CN114820627B - 一种基于光学手段的纺织品质量检测方法 - Google Patents

一种基于光学手段的纺织品质量检测方法 Download PDF

Info

Publication number
CN114820627B
CN114820627B CN202210758339.2A CN202210758339A CN114820627B CN 114820627 B CN114820627 B CN 114820627B CN 202210758339 A CN202210758339 A CN 202210758339A CN 114820627 B CN114820627 B CN 114820627B
Authority
CN
China
Prior art keywords
image
edge
textile
detected
gradient
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
CN202210758339.2A
Other languages
English (en)
Other versions
CN114820627A (zh
Inventor
张世剑
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 Yingsai Textile Co ltd
Original Assignee
Nantong Yingsai 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 Yingsai Textile Co ltd filed Critical Nantong Yingsai Textile Co ltd
Priority to CN202210758339.2A priority Critical patent/CN114820627B/zh
Publication of CN114820627A publication Critical patent/CN114820627A/zh
Application granted granted Critical
Publication of CN114820627B publication Critical patent/CN114820627B/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
    • 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
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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
    • G06T2207/30168—Image quality inspection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于光学手段的纺织品质量检测方法，使用多光谱相机纺织品材料图像信息，通过获取待检测纺织品材料的表面图像，进行模板匹配得到匹配成功的待检测纺织品材料图像，对该图像和标准图像进行边缘检测，对二者边缘图像进行连通域分析，根据梯度值对每个连通域中的边缘像素点进行分组，根据待检测纺织品表面的边缘图像中的每组边缘像素点的梯度值和标准图像中对应的分组的边缘像素点的梯度值得到梯度差均值，利用梯度差均值和该组边缘像素点梯度值相对于该组像素点梯度均值的方差得到待检测纺织品出现渗花瑕疵的概率，完成对纺织品材料存在的瑕疵进行检测，方法精准而智能。

Description

一种基于光学手段的纺织品质量检测方法
技术领域
本申请涉及人工智能领域，具体涉及一种基于光学手段的纺织品质量检测方法。
背景技术
随着人们生活质量提高，传统意义上纺织品材料的实用性和耐用性已经无法满足人们的要求，越来越多的人开始追求纺织品材料的时尚型以及美观性，尤其对于有图案的纺织品材料。
在纺织品材料的图案印刷过程中，由于印花浆粘稠度不够或者两色印花浆重叠时，容易造成印花织物中色浆扩散出图案轮廓，即出现渗花现象，造成纺织品材料美观性降低，尤其对于一些质量要求较高的纺织品材料，这种现象是不允许出现的，因此对于纺织品材料瑕疵的检测对于纺织品材料的质量保证是至关重要的。
由于渗花区域颜色与图案本身存在相似性，且为浆水扩散形成，没有清晰的边缘，因此传统的阈值分割或边缘检测对此类瑕疵无法得到较好的检测效果；纺织品材料颜色多样，而不同颜色对自然光的吸收程度不同，使得普通相机采集的图像中，对于颜色相近区域的边界提取的准确性较低。因此，为提高纺织品材料边缘提取的准确性，本发明基于光学手段，使用多光谱相机采集图像，进一步对纺织品材料进行检测分析，由于渗花区域会导致图案局部边缘梯度相对正常情况变小，造成图案边缘深浅不一，且不排除有印花浆向周边扩散程度一致，即发生渗花但图案边缘梯度仍然一致的情况；因此本发明对采集的纺织品材料的图像进行梯度分析，并根据纺织品材料图案的边缘梯度的整齐程度，结合相对标准图像的梯度差异程度判断纺织品材料对渗花程度，从而实现对纺织品材料瑕疵的精确检测。
发明内容
本发明提供一种基于光学手段的纺织品质量检测方法，解决纺织品检测中渗花瑕疵边缘检测精确度低的问题，采用如下技术方案：
使用多光谱相机获取待检测纺织品图像，将待检测纺织品图像与标准图像进行模板匹配得到匹配成功的待检测纺织品图像；
对匹配成功的待检测纺织品图像中的非图案区域的像素点的像素值进行聚类，根据聚类结果将该非图案区域的织线颜色修改为其主要像素点的颜色；
对修改颜色后的匹配成功的待检测纺织品图像进行边缘检测，得到边缘图像，对边缘图像进行连通域分析，根据每个连通域中的边缘像素点的梯度值对该连通域内的像素点进行分组；
根据匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度值和对应的标准图像中该分组的边缘像素点的梯度值得到匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值；
利用匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值和该组边缘像素点梯度值相对于该组像素点梯度均值的方差得到匹配成功的待检测纺织品图像中出现渗花瑕疵的概率；
根据出现渗花瑕疵的概率对匹配成功的待检测纺织品质量进行判断。
所述主要像素点的颜色的获取方法为：
将匹配成功的待检测纺织品图像中的非图案区域图像中各个像素点的像素值进行均值漂移聚类，得到多个聚类结果，同一聚类结果中的数据表示像素值相似的一类像素点；
将所有聚类结果中像素点个数最多的聚类结果的聚类中心的像素点的像素值作为该非图案区域图像的主要像素值。
所述对连通域内的像素点进行分组的方法为：
对该连通域边缘像素点的梯度值以及该梯度值所对应的像素点个数进行统计，得到该连通域所对应的梯度值-像素点个数序列；
使用最小二乘法对该序列中的数据进行曲线拟合，获取该曲线的所有极大值点， 则该连通域中边缘梯度类型记为所得极大值点的个数，记为
Figure DEST_PATH_IMAGE001
；
按照极大值点的值即梯度值对该连通域中所有边缘像素点进行划分，得到
Figure 652584DEST_PATH_IMAGE001
个梯 度类型的边缘像素点集合，每个梯度类型的边缘像素点集合为一组，得到
Figure 615730DEST_PATH_IMAGE001
组边缘像素点。
所述匹配成功的待检测纺织品图像中出现渗花瑕疵的概率的获取步骤为：
获取匹配成功的待检测纺织品图像的边缘图像中第
Figure DEST_PATH_IMAGE003
个连通域的第
Figure 270833DEST_PATH_IMAGE004
组边缘中各 个边缘像素点相对于标准图像中对应的该组边缘各个边缘像素点的梯度值
Figure DEST_PATH_IMAGE005
的差值序 列，计算该差值序列的差值均值，记为
Figure 851330DEST_PATH_IMAGE006
；
获取匹配成功的待检测纺织品图像的边缘图像中第
Figure DEST_PATH_IMAGE007
个连通域的第
Figure 275489DEST_PATH_IMAGE004
组边缘的平 均梯度值，计算第
Figure 206274DEST_PATH_IMAGE004
组边缘中各个边缘像素点的梯度值相对于平均梯度值的方差
Figure 535624DEST_PATH_IMAGE008
；
根据每组边缘像素点的差值序列均值和方差计算出匹配成功的待检测纺织品图像中出现渗花瑕疵的概率。
所述匹配成功的待检测纺织品图像中出现渗花瑕疵的概率的计算方法如下：
Figure DEST_PATH_IMAGE009
式中，
Figure 344311DEST_PATH_IMAGE010
为匹配成功的待检测纺织品出现渗花瑕疵的概率，
Figure DEST_PATH_IMAGE011
为匹配成功的待检测 纺织品图像的边缘图像中连通域的个数，
Figure 186759DEST_PATH_IMAGE001
为第
Figure 727593DEST_PATH_IMAGE012
个连通域的边缘像素点的分组个数，
Figure DEST_PATH_IMAGE013
为 第
Figure 855823DEST_PATH_IMAGE012
个连通域中第
Figure 202622DEST_PATH_IMAGE014
组边缘像素点与标准图像的边缘图像中对应的边缘像素点的梯度差均 值，
Figure DEST_PATH_IMAGE015
为第
Figure 102838DEST_PATH_IMAGE012
个连通域中第
Figure 329420DEST_PATH_IMAGE014
组边缘像素点的梯度值相对于该组像素点梯度均值的方差。
所述匹配成功的待检测纺织品图像的获取方法为：
使用模板匹配算法计算待检测纺织品图像与标准图像的匹配准确率
Figure 180833DEST_PATH_IMAGE016
；
若
Figure DEST_PATH_IMAGE017
时，匹配失败，发出预警；否则，匹配成功，得到匹配成功的待检测纺织 品图像。
所述对匹配成功的待检测纺织品质量进行判断的方法为：
设置匹配成功的待检测纺织品出现渗花瑕疵的概率阈值
Figure 829858DEST_PATH_IMAGE018
，当
Figure DEST_PATH_IMAGE019
时，该纺织品 质量较差，发出预警。
本发明的有益效果是：通过光学手段使用多光谱相机采集待检测纺织品材料的图像和标准图像，然后利用均值漂移聚类将纺织品材料图像中的非图案织线颜色统一化，再对待检测图像和标准图像进行边缘检测，连通域分析，根据梯度值对连通域内像素点进行分组，根据待检测图像中连通域内每一组像素点的梯度值和标准图像中对应分组内像素点梯度值的差异，得到梯度差异均值，结合待检测图像中连通域内每组像素点梯度值相对于该组梯度均值的方差计算出待检测纺织品材料出现渗花瑕疵的概率，根据概率对待检测纺织品材料的质量进行判断，该检测方法既精准又智能。
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是本发明的一种基于光学手段的纺织品质量检测方法的流程示意图。
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。
本发明的一种基于光学手段的纺织品质量检测方法的实施例，如图1所示，包括：
步骤一：使用多光谱相机获取待检测纺织品图像，将待检测纺织品图像与标准图像进行模板匹配得到匹配成功的待检测纺织品图像；
该步骤的目的是使用多光谱相机采集自然光照下的纺织品表面图像，使用模板匹配初步判断纺织品质量。
本实施例针对的场景为：带有图案的纯色纺织品印刷完成后，使用辊轮撑展导出过程中，将多光谱相机固定在纺织品的正上方，采集纺织品表面撑展图像，通过对图像内的特征信息进行分析进而提取纺织品的质量检测。
本实施例构建一个光学检测装置，该装置包括一个点状的LED光源以及一个相机，LED光源发射白光，光线照射在织物上时，织物上不同颜色的印花对光的反射不同，例如红色的织物反射红光，但是当织物印花的颜色由于渗花导致出现颜色渐渐变淡的区域时，这些区域对特定颜色的光线反射能力变弱，导致无法根据反射光来准确的获取渗花，那么本发明就利用多光谱相机来获得颜色变淡的区域的光谱信息，来获得准确的渗花区域，进而获得织物质量。因此本发明所述的相机为多光谱相机，该相机采集的图像为多光谱图像，所述的多光谱图像相比常见的RGB图像，其具有三个以上的通道，对颜色的识别能力更强。
需要说明的是，当渗花程度较为严重时，使用模板匹配算法可以直接进行检测，但是当渗花程度较小时，模板匹配算法所得匹配准确率仍较高，而模板匹配算法受到自然光照的影响，使得即使没有渗花的纺织品与标准图像也是不能完全匹配的，即当渗花程度较小时，模板匹配算法无法判断纺织品是否存在渗花现象，因此可以先使用模板匹配先对纺织品的进行初步判断，从而筛选出与标准图像差异较大的待测图像；再对匹配准确率较大的图像进一步检测是否存在渗花瑕疵；
其中，初步判断待检测纺织品质量得到匹配成功的待检测纺织品图像的方法如下：
使用模板匹配算法计算待检测纺织品图像与标准图像的匹配准确率，所得结果记 为
Figure 83116DEST_PATH_IMAGE016
；
当
Figure 480599DEST_PATH_IMAGE017
时，认为当前待测图像与标准图像之间存在较大差异，发出预警；反之， 认为当前图像与标准图像相似度较高，匹配成功，得到匹配成功的待检测纺织品图像，此 时，还需要进一步判断。
步骤二：对匹配成功的待检测纺织品图像中的非图案区域的像素点像素值进行聚类，根据聚类结果将该区域的织线颜色修改为其主要像素点的颜色；
该步骤的目的是对步骤一无法确定的待检测图像，进一步处理，将非图案区域中的颜色统一，因为纺织品本身纹理之间存在梯度变化，干扰后续对图案边缘梯度的分析，需要首先消除纺织品的织线之间纹理的梯度影响。
需要说明的是，本实施例中的纺织品图像是一大块纯色布，上边印有几个图案，由于纯色布的颜色跟图案的颜色不一样，没印刷图案的占大部分，本步骤是把没有图案的区域的像素点的颜色化成一个统一的值（颜色统一），则在进行梯度检测的时候，在没有图案的地方就不会存在梯度，不会对后续分析判断造成干扰。
其中，主要像素点的获取方法为：
（1）对匹配成功的待检测纺织品表面图像中的非图案区域中的各个像素点的像素值进行均值漂移聚类，由此得到多个聚类结果，其中同一聚类结果中的数据表示像素值相似的一类像素点；
（2）由于纯色布纺织品中非图案区域的织线仍占大部分，所以纺织品中的非图案区域的织线对应所有聚类结果中像素点个数最多的结果，取该聚类结果的聚类中心，则该聚类中心像素点的像素值即为非图案区域中织线的主要像素值。
进一步的，为消除非图案区域中织线本身的梯度对后续操作的干扰，将织线颜色统一化，即将织线的所有像素点的像素值修改为操作（2）中所得织线的主要像素值。
步骤三：对修改颜色后的匹配成功的待检测纺织品图像进行边缘检测，得到图案区域的边缘图像，对边缘图像进行连通域分析，根据每个连通域中的边缘像素点的梯度值对该连通域内的像素点进行分组；
该步骤的目的是，对图像进行边缘检测，但是纺织品风格多样且颜色多样，当纺织品中的颜色较浅，使得不同颜色区域之间的边界在图像中不明显，使得不能完全提取图案边缘。由于不同颜色在不同颜色的光的吸收程度不同，本实施例对多光谱采集的图像的各个通道分别进行边缘检测，综合多通道边缘图像得到完整的纺织品图案边缘。
其中，边缘图像的获取方法为：
（1）使用Sobel算子分别对修改颜色后的匹配成功的待检测纺织品图像的各个通道的灰度图像进行边缘检测，由此得到多通道的边缘图像；
（2）获取多通道边缘图像的交集，即保留各个个通道中的均存在的边缘像素点，由 此得到纺织品印花图案的完整边缘图像，其中第
Figure DEST_PATH_IMAGE021
个边缘像素点的梯度值
Figure 133822DEST_PATH_IMAGE022
可表示为各个通 道上对应点的梯度值累加和的平均值。
其中，对像素点进行分组的方法为：
由于同一连通域的边缘可能是由多个与该连通域相邻的区域组合而成，当连通域颜色不相同时，会造成同一个连通域不同阶段的边缘像素点梯度值本身就不相同，因此需要将连通域与不同连通域相邻而产生的边缘进行划分，本发明中将一个连通域与另一个连通域相邻而产生的一段边缘的同一梯度认为是一种类型；
（1）对修改颜色后的匹配成功的待检测纺织品图像的边缘图像进行连通域分析， 得到
Figure DEST_PATH_IMAGE023
个连通域，每个连通域为图案中的一个闭合区域；
（2）以第
Figure 117696DEST_PATH_IMAGE003
个连通域为例，对该连通域的梯度值以及该梯度值所对应的像素点个数 进行统计，得到该连通域所对应的梯度值-个数序列；
（3）使用最小二乘法对该序列中的数据进行曲线拟合，获取该曲线的所有极大值 点，则该连通域中边缘梯度类型记为所得极大值点的个数，记为
Figure 677990DEST_PATH_IMAGE024
；
（4）按照极大值点的值(即梯度值)对该连通域中所有边缘像素点进行划分，得到
Figure 262687DEST_PATH_IMAGE024
个梯度类型的边缘像素点集合，即
Figure 10063DEST_PATH_IMAGE024
个像素点组，记第
Figure 195364DEST_PATH_IMAGE003
个连通域中的第
Figure 610164DEST_PATH_IMAGE004
组梯度类型的边 缘像素点梯度值为
Figure 693658DEST_PATH_IMAGE005
；
（5）重复上述操作，直到处理完所有连通域；
步骤四：根据匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度值和对应的标准图像中该分组的边缘像素点的梯度值得到匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值；
该步骤的目的是计算出待检测纺织品表面图像的梯度整齐程度。
其中，标准图像是指无瑕疵的纺织品图像，处理过程与匹配成功的待检测纺织品图像一样，经过步骤二将非图案区域的织线颜色统一化，经过步骤三的边缘检测和连通域像素点分组。
其中，匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值的获取方法为：
（1）对匹配成功的待检测纺织品图像进行织线颜色统一化后，对各个通道图像进行Sobel梯度检测，其中所有像素点的梯度为各个通道中对应点的梯度和的平均值；结合印花图案的完整边缘，得到当前图像中印花图案完整边缘；
（2）对标准图像中与匹配成功的待检测纺织品图像中相应的图案边缘像素点进行划分，得到各个连通域的各组边缘集合中的边缘像素点，及像素点的梯度值以及梯度方向，其中标准图像与匹配成功的待检测纺织品图像中的连通域个数及各个连通域所划分的边缘像素点集合个数相同；
由于渗花现象会造成边缘梯度与正常梯度出现差异，故而正常情况下的边缘颜色是一致的，对应的梯度也是一致，即正常情况下的梯度整齐度较大；但是当出现渗花现象时，色浆向周边扩散，使得印刷边缘的周边区域出现与图案边缘颜色相近的像素，进而导致该边缘位置的梯度值降低，使得整段边缘的梯度不一致，即梯度不整齐，且差异程度越大，出现的渗花瑕疵的程度越大。
由于不排除当前图像中存在渗花瑕疵，但渗花程度一致，导致梯度整齐程度较大的情况，即根据梯度整齐程度所得的检测结果并不准确，还需要根据当前图像相对于标准图像的对应的梯度值进行综合判断；
（3）获取匹配成功的待检测纺织品图像中第
Figure 443177DEST_PATH_IMAGE003
个连通域的第
Figure 926111DEST_PATH_IMAGE004
组边缘中各个边缘像 素点相对于标准图像中该组边缘像素点的梯度值
Figure 946151DEST_PATH_IMAGE005
的差值序列，正常情况下，差值均值较 小；但是无论渗花均匀还是不均匀，所得差值序列的均值均较大，因此可以将差值的均值作 为参考量对梯度整齐程度进行修正；故计算该差值序列的差值均值，记为
Figure 121917DEST_PATH_IMAGE006
。
步骤五：利用匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值和该组边缘像素点梯度值相对于该组像素点梯度均值的方差得到匹配成功的待检测纺织品图像中出现渗花瑕疵的概率；
该步骤的目的是计算出待检测纺织品出现渗花瑕疵的概率，具体步骤为：
（1）计算匹配成功的待检测纺织品图像中第
Figure 361662DEST_PATH_IMAGE012
个连通域的第
Figure 648287DEST_PATH_IMAGE014
组边缘像素点的平 均梯度值；根据该组边缘像素点中各个边缘像素点的梯度值相对平均梯度值的方差
Figure 319571DEST_PATH_IMAGE015
，得 到该组边缘的梯度整齐程度；
（2）则匹配成功的待检测纺织品图像中图案边缘的渗花瑕疵出现的概率
Figure 915506DEST_PATH_IMAGE010
可表示 为：
Figure DEST_PATH_IMAGE025
其中，
Figure 937820DEST_PATH_IMAGE011
为匹配成功的待检测纺织品图案本身连通域的个数；
Figure 28136DEST_PATH_IMAGE001
为第
Figure 524232DEST_PATH_IMAGE012
个连通域所 划分的边缘像素点的分组个数；
Figure 776222DEST_PATH_IMAGE026
表示匹配成功的待检测纺织品图像 中各组边缘像素点内部的梯度整齐程度，
Figure DEST_PATH_IMAGE027
表示匹配成功的待检测纺 织品图像中各组边缘像素点根据其相对于标准图像对应梯度值修正后的梯度整齐程度；
需要说明的是，当边缘内部梯度整齐程度较小，对应渗花瑕疵的概率较大；但是边缘内部梯度整齐程度较大时，对应正常情况以及渗花均匀的情况，而这两种情况的区别在于，前者的与标准图像的梯度差异较小(对应渗花概率越低)，而后者与标准图像的梯度差异较大(对应渗花概率越大)。
步骤六：根据出现渗花瑕疵的概率对匹配成功的待检测纺织品质量进行判断。
该步骤的目的是，使用步骤五计算出的概率对待检测纺织品质量进行判断。
其中，判断方法为：
设置阈值
Figure 551411DEST_PATH_IMAGE018
，当匹配成功的待检测纺织品的出现渗花下次的概率
Figure 225844DEST_PATH_IMAGE019
时，认为该 纺织品质量较差，发出预警，否则，质量合格，其中
Figure 589829DEST_PATH_IMAGE018
值根据当前纺织物的生产品级由厂家 自行设定。
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 (5)

1.一种基于光学手段的纺织品质量检测方法，其特征在于，包括：
使用多光谱相机获取待检测纺织品图像，将待检测纺织品图像与标准图像进行模板匹配得到匹配成功的待检测纺织品图像；
对匹配成功的待检测纺织品图像中的非图案区域的像素点的像素值进行聚类，根据聚类结果将该非图案区域的织线颜色修改为其主要像素点的颜色；
对修改颜色后的匹配成功的待检测纺织品图像进行边缘检测，得到边缘图像，对边缘图像进行连通域分析，根据每个连通域中的边缘像素点的梯度值对该连通域内的像素点进行分组；
根据匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度值和对应的标准图像中该分组的边缘像素点的梯度值得到匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值；
利用匹配成功的待检测纺织品图像的边缘图像中每组边缘像素点的梯度差均值和该组边缘像素点梯度值相对于该组像素点梯度均值的方差得到匹配成功的待检测纺织品图像中出现渗花瑕疵的概率；
所述匹配成功的待检测纺织品图像中出现渗花瑕疵的概率的获取步骤为：
获取匹配成功的待检测纺织品图像的边缘图像中第
Figure DEST_PATH_IMAGE002
个连通域的第
Figure DEST_PATH_IMAGE004
组边缘中各个边缘像素点相对于标准图像中对应的该组边缘各个边缘像素点的梯度值
Figure DEST_PATH_IMAGE006
的差值序列，计算该差值序列的差值均值，记为
Figure DEST_PATH_IMAGE008
；
获取匹配成功的待检测纺织品图像的边缘图像中第
Figure 328350DEST_PATH_IMAGE002
个连通域的第
Figure 560005DEST_PATH_IMAGE004
组边缘的平均梯度值，计算第
Figure 448064DEST_PATH_IMAGE004
组边缘中各个边缘像素点的梯度值相对于平均梯度值的方差
Figure DEST_PATH_IMAGE010
；
根据每组边缘像素点的差值序列均值和方差计算出匹配成功的待检测纺织品图像中出现渗花瑕疵的概率；
所述匹配成功的待检测纺织品图像中出现渗花瑕疵的概率的计算方法如下：
Figure DEST_PATH_IMAGE012
式中，
Figure DEST_PATH_IMAGE014
为匹配成功的待检测纺织品出现渗花瑕疵的概率，
Figure DEST_PATH_IMAGE016
为匹配成功的待检测纺织品图像的边缘图像中连通域的个数，
Figure DEST_PATH_IMAGE018
为第
Figure DEST_PATH_IMAGE020
个连通域的边缘像素点的分组个数，
Figure DEST_PATH_IMAGE022
为第
Figure 902661DEST_PATH_IMAGE020
个连通域中第
Figure DEST_PATH_IMAGE024
组边缘像素点与标准图像的边缘图像中对应的边缘像素点的梯度差均值，
Figure DEST_PATH_IMAGE026
为第
Figure 340202DEST_PATH_IMAGE020
个连通域中第
Figure 536566DEST_PATH_IMAGE024
组边缘像素点的梯度值相对于该组像素点梯度均值的方差；
根据出现渗花瑕疵的概率对匹配成功的待检测纺织品质量进行判断。
2.根据权利要求1所述的一种基于光学手段的纺织品质量检测方法，其特征在于，所述主要像素点的颜色的获取方法为：
将匹配成功的待检测纺织品图像中的非图案区域图像中各个像素点的像素值进行均值漂移聚类，得到多个聚类结果，同一聚类结果中的数据表示像素值相似的一类像素点；
将所有聚类结果中像素点个数最多的聚类结果的聚类中心的像素点的像素值作为该非图案区域图像的主要像素值。
3.根据权利要求1所述的一种基于光学手段的纺织品质量检测方法，其特征在于，所述对连通域内的像素点进行分组的方法为：
对该连通域边缘像素点的梯度值以及该梯度值所对应的像素点个数进行统计，得到该连通域所对应的梯度值-像素点个数序列；
使用最小二乘法对该序列中的数据进行曲线拟合，获取该曲线的所有极大值点，则该连通域中边缘梯度类型记为所得极大值点的个数，记为
Figure 147807DEST_PATH_IMAGE018
；
按照极大值点的值即梯度值对该连通域中所有边缘像素点进行划分，得到
Figure 265149DEST_PATH_IMAGE018
个梯度类型的边缘像素点集合，每个梯度类型的边缘像素点集合为一组，得到
Figure 635825DEST_PATH_IMAGE018
组边缘像素点。
4.根据权利要求1所述的一种基于光学手段的纺织品质量检测方法，其特征在于，所述匹配成功的待检测纺织品图像的获取方法为：
使用模板匹配算法计算待检测纺织品图像与标准图像的匹配准确率
Figure DEST_PATH_IMAGE028
；
若
Figure DEST_PATH_IMAGE030
时，匹配失败，发出预警；否则，匹配成功，得到匹配成功的待检测纺织品图像。
5.根据权利要求1所述的一种基于光学手段的纺织品质量检测方法，其特征在于，所述对匹配成功的待检测纺织品质量进行判断的方法为：
设置匹配成功的待检测纺织品出现渗花瑕疵的概率阈值
Figure DEST_PATH_IMAGE032
，当
Figure DEST_PATH_IMAGE034
时，该纺织品质量较差，发出预警。
CN202210758339.2A 2022-06-30 2022-06-30 一种基于光学手段的纺织品质量检测方法 Active CN114820627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210758339.2A CN114820627B (zh) 2022-06-30 2022-06-30 一种基于光学手段的纺织品质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210758339.2A CN114820627B (zh) 2022-06-30 2022-06-30 一种基于光学手段的纺织品质量检测方法

Publications (2)

Publication Number Publication Date
CN114820627A CN114820627A (zh) 2022-07-29
CN114820627B true CN114820627B (zh) 2022-09-09

Family

ID=82522928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210758339.2A Active CN114820627B (zh) 2022-06-30 2022-06-30 一种基于光学手段的纺织品质量检测方法

Country Status (1)

Country Link
CN (1) CN114820627B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131353B (zh) * 2022-08-30 2022-12-02 海门市元绒纺织科技有限公司 平网印花纺织品生产异常识别定位方法及系统
CN115294116B (zh) * 2022-10-08 2022-12-30 南通梦洁家纺有限公司 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN115311310B (zh) * 2022-10-10 2023-04-07 江苏欧罗曼家纺有限公司 通过图割实现纺织品印花图案提取的方法
CN115330785B (zh) * 2022-10-13 2022-12-23 南通爱唯家用纺织品有限公司 一种纺织鞋面质量检测方法
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
CN116228747B (zh) * 2023-05-04 2023-07-21 青岛穗禾信达金属制品有限公司 一种金属柜加工质量监测方法
CN116256363B (zh) * 2023-05-16 2023-07-28 连云港鹰游纺机集团有限公司 一种纺织品边缘抗松散检测装置及其使用方法
CN116703910B (zh) * 2023-08-07 2023-10-17 威海丰荟建筑工业科技有限公司 一种混凝土预制底板质量智能检测方法
CN117372420B (zh) * 2023-12-04 2024-02-23 巴苏尼制造(江苏)有限公司 一种染整过程中纺织印花质量视觉检测方法
CN118505689A (zh) * 2024-07-17 2024-08-16 苏州市纤维检验院 基于图像特征的纺织产品瑕疵快速检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413314A (zh) * 2013-08-19 2013-11-27 合肥师范学院 基于纹理梯度的纺织品缺陷检测算法
CN106841209A (zh) * 2016-12-28 2017-06-13 杭州慧芯智能科技有限公司 一种基于大数据自学习化纤丝锭智能外观检测系统及方法
CN113916897A (zh) * 2021-12-15 2022-01-11 武汉三力国创机械设备工程有限公司 一种基于图像处理的滤芯质量检测方法
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413314A (zh) * 2013-08-19 2013-11-27 合肥师范学院 基于纹理梯度的纺织品缺陷检测算法
CN106841209A (zh) * 2016-12-28 2017-06-13 杭州慧芯智能科技有限公司 一种基于大数据自学习化纤丝锭智能外观检测系统及方法
CN113916897A (zh) * 2021-12-15 2022-01-11 武汉三力国创机械设备工程有限公司 一种基于图像处理的滤芯质量检测方法
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置

Also Published As

Publication number Publication date
CN114820627A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114820627B (zh) 一种基于光学手段的纺织品质量检测方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN109829914B (zh) 检测产品缺陷的方法和装置
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
CN108364291A (zh) 基于计算机视觉技术的原坯布快速检测方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN110189383B (zh) 基于机器学习的中医舌色苔色定量分析方法
CN109523524B (zh) 一种基于集成学习的眼底图像硬性渗出检测方法
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN110889837A (zh) 一种具有瑕疵分级功能的布匹瑕疵检测方法
CN107195069A (zh) 一种人民币冠字号自动识别方法
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与系统
CN106204590A (zh) 一种基于灰度图像标记处理的纸病检测方法
CN115131348A (zh) 一种纺织品表面缺陷的检测方法及系统
CN116596899A (zh) 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质
CN113392819B (zh) 一种批量化学术图像自动分割标注装置和方法
CN113916893A (zh) 模切产品缺陷的检测方法
CN110705362B (zh) 一种字印分析方法和装置
CN114820533B (zh) 家具板表面耐磨花纹保留率分析计算方法
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法

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
GR01 Patent grant
GR01 Patent grant