数量不超过第一预设阈值,第一织物参考二值图像作为织物参考二值图像;若第一织物参考二值图像中织物像素数量超过第一预设阈值,将第一织物参考二值图像反向进行平移获得多张平移后的第一织物参考二值图像;将第一织物参考二值图像与平移后第一织物参考二值图像逐点相乘获得多张相乘后二值图像;选取相乘后二值图像中空洞像素数量最多的二值图像作为织物参考二值图像。
4.根据权利要求1所述的方法,其特征在于,所述正方形尺寸满足:利用该尺寸正方形对织物参考二值图像中非包围框区域进行填充,使未填充区域最小。
5.根据权利要求1所述的方法,其特征在于,所述根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形包括:将每个正方形待处理区域依次和多个待比较正方形进行相减,统计相减后待处理区域的空洞像素,选取最多空洞像素对应的待比较正方形作为待处理区域的最优正方形。
6.一种基于图像处理的织物表面缺陷检测系统,其特征在于,该系统包括:织物参考二值图像获取模块,用于获取待检测织物表面图像,根据各像素点位置是否是织物将待检测织物表面图像二值化,分为空洞像素、织物像素;对空洞像素区域进行膨胀,获得织物膨胀二值图像;将织物膨胀二值图像多次平移获得多张平移后的织物膨胀二值图像,将织物膨胀二值图像分别和平移后的织物膨胀二值图像逐点相乘获得多张相乘后二值图像;根据相乘后二值图像中空洞像素点数量选取织物参考二值图像;
织物缺陷二值图像获取模块,用于对织物参考二值图像中织物像素点进行聚类,获取各聚类集合的包围框;确定正方形尺寸,根据正方形的尺寸将待检测织物表面图像划分为多个正方形待处理区域;根据正方形尺寸从待检测织物表面图像的非包围框区域截取多个待比较正方形,从多个待比较正方形中确定各正方形待处理区域的最优正方形;利用最优正方形消除各个待处理区域的织物纹理信息,获取待检测织物缺陷二值图像;
织物缺陷类型获取模块,用于将待检测织物缺陷二值图像与待检测织物表面图像像素逐点相乘获得织物表面缺陷图像;对织物表面缺陷图像的按行或按列分别求一阶微分和二阶微分,并将非零像素点的像素值置为设定值,获得一阶微分二值图和二阶微分二值图;获取织物表面缺陷图像中的缺陷包围框,判断一阶微分二值图中各缺陷包围框包对应区域内连通域外边缘是否为两条近似平行的直线,若是,则缺陷包围框位置为线条状缺陷,否则,缺陷包围框位置为非线条状缺陷;
根据缺陷包围框尺寸获得第二预设阈值;对于线条状缺陷类型,若一阶微分二值图、二阶微分二值图中缺陷包围框对应位置的像素点差值绝对值之和小于等于第二预设阈值,且缺陷类型像素点为同一连通域,则缺陷包围框位置为折痕缺陷类型;否则,缺陷包围框位置为其他线条状缺陷类型。
7.根据权利要求6所述的系统,其特征在于,所述织物参考二值图像获取模块还用于对空洞像素区域进行膨胀,获得膨胀二值图像包括:获取二值图像中空洞像素和织物像素的数量比值,将比值与1的距离作为膨胀参考指标;若膨胀参考指标为变小趋势,则继续膨胀,若膨胀参考指标变大,则以上次膨胀对应的二值图作为织物膨胀二值图像;织物膨胀二值图像中空洞像素和织物像素数量近似相等。
8.根据权利要求6所述的系统,其特征在于,所述织物参考二值图像获取模块还用于根据相乘后二值图像中空洞像素点数量选取织物参考二值图像包括:获取多张相乘后二值图像,选择空洞像素数量最多的相乘后二值图像作为第一织物参考二值图像;根据待检测织物表面图像的尺寸获得第一预设阈值;若第一织物参考二值图像中织物像素数量不超过第一预设阈值,第一织物参考二值图像作为织物参考二值图像;若第一织物参考二值图像中织物像素数量超过第一预设阈值,将第一织物参考二值图像反向进行平移获得多张平移后的第一织物参考二值图像;将第一织物参考二值图像与平移后第一织物参考二值图像逐点相乘获得多张相乘后二值图像;选取相乘后二值图像中空洞像素数量最多的二值图像作为织物参考二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111192865.9A CN113643289B (zh) | 2021-10-13 | 2021-10-13 | 基于图像处理的织物表面缺陷检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111192865.9A CN113643289B (zh) | 2021-10-13 | 2021-10-13 | 基于图像处理的织物表面缺陷检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643289A CN113643289A (zh) | 2021-11-12 |
CN113643289B true CN113643289B (zh) | 2022-02-11 |
Family
ID=78426601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111192865.9A Active CN113643289B (zh) | 2021-10-13 | 2021-10-13 | 基于图像处理的织物表面缺陷检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643289B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240968A (zh) * | 2021-12-17 | 2022-03-25 | 联通(上海)产业互联网有限公司 | 一种分割图像中异常区域的自监督深度学习算法 |
CN114166858B (zh) * | 2022-02-11 | 2022-04-12 | 海门市芳华纺织有限公司 | 基于人工智能的纺织毛刷辊划伤皮革区域检测方法 |
CN114419039B (zh) * | 2022-03-28 | 2022-06-24 | 武汉市融科优品装饰材料有限公司 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
CN114764790B (zh) * | 2022-03-31 | 2023-05-12 | 河北鹰眼智能科技有限公司 | 一种基于霍夫圆检测的齿轮断齿检测方法 |
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 |
CN114549522B (zh) * | 2022-04-24 | 2022-06-24 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
CN114627111B (zh) * | 2022-05-12 | 2022-07-29 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
CN114782416B (zh) * | 2022-06-16 | 2023-09-05 | 济宁爱丝制衣股份有限公司 | 基于图像识别的纺织品质量检测方法及系统 |
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 |
CN114792318B (zh) * | 2022-06-23 | 2022-09-02 | 江苏永银化纤有限公司 | 一种基于图像处理的纺织品摩尔纹消除方法及系统 |
CN114972359B (zh) * | 2022-08-03 | 2022-10-21 | 江苏万喜登家居科技有限公司 | 基于对称性分析的网状织物缺陷快速检测方法 |
CN116309574B (zh) * | 2023-05-19 | 2023-08-18 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853402A (zh) * | 2010-04-30 | 2010-10-06 | 北京航空航天大学 | 一种在透视成像过程中识别遮拦物的方法 |
CN102307312A (zh) * | 2011-08-31 | 2012-01-04 | 四川虹微技术有限公司 | 一种对dibr技术生成的目标图像进行空洞填充的方法 |
CN112288724A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198804B2 (en) * | 2015-04-15 | 2019-02-05 | Halliburton Energy Services, Inc. | Method for determining fabric and upscaled properties of geological sample |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN110567969B (zh) * | 2019-09-05 | 2023-05-30 | 浙江翼晟科技有限公司 | 用于织物缺陷检测的图像识别方法及其系统 |
-
2021
- 2021-10-13 CN CN202111192865.9A patent/CN113643289B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853402A (zh) * | 2010-04-30 | 2010-10-06 | 北京航空航天大学 | 一种在透视成像过程中识别遮拦物的方法 |
CN102307312A (zh) * | 2011-08-31 | 2012-01-04 | 四川虹微技术有限公司 | 一种对dibr技术生成的目标图像进行空洞填充的方法 |
CN112288724A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 缺陷检测方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
"用于目标检测的二值图目标内部空洞快速填充算法";李众等;《第七届和谐人机环境联合学术会议》;20110917;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113643289A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113643289B (zh) | 基于图像处理的织物表面缺陷检测方法和系统 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
EP4071665A1 (en) | Character segmentation method and apparatus, and computer-readable storage medium | |
CN103258201A (zh) | 一种融合全局和局部信息的表格线提取方法 | |
CN109242858B (zh) | 基于自适应模板匹配的织物印花循环图案基元分割方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN102592286A (zh) | 一种基于图像处理的色织物配色模纹图自动识别方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN112330598A (zh) | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 | |
CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN101315664A (zh) | 用于文字识别的文本图像预处理方法 | |
CN115272304A (zh) | 一种基于图像处理的布匹缺陷检测方法和系统 | |
CN114387269B (zh) | 一种基于激光的纤维丝缺损检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: 226100, Group 8, Bayi Village, Yudong Town, Haimen District, Nantong City, Jiangsu Province Patentee after: Nantong mengnaipu Home Textile Co.,Ltd. Address before: 226000 group 5, muzhuanggang village, Yudong Town, Haimen City, Nantong City, Jiangsu Province Patentee before: Haimen Fanghua Textile Co.,Ltd. |