CN114820631B - 一种抗纹理干扰的面料缺陷检测方法 - Google Patents

一种抗纹理干扰的面料缺陷检测方法 Download PDF

Info

Publication number
CN114820631B
CN114820631B CN202210778087.XA CN202210778087A CN114820631B CN 114820631 B CN114820631 B CN 114820631B CN 202210778087 A CN202210778087 A CN 202210778087A CN 114820631 B CN114820631 B CN 114820631B
Authority
CN
China
Prior art keywords
fabric
sliding window
edge
pixel points
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.)
Active
Application number
CN202210778087.XA
Other languages
English (en)
Other versions
CN114820631A (zh
Inventor
刘明
王林云
刘小平
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 Zhonghao Microfiber Products Co ltd
Original Assignee
Nantong Zhonghao Microfiber Products 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 Zhonghao Microfiber Products Co ltd filed Critical Nantong Zhonghao Microfiber Products Co ltd
Priority to CN202210778087.XA priority Critical patent/CN114820631B/zh
Publication of CN114820631A publication Critical patent/CN114820631A/zh
Application granted granted Critical
Publication of CN114820631B publication Critical patent/CN114820631B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种抗纹理干扰的面料缺陷检测方法，包括：获取待检测面料的纹路边缘图像及纹路边缘图像对应的频谱图；对频谱图进行分析，得到待检测面料的纹路方向角度；利用纹路方向角度得到各方向角度的滑窗模板；利用各滑窗模板遍历纹路边缘图像，得到每个像素点与滑窗模板的匹配程度；根据每个像素点与各滑窗模板的匹配程度对纹路边缘像素点进行去除，得到疑似缺陷边缘像素点；对疑似缺陷边缘像素点进行聚类处理，得到缺陷边缘像素点；对缺陷边缘像素点进行膨胀处理，得到待检测面料的缺陷区域。上述方法用于对面料缺陷进行检测，通过上述方法可有效降低面料本身纹路的干扰，提高缺陷检测的准确性。

Description

一种抗纹理干扰的面料缺陷检测方法
技术领域
本发明涉及图像处理领域，具体涉及一种抗纹理干扰的面料缺陷检测方法。
背景技术
纺织面料是一种应用范围广泛的材料，在服装、纱窗等领域用量极大。在纺织面料生产过程中，由于操作不当往往会导致布面出现污点和瑕疵等缺陷，这些缺陷会影响纺织面料的质量，因此，对纺织面料进行缺陷检测是必不可少的。
现有对纺织面料缺陷检测的方法包括阈值分割和模板对比两种方式。其中，阈值分割是利用缺陷位置和纺织面料花纹颜色差异进行分割得到缺陷区域；模板对比是将待检测图像与标准模板做差得到差异位置即为缺陷位置。
然而在纺织面料的检测过程中，由于纺织面料本身存在格子纹路，采用阈值分割进行缺陷检测时，对颜色差异要求较高，当缺陷位置与纺织面料格子纹路颜色相近时，分割效果较差；采用模板对比方式进行缺陷检测时，由于纺织面料本身格子颜色以及不同位置格子纹路的多样性，找到一个满足全部的生产需求的标准模板难度较大。因此亟需一种方法降低纺织面料本身纹路的干扰，提高对纺织面料缺陷检测的准确性。
发明内容
本发明提供了一种抗纹理干扰的面料缺陷检测方法，包括：获取待检测面料的纹路边缘图像及纹路边缘图像对应的频谱图；对频谱图进行分析，得到待检测面料的纹路方向角度；利用纹路方向角度得到各方向角度的滑窗模板；利用各滑窗模板遍历纹路边缘图像，得到每个像素点与各滑窗模板的匹配程度；根据每个像素点与各滑窗模板的匹配程度对纹路边缘像素点进行去除，得到疑似缺陷边缘像素点；对疑似缺陷边缘像素点进行聚类处理，得到缺陷边缘像素点；对缺陷边缘像素点进行膨胀处理，得到待检测面料的缺陷区域，相比于现有技术，结合计算机视觉与图像处理，通过对采集的面料图像进行频谱分析，自适应设计滑窗模板，利用滑窗模板得到每个像素点与滑窗模板的匹配程度，再根据匹配程度对面料图像中的纹路进行去除，可有效降低面料本身纹路对后续面料检测的干扰。
进一步的，本发明将去除纹路后的边缘像素点进行聚类分析和计算缺陷边缘概率，得到缺陷边缘区域，有效提高了对面料缺陷检测的准确性。
为达到上述目的，本发明采用以下技术方案，一种抗纹理干扰的面料缺陷检测方法，包括：
获取待检测面料的纹路边缘图像。
对纹路边缘图像进行傅里叶变换，得到纹路边缘图像对应的频谱图。
对频谱图进行阈值分割和霍夫变换检测，得到待检测面料的纹路方向角度。
设置滑窗大小，利用待检测面料的纹路方向角度确定出不同方向角度的滑窗模板。
利用不同方向角度的滑窗模板遍历纹路边缘图像，得到纹路边缘图像中每个像素点与各方向角度滑窗模板的匹配程度。
根据每个像素点与各方向角度滑窗模板的匹配程度得到纹路边缘图像中的纹路边缘像素点。
对纹路边缘图像中的纹路边缘像素点进行去除，得到疑似缺陷边缘像素点。
对疑似缺陷边缘像素点进行聚类处理，得到离散的正常纹理边缘像素点。
对离散的正常纹理边缘像素点进行去除，得到缺陷边缘像素点。
对缺陷边缘像素点进行膨胀处理，得到待检测面料的缺陷区域。
进一步的，所述一种抗纹理干扰的面料缺陷检测方法，所述待检测面料的纹路边缘图像是按照如下方式获取：
采集待检测面料展开图像。
对待检测面料展开图像进行灰度化处理，得到待检测面料展开灰度图。
对待检测面料展开灰度图进行高斯模糊处理，得到去除经纬线的待检测面料展开灰度图。
对去除经纬线的待检测面料展开灰度图进行边缘检测，获取待检测面料的纹路边缘图像。
进一步的，所述一种抗纹理干扰的面料缺陷检测方法，所述待检测面料的纹路方向角度是按照如下方式得到：
以频谱图中心点为坐标原点建立直角坐标系。
对频谱图进行阈值分割，提取频谱图中的两条亮线。
对频谱图进行霍夫变换检测直线，得到两条亮线相对于坐标原点的两个角度
Figure DEST_PATH_IMAGE001
，这两个角度即为待检测面料的纹路方向角度。
进一步的，所述一种抗纹理干扰的面料缺陷检测方法，所述各方向角度的滑窗模板是按照如下方式得到：
设置滑窗大小为n×n。
将滑窗窗口中位于左下角的像素点设为锚点，以锚点为起始位置，以纹路方向角度
Figure 100002_DEST_PATH_IMAGE002
为方向作直线，得到纹路方向角度
Figure 82730DEST_PATH_IMAGE002
对应的直线。
将直线经过滑窗窗口中的所有像素点位置标记为1，其余位置标记为0，得到纹路方向角度
Figure 999870DEST_PATH_IMAGE002
对应的滑窗模板
Figure DEST_PATH_IMAGE003
。
纹路方向角度
Figure 100002_DEST_PATH_IMAGE004
对应的滑窗模板
Figure DEST_PATH_IMAGE005
是按照以上方式得到。
进一步的，所述一种抗纹理干扰的面料缺陷检测方法，所述纹路边缘图像中每个像素点与各方向角度滑窗模板的匹配程度是按照如下方式得到：
记录滑窗模板
Figure 654973DEST_PATH_IMAGE003
中值为1的个数。
以待检测面料的纹路边缘图像的左下角为原点建立坐标系。
设置每个像素点的滑窗大小为n×n。
将每个像素点的滑窗与滑窗模板
Figure 50183DEST_PATH_IMAGE003
进行相与操作，得到相与结果滑窗中值为1的个数。
根据滑窗模板
Figure 802238DEST_PATH_IMAGE003
中值为1的个数和相与结果滑窗中值为1的个数，得到每个像素点与滑窗模板
Figure 562384DEST_PATH_IMAGE003
的匹配程度。
每个像素点与滑窗模板
Figure 829417DEST_PATH_IMAGE005
的匹配程度是按照以上方式得到。
进一步的，所述一种抗纹理干扰的面料缺陷检测方法，所述疑似缺陷边缘像素点是按照如下方式得到：
比较每个像素点与各方向角度滑窗模板的匹配程度，选取较大值作为每个像素点最终的匹配程度。
设置匹配程度阈值。
判断每个像素点最终的匹配程度与匹配程度阈值的大小。
将最终的匹配程度小于匹配程度阈值的像素点进行修正，得到该像素点修正后的匹配程度。
设置修正后的匹配程度阈值。
将纹路边缘图像中最终匹配程度不小于匹配程度阈值的像素点及修正后匹配程度不小于修正后匹配程度阈值的像素点进行去除，得到疑似缺陷边缘像素点。
进一步的，所述一种抗纹理干扰的面料缺陷检测方法，所述缺陷边缘像素点是按照如下方式得到：
对疑似缺陷边缘像素点进行聚类处理，得到各个类别对应的边缘像素点坐标序列。
利用边缘像素点坐标序列及边缘像素点与滑窗模板的最终匹配程度，得到各个类别整体为缺陷边缘的概率。
设置缺陷边缘概率阈值。
判断各个类别整体为缺陷边缘的概率与缺陷边缘概率阈值的大小，得到离散的正常纹理边缘像素点。
去除疑似缺陷边缘像素点中的离散正常纹理边缘像素点，得到缺陷边缘像素点。
本发明的有益效果在于：
结合计算机视觉与图像处理，通过对采集的面料图像进行频谱分析，自适应设计滑窗模板，利用滑窗模板得到每个像素点与滑窗模板的匹配程度，再根据匹配程度对面料图像中的纹路进行去除，可有效降低面料本身纹路对后续面料检测的干扰。
进一步的，本发明将去除纹路后的边缘像素点进行聚类分析和计算缺陷边缘概率，得到缺陷边缘区域，有效提高了对面料缺陷检测的准确性。
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为本发明实施例提供的一种面料缺陷检测方法流程示意图。
图2为本发明实施例提供的一种面料缺陷检测方法流程示意图。
图3为本发明实施例提供的一种格子布展开图示意图。
图4为本发明实施例提供的一种面料纹路边缘示意图。
图5为本发明实施例提供的一种频谱图示意图。
图6为本发明实施例提供的一种亮线分割图像示意图。
图7a为本发明实施例提供的一种滑窗模板
Figure 966000DEST_PATH_IMAGE003
示意图。
图7b为本发明实施例提供的一种滑窗模板
Figure 634879DEST_PATH_IMAGE005
示意图。
图8为本发明实施例提供的一种缺陷分布示意图。
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。
实施例1
本发明实施例提供一种抗纹理干扰的面料缺陷检测方法，如图1所示，包括：
S101、获取待检测面料的纹路边缘图像。
其中，纹路边缘图像是由采集的面料图像经过灰度化处理、高斯模糊处理和边缘检测得到的。
S102、对纹路边缘图像进行傅里叶变换，得到纹路边缘图像对应的频谱图。
其中，傅里叶变换表示能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。
S103、对频谱图进行阈值分割和霍夫变换检测，得到待检测面料的纹路方向角度。
其中，霍夫变换是一种特征检测，被广泛应用在图像分析、计算机视觉以及数位影像处理。霍夫变换是用来辨别找出物件中的特征，例如：线条。
S104、设置滑窗大小，利用待检测面料的纹路方向角度确定出不同方向角度的滑窗模板。
其中，滑窗大小为n×n。
S105、利用不同方向角度的滑窗模板遍历纹路边缘图像，得到纹路边缘图像中每个像素点与各方向角度滑窗模板的匹配程度。
其中，每个像素点与各方向角度滑窗模板的匹配程度是根据滑窗模板中值为1的个数和相与结果滑窗中值为1的个数得到。
S106、根据每个像素点与各方向角度滑窗模板的匹配程度得到纹路边缘图像中的纹路边缘像素点。
其中，纹路边缘像素点指的是纹路边缘图像中最终匹配程度不小于匹配程度阈值的像素点及修正后匹配程度不小于修正后匹配程度阈值的像素点。
S107、对纹路边缘图像中的纹路边缘像素点进行去除，得到疑似缺陷边缘像素点。
其中，对纹路边缘像素点进行去除是为了降低面料本身纹路对缺陷检测的干扰。
S108、对疑似缺陷边缘像素点进行聚类处理，得到离散的正常纹理边缘像素点。
其中，聚类指的是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
S109、对离散的正常纹理边缘像素点进行去除，得到缺陷边缘像素点。
其中，对离散的正常纹理边缘像素点进行去除是为了更精确地得到属于缺陷边缘的像素点。
S110、对缺陷边缘像素点进行膨胀处理，得到待检测面料的缺陷区域。
其中，膨胀处理指的是在图像的边缘添加像素值，使得整体的像素值扩张，进而达到图像的膨胀效果，也可以说是信号与系统书中所提到的像素插值处理。
本实施例的有益效果在于：
结合计算机视觉与图像处理，通过对采集的面料图像进行频谱分析，自适应设计滑窗模板，利用滑窗模板得到每个像素点与滑窗模板的匹配程度，再根据匹配程度对面料图像中的纹路进行去除，可有效降低面料本身纹路对后续面料检测的干扰。
进一步的，本实施例将去除纹路后的边缘像素点进行聚类分析和计算缺陷边缘概率，得到缺陷边缘区域，有效提高了对面料缺陷检测的准确性。
实施例2
本发明实施例提供一种抗纹理干扰的面料缺陷检测方法，如图2所示，包括：
S201、采集待检测面料展开图像。
在格子布生产过程中，使用相机采集格子布展开图像，如图3所示。
S202、获取待检测面料的纹路边缘图像。
除了面料明显可见的纹路，面料上经纬线也会产生梯度以及频谱信息，故经纬线的存在会对检测结果产生干扰，所以需要去除经纬线；而经纬线为图像高频信息，所以使用高斯模糊滤波即可。
输入采集图像，图像灰度化处理，使用高斯模糊对图像进行滤波，所得结果进行Canny边缘检测，得到梯度边缘即为面料纹路边缘，效果如图4所示。
至此，得到面料的纹路边缘图像。
S203、获取待检测面料的纹路边缘图像频谱图。
频谱表现的是图像上像素值的变化频率，由于格子布的纹路方向性较强，即其频率变化的方向是稳定的，转化到频谱图中就表现为明显的两个与纹路方向垂直的方向，且面料的部分缺失不会影响整体方向，因此转换到频域中可以更直观的分析出面料纹路的整体分布方向。
使用傅里叶变换，将纹路边缘图像转换到频域空间内，得到其频谱图像，所得图像如图5所示：由图5可以看出，面料的整体方向表现为频谱图中的两条亮线，由于频谱图中表现的是灰度变化的方向，故每条亮线与其实际对应的纹路方向是垂直的，而纹路本身的两条方向也是互相垂直的，所以频谱图中两条亮线的方向相当于格子面料的纹路的两个方向。
S204、对纹路边缘图像频谱图进行分析，得到滑窗模板。
要去除面料纹路，要将其在纹路垂直方向上的像素量减少，而频谱图中表现的方向就是与纹路垂直的方向，因此频谱图中亮线的走向即可反映滑窗模板中的值分布情况。
对频谱图进一步操作：
a. 以频谱图中心点为坐标原点建立直角坐标系；
b. 对所得频谱图进行阈值分割，提取出两条亮线，效果如图6所示；
c. 使用霍夫变换检测直线，得到两条亮线相对于坐标原点（频谱中心点）的两个角度
Figure 565926DEST_PATH_IMAGE001
，由于两条直线相互垂直，所以
Figure 257938DEST_PATH_IMAGE001
的取值范围限定在[0，180]内，且
Figure 100002_DEST_PATH_IMAGE006
；
设置窗口大小为n×n，本实施例选用窗口大小为
Figure DEST_PATH_IMAGE007
；
1.将窗口中位于左下角的像素点设为锚点，以锚点为起始位置，向与水平方向夹角为
Figure 932633DEST_PATH_IMAGE002
的方向上作直线，该直线经过滑窗中的所有像素点位置标记为1(图7a中表示为白色)，其余位置为0(图7a中表示为黑色)，作为滑窗模板
Figure 393701DEST_PATH_IMAGE003
；
2.将窗口中位于右下角的像素点设为锚点，以锚点为起始位置，向与水平方向夹角为
Figure 823546DEST_PATH_IMAGE004
的方向上作直线，该直线经过滑窗中的所有像素点位置标记为1，其余位置为0，作为滑窗模板
Figure 2854DEST_PATH_IMAGE005
；
3.分别记录两个模板中值为1的个数为
Figure 100002_DEST_PATH_IMAGE008
，所得滑窗模板
Figure 215661DEST_PATH_IMAGE003
的形式如图7a所示，滑窗模板
Figure 859132DEST_PATH_IMAGE005
的形式如图7b所示：图中黑色方格为0，白色方格为1。
S205、得到纹路边缘图像中每个像素点与滑窗模板最终的匹配程度。
a.以边缘图像的左下角为原点建立直角坐标系；
b.先使用滑窗模板
Figure DEST_PATH_IMAGE009
遍历图像：以每个边缘像素点为锚点，由此得到该边缘像素点所对应的
Figure 69665DEST_PATH_IMAGE007
滑窗；将所得滑窗与滑窗模板
Figure 798586DEST_PATH_IMAGE009
进行相与操作，相与结果为1，表示该边缘像素点与模板上对应位置的像素点的值均为1，即该边缘像素点为待测滑窗中与模板
Figure 815084DEST_PATH_IMAGE009
重合的像素点；相与结果为0，表示滑窗中该位置的像素点为非边缘点或与模板
Figure 313061DEST_PATH_IMAGE009
不重合的点。记录相与结果滑窗中值为1的个数为
Figure 100002_DEST_PATH_IMAGE010
。
则该边缘像素点对应的滑窗与滑窗模板
Figure 16532DEST_PATH_IMAGE009
的匹配程度
Figure DEST_PATH_IMAGE012
为：
Figure DEST_PATH_IMAGE014
式中：
Figure 842537DEST_PATH_IMAGE010
为相与结果滑窗中值为1的个数，
Figure DEST_PATH_IMAGE015
为滑窗模板
Figure 662725DEST_PATH_IMAGE009
中值为1的个数，
Figure 952892DEST_PATH_IMAGE012
为边缘像素点对应的滑窗与滑窗模板
Figure 895440DEST_PATH_IMAGE009
的匹配程度。
c.重复操作2，得到每个像素点滑窗与滑窗模板
Figure 271058DEST_PATH_IMAGE009
的匹配程度
Figure 691675DEST_PATH_IMAGE012
；
d. 使用滑窗模板
Figure DEST_PATH_IMAGE016
再次遍历图像，处理过程同上，得到每个边缘像素点所对应滑窗与
Figure 101928DEST_PATH_IMAGE016
的匹配程度
Figure DEST_PATH_IMAGE017
；
e. 遍历时，滑窗中的边缘分布主要有三种情况：单条面料纹路边缘，面料纹路交叉位置，缺陷边缘；而第一种情况对两个模板中的其中一个匹配程度较高，第二种情况对两种模板的匹配程度均较高，第三种情况对两个模板的匹配程度均较低，因此选取
Figure 90743DEST_PATH_IMAGE012
和
Figure 15974DEST_PATH_IMAGE017
中较大的一个作为该边缘像素点最终的匹配程度
Figure DEST_PATH_IMAGE018
，即
Figure DEST_PATH_IMAGE019
。
S206、对匹配程度较低的边缘像素点进行修正，得到修正后的匹配程度。
实际中，部分位置的滑窗中，如边缘的端点位置，其滑窗内的边缘像素点的个数本来就较少，导致与模板的匹配程度较低，因此对于这种情况，需要对上一步所得匹配程度进行修正。
对匹配程度小于0.6的边缘像素点，即
Figure DEST_PATH_IMAGE020
的边缘像素点进行修正，记录以该像素点为中心，5个像素宽度为半径的圆内的所有像素点的匹配程度值，得到该点的周边匹配程度序列
Figure DEST_PATH_IMAGE021
，其中
Figure DEST_PATH_IMAGE022
为圆内的边缘像素点个数，则该像素点修正后的匹配程度
Figure DEST_PATH_IMAGE023
为：
Figure DEST_PATH_IMAGE025
式中：
Figure 991014DEST_PATH_IMAGE023
为该像素点修正后的匹配程度，
Figure 990194DEST_PATH_IMAGE022
为圆内的边缘像素点个数，
Figure DEST_PATH_IMAGE026
为以该像素点为中心，5个像素宽度为半径的圆内的第
Figure DEST_PATH_IMAGE027
个像素点的匹配程度值。
S207、对纹路边缘图像中的纹路边缘像素点进行去除，得到疑似缺陷边缘像素点。
使用模板遍历图像进行消除时，考虑到纹路与缺陷的边缘存在交叉区域，为防止缺陷的边缘也被消除掉，需要对模板覆盖下的区域进行判断，对存在缺陷的区域不进行消除，而对确定为面料纹路的区域进行消除，以达到保留缺陷边缘的目的。
边缘图像中包括面料本身的纹路边缘，还有缺陷的轮廓边缘。当滑窗区域中存在缺陷时，由于缺陷的轮廓边缘分布与面料的纹路分布存在一定差异，所以当区域内与面料纹路的差异较大（即滑窗与模板的匹配程度较低）时，认为该区域存在疑似缺陷的边缘，不对其进行消除；当滑窗中均为面料的纹路信息时，认为该区域为正常纹路，需要对其进行消除，即区域消除概率较大，由此对图像进行选择性消除边缘像素点，尽可能保留缺陷区域。
当匹配程度较高时，表示其为面料纹路边缘的可能性较大，对应消除的概率越大，对纹路边缘图像中
Figure DEST_PATH_IMAGE028
的边缘像素点和修正后的匹配程度
Figure DEST_PATH_IMAGE029
的边缘像素点进行去除，得到疑似缺陷边缘像素点。
S208、对疑似缺陷边缘像素点进行聚类处理，得到疑似缺陷聚类结果。
由于噪声等因素的干扰，对纹路边缘图像中进行选择性消除可能存在消除不完全的现象，即所得消除结果中存在离散的小型边缘或边缘点，但这些边缘点又是正常的纹理边缘，是需要去除的。缺陷的边缘与这些正常的离散小边缘的区别在于缺陷边缘附近大多为低消除概率，集中的分布在某一块区域中，如图8所示。
所以可以根据低匹配程度的分布密集程度来对其进行区分。而DBSACN算法可以基于密度进行聚类，且可以对任意形状的数据集进行聚类,所以使用DBSCAN算法对上一步所得结果进行聚类；但聚类结果中会将背景点（噪声、图中离散的边缘点）划分为一类，所以需要对所得聚类结果进一步筛选。
使用DBSCAN聚类处理疑似缺陷边缘像素点，得到各个类别对应的边缘像素点坐标序列，其中第
Figure 81735DEST_PATH_IMAGE027
个类中的像素点坐标序列表示为：
Figure DEST_PATH_IMAGE030
，其中
Figure DEST_PATH_IMAGE031
为该类中的像素点个数。
S209、计算疑似缺陷聚类结果的缺陷边缘概率，得到缺陷边缘像素点。
计算第
Figure 431945DEST_PATH_IMAGE027
个聚类结果为缺陷边缘的概率，当该类中相邻点之间的距离越近，每个像素点与模板的匹配程度越低，该类别为缺陷边缘的概率越大，则该类别整体为缺陷边缘的概率
Figure DEST_PATH_IMAGE032
可表示为：
Figure DEST_PATH_IMAGE033
其中
Figure DEST_PATH_IMAGE034
为该类别中第
Figure DEST_PATH_IMAGE036
个像素点与模板的匹配程度。
Figure 476256DEST_PATH_IMAGE032
为第
Figure 595521DEST_PATH_IMAGE027
个类别整体为缺陷边缘的概率，
Figure 785194DEST_PATH_IMAGE031
为第
Figure 622700DEST_PATH_IMAGE027
个类别中的像素点个数，（
Figure DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE038
）为该类别中第
Figure 126494DEST_PATH_IMAGE036
个像素点的坐标，（
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE041
）为该类别中第
Figure DEST_PATH_IMAGE042
个像素点的坐标。
重复上述步骤，直到处理完DBSCAN算法所得的所有聚类结果。
设置阈值
Figure DEST_PATH_IMAGE043
，
Figure 241212DEST_PATH_IMAGE043
的经验值为
Figure DEST_PATH_IMAGE044
，当
Figure DEST_PATH_IMAGE045
时，认为该类别为缺陷的边缘像素点组合而成，进而得到离散的正常纹路边缘像素点，对离散的正常纹路边缘像素点进行去除，由此筛选出缺陷边缘所表示的边缘点。
S210、对缺陷边缘像素点进行膨胀处理，得到待检测面料的缺陷区域。
由于在消除过程中，不可避免地出现缺陷边缘被消除掉的现象，导致缺陷边缘出现断裂，因此为尽可能地保持缺陷区域的完整性，需要对缺陷边缘像素点进行膨胀处理，使边缘断开的位置进行连接所得最终区域即为缺陷区域。
1.首先对缺陷边缘像素点进行膨胀处理，使边缘断裂的位置连接；
2.再使用Seed Filling（种子填充法）进行连通域分析，所得连通域即为缺陷区域。
本实施例的有益效果在于：
结合计算机视觉与图像处理，通过对采集的面料图像进行频谱分析，自适应设计滑窗模板，利用滑窗模板得到每个像素点与滑窗模板的匹配程度，再根据匹配程度对面料图像中的纹路进行去除，可有效降低面料本身纹路对后续面料检测的干扰。
进一步的，本实施例将去除纹路后的边缘像素点进行聚类分析和计算缺陷边缘概率，得到缺陷边缘区域，有效提高了对面料缺陷检测的准确性。
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 (6)

1.一种抗纹理干扰的面料缺陷检测方法，其特征在于，包括：
获取待检测面料的纹路边缘图像；
对纹路边缘图像进行傅里叶变换，得到纹路边缘图像对应的频谱图；
对频谱图进行阈值分割和霍夫变换检测，得到待检测面料的纹路方向角度；
设置滑窗大小，利用待检测面料的纹路方向角度确定出不同方向角度的滑窗模板；
利用不同方向角度的滑窗模板遍历纹路边缘图像，得到纹路边缘图像中每个像素点与各方向角度滑窗模板的匹配程度；
根据每个像素点与各方向角度滑窗模板的匹配程度得到纹路边缘图像中的纹路边缘像素点；
对纹路边缘图像中的纹路边缘像素点进行去除，得到疑似缺陷边缘像素点；
对疑似缺陷边缘像素点进行聚类处理，得到离散的正常纹理边缘像素点；所述离散的正常纹理边缘像素点是按照如下方式得到：
对疑似缺陷边缘像素点进行聚类处理，得到各个类别对应的边缘像素点坐标序列；
利用边缘像素点坐标序列及边缘像素点与滑窗模板的最终匹配程度，得到各个类别整体为缺陷边缘的概率；
设置缺陷边缘概率阈值；
判断各个类别整体为缺陷边缘的概率与缺陷边缘概率阈值的大小，得到离散的正常纹理边缘像素点；
对离散的正常纹理边缘像素点进行去除，得到缺陷边缘像素点；
对缺陷边缘像素点进行膨胀处理，得到待检测面料的缺陷区域。
2.根据权利要求1所述的一种抗纹理干扰的面料缺陷检测方法，其特征在于，所述待检测面料的纹路边缘图像是按照如下方式获取：
采集待检测面料展开图像；
对待检测面料展开图像进行灰度化处理，得到待检测面料展开灰度图；
对待检测面料展开灰度图进行高斯模糊处理，得到去除经纬线的待检测面料展开灰度图；
对去除经纬线的待检测面料展开灰度图进行边缘检测，获取待检测面料的纹路边缘图像。
3.根据权利要求1所述的一种抗纹理干扰的面料缺陷检测方法，其特征在于，所述待检测面料的纹路方向角度是按照如下方式得到：
以频谱图中心点为坐标原点建立直角坐标系；
对频谱图进行阈值分割，提取频谱图中的两条亮线；
对频谱图进行霍夫变换检测直线，得到两条亮线相对于坐标原点的两个角度
Figure DEST_PATH_IMAGE002
，这两个角度即为待检测面料的纹路方向角度。
4.根据权利要求3所述的一种抗纹理干扰的面料缺陷检测方法，其特征在于，所述不同方向角度的滑窗模板是按照如下方式得到：
设置滑窗大小为n×n；
将滑窗窗口中位于左下角的像素点设为锚点，以锚点为起始位置，以纹路方向角度
Figure DEST_PATH_IMAGE004
为方向作直线，得到纹路方向角度
Figure 777889DEST_PATH_IMAGE004
对应的直线；
将直线经过滑窗窗口中的所有像素点位置标记为1，其余位置标记为0，得到纹路方向角度
Figure 632713DEST_PATH_IMAGE004
对应的滑窗模板
Figure DEST_PATH_IMAGE006
；
纹路方向角度
Figure DEST_PATH_IMAGE008
对应的滑窗模板
Figure DEST_PATH_IMAGE010
是按照以上方式得到。
5.根据权利要求1所述的一种抗纹理干扰的面料缺陷检测方法，其特征在于，所述纹路边缘图像中每个像素点与各方向角度滑窗模板的匹配程度是按照如下方式得到：
记录滑窗模板
Figure 287816DEST_PATH_IMAGE006
中值为1的个数；
以待检测面料的纹路边缘图像的左下角为原点建立坐标系；
设置每个像素点的滑窗大小为n×n；
将每个像素点的滑窗与滑窗模板
Figure 620709DEST_PATH_IMAGE006
进行相与操作，得到相与结果滑窗中值为1的个数；
根据滑窗模板
Figure 435081DEST_PATH_IMAGE006
中值为1的个数和相与结果滑窗中值为1的个数，得到每个像素点与滑窗模板
Figure 195227DEST_PATH_IMAGE006
的匹配程度；
每个像素点与滑窗模板
Figure 462260DEST_PATH_IMAGE010
的匹配程度是按照以上方式得到。
6.根据权利要求1所述的一种抗纹理干扰的面料缺陷检测方法，其特征在于，所述疑似缺陷边缘像素点是按照如下方式得到：
比较每个像素点与各方向角度滑窗模板的匹配程度，选取较大值作为每个像素点最终的匹配程度；
设置匹配程度阈值；
判断每个像素点最终的匹配程度与匹配程度阈值的大小；
将最终的匹配程度小于匹配程度阈值的像素点进行修正，得到该像素点修正后的匹配程度；
设置修正后的匹配程度阈值；
将纹路边缘图像中最终匹配程度不小于匹配程度阈值的像素点及修正后匹配程度不小于修正后匹配程度阈值的像素点进行去除，得到疑似缺陷边缘像素点。
CN202210778087.XA 2022-07-04 2022-07-04 一种抗纹理干扰的面料缺陷检测方法 Active CN114820631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210778087.XA CN114820631B (zh) 2022-07-04 2022-07-04 一种抗纹理干扰的面料缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210778087.XA CN114820631B (zh) 2022-07-04 2022-07-04 一种抗纹理干扰的面料缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114820631A CN114820631A (zh) 2022-07-29
CN114820631B true CN114820631B (zh) 2022-09-20

Family

ID=82522456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210778087.XA Active CN114820631B (zh) 2022-07-04 2022-07-04 一种抗纹理干扰的面料缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114820631B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131348B (zh) * 2022-08-30 2022-11-15 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
CN115187597B (zh) * 2022-09-09 2022-11-18 南通市昊逸阁纺织品有限公司 一种纺织品缺陷检测方法
CN117314925B (zh) * 2023-11-30 2024-02-20 东莞市旺佳五金制品有限公司 基于计算机视觉的金属工件表面缺陷检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101447077A (zh) * 2008-12-18 2009-06-03 浙江大学 面向纺织行业的彩色纺织纹理图像的边缘检测方法
CN104331873A (zh) * 2013-07-22 2015-02-04 浙江大学 一种从单幅图像检测道路的方法
CN113643294B (zh) * 2021-10-14 2022-02-18 江苏祥顺布业有限公司 基于频谱分析的纺织品缺陷自适应检测方法
CN113989228A (zh) * 2021-10-27 2022-01-28 西安工程大学 一种基于自注意力的彩色纹理织物缺陷区域的检测方法

Also Published As

Publication number Publication date
CN114820631A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114820631B (zh) 一种抗纹理干扰的面料缺陷检测方法
CN112630222B (zh) 一种基于机器视觉的手机盖板玻璃缺陷检测方法
CN106407883B (zh) 一种复杂表格及其内部手写数字识别方法
CN109410230B (zh) 一种可抗噪声的改进Canny图像边缘检测方法
CN110119741B (zh) 一种有背景的卡证图像信息识别方法
CN110163219B (zh) 基于图像边缘识别的目标检测方法
CN116843688B (zh) 一种纺织品质量视觉检测方法
CN111833366A (zh) 一种基于Canny算法的边缘检测方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN114399522A (zh) 一种基于高低阈值的Canny算子的边缘检测方法
CN116433666B (zh) 板卡线路缺陷在线识别方法、系统、电子设备及存储介质
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN114972575A (zh) 一种基于轮廓边缘的直线拟合算法
CN116416268B (zh) 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN114821284A (zh) 一种纺织品生产用码布机智能调节方法
CN112801031A (zh) 静脉图像识别方法、装置、电子设备及可读存储介质
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN115311279A (zh) 一种织物经纬瑕疵的机器视觉识别方法
CN115908404B (zh) 图像条纹干扰的检测方法、装置、电子设备及介质
CN111681181A (zh) 一种织物表面起球程度的评价方法
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
CN116309780A (zh) 一种基于目标检测的水尺水位识别方法
CN112085683B (zh) 一种显著性检测中的深度图可信度检测方法

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