CN114841938A - 一种织物勾丝缺陷检测方法 - Google Patents

一种织物勾丝缺陷检测方法 Download PDF

Info

Publication number
CN114841938A
CN114841938A CN202210432006.0A CN202210432006A CN114841938A CN 114841938 A CN114841938 A CN 114841938A CN 202210432006 A CN202210432006 A CN 202210432006A CN 114841938 A CN114841938 A CN 114841938A
Authority
CN
China
Prior art keywords
pixel point
pixel
window
point
neighborhood
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.)
Pending
Application number
CN202210432006.0A
Other languages
English (en)
Inventor
卢彬
秦俞
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 Haiheng Textile Equipment Co ltd
Original Assignee
Nantong Haiheng Textile Equipment 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 Haiheng Textile Equipment Co ltd filed Critical Nantong Haiheng Textile Equipment Co ltd
Priority to CN202210432006.0A priority Critical patent/CN114841938A/zh
Publication of CN114841938A publication Critical patent/CN114841938A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/30—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

Abstract

本发明涉及一种织物勾丝缺陷检测方法；获取待检测织物图像，计算待检测织物图像上各像素点的梯度幅值、梯度方向和改进LBP值；基于梯度幅值、梯度方向和改进LBP值对各像素点进行聚类，得到各类别中面积最小的类别的连通域；获取缺陷样本图像，在缺陷样本图像中任意选取其中一个像素点，计算该像素点与剩余其他像素点的特征差异度；在特征差异度中选取K个较大的特征差异度，并将K个特征差异度对应的像素点作为特征点；分别计算连通域上各像素点与所有特征点的匹配距离；根据匹配距离得到各像素点的度量；基于度量与匹配阈值的比较结果，获取勾丝缺陷点，进而得到连通域上的勾丝缺陷区域。本发明能够准确获取待检测织物图像上的勾丝缺陷区域。

Description

一种织物勾丝缺陷检测方法
技术领域
本发明涉及图像处理领域，具体涉及一种织物勾丝缺陷检测方法。
背景技术
目前，中国是世界上最大的纺织品生产国和出口国，拥有最齐全的纺织品种类和最完整的产业链；纺织品在国家经济发展中起着重要的作用。在纺织品中，如若一些织物出现瑕疵缺陷，则会降低织物的质量，进而影响同一批次纺织品的质量；因此，需要对织物进行缺陷检测。
现有技术中，对于织物的缺陷检测大都采取人工进行检测，利用人工检测的缺点十分明显；例如，织物上较小的瑕疵点可能会因为工人的疏忽而被忽略，导致带有瑕疵的织物产品进入市场；其中，织物的勾丝缺陷作为较小的瑕疵点之一通常会被检测工人忽略；与此同时，工人的专注力达不到要求，不仅使得缺陷检测不准确，而且致使缺陷检测的效率低下；同时，随着织物生产速度的提升，肉眼越来越难分辨流水线上织物的缺陷目标，织物的缺陷检测变得更加困难。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种织物勾丝缺陷检测方法，所采用的技术方案具体如下：
获取待检测织物图像，计算所述待检测织物图像上各像素点的梯度幅值和梯度方向；
在所述待检测织物图像上随机选取一个像素点，利用扩张卷积核选取该像素点的8邻域像素点，计算该像素点的8邻域的LBP值，基于最大的LBP值得到该像素点的改进LBP值；进而得到各像素点的改进LBP值；
基于所述梯度幅值、梯度方向和改进LBP值，对各像素点进行聚类，得到多个类别，获取各类别中面积最小的类别，进而得到所述面积最小的类别的连通域；
获取缺陷样本图像，在所述缺陷样本图像中任意选取其中一个像素点，计算该像素点与剩余其他像素点的特征差异度；在所述特征差异度中选取K个较大的特征差异度，其中K大于2，并将K个特征差异度对应的像素点作为特征点；
分别计算所述连通域上各像素点与所有特征点的匹配距离；将各像素点对应的最小匹配距离作为各像素点的度量；
将所述度量与匹配阈值作比较，若所述度量小于所述匹配阈值，则对应像素点为勾丝缺陷点，进而得到所述连通域上的勾丝缺陷区域。
进一步地，所述特征差异度的获取方法为：获取各像素点的主窗口和邻域窗口，所述主窗口为像素点处于滑窗的中心位置的窗口，所述邻域窗口为像素点分别处于滑窗角点的位置的窗口；基于各像素点的主窗口，计算任意两像素点的不相关度量，基于该任意两像素点对应的邻域窗口，计算任意两像素点的差异度，将该任意两像素点的不相关度量与差异度之和作为两像素点的特征差异度；
所述特征差异度的计算公式为：
T＝S(IWm,IWn)+TN
其中，IWm为像素点m的主窗口，IWn为像素点n的主窗口，S(IWm,IWn)为像素点m与像素点n的不相关度量，TN为像素点m与像素点n的差异度；
式中，S(IWm,IWn)＝1-NCC(IWm,IWn)，其中，NCC为归一化互相关函数。
进一步地，所述任意两像素点的差异度的获取方法为：计算其中一像素点的一邻域窗口与另一像素点的所有邻域窗口的不相关度量，进而得到其中一像素点的所有邻域窗口与另一像素点的所有邻域窗口的不相关度量，并利用KM算法获取最大权匹配，将所述最大权匹配作为任意两像素点的差异度。
进一步地，所述改进LBP值为：
Figure BDA0003611127650000021
其中，LBP′j为像素点j的改进LBP值，LBPj为像素点j最大的LBP值，n为8邻域像素点的灰度值大于像素点j灰度值的总个数，Gray′j为像素点j的灰度值，Grayi为第i个大于像素点j灰度值的像素点对应的灰度值。
进一步地，所述匹配距离的计算方法为：获取连通域上各像素点的主窗口和邻域窗口，所述主窗口为像素点处于滑窗的中心位置的窗口，所述邻域窗口为像素点处于滑窗角点的位置的窗口；获取各特征点的主窗口和邻域窗口；基于各像素点和各特征点的主窗口，计算任意一像素点与其中一特征点的不相关度量，基于任意一像素点与其中一特征点对应的邻域窗口，计算任意一像素点与其中一特征点的关联度，将任意一像素点与其中一特征点的不相关度量与关联度之和作为任意一像素点与其中一特征点的匹配距离；
匹配距离的计算公式为：
D＝S(IWs,IWu)+DN
其中，IWs为像素点s的主窗口，IWu为特征点u的主窗口，S(IWs,IWu)为像素点s与特征点u的不相关度量，DN为像素点s与特征点u的关联度；
式中，S(IWs,IWu)＝1-NCC(IWs,IWu)，其中，NCC为归一化互相关函数。
进一步地，所述任意一像素点与其中一特征点的关联度获取方法为：计算任意一像素点的一邻域窗口与其中一特征点的所有邻域窗口的不相关度量，进而得到任意一像素点的所有邻域窗口与其中一特征点的所有邻域窗口的不相关度量，并利用KM算法获取最小权匹配，将所述最小权匹配作为任意一像素点与其中一特征点的关联度。
本发明实施例至少具有如下有益效果：
本发明通过选取缺陷样本图像中的特征点，计算连通域上各像素点与所有特征点的匹配距离，将各像素点对应的最小匹配距离作为各像素点的度量，通过度量与匹配阈值的比较结果判断连通域上各像素点是否为勾丝缺陷点；其中，特征点代表缺陷样本图像中的各种勾丝缺陷类型，利用特征点进行计算，在减少计算量的前提下也可以更加准确地判断像素点是否为勾丝缺陷点。
本发明进行匹配距离的计算时，利用KM算法获取对应邻域窗口的最小权匹配，将最小权匹配作为对应邻域窗口之间的关联度；同时，本发明进行度量的选取时，将各像素点对应的最小匹配距离作为各像素点的度量；保证了度量获取的准确性，进而降低了勾丝缺陷点检测的误检率。
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为本发明的一种织物勾丝缺陷检测方法实施例的方法流程图；
图2为扩张卷积核的示意图。
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织物勾丝缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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。
请参阅图1，其示出了本发明一个实施例提供的一种织物勾丝缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤1，获取待检测织物图像，计算待检测织物图像上各像素点的梯度和梯度幅值。
具体地，在后工艺整理前的流水线布置相机，利用相机采集织物图像，其中，相机放置在织物的正上方；进一步地，对织物的图像进行预处理，得到待检测织物图像。
上述的预处理包括织物图像的灰度化处理和织物图像的前景分割，本实施例中，利用Grapcut方法实现织物图像的前景分割，其中Grapcut为公知技术，不再赘述其原理；利用加权平均法实现织物图像的灰度化处理，作为其他实施方式，最大值法、平均值法以及分量法同样适用。
进一步地，对待检测织物图像利用直方图均衡化技术或高斯滤波技术，提高待检测织物图像的质量。
具体地，利用Sobel算子计算待检测织物图像上各像素点的梯度方向，其中，Sobel算子包括X，Y两个方向上的模板，因此，各像素点的梯度包括X方向上的梯度和Y方向上的梯度；梯度幅值为：
Figure BDA0003611127650000041
式中，Fj为像素点j的梯度幅值，Xj为像素点j在X方向上的梯度，Yj为像素点j在Y方向上梯度。
步骤2，在待检测织物图像上随机选取一个像素点，利用扩张卷积核选取该像素点的8邻域像素点，计算该像素点的8邻域LBP值，基于最大的LBP值得到该像素点的改进LBP值；进而得到各像素点的改进LBP值。
具体地，利用旋转不变LBP算子(Local Binary Pattern)获取各像素点的LBP值，获取方法为：LBP算子定义在3×3的窗口内，以窗口中心像素点的灰度值为阈值，将与中心像素点相邻的8个像素点的灰度值与中心像素点的灰度值进行比较，若周围像素点的灰度值大于中心像素点的灰度值，则该像素点的位置被标记为1，否则标记为0；依次类推，3×3窗口中的8个像素点经比较可产生二进制窗口，进而得到8位二进制数(从窗口左上像素点为起始点，顺时针取)，将8位二进制数转换为十进制数，即得到该窗口中心像素点的一个LBP值；进一步地，旋转二进制窗口，每旋转45°记录一次二进制数，共得到8组二进制数，分别将8组二进制数转换为十进制，共得到8个LBP值，选取最小的LBP值作为窗口中心像素点的LBP值。
本实施例中，扩张卷积在计算的时候可以把卷积看成是按照一定值进行了扩张，以3×3的卷积核为例，若扩张系数为2，则扩张卷积核在计算的时候可以看作为一个5×5的卷积核，本实施例中的扩张卷积核的扩张系数为2，如图2所示；其中，扩张卷积为现有技术，此处不再赘述。
具体地，改进LBP值为：
Figure BDA0003611127650000051
其中，LBP′j为像素点j的改进LBP值，LBPj为最大的LBP值，n为8邻域像素点的灰度值大于像素点j灰度值的总个数，Gray′j为像素点j的灰度值，Grayi为第i个大于像素点j灰度值的像素点对应的灰度值。
上述步骤中，像素点的改进LBP值越大，代表该像素点附近存在越多灰度值比该像素点灰度值大的像素点，同时代表附近像素点与该像素点的差异也越大。
需要说明的是，增加周围像素点的灰度值进行计算改进LBP值的原因是，织物表面各像素点的灰度值比较接近，灰度值容易存在波动，导致出现周围像素点的灰度值大于中心像素点的灰度值的情况，使得求出的LBP值过大；但在织物表面，非缺陷区域的各像素点的灰度值的差异是比较小的，而织物勾丝缺陷区域的各像素点的灰度值与非缺陷区域的各像素点的灰度值的差异通常是比较大的，因此增加周围像素点的灰度值进行计算，使得织物勾丝缺陷处的像素点的改进LBP值更大。
本实施例中，利用扩张卷积核选取像素点的8邻域像素点的原因是，为了便于区分缺陷区域像素点与非缺陷区域像素点，得到缺陷区域中各像素点更为明显的改进LBP值；由于勾丝缺陷一般为线段，若选用原始的8邻域像素点的选取位置，则会造成选取的8邻域像素点仍然为缺陷区域像素点，导致计算的中心像素点的改进LBP值不明显。
步骤3，基于梯度幅值、梯度方向和改进LBP值，对各像素点进行聚类，得到多个类别，获取各类别中面积最小的类别，进而得到面积最小的类别的连通域。
优选的，为了方便聚类，将各像素点对应的梯度方向、梯度幅值和改进LBP值进行归一化，统一量纲。
具体地，利用K-means聚类的方法对各像素点进行聚类，得到多个类别，由K-means聚类的特点可知，各像素点都有其对应的类别，并分别给对应类别赋上相应的值。
本实施例中，面积最小的类别为疑似勾丝缺陷区域，选取面积最小的类别是为了减少计算量。
具体地，连通域的获取方法为：获取面积最小的类别，面积最小的类别中各像素点并不都是紧密聚集的，在聚集区域外部会存在少许离散的像素点，因此，去除离散的像素点，得到面积最小的类别的连通域。
需要说明的是，由于勾丝缺陷的性质可知，离散的像素点并非勾丝缺陷区域的像素点，因此将其去除，减少对后续计算干扰。
步骤4，获取缺陷样本图像，在缺陷样本图像中任意选取其中一个像素点，计算该像素点与剩余其他像素点的特征差异度。
具体地，特征差异度的获取方法为：获取各像素点的主窗口和邻域窗口，所述主窗口为像素点处于滑窗的中心位置的窗口，所述邻域窗口为像素点分别处于滑窗角点的位置的窗口；基于各像素点的主窗口，计算任意两像素点的不相关度量，基于该任意两像素点对应的邻域窗口，计算任意两像素点的差异度，将该任意两像素点的不相关度量与差异度之和作为任意两像素点的特征差异度。
本实施例中，滑窗的尺寸为3×3，具体实施过程中，实施者可根据情况自行设定滑窗的尺寸，因为本实施例中滑窗的尺寸为3×3，因此选取像素点处于滑窗角点的位置的窗口作为该像素点的邻域窗口，即得到的四个邻域窗口包含了该像素点的所有邻域信息。作为其他实施方式，若滑窗的尺寸发生变化，实施者可根据情况进行调整邻域窗口个数，使得所有邻域窗口包含该像素点的所有邻域信息即可。
特征差异度的计算公式为：
T＝S(IWm,IWn)+TN
其中，IWm为像素点m的主窗口，IWn为像素点n的主窗口，S(IWm,IWn)为像素点m与像素点n的不相关度量，TN为像素点m与像素点n的差异度。
不相关度量的计算公式为：
S(IWm,IWn)＝1-NCC(IWm,IWn)
其中，NCC为归一化互相关函数。归一化互相关函数为公知技术，不再赘述。
上述的任意两像素点的差异度的获取方法为：计算其中一像素点的一邻域窗口与另一像素点的所有邻域窗口的不相关度量，进而得到其中一像素点的所有邻域窗口与另一像素点的所有邻域窗口的不相关度量，并利用KM算法获取最大权匹配，将所述最大权匹配作为任意两像素点的差异度。
需要说明的是，归一化互相关函数在[-1,1]绝对尺度范围之间衡量两窗口之间的相似性，计算出的相关系数刻画了两窗口之间的近似性程度的线性描述；相关系数越接近于1，两窗口越近似，即两窗口之间具有线性关系，相关系数越接近于-1，两窗口越不近似，即两窗口之间不具有线性关系；因此，S越大，两个窗口越不相关，当S为0时，表示两个窗口越相关。
需要说明的是，利用KM算法获取任意两像素点的差异性的原因是，因为勾丝缺陷具有方向性，即勾丝缺陷可能为横向勾丝也可能为纵向勾丝，因此，本实施例计算其中一像素点的一邻域窗口与另一像素点的所有邻域窗口的不相关度量，进而得到其中一像素点的所有邻域窗口与另一像素点的所有邻域窗口的不相关度量，并利用KM算法获取邻域窗口之间的匹配，使得任意两像素点的差异具有方向不变性。
步骤5，在特征差异度中选取K个较大的特征差异度，其中K大于2，并将K个特征差异度对应的像素点作为特征点。
具体地，利用Top-K算法获取K个特征差异度，由Top-K算法的特性可知，选取的K个特征差异度是排列顺序为从大到小的特征差异度序列中的较大特征差异度，此时的较大特征差异度为特征差异度序列中以最大的特征差异度为首的前K个特征差异度，本实施例中的K设定为9，作为其他实施例，K的值可由实施者适当调整，其中，Top-K算法为公知技术，不再赘述。
需要说明的是，本实施例中的特征点还包括每一次都参与特征差异度计算的像素点；即本实施例中特征点的个数为10。
上述中的特征点代表缺陷样本图像中各种勾丝缺陷类型，因为勾丝缺陷像素点的窗口数据会由于背景影响，导致得到的窗口数据有所差异，因此选取特征点作为标准数据。
步骤6，分别计算连通域上各像素点与所有特征点的匹配距离；将各像素点对应的最小匹配距离作为各像素点的度量。
所述匹配距离的计算方法为：获取连通域上各像素点的主窗口和邻域窗口，所述主窗口为像素点处于滑窗的中心位置的窗口，所述邻域窗口为像素点处于滑窗角点的位置的窗口；获取各特征点的主窗口和邻域窗口；基于各像素点和各特征点的主窗口，计算任意一像素点与其中一特征点的不相关度量，基于任意一像素点与其中一特征点对应的邻域窗口，计算任意一像素点与其中一特征点的关联度，将任意一像素点与其中一特征点的不相关度量与关联度之和作为任意一像素点与其中一特征点的匹配距离。
匹配距离的计算公式为：
D＝S(IWs,IWu)+DN
其中，IWs为像素点s的主窗口，IWu为特征点u的主窗口，S(IWs,IWu)为像素点s的与特征点u的不相关度量，DN为像素点s与特征点u的关联度。
不相关度量的计算公式为：
S(IWs,IWu)＝1-NCC(IWs,IWu)
其中，NCC为归一化互相关函数，归一化互相关函数为公知技术，不再赘述。
任意一像素点与其中一特征点的关联度的获取方法为：
计算任意一像素点的一邻域窗口与其中一特征点的所有邻域窗口的不相关度量，进而得到任意一像素点的所有邻域窗口与其中一特征点的所有邻域窗口的不相关度量，并利用KM算法获取最小权匹配，将所述最小权匹配作为任意一像素点与其中一特征点的关联度。
本实施例中，滑窗的尺寸为3×3，在具体实施过程中，实施者可根据情况自行设定。
具体地，计算连通域上各像素点与特征点的匹配距离时，利用滑窗匹配的方法获取匹配距离，本实施例中以连通域的质心为匹配起始点，之后对匹配起始点进行8邻域扩散，直至得到连通域上所有像素点的匹配距离。
需要说明的是，匹配距离是为了获取连通域上各像素点与特征点的相似度，因此，本实施例中利用KM算法获取对应邻域窗口之间的最小权匹配，将最小权匹配作为像素点与特征点的关联度。
上述中的将连通域上各像素点对应的最小匹配距离作为各像素点的度量，是为了更准确得到连通域上的勾丝缺陷区域，提高后续匹配的精度。
步骤7，将度量与匹配阈值作比较，若度量小于匹配阈值，则对应像素点为勾丝缺陷点，进而得到连通域上的勾丝缺陷区域。
具体地，本实施例中将匹配阈值设置为0.25，若对应像素点为勾丝缺陷点，则将其灰度值转为255，若对应像素点并非勾丝缺陷点，则将其灰度值转为0。
进一步地，为了得到更为准确的勾丝缺陷区域，对得到的勾丝缺陷区域进行判断。
具体地，检查勾丝缺陷区域中各勾丝缺陷点的8邻域像素点是否存在勾丝缺陷点，若其中一个勾丝缺陷点的8邻域像素点不存在勾丝缺陷点，则将该勾丝缺陷点从勾丝缺陷区域中去除，进而得到最终的勾丝缺陷区域。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (6)

1.一种织物勾丝缺陷检测方法，其特征在于，该方法包括以下步骤：
获取待检测织物图像，计算所述待检测织物图像上各像素点的梯度幅值和梯度方向；
在所述待检测织物图像上随机选取一个像素点，利用扩张卷积核选取该像素点的8邻域像素点，计算该像素点的8邻域的LBP值，基于最大的LBP值得到该像素点的改进LBP值；进而得到各像素点的改进LBP值；
基于所述梯度幅值、梯度方向和改进LBP值，对各像素点进行聚类，得到多个类别，获取各类别中面积最小的类别，进而得到所述面积最小的类别的连通域；
获取缺陷样本图像，在所述缺陷样本图像中任意选取其中一个像素点，计算该像素点与剩余其他像素点的特征差异度；在所述特征差异度中选取K个较大的特征差异度，其中K大于2，并将K个特征差异度对应的像素点作为特征点；
分别计算所述连通域上各像素点与所有特征点的匹配距离；将各像素点对应的最小匹配距离作为各像素点的度量；
将所述度量与匹配阈值作比较，若所述度量小于所述匹配阈值，则对应像素点为勾丝缺陷点，进而得到所述连通域上的勾丝缺陷区域。
2.根据权利要求1所述的一种织物勾丝缺陷检测方法，其特征在于，
所述特征差异度的获取方法为：获取各像素点的主窗口和邻域窗口，所述主窗口为像素点处于滑窗的中心位置的窗口，所述邻域窗口为像素点分别处于滑窗角点的位置的窗口；基于各像素点的主窗口，计算任意两像素点的不相关度量，基于该任意两像素点对应的邻域窗口，计算任意两像素点的差异度，将该任意两像素点的不相关度量与差异度之和作为两像素点的特征差异度；
所述特征差异度的计算公式为：
T＝S(IWm,IWn)+TN
其中，IWm为像素点m的主窗口，IWn为像素点n的主窗口，S(IWm,IWn)为像素点m与像素点n的不相关度量，TN为像素点m与像素点n的差异度；
式中，S(IWm,IWn)＝1-NCC(IWm,IWn)，其中，NCC为归一化互相关函数。
3.根据权利要求2所述的一种织物勾丝缺陷检测方法，其特征在于，所述任意两像素点的差异度的获取方法为：计算其中一像素点的一邻域窗口与另一像素点的所有邻域窗口的不相关度量，进而得到其中一像素点的所有邻域窗口与另一像素点的所有邻域窗口的不相关度量，并利用KM算法获取最大权匹配，将所述最大权匹配作为任意两像素点的差异度。
4.根据权利要求1所述的一种织物勾丝缺陷检测方法，其特征在于，
所述改进LBP值为：
Figure FDA0003611127640000021
其中，LBP′j为像素点j的改进LBP值，LBPj为像素点j最大的LBP值，n为8邻域像素点的灰度值大于像素点j灰度值的总个数，Gray′j为像素点j的灰度值，Grayi为第i个大于像素点j灰度值的像素点对应的灰度值。
5.根据权利要求1所述的一种织物勾丝缺陷检测方法，其特征在于，
所述匹配距离的计算方法为：获取连通域上各像素点的主窗口和邻域窗口，所述主窗口为像素点处于滑窗的中心位置的窗口，所述邻域窗口为像素点处于滑窗角点的位置的窗口；获取各特征点的主窗口和邻域窗口；基于各像素点和各特征点的主窗口，计算任意一像素点与其中一特征点的不相关度量，基于任意一像素点与其中一特征点对应的邻域窗口，计算任意一像素点与其中一特征点的关联度，将任意一像素点与其中一特征点的不相关度量与关联度之和作为任意一像素点与其中一特征点的匹配距离；
匹配距离的计算公式为：
D＝S(IWs,IWu)+DN
其中，IWs为像素点s的主窗口，IWu为特征点u的主窗口，S(IWs,IWu)为像素点s与特征点u的不相关度量，DN为像素点s与特征点u的关联度；
式中，S(IWs,IWu)＝1-NCC(IWs,IWu)，其中，NCC为归一化互相关函数。
6.根据权利要求5所述的一种织物勾丝缺陷检测方法，其特征在于，所述任意一像素点与其中一特征点的关联度获取方法为：计算任意一像素点的一邻域窗口与其中一特征点的所有邻域窗口的不相关度量，进而得到任意一像素点的所有邻域窗口与其中一特征点的所有邻域窗口的不相关度量，并利用KM算法获取最小权匹配，将所述最小权匹配作为任意一像素点与其中一特征点的关联度。
CN202210432006.0A 2022-04-22 2022-04-22 一种织物勾丝缺陷检测方法 Pending CN114841938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210432006.0A CN114841938A (zh) 2022-04-22 2022-04-22 一种织物勾丝缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210432006.0A CN114841938A (zh) 2022-04-22 2022-04-22 一种织物勾丝缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114841938A true CN114841938A (zh) 2022-08-02

Family

ID=82566241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210432006.0A Pending CN114841938A (zh) 2022-04-22 2022-04-22 一种织物勾丝缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114841938A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115637A (zh) * 2022-08-30 2022-09-27 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115131355A (zh) * 2022-08-31 2022-09-30 南通鑫阳雨具有限公司 利用电子设备数据检测防水布异常的智能方法
CN115330785A (zh) * 2022-10-13 2022-11-11 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
CN115496762A (zh) * 2022-11-21 2022-12-20 深圳市富安娜家居用品股份有限公司 一种基于纺织工艺的染色不良缺陷识别方法
CN115984283A (zh) * 2023-03-21 2023-04-18 山东中济鲁源机械有限公司 一种钢筋笼焊接质量智能检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109839385A (zh) * 2019-03-04 2019-06-04 佛山市南海区广工大数控装备协同创新研究院 一种自适应的pcb板缺陷视觉定位检测及分类系统
CN110766095A (zh) * 2019-11-01 2020-02-07 易思维（杭州）科技有限公司 基于图像灰度特征的缺陷检测方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114359270A (zh) * 2022-03-09 2022-04-15 山东华硕汽车配件科技有限公司 基于计算机视觉的汽车发动机油路铜套缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109839385A (zh) * 2019-03-04 2019-06-04 佛山市南海区广工大数控装备协同创新研究院 一种自适应的pcb板缺陷视觉定位检测及分类系统
CN110766095A (zh) * 2019-11-01 2020-02-07 易思维（杭州）科技有限公司 基于图像灰度特征的缺陷检测方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114359270A (zh) * 2022-03-09 2022-04-15 山东华硕汽车配件科技有限公司 基于计算机视觉的汽车发动机油路铜套缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马浩 等: "基于LBP和HOG特征的图案织物缺陷检测", 《电子测量与仪器学报》, vol. 32, no. 04, 30 April 2018 (2018-04-30), pages 95 - 102 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115637A (zh) * 2022-08-30 2022-09-27 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115115637B (zh) * 2022-08-30 2022-12-06 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115131355A (zh) * 2022-08-31 2022-09-30 南通鑫阳雨具有限公司 利用电子设备数据检测防水布异常的智能方法
CN115330785A (zh) * 2022-10-13 2022-11-11 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
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
CN115496762A (zh) * 2022-11-21 2022-12-20 深圳市富安娜家居用品股份有限公司 一种基于纺织工艺的染色不良缺陷识别方法
CN115496762B (zh) * 2022-11-21 2023-01-24 深圳市富安娜家居用品股份有限公司 一种基于纺织工艺的染色不良缺陷识别方法
CN115984283A (zh) * 2023-03-21 2023-04-18 山东中济鲁源机械有限公司 一种钢筋笼焊接质量智能检测方法

Similar Documents

Publication Publication Date Title
CN114841938A (zh) 一种织物勾丝缺陷检测方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN116611748B (zh) 一种钛合金家具生产质量监控系统
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN108364291A (zh) 基于计算机视觉技术的原坯布快速检测方法
JP2013167596A (ja) 欠陥検査装置、欠陥検査方法及びプログラム
CN115115637B (zh) 基于图像金字塔思想的布匹缺陷检测方法
CN114723704A (zh) 一种基于图像处理的纺织品质量评估方法
CN115311267B (zh) 一种格纹织物异常检测方法
Pan et al. Automatic detection of structure parameters of yarn-dyed fabric
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN114972356A (zh) 塑料制品表面缺陷检测识别方法及系统
CN114742788A (zh) 一种基于机器视觉的铜排缺陷检测方法及系统
CN116385450A (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN114821284A (zh) 一种纺织品生产用码布机智能调节方法
CN115100214A (zh) 基于图像处理的纺织品质量检测方法
CN110415222A (zh) 一种基于纹理特征的丝饼侧面缺陷识别方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN115239661A (zh) 基于图像处理的机械零件毛刺检测方法及系统
CN115082449B (zh) 一种电子元器件缺陷检测方法

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