CN114862836A - 基于数据识别图形的纺织布料智能印染方法及系统 - Google Patents

基于数据识别图形的纺织布料智能印染方法及系统 Download PDF

Info

Publication number
CN114862836A
CN114862836A CN202210619462.6A CN202210619462A CN114862836A CN 114862836 A CN114862836 A CN 114862836A CN 202210619462 A CN202210619462 A CN 202210619462A CN 114862836 A CN114862836 A CN 114862836A
Authority
CN
China
Prior art keywords
key point
ghost
image
key
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.)
Withdrawn
Application number
CN202210619462.6A
Other languages
English (en)
Inventor
侯亮
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 Baoju Fujia Textile Co ltd
Original Assignee
Nantong Baoju Fujia 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 Baoju Fujia Textile Co ltd filed Critical Nantong Baoju Fujia Textile Co ltd
Priority to CN202210619462.6A priority Critical patent/CN114862836A/zh
Publication of CN114862836A publication Critical patent/CN114862836A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G06T7/11—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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20164—Salient point detection; Corner detection
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种基于数据识别图形的纺织布料智能印染方法及系统，涉及人工智能领域。主要包括：获取染色后布料的表面图像并进行处理获得多个图像块；对图像块进行角点检测获得关键点，并根据各关键点对图像块进行超像素分割获得色块；分别根据各关键点对应的色块以及邻接色块的颜色均值获得各关键点的透明度；将图像块中的关键点聚类成重影关键点集合以及非重影关键点集合；将重影关键点集合的及非重影关键点集合中关键点组成关键点组集合，并进行KM匹配获得最佳关键点集合，以根据最佳关键点集合获得图像块的异常概率；利用图像块的异常概率分别判断各断图像块是否存在重影缺陷，进一步实现染色后布料中重影缺陷的检测。

Description

基于数据识别图形的纺织布料智能印染方法及系统
技术领域
本申请涉及人工智能领域，具体涉及一种基于数据识别图形的纺织布料智能印染方法及系统。
背景技术
随着社会经济的发展以及人民生活水平的不断提高，人们对于生活用品的美学要求也随之增高，作为伴随人们生活的纺织用品，其印花质量直接影响纺织品的美观。目前为了增加印花色彩的丰富度以及花纹图案的逼真效果，通常采用多色叠印的方式，然而这种印染方式下得到的纺织品中容易出现印花重影缺陷。
印花重影缺陷的存在不仅会造成人们的视觉疲劳，还会严重造成影响纺织品的品质。为了有效去除印刷重影的异常，保障纺织物的印染质量，需在生产过程中准确的识别出印染重影异常，并根据纺织物印染重影异常的分布特征，寻找出印染异常的原因，并根据印染异常原因相对应的调整生产系统，从而使纺织品的印染异常得到有效解决。
针对纺织品中可能存在的重影区域的检测，现有技术中尝试利用边缘检测实现重影区域的检测，然而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：
由于纺织品中存在正常的纹路，使得利用边缘检测难以准确地获得可能存在的重影缺陷区域，同时印染异常有着复杂的颜色变化，使得重影缺陷的识别准确率较低。
发明内容
针对上述技术问题，本发明提供了一种基于数据识别图形的纺织布料智能印染方法及系统，能够对纺织布料中可能存在的重影缺陷进行检测，以便确定重影缺陷形成的原因并采取相应的措施。
第一方面，本文发明实施例提出了一种基于数据识别图形的纺织布料智能印染方法，包括：
获取染色后布料的表面图像并进行图像分割获得印花区域图像。
对所述印花区域图像进行连通域分析获得各连通区域，并将所述连通区域划分为预设尺寸的多个图像块。
对图像块进行角点检测获得图像块中的关键点，并基于获取的各关键点对图像块进行超像素分割得到分割后的色块，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，获得各关键点的透明度。
根据关键点的透明度将图像块中的所有关键点聚类成两类，其中一类为重影关键点集合，该重影关键点集合中的关键点的透明度高，另一类为非重影关键点集合。
利用重影关键点集合的关键点与在非重影关键点集合中随机抽取的重影关键点组成关键点组集合，所述非重影关键点集合中随机抽取的重影关键点的个数与重影关键点集合中关键点的个数相同。
对组成的关键点组集合进行KM匹配获得最佳关键点集合，并利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率。
根据图像块的异常概率分别判断各图像块是否存在重影缺陷，当至少一个图像块存在重影缺陷时，染色后布料中存在重影缺陷，并将存在重影缺陷的图像块组成重影区域。
在一个可行的实施例中，对组成的关键点组集合进行KM匹配获得最佳关键点集合，包括：
对关键点组集合中关键点进行匹配获得各关键点对，所述关键点对中包含一个非重影关键点以及一个重影关键点。
将关键点对中非关键点的邻域内纹理分布与重影关键点的邻域内纹理分布的相似度作为关键点对的权重。
获得对关键点组集合中关键点进行匹配时各关键点对的权重，并将各关键点对的权重之和作为匹配结果的匹配值，将匹配值取得最大时对应的匹配结果作为关键点组集合的待选匹配结果。
获得各关键点组集合对应的各待选匹配结果的匹配值中的最大值，将该最大值对应的关键点组集合作为最佳关键点集合。
在一个可行的实施例中，利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率，包括：
Figure 214947DEST_PATH_IMAGE002
式中
Figure 100002_DEST_PATH_IMAGE003
为图像块的异常概率，
Figure 584617DEST_PATH_IMAGE004
表示图像块的最佳关键点集合的匹配值，
Figure 100002_DEST_PATH_IMAGE005
表示最佳关键点集合的偏移一致性，
Figure 833196DEST_PATH_IMAGE006
表示最佳关键点集合中关键点的透明度的差异均值，
Figure 100002_DEST_PATH_IMAGE007
表示双曲线正切函数。
其中，最佳关键点集合的偏移一致性
Figure 100002_DEST_PATH_IMAGE009
式中
Figure 415356DEST_PATH_IMAGE010
表示最佳关键点集合中所有关键点对的向量模长均值，
Figure 100002_DEST_PATH_IMAGE011
表示第i个关键点对的向量模长，
Figure 432990DEST_PATH_IMAGE012
表示第r个关键点对的向量，
Figure 100002_DEST_PATH_IMAGE013
表示第q个关键点对的向量，
Figure 724295DEST_PATH_IMAGE014
为非重影关键点集合中关键点的数量。
在一个可行的实施例中，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，获得各关键点的透明度，包括：
获得关键点对应的色块的颜色值以及该关键点的邻接色块的颜色均值的方差。所述颜色均值包括在红、绿以及蓝色通道中像素值的均值。将所述方差的倒数作为关键点的透明度。
在一个可行的实施例中，对染色后布料的表面图像进行图像分割获得印花区域图像，包括：
分别对红、绿以及蓝色通道设置相应的预设阈值范围，将染色后布料的表面图像中均满足各通道相应的预设阈值范围的像素点的像素值保持不变，并将染色后布料的表面图像中在任一通道中不满足相应的预设阈值范围的像素点的像素点置0，获得图像分割得到的印花区域图像。
在一个可行的实施例中，根据关键点的透明度将图像块中的所有关键点聚类成两类，所采用的聚类方法为K-means。
在一个可行的实施例中，所述方法还包括：根据重影缺陷常区域的分布情况确定形成重影缺陷的原因。
在一个可行的实施例中，根据重影缺陷常区域的分布情况确定形成重影缺陷的原因，包括：
根据预设时长内的布料表面图像中不同位置出现在重影缺陷区域的频率，生成重影缺陷热图。
当重影缺陷热图中固定像素集合发生重影缺陷，判断重影缺陷的原因为花筒未校对准确。
当重影缺陷热图中单侧或全幅存在重影缺陷，判断重影缺陷的原因为织物张力异常。
在一个可行的实施例中，根据重影缺陷常区域的分布情况确定形成重影缺陷的原因后，所述方法还包括：
当重影缺陷的原因为花筒未校对准确时，不断调整花筒位置直至花筒位置调整后染色后的布料中不存在重影缺陷。
当重影缺陷的原因为织物张力异常时，对花筒进行压力检测并自动校核花筒两侧压力，直至重影消除。
第二方面，本发明实施例提出了一种基于图像识别的纺织布料智能印染系统，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数据识别图形的纺织布料智能印染方法。
本发明提供了一种基于数据识别图形的纺织布料智能印染方法及系统，相比于现有技术，本发明实施例的有益效果在于：能够对纺织布料中可能存在的重影缺陷进行检测，以便确定重影缺陷形成的原因并采取相应的措施，提高了对重影缺陷的检测的效率以及准确率。
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，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基于数据识别图形的纺织布料智能印染方法的流程示意图。
图2是本发明实施例提供的布料中重影缺陷的示意图。
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。
随着社会经济的发展、人民生活水平的提高，人们对于生活用品的美学要求也随之增高，作为伴随人们生活的纺织用品，其印花质量直接影响纺织品的美观表现。目前为了增加印花色彩的丰富度以及花纹图案的逼真效果，多采用多色叠印的方式。然而这种印染方式下，容易出现印花重影缺陷。
图2示出了本发明实施例提供的布料中重影缺陷的示意图，如图2所示，印染中的重影缺陷是由于不同颜色进行叠涂时存在偏移现象，即颜色不能叠涂在面料的同一位置。使得每个印花区域都存在与之对应的重复的纹理图案。
印花重影缺陷的存在不仅会造成人们的视觉疲劳，同时还会造成影响纺织的视觉效果。为了有效去除印刷重影的异常，保障纺织物的印染质量，需在生产过程中准确的识别出印染重影异常，并根据纺织物印染重影异常的分布特征，寻找出印染异常的原因，根据印染异常原因相对应的调整生产系统，纺织品的印染异常有效解决。
本发明实施例提供了一种基于数据识别图形的纺织布料智能印染方法，如图1所示，包括：
步骤S101、获取染色后布料的表面图像并进行图像分割获得印花区域图像。
步骤S102、对印花区域图像进行连通域分析获得各连通区域，并将连通区域划分为预设尺寸的多个图像块。
步骤S103、对图像块进行角点检测获得图像块中的关键点，并基于获取的各关键点对图像块进行超像素分割得到分割后的色块，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，获得各关键点的透明度。
步骤S104、根据关键点的透明度将图像块中的所有关键点聚类成两类，其中一类为重影关键点集合，该重影关键点集合中的关键点的透明度高，另一类为非重影关键点集合。
步骤S105、利用重影关键点集合的关键点与在非重影关键点集合中随机抽取的重影关键点组成关键点组集合，非重影关键点集合中随机抽取的重影关键点的个数与重影关键点集合中关键点的个数相同。
步骤S106、对组成的关键点组集合进行KM匹配获得最佳关键点集合，并利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率。
步骤S107、根据图像块的异常概率分别判断各图像块是否存在重影缺陷，当至少一个图像块存在重影缺陷时，染色后布料中存在重影缺陷，并将存在重影缺陷的图像块组成重影区域。
本发明实施例的主要目的是:利用计算机视觉技术对采集到的印染图像进行处理，实现对印染图像中可能存在的重影缺陷进行检测，以便确定出造成异常的原因，进而实现智能的系统调控。
进一步的，步骤S101、获取染色后布料的表面图像并进行图像分割获得印花区域图像。
本发明需要根据印染布料的表面图像来定位出可能存在的重影缺陷区域，以便根据重影缺陷区域的分布特征来调控印染系统，所以需要首先对染色后布料的表面图像进行采集。采集到的布料的表面图像为RGB图像，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色。
其次，对染色后布料的表面图像进行图像分割获得印花区域图像。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，分别对红、绿以及蓝色通道设置相应的预设阈值范围，将染色后布料的表面图像中均满足各通道相应的预设阈值范围的像素点的像素值保持不变，并将染色后布料的表面图像中在任一通道中不满足相应的预设阈值范围的像素点的像素点置0，获得图像分割得到的印花区域图像，如此，可以避免印花区域以外的部分对后续处理过程的干扰，进而使得到的结果更为准确。
需要说明的是，红、绿以及蓝色通道的各预设阈值范围，是通过对以往染色后的布料的表面图像分别在红、绿以及蓝色通道中的像素值范围进行统计得到的。
进一步的，步骤S102、对印花区域图像进行连通域分析获得各连通区域，并将连通区域划分为预设尺寸的多个图像块。
印染后的布料中存在重影缺陷时，会使得每个印染的独立花纹都会存在成对的纹理花纹，同时该成对的纹理花纹会存在同向同距的位置偏移，根据该特征即可分割出印染异常区域。
首先，对印花区域图像进行连通域分析获得各连通区域，每个连通域即为一个独立的印花图案。
其次，分别将各连通区域划分为预设尺寸的多个图像块，作为一个示例，本发明实施例中预设尺寸为100*100。
进一步的，步骤S103、对图像块进行角点检测获得图像块中的关键点，并基于获取的各关键点对图像块进行超像素分割得到分割后的色块，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，获得各关键点的透明度。具体包括：
角点检测(Corner Detection)是计算机视觉系统中用来获得图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中，也称为特征点检测。
角点检测用于检测图像中的角点；角点又叫关键点或特征点，是图像中的重要特征，角点通常为图像中梯度值和梯度方向的变化速率都很高的点，用于理解和分析图像。角点在保留图像重要特征的同时，可以有效地减少信息的数据量，提高数据量中有效信息的含量，有利于提高图像处理的速度。
可选地，角点检测算法通常使用一个固定窗口(比如，取某个像素的一个邻域窗)在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度：对于某个窗口，如果存在任意方向上的滑动，都有着较大灰度变化，那么认为该窗口中存在角点。
角点检测算法可以归为三类：基于灰度图像的角点检测、基于二值图像的角点检测以及基于轮廓曲线的角点检测，其中，基于灰度图像的角点检测又分为基于梯度、基于模板和基于模板梯度组合三类方法。其中基于模板的方法主要考虑像素邻域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。
然后，基于各关键点对图像块进行超像素分割获得色块，需要说明的是，超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息。超像素是把一幅像素级（pixel-level）的图，划分成区域级（district-level）的图，是对基本信息元素进行的抽象，本发明实施例中得到的色块即为小区域。
最后，由于重影纹理中重叠印刷的次数较小，因而重影图层的透明度较高，即关键点的重影纹理的对比度较小，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，分别获得各关键点的透明度。
基于各关键点进行超像素分割，获取各关键点所属色块颜色均值以及各关键点的邻接色块的颜色值，因而各关键点的透明度为
Figure 460169DEST_PATH_IMAGE016
式中
Figure DEST_PATH_IMAGE017
分别表示第
Figure 377179DEST_PATH_IMAGE018
个关键点所属色块的在RGB三个通道上的均值，
Figure DEST_PATH_IMAGE019
表示与第
Figure 514899DEST_PATH_IMAGE018
个关键点的色块邻接的第
Figure 977104DEST_PATH_IMAGE020
个色块的在RGB三个通道上的均值，
Figure DEST_PATH_IMAGE021
表示与第
Figure 200275DEST_PATH_IMAGE018
个关键点色块邻接色块的个数。
Figure 920975DEST_PATH_IMAGE022
表示第
Figure 178781DEST_PATH_IMAGE018
个关键点的透明度值。
进一步的，步骤S104、根据关键点的透明度将图像块中的所有关键点聚类成两类，其中一类为重影关键点集合，该重影关键点集合中的关键点的透明度高，另一类为非重影关键点集合。具体包括：
根据关键点的透明度将图像块中的所有关键点聚类成两类，本发明实施例中利用K-means进行聚类，k-means算法是一种基于划分的聚类算法，它把待聚类的对象分成多个簇，使簇内具有较高的相似度，而簇间的相似度较低，本发明实施例中将待聚类的对象聚类成两个簇。
将得到的聚类后的两类或簇中透明度更大的一类作为重影关键点集合，同时将两类中另一类即透明度较小的一类作为非重影关键点集合。
进一步的，步骤S105、利用重影关键点集合的关键点与在非重影关键点集合中随机抽取的重影关键点组成关键点组集合，非重影关键点集合中随机抽取的重影关键点的个数与重影关键点集合中关键点的个数相同。具体包括：
重影关键点集合中选择与非重影关键点集合中的关键点的总数相同的关键点，其中关键点的抽取方案有多种；由先验知识可知，非重影关键点集合中的关键点的数量大于重影关键点集合中关键点的数量，且关键点的抽取方案的总数量根据排列组合知识可得。
进一步的，步骤S106、对组成的关键点组集合进行KM匹配获得最佳关键点集合，并利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率。具体包括：
对关键点组集合中关键点进行匹配获得各关键点对，所述关键点对中包含一个非重影关键点以及一个重影关键点。针对关键点组集合中关键点的匹配过程具体表现为，根据关键点组集合中关键点构建二分图，二分图的两部分分别为关键点集合中的重影关键点集合以及非关键点集合。
需要说明的是，二分图的匹配结果的获取可采用KM算法实现，KM算法是一种计算机算法，用于完备匹配下的最大权匹配，使得到的匹配结果下权重之和即总权重最大。同时，完备匹配指的是在二部图中，点集中的所有点都有对应的匹配，则称该匹配为完备匹配。
将关键点对中非关键点的邻域内纹理分布与重影关键点的邻域内纹理分布的相似度作为关键点对的权重。
获得对关键点组集合中关键点进行匹配时各关键点对的权重，并将各关键点对的权重之和作为匹配结果的匹配值，将匹配值取得最大时对应的匹配结果作为关键点组集合的待选匹配结果。
获得各关键点组集合对应的各待选匹配结果的匹配值中的最大值，将该最大值对应的关键点组集合作为最佳关键点集合。
最后，利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率，具体包括：
Figure DEST_PATH_IMAGE023
，式中
Figure 811888DEST_PATH_IMAGE003
为图像块的异常概率，
Figure 787934DEST_PATH_IMAGE004
表示图像块的最佳关键点集合的匹配值，
Figure 531899DEST_PATH_IMAGE005
表示最佳关键点集合的偏移一致性，
Figure 159059DEST_PATH_IMAGE006
表示最佳关键点集合中关键点的透明度的差异均值，
Figure 228646DEST_PATH_IMAGE007
表示双曲线正切函数。
通常情况下，关键点对中两关键点的透明度的差异越大，存在重影的概率越高。
Figure 691988DEST_PATH_IMAGE007
表示双曲线正切函数，用于做归一化处理。
Figure 239644DEST_PATH_IMAGE024
为超参数，经验值为0.02。
其中，最佳关键点集合的偏移一致性
Figure DEST_PATH_IMAGE025
，式中
Figure 206463DEST_PATH_IMAGE010
表示最佳关键点集合中所有关键点对的向量模长均值，
Figure 712531DEST_PATH_IMAGE011
表示第i个关键点对的向量模长，
Figure 381279DEST_PATH_IMAGE012
表示第r个关键点对的向量，
Figure 998205DEST_PATH_IMAGE013
表示第q个关键点对的向量，
Figure 85109DEST_PATH_IMAGE014
为非重影关键点集合中关键点的总数。
进一步的，步骤S107、根据图像块的异常概率分别判断各图像块是否存在重影缺陷，当至少一个图像块存在重影缺陷时，染色后布料中存在重影缺陷，并将存在重影缺陷的图像块组成重影区域。具体包括：
当图像块的异常概率大于预设概率阈值时，判定图像块是否存在重影缺陷，并分别判断各是否存在重影缺陷。当至少一个图像块存在重影缺陷时，染色后布料中存在重影缺陷，并将存在重影缺陷的图像块组成重影区域。
作为一个实例，本发明实施例中预设概率阈值为0.8。
可选的，由于重影区域的规律与重影缺陷区域的形成原因有较大关系，因而可以通过分析重影缺陷区域的分布规律来确定重影缺陷的的形成原因，以便采取相应的措施。
根据预设时长内的布料表面图像中不同位置出现在重影缺陷区域的频率，生成重影缺陷热图。
作为一个实例，本发明实施例中预设时长为1分钟。
当重影缺陷热图中固定像素集合发生重影缺陷，判断重影缺陷的原因为花筒未校对准确；此时，可以不断调整花筒位置直至花筒位置调整后染色后的布料中不存在重影缺。
当重影缺陷热图中单侧或全幅存在重影缺陷，判断重影缺陷的原因为织物张力异常，此时，可以对花筒进行压力检测并自动校核花筒两侧压力，直至重影消除。
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布料智能印染系统，本实施例中基于图像识别的纺织布料智能印染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，以实现如基于数据识别图形的纺织布料智能印染方法实施例中所描述的对纺织布中的重影缺陷进行检测。
由于基于数据识别图形的纺织布料智能印染方法实施例中已经对纺织布中的重影缺陷进行检测的方法进行了说明，此处不再赘述。
综上所述，本发明提供了一种基于数据识别图形的纺织布料智能印染方法及系统，能够对纺织布料中可能存在的重影缺陷进行检测，以便确定重影缺陷形成的原因并采取相应的措施。
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 (10)

1.基于数据识别图形的纺织布料智能印染方法，其特征在于，包括：
获取染色后布料的表面图像并进行图像分割获得印花区域图像；
对所述印花区域图像进行连通域分析获得各连通区域，并将所述连通区域划分为预设尺寸的多个图像块；
对图像块进行角点检测获得图像块中的关键点，并基于获取的各关键点对图像块进行超像素分割得到分割后的色块，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，获得各关键点的透明度；
根据关键点的透明度将图像块中的所有关键点聚类成两类，其中一类为重影关键点集合，该重影关键点集合中的关键点的透明度高，另一类为非重影关键点集合；
利用重影关键点集合的关键点与在非重影关键点集合中随机抽取的重影关键点组成关键点组集合，所述非重影关键点集合中随机抽取的重影关键点的个数与重影关键点集合中关键点的个数相同；
对组成的关键点组集合进行KM匹配获得最佳关键点集合，并利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率；
根据图像块的异常概率分别判断各图像块是否存在重影缺陷，当至少一个图像块存在重影缺陷时，染色后布料中存在重影缺陷，并将存在重影缺陷的图像块组成重影区域。
2.根据权利要求1所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，对组成的关键点组集合进行KM匹配获得最佳关键点集合，包括：
对关键点组集合中关键点进行匹配获得各关键点对，所述关键点对中包含一个非重影关键点以及一个重影关键点；
将关键点对中非关键点的邻域内纹理分布与重影关键点的邻域内纹理分布的相似度作为关键点对的权重；
获得对关键点组集合中关键点进行匹配时各关键点对的权重，并将各关键点对的权重之和作为匹配结果的匹配值，将匹配值取得最大时对应的匹配结果作为关键点组集合的待选匹配结果；
获得各关键点组集合对应的各待选匹配结果的匹配值中的最大值，将该最大值对应的关键点组集合作为最佳关键点集合。
3.根据权利要求2所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，利用各图像块中的最佳关键点集合的匹配值、偏移一致性及最佳关键点集合中关键点的透明度差异值，计算各图像块的异常概率，包括：
Figure 164318DEST_PATH_IMAGE002
式中
Figure DEST_PATH_IMAGE003
为图像块的异常概率，
Figure 550300DEST_PATH_IMAGE004
表示图像块的最佳关键点集合的匹配值，
Figure DEST_PATH_IMAGE005
表示最佳关键点集合的偏移一致性，
Figure 782567DEST_PATH_IMAGE006
表示最佳关键点集合中关键点的透明度的差异均值，
Figure DEST_PATH_IMAGE007
表示双曲线正切函数；
其中，最佳关键点集合的偏移一致性
Figure DEST_PATH_IMAGE009
式中
Figure 381039DEST_PATH_IMAGE010
表示最佳关键点集合中所有关键点对的向量模长均值，
Figure DEST_PATH_IMAGE011
表示第i个关键点对的向量模长，
Figure 647941DEST_PATH_IMAGE012
表示第r个关键点对的向量，
Figure DEST_PATH_IMAGE013
表示第q个关键点对的向量，
Figure 939245DEST_PATH_IMAGE014
为非重影关键点集合中关键点的数量。
4.根据权利要求1所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，分别根据各关键点对应的色块的颜色均值以及关键点的邻接色块的颜色均值，获得各关键点的透明度，包括：
获得关键点对应的色块的颜色值以及该关键点的邻接色块的颜色均值的方差；所述颜色均值包括在红、绿以及蓝色通道中像素值的均值；将所述方差的倒数作为关键点的透明度。
5.根据权利要求1所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，对染色后布料的表面图像进行图像分割获得印花区域图像，包括：
分别对红、绿以及蓝色通道设置相应的预设阈值范围，将染色后布料的表面图像中均满足各通道相应的预设阈值范围的像素点的像素值保持不变，并将染色后布料的表面图像中在任一通道中不满足相应的预设阈值范围的像素点的像素点置0，获得图像分割得到的印花区域图像。
6.根据权利要求1所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，根据关键点的透明度将图像块中的所有关键点聚类成两类，所采用的聚类方法为K-means。
7.根据权利要求1所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，所述方法还包括：根据重影缺陷常区域的分布情况确定形成重影缺陷的原因。
8.根据权利要求7所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，根据重影缺陷常区域的分布情况确定形成重影缺陷的原因，包括：
根据预设时长内的布料表面图像中不同位置出现在重影缺陷区域的频率，生成重影缺陷热图；
当重影缺陷热图中固定像素集合发生重影缺陷，判断重影缺陷的原因为花筒未校对准确；
当重影缺陷热图中单侧或全幅存在重影缺陷，判断重影缺陷的原因为织物张力异常。
9.根据权利要求8所述的基于数据识别图形的纺织布料智能印染方法，其特征在于，根据重影缺陷常区域的分布情况确定形成重影缺陷的原因后，所述方法还包括：
当重影缺陷的原因为花筒未校对准确时，不断调整花筒位置直至花筒位置调整后染色后的布料中不存在重影缺陷；
当重影缺陷的原因为织物张力异常时，对花筒进行压力检测并自动校核花筒两侧压力，直至重影消除。
10.基于图像识别的纺织布料智能印染系统，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1-9中任一项所述的基于数据识别图形的纺织布料智能印染方法。
CN202210619462.6A 2022-06-02 2022-06-02 基于数据识别图形的纺织布料智能印染方法及系统 Withdrawn CN114862836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210619462.6A CN114862836A (zh) 2022-06-02 2022-06-02 基于数据识别图形的纺织布料智能印染方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210619462.6A CN114862836A (zh) 2022-06-02 2022-06-02 基于数据识别图形的纺织布料智能印染方法及系统

Publications (1)

Publication Number Publication Date
CN114862836A true CN114862836A (zh) 2022-08-05

Family

ID=82640839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210619462.6A Withdrawn CN114862836A (zh) 2022-06-02 2022-06-02 基于数据识别图形的纺织布料智能印染方法及系统

Country Status (1)

Country Link
CN (1) CN114862836A (zh)

Cited By (4)

* 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
CN115294116A (zh) * 2022-10-08 2022-11-04 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
CN117670993A (zh) * 2023-12-06 2024-03-08 广东精英纺织服饰科技有限公司 一种基于机器视觉的纺织生产加工监控系统
CN118196068A (zh) * 2024-04-07 2024-06-14 浙江红绿蓝纺织印染有限公司 一种基于人工智能的纺织品印染质量监控系统

Cited By (6)

* 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
CN115294116A (zh) * 2022-10-08 2022-11-04 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
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
CN117670993A (zh) * 2023-12-06 2024-03-08 广东精英纺织服饰科技有限公司 一种基于机器视觉的纺织生产加工监控系统
CN118196068A (zh) * 2024-04-07 2024-06-14 浙江红绿蓝纺织印染有限公司 一种基于人工智能的纺织品印染质量监控系统
CN118196068B (zh) * 2024-04-07 2024-10-01 浙江红绿蓝纺织印染有限公司 一种基于人工智能的纺织品印染质量监控系统

Similar Documents

Publication Publication Date Title
CN114862836A (zh) 基于数据识别图形的纺织布料智能印染方法及系统
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN109657612B (zh) 一种基于人脸图像特征的质量排序系统及其使用方法
WO2021098163A1 (zh) 一种基于角点的空中目标探测方法
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN113971670B (zh) 基于计算机视觉的螺纹缺陷分析方法及系统
CN115311310B (zh) 通过图割实现纺织品印花图案提取的方法
CN105844278A (zh) 一种多特征融合的织物扫描图案识别方法
CN114998227A (zh) 基于图像处理的布匹印染缺陷检测方法及系统
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
CN114494265B (zh) 识别化妆品生产领域包装印刷质量方法及人工智能系统
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与系统
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN108038458B (zh) 基于特征摘要图的视频中的户外场景文本自动获取方法
CN117152159B (zh) 一种复杂布料印花瑕疵检测方法及系统
KR20050006089A (ko) 칼라 이미지에서 얼굴들을 검출하기 위한 방법 및 디바이스
CN107292898B (zh) 一种基于hsv的车牌阴影检测和去除方法
CN109472257A (zh) 一种字符版面确定方法及装置
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
Kuzovkin et al. Descriptor-based image colorization and regularization
CN107103301A (zh) 视频目标时空最大稳定性判别性颜色区域匹配方法和系统
CN113516123A (zh) 一种针对轮胎压印字符的检测识别方法
CN111275718B (zh) 一种基于显著区域分割的衣物量检测及护色洗判别方法
CN106056575A (zh) 一种基于似物性推荐算法的图像匹配方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220805