CN114782416A - 基于图像识别的纺织品质量检测方法及系统 - Google Patents
基于图像识别的纺织品质量检测方法及系统 Download PDFInfo
- Publication number
- CN114782416A CN114782416A CN202210678584.2A CN202210678584A CN114782416A CN 114782416 A CN114782416 A CN 114782416A CN 202210678584 A CN202210678584 A CN 202210678584A CN 114782416 A CN114782416 A CN 114782416A
- Authority
- CN
- China
- Prior art keywords
- image
- mesh fabric
- gray
- defect
- projection curve
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 239000004753 textile Substances 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 134
- 239000004744 fabric Substances 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于图像识别的纺织品质量检测方法及系统，涉及人工智能领域。主要包括：通过对网孔织物的表面图像进行灰度化以及二值化得到二值图像，对二值图像进行横向以及纵向灰度投影，分别获得横向以及纵向的灰度投影曲线，利用灰度投影曲线的周期判断网孔织物，并通过判断灰度投影曲线中相邻波谷的间距获得存在缺陷的行或列，以获得网孔织物中的缺陷区域，分别对缺陷区域及正常网孔织物的图像进行分水岭分割并进行像素点匹配，最后根据匹配结果确定缺陷的具体类型，进而便于实施者采取相应的控制措施。提高了对纺织物的质量检测效率且检测精度较高。
Description
技术领域
本申请涉及人工智能领域，具体涉及一种基于图像识别的纺织品质量检测方法及系统。
背景技术
网孔织物中常见的缺陷主要分为三类：油污、破孔以及网眼密度，这三类缺陷的形成原因不尽相同。由于生产过程中需要对生产设备进行油液润滑，从而导致油液溅到网孔织物上形成油污缺陷；生产过程中，由于生产机器的故障或外界因素，会产生网孔织物连接处被勾断，从而形成破孔缺陷；网孔织物孔洞大小有各自的标准，若网孔过大或过小，都会影响其性能，然而在生产过程中，由于生产设备调整不到位或者工作年限太长等都会产生网孔密度不正确，形成网眼密度缺陷。
针对生产线上网孔织物的质量检测，主要采用人工检测的方法来进行识别和筛选。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：人工检测的准确率低，准确率依赖工人受训水平和经验，可能存在误检和漏检情况，同时检测速度慢且容易造成是人工疲劳。
发明内容
针对上述技术问题，本发明提供了一种基于图像识别的纺织品质量检测方法及系统，能够判断网孔织物中是否存在缺陷，并在网孔织物中存在缺陷的情况下，获得缺陷所在的区域，并判断缺陷的具体类型，便于实施者采取相应的措施，提高了对纺织物的质量检测效率且检测精度较高。
第一方面，本文发明实施例提出了一种基于图像识别的纺织品质量检测方法，包括：
获得网孔织物的表面图像并进行图像分割获得分割图像；所述分割图像中网孔织物以外的像素值为0。
对所述分割图像进行灰度化获得灰度图像，获得所述灰度图像的平均灰度值，并利用所述平均灰度值对所述灰度图像进行二值化获得二值图像。
对所述二值图像的横向及纵向投影进行投影处理，分别获得横向及纵向的灰度投影曲线。
根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，当横向或及纵向的灰度投影曲线中任一个的周期小于预设第一阈值时，网孔织物中存在缺陷，执行后续步骤。
将横向灰度投影曲线中相邻波谷间距大于预设距离阈值的波谷所在的行作为缺陷行，将纵向灰度投影曲线中波谷间距大于预设距离的波谷所在的列作为缺陷列，并根据所述缺陷行及所述缺陷列确定缺陷区域。
对所述缺陷区域进行分水岭分割获得纹理图像，并对所述纹理图像与正常纹理模板进行像素点匹配，根据像素点匹配结果获得匹配度。
根据所述匹配度、横向灰度投影曲线的周期以及纵向灰度投影曲线的周期，获得网孔织物的质量系数，并利用所述质量系数确定网孔织物中的主要缺陷类型。
在一个可行的实施例中，根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，包括：
其中，H表示灰度投影曲线的周期，E表示灰度投影曲线中波谷的数量，q表示第j个
相邻波谷间距，
为灰度投影曲线中所有相邻波谷间距的均值，e为自然常数，z为归一化系
数，所述相邻波谷间距指的是相邻波谷在灰度投影曲线的横轴上的间距。
在一个可行的实施例中，利用所述质量系数确定网孔织物中的主要缺陷类型，包括：
当
时，网孔织物中主要缺陷为破洞；或者
当
时，网孔织物中主要缺陷为油污；或者
当
时，网孔织物中主要缺陷为网眼密度不均；或者
当
时，网孔织物不存在缺陷；
其中，
为所述质量系数，
为预设第二阈值，
为预设第三阈值，
为预设第四
阈值。
在一个可行的实施例中，所述方法还包括：
网孔织物中主要缺陷为破洞时，网孔织物为不合格品，需对其进行回收；或者
网孔织物中主要缺陷为油污时，通过清洗并调整其中网孔以继续使用；或者
网孔织物中主要缺陷为网眼密度不均时，通过调整其中网孔以继续使用；或者
网孔织物不存在缺陷时，网孔织物为合格品，无需进行处理。
在一个可行的实施例中，根据所述匹配度、横向灰度投影曲线的周期以及纵向灰度投影曲线的周期，获得网孔织物的质量系数，包括：
将横向灰度投影曲线的周期与纵向灰度投影曲线的周期的均值作为投影周期，并将所述投影周期与所述匹配度相乘，得到网孔织物的质量系数。
在一个可行的实施例中，根据像素点匹配结果获得匹配度，包括：
式中
表示匹配度，当纹理图像中第
个像素点在正常纹理模板中存在匹配的像素
点时，
，否则
；
表示纹理图像中像素点的数量。
在一个可行的实施例中，对所述二值图像进行横向投影处理及纵向投影处理，分别获得横向灰度投影曲线及纵向灰度投影曲线，包括：
在一个可行的实施例中，对所述缺陷区域进行分水岭分割前，还包括对所述缺陷区域进行高斯滤波。
第二方面，本发明实施例提出了一种基于图像识别的纺织品质量检测系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中基于图像识别的纺织品质量检测方法。
本发明实施例提供了一种基于图像识别的纺织品质量检测方法及系统，能够判断网孔织物中是否存在缺陷，并在网孔织物中存在缺陷的情况下，获得缺陷所在的区域，并判断缺陷的具体类型，便于实施者采取相应的措施，提高了对纺织物的质量检测效率且检测精度较高。
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是本发明实施例提供的一种基于图像识别的纺织品质量检测方法的流程示意图。
图2是本实施例中网孔织物中常见的三种缺陷的灰度图像示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于图像识别的纺织品质量检测方法，如图1所示，包括：
步骤S101、获得网孔织物的表面图像并进行图像分割获得分割图像。分割图像中网孔织物以外的像素值为0。
步骤S102、对分割图像进行灰度化获得灰度图像，获得灰度图像的平均灰度值，并利用平均灰度值对灰度图像进行二值化获得二值图像。
步骤S103、对二值图像的横向及纵向投影进行投影处理，分别获得横向及纵向的灰度投影曲线。
步骤S104、根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，当横向或及纵向的灰度投影曲线中任一个的周期小于预设第一阈值时，网孔织物中存在缺陷，执行后续步骤。
步骤S105、将横向灰度投影曲线中相邻波谷间距大于预设距离阈值的波谷所在的行作为缺陷行，将纵向灰度投影曲线中波谷间距大于预设距离的波谷所在的列作为缺陷列，并根据缺陷行及缺陷列确定缺陷区域。
步骤S106、对缺陷区域进行分水岭分割获得纹理图像，并对纹理图像与正常纹理模板进行像素点匹配，根据像素点匹配结果获得匹配度。
步骤S107、根据匹配度、横向灰度投影曲线的周期以及纵向灰度投影曲线的周期，获得网孔织物的质量系数，并利用质量系数确定网孔织物中的主要缺陷类型。
本发明实施例所针对的情景为：采集网孔织物的表面图像并转化为灰度图像，之后对灰度图像进行处理以分割出缺陷区域所在位置，并通过图像处理检测出网孔织物表面的缺陷，从而确定缺陷主要属于油污、破孔以及网眼密度低中的具体类别，以便采取相应的处理措施。
首先对本发明实施例中网孔织物中常见的缺陷进行简单的介绍，网孔织物中的缺陷主要分为三种油污、破孔以及网眼密度不均，图2为本实施例中网孔织物中常见的三种缺陷的灰度图像示意图。
油污、破孔以及网眼密度缺陷，其统一表现存在破坏灰度周期性的变化，这些缺陷是由于机器润滑油液飞溅到网孔织物上、生产机器的故障或外界因素和生产设备调整不到位或者工作年限太长等形成的，正常的网孔织物存在很强的周期性，缺陷的存在会导致其周期性发生变化，形成颜色纹理不一致的缺陷区域。
网孔织物的油污、破孔以及网眼密度缺陷会使纱线层的排列紊乱，不仅会影响美观，还会影响其使用的性能和使用寿命。通过对生产过程进行有效的质量管理，尽早发现生产过程中存在的问题，从而降低次品率并提升产品质量与档次是十分必要的。
进一步的，步骤S101、获得网孔织物的表面图像并进行图像分割获得分割图像。分割图像中网孔织物以外的像素值为0。具体包括：
首先，采集网孔织物的表面图像，本实施例中采用CDD（Charge Coupled Device，电荷耦合元件）采集网孔织物的表面图像。
网孔织物由许多大小相近、形状相同的网格构成，使得网孔织物的透光性能非常好，因此本实施例中光源和图像采集设备分别位于网孔织物的两侧，且使得CDD偏离光源，网孔织物依靠其表面对光的吸收，将光线传递到CCD，从而使得到的网孔织物的表面图像中有孔的地方为黑色，被遮挡处基于光反射原理呈现白色，如此，便于后续过程中筛选出网孔织物中可能存在的缺陷区域。
需要说明的是，CCD是一种半导体器件，能够把光学影像转化为数字信号。 CCD上植入的微小光敏物质称作像素。一块CCD上包含的像素数越多，其提供的画面分辨率也就越高。CCD的作用就像胶片一样，但它是把图像像素转换成数字信号。CCD上有许多排列整齐的电容，能感应光线，并将影像转变成数字信号。经由外部电路的控制，每个小电容能将其所带的电荷转给它相邻的电容。
其次，对采集到的网孔织物的表面图像进行分割处理，得到分割图像，使得分割图像中网孔织物以外的部分的像素值为0，如此可以避免复杂工况背景等网孔织物以外的部分对后续处理过程中的不良影响。
需要说明的是，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
具体的，本实施例中通过DNN (Deep Neural Networks，深度神经网络)实现对网孔织物的表面图像的分割处理，得到分割图像，该DNN的内容包括：所使用的数据集为采集到的生产过程得到的包含多种样式的网孔织物的表面图像数据集，将属于背景的像素点的像素值标注为0，所使用的loss（损失）函数为交叉熵损失函数。
进一步的，步骤S102、对分割图像进行灰度化获得灰度图像，获得灰度图像的平均灰度值，并利用平均灰度值对灰度图像进行二值化获得二值图像。具体包括：
首先，并将图像转化得到网孔织物表面灰度图像。网孔织物缺陷种类主要包括网眼密度不均、破孔、油污等三类。网眼密度是指网孔的疏密程度，即在一定范围内网孔数量；破孔是指网孔的连通状况，其中破空又分为横向破孔和纵向破孔，也可分为一般破孔和严重破孔。各种不同的缺陷对质量影响也各不相同，产生的原因也不一样，如何快速识别以及区分各类缺陷，然后针对不同的缺陷对生产线以及制造工艺等进行改进至关重要。
需要说明的是，对于常规的网孔织物，其纹理存在很强的周期性，而上述缺陷出现时，会破坏织物的周期性，简单的建立周期性序列仅能检测出是否存在缺陷，不能获取缺陷的类型。同时纱线可能会由于疏松存在孔隙，且灰度值的数值和变化均较大，采用常规的周期性灰度序列会导致检测结果不准确。通过分析网孔织物图像可得，缺陷主要影响的是纱线间的空隙，对纱线本身的影响较小，故可以通过填充纱线上的孔隙，重置灰度值，再结合纹理特性获取网孔织物的质量系数。
同时，纱线上的孔隙会影响织物的质量判断，由于本方案统一采用背景为黑色纱线为白色的网孔织物图像，故所属纱线的像素点其灰度值远远大于背景区域（网孔）像素点的灰度值。即所属纱线区域存在灰度值较大的孔隙，可以对分割图像进行形态学闭运算，如此，能够填平分割图像中存在的小孔以弥合小裂缝，而总的位置和形状不变。
其次，对得到的分割图像进行二值化处理，得到二值图像。由于灰度值的取值范围为0-255，图像中的灰度变化较大，此时直接依靠灰度值进行周期计算不仅计算量大，还会受到噪声孤立点的影响，故对分割图像进行二值化，本实施例中利用分割图像中灰度均值进行二值化，二值化的过程包括：将分割图像中灰度值大于灰度均值的像素值置为1，将分割图像中灰度值不大于灰度均值的像素值置为0，得到经过二值化后的二值图像。
需要说明的是，由于网孔织物的表面对光的吸收，分割图像中属于纱线的像素点的灰度值会大于分割图像的灰度均值，而空隙区域的像素点的灰度值会小于或等于分割图像的灰度均值。
进一步的，步骤S103、对二值图像的横向及纵向投影进行投影处理，分别获得横向及纵向的灰度投影曲线。具体包括：
首先，在分割图像中建立平面直角坐标系，设二值图像的大小为
，以二值图
像的左上角为坐标原点，平面直角坐标系中坐标为(x，y)的像素点的灰度值为
，则
横向灰度投影曲线中横坐标为
，其中
为二值图
像中坐标为
的像素点的像素值，
为二值图像的宽度；
纵向灰度投影曲线中横坐标为
，其中
为二值图
像中坐标为
的像素点的像素值，
为二值图像的高度。
进一步的，步骤S104、根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，当横向或及纵向的灰度投影曲线中任一个的周期小于预设第一阈值时，网孔织物中存在缺陷，执行后续步骤。具体包括：
需要说明的是，由于网孔织物的周期性很强，同时考虑到织物存在弹性，故周期性是相似的而不是完全相同的，使得横向或纵向投影曲线中相邻波谷之间的间距在正常情况下是近似相等，然而，网孔织物中存在的缺陷会破坏织物的周期性，使得横向或纵向灰度投影曲线中相邻波谷之间的间距发生改变。
具体地，本实施例中根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，横向或纵向灰度投影曲线的周期的计算方法相同，灰度投影曲线的周期的计算过程包括：
作为一个示例，本发明实施例中
。
最后，当横向或及纵向的灰度投影曲线中任一个的周期小于预设第一阈值时，网孔织物中存在缺陷，需要继续执行后续步骤以进一步确定缺陷区域以及缺陷的主要类型，便于后续针对缺席难得具体类型采取相应的措施。
作为一个示例，本发明实施例中预设第一阈值为0.8。
进一步的，步骤S105、将横向灰度投影曲线中相邻波谷间距大于预设距离阈值的波谷所在的行作为缺陷行，将纵向灰度投影曲线中波谷间距大于预设距离的波谷所在的列作为缺陷列，并根据缺陷行及缺陷列确定缺陷区域。具体包括：
需要说明的是，网孔织物中的油污缺陷只改变了织物的灰度信息，并没有破坏其中的纹理信息，而对于破洞缺陷，其即改变了织物的灰度信息，同时也破坏了纹理信息。油污缺陷与破洞缺陷区域的整体偏黑，具体表现为在灰度图像中的整体灰度值较小，但油污缺陷区域纱线没有被破坏，其缺陷区域存在纱线纹理，且纱线的灰度值小于油污缺陷其他区域。
经过上述步骤已经判定网孔织物存在缺陷，但尚未确定其主要缺陷类型，因此本实施例中根据相邻波谷间距来获得存在异常的行或者列。
具体地，当灰度投影曲线中相邻波谷间距大于预设距离阈值时，该相邻波谷之间即存在缺陷，此时相邻波谷间距已经超出了由于织物弹性造成的变化。
作为一示例，本实施例中预设距离阈值为
，其中
为灰度投影曲线中所有相邻
波谷间距的均值。
具体的，获得横向灰度投影曲线中相邻波谷间距大于预设距离阈值的相邻波谷在灰度图像中对应的行，将这些行作为缺陷行；获得纵向灰度投影曲线中相邻波谷间距大于预设距离阈值的相邻波谷在灰度图像中对应的列，将这些列作为缺陷列；在灰度图像中，缺陷行和缺陷列相交形成的区域即为缺陷区域，如此，获得了网孔织物中存在缺陷的区域，也便于在后续过程中进一步利用该缺陷区域确定网孔织物的主要缺陷类型。
进一步的，步骤S106、对所述缺陷区域进行分水岭分割获得纹理图像，并对所述纹理图像与正常纹理模板进行像素点匹配，根据像素点匹配结果获得匹配度。具体包括：
首先，对缺陷区域进行分水岭分割获得纹理图像，由于分水岭算法可能存在过分割的，从而导致分割得到的纹理会出现不需要的伪纹理，但油污缺陷的纹理与正常纹理匹配度高，同时，破洞缺陷采用分水岭算法分割的得到的伪纹理与正常纹理匹配度低，因此本实施例可以根据油污缺陷以及破洞缺陷的这一不同，进一步确定缺陷类型。
可选的，对缺陷区域进行分水岭分割前，可以对缺陷区域进行高斯滤波。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波是对图像进行加权平均的过程，每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到。
需要说明的是，分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。
然后，对缺陷区域对应的纹理图像以及正常纹理模板进行像素点匹配，获得纹理图像与正常纹理模板的匹配度，匹配度的计算过程包括：
需要说明的是，本实施例中正常纹理模板的获得过程包括：获取灰度图像中缺陷区域以外与缺陷区域等大的区域，并将其作为模板区域，模板区域经过分水岭分割处理后即得到正常纹理模板。
进一步的，步骤S107、根据匹配度、横向灰度投影曲线的周期以及纵向灰度投影曲线的周期，获得网孔织物的质量系数，并利用质量系数确定网孔织物中的主要缺陷类型。具体包括：
首先，将横向灰度投影曲线的周期与纵向灰度投影曲线的周期的均值作为投影周期，并将所述投影周期与所述匹配度相乘，以得到网孔织物的质量系数。
其次，利用质量系数确定网孔织物中的主要缺陷类型，包括：
当
时，网孔织物中主要缺陷为破洞。
当
时，网孔织物中主要缺陷为油污。
当
时，网孔织物中主要缺陷为网眼密度不均。当
时，网孔织物不存
在缺陷。其中，
为质量系数，
为预设第二阈值，
为预设第三阈值，
为预设第四阈值。
作为一个示例，本实施例中
，
，
。
网孔织物中主要缺陷为破洞时，网孔织物为不合格品，需对其进行回收。
网孔织物中主要缺陷为油污时，通过清洗并调整其中网孔以继续使用。
网孔织物中主要缺陷为网眼密度不均时，通过调整其中网孔以继续使用。
网孔织物不存在缺陷时，网孔织物为合格品，无需进行处理。
基于与上述方法相同的发明构思，本实施例还提供了一种基于图像识别的纺织品质量检测系统，本实施例中基于图像识别的纺织品质量检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于图像识别的纺织品质量检测方法实施例中所描述的对纺织品的质量进行检测。
由于基于图像识别的纺织品质量检测方法实施例中已经对纺织品的质量进行检测的方法进行了说明，此处不再赘述。
综上所述，本发明实施例提供了一种基于图像识别的纺织品质量检测方法及系统，能够判断网孔织物中是否存在缺陷，并在网孔织物中存在缺陷的情况下，获得缺陷所在的区域，并判断缺陷的具体类型，便于实施者采取相应的措施，提高了对纺织物的质量检测效率且检测精度较高。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (9)
1.一种基于图像识别的纺织品质量检测方法，其特征在于，包括：
获得网孔织物的表面图像并进行图像分割获得分割图像；所述分割图像中网孔织物以外的像素值为0；
对所述分割图像进行灰度化获得灰度图像，获得所述灰度图像的平均灰度值，并利用所述平均灰度值对所述灰度图像进行二值化获得二值图像；
对所述二值图像的横向及纵向投影进行投影处理，分别获得横向及纵向的灰度投影曲线；
根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，当横向或及纵向的灰度投影曲线中任一个的周期小于预设第一阈值时，网孔织物中存在缺陷，执行后续步骤；
将横向灰度投影曲线中相邻波谷间距大于预设距离阈值的波谷所在的行作为缺陷行，将纵向灰度投影曲线中波谷间距大于预设距离的波谷所在的列作为缺陷列，并根据所述缺陷行及所述缺陷列确定缺陷区域；
对所述缺陷区域进行分水岭分割获得纹理图像，并对所述纹理图像与正常纹理模板进行像素点匹配，根据像素点匹配结果获得匹配度；
根据所述匹配度、横向灰度投影曲线的周期以及纵向灰度投影曲线的周期，获得网孔织物的质量系数，并利用所述质量系数确定网孔织物中的主要缺陷类型。
2.根据权利要求1所述的基于图像识别的纺织品质量检测方法，其特征在于，根据灰度投影曲线中相邻波谷的间距以及波谷的数量，获得灰度投影曲线的周期，包括：
其中，H表示灰度投影曲线的周期，E表示灰度投影曲线中波谷的数量，q表示第j个相邻
波谷间距，
为灰度投影曲线中所有相邻波谷间距的均值，e为自然常数，z为归一化系数，
所述相邻波谷间距指的是相邻波谷在灰度投影曲线的横轴上的间距。
3.根据权利要求1所述的基于图像识别的纺织品质量检测方法，其特征在于，利用所述质量系数确定网孔织物中的主要缺陷类型，包括：
当
时，网孔织物中主要缺陷为破洞；或者
当
时，网孔织物中主要缺陷为油污；或者
当
时，网孔织物中主要缺陷为网眼密度不均；或者
当
时，网孔织物不存在缺陷；
其中，
为所述质量系数，
为预设第二阈值，
为预设第三阈值，
为预设第四阈值。
4.根据权利要求3所述的基于图像识别的纺织品质量检测方法，其特征在于，所述方法还包括：
网孔织物中主要缺陷为破洞时，网孔织物为不合格品，需对其进行回收；或者
网孔织物中主要缺陷为油污时，通过清洗并调整其中网孔以继续使用；或者
网孔织物中主要缺陷为网眼密度不均时，通过调整其中网孔以继续使用；或者
网孔织物不存在缺陷时，网孔织物为合格品，无需进行处理。
5.根据权利要求1所述的基于图像识别的纺织品质量检测方法，其特征在于，根据所述匹配度、横向灰度投影曲线的周期以及纵向灰度投影曲线的周期，获得网孔织物的质量系数，包括：
将横向灰度投影曲线的周期与纵向灰度投影曲线的周期的均值作为投影周期，并将所述投影周期与所述匹配度相乘，得到网孔织物的质量系数。
6.根据权利要求1所述的基于图像识别的纺织品质量检测方法，其特征在于，根据像素点匹配结果获得匹配度，包括：
式中
表示匹配度，当纹理图像中第
个像素点在正常纹理模板中存在匹配的像素点
时，
，否则
；
表示纹理图像中像素点的数量。
7.根据权利要求1所述的基于图像识别的纺织品质量检测方法，其特征在于，对所述二值图像进行横向投影处理及纵向投影处理，分别获得横向灰度投影曲线及纵向灰度投影曲线，包括：
8.根据权利要求1所述的基于图像识别的纺织品质量检测方法，其特征在于，对所述缺陷区域进行分水岭分割前，还包括对所述缺陷区域进行高斯滤波。
9.一种基于图像识别的纺织品质量检测系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8中任一项所述的基于图像识别的纺织品质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210678584.2A CN114782416B (zh) | 2022-06-16 | 2022-06-16 | 基于图像识别的纺织品质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210678584.2A CN114782416B (zh) | 2022-06-16 | 2022-06-16 | 基于图像识别的纺织品质量检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782416A true CN114782416A (zh) | 2022-07-22 |
| CN114782416B CN114782416B (zh) | 2023-09-05 |
Family
ID=82421012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210678584.2A Active CN114782416B (zh) | 2022-06-16 | 2022-06-16 | 基于图像识别的纺织品质量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782416B (zh) |
Cited By (4)
| 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 |
| CN115082710A (zh) * | 2022-08-18 | 2022-09-20 | 南通保利金纺织科技有限公司 | 一种织物网孔智能分类与识别方法及系统 |
| CN115131358A (zh) * | 2022-09-01 | 2022-09-30 | 南通永安纺织有限公司 | 一种被套缝线缺陷识别方法 |
| CN115272321A (zh) * | 2022-09-28 | 2022-11-01 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288619A (zh) * | 2011-07-01 | 2011-12-21 | 明基材料有限公司 | 三维光学膜的瑕疵检测方法及系统 |
| WO2019227762A1 (zh) * | 2018-05-31 | 2019-12-05 | 歌尔股份有限公司 | 光学模组像素缺陷检测方法、装置及设备 |
| 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 |
| CN114627117A (zh) * | 2022-05-13 | 2022-06-14 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
-
2022
- 2022-06-16 CN CN202210678584.2A patent/CN114782416B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288619A (zh) * | 2011-07-01 | 2011-12-21 | 明基材料有限公司 | 三维光学膜的瑕疵检测方法及系统 |
| WO2019227762A1 (zh) * | 2018-05-31 | 2019-12-05 | 歌尔股份有限公司 | 光学模组像素缺陷检测方法、装置及设备 |
| 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 |
| CN114627117A (zh) * | 2022-05-13 | 2022-06-14 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 沈晶等: "一种新的基于纹理分水岭的纺织品缺陷检测方法", 《中国图象图形学报》 * |
Cited By (5)
| 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 |
| CN115082710A (zh) * | 2022-08-18 | 2022-09-20 | 南通保利金纺织科技有限公司 | 一种织物网孔智能分类与识别方法及系统 |
| CN115131358A (zh) * | 2022-09-01 | 2022-09-30 | 南通永安纺织有限公司 | 一种被套缝线缺陷识别方法 |
| CN115272321A (zh) * | 2022-09-28 | 2022-11-01 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
| CN115272321B (zh) * | 2022-09-28 | 2023-01-10 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782416B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114782416B (zh) | 基于图像识别的纺织品质量检测方法及系统 | |
| Amhaz et al. | Automatic crack detection on two-dimensional pavement images: An algorithm based on minimal path selection | |
| CN109658381B (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
| CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
| CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
| CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
| CN103471973A (zh) | 一种图像法测定织物孔隙特征的方法 | |
| CN109239073B (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN115311267B (zh) | 一种格纹织物异常检测方法 | |
| CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
| CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
| CN115330773B (zh) | 一种金属研磨麻点缺陷检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN112085699B (zh) | 一种基于二维图像的路面裂缝提取方法 | |
| CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
| CN110858395A (zh) | 一种卷装长丝的污丝缺陷检测方法 | |
| CN110210428A (zh) | 一种基于mser的远距离复杂环境下的烟雾根节点检测方法 | |
| CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
| CN114817228A (zh) | 一种湖泊水位长时间序列监测数据的异常值剔除方法 | |
| CN116485719A (zh) | 一种用于裂缝检测的自适应canny方法 | |
| CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
| CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
| Ying et al. | Beamlet transform based technique for pavement image processing and classification | |
| CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
| CN115311266B (zh) | 一种纺织品印染工艺中印染识别方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230810 Address after: 272500 Middle Section of Century Avenue, Wenshang County, Jining City, Shandong Province Applicant after: Jining Aisi Garment Co.,Ltd. Address before: 226000 No.7 Jinggong Road, Qidong Economic Development Zone, Nantong City, Jiangsu Province Applicant before: Qidong Gude waterproof fabric Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |