CN114677376A - 一种基于光照预处理的织带生产瑕疵测试方法及系统 - Google Patents
一种基于光照预处理的织带生产瑕疵测试方法及系统 Download PDFInfo
- Publication number
- CN114677376A CN114677376A CN202210595650.XA CN202210595650A CN114677376A CN 114677376 A CN114677376 A CN 114677376A CN 202210595650 A CN202210595650 A CN 202210595650A CN 114677376 A CN114677376 A CN 114677376A
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- diagonal
- window
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 title claims abstract description 33
- 238000005286 illumination Methods 0.000 title claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000004753 textile Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
- 210000002268 wool Anatomy 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及光照测试瑕疵领域，具体涉及一种基于光照预处理的织带生产瑕疵测试方法及系统。在正常光照条件下采集织带图像；利用局部二值模式算法获得所述织带图像中每个像素点的特征值，获得特征图像；对获得的特征图像光照预处理，根据织带的长度方向增加标准八邻域窗口的长度尺寸，获得多个调整窗口；以所述特征图像中的像素点作为所述调整窗口的中心，根据所述调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异；每个像素点的所述对角特征差异构成特征差分图。本发明利用人工智能优化操作系统对获得的特征图像光照预处理实现快速准确的织带异常检测。
Description
技术领域
本发明涉及光照测试瑕疵领域，具体涉及一种基于光照预处理的织带生产瑕疵测试方法及系统。
背景技术
在纺织生产过程中会因为生产工艺失误或者工作人员失误，导致纺织产品上会出现多种异常缺陷。异常缺陷的类别包括颜色异常、外观轮廓异常、纹理异常等。在产品生产过程中需要对纺织产品进行异常检测，避免影响产品批次质量。
利用人工对纺织产品进行检测费时费力，且会造成误检漏检的情况。因此现有技术中光照是影响纺织品瑕疵检测的重要因素，在不规律光照条件下的图像进行识别是非常困难
的，在没有进行光照预处理的时候，对于特殊形状的纺织产品常规检测窗口会因为尺寸不合适导致图像特征提取较少或者特征不明显，影响异常检测的精度。
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光照预处理的织带生产瑕疵测试方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于光照预处理的织带生产瑕疵测试方法，所述方法包括：
采集织带图像；利用局部二值模式算法获得所述织带图像中每个像素点的特征值，获得特征图像；
根据织带的长度方向增加标准八邻域窗口的长度尺寸，获得多个调整窗口；以所述特征图像中的像素点作为所述调整窗口的中心，根据所述调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异；每个像素点的所述对角特征差异构成特征差分图；
以所述特征差分图的均值、对比度和熵作为纹理特征；以所述特征差分图的平均纹理特征获得整体纹理特征；根据所述标准八邻域窗口内两个标准对角特征差异获得标准整体纹理特征；根据所述整体纹理特征与所述标准整体纹理特征的差异和所述调整窗口的所述长度尺寸筛选出最优调整窗口；
根据所述最优调整窗口的尺寸将所述特征图像分为多个子区域；获得每个子区域的子区域纹理特征；以所述子区域纹理特征的离散程度作为异常判别指标；根据所述异常判别指标判断所述织带图像中是否存在纹理异常。
进一步地，所述采集织带图像包括：
采集初始织带图像，去除所述初始织带图像中的背景信息并进行图像预处理操作，获得仅包含织带信息的所述织带图像。
进一步地，所述采集织带图像后还包括：
获得所述织带图像的灰度直方图，根据所述灰度直方图获得平均像素值；若所述平均像素值与预设标准平均像素值的差异大于预设差异阈值时，则认为织带存在颜色异常。
进一步地，所述采集织带图像后还包括：
检测所述织带图像中的边缘信息，获得边缘图像；根据所述边缘图像中的边缘轮廓拟合获得边缘矩形；若所述织带图像的面积和所述边缘矩形的面积比值大于预设比值阈值，则认为织带存在外观轮廓异常。
进一步地，所述利用局部二值模式算法获得所述织带图像中每个像素点的特征值，获得特征图像包括：
检测所述边缘图像中的直线信息，根据相邻直线的平均距离获得下采样窗口尺寸；根据所述下采样窗口尺寸在所述织带图像中设置下采样窗口进行下采样操作，获得下采样图像；所述下采样操作包括：
以所述下采样窗口中的平均像素值作为所述下采样图像中像素点的像素值，遍历整个所述织带图像，获得所述下采样图像；
利用局部二值模式算法获得所述下采样图像中每个像素点的特征值，获得所述特征图像。
进一步地，所述根据所述调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异包括：
获得所述调整窗口宽度方向上最顶层与最底层的两组对角像素点的差异，获得两个第一对角特征差异；
根据所述最顶层和中间层之间的多个层的平均值获得上部平均层；根据所述最底层和所述中间层之间的多个层的平均值获得下部平均层；
根据所述上部平均层与所述最底层的两组对角像素点的差异，获得两个第二对角特征差异；
根据所述下部平均层与所述最顶层的两组对角像素点的差异，获得两个第三对角特征差异；
每个所述第一对角特征差异、所述第二对角特征差异和所述第三对角特征差异为一个所述对角特征差异。
进一步地，所述根据所述整体纹理特征与所述标准整体纹理特征的差异和所述调整窗口的所述长度尺寸筛选出最优调整窗口包括：
根据所述整体纹理特征与所述标准整体纹理特征的差异和所述调整窗口的所述长度尺寸获得筛选指标；所述筛选指标与所述调整窗口的所述长度尺寸呈正比例关系，与所述整体纹理特征与所述标准整体纹理特征的差异呈反比例关系；
以最大所述筛选指标对应的所述调整窗口作为最优调整窗口。
进一步地，所述以所述子区域纹理特征的离散程度作为异常判别指标包括：
以所述子区域纹理特征的均值标准差、对比度标准差和熵标准差的和作为所述离散程度。
进一步地，所述根据所述异常判别指标判断所述织带图像中是否存在异常包括：
若所述异常判别指标大于预设异常阈值，则认为织带存在纹理异常。
本发明还提出了一种织带生产异常检测系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于光照预处理的织带生产瑕疵测试方法的步骤。
本发明具有如下有益效果：
本发明实施例通过对获得的特征图像光照预处理，避免调整窗口的尺寸过大导致获得的图像整体特征不准确，根据整体纹理特征与标准整体纹理特征的差异和调整窗口的长度尺寸筛选出最优调整窗口。进一步可根据最优调整窗口对特征图像进行局部分析。本发明实施例提出的方法能够用于计算机视觉软件等应用软件开发，并且可利用人工智能优化操作系统优化常规图像处理算法，并利用生产领域人工智能系统通过信息系统集成服务实现快速准确的织带异常检测。
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所提供的一种基于光照预处理的织带生产瑕疵测试方法流程图；
图2为本发明一个实施例所提供的一种织带图像；
图3为本发明一个实施例所提供的一种特征图像；
图4为本发明一个实施例所提供的一种调整窗口示意图；
图5为本发明一个实施例所提供的第一种异常位置在调整窗口中的分布图；
图6为本发明一个实施例所提供的第二种异常位置在调整窗口中的分布图。
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光照预处理的织带生产瑕疵测试方法及系统，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光照预处理的织带生产瑕疵测试方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于光照预处理的织带生产瑕疵测试方法流程图，该方法包括：
步骤S1：在正常光照条件下采集织带图像；利用局部二值模式算法获得所述织带图像中每个像素点的特征值，获得特征图像；
为了在自动化生产环境中实现快速准确的缺陷检测，可将生产完毕的织带放置在传送带上，在传送带郑上方合适位置部署工业相机，通过传送带的传送速度调整工业相机的采样频率，使工业相机可以清楚的拍摄到织带产品每个位置处的图像信息。
需要说明的是，在工业相机采集到的初始织带图像中包含大量的工业生产环境的图像信息，这些环境信息为背景信息，在后续分析过程中均不需要分析，因此需要将初始织带图像中的背景信息去除，进一步通过图像预处理过程消除噪声、光照等的影响，获得仅包含织带信息的织带图像。请参阅图2，其示出了本发明一个实施例所提供的一种织带图像。织带图像与织带产品的形态特征相同，长度大于宽度，即为一个狭长的长方形。
在本发明实施例中，因为织带颜色与背景信息存在较大差异，因此采用阈值分割方法去除背景信息。在其他实施例中可根据具体生产环境特征针对性地选用背景剔除方法，在此不做限定。
在本发明实施例中，预处理操作包括灰度化、均衡化、去噪等操作，图像预处理为本领域技术人员熟知的技术手段，在此不做赘述及限定。
织带在生产过程中可能会因为生产环境的问题导致表面出现脏污，即出现颜色异常。正常织带对应的织带图像中像素值分布规律，如果发生颜色异常，则会使得像素值分布混乱，因此可根据织带图像中的像素信息判断出颜色异常，具体包括：
获得织带图像的灰度直方图，根据灰度直方图获得平均像素值。若平均像素值与预设标准平均像素值的差异大于预设差异阈值时，则认为织带存在颜色异常。在本发明实施例中，差异阈值设置为5。
合格的织带边缘应是平滑整齐的。对于存在外观轮廓异常的不合格织带，其边缘会因为毛线边没有清理干净或者经纬线的线头没有藏好等情况，导致织带图像中的边缘不整齐。因此可通过织带图像中边缘的状态判断织带是否发生外观轮廓异常，具体包括：
检测织带图像中的边缘信息，获得边缘图像。根据边缘图像中的边缘轮廓拟合获得边缘矩形。若织带图像的面积和边缘矩形的面积比值大于预设比值阈值，说明织带的边缘毛糙，认为织带存在外观轮廓异常。在本发明实施例中，比值阈值设置为0.9。
局部二值模式算法为通过3*3的处理滑窗，获得滑窗内中心像素与其8邻域像素的像素值差异，将8邻域中大于中心点像素值的像素点用1表示，小于中心点的像素值用0表示，根据左上角顺时针将1、0排列，获得该中心点的二进制编码，该二进制编码对应的十进制大小为该中心点的特征值。
因为织带等纺织品是根据一条条经纬线和底线构成的，所以在分析织带图像的纹理特征时，不必逐像素计算图像中每个像素点的特征值，因此可将织带图像根据经纬线的宽度进行分块下采样，减少织带图像大小，减少局部二值模式算法的计算量，具体包括：
因为经纬线的宽度在图像中反映的是两条边缘直线之间的距离，因此对边缘图像进行直线检测，获得边缘图像中的直线信息。获得相邻直线之间的平均距离，以平均距离d作为下采样窗口尺寸，即下采样窗口大小为d*d。根据下采样窗口尺寸在织带图像中设置下采样窗口进行下采样操作，获得下采样图像；下采样操作包括：
以下采样窗口中的平均像素值作为下采样图像中像素点的像素值，遍历整个织带图像，获得下采样图像。
利用局部二值模式算法获得下采样图像中每个像素点的特征值，获得特征图像。请参阅图3，其示出了本发明一个实施例所提供的一种特征图像。
在本发明实施例中，根据相邻直线之间的距离和出现的频数构建分布直方图。为了排除无关信息对数据的影响，在分布直方图中选取大于频数阈值的数据进行平均距离计算，频数阈值的计算方法可根据具体任务所需精度进行设置，在此不做限定。
步骤S2：对获得的特征图像光照预处理，根据织带的长度方向增加标准八邻域窗口的长度尺寸，获得多个调整窗口；以特征图像中的像素点作为调整窗口的中心，根据调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异；每个像素点的对角特征差异构成特征差分图。
根据先验知识可知，如果图像中的局部存在变化，则该局部区域中会存在较大的像素值分布。常规方法是根据尺寸为3*3的标准邻域窗口处理特征图像，获得每个窗口区域内的像素差分特征。
如果织带发生跳线缺陷，导致织带中出现疵点，因为标准邻域窗口较小，会导致获取的差分特征不明显，即缺陷位置影响的窗口较少，无法获得特征明显的数据。
对于织带而言，因为织带为狭长的长方形，经纬线相对长度较大，在本发明实施例中以沿着织带长度方向的线作为经线，宽度方向的线作为纬线，即纬线较短，因此在获取差分特征时窗口宽度反映信息少，可保持窗口宽度不变，增加长度尺寸，获得多个调整窗口。以使得在特征图像中缺陷位置影响更多的调整窗口，增强异常缺陷的特征。
需要说明的是，根据先验知识可知调整窗口的长度尺寸应为奇数，因此在本发明实施例中长度尺寸的调整步长设置为2。
为了获得调整窗口中的像素差分信息，以特征图像中的像素点作为调整窗口的中心，根据调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异，具体包括：
获得调整窗口宽度方向上最顶层与最底层的两组对角像素点的差异，获得两个第一对角特征差异。
根据最顶层和中间层之间的多个层的平均值获得上部平均层。根据最底层和中间层之间的多个层的平均值获得下部平均层。
根据上部平均层与最底层的两组对角像素点的差异，获得两个第二对角特征差异。
根据下部平均层与最顶层的两组对角像素点的差异，获得两个第三对角特征差异。
每个第一对角特征差异、第二对角特征差异和第三对角特征差异为一个对角特征差异。
当缺陷位置处于调整窗口最顶层或者最底层时，第一对角特征差异明显；当缺陷位置处于调整窗口上部时，第二对角特征差异明显；当缺陷位置处于调整窗口下部时，第三对角特征差异明显。因此以第一对角特征差异、第二对角特征差异和第三对角特征差异作为对角特征差异可有效表示出异常缺陷在窗口中的分布信息。
在本发明实施例中，以5*3的调整窗口举例说明。请参阅图4，其示出了本发明一个实施例所提供的一种调整窗口示意图。其中a11、a12和a13组成调整窗口的最顶层，a31,、a32和a33组成调整窗口的中间层，因为最顶层和中间层之间仅包括一层，因此a21,、a22和a23组成调整窗口的上部平均层。以此类推，a41,、a42和a43组成调整窗口的下部平均层，a51,、a52和a53组成调整窗口的下部平均层。
则第一对角特征差异
和
为：
第二对角特征差异
和
为：
第三对角特征差异
和
为：
请参阅图5，其示出了本发明一个实施例所提供的第一种异常位置在调整窗口中的分布图。图5中的缺陷分布在了最顶层，因为
和
计算过程中均包括最顶层元素，因此第一对角特征差异更为明显。请参阅图6，其示出了本发明一个实施例所提供的第二种异常位置在调整窗口中的分布图。图6中的缺陷分布在了中上部，因为
和
的计算过程中均包括上部平均层，因此第二对角特征差异更为明显。以此类推可知，根据缺陷在调整窗口中分布位置，对应的对角特征可更为明显。通过六个对角特征差异增强了对差分特征的描述。
需要说明的是，当最顶层和中间层中包括多个层时，例如7*3的调整窗口，最顶层和中间层中包括两个层，则获得这两个层中相应元素的均值，获得三个均值元素，三个均值元素构成上部平均层。
将调整窗口遍历整个特征图像，获得每个像素点的六个对角特征差异，每个对角特征差异可构成一张特征差分图，即一张特征图像可获得六个特征差分图。特征差分图中每个像素点的像素值为对应的对角特征差异大小。
步骤S3：以特征差分图的均值、对比度和熵作为纹理特征；以特征差分图的平均纹理特征获得整体纹理特征；根据标准八邻域窗口内两个标准对角特征差异获得标准整体纹理特征；根据整体纹理特征与标准整体纹理特征的差异和调整窗口的长度尺寸筛选出最优调整窗口。
根据每个特征差分图的直方图可提取每个特征直方图的均值
、对比度
和熵
作为纹理特征。具体包括：
其中，
为特征差分图中的像素值大小，
为
在直方图中对应的频率。
为了防止调整窗口长度尺寸太大导致的特征提取不佳，以六个特征差分图的平均纹理特征作为整体纹理特征。同理标准八邻域窗口内的两个标准对角特征差异可获得一个标准整体纹理特征。根据整体纹理特征与标准整体纹理特征的差异和调整窗口的所述长度尺寸筛选出最优调整窗口，具体包括：
根据整体纹理特征与标准整体纹理特征的差异和调整窗口的长度尺寸获得筛选指标。因为调整窗口的长度尺寸越长，则越受缺陷影响，特征越明显，因此筛选指标与调整窗口的长度尺寸呈正比例关系；因为需要保证调整窗口获得的纹理特征能够在局部保持特征增强的同时，在图像整体上不应发生较大偏移，所以筛选指标与整体纹理特征与标准整体纹理特征的差异呈反比例关系。
在本发明实施例中，整体纹理特征与标准整体纹理特征的差异
获取公式包括：
其中，
、
和
为调整窗口获得的整体纹理特征，
、
和
为标准八邻域窗口获得的标准整体纹理特征。
以最大所述筛选指标对应的所述调整窗口作为最优调整窗口。
步骤S4：根据最优调整窗口的尺寸将特征图像分为多个子区域；获得每个子区域的子区域纹理特征；以子区域纹理特征的离散程度作为异常判别指标；根据异常判别指标判断织带图像中是否存在纹理异常。
为了着重于对图像中局部区域的纹理分析，根据最优调整窗口的尺寸将特征图像分为多个子区域。每个子区域可获得子区域纹理特征。如果织带上纹理均匀，不存在异常，则每个子区域的纹理特征应都相似，不存在较大差异；如果织带上存在纹理异常，则对应异常位置的子区域纹理特征与其他子区域的子区域纹理特征差异存在差异，即在特征空间中子区域纹理特征的存在波动性。
在本发明实施例中，在子区域划分过程中如果存在因为最优调整窗口尺寸导致的子区域像素缺失时，则根据缺失方向的反方向的像素对缺失位置进行填充。
以子区域纹理特征的离散程度作为异常判别指标，根据异常判别指标判断织带图像中是否存在纹理异常，具体包括：
以子区域纹理特征的均值标准差、对比度标准差和熵标准差的和作为所述离散程度
，即：
其中，
为子区域数量，
、
和
为第
个子区域的子区域纹理特征，
、
和
为所有子区域纹理特征的平均纹理特征。
若异常判别指标大于预设异常阈值，则认为织带存在纹理异常。在本发明实施例中，异常阈值设置为50。
综上所述，本发明实施例获得织带图像的特征图像。通过调整标准八邻域窗口的长度尺寸获得多个调整窗口。获得每个调整窗口下特征图像至少六个对角特征差异。根据对角特征差异获得多个特征差分图。根据特征差分图的平均纹理特征获得整体纹理特征。根据整体纹理特征和调整窗口的长度尺寸筛选出最优调整窗口。根据最优调整窗口尺寸对特征图像分块，获得多个子区域。根据子区域纹理特征的离散程度判断织带图像是否存在纹理异常。本发明实施例根据织带的形状特征对特征提取窗口进行调整并进行纹理特征提取，根据特征明显的纹理特征实现准确的织带异常检测。
本发明还提出了一种织带生产异常检测系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于光照预处理的织带生产瑕疵测试方法的步骤。
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。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 (10)
1.一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述方法包括：
在正常光照条件下采集织带图像；利用局部二值模式算法获得所述织带图像中每个像素点的特征值，获得特征图像；
对获得的特征图像光照预处理，根据织带的长度方向增加标准八邻域窗口的长度尺寸，获得多个调整窗口；以所述特征图像中的像素点作为所述调整窗口的中心，根据所述调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异；每个像素点的所述对角特征差异构成特征差分图；
以所述特征差分图的均值、对比度和熵作为纹理特征；以所述特征差分图的平均纹理特征获得整体纹理特征；根据所述标准八邻域窗口内两个标准对角特征差异获得标准整体纹理特征；根据所述整体纹理特征与所述标准整体纹理特征的差异和所述调整窗口的所述长度尺寸筛选出最优调整窗口；
根据所述最优调整窗口的尺寸将所述特征图像分为多个子区域；获得每个子区域的子区域纹理特征；以所述子区域纹理特征的离散程度作为异常判别指标；根据所述异常判别指标判断所述织带图像中是否存在纹理异常。
2.根据权利要求1所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述采集织带图像包括：
采集初始织带图像，去除所述初始织带图像中的背景信息并进行图像预处理操作，获得仅包含织带信息的所述织带图像。
3.根据权利要求1所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述采集织带图像后还包括：
获得所述织带图像的灰度直方图，根据所述灰度直方图获得平均像素值；若所述平均像素值与预设标准平均像素值的差异大于预设差异阈值时，则认为织带存在颜色异常。
4.根据权利要求1所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述采集织带图像后还包括：
检测所述织带图像中的边缘信息，获得边缘图像；根据所述边缘图像中的边缘轮廓拟合获得边缘矩形；若所述织带图像的面积和所述边缘矩形的面积比值大于预设比值阈值，则认为织带存在外观轮廓异常。
5.根据权利要求4所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述利用局部二值模式算法获得所述织带图像中每个像素点的特征值，获得特征图像包括：
检测所述边缘图像中的直线信息，根据相邻直线的平均距离获得下采样窗口尺寸；根据所述下采样窗口尺寸在所述织带图像中设置下采样窗口进行下采样操作，获得下采样图像；所述下采样操作包括：
以所述下采样窗口中的平均像素值作为所述下采样图像中像素点的像素值，遍历整个所述织带图像，获得所述下采样图像；
利用局部二值模式算法获得所述下采样图像中每个像素点的特征值，获得所述特征图像。
6.根据权利要求1所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述根据所述调整窗口内两行之间像素点与其对角像素点的差异获得至少六个对角特征差异包括：
获得所述调整窗口宽度方向上最顶层与最底层的两组对角像素点的差异，获得两个第一对角特征差异；
根据所述最顶层和中间层之间的多个层的平均值获得上部平均层；根据所述最底层和所述中间层之间的多个层的平均值获得下部平均层；
根据所述上部平均层与所述最底层的两组对角像素点的差异，获得两个第二对角特征差异；
根据所述下部平均层与所述最顶层的两组对角像素点的差异，获得两个第三对角特征差异；
每个所述第一对角特征差异、所述第二对角特征差异和所述第三对角特征差异为一个所述对角特征差异。
7.根据权利要求1所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述根据所述整体纹理特征与所述标准整体纹理特征的差异和所述调整窗口的所述长度尺寸筛选出最优调整窗口包括：
根据所述整体纹理特征与所述标准整体纹理特征的差异和所述调整窗口的所述长度尺寸获得筛选指标；所述筛选指标与所述调整窗口的所述长度尺寸呈正比例关系，与所述整体纹理特征与所述标准整体纹理特征的差异呈反比例关系；
以最大所述筛选指标对应的所述调整窗口作为最优调整窗口。
8.根据权利要求1所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述以所述子区域纹理特征的离散程度作为异常判别指标包括：
以所述子区域纹理特征的均值标准差、对比度标准差和熵标准差的和作为所述离散程度。
9.根据权利要求8所述的一种基于光照预处理的织带生产瑕疵测试方法，其特征在于，所述根据所述异常判别指标判断所述织带图像中是否存在异常包括：
若所述异常判别指标大于预设异常阈值，则认为织带存在纹理异常。
10.一种织带生产异常检测系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210595650.XA CN114677376B (zh) | 2022-05-30 | 2022-05-30 | 一种基于光照预处理的织带生产瑕疵测试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210595650.XA CN114677376B (zh) | 2022-05-30 | 2022-05-30 | 一种基于光照预处理的织带生产瑕疵测试方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114677376A true CN114677376A (zh) | 2022-06-28 |
| CN114677376B CN114677376B (zh) | 2022-08-19 |
Family
ID=82079698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210595650.XA Active CN114677376B (zh) | 2022-05-30 | 2022-05-30 | 一种基于光照预处理的织带生产瑕疵测试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114677376B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018829A (zh) * | 2022-08-03 | 2022-09-06 | 创新奇智(成都)科技有限公司 | 一种玻璃瑕疵定位方法及装置 |
| CN115345525A (zh) * | 2022-10-17 | 2022-11-15 | 江苏鑫缘医疗科技有限公司 | 基于机器视觉的肌肉绷带在线生产测试系统及方法 |
| CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160274022A1 (en) * | 2015-03-18 | 2016-09-22 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Optical method and apparatus for identifying wood species of a raw wooden log |
| CN106529547A (zh) * | 2016-10-14 | 2017-03-22 | 天津师范大学 | 一种基于完备局部特征的纹理识别方法 |
| CN109507193A (zh) * | 2018-11-06 | 2019-03-22 | 江南大学 | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 |
-
2022
- 2022-05-30 CN CN202210595650.XA patent/CN114677376B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160274022A1 (en) * | 2015-03-18 | 2016-09-22 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Optical method and apparatus for identifying wood species of a raw wooden log |
| CN106529547A (zh) * | 2016-10-14 | 2017-03-22 | 天津师范大学 | 一种基于完备局部特征的纹理识别方法 |
| CN109507193A (zh) * | 2018-11-06 | 2019-03-22 | 江南大学 | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018829A (zh) * | 2022-08-03 | 2022-09-06 | 创新奇智(成都)科技有限公司 | 一种玻璃瑕疵定位方法及装置 |
| CN115345525A (zh) * | 2022-10-17 | 2022-11-15 | 江苏鑫缘医疗科技有限公司 | 基于机器视觉的肌肉绷带在线生产测试系统及方法 |
| CN115345525B (zh) * | 2022-10-17 | 2023-02-24 | 江苏鑫缘医疗科技有限公司 | 基于机器视觉的肌肉绷带在线生产测试系统及方法 |
| CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
| CN115933787B (zh) * | 2023-03-14 | 2023-05-16 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114677376B (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114677376B (zh) | 一种基于光照预处理的织带生产瑕疵测试方法及系统 | |
| CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
| CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
| CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
| CN115330784B (zh) | 一种布匹表面缺陷检测方法 | |
| CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN115311267B (zh) | 一种格纹织物异常检测方法 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
| CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
| CN117649412B (zh) | 一种铝材表面质量的检测方法 | |
| CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
| CN115294137A (zh) | 一种布料表面渗色的缺陷检测方法 | |
| CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
| CN116309671B (zh) | 一种土工合成织物质量检测系统 | |
| 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 | |
| Zhang et al. | A method for defect detection of yarn-dyed fabric based on frequency domain filtering and similarity measurement | |
| CN115082460B (zh) | 一种织布生产线质量监控方法及系统 | |
| CN110858395A (zh) | 一种卷装长丝的污丝缺陷检测方法 | |
| CN107895371B (zh) | 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 | |
| JP2021140373A (ja) | 画像処理装置及び編物の染色品質評価方法 | |
| CN116894840B (zh) | 纺纱打样机产品质量检测方法及系统 | |
| CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
| CN112581474B (zh) | 一种基于正弦曲线扫描的工业部件视觉边缘检测方法 | |
| CN115294100A (zh) | 一种基于数据处理的织布机停车控制方法及系统 |
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 |