CN114723705A - 一种基于图像处理的布匹瑕疵的检测方法 - Google Patents

一种基于图像处理的布匹瑕疵的检测方法 Download PDF

Info

Publication number
CN114723705A
CN114723705A CN202210346881.7A CN202210346881A CN114723705A CN 114723705 A CN114723705 A CN 114723705A CN 202210346881 A CN202210346881 A CN 202210346881A CN 114723705 A CN114723705 A CN 114723705A
Authority
CN
China
Prior art keywords
window image
value
period
representing
defect
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
Application number
CN202210346881.7A
Other languages
English (en)
Other versions
CN114723705B (zh
Inventor
李惠梅
林鸿江
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.)
Shenzhen Qiling Image Technology Co ltd
Original Assignee
Haimen Hengchuang Ribbon 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 Haimen Hengchuang Ribbon Co ltd filed Critical Haimen Hengchuang Ribbon Co ltd
Priority to CN202210346881.7A priority Critical patent/CN114723705B/zh
Publication of CN114723705A publication Critical patent/CN114723705A/zh
Application granted granted Critical
Publication of CN114723705B publication Critical patent/CN114723705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T2207/30—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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像处理的布匹瑕疵的检测方法，本发明方法包括：采集布匹图像，将布匹图像分割为多个窗口图像，获取窗口图像的频率直方图，对每两个窗口图像的频率直方图进行相似性计算得到相似度值，获取每个窗口图像与其他窗口图像之间的频率相似度值的平均相似度值，根据平均相似度值绘制相似度曲线，根据相似度曲线得出相似度值的最大值，根据相似度值的最大值确定标准窗口图像，基于标准窗口图像计算位置缺陷窗口图像的布匹纹理的周期符合率，通过周期符合率确定缺陷像素点，从而有效避免布匹自身纹理的干扰，准确的定位缺陷位置，提高布匹缺陷修复位置的准确性，实用性强，值得推广。

Description

一种基于图像处理的布匹瑕疵的检测方法
技术领域
本发明涉及人工智能检测技术领域，具体涉及一种基于图像处理的布匹瑕疵的检测方法。
背景技术
在布匹生产过程中，由于机器刮蹭等原因到生产出的布匹存在瑕疵，这些瑕疵会影响布匹的外观和质量。
由于布匹自身纹理的存在导致常规的固定阈值和边缘检测方法很难定位出缺陷的位置，采用的滤波方法时，需要花费大量时间来确定出布匹自身纹理的频率信息，由于该方法得到的频率信息不够准确，因此导致滤波后效果不尽理想，进而导致布匹瑕疵的位置不能精准确定。
因此，需要一种基于图像处理的布匹瑕疵的检测方法。
发明内容
本发明提供一种有效避免布匹自身纹理的干扰，准确的定位缺陷位置的基于图像处理的布匹瑕的疵检测方法，以解决现有的问题。
本发明的一种基于图像处理的布匹瑕疵的检测方法采用如下技术方案：该方法包括：
S1、获取布匹图像，将布匹图像均匀划分多个窗口图像，获取每个窗口图像的频谱图，根据各频谱图绘制每个对应的窗口图像的频率直方图；
S2、根据频率直方图获取每两个窗口图像的频率均值差异、频率偏差差异，根据频率均值差异、频率偏差差异计算每两个窗口图像之间的频率相似度值，并计算每个窗口图像与其他窗口图像之间的频率相似度值的平均相似度值；
S3、将各窗口图像的平均相似度值获取相似度曲线，将相似度曲线变化率最大值的点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合；获取所有窗口图像中频率相似度值的最大值，最大值所对应的窗口图像为标准窗口图像；
S4、对标准窗口图像进行分析，得到两个主成分方向及各主成分方向对应的特征值；获取垂直主成分方向的的最长直线l，根据最长直线l左侧的一个初始像素点与最长直线l上所有与所述初始像素点灰度值相同的直线像素点获取布匹纹理的最小可能周期，根据每个最小可能周期计算最小周期的可能性值，根据可能性值和设定的可能性值的阈值确定满足条件的布匹纹理的最小周期；
S5、计算单个最小周期内垂直各主成分方向的像素点的灰度均值、像素点的灰度方差；并根据各主成分方向的最小周期对应的可能性值、特征值、灰度均值及灰度方差计算未知缺陷窗口图像的周期符合率；
S6、根据周期符合率对未知缺陷窗口图像进行阈值分割，得到缺陷像素点的集合，缺陷像素点的集合即为缺陷位置。
优选地，根据频率均值差异、频率偏差差异计算每两个窗口图像之间的频率相似度值的步骤包括：
对各频率直方图中的频率值进行密度聚类得到若干个类别区间，分析各类别区间的频率占比得到主类别和非主类别；
根据下式(1)计算相似度值：
Figure BDA0003576801700000021
其中，Xi,j表示第i和第j个窗口图像的频率之间的相似度值；Fi,a表示第i个窗口图像的频率直方图第a个非主类别；Fj,b表示第j个窗口图像的频率直方图第b个非主类别；Mi表示第i个窗口图像频率直方图的非主类别个数；Mj表示第j个窗口图像频率直方图的非主类别个数，
Figure BDA0003576801700000022
表示第i个窗口图像与第j个窗口图像非主类别平均波动程度差异；μi表示第i个窗口图像的频率均值；μj表示第j个窗口图像的频率均值；σi表示第i个窗口图像的频率偏差；σj表示第j个窗口图像的频率偏差；(μi-μj)2表示窗口图像之间的频率均值差异；(σi-σj)2表示窗口图像之间的频率偏差差异，(μi-μj)2*(σi-σj)2表示窗口图像频率直方图之间的整体分布差异。
优选地，将相似度曲线变化率最大值的点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合的步骤包括：
获取所述相似度曲线中的变化率最大值；
根据下式(2)计算变化率最大值处的突变性T：
Figure BDA0003576801700000031
其中，km为变化率最大值；ki表示相似度曲线的其它点变化率；n表示其它点的个数，i表示其它点；
根据突变性确定突变点，根据突变点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合。
优选地，根据突变性确定突变点，根据突变点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合的步骤包括：
当变化率最大值处的突变性T>5,则认为该点为突变点，且该窗口图像内的图像中存在缺陷；当变化率最大值处的突变性T<5，则不存在缺陷；
以突变点对应的变化率最大值作为相似度分割阈值，获取相似度值Xi>Xm的窗口图像，相似度值Xi>Xm的窗口图像的集合即为未知缺陷窗口图像集合，其余的窗口图像集合即为非缺陷窗口图像集合，其中，Xi表示突变点的相似度值，Xm表示突变点前的一个相似度值。
优选地，根据最长直线l左侧的一个初始像素点与最长直线l上所有与所述初始像素点灰度值相同的直线像素点获取布匹纹理的最小可能周期的步骤：
在最长直线l最左侧选取的一个像素点作为初始像素点，将初始像素点坐标记为(x0,y0)，并获取该像素点的灰度值；
获取最长直线l上与所述初始像素点灰度值相同的所有直线像素点，所有直线像素点的集合记为集合A，选取集合A中与初始像素点坐标(x0,y0)距离依次由近至远的第一像素点坐标(x1,y1)、第二像素点坐标(x2,y2)......第n像素点坐标(xn,yn),将第一像素点坐标(x1,y1)与初始像素点坐标(x0,y0)之间的距离d1、第二像素点坐标(x2,y2)与初始像素点坐标(x0,y0)之间的距离d2......第n像素点坐标(xn,yn)与初始像素点坐标(x0,y0)之间的距离dn；
将距离d1、d2......dn依次作为布匹纹理的最小可能周期。
优选地，根据每个最小可能周期计算最小周期的可能性值的步骤：
根据下式(3)依次将d1、d2......dn作为最小可能周期计算最小周期的可能性值：
Figure BDA0003576801700000041
其中，h0i表示初始像素点坐标(x0,y0)与第n像素点坐标(xn,yn)之间的第i个像素坐标灰度值；hji表示与第i个像素点坐标间隔j*dn距离的像素点的灰度值；ε表示防止分母为零的常量参数，取0.01；K表示在主成分方向以dn为最小周期的可能性值；m表示周期的个数；i表示单个周期内的第i个像素点；j表示第几个周期；dn表示布匹纹理的最小可能周期。
优选地，根据最小周期的可能性值和设定的可能性值的阈值确定满足条件的最小周期的步骤包括：
当周期可能性值大于可能性值的阈值时，则认为窗口图像内的像素点在主成分方向上的最小周期为d1；
当周期可能性值小于可能性值的阈值时，则认为窗口图像内的像素点在主成分方向上的最小周期不是d1,并继续验证与初始像素点坐标(x0,y0)距离第二像素点坐标(x2,y2)的距离d2,判断以d2作为最小可能周期的可能性是否满足要求，依次将距离d1、d2......dn作为布匹纹理的最小可能周期带入式(3)，得到满足条件的最小周期ds。
优选地，并根据各主成分方向的周期符合率、特征值、灰度均值及灰度方差计算未知缺陷窗口图像的周期符合率的步骤包括：
根据下式(4)计算未知缺陷窗口图像的周期符合率：
Figure BDA0003576801700000042
其中，hi,j表示第i个未知缺陷窗口图像内第j个像素点的灰度值；
Figure BDA0003576801700000043
表示与第i个未知缺陷窗口图像内第j个像素在垂直于第一主成分方向呈整数倍周期间隔的像素集合的灰度均值；
Figure BDA0003576801700000044
表示第i个未知缺陷窗口图像内第j个像素点与该像素点在垂直于第一主成分方向上呈现整数倍周期间隔像素点的灰度值差异；J表示标准窗口图像在垂直第一主成分方向上单周期的灰度均值；J1i,j表示第i个窗口图像内第j个像素点所在周期的灰度均值；σ表示标准窗口图像在单周期内垂直于布匹纹理的第一主成分方向的灰度方差，σ1i,j表示第i个窗口图像的第j个像素点所在周期的灰度方差；
Figure BDA0003576801700000051
表示第i个未知缺陷窗口图像内第j个像素在垂直于布匹纹理的第二主成分方向的呈现整数倍周期间隔的像素集合；
Figure BDA0003576801700000052
表示第i个未知缺陷窗口图像内第j个像素点与该像素点在垂直于布匹纹理的第一主成分方向上呈现整数倍周期间隔像素点的灰度值差异；|J-J2i,j||σ-σ2i,j|表示含义可以类比第一主成分；γ1表示在布匹纹理的第一主成分方向的第一特征值；γ2表示在布匹纹理的第二主成分方向的第二特征值；K1表示垂直于布匹纹理的第一主成分方向以ds1为最小周期的可能性值，K2表示垂直于布匹纹理的第二主成分方向以ds2为最小周期的可能性值；γ1*K1表示在标准窗口图像在布匹纹理的第一主成分方向的周期可能性权重；γ2*K2表示标准窗口图像在布匹纹理的第二主成分方向周期可能性权重。
优选地，根据周期符合率对未知缺陷窗口图像进行阈值分割，得到缺陷像素点的集合，缺陷像素点的集合即为缺陷位置的步骤包括：
根据周期符合率对第i个可能缺陷窗口图像进行阈值分割；
将周期符合率Fi,j大于周期符合率阈值θ的像素灰度值设置为255，将周期符合率Fi,j小于周期符合率阈值θ的像素灰度值设置为0，分割出缺陷像素点集合。
本发明的有益效果是：本发明的一种基于图像处理的布匹瑕疵的检测方法，通过采集布匹图像，将布匹图像分割为多个窗口图像，获取窗口图像的频率直方图，对各窗口图像的频率直方图进行相似性计算得到相似度曲线，根据相似度曲线得出相似度值的最大值，根据相似度值的最大值确定标准窗口图像，基于标准窗口图像计算位置缺陷窗口图像的布匹纹理的周期符合率，通过周期符合率确定缺陷像素点，从而有效避免布匹自身纹理的干扰，准确的定位缺陷位置，提高布匹缺陷修复位置的准确性，实用性强，值得推广。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于图像处理的布匹瑕疵的检测方法的实施例总体步骤的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于图像处理的布匹瑕疵的检测方法的实施例，如图1所示，该方法包括：
S1、获取布匹图像；具体的，S11、采集布匹照片，在布匹生产线的布匹织布工序完成后，通过传送带传输至某个位置，在该位置的传输带的正上方设置相机，当传输带将布匹传送到该相机下侧时，相机采集布匹照片；S12、对布匹照片进行灰度化处理，即将布匹照片从RGB颜色空间转换到灰度空间；S13、为了防止布匹照片中有背景元素的干扰，因而需分割出只有布匹区域的布匹图像，由于布匹样式多种多样，所以本发明采用DNN语义分割的方式来分割出布匹图像，其中，定义需要分割的像素，共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于布匹类的标注为1，利用的loss函数为交叉熵损失函数；至此，通过DNN语义分割获取获取布匹图像。
由于布匹中自身纹理的干扰，目前布匹瑕疵检测，多利用频域空间信息，找出布匹自身纹理的频段，进而通过滤波将布匹自身纹理去除。然而该过程中布匹自身频段的确定较为困难，有时虽然大致估计出布匹纹理频段值，但是由于布匹自身纹理的排布规则并不是那个完美，会存在一定的波动区间，因而采用常规方式很容易被干扰，导致分割出的缺陷区域不够精确，具体的，S121、将布匹图像均匀划分多个16*16个窗口图像，将哥窗口图像通过傅里叶变换转化至频域空间，然后获取每个窗口图像对应的频谱图，根据各频谱图绘制每个对应的窗口图像的频率直方图，利用频率值拟合出直方图曲线，并对直方图曲线进行高斯平滑消除小型波动。
S2、根据频率直方图获取每两个窗口图像的频率均值差异、频率偏差差异，根据频率均值差异、频率偏差差异计算每两个窗口图像之间的频率相似度值，并计算每个窗口图像与其他窗口图像之间的频率相似度值的平均相似度值。
具体的，对各频率直方图中的频率值进行密度聚类得到若干个类别区间，分析各类别区间的频率占比得到主类别和非主类别；
根据下式(1)计算相似度值：
Figure BDA0003576801700000071
其中，Xi,j表示第i和第j个窗口图像的频率之间的相似度值；Fi,a表示第i个窗口图像的频率直方图第a个非主类别；Fj,b表示第j个窗口图像的频率直方图第b个非主类别；Mi表示第i个窗口图像频率直方图的非主类别个数；Mj表示第j个窗口图像频率直方图的非主类别个数，
Figure BDA0003576801700000072
表示第i个窗口图像与第j个窗口图像非主类别的平均波动程度差异；μi表示第i个窗口图像的频率均值；μj表示第j个窗口图像的频率均值；σi表示第i个窗口图像的频率偏差；σj表示第j个窗口图像的频率偏差；(μi-μj)2表示窗口图像之间的频率均值差异；(σi-σj)2表示窗口图像之间的频率偏差差异，(μi-μj)2*(σi-σj)2表示窗口图像频率直方图之间的整体分布差异。
其中，设置平均波动程度差异的目的是：由于非缺陷区域频率相似度较高，因而非缺陷区域的频率直方图应该为单峰直方图，即使不是单峰，其非主峰的波动程度也较小。而由于缺陷区域存在的缺陷改变了布匹的纹理特征，即其分布频率发生改变，因而缺陷区域就会形成一个或多个频率峰值，并且该峰值的波动程度较大。因而通过设置窗口图像之间频率的非主峰平均波动差异来反应窗口图像之间的频率差异，以便于能够凸显出缺陷的位置。
S3、将各窗口图像的平均相似度值获取相似度曲线，将相似度曲线变化率最大值的点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合；获取所有窗口图像中频率相似度值的最大值，最大值所对应的窗口图像为标准窗口图像。
具体的，S31、获取所述相似度曲线中的变化率最大值；
S32、根据下式(2)计算变化率最大值处的突变性T：
Figure BDA0003576801700000073
其中，km为变化率最大值；ki表示相似度曲线的其它点变化率；n表示其它点的个数，i表示其它点，
S33、根据突变性确定突变点，根据突变点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合，具体的，S331、当变化率最大值处的突变性T>5,则认为该点为突变点，且该窗口图像内的图像中存在缺陷；当变化率最大值处的突变性T<5，则不存在缺陷。
S332、以突变点对应的变化率最大值作为相似度分割阈值，获取相似度值Xi>Xm的窗口图像，相似度值Xi>Xm的窗口图像的集合即为可能存在缺陷的窗口图像集合，其余的窗口图像集合即为非缺陷窗口图像集合，其中，Xi表示突变点的相似度值，Xm表示突变点前的一个相似度值。
S34、由于非缺陷窗口图像的相似度最大说明大多数窗口图像的均符合窗口图像内频率分布规律，因此，相似度最大值对应的窗口图像能够反应非缺陷区域的纹理分布规则，进而选择相似度最大值对应的窗口图像作为标准窗口图像。
S4、对标准窗口图像进行分析，得到两个主成分方向及各主成分方向对应的特征值；具体的，S41、对标准窗口图像进行PCA分析，得到标准窗口图像的第一主成分方向、第二主成分方向及第一主成分方向对应的第一特征值γ1，第二主成分方向对应的第二特征值γ2.
S42、获取垂直第一主成分方向的若干条直线，选取若干条直线中的最长直线l，在最长直线l最左侧选取的一个像素点作为初始像素点，获取直线l上与所述初始像素点灰度值相同的直线像素点集合，将初始像素点与直线像素点集合中每个直线像素点集合的距离作为布匹纹理的最小可能周期；具体的，S421、将初始像素点坐标记为(x0,y0)，并获取该像素点的灰度值；S422、初始像素点灰度值相同的直线像素点集合记为集合A，选取集合A中与初始像素点坐标(x0,y0)距离依次由近至远的第一像素点坐标(x1,y1)、第二像素点坐标(x2,y2)......第n像素点坐标(xn,yn),将第一像素点坐标(x1,y1)与初始像素点坐标(x0,y0)之间的距离d1、第二像素点坐标(x2,y2)与初始像素点坐标(x0,y0)之间的距离d2......第n像素点坐标(xn,yn)与初始像素点坐标(x0,y0)之间的距离dn；S423、将距离d1、d2......dn依次作为布匹纹理的最小可能周期。
S43、根据每个第一主成分方向的最小可能周期计算第一主成分方向的最小周期的可能性值
具体的，根据下式(3)依次将d1、d2......dn作为最小可能周期计算第一主成分方向的最小周期的可能性值：
Figure BDA0003576801700000091
其中，h0i表示初始像素点坐标(x0,y0)与像素点坐标(x1,y1)之间的第i个像素坐标灰度值；h1i表示与第i个像素坐标间隔j*d1距离的像素点的灰度值；ε表示防止分母为零的常量参数，取0.01；K1表示在第一主成分方向以ds1为最小周期的可能性值；m表示周期的个数；i表示单个周期内的第i个像素点；j表示第几个周期；dn表示布匹纹理的最小可能周期。
S44、根据最小周期的可能性值和设定的可能性值的阈值确定满足条件的最小周期：
具体的，S441、设定可能性值的阈值为δ；
S442、当K1>δ时，则认为窗口图像内的像素在第一主成分方向上的最小周期为d1；
当K1<δ时，则认为像素在第一主成分方向上的最小周期不是d1,并继续验证与初始像素点坐标(x0,y0)距离第二的像素坐标的距离d2,判断以d2作为周期的可能性是否满足要求，以此类推循环上述判断过程，得到满足条件的最小周期ds1及最小周期ds对应的可能性值K1，其中，重复S42到S44步骤获取第二主成分方向的最小周期，得到满足条件的最小周期ds2及对应的可能性值K2。
S5、计算单个最小周期内垂直各主成分方向的像素点的灰度均值、像素点的灰度方差；根据各主成分方向的最小周期对应的可能性值、特征值、灰度均值及灰度方差计算未知缺陷窗口图像的周期符合率。
具体的，根据下式(4)计算未知缺陷窗口图像的周期符合率：
Figure BDA0003576801700000092
其中，hi,j表示第i个未知缺陷窗口图像内第j个像素点的灰度值；
Figure BDA0003576801700000093
表示与第i个未知缺陷窗口图像内第j个像素在垂直于第一主成分方向呈整数倍周期间隔的像素集合的灰度均值；
Figure BDA0003576801700000094
表示第i个未知缺陷窗口图像内第j个像素点与该像素点在垂直于第一主成分方向上呈现整数倍周期间隔像素点的灰度值差异；J表示标准窗口图像在垂直第一主成分方向上单周期的灰度均值；J1i,j表示第i个窗口图像内第j个像素点所在周期的灰度均值；σ表示标准窗口图像在单周期内垂直于布匹纹理的第一主成分方向的灰度方差，σ1i,j表示第i个窗口图像的第j个像素点所在周期的灰度方差；
Figure BDA0003576801700000101
表示第i个未知缺陷窗口图像内第j个像素在垂直于布匹纹理的第二主成分方向的呈现整数倍周期间隔的像素集合；
Figure BDA0003576801700000102
表示第i个未知缺陷窗口图像内第j个像素点与该像素点在垂直于布匹纹理的第一主成分方向上呈现整数倍周期间隔像素点的灰度值差异；|J-J2i,j||σ-σ2i,j|表示含义可以类比第一主成分；γ1表示在布匹纹理的第一主成分方向的第一特征值；γ2表示在布匹纹理的第二主成分方向的第二特征值；K1表示垂直于布匹纹理的第一主成分方向以ds1为最小周期的可能性值，K2表示垂直于布匹纹理的第二主成分方向以ds2为最小周期的可能性值；γ1*K1表示在标准窗口图像在布匹纹理的第一主成分方向的周期可能性权重；γ2*K2表示标准窗口图像在布匹纹理的第二主成分方向周期可能性权重。
S6、根据周期符合率对未知缺陷窗口图像进行阈值分割，得到缺陷像素点的集合，缺陷像素点的集合即为缺陷位置。
具体的，S61、根据周期符合率对第i个可能缺陷窗口图像进行阈值分割；
S62、将周期符合率Fi,j>周期符合率阈值θ的像素灰度值设置为255，将周期符合率Fi,j<周期符合率阈值θ的像素灰度值设置为0，分割出缺陷像素点集合。
综上所述，本发明提供一种基于图像处理的布匹瑕疵的检测方法，通过将布匹图像划分为个窗口图像，获取窗口图像的频率直方图，计算每两个窗口图像的频率相似度值，求取所有频率相似度值的平均相似度值，根据平均相似度值绘制相似度曲线，根据相似度曲线确定突变点，根据突变点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合，并获取窗口图像中相似度值的最大值所对应的窗口图像，该窗口图像为标准窗口图像，对标准窗口图像进行分析得到主成分方向及主成分方向对应的特征值，然后计算个主成分方向的最小周期的可能性值，根据周期可能性值确定满足条件的最小周期，获取计算未知缺陷窗口图像的周期符合率，根据周期符合率对未知缺陷窗口图像进行阈值分割，确定的缺陷位置，能有效避免布匹自身纹理的干扰，准确的定位缺陷位置，提高布匹缺陷修复位置的准确性，实用性强，值得推广。
以上所述仅为本发明的较佳实施例而已，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 (9)

1.一种基于图像处理的布匹瑕疵的检测方法，其特征在于，该方法包括：
S1、获取布匹图像，将布匹图像均匀划分多个窗口图像，获取每个窗口图像的频谱图，根据各频谱图绘制每个对应的窗口图像的频率直方图；
S2、根据频率直方图获取每两个窗口图像的频率均值差异、频率偏差差异，根据频率均值差异、频率偏差差异计算每两个窗口图像之间的频率相似度值，并计算每个窗口图像与其他窗口图像之间的频率相似度值的平均相似度值；
S3、将各窗口图像的平均相似度值获取相似度曲线，将相似度曲线变化率最大值的点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合；获取所有窗口图像中频率相似度值的最大值，最大值所对应的窗口图像为标准窗口图像；
S4、对标准窗口图像进行分析，得到两个主成分方向及各主成分方向对应的特征值；获取垂直主成分方向的的最长直线l，根据最长直线l左侧的一个初始像素点与最长直线l上所有与所述初始像素点灰度值相同的直线像素点获取布匹纹理的最小可能周期，根据每个最小可能周期计算最小周期的可能性值，根据可能性值和设定的可能性值的阈值确定满足条件的布匹纹理的最小周期；
S5、计算单个最小周期内垂直各主成分方向的像素点的灰度均值、像素点的灰度方差；并根据各主成分方向的最小周期对应的可能性值、特征值、灰度均值及灰度方差计算未知缺陷窗口图像的周期符合率；
S6、根据周期符合率对未知缺陷窗口图像进行阈值分割，得到缺陷像素点的集合，缺陷像素点的集合即为缺陷位置。
2.根据权利要求1所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，根据频率均值差异、频率偏差差异计算每两个窗口图像之间的频率相似度值的步骤包括：
对各频率直方图中的频率值进行密度聚类得到若干个类别区间，分析各类别区间的频率占比得到主类别和非主类别；
根据下式(1)计算相似度值：
Figure FDA0003576801690000011
其中，Xi,j表示第i和第j个窗口图像的频率之间的相似度值；Fi,a表示第i个窗口图像的频率直方图第a个非主类别；Fj,b表示第j个窗口图像的频率直方图第b个非主类别；Mi表示第i个窗口图像频率直方图的非主类别个数；Mj表示第j个窗口图像频率直方图的非主类别个数，
Figure FDA0003576801690000021
表示第i个窗口图像与第j个窗口图像非主类别平均波动程度差异；μi表示第i个窗口图像的频率均值；μj表示第j个窗口图像的频率均值；σi表示第i个窗口图像的频率偏差；σj表示第j个窗口图像的频率偏差；(μi-μj)2表示窗口图像之间的频率均值差异；(σi-σj)2表示窗口图像之间的频率偏差差异，(μi-μj)2*(σi-σj)2表示窗口图像频率直方图之间的整体分布差异。
3.根据权利要求1所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，将相似度曲线变化率最大值的点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合的步骤包括：
获取所述相似度曲线中的变化率最大值；
根据下式(2)计算变化率最大值处的突变性T：
Figure FDA0003576801690000022
其中，km为变化率最大值；ki表示相似度曲线的其它点变化率；n表示其它点的个数，i表示其它点；
根据突变性确定突变点，根据突变点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合。
4.根据权利要求3所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，根据突变性确定突变点，根据突变点作为分割阈值得到未知缺陷窗口图像集合和非缺陷窗口图像集合的步骤包括：
当变化率最大值处的突变性T>5,则认为该点为突变点，且该窗口图像内的图像中存在缺陷；当变化率最大值处的突变性T<5，则不存在缺陷；
以突变点对应的变化率最大值作为相似度分割阈值，获取相似度值Xi>Xm的窗口图像，相似度值Xi>Xm的窗口图像的集合即为未知缺陷窗口图像集合，其余的窗口图像集合即为非缺陷窗口图像集合，其中，Xi表示突变点的相似度值，Xm表示突变点前的一个相似度值。
5.根据权利要求1所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，根据最长直线l左侧的一个初始像素点与最长直线l上所有与所述初始像素点灰度值相同的直线像素点获取布匹纹理的最小可能周期的步骤：
在最长直线l最左侧选取的一个像素点作为初始像素点，将初始像素点坐标记为(x0,y0)，并获取该像素点的灰度值；
获取最长直线l上与所述初始像素点灰度值相同的所有直线像素点，所有直线像素点的集合记为集合A，选取集合A中与初始像素点坐标(x0,y0)距离依次由近至远的第一像素点坐标(x1,y1)、第二像素点坐标(x2,y2)......第n像素点坐标(xn,yn),将第一像素点坐标(x1,y1)与初始像素点坐标(x0,y0)之间的距离d1、第二像素点坐标(x2,y2)与初始像素点坐标(x0,y0)之间的距离d2......第n像素点坐标(xn,yn)与初始像素点坐标(x0,y0)之间的距离dn；
将距离d1、d2......dn依次作为布匹纹理的最小可能周期。
6.根据权利要求5所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，根据每个最小可能周期计算最小周期的可能性值的步骤：
根据下式(3)依次将d1、d2......dn作为最小可能周期计算最小周期的可能性值：
Figure FDA0003576801690000031
其中，h0i表示初始像素点坐标(x0,y0)与第n像素点坐标(xn,yn)之间的第i个像素坐标灰度值；hji表示与第i个像素点坐标间隔j*dn距离的像素点的灰度值；ε表示防止分母为零的常量参数，取0.01；K表示在主成分方向以dn为最小周期的可能性值；m表示周期的个数；i表示单个周期内的第i个像素点；j表示第几个周期；dn表示布匹纹理的最小可能周期。
7.根据权利要求6所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，根据最小周期的可能性值和设定的可能性值的阈值确定满足条件的布匹纹理的最小周期的步骤包括：
当周期可能性值大于可能性值的阈值时，则认为窗口图像内的像素点在主成分方向上的最小周期为d1；
当周期可能性值小于可能性值的阈值时，则认为窗口图像内的像素点在主成分方向上的最小周期不是d1,并继续验证与初始像素点坐标(x0,y0)距离第二像素点坐标(x2,y2)的距离d2,判断以d2作为最小可能周期的可能性是否满足要求，依次将距离d1、d2......dn作为布匹纹理的最小可能周期带入式(3)，得到满足条件的最小周期ds。
8.根据权利要求1所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，并根据各主成分方向的周期符合率、特征值、灰度均值及灰度方差计算未知缺陷窗口图像的周期符合率的步骤包括：
根据下式(4)计算未知缺陷窗口图像的周期符合率：
Figure FDA0003576801690000041
其中，hi,j表示第i个未知缺陷窗口图像内第j个像素点的灰度值；
Figure FDA0003576801690000042
表示与第i个未知缺陷窗口图像内第j个像素在垂直于第一主成分方向呈整数倍周期间隔的像素集合的灰度均值；
Figure FDA0003576801690000043
表示第i个未知缺陷窗口图像内第j个像素点与该像素点在垂直于第一主成分方向上呈现整数倍周期间隔像素点的灰度值差异；J表示标准窗口图像在垂直第一主成分方向上单周期的灰度均值；J1i,j表示第i个窗口图像内第j个像素点所在周期的灰度均值；σ表示标准窗口图像在单周期内垂直于布匹纹理的第一主成分方向的灰度方差，σ1i,j表示第i个窗口图像的第j个像素点所在周期的灰度方差；
Figure FDA0003576801690000044
表示第i个未知缺陷窗口图像内第j个像素在垂直于第二主成分方向的呈现整数倍周期间隔的像素集合；
Figure FDA0003576801690000045
表示第i个未知缺陷窗口图像内第j个像素点与该像素点在垂直于布匹纹理的第一主成分方向上呈现整数倍周期间隔像素点的灰度值差异；|J-J2i,j||σ-σ2i,j|表示含义可以类比第一主成分；γ1表示在布匹纹理的第一主成分方向的第一特征值；γ2表示在布匹纹理的第二主成分方向的第二特征值；K1表示垂直于布匹纹理的第一主成分方向以ds1为最小周期的可能性值，K2表示垂直于布匹纹理的第二主成分方向以ds2为最小周期的可能性值；γ1*K1表示在标准窗口图像内布匹纹理的第一主成分方向的周期可能性权重；γ2*K2表示标准窗口图像内布匹纹理的第二主成分方向周期可能性权重。
9.根据权利要求1所述的一种基于图像处理的布匹瑕疵的检测方法，其特征在于，根据周期符合率对未知缺陷窗口图像进行阈值分割，得到缺陷像素点的集合，缺陷像素点的集合即为缺陷位置的步骤包括：
根据周期符合率对第i个可能缺陷窗口图像进行阈值分割；
将周期符合率Fi,j大于周期符合率阈值θ的像素灰度值设置为255，将周期符合率Fi,j小于周期符合率阈值θ的像素灰度值设置为0，分割出缺陷像素点集合。
CN202210346881.7A 2022-03-31 2022-03-31 一种基于图像处理的布匹瑕疵的检测方法 Active CN114723705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210346881.7A CN114723705B (zh) 2022-03-31 2022-03-31 一种基于图像处理的布匹瑕疵的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210346881.7A CN114723705B (zh) 2022-03-31 2022-03-31 一种基于图像处理的布匹瑕疵的检测方法

Publications (2)

Publication Number Publication Date
CN114723705A true CN114723705A (zh) 2022-07-08
CN114723705B CN114723705B (zh) 2023-08-22

Family

ID=82241632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210346881.7A Active CN114723705B (zh) 2022-03-31 2022-03-31 一种基于图像处理的布匹瑕疵的检测方法

Country Status (1)

Country Link
CN (1) CN114723705B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082460A (zh) * 2022-08-18 2022-09-20 聊城市恒丰电子有限公司 一种织布生产线质量监控方法及系统
CN115131348A (zh) * 2022-08-30 2022-09-30 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
CN115456868A (zh) * 2022-11-14 2022-12-09 南京金易众和信息科技有限公司 一种消防演练系统数据管理方法
CN115760609A (zh) * 2022-11-14 2023-03-07 王育新 一种图像优化方法及系统
CN116630309A (zh) * 2023-07-21 2023-08-22 微山县天阔纺织有限公司 一种布匹断纬瑕疵检测方法
CN116721101A (zh) * 2023-08-09 2023-09-08 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN117132593A (zh) * 2023-10-25 2023-11-28 济宁华晟服装股份有限公司 一种抗周期纹理影响的布匹粗糙度检测方法
CN118521778A (zh) * 2024-07-22 2024-08-20 南通双跃纺织有限公司 一种布匹擦伤缺陷识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234976A (zh) * 2013-04-03 2013-08-07 江南大学 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法
CN103729842A (zh) * 2013-12-20 2014-04-16 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
JP2014167456A (ja) * 2013-01-30 2014-09-11 Toyama Prefecture 布地の欠陥検査方法と装置
CN105261003A (zh) * 2015-09-10 2016-01-20 西安工程大学 一种基于织物自身结构进行疵点检测的方法
CN105277567A (zh) * 2015-05-21 2016-01-27 南通大学 一种织物瑕疵检测方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN109685766A (zh) * 2018-11-23 2019-04-26 江苏大学 一种基于区域融合特征的布匹瑕疵检测方法
CN109934802A (zh) * 2019-02-02 2019-06-25 浙江工业大学 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN109978830A (zh) * 2019-02-28 2019-07-05 西安工程大学 一种织物疵点检测方法
CN110672635A (zh) * 2019-12-04 2020-01-10 杭州利珀科技有限公司 一种布匹疵点检测装置及实时检测方法
CN113610849A (zh) * 2021-10-09 2021-11-05 海门市恒创织带有限公司 一种基于图像处理的纺织品烧毛工艺智能作业方法及系统
CN113706532A (zh) * 2021-10-28 2021-11-26 南通博纳纺织品有限公司 一种验布机的布匹缺陷位置的智能检测方法
CN113838040A (zh) * 2021-09-29 2021-12-24 西安工程大学 一种针对彩色纹理织物缺陷区域的检测方法
CN114219794A (zh) * 2021-12-17 2022-03-22 沭阳县桐盛木业制品厂(普通合伙) 基于机器视觉的刨花板表面质量评估方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014167456A (ja) * 2013-01-30 2014-09-11 Toyama Prefecture 布地の欠陥検査方法と装置
CN103234976A (zh) * 2013-04-03 2013-08-07 江南大学 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法
CN103729842A (zh) * 2013-12-20 2014-04-16 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
CN105277567A (zh) * 2015-05-21 2016-01-27 南通大学 一种织物瑕疵检测方法
CN105261003A (zh) * 2015-09-10 2016-01-20 西安工程大学 一种基于织物自身结构进行疵点检测的方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN109685766A (zh) * 2018-11-23 2019-04-26 江苏大学 一种基于区域融合特征的布匹瑕疵检测方法
CN109934802A (zh) * 2019-02-02 2019-06-25 浙江工业大学 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN109978830A (zh) * 2019-02-28 2019-07-05 西安工程大学 一种织物疵点检测方法
CN110672635A (zh) * 2019-12-04 2020-01-10 杭州利珀科技有限公司 一种布匹疵点检测装置及实时检测方法
CN113838040A (zh) * 2021-09-29 2021-12-24 西安工程大学 一种针对彩色纹理织物缺陷区域的检测方法
CN113610849A (zh) * 2021-10-09 2021-11-05 海门市恒创织带有限公司 一种基于图像处理的纺织品烧毛工艺智能作业方法及系统
CN113706532A (zh) * 2021-10-28 2021-11-26 南通博纳纺织品有限公司 一种验布机的布匹缺陷位置的智能检测方法
CN114219794A (zh) * 2021-12-17 2022-03-22 沭阳县桐盛木业制品厂(普通合伙) 基于机器视觉的刨花板表面质量评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AZHAR A. HAMDI 等: "Unsupervised patterned fabric defect detection using texture filtering and K-means clustering", 《2018 INTERNATIONAL CONFERENCE ON INNOVATIVE TRENDS IN COMPUTER ENGINEERING (ITCE 2018)》 *
吕文涛 等: "面向织物疵点检测的图像处理技术研究进展", 《纺织学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082460A (zh) * 2022-08-18 2022-09-20 聊城市恒丰电子有限公司 一种织布生产线质量监控方法及系统
CN115131348A (zh) * 2022-08-30 2022-09-30 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
CN115456868A (zh) * 2022-11-14 2022-12-09 南京金易众和信息科技有限公司 一种消防演练系统数据管理方法
CN115760609A (zh) * 2022-11-14 2023-03-07 王育新 一种图像优化方法及系统
CN115760609B (zh) * 2022-11-14 2023-07-28 林雅霞 一种图像优化方法及系统
CN116630309B (zh) * 2023-07-21 2023-09-26 微山县天阔纺织有限公司 一种布匹断纬瑕疵检测方法
CN116630309A (zh) * 2023-07-21 2023-08-22 微山县天阔纺织有限公司 一种布匹断纬瑕疵检测方法
CN116721101A (zh) * 2023-08-09 2023-09-08 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN116721101B (zh) * 2023-08-09 2023-10-20 山东华航高分子材料有限公司 一种塑件表面波流痕的缺陷检测方法
CN117132593A (zh) * 2023-10-25 2023-11-28 济宁华晟服装股份有限公司 一种抗周期纹理影响的布匹粗糙度检测方法
CN117132593B (zh) * 2023-10-25 2024-03-26 济宁华晟服装股份有限公司 一种抗周期纹理影响的布匹粗糙度检测方法
CN118521778A (zh) * 2024-07-22 2024-08-20 南通双跃纺织有限公司 一种布匹擦伤缺陷识别方法
CN118521778B (zh) * 2024-07-22 2024-10-25 南通双跃纺织有限公司 一种布匹擦伤缺陷识别方法

Also Published As

Publication number Publication date
CN114723705B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN114723705B (zh) 一种基于图像处理的布匹瑕疵的检测方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
Liu et al. Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN116168026A (zh) 基于计算机视觉的水质检测方法及系统
CN115311270A (zh) 一种塑料制品表面缺陷检测方法
Wang et al. Surface defects detection using non-convex total variation regularized RPCA with kernelization
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN115249246A (zh) 一种光学玻璃表面缺陷检测方法
CN115294140A (zh) 一种五金零件缺陷检测方法及系统
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN113888536B (zh) 一种基于计算机视觉的印刷品重影检测方法及系统
CN116091504A (zh) 基于图像处理的连接管连接头质量检测方法
CN114972356A (zh) 塑料制品表面缺陷检测识别方法及系统
CN112561849A (zh) 晶圆缺陷检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN117333467B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
CN118196068A (zh) 一种基于人工智能的纺织品印染质量监控系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN116188468A (zh) 一种hdmi线缆传输分拣智能控制系统

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
TA01 Transfer of patent application right

Effective date of registration: 20230802

Address after: 518000 Room 305, building a, Zhihui Jiangxin, No. 29, Nanxin Road, Nanling village community, Nanwan street, Longgang District, Shenzhen, Guangdong Province

Applicant after: SHENZHEN QILING IMAGE TECHNOLOGY CO.,LTD.

Address before: Room 5, No. 197-1, Guangming North Lane, Sanchang Town, Haimen City, Nantong City, Jiangsu Province 226100

Applicant before: Haimen HENGCHUANG ribbon Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant