CN113777033A - 一种基于机器视觉的生条缺陷检测方法和装置 - Google Patents
一种基于机器视觉的生条缺陷检测方法和装置 Download PDFInfo
- Publication number
- CN113777033A CN113777033A CN202110949064.6A CN202110949064A CN113777033A CN 113777033 A CN113777033 A CN 113777033A CN 202110949064 A CN202110949064 A CN 202110949064A CN 113777033 A CN113777033 A CN 113777033A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- area
- sliver
- raw
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 166
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 16
- 240000008564 Boehmeria nivea Species 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000005498 polishing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 abstract description 3
- 238000003892 spreading Methods 0.000 abstract description 3
- 244000025254 Cannabis sativa Species 0.000 description 5
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 5
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 5
- 235000009120 camo Nutrition 0.000 description 5
- 235000005607 chanvre indien Nutrition 0.000 description 5
- 239000011487 hemp Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 229920000742 Cotton Polymers 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 238000009960 carding Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Abstract
本发明涉及一种基于机器视觉的生条缺陷检测方法和装置,检测方法包括如下步骤:(1)预设不同品类生条的检测标准;(2)相机标定;(3)图像采集;(4)读取样本图像信息;(5)样本图像信息处理并输出检测结果;检测装置包括采集系统、控制系统,采集系统包括相机和光源,相机设有镜头,控制系统用于控制光源亮度和控制相机包括曝光值、触发模式在内的参数,相机将采集到的生条样本图像输送至控制系统,控制系统用于对收集的生条样本图像进行集中处理。本发明可进行自动缺陷检测并计数,节省人工成本、降低劳动强度,解决了由人工平铺样本导致灰度不均的干扰问题,以及生条品类繁多导致缺陷分类困难的问题,检测结果可靠。
Description
技术领域
本发明属于机器视觉检测技术领域,具体涉及一种基于机器视觉的生条缺陷检测方法和装置。
背景技术
麻、棉为我国的传统特产以及重要的经济作物,具有悠久历史,是我国重要的纺织原料。在纺织加工过程中,纺纱是一道重要工序,其成纱质量直接影响了织物质量以及织机效率。因此,在纺纱过程中,操作人员需定期对生条进行抽样检测。
生条为棉、麻经预处理及不同梳理工序后所得,其种类繁多,主要疵点为棉结、麻粒、硬条等。目前由于检测装置以及检测算法的限制,多数纺织厂仍采用人工检测的方法:将生条样本均匀平铺在不同背景上,由人眼对棉结、麻粒、硬条等疵点进行人眼识别并计数,识别完毕后,将人工检测结果进行手动记录。此方法人工成本高、速率低、对人眼伤害较大,且检测结果依赖于主观判断,无法量化、检测结果无从追溯,准确度低、耗时长。部分研究采用基于图像处理的识别方法,可自动检测缺陷,但大多对前道工序要求较高,需对样本进行梳理以保障成像质量。对于抽样检测过程中的少量生条样本,不满足可以利用机器梳理的条件,只能人工进行放置时,缺乏适应性。
综上所述,亟需提供一种检测结果可靠的基于机器视觉的生条缺陷检测方法和装置,解决由人工平铺样本导致灰度不均的干扰问题以及生条品类繁多导致缺陷分类困难的问题。
发明内容
本发明的目的是提供一种检测结果可靠的基于机器视觉的生条缺陷检测方法和装置,解决由人工平铺样本导致灰度不均的干扰问题以及生条品类繁多导致缺陷分类困难的问题。
上述目的是通过如下技术方案实现:一种基于机器视觉的生条缺陷检测方法,包括如下步骤:
(1)预设不同品类生条的检测标准:检测标准具体包括缺陷种类、检测精度以及产品合格阈值;
(2)相机标定;
(3)图像采集:采集生条样本图像;
(4)读取样本图像信息;
(5)样本图像信息处理并输出检测结果;
(5.1)图像预处理:包括生条样本图像的纹理提取、灰度修正和图像增强;
(5.2)阈值分割:将正常区域和缺陷区域进行分割,针对条状缺陷采用线高斯的方法对缺陷区域进行分割,针对粒状缺陷,采用动态阈值的方法对缺陷区域进行分割;
(5.3)缺陷判定及分类:针对动态阈值方法所分割出的缺陷区域通过缺陷特征进行缺陷判定,缺陷特征包括最大直径、最小灰度值和最大灰度值,最大直径的计算方式为:计算缺陷区域的最大外接矩形,最大外接矩形的对角线长度即为缺陷最大直径;最小灰度值的计算方式为:对缺陷区域内像素进行遍历,求出最小灰度值;最大灰度值的计算方式为:对缺陷区域内像素进行遍历,求出最大灰度值;
针对线高斯方法所分割出的缺陷区域通过线状区域的长度进行缺陷判定,线型区域的长度的计算方式为:计算出缺陷区域的中心线,中心线的像素个数即为线型区域的长度;
计算出缺陷区域的缺陷特征值和/或线状区域的长度后,根据预设的合格阈值对缺陷进行判定以及分类,具体步骤如下:读取当前品类生条的检测标准,包括缺陷类别以及对应的合格阈值,根据检测标准对缺陷进行判定及分类,针对动态阈值方法所分割出的缺陷区域,最大直径大于合格阈值的区域即判定为棉结或麻粒,小于合格阈值的区域即判定为正常区域,最小灰度值小于合格阈值的区域即判定为棉结或麻粒,大于合格阈值的区域即判定为正常区域,最大灰度值大于合格阈值的区域即判定为棉结或麻粒,小于合格阈值的区域即判定为正常区域;针对线高斯方法所分割出的缺陷区域,线状区域的长度大于合格阈值的区域判定为硬条,线状区域的长度小于阈值的区域被判定为棉结或麻粒;
(5.4)缺陷计数:将分类后的缺陷按类别整合并计数;
(5.5)输出结果。
进一步的技术方案是,所述步骤(5.2)中,动态阈值的分割方法如下:根据输入的经预处理后的图像的大小自动生成一个均值滤波器,对输入的经预处理后的图像除边缘外的所有灰度值进行线性平滑,其中,滤波器长度与输入图像长度相等,滤波器宽度与输入图像宽度相等;然后用输入的经预处理后的图像的灰度值减去线性平滑后的图像的灰度值,根据差值获取可能的缺陷区域,图像采集时采用背光的打光方式时,缺陷区域go为:
go≤gt-offset
图像采集时采用正面打光的打光方式时,缺陷区域go为:
go≥gt+offset
其中,gt为平滑后图像的灰度值,offset为差值,可根据检测需求灵活调整,当检测要求灵敏度较高时,offset可降低取值;相反,当检测要求灵敏度较低时,offset可升高取值。
进一步的技术方案是,所述步骤(5.2)中,线高斯的分割方法如下:提取输入的经预处理后的图像的中线型区域的方法,对条状缺陷进行分割,具体步骤如下:
(S1)对生条样本图像f(x,y)求取高斯偏导数;
(S2)根据Hessian矩阵计算其特征值和特征向量,其中,Hessian矩阵定义如下:
Hessian矩阵的特征值与特征向量的求取方法为:
H*α=α*λ
其中,α为矩阵的特征向量,λ为矩阵的特征值;
(S3)根据缺陷特征筛选特征值;比如,当缺陷部分灰度值大于背景部分灰度值时,保留特征值小于0的点;当缺陷部分灰度值小于背景部分灰度值时,保留特征值大于0的点。
(S4)将筛选后的像素点打包,并按照特征值从大到小进行排序;
(S5)将经过排序的点进行连接,形成线状区域,所述线装区域为分割出的缺陷区域。
进一步的技术方案是,所述步骤(5.1)中生条样本图像的纹理提取的公式如下:
g(x,y)=f(x,y)-b(x,y)+mean(bj)
其中,(x,y)为像素在图像中坐标位置,f(x,y)为映射采集的生条样本图像中坐标为(x,y)处的像素值,用于代表采集的样本图像,同理,b(x,y)为无样本时的背景图像,mean(bj)为背景图像中第j列的平均灰度值,g(x,y)为得到的分离以后的纹理结果图像。
进一步的技术方案是,所述步骤(5.1)中生条样本图像的灰度修正的公式如下:
其中,对于灰度级k范围在[0,L-1]的图像,其直方图可表示为一个离散函数h(rk)=nk,k为图像的灰度级数,rk为第k级灰度值,S为通过变换T得到修正后的图像对应位置的灰度值,L为图像的灰度级数量,Pr(rk)为灰度值rk在图像中出现概率的估计,MN为图像像素总数,nk为图像中灰度值为rk的像素个数。
进一步的技术方案是,所述步骤(5.1)中生条样本图像的图像增强的公式如下:
g(x,y)=1ound[(L-mean(f))*factor+f(x,y)]
其中,f(x,y)为输入图像,g(x,y)为输出图像,mean(f)为图像灰度均值,L为图像灰度级数,factor为比例因子,可根据布匹类型设置为定值。
进一步的技术方案是,所述步骤(5.5)中的输出结果包括缺陷标记图像以及对应缺陷信息,其中,缺陷标记图像为将分割出的缺陷区域在原图上画出作为标记,对应缺陷信息包括缺陷类别、个数、直径、面积在内的相关信息。
为达到上述目的,本发明还提供一种基于机器视觉的生条缺陷检测装置,用于执行上述任一所述的基于机器视觉的生条缺陷检测方法进行生条缺陷检测分类,包括采集系统、控制系统、采样平台和调节支架,所述采集系统包括相机和光源,所述相机设有镜头,所述采集系统设置在所述调节支架上,所述采样平台用于放置生条样本,所述控制系统通过与所述光源进行通讯用于控制光源亮度,并通过与所述相机进行通讯用于控制相机包括曝光值、触发模式在内的参数,所述相机将采集到的生条样本图像输送至所述控制系统,所述控制系统用于对收集的生条样本图像进行集中处理。
进一步的技术方案是,所述控制系统主要由控制模块、算法模块和数据库管理模块,所述控制模块的用于与相机和光源通讯、并对包括样本数据、结果数据在内的信息与算法模块进行实时交互,所述控制模块接收到所述采集系统所采集到的样本图像后,将样本图像以及样本信息传输至算法模块,所述算法模块用于计算处理并将计算处理结果传输至所述数据库管理模块。
进一步的技术方案是,所述基于机器视觉的生条缺陷检测装置还包括显示系统,所述显示系统包括显示器,所述显示系统与所述控制系统通过接线相连。显示系统用于显示实时采集到的样本图像、处理后的瑕疵标记图像、生条样本的相关信息、以及结果数据等,方便操作人员查看、操作以及追溯。
相比于现有技术,本发明只需要将待检测的生条样本均匀平铺在采集平台上,即可进行自动缺陷检测并计数,节省人工成本、降低劳动强度;解决了由人工平铺样本导致灰度不均的干扰问题,以及生条品类繁多导致缺陷分类困难的问题,检测结果可靠;将检测结果进行可视化显示,方便操作人员进行核对或查验;将生条样本信息以及缺陷检测结果自动录入数据库中,提供查询以及保存功能,方便操作人员随时进行追溯,进一步保障了产品质量。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一种实施方式所涉及的基于机器视觉识别的生条缺陷检测装置技术原理流程图;
图2为本发明一种实施方式所涉及的基于机器视觉识别的生条缺陷检测装置的部分结构示意图;
图3为本发明一种实施方式所涉及的基于机器视觉识别的生条缺陷检测方法的流程示意图;
图4为本发明一种实施方式所涉及的算法模块的处理流程示意图;
图5为本发明一种实施方式所涉及的图像预处理流程示意图。
图中:
1相机 2镜头 3光源 4调节支架
5采样平台 6围板
具体实施方式
下面结合附图对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。此外,本领域技术人员根据本文件的描述,可以对本文件中实施例中以及不同实施例中的特征进行相应组合。
本发明实施例如下,基于机器视觉识别的生条缺陷检测装置技术原理流程图如图1所示,分为采集系统、控制系统、显示系统三部分。
如图2所示,采集系统主要由相机1、镜头2、光源3组成,相机1、镜头2、光源3设置在调节支架4上,采样平台5用于放置生条样本,采样平台5设有围板6。
当进行生条抽样检测时,操作人员将样本均匀铺满在采样平台5之上,相机1垂直于光源3上方对样本图像进行采集。控制系统通过与光源3进行通讯,可控制光源3亮度;通过与相机1进行通讯,可控制相机1曝光值、触发模式等参数,同时,相机1将采集到的生条样本图像返回至控制系统,由控制系统进行集中处理。
控制系统主要由控制模块、算法模块、数据库管理模块三部分组成。控制模块的功能包括与相机1通讯、与光源3通讯、对样本数据、结果数据等信息与算法模块进行实时交互。当进行麻生条抽样检测时,操作人员可向控制模块输入麻生条样本相关信息,比如生条品类、生产车号等,控制模块收到采集系统所采集到的样本图像后,将样本图像以及样本相关信息传入至算法模块,待算法模块计算完毕后,再收集算法模块所输出图像以及相关信息。
控制模块的实现流程如图3所示:
首先,操作人员需对目前有抽样检测需求的所有类型生条样本设定标准,标准具体包括缺陷种类、检测精度以及产品合格阈值,每种类型的标准应保持统一,在一般情况下,一经设定无需再进行更改。
其次,根据采样平台5位置对相机1进行标定以确定相机1视野,具体操作方法为:确定光源3位置后,打开光源3,保证光源3上方无其他物品,单次触发相机1采集一张光源3图像,系统可根据光源3图像自动识别光源3位置,从而确定有效的视野范围。当光源3位置发生改变时,需对相机1进行重新标定。
标定相机1完成后,即可进行采集生条样本图像的布置:将生条样本均匀平铺于采样平台5之上,利用相机1对图像进行采集,并输入当前样本类型。
完成采集后,控制系统读取到样本图像信息,包括当前样本图像以及对应样本类型,根据当前样本类型自动调用对应算法,最后输出检测结果。
算法模块的功能包括对样本图像进行预处理、阈值分割、缺陷判定及分类、缺陷计数等。当收到控制模块传入的样本图像以及样本相关信息后,根据样本信息调用对应算法对图像进行一系列图像处理,将计算所得处理后的瑕疵图像传入控制模块,并将所有结果信息保存至数据库管理模块。算法主要流程如图4所示:
步骤1:图像预处理。
图像预处理流程如图5所示,包括提取生条样本纹理图像、对纹理图像进行灰度修正以补偿部分人工平铺样本不均匀带来的干扰、图像增强以突出缺陷部分与正常部分的差异。
(1)纹理提取。
纹理提取即将生条纹理部分与背景部分分离,本专利采用减法处理的方式:
g(x,y)=f(x,y)-b(x,y)+mean(bj)
(x,y)为像素在图像中坐标位置,f(x,y)为映射采集的生条样本图像中坐标为(x,y)处的像素值,用于代表采集的样本图像,同理,b(x,y)为无样本时的背景图像,mean(bj)为背景图像中第j列的平均灰度值,g(x,y)为得到的分离以后的纹理结果图像。
(2)灰度修正。
灰度修正即将图像中比较集中的某个灰度区间变成全部灰度范围内的均匀分布,本专利利用灰度直方图的原理,采用直方图均衡化的方法对图像灰度进行修正:
其中,对于灰度级k范围在[0,L-1]的图像,其直方图可表示为一个离散函数h(rk)=nk,k为图像的灰度级数,rk为第k级灰度值,S为通过变换T得到修正后的图像对应位置的灰度值,L为图像的灰度级数量,Pr(rk)为灰度值rk在图像中出现概率的估计,MN为图像像素总数,nk为图像中灰度值为rk的像素个数。
(3)图像增强。
为进一步增强纹理细节特征,本专利采用线性变换的方式:
g(x,y)=round[(L-mean(f))*factor+f(x,y)]
其中,f(x,y)为输入图像,g(x,y)为输出图像,mean(f)为图像灰度均值,L为图像灰度级数,factor为比例因子,根据布匹类型设置为定值。
步骤2:阈值分割。
得到经预处理后的纹理图像后,本专利采用两种方式对正常区域以及可能的缺陷区域进行分割。针对条状缺陷,例如硬条,本专利采用线高斯的方法对缺陷区域进行分割;针对粒状缺陷,例如棉结、麻粒等,本专利采用动态阈值的方法对缺陷区域进行分割。
动态阈值的方法:
当采用背光的打光方式时,粒状缺陷区域较正常区域透光性更差,从而灰度值更低;当采用正面打光的打光方式时,粒状缺陷区域较正常区域反光性更强,从而灰度值更高。因此,缺陷区域和正常区域与同一平滑后图像进行求差时,其差值相差较大,正常区域更接近平滑后图像,缺陷区域则相反。具体步骤如下:
动态阈值分割分为两步进行,包括对图像进行均值化以及动态阈值。
Step 1:根据输入图像大小自动生成一个均值滤波器,对输入图像的除边缘外的所有灰度值进行线性平滑,其中滤波器长度与图像长度相等,滤波器宽度与图像宽度相等;
Step 2:用原图像灰度值减去平滑后图像的灰度值,根据差值获取可能的缺陷区域。
当采用背光的打光方式时,缺陷区域go为:
go≤gt-offset
当采用正面打光的打光方式时,缺陷区域go为:
go≥gt+offset
其中,gt为平滑后图像的灰度值,offset为差值,可根据检测需求灵活调整,当检测要求灵敏度较高时,offset可降低取值;相反,当检测要求灵敏度较低时,offset可升高取值。
线高斯的方法:
针对条状缺陷,由于其形状特征统一为线型区域,故本专利采用提取图像中线型区域的方法,对条状缺陷进行分割。具体步骤如下:
Step 1:对图像f(x,y)求取高斯偏导数;
Step 2:根据Hessian矩阵计算其特征值和特征向量,得到两个特征值。其中,Hessian矩阵定义如下:
Hessian矩阵的特征值与特征向量的求取方法为:
H*α=α*λ
其中,α为矩阵的特征向量,λ为矩阵的特征值。
Step 3:按照缺陷特征筛选特征值。比如,当缺陷部分灰度值大于背景部分灰度值时,保留特征值小于0的点;当缺陷部分灰度值小于背景部分灰度值时,保留特征值大于0的点。
Step 4:将筛选后的像素点打包,并按照特征值从大到小进行排序。
Step 5:将经过排序的点进行连接,形成线状区域,此区域即为分割出的缺陷区域。
步骤3:缺陷判定及分类。
针对动态阈值方法所分割出的缺陷区域,缺陷判定即对分割出的缺陷区域根据缺陷特征进行进一步筛选,其缺陷特征包括最大直径、最小灰度值、最大灰度值等。缺陷特征具体计算方式如下:
最大直径:计算缺陷区域的最大外接矩形,最大外接矩形的对角线长度即为缺陷最大直径。
最小灰度值:对缺陷区域内像素进行遍历,求出其灰度的最小值。
最大灰度值:对缺陷区域内像素进行遍历,求出其灰度的最大值。
针对线高斯方法所分割出的缺陷区域,可通过线状区域的长度对缺陷进行判定。其具体计算方式如下:
线型区域的长度:计算出缺陷区域的中心线,其中心线的像素个数即为线型区域的长度。
当计算出缺陷区域特征值和/或线型区域的长度后,即可根据预设合格阈值对缺陷进行判定以及分类,具体步骤如下:
Step 1:读取当前品类生条的检测标准,包括缺陷类别即对应的预设的合格阈值;
Step 2:根据检测标准对缺陷进行判定及分类。
针对动态阈值方法所分割出的缺陷区域,最大直径大于阈值的区域即判定为棉结或麻粒,小于阈值的区域即判定为正常区域;最小灰度值小于阈值的区域即判定为棉结或麻粒,大于阈值的区域即判定为正常区域;最大灰度值大于阈值的区域即判定为棉结或麻粒,小于阈值的区域即判定为正常区域;
针对线高斯方法所分割出的缺陷区域,长度大于阈值的区域判定为硬条、长度小于阈值的区域被判定为棉结或麻粒。
步骤4:缺陷计数。
将分类后缺陷按类别整合并计数。
步骤5:输出结果。
输出结果包括缺陷标记图像以及对应缺陷信息。缺陷标记图像即将分割出的缺陷区域在原图上画出作为标记,对应缺陷信息包括缺陷类别、个数、直径、面积等相关信息。
数据库管理模块的功能包括对结果数据的存储及查询等。数据库管理模块接收到算法模块输出的瑕疵标记图像、瑕疵类别、瑕疵数量等结果信息,将其统一保存至本地数据库或线上数据库,提供查询功能,方便操作人员进行结果追溯。
显示系统主要由显示器组成,与控制系统通过接线相连。主要显示实时采集到的样本图像、处理后的瑕疵标记图像、生条样本的相关信息、以及结果数据等,方便操作人员查看、操作以及追溯。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于机器视觉的生条缺陷检测方法,其特征在于,包括如下步骤:
(1)预设不同品类生条的检测标准:检测标准具体包括缺陷种类、检测精度以及产品合格阈值;
(2)相机标定;
(3)图像采集:采集生条样本图像;
(4)读取样本图像信息;
(5)样本图像信息处理并输出检测结果;
(5.1)图像预处理:包括生条样本图像的纹理提取、灰度修正和图像增强;
(5.2)阈值分割:将正常区域和缺陷区域进行分割,针对条状缺陷采用线高斯的方法对缺陷区域进行分割,针对粒状缺陷,采用动态阈值的方法对缺陷区域进行分割;
(5.3)缺陷判定及分类:针对动态阈值方法所分割出的缺陷区域通过缺陷特征进行缺陷判定,缺陷特征包括最大直径、最小灰度值和最大灰度值,最大直径的计算方式为:计算缺陷区域的最大外接矩形,最大外接矩形的对角线长度即为缺陷最大直径;最小灰度值的计算方式为:对缺陷区域内像素进行遍历,求出最小灰度值;最大灰度值的计算方式为:对缺陷区域内像素进行遍历,求出最大灰度值;
针对线高斯方法所分割出的缺陷区域通过线状区域的长度进行缺陷判定,线型区域的长度的计算方式为:计算出缺陷区域的中心线,中心线的像素个数即为线型区域的长度;
计算出缺陷区域的缺陷特征值和/或线状区域的长度后,根据预设的合格阈值对缺陷进行判定以及分类,具体步骤如下:读取当前品类生条的检测标准,包括缺陷类别以及对应的合格阈值,根据检测标准对缺陷进行判定及分类,针对动态阈值方法所分割出的缺陷区域,最大直径大于合格阈值的区域即判定为棉结或麻粒,小于合格阈值的区域即判定为正常区域,最小灰度值小于合格阈值的区域即判定为棉结或麻粒,大于合格阈值的区域即判定为正常区域,最大灰度值大于合格阈值的区域即判定为棉结或麻粒,小于合格阈值的区域即判定为正常区域;针对线高斯方法所分割出的缺陷区域,线状区域的长度大于合格阈值的区域判定为硬条,线状区域的长度小于阈值的区域被判定为棉结或麻粒;
(5.4)缺陷计数:将分类后的缺陷按类别整合并计数;
(5.5)输出结果。
2.根据权利要求1所述的基于机器视觉的生条缺陷检测方法,其特征在于,所述步骤(5.2)中,动态阈值的分割方法如下:根据输入的经预处理后的图像的大小自动生成一个均值滤波器,对输入的经预处理后的图像除边缘外的所有灰度值进行线性平滑,其中,滤波器长度与输入图像长度相等,滤波器宽度与输入图像宽度相等;然后用输入的经预处理后的图像的灰度值减去线性平滑后的图像的灰度值,根据差值获取可能的缺陷区域,图像采集时采用背光的打光方式时,缺陷区域go为:
go≤gt-offset
图像采集时采用正面打光的打光方式时,缺陷区域go为:
go≥gt+offset
其中,gt为平滑后图像的灰度值,offset为差值,可根据检测需求灵活调整,当检测要求灵敏度较高时,offset可降低取值;相反,当检测要求灵敏度较低时,offset可升高取值。
3.根据权利要求1或2所述的基于机器视觉的生条缺陷检测方法,其特征在于,所述步骤(5.2)中,线高斯的分割方法如下:提取输入的经预处理后的图像的中线型区域的方法,对条状缺陷进行分割,具体步骤如下:
(S1)对生条样本图像f(x,y)求取高斯偏导数;
(S2)根据Hessian矩阵计算其特征值和特征向量,其中,Hessian矩阵定义如下:
Hessian矩阵的特征值与特征向量的求取方法为:
H*α=α*λ
其中,α为矩阵的特征向量,λ为矩阵的特征值;
(S3)根据缺陷特征筛选特征值;
(S4)将筛选后的像素点打包,并按照特征值从大到小进行排序;
(S5)将经过排序的点进行连接,形成线状区域,所述线装区域为分割出的缺陷区域。
4.根据权利要求2或3所述的基于机器视觉的生条缺陷检测方法,其特征在于,所述步骤(5.1)中生条样本图像的纹理提取的公式如下:
g(x,y)=f(x,y)-b(x,y)+mean(bj)
其中,(x,y)为像素在图像中坐标位置,f(x,y)为映射采集的生条样本图像中坐标为(x,y)处的像素值,用于代表采集的样本图像,同理,b(x,y)为无样本时的背景图像,mean(bj)为背景图像中第j列的平均灰度值,g(x,y)为得到的分离以后的纹理结果图像。
6.根据权利要求5所述的基于机器视觉的生条缺陷检测方法,其特征在于,所述步骤(5.1)中生条样本图像的图像增强的公式如下:
g(x,y)=round[(L-mean(f))*factor+f(x,y)]
其中,f(x,y)为输入图像,g(x,y)为输出图像,mean(f)为图像灰度均值,L为图像灰度级数,factor为比例因子,可根据布匹类型设置为定值。
7.根据权利要求6所述的基于机器视觉的生条缺陷检测方法,其特征在于,所述步骤(5.5)中的输出结果包括缺陷标记图像以及对应缺陷信息,其中,缺陷标记图像为将分割出的缺陷区域在原图上画出作为标记,对应缺陷信息包括缺陷类别、个数、直径、面积在内的相关信息。
8.一种基于机器视觉的生条缺陷检测装置,其特征在于,用于执行权利要求1~7任意一项所述的基于机器视觉的生条缺陷检测方法进行生条缺陷检测分类,包括采集系统、控制系统、采样平台和调节支架,所述采集系统包括相机和光源,所述相机设有镜头,所述采集系统设置在所述调节支架上,所述采样平台用于放置生条样本,所述控制系统通过与所述光源进行通讯用于控制光源亮度,并通过与所述相机进行通讯用于控制相机包括曝光值、触发模式在内的参数,所述相机将采集到的生条样本图像输送至所述控制系统,所述控制系统用于对收集的生条样本图像进行集中处理。
9.根据权利要求8所述的基于机器视觉的生条缺陷检测装置,其特征在于,所述控制系统主要由控制模块、算法模块和数据库管理模块,所述控制模块的用于与相机和光源通讯、并对包括样本数据、结果数据在内的信息与算法模块进行实时交互,所述控制模块接收到所述采集系统所采集到的样本图像后,将样本图像以及样本信息传输至算法模块,所述算法模块用于计算处理并将计算处理结果传输至所述数据库管理模块。
10.根据权利要求9所述的基于机器视觉的生条缺陷检测装置,其特征在于,所述基于机器视觉的生条缺陷检测装置还包括显示系统,所述显示系统包括显示器,所述显示系统与所述控制系统通过接线相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949064.6A CN113777033A (zh) | 2021-08-18 | 2021-08-18 | 一种基于机器视觉的生条缺陷检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949064.6A CN113777033A (zh) | 2021-08-18 | 2021-08-18 | 一种基于机器视觉的生条缺陷检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113777033A true CN113777033A (zh) | 2021-12-10 |
Family
ID=78838056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949064.6A Pending CN113777033A (zh) | 2021-08-18 | 2021-08-18 | 一种基于机器视觉的生条缺陷检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777033A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648494A (zh) * | 2022-02-28 | 2022-06-21 | 扬州市苏灵农药化工有限公司 | 基于工厂数字化的农药悬浮剂生产控制系统 |
CN115908242A (zh) * | 2022-09-22 | 2023-04-04 | 深圳市明测科技有限公司 | 一种多通道图像融合的芯片金线整线检测方法及系统 |
CN117232792A (zh) * | 2023-11-14 | 2023-12-15 | 南京木木西里科技有限公司 | 基于图像信息的显微镜缺陷检测系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110039897A (ko) * | 2009-10-12 | 2011-04-20 | 서울대학교산학협력단 | 디지털 유방 x-선 영상에서 미세석회화 군집 검출 방법 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
CN109030502A (zh) * | 2018-08-03 | 2018-12-18 | 深圳汇创联合自动化控制有限公司 | 一种基于机器视觉的焊点缺陷检测系统 |
CN109085178A (zh) * | 2018-08-28 | 2018-12-25 | 武汉科技大学 | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 |
CN109102497A (zh) * | 2018-07-13 | 2018-12-28 | 杭州舜浩科技有限公司 | 高分辨率的导光板图像缺陷检测方法 |
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN109523505A (zh) * | 2018-09-18 | 2019-03-26 | 深圳市智信精密仪器有限公司 | 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN110977767A (zh) * | 2019-11-12 | 2020-04-10 | 长沙长泰机器人有限公司 | 一种铸件瑕疵分布检测方法以及铸件打磨方法 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-18 CN CN202110949064.6A patent/CN113777033A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110039897A (ko) * | 2009-10-12 | 2011-04-20 | 서울대학교산학협력단 | 디지털 유방 x-선 영상에서 미세석회화 군집 검출 방법 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106650770A (zh) * | 2016-09-29 | 2017-05-10 | 南京大学 | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 |
CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
CN109102497A (zh) * | 2018-07-13 | 2018-12-28 | 杭州舜浩科技有限公司 | 高分辨率的导光板图像缺陷检测方法 |
CN109030502A (zh) * | 2018-08-03 | 2018-12-18 | 深圳汇创联合自动化控制有限公司 | 一种基于机器视觉的焊点缺陷检测系统 |
CN109085178A (zh) * | 2018-08-28 | 2018-12-25 | 武汉科技大学 | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 |
CN109523505A (zh) * | 2018-09-18 | 2019-03-26 | 深圳市智信精密仪器有限公司 | 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法 |
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN110977767A (zh) * | 2019-11-12 | 2020-04-10 | 长沙长泰机器人有限公司 | 一种铸件瑕疵分布检测方法以及铸件打磨方法 |
Non-Patent Citations (1)
Title |
---|
陈俊琰: ""梳棉机棉网质量计算机视觉检测系统研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, pages 024 - 131 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648494A (zh) * | 2022-02-28 | 2022-06-21 | 扬州市苏灵农药化工有限公司 | 基于工厂数字化的农药悬浮剂生产控制系统 |
CN114648494B (zh) * | 2022-02-28 | 2022-12-06 | 扬州市苏灵农药化工有限公司 | 基于工厂数字化的农药悬浮剂生产控制系统 |
CN115908242A (zh) * | 2022-09-22 | 2023-04-04 | 深圳市明测科技有限公司 | 一种多通道图像融合的芯片金线整线检测方法及系统 |
CN115908242B (zh) * | 2022-09-22 | 2023-10-03 | 深圳市明测科技有限公司 | 一种多通道图像融合的芯片金线整线检测方法及系统 |
CN117232792A (zh) * | 2023-11-14 | 2023-12-15 | 南京木木西里科技有限公司 | 基于图像信息的显微镜缺陷检测系统 |
CN117232792B (zh) * | 2023-11-14 | 2024-01-30 | 南京木木西里科技有限公司 | 基于图像信息的显微镜缺陷检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113777033A (zh) | 一种基于机器视觉的生条缺陷检测方法和装置 | |
US5068799A (en) | System and method for detecting flaws in continuous web materials | |
CN110403232B (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN110646354B (zh) | 一种棉纤维的颜色测试装置及方法 | |
CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN104751443B (zh) | 基于多光谱技术棉花疵点检测与识别方法 | |
US10607333B2 (en) | Real-time, full web image processing method and system for web manufacturing supervision | |
Xu et al. | Chromatic image analysis for cotton trash and color measurements | |
CN110618134A (zh) | 钢板表面质量缺陷检测评级系统及方法 | |
CN114693676B (zh) | 一种新材料纺织品漂白缺陷光学检测方法及装置 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114842007A (zh) | 一种基于图像处理的纺织品磨损缺陷检测方法 | |
CN108414531A (zh) | 一种基于机器视觉的柔性薄膜缺陷检测装置及其检测方法 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测系统 | |
CN116008289A (zh) | 一种非织造产品表面缺陷检测方法及系统 | |
CN113936001B (zh) | 一种基于图像处理技术的纺织品表面瑕疵点检测方法 | |
CN107256553B (zh) | 一种经纱上浆效果的检测方法 | |
CN115131353A (zh) | 平网印花纺织品生产异常识别定位方法及系统 | |
CN112730407A (zh) | 一种利用线阵数字相机检测纱线毛羽指标的检测装置及检测方法 | |
CN116152220A (zh) | 一种基于机器视觉的种子计数和尺寸测量方法 | |
Mishra et al. | Surface defects detection for ceramic tiles using image processing and morphological techniques | |
CN108519066B (zh) | 一种基于四侧光源图像的织物平整度的客观评定方法 | |
CN117173162B (zh) | 一种纺织品瑕疵检测方法及系统 | |
CN109211937A (zh) | 一种内衣弹性织带弯带缺陷的检测系统及其检测方法 | |
CN112775032B (zh) | 一种水果分拣方法、装置及柔性机器人 |
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 |