CN114627111B - 一种纺织品缺陷检测识别装置 - Google Patents

一种纺织品缺陷检测识别装置 Download PDF

Info

Publication number
CN114627111B
CN114627111B CN202210511289.8A CN202210511289A CN114627111B CN 114627111 B CN114627111 B CN 114627111B CN 202210511289 A CN202210511289 A CN 202210511289A CN 114627111 B CN114627111 B CN 114627111B
Authority
CN
China
Prior art keywords
pixel
value
defect
image
textile
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
CN202210511289.8A
Other languages
English (en)
Other versions
CN114627111A (zh
Inventor
陆建琪
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.)
Nantong Yinglun Home Textile Co ltd
Original Assignee
Nantong Yinglun Home Textile 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 Nantong Yinglun Home Textile Co ltd filed Critical Nantong Yinglun Home Textile Co ltd
Priority to CN202210511289.8A priority Critical patent/CN114627111B/zh
Publication of CN114627111A publication Critical patent/CN114627111A/zh
Application granted granted Critical
Publication of CN114627111B publication Critical patent/CN114627111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/90Dynamic range modification of images or parts thereof
    • G06T5/92Dynamic range modification of images or parts thereof based on global image properties
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20021Dividing image into blocks, subimages or windows
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30124Fabrics; 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

本发明涉及缺陷检测技术领域,具体涉及一种纺织品缺陷检测识别装置。该装置包括:图像采集模块、初步筛选模块、二次增强模块以及缺陷检测模块。通过图像采集模块获取纺织图像的灰度图像;通过初步筛选模块对灰度图像进行对比度增强,获取一次增强图像;将一次增强图像划分为多个相同大小的瓦块,筛选出疑似缺陷瓦块;通过二次增强模块对每个疑似缺陷瓦块中的每个像素点进行对应的像素值替换,得到二次增强图像;通过缺陷检测模块,获取缺陷位置。本发明实施例能够利用光学手段获取可见光图像测试纺织图像中瑕疵、缺陷或者污点的存在,准确检测出缺陷位置,能够应用于新材料检测、计量、相关标准化、认证认可服务。

Description

一种纺织品缺陷检测识别装置
技术领域
本发明涉及缺陷检测技术领域,具体涉及一种纺织品缺陷检测识别装置。
背景技术
随着科技水平的不断发展,利用光学手段,尤其是可见光获取图像进而分析材料的技术蓬勃发展,但是在于纺织领域来说,更多还是通过人工检验判断纺织品是否有缺陷,直接利用图像对纺织品进行检测时,由于纺织品的部分缺陷与正常点的灰度值差距并不是很大,很容易将缺陷遗漏,造成精度较低,检测结果较差。
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纺织品缺陷检测识别装置,所采用的技术方案具体如下:
本发明一个实施例提供了一种纺织品缺陷检测识别装置,该装置包括以下模块:
图像采集模块,用于采集纺织品的纺织图像,并获取纺织图像的灰度图像;
初步筛选模块,用于对灰度图像进行对比度增强,获取一次增强图像;将一次增强图像划分为多个相同大小的瓦块,选取目标瓦块,分别计算其他每个瓦块与所述目标瓦块的相关性,根据相关性获取目标瓦块的相关瓦块的第一数量,根据第一数量筛选出疑似缺陷瓦块;
二次增强模块,用于对每个疑似缺陷瓦块中的每个像素点,根据其邻域像素点的像素值判断该像素点邻域内是否存在瑕疵点;当存在瑕疵点时,将邻域内的像素值进行最值替换,当不存在瑕疵点时,将邻域内的像素值进行均值替换,组成二次增强图像;
缺陷检测模块,用于利用滑窗遍历所述二次增强图像,根据滑窗移动产生的梯度判断二次增强图像是否存在缺陷,当存在缺陷时,对二次增强图像进行阈值分割,获取缺陷位置。
优选的,所述初步筛选模块包括:
一次增强图像获取单元,用于根据每个像素点与最小像素值的差异,以及最大像素值和最小像素值的差异对灰度图像进行图像拉伸,获取所述一次增强图像。
优选的,所述初步筛选模块还包括:
相关性计算单元,用于根据目标瓦块中每个像素点的像素值与目标瓦块的像素均值的差异,以及其他瓦块中每个像素点的像素值与其像素均值的差异,计算目标瓦块与其他瓦块之间的相关性。
优选的,所述初步筛选模块还包括:
疑似缺陷瓦块筛选单元,用于获取所述第一数量的最大值和最小值,以最大值和最小值的平均值作为筛选阈值,选取第一数量小于筛选阈值的目标瓦块作为所述疑似缺陷瓦块。
优选的,所述二次增强模块包括:
瑕疵点判断单元,用于以每个像素点作为中心点,获取该中心点的邻域像素点的像素值,并获取所有像素值的极差,当极差大于瑕疵阈值时,该像素点的邻域内存在瑕疵点。
优选的,所述二次增强模块还包括:
最值替换单元,用于当中心点的邻域内存在瑕疵点时,将该中心点邻域内所有像素点的像素值分别与邻域内的最大值和最小值做差,以差值更小的最值替换中心点像素值。
优选的,所述二次增强模块还包括:
均值替换单元,用于当中心点的邻域内不存在瑕疵点时,以该中心点邻域内所有像素点的平均值替换中心点像素值。
优选的,所述缺陷检测模块包括:
缺陷判断单元,用于获取相邻滑动时刻的滑窗内像素点平均灰度的差值作为梯度,当梯度大于梯度阈值时,该二次增强图像中存在缺陷。
优选的,该装置还包括以下模块:
缺陷验证模块,用于统计缺陷位置处的缺陷像素点的数量,当缺陷像素点在二次增强图像中的数量比例大于比例阈值时,二次增强图像中的缺陷位置为实际缺陷位置,否则为噪声。
本发明实施例至少具有如下有益效果:
通过图像采集模块获取纺织图像的灰度图像;通过初步筛选模块对灰度图像进行对比度增强,获取一次增强图像;将一次增强图像划分为多个相同大小的瓦块,筛选出疑似缺陷瓦块;通过二次增强模块对每个疑似缺陷瓦块中的每个像素点进行对应的像素值替换,得到二次增强图像;通过缺陷检测模块,获取缺陷位置。本发明实施例能够利用光学手段获取可见光图像测试纺织图像中瑕疵、缺陷或者污点的存在,准确检测出缺陷位置,能够应用于新材料检测、计量、相关标准化、认证认可服务。
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为本发明一个实施例提供的一种纺织品缺陷检测识别装置的结构框图。
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纺织品缺陷检测识别装置,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纺织品缺陷检测识别装置的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种纺织品缺陷检测识别装置的结构框图,该装置包括以下模块:
图像采集模块100、初步筛选模块200、二次增强模块300以及缺陷检测模块400。
图像采集模块100,用于采集纺织品的纺织图像,并获取纺织图像的灰度图像。
在检测纺织品缺陷的设备中,纺织品正上方布置图像采集设备,采集纺织品的图像,并且将采集到的纺织图像灰度化,得到灰度图像。
在本发明实施例中为了使灰度图像更加便于观察,采用加权平均法来灰度化,在其他实施例中还可以采用分量法等其他能够达到相同效果的灰度化方法。
初步筛选模块200,用于对灰度图像进行对比度增强,获取一次增强图像;将一次增强图像划分为多个相同大小的瓦块,选取目标瓦块,分别计算其他每个瓦块与目标瓦块的相关性,根据相关性获取目标瓦块的相关瓦块的第一数量,根据第一数量筛选出疑似缺陷瓦块。
初步筛选模块200包括一次增强图像获取单元210、相关性计算单元220以及疑似缺陷瓦块筛选单元230。
一次增强图像获取单元210,用于根据每个像素点与最小像素值的差异,以及最大像素值和最小像素值的差异对灰度图像进行图像拉伸,获取一次增强图像。
对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,在有缺陷存在的灰度图像中,表示缺陷点和正常点的差异明显程度,两者的差异越大,其图像对比度越大,图像也就更清晰。图像拉伸就是不改变相邻灰度之间的关系,放大或缩小该灰度图像的灰度,这样就可以使灰度图像中缺陷点和背景相差更大。
图像拉伸的具体过程为:假设灰度图像中
Figure DEST_PATH_IMAGE001
位置处的灰度值为
Figure 509777DEST_PATH_IMAGE002
,记录此时图像中最大的像素值和最小的像素值,分别记为
Figure DEST_PATH_IMAGE003
Figure 581245DEST_PATH_IMAGE004
,之后通过如下公式将灰度图像的灰度值进行拉伸变化,公式如下:
Figure 360982DEST_PATH_IMAGE006
其中,
Figure DEST_PATH_IMAGE007
表示图像拉伸后
Figure 552929DEST_PATH_IMAGE001
位置处的灰度值。
以图像拉伸后的灰度值组成的图像为一次增强图像,拉伸之后的图像,对比度增大,缺陷区域和正常区域的差距变大。
对于纺织品来说,本身具有周期性质和对称性质,并且其中噪声一般来说满足正态分布,而二维高斯函数具有一定的对称性,可以确保图像各个方向上都得到一定的去噪和平滑处理。因此,本发明实施例采用二维高斯滤波对一次增强图像进行去噪处理,经过去噪使噪声对于图像的影响降低。
相关性计算单元220,用于根据目标瓦块中每个像素点的像素值与目标瓦块的像素均值的差异,以及其他瓦块中每个像素点的像素值与其像素均值的差异,计算目标瓦块与其他瓦块之间的相关性。
将去噪后的一次增强图像划分为R个大小相同的瓦块,作为一个示例,在本发明实施例中每个瓦块的大小为25×25,然后选取一个瓦块作为目标瓦块,通过计算目标瓦块和其他瓦块之间的相似性寻找相似瓦块区域。
由于纺织品是具有纹理信息的,且纹理具有周期性,因此对于无疵点的图像来说,瓦块的相关图像很多,将所有瓦块分为一个集合:
Figure DEST_PATH_IMAGE009
作为一个示例,选取
Figure 773826DEST_PATH_IMAGE010
作为目标瓦块,则集合
Figure DEST_PATH_IMAGE011
中剩余瓦块为目标瓦块
Figure 330709DEST_PATH_IMAGE010
对应的其他瓦块,使用皮尔森系数和灰度均值来判断目标瓦块
Figure 394480DEST_PATH_IMAGE010
与其中一个其他瓦块
Figure 593380DEST_PATH_IMAGE012
是否具有相关性:
Figure 996680DEST_PATH_IMAGE014
其中,
Figure DEST_PATH_IMAGE015
表示目标瓦块
Figure 911415DEST_PATH_IMAGE010
和其他瓦块
Figure 665745DEST_PATH_IMAGE012
之间的皮尔森系数,
Figure 137177DEST_PATH_IMAGE016
表示目标瓦块
Figure 457300DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE017
位置处像素点的灰度值,
Figure 621565DEST_PATH_IMAGE018
表示目标瓦块内所有像素点的灰度均值;
Figure DEST_PATH_IMAGE019
表示其他瓦块
Figure 535295DEST_PATH_IMAGE012
Figure 544839DEST_PATH_IMAGE017
位置处像素点的灰度值,
Figure 188310DEST_PATH_IMAGE020
表示其对应的灰度均值。
Figure 320214DEST_PATH_IMAGE022
其中,
Figure DEST_PATH_IMAGE023
表示灰度相关系数,
Figure 783556DEST_PATH_IMAGE024
表示两个均值中的最小值,
Figure DEST_PATH_IMAGE025
两个均值中的最大值。
Figure DEST_PATH_IMAGE027
其中,
Figure 19628DEST_PATH_IMAGE028
表示目标瓦块
Figure 314343DEST_PATH_IMAGE010
与其中一个其他瓦块
Figure 85990DEST_PATH_IMAGE012
的相关性。
以同样的计算方法计算目标瓦块
Figure 771049DEST_PATH_IMAGE010
与每个其他瓦块的相关性,并且每个瓦块都作为目标瓦块计算该瓦块与其他每个瓦块的相关性。
然后根据相关性获取目标瓦块的相关瓦块的第一数量。
Figure 653554DEST_PATH_IMAGE028
大于相关阈值时,该其他瓦块为目标瓦块的相关瓦块,对于每个目标瓦块,记录对应的相关瓦块的数量即为第一数量。
作为一个示例,本发明实施例中相关阈值为0.9。
疑似缺陷瓦块筛选单元230,用于获取第一数量的最大值和最小值,以最大值和最小值的平均值作为筛选阈值,选取第一数量小于筛选阈值的目标瓦块作为疑似缺陷瓦块。
由于纹理的对称性和周期性,正常点区域必然存在相关性质,而缺陷点区域的瓦块和其他瓦块的相关性较差,统计每个目标瓦块的第一数量,获取第一数量的最大值
Figure DEST_PATH_IMAGE029
和最小值
Figure 412563DEST_PATH_IMAGE030
,以
Figure DEST_PATH_IMAGE031
作为筛选阈值,当目标瓦块的第一数量小于筛选阈值
Figure 151849DEST_PATH_IMAGE032
时,该目标瓦块可能存在缺陷,将其记为疑似缺陷瓦块。
二次增强模块300,用于对每个疑似缺陷瓦块中的每个像素点,根据其邻域像素点的像素值判断该像素点邻域内是否存在瑕疵点;当存在瑕疵点时,将邻域内的像素值进行最值替换,当不存在瑕疵点时,将邻域内的像素值进行均值替换,组成二次增强图像。
二次增强模块300包括:瑕疵点判断单元310、最值替换单元320以及均值替换单元330。
瑕疵点判断单元310,用于以每个像素点作为中心点,获取该中心点的邻域像素点的像素值,并获取所有像素值的极差,当极差大于瑕疵阈值时,该像素点的邻域内存在瑕疵点。
以每个像素点作为中心点,获取该中心点的八邻域像素点的像素值,得到其中灰度值最大的像素点和最小的像素点,分别记为
Figure DEST_PATH_IMAGE033
Figure 324204DEST_PATH_IMAGE034
,这两个点表示第s个像素点的周围8邻域中灰度值的最大值和最小值。获取这两个点的差值
Figure DEST_PATH_IMAGE035
,如果
Figure 666193DEST_PATH_IMAGE036
小于等于瑕疵阈值,表示该邻域内没有瑕疵点;如果
Figure 873183DEST_PATH_IMAGE036
大于瑕疵阈值,表示该邻域存在瑕疵点。
作为一个示例,本发明实施例中瑕疵阈值的取值为20。
最值替换单元320,用于当中心点的邻域内存在瑕疵点时,将该中心点邻域内所有像素点的像素值分别与邻域内的最大值和最小值做差,以差值更小的最值替换中心点像素值。
当中心点的邻域内存在瑕疵点时,将该中心点邻域内所有像素点的灰度值与最大灰度值和最小灰度值进行比较,越靠近哪个灰度值,就将其灰度值替换为这个灰度值,以第s个像素点作为中心点为例:
Figure 986633DEST_PATH_IMAGE038
Figure 708601DEST_PATH_IMAGE040
其中,
Figure DEST_PATH_IMAGE041
表示第s个像素点的灰度值。
如果
Figure 667330DEST_PATH_IMAGE042
,令
Figure DEST_PATH_IMAGE043
,反之令
Figure 400931DEST_PATH_IMAGE044
,最值替换后使一次增强图像内在有瑕疵点部分的像素点的灰度值与正常像素点相差明显,增强了瑕疵点的信息。
均值替换单元330,用于当中心点的邻域内不存在瑕疵点时,以该中心点邻域内所有像素点的平均值替换中心点像素值。
当中心点的邻域内不存在瑕疵点时,计算该中心点邻域内共9个像素点的灰度均值,将该值赋给中心点像素值。
由于纺织品的经纬线缺陷灰度和正常点虽有灰度差异,但差异较小,因此通过初步筛选模块200和二次增强模块300对灰度图像进行图像增强,增强首先考虑了两张图像相关性影响,由于瑕疵点本身比较小,缺陷图像的相关瓦片较少,因此可以将相关图像较少的图像作为可能有缺陷的区域,将这部分通过像素值替换进行二次图像增强。
缺陷检测模块400,用于利用滑窗遍历二次增强图像,根据滑窗移动产生的梯度判断二次增强图像是否存在缺陷,当存在缺陷时,对二次增强图像进行阈值分割,获取缺陷位置。
缺陷检测模块400包括缺陷判断单元410和缺陷检测单元420。
缺陷判断单元410,用于获取相邻滑动时刻的滑窗内像素点平均灰度的差值作为梯度,当梯度大于梯度阈值时,该二次增强图像中存在缺陷。
二次增强图像中缺陷区域与正常区域的灰度值相差更为明显,以较小的滑窗对二次增强图像进行横向遍历,作为一个示例,本发明实施例中的滑窗大小为5×5,从二次增强图像的左上角开始从左到右从上到下滑动,步长为1,计算每个滑动时刻下滑窗内的平均灰度值,以相邻滑动时刻的滑窗内像素点平均灰度的差值作为两滑动时刻的梯度,当遍历整张二次增强图像后,所有梯度都不大于梯度阈值时,该二次增强图像中没有缺陷区域,完成缺陷检测;当存在梯度大于梯度阈值时,该二次增强图像中存在缺陷。
作为一个示例,本发明实施例中梯度阈值为50。
缺陷检测单元420,用于对存在缺陷的二次增强图像进行缺陷检测。
使用大津阈值分割法获取分割阈值,利用分割阈值将二次增强图像进行分割,将其变为二值图像,其中将大于等于阈值的部分变为0,小于阈值的部分变为1。如果存在缺陷像素点,其灰度值必然小于正常点的灰度值,在经过二值图像转换后,缺陷像素点的灰度值为1,为高亮点,正常点的灰度为0,即背景为黑色。
优选的,该装置还包括以下模块:
缺陷验证模块,用于统计缺陷位置处的缺陷像素点的数量,当缺陷像素点在二次增强图像中的数量比例大于比例阈值时,二次增强图像中的缺陷位置为实际缺陷位置,否则为噪声。
统计所有灰度值为1的缺陷像素点的数量,计算缺陷像素点的数量比例:
Figure 419702DEST_PATH_IMAGE046
其中,
Figure DEST_PATH_IMAGE047
表示缺陷像素点的数量比例,
Figure 628967DEST_PATH_IMAGE048
表示经过统计之后的缺陷像素点的数量,即二值图像中灰度值为1的点的数量,S表示二值图像中所有像素点的数量。
Figure 391386DEST_PATH_IMAGE047
大于比例阈值,则认为存在缺陷,而不是由于噪声所造成的瑕疵信息。
作为一个示例,本发明实施例中比例阈值为1%。
综上所述,本发明实施例为一种纺织品缺陷检测识别装置,该装置包括以下模块:
图像采集模块100、初步筛选模块200、二次增强模块300以及缺陷检测模块400。
具体的,图像采集模块100,用于采集纺织品的纺织图像,并获取纺织图像的灰度图像;初步筛选模块200,用于对灰度图像进行对比度增强,获取一次增强图像;将一次增强图像划分为多个相同大小的瓦块,选取目标瓦块,分别计算其他每个瓦块与目标瓦块的相关性,根据相关性获取目标瓦块的相关瓦块的第一数量,根据第一数量筛选出疑似缺陷瓦块;二次增强模块300,用于对每个疑似缺陷瓦块中的每个像素点,根据其邻域像素点的像素值判断该像素点邻域内是否存在瑕疵点;当存在瑕疵点时,将邻域内的像素值进行最值替换,当不存在瑕疵点时,将邻域内的像素值进行均值替换,组成二次增强图像;缺陷检测模块400,用于利用滑窗遍历二次增强图像,根据滑窗移动产生的梯度判断二次增强图像是否存在缺陷,当存在缺陷时,对二次增强图像进行阈值分割,获取缺陷位置。本发明实施例利用光学手段,尤其是可见光获取纺织品图像,能够增强图像缺陷,准确检测出纺织品的缺陷。
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)

1.一种纺织品缺陷检测识别装置,其特征在于,该装置包括以下模块:
图像采集模块,用于采集纺织品的纺织图像,并获取纺织图像的灰度图像;
初步筛选模块,用于对灰度图像进行对比度增强,获取一次增强图像;将一次增强图像划分为多个相同大小的瓦块,选取目标瓦块,分别计算其他每个瓦块与所述目标瓦块的相关性,根据相关性获取目标瓦块的相关瓦块的第一数量,根据第一数量筛选出疑似缺陷瓦块;
二次增强模块,用于对每个疑似缺陷瓦块中的每个像素点,根据其邻域像素点的像素值判断该像素点邻域内是否存在瑕疵点;当存在瑕疵点时,将邻域内的像素值进行最值替换,当不存在瑕疵点时,将邻域内的像素值进行均值替换,组成二次增强图像;
缺陷检测模块,用于利用滑窗遍历所述二次增强图像,根据滑窗移动产生的梯度判断二次增强图像是否存在缺陷,当存在缺陷时,对二次增强图像进行阈值分割,获取缺陷位置;
所述初步筛选模块还包括:
相关性计算单元,用于根据目标瓦块中每个像素点的像素值与目标瓦块的像素均值的差异,以及其他瓦块中每个像素点的像素值与其像素均值的差异,计算目标瓦块与其他瓦块之间的相关性;
所述根据相关性获取目标瓦块的相关瓦块的第一数量,包括:
对于任意一个其他瓦块,当该其他瓦块与所述目标瓦块的相关性大于预设阈值时,该其他瓦块为目标瓦块的相关瓦块;对于每个目标瓦块,记录对应的相关瓦块的数量即为第一数量。
2.根据权利要求1所述的一种纺织品缺陷检测识别装置,其特征在于,所述初步筛选模块包括:
一次增强图像获取单元,用于根据每个像素点与最小像素值的差异,以及最大像素值和最小像素值的差异对灰度图像进行图像拉伸,获取所述一次增强图像。
3.根据权利要求1所述的一种纺织品缺陷检测识别装置,其特征在于,所述初步筛选模块还包括:
疑似缺陷瓦块筛选单元,用于获取所述第一数量的最大值和最小值,以最大值和最小值的平均值作为筛选阈值,选取第一数量小于筛选阈值的目标瓦块作为所述疑似缺陷瓦块。
4.根据权利要求1所述的一种纺织品缺陷检测识别装置,其特征在于,所述二次增强模块包括:
瑕疵点判断单元,用于以每个像素点作为中心点,获取该中心点的邻域像素点的像素值,并获取所有像素值的极差,当极差大于瑕疵阈值时,该像素点的邻域内存在瑕疵点。
5.根据权利要求4所述的一种纺织品缺陷检测识别装置,其特征在于,所述二次增强模块还包括:
最值替换单元,用于当中心点的邻域内存在瑕疵点时,将该中心点邻域内所有像素点的像素值分别与邻域内的最大值和最小值做差,以差值更小的最值替换中心点像素值。
6.根据权利要求4所述的一种纺织品缺陷检测识别装置,其特征在于,所述二次增强模块还包括:
均值替换单元,用于当中心点的邻域内不存在瑕疵点时,以该中心点邻域内所有像素点的平均值替换中心点像素值。
7.根据权利要求1所述的一种纺织品缺陷检测识别装置,其特征在于,所述缺陷检测模块包括:
缺陷判断单元,用于获取相邻滑动时刻的滑窗内像素点平均灰度的差值作为梯度,当梯度大于梯度阈值时,该二次增强图像中存在缺陷。
8.根据权利要求1所述的一种纺织品缺陷检测识别装置,其特征在于,该装置还包括以下模块:
缺陷验证模块,用于统计缺陷位置处的缺陷像素点的数量,当缺陷像素点在二次增强图像中的数量比例大于比例阈值时,二次增强图像中的缺陷位置为实际缺陷位置,否则为噪声。
CN202210511289.8A 2022-05-12 2022-05-12 一种纺织品缺陷检测识别装置 Active CN114627111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210511289.8A CN114627111B (zh) 2022-05-12 2022-05-12 一种纺织品缺陷检测识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210511289.8A CN114627111B (zh) 2022-05-12 2022-05-12 一种纺织品缺陷检测识别装置

Publications (2)

Publication Number Publication Date
CN114627111A CN114627111A (zh) 2022-06-14
CN114627111B true CN114627111B (zh) 2022-07-29

Family

ID=81906280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210511289.8A Active CN114627111B (zh) 2022-05-12 2022-05-12 一种纺织品缺陷检测识别装置

Country Status (1)

Country Link
CN (1) CN114627111B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820597B (zh) * 2022-06-24 2022-09-20 江苏欧盛液压科技有限公司 一种基于人工智能的冶炼品缺陷检测方法、装置及系统
CN114820627B (zh) * 2022-06-30 2022-09-09 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN114998321B (zh) * 2022-07-19 2023-12-29 南通博纳纺织品有限公司 一种基于光学手段的纺织材料表面毛羽程度识别方法
CN115100206B (zh) * 2022-08-26 2022-12-09 南通永安纺织有限公司 用于具有周期图案纺织物的印花缺陷识别方法
CN115100212B (zh) * 2022-08-29 2022-11-18 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN115115635B (zh) * 2022-08-30 2022-11-15 江苏万喜登家居科技有限公司 用于纺织品漂白工艺的漂白质量识别方法
CN115131348B (zh) * 2022-08-30 2022-11-15 海门喜满庭纺织品有限公司 一种纺织品表面缺陷的检测方法及系统
CN115239737B (zh) * 2022-09-26 2022-12-13 淄博永丰环保科技有限公司 基于图像处理的瓦楞纸缺陷检测方法
CN115311264B (zh) * 2022-10-10 2022-12-20 韩玉世家(南通)纺织品有限公司 用于纺织生产的织物瑕疵线条缺陷识别方法
CN115311289A (zh) * 2022-10-12 2022-11-08 南通甜享纺织品有限公司 一种素色布匹油渍缺陷检测方法
CN115311303B (zh) * 2022-10-12 2023-04-14 南通富兰妮纺织品有限公司 一种纺织品经纬缺陷检测方法
CN115684176B (zh) * 2022-10-24 2024-07-12 浙江荣图智能科技有限公司 一种薄膜表面缺陷在线视觉检测系统
CN115375686B (zh) * 2022-10-25 2023-01-24 山东鲁玻玻璃科技有限公司 一种基于图像处理的玻璃边缘瑕疵检测方法
CN116084075B (zh) * 2023-03-06 2023-07-07 山东新科凯邦通信器材有限公司 一种基于自调节的纺织品制备系统
CN116630899B (zh) * 2023-07-21 2023-10-20 四川公路工程咨询监理有限公司 一种高速公路边坡病害监测预警系统
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
CN117237310B (zh) * 2023-09-26 2024-03-12 日照鼎立钢构股份有限公司 一种基于图像识别的钢结构件缺陷检测方法及系统
CN117291925B (zh) * 2023-11-27 2024-01-26 巴苏尼制造(江苏)有限公司 基于图像特征的纺织品表面缺陷检测系统
CN117408995B (zh) * 2023-12-11 2024-05-24 东莞市时实电子有限公司 基于多特征融合的电源适配器外观质量检测方法
CN117830299B (zh) * 2024-03-04 2024-05-17 湖南南源新材料有限公司 一种无纺布表面缺陷检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158272A (zh) * 2015-09-22 2015-12-16 浙江工商大学 一种纺织品缺陷检测方法
CN106093066A (zh) * 2016-06-24 2016-11-09 安徽工业大学 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN110009638A (zh) * 2019-04-12 2019-07-12 重庆交通大学 基于局部统计特征的桥梁拉索图像外观缺陷检测方法
CN113643289A (zh) * 2021-10-13 2021-11-12 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和系统
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法
CN113820319A (zh) * 2021-09-11 2021-12-21 苏州兆能视觉科技有限公司 一种纺织品表面缺陷检测装置与方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8885077B2 (en) * 2013-01-07 2014-11-11 Altasens, Inc. Dynamic, local edge preserving defect pixel correction for image sensors

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158272A (zh) * 2015-09-22 2015-12-16 浙江工商大学 一种纺织品缺陷检测方法
CN106093066A (zh) * 2016-06-24 2016-11-09 安徽工业大学 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN110009638A (zh) * 2019-04-12 2019-07-12 重庆交通大学 基于局部统计特征的桥梁拉索图像外观缺陷检测方法
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法
CN113820319A (zh) * 2021-09-11 2021-12-21 苏州兆能视觉科技有限公司 一种纺织品表面缺陷检测装置与方法
CN113643289A (zh) * 2021-10-13 2021-11-12 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和系统

Also Published As

Publication number Publication date
CN114627111A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN114627111B (zh) 一种纺织品缺陷检测识别装置
CN114529549B (zh) 一种基于机器视觉的布匹缺陷标注方法及系统
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
WO2023077404A1 (zh) 缺陷检测方法、装置和系统
CN108629775B (zh) 一种热态高速线材表面图像处理方法
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
CN114494259B (zh) 一种基于人工智能的布匹缺陷检测方法
CN115311290A (zh) 一种精密仪器金属零部件缺陷检测方法
CN108846397B (zh) 一种基于图像处理的电缆半导电层自动检测方法
CN112823352B (zh) 碱基识别方法、系统和测序系统
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN115457031A (zh) 基于x射线的集成箱体内部缺陷识别方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN114842005B (zh) 一种基于半监督网络的纺织物表面疵点检测方法及系统
CN116523923B (zh) 一种电池外壳缺陷识别方法
JP4250931B2 (ja) 外観検査装置および外観検査方法
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN110706224A (zh) 基于暗场图像的光学元件弱划痕检测方法、系统和装置
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN107969148A (zh) 图像分析系统和方法
CN118365635B (zh) 一种包装覆膜表面缺陷视觉检测方法及系统
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
CN117333467A (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
JP2011008482A (ja) 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム

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