CN114693652A - 基于高斯混合模型的织物缺陷检测方法 - Google Patents

Abstract

本发明涉及织物缺陷检测领域，具体涉及基于高斯混合模型的织物缺陷检测方法。方法包括：对待检测织物的图像和无缺陷织物的图像进行分块处理，得到各第一分块图像和各参考分块图像；根据各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，计算匹配度；根据匹配度得到与各第一分块图像匹配度最大的参考分块图像；根据各第一分布曲线上各像素点与匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，得到各第一分块图像的累计距离曲线；对累计距离曲线进行变点检测，若某第一分块图像的累计距离曲线存在变点，则根据变点的数量和像素值得到该第一分块图像的缺陷区域。本发明提高了织物缺陷的检测效率，降低了误检率。

Description

基于高斯混合模型的织物缺陷检测方法

技术领域

本发明涉及织物缺陷检测领域，具体涉及基于高斯混合模型的织物缺陷检测方法。

背景技术

织物是人们生活中必不可少的产品，主要分为针织布和梭织布。然而，在织造过程中，由于机械问题、纱线问题和加工问题等原因，生产出的织物表面会存在各种各样的缺陷，缺陷的存在会严重影响到产品质量的等级，从而影响企业的利益。因此为确保产品质量，织物缺陷检测是织物生产中自动化视觉检测和质量控制的核心部分。现有的织物缺陷检测主要还是由人工视觉离线检测来完成，该方法检测效率较低，检测结果受检测人员主观影响较大，误检率较高。

发明内容

为了解决现有方法检测织物缺陷时存在的效率较低的问题，本发明的目的在于提供一种基于高斯混合模型的织物缺陷检测方法，所采用的技术方案具体如下：

本发明提供了一种基于高斯混合模型的织物缺陷检测方法,该方法包括以下步骤：

获取待检测织物的图像和对应的无缺陷织物的图像；分别对待检测织物的图像和对应的无缺陷织物的图像进行分块处理，得到各第一分块图像和各参考分块图像；

计算各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离；根据所述各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，计算各第一分块图像与各参考分块图像的匹配度；根据各第一分块图像与各参考分块图像的匹配度，得到与各第一分块图像匹配度最大的参考分块图像；

根据各第一分块图像中像素点的像素值，得到各第一分布曲线；根据各参考分块图像中像素点的像素值，得到各参考分布曲线；根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，得到各第一分块图像对应的累计距离曲线；

对所述各第一分块图像对应的累计距离曲线进行变点检测；若某第一分块图像对应的累计距离曲线存在变点，则根据对应变点的数量和变点对应的像素值得到该第一分块图像的缺陷区域。

优选的，计算各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，包括：采用如下公式计算各第一分块图像与各参考分块图像的匹配数量比：

其中，Mq为某第一分块图像与某参考分块图像的匹配数量比，n为该参考分块图像中特征点的数量，N为该第一分块图像中特征点的数量。

采用如下公式计算各第一分块图像与各参考分块图像的平均匹配距离：

其中，Md为某第一分块图像与某参考分块图像的平均匹配距离，d_a为该第一分块图像中第a个特征点和其在参考分块图像中相匹配的特征点的欧式距离。

优选的，采用如下公式计算各第一分块图像与各参考分块图像的匹配度：

M＝Mq*Md

其中，M为某第一分块图像与某参考分块图像的匹配度，Mq为该第一分块图像与该参考分块图像的匹配数量比，Md为该第一分块图像与该参考分块图像的平均匹配距离。

优选的，所述根据各第一分块图像中像素点的像素值，得到各第一分布曲线，包括：

根据各第一分块图像中像素点的像素值，得到各第一分块图像对应的直方图；

根据所述各第一分块图像对应的直方图，得到各第一分块图像的混合高斯分布；

根据所述各第一分块图像的混合高斯分布，得到各第一分布曲线。

优选的，述根据各参考分块图像中像素点的像素值，得到各参考分布曲线，包括：

根据各参考分块图像中像素点的像素值，得到各参考分块图像对应的直方图；

根据所述各参考分块图像对应的直方图，得到各参考分块图像的混合高斯分布；

根据所述各参考分块图像的混合高斯分布，得到各参考分布曲线。

优选的，所述根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，得到各第一分块图像对应的累计距离曲线，包括：

根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，计算各第一分块图像中各像素点的累计距离；

根据所述各第一分块图像中各像素点的累计距离，得到各第一分块图像对应的累计距离曲线；所述累计距离曲线的横坐标为各像素值的标号，纵坐标为各像素值对应的累计距离。

优选的，采用如下公式计算各第一分块图像中各像素点的累计距离：

其中，d_i ^′为某第一分块图像中第i个像素点的累计距离，

为该第一分块图像对应的第一分布曲线上第j个像素点的概率密度，

为该第一分块图像对应的第一分布曲线上第j个像素点和其在对应的参考分块图像中相匹配的第k个像素点的概率密度，m_j为该第一分块图像中第j个像素点与其在对应的参考分块图像中匹配的像素点的个数。

优选的，所述根据对应变点的数量和变点对应的像素值得到该第一分块图像的缺陷区域，包括：

若该第一分块图像对应的累计距离曲线上变点数量为1，则将变点对应的像素值到该第一分块图像最大像素值之间所有像素值对应的像素点判定为该第一分块图像的缺陷区域内的像素点；

若该第一分块图像对应的累计距离曲线上变点数量为2，则将两个变点之间的像素值对应的像素点判定为该第一分块图像的缺陷区域内的像素点。

本发明具有如下有益效果：本发明将待检测织物的图像和无缺陷织物的图像进行分块处理，获取与每块待检测织物的图像匹配度最大的无缺陷图像，根据每块待检测织物的图像的分布曲线和与每块待检测织物的图像匹配度最大的无缺陷图像的分布曲线，进行像素点匹配，得到每块待检测织物的图像对应的累计距离曲线，本发明根据每块待检测织物的图像对应的累计距离曲线中变点的数量和变点对应的像素值得到每块待检测织物图像的缺陷区域，降低了误检率和漏检率。本发明无需再依赖人工对待检测织物进行缺陷检测，解决了现有依赖人工对待检测织物进行缺陷检测存在的效率较低的问题。

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为本发明提供的一种基于高斯混合模型的织物缺陷检测方法的流程图。

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高斯混合模型的织物缺陷检测方法进行详细说明如下。

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高斯混合模型的织物缺陷检测方法的具体方案。

基于高斯混合模型的织物缺陷检测方法实施例

现有方法检测织物缺陷时存在的效率较低的问题。为了解决上述问题，本实施例提出了基于高斯混合模型的织物缺陷检测方法，如图1所示，本实施例的基于高斯混合模型的织物缺陷检测方法包括以下步骤：

步骤S1，获取待检测织物的图像和对应的无缺陷织物的图像；分别对待检测织物的图像和对应的无缺陷织物的图像进行分块处理，得到各第一分块图像和各参考分块图像。

本实施例为了检测织物表面是否存在缺陷，因此不仅需要采集待检测织物的图像，还需要采集与待检测织物样式相同的无缺陷织物的图像，并将其作为样本。具体的，对于生产流水线上的织物利用相机进行图像采集，所述相机布置在流水线固定位置，以俯视视角拍摄，最终得到待检测织物的图像。本实施例中所用相机为黑白相机。同时采集与待检测织物样式相同的无缺陷织物的图像。对待检测织物的图像和无缺陷织物的图像进行预处理，预处理包括直方图均衡化，主要目的是提高图像的对比度，同时提高后续步骤的精度。

本实施例对待检测织物的图像进行分块处理，得到多个第一分块图像。本实施例分块的大小为p*p，p的值根据实际需要进行设定。

同理，对无缺陷织物的图像同样进行分块处理，得到多个参考分块图像，分块的大小也为p*p，即保证各参考分块图像的大小与各第一分块图像的大小一致。

步骤S2，计算各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离；根据所述各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，计算各第一分块图像与各参考分块图像的匹配度；根据各第一分块图像与各参考分块图像的匹配度，得到与各第一分块图像匹配度最大的参考分块图像。

本实施例基于各第一分块图像与各参考分块图像中特征点的匹配数量比和特征点的平均匹配距离，计算各第一分块图像与各参考分块图像的匹配度。本实施例采用SIFT方法对每个参考分块图像进行特征点检测，在具体应用中，实施者也可采用ORB、SURF等方法进行特征点检测，得到每个参考分块图像对应的特征点。同时，对每个第一分块图像进行特征点检测，得到每个第一分块图像对应的特征点。SIFT方法为现有技术，此处不再赘述。

基于特征点将各分块图像与各参考分块图像进行匹配，本实施例采用的匹配方法为暴力匹配，实施者也可采用其它匹配方法。本实施例采用如下公式计算各第一分块图像与各参考分块图像的匹配数量比：

其中，Mq为某第一分块图像与某参考分块图像的匹配数量比，n为该参考分块图像中特征点的数量，N为该第一分块图像中特征点的数量。匹配数量比Mq越大，说明两个分块图像越相似。

本实施例计算各第一分块图像与各参考分块图像的平均匹配距离，具体公式为：

其中，Md为某第一分块图像与某参考分块图像的平均匹配距离，d_a为该第一分块图像中第a个特征点和其在参考分块图像中相匹配的特征点的欧式距离。

本实施例基于各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，计算各第一分块图像与各参考分块图像的匹配度，匹配数量比越大，匹配度越大；平均匹配距离越大，匹配度越大。本实施例具体计算各第一分块图像与各参考分块图像的匹配度的公式为：

M＝Mq*Md

其中，M为某第一分块图像与某参考分块图像的匹配度。匹配度反映这两个分块图像的相似度，匹配度越大，说明这两个分块图像的特征描述越相似。

本实施例计算了各第一分块图像与各参考分块图像的匹配度，将与各第一分块图像匹配度最大的参考分块图像作为各第一分块图像对应的参考分块图像。

步骤S3，根据各第一分块图像中像素点的像素值，得到各第一分布曲线；根据各参考分块图像中像素点的像素值，得到各参考分布曲线；根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，得到各第一分块图像对应的累计距离曲线。

根据每个参考分块图像中像素点的像素值，得到每个参考分块图像的直方图，并将其存储在数据库中；对每个参考分块图像进行直方图统计，获取像素值与像素频数的关系，根据像素值与像素频数的关系进行混合高斯建模，得到混合高斯分布，基于混合高斯分布获取像素值与像素值概率密度关系曲线，记为参考分布曲线，一个参考分块图像对应一个参考分布曲线，参考分布曲线反映的是对应参考分块图像中像素值的分布情况。

同理，根据每个第一分块图像中像素点的像素值，得到每个第一分块图像的直方图，对每个第一分块图像进行直方图统计获取像素值与像素频数的关系，根据像素值与像素频数的关系进行混合高斯建模，得到混合高斯分布，获取基于混合高斯分布的像素值与像素值概率密度关系曲线，记为第一分布曲线，一个第一分块图像对应一个第一分布曲线，第一分布曲线反映得到是对应第一分块图像中像素值的分布情况。

对于任一第一分块图像：对其对应的第一分布曲线和与其匹配度最大的参考分块图像对应的参考分布曲线进行相似度度量，本实施例相似性度量采用的是弹性相似性度量DTW。与欧几里德距离等度量相比，DTW是一种弹性相似度量，它允许两个时间序列之间点的一对多对齐(“扭曲”)，可以避免图像噪声引起的误差。采用DTW获取第一分布曲线中每个点与参考分布曲线中每个点的匹配关系，该匹配关系可能为一个点与多个点匹配。DTW为现有方法，此处不再赘述。本实施例首先计算匹配点之间的距离，所述距离为两点的概率密度的差值的绝对值。根据概率密度的差值的绝对值得到累计距离，本实施例计算每个像素点的累计距离的公式为：

其中，d_i ^′为某第一分块图像中第i个像素点的累计距离，

为该第一分块图像对应的第一分布曲线上第j个像素点的概率密度，

为该第一分块图像对应的第一分布曲线上第j个像素点和其在对应的参考分块图像中相匹配的第k个像素点的概率密度，m_j为该第一分块图像中第j个像素点与其在对应的参考分块图像中匹配的像素点的个数。

本实施例根据各像素值对应的累计距离，得到该第一分块图像对应的累计距离曲线，该累计距离曲线的横坐标为各像素值的标号，纵坐标为各像素值对应的累计距离。

至此，得到各第一分块图像对应的累计距离曲线。

步骤S4，对所述各第一分块图像对应的累计距离曲线进行变点检测；若某第一分块图像对应的累计距离曲线存在变点，则根据对应变点的数量和变点对应的像素值得到该第一分块图像的缺陷区域。

对于织物而言，缺陷区域与正常区域像素相差较大，本实施例基于步骤S3中得到的每个第一分块图像对应的累计距离曲线，判断每个第一分块图像是否存在缺陷。

具体的，采用贝叶斯在线变点检测方法对每个第一分块图像对应的累计距离曲线进行变点检测，贝叶斯在线变点检测为公知技术，此处不再赘述。判断每个第一分块图像对应的累计距离曲线是否存在变点，若不存在，说明累计距离曲线是平滑的，该第一分块图像与其对应的参考分块图像纹理变化较一致，即该第一分块图像不存在缺陷；若存在，说明织物出现了缺陷，导致累计距离发生了变化。

当某个第一分块图像存在缺陷时，采用如下方法获取该第一分块图像的缺陷区域：

若该第一分块图像对应的累计距离曲线上变点数量为1，则说明变点对应的像素值到该第一分块图像最大像素值之间所有像素值对应的像素点为织物缺陷对应的像素点；

若该第一分块图像对应的累计距离曲线上变点数量为2，则说明两个变点之间的像素值即为织物缺陷像素点对应的像素值的变化区间，即这两个变点之间的像素值对应的像素点为织物缺陷区域的像素点；

若该第一分块图像对应的累计距离曲线上变点数量为3，则说明待检测织物存在多种缺陷，即第一个变点和第二个变点之间的像素值对应的像素点为一种缺陷对应的像素点，第三个变点对应的像素值到该第一分块图像的最大像素值之间的所有像素值对应的像素点为另一种缺陷对应的像素点；

若该第一分块图像对应的累计距离曲线上变点数量为4，第一个变点和第二个变点之间的像素值对应的像素点为一种缺陷对应的像素点，第三个变点和第四个变点之间的像素值对应的像素点为该第一分块图像另一种缺陷对应的像素点；

以此类推，根据每个变点的位置，得到每个第一分块图像的缺陷区域，进而得到待检测织物的缺陷区域。

为了标注待检测织物的缺陷区域，可将织物正常像素点的像素值全部归为0，将缺陷像素点的像素值归为255。

本实施例将待检测织物的图像和无缺陷织物的图像进行分块处理，获取与每块待检测织物的图像匹配度最大的无缺陷图像，根据每块待检测织物的图像的分布曲线和与每块待检测织物的图像匹配度最大的无缺陷图像的分布曲线，进行像素点匹配，得到每块待检测织物的图像对应的累计距离曲线，本实施例根据每块待检测织物的图像对应的累计距离曲线中变点的数量和变点对应的像素值得到每块待检测织物图像的缺陷区域，降低了误检率和漏检率。本实施例无需再依赖人工对待检测织物进行缺陷检测，解决了现有依赖人工对待检测织物进行缺陷检测存在的效率较低的问题。

需要说明的是：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)

1.一种基于高斯混合模型的织物缺陷检测方法，其特征在于，该方法包括以下步骤：

获取待检测织物的图像和对应的无缺陷织物的图像；分别对待检测织物的图像和对应的无缺陷织物的图像进行分块处理，得到各第一分块图像和各参考分块图像；

计算各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离；根据所述各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，计算各第一分块图像与各参考分块图像的匹配度；根据各第一分块图像与各参考分块图像的匹配度，得到与各第一分块图像匹配度最大的参考分块图像；

根据各第一分块图像中像素点的像素值，得到各第一分布曲线；根据各参考分块图像中像素点的像素值，得到各参考分布曲线；根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，得到各第一分块图像对应的累计距离曲线；

对所述各第一分块图像对应的累计距离曲线进行变点检测；若某第一分块图像对应的累计距离曲线存在变点，则根据对应变点的数量和变点对应的像素值得到该第一分块图像的缺陷区域。

2.根据权利要求1所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，计算各第一分块图像与各参考分块图像的匹配数量比和平均匹配距离，包括：

采用如下公式计算各第一分块图像与各参考分块图像的匹配数量比：

其中，Mq为某第一分块图像与某参考分块图像的匹配数量比，n为该参考分块图像中特征点的数量，N为该第一分块图像中特征点的数量。

采用如下公式计算各第一分块图像与各参考分块图像的平均匹配距离：

其中，Md为某第一分块图像与某参考分块图像的平均匹配距离，d_a为该第一分块图像中第a个特征点和其在参考分块图像中相匹配的特征点的欧式距离。

3.根据权利要求1所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，采用如下公式计算各第一分块图像与各参考分块图像的匹配度：

M＝Mq*Md

其中，M为某第一分块图像与某参考分块图像的匹配度，Mq为该第一分块图像与该参考分块图像的匹配数量比，Md为该第一分块图像与该参考分块图像的平均匹配距离。

4.根据权利要求1所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，所述根据各第一分块图像中像素点的像素值，得到各第一分布曲线，包括：

根据各第一分块图像中像素点的像素值，得到各第一分块图像对应的直方图；

根据所述各第一分块图像对应的直方图，得到各第一分块图像的混合高斯分布；

根据所述各第一分块图像的混合高斯分布，得到各第一分布曲线。

5.根据权利要求1所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，所述根据各参考分块图像中像素点的像素值，得到各参考分布曲线，包括：

根据各参考分块图像中像素点的像素值，得到各参考分块图像对应的直方图；

根据所述各参考分块图像对应的直方图，得到各参考分块图像的混合高斯分布；

根据所述各参考分块图像的混合高斯分布，得到各参考分布曲线。

6.根据权利要求1所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，所述根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，得到各第一分块图像对应的累计距离曲线，包括：

根据各第一分布曲线上各像素点与对应的匹配度最大的参考分块图像的参考分布曲线上相匹配的像素点的概率密度，计算各第一分块图像中各像素点的累计距离；

根据所述各第一分块图像中各像素点的累计距离，得到各第一分块图像对应的累计距离曲线；所述累计距离曲线的横坐标为各像素值的标号，纵坐标为各像素值对应的累计距离。

7.根据权利要求6所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，采用如下公式计算各第一分块图像中各像素点的累计距离：

其中，d′_i为某第一分块图像中第i个像素点的累计距离，

为该第一分块图像对应的第一分布曲线上第j个像素点的概率密度，

为该第一分块图像对应的第一分布曲线上第j个像素点和其在对应的参考分块图像中相匹配的第k个像素点的概率密度，m_j为该第一分块图像中第j个像素点与其在对应的参考分块图像中匹配的像素点的个数。

8.根据权利要求1所述的一种基于高斯混合模型的织物缺陷检测方法，其特征在于，所述根据对应变点的数量和变点对应的像素值得到该第一分块图像的缺陷区域，包括：

若该第一分块图像对应的累计距离曲线上变点数量为1，则将变点对应的像素值到该第一分块图像最大像素值之间所有像素值对应的像素点判定为该第一分块图像的缺陷区域内的像素点；

若该第一分块图像对应的累计距离曲线上变点数量为2，则将两个变点之间的像素值对应的像素点判定为该第一分块图像的缺陷区域内的像素点。

Images