CN114862855B - 基于模板匹配的纺织品缺陷检测方法及系统 - Google Patents

基于模板匹配的纺织品缺陷检测方法及系统 Download PDF

Info

Publication number
CN114862855B
CN114862855B CN202210793018.6A CN202210793018A CN114862855B CN 114862855 B CN114862855 B CN 114862855B CN 202210793018 A CN202210793018 A CN 202210793018A CN 114862855 B CN114862855 B CN 114862855B
Authority
CN
China
Prior art keywords
defect
obtaining
region
template
textile
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
CN202210793018.6A
Other languages
English (en)
Other versions
CN114862855A (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 CN202210793018.6A priority Critical patent/CN114862855B/zh
Publication of CN114862855A publication Critical patent/CN114862855A/zh
Application granted granted Critical
Publication of CN114862855B publication Critical patent/CN114862855B/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
    • G06F18/23—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
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

本发明涉及图像处理技术领域，具体涉及一种基于模板匹配的纺织品缺陷检测方法及系统。该方法通过多张缺陷纺织品图像获得多个缺陷区域样本。根据链码操作提取缺陷区域的边缘像素点并根据链码方向获得了表示边缘形状的角度特征。根据边缘像素点之间的距离获得表示缺陷区域形状的形状特征。通过角度特征和形状特征的相似度对缺陷区域进行分类，获得多个区域类别。通过缺陷区域的面积和像素值获得缺陷区域的模板评分，进而在区域类别中选取缺陷模板。通过缺陷模板对待检测纺织品图像进行缺陷检测。本发明在大量缺陷区域样本中选取参考性强的缺陷模板，利用缺陷模板实现低成本且高效快速的纺织品表面缺陷检测。

Description

基于模板匹配的纺织品缺陷检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于模板匹配的纺织品缺陷检测方法及系统。
背景技术
在进行纺织生产过程中，可能会因为某些设备故障或者工作人员操作不当，导致纺织产品出现表面缺陷。常见的纺织品表面缺陷例如脏污缺陷、断经缺陷、断纬缺陷等。
为了保证纺织品的质量，需要对纺织品表面缺陷进行检测。人工检测费时费力，且容易产生误检漏检。因此在现有技术中可通过计算机视觉技术提取纺织品的图像特征，根据图像特征对表面缺陷进行检测，提高检测效率。但是在现有纺织品缺陷检测技术中，采用复杂的图像处理过程及复杂的神经网络，导致检测成本较高，且会对检测系统造成运算负担。对于采用神经网络检测的方法，还会因为神经网络泛化性较弱，导致不同工况下都要对网络参数进行调整，进一步提高了检测成本。
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基于模板匹配的纺织品缺陷检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于模板匹配的纺织品缺陷检测方法，所述方法包括：
通过历史数据库获得多张缺陷纺织品图像及其对应的正常纺织品图像；将所述缺陷纺织品图像与所述正常纺织品图像逐像素点对比，获得缺陷区域；
根据链码操作获得每个所述缺陷区域的边缘像素点；根据所述边缘像素点之间的距离获得多个参照顶点；根据链码方向获得每个所述参照顶点之间的相邻所述边缘像素点之间的相关角度；以所述参照顶点之间的平均相关角度作为对应参照顶点的角度特征；根据所述参照顶点之间的距离获得所述缺陷区域的形状特征；
获得所述缺陷区域之间的角度特征相似度和形状特征相似度；将所述角度特征相似度和所述形状特征相似度加权求和获得区域相似度；根据所述缺陷区域之间的区域相似度对所述缺陷区域进行分类，获得多个区域类别；
获得所述缺陷区域的所述边缘像素点与对应的所述正常纺织品图像中的像素点的像素差异；根据所述像素差异和所述缺陷区域的面积获得模板评分；以所述区域类别中最高的所述模板评分对应的缺陷区域作为缺陷模板，获得多种所述缺陷模板；
根据所述缺陷模板利用模板匹配方法对待检测纺织品图像进行缺陷检测。
进一步地，所述将所述缺陷纺织品图像与所述正常纺织品图像逐像素点对比，获得缺陷区域包括：
将所述缺陷纺织品图像与所述正常纺织品图像相减，获得每个所述缺陷纺织品图像中像素点的像素差异；以所述像素差异的绝对值大于预设差异阈值的像素点作为缺陷像素点，获得所述缺陷区域。
进一步地，所述根据链码操作获得每个所述缺陷区域的边缘像素点包括：
根据预设重取样间隔获得多个所述边缘像素点，相邻所述边缘像素点之间包含所述链码方向。
进一步地，所述根据所述边缘像素点之间的距离获得多个参照顶点包括：
获得每个所述边缘像素点之间的第一距离；以最大第一距离对应的两个所述边缘像素点作为两个所述参照顶点；分别获得所述最大第一距离对应的所述参照顶点之间的连线与两侧所述边缘像素点之间的第二距离，以所述连线两侧最大第二距离对应的两个所述边缘像素点作为两个所述参照顶点。
进一步地，所述根据链码方向获得每个所述参照顶点之间的相邻所述边缘像素点之间的相关角度包括：
根据预设位置选取一个所述参照顶点作为起始点；根据预设遍历方向以所述起始点的相邻边缘像素点作为生长点；
若所述生长点在所述起始点的八邻域中的位置为对角域，则所述起始点与所述生长点的所述相关角度为45°；若所述生长点在所述起始点的四邻域中，则所述起始点与所述生长点的相关角度为90°；
以所述生长点作为新的起始点，根据所述遍历方向获得新的生长点；遍历所述参照顶点之间所有所述边缘像素点，获得所述相邻边缘像素点之间的所述相关角度。
进一步地，所述根据所述参照顶点之间的距离获得所述缺陷区域的形状特征包括：
以所述最大第一距离对应的两个所述参照顶点之间的距离作为第一特征距离；以所述最大第二距离对应的两个所述参照顶点之间的距离作为第二特征距离；以所述第一特征距离和所述第二特征距离作为所述形状特征。
进一步地，所述获得所述缺陷区域之间的角度特征相似度包括：
根据角度特征相似度公式获得所述角度特征相似度，所述角度特征相似度公式包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为所述角度特征相似度，
Figure 100002_DEST_PATH_IMAGE006
、
Figure 100002_DEST_PATH_IMAGE008
、
Figure 100002_DEST_PATH_IMAGE010
和
Figure 100002_DEST_PATH_IMAGE012
为缺陷区域
Figure 100002_DEST_PATH_IMAGE014
的四个所述参照顶点对应的所述角度特征，
Figure 100002_DEST_PATH_IMAGE016
、
Figure 100002_DEST_PATH_IMAGE018
、
Figure 100002_DEST_PATH_IMAGE020
和
Figure 100002_DEST_PATH_IMAGE022
为缺陷区域
Figure 100002_DEST_PATH_IMAGE024
的四个所述参照顶点对应的所述角度特征，
Figure 100002_DEST_PATH_IMAGE026
为最小值函数。
进一步地，所述获得所述缺陷区域之间的形状特征相似度包括：
根据形状特征相似度公式获得所述形状特征相似度，所述形状特征相似度包括;
Figure 100002_DEST_PATH_IMAGE028
其中，
Figure 100002_DEST_PATH_IMAGE030
为所述形状特征相似度，
Figure 100002_DEST_PATH_IMAGE032
为缺陷区域
Figure 621960DEST_PATH_IMAGE014
的所述第一特征距离，
Figure 100002_DEST_PATH_IMAGE034
为缺陷区域
Figure 647422DEST_PATH_IMAGE014
的所述第二特征距离，
Figure 100002_DEST_PATH_IMAGE036
为缺陷区域
Figure 364843DEST_PATH_IMAGE024
的所述第一特征距离，
Figure 100002_DEST_PATH_IMAGE038
为缺陷区域
Figure 228894DEST_PATH_IMAGE024
的所述第二特征距离，
Figure 100002_DEST_PATH_IMAGE040
为最小值函数。
进一步地，所述根据所述像素差异和所述缺陷区域的面积获得模板评分包括：
根据模板评分公式获得所述模板评分，所述模板评分公式包括：
Figure 100002_DEST_PATH_IMAGE042
其中，
Figure 100002_DEST_PATH_IMAGE044
为第
Figure 100002_DEST_PATH_IMAGE046
个所述缺陷区域的所述模板评分，
Figure 100002_DEST_PATH_IMAGE048
为模型拟合系数，
Figure 100002_DEST_PATH_IMAGE050
为第
Figure 197593DEST_PATH_IMAGE046
个所述缺陷区域的面积，
Figure 100002_DEST_PATH_IMAGE052
为所述缺陷区域的所述边缘像素点的数量，
Figure 100002_DEST_PATH_IMAGE054
为第
Figure 100002_DEST_PATH_IMAGE056
个所述边缘像素点的 像素值，
Figure 100002_DEST_PATH_IMAGE058
为所述正常纺织品图像中对应的像素点的像素值。
本发明提出了一种基于模板匹配的纺织品缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于模板匹配的纺织品缺陷检测方法的步骤。
本发明具有如下有益效果：
本发明实施例分析历史数据库中的缺陷纺织品图像和正常纺织品图像的差异，获得大量缺陷区域样本。进一步通过链码操作获得缺陷区域的边缘像素点，在边缘像素点中选取多个参照顶点，利用链码中的链码方向获得参照顶点之间的平均相关角度，利用平均相关角度表示缺陷区域边缘的角度特征，利用参照顶点之间的距离获得缺陷区域的形状特征。角度特征表示了缺陷区域边缘的走势，形状特征表示了缺陷区域的形态和大小，因此可根据角度特征相似度和缺陷区域特征相似度对缺陷区域样本进行分类。每个区域类别表示一种缺陷类型。通过对区域类别中的缺陷区域进行评分分析，选用评分最高的缺陷区域作为缺陷检测的模板。本发明实施例通过获取参照性强的缺陷模板对缺陷进行检测，实现了快速有效的低成本纺织品缺陷检测过程。
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为本发明一个实施例所提供的一种基于模板匹配的纺织品缺陷检测方法流程图。
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基于模板匹配的纺织品缺陷检测方法及系统，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。
下面结合附图具体的说明本发明所提供的一种基于模板匹配的纺织品缺陷检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于模板匹配的纺织品缺陷检测方法流程图，该方法包括：
步骤S1：通过历史数据库获得多张缺陷纺织品图像及其对应的正常纺织品图像；将缺陷纺织品图像与正常纺织品图像逐像素点对比，获得缺陷区域。
为了获得参考性强的缺陷模板，需要在大量缺陷数据的基础中选出合适的缺陷模板。因此在历史数据库中获得多张缺陷纺织品图像及其对应的正常纺织品图像。需要说明的是，为了保证数据的准确性，对应的缺陷纺织品图像和正常纺织品图像都应是在同一光照环境下使用相同的相机参数进行拍摄。
在本发明实施例中，为了方便后续像素分析，将缺陷纺织品图像和正常纺织品图像均转化为灰度图像。
常见的表面缺陷例如脏污缺陷、断经断纬缺陷缺陷都会在图像中呈现不同形态的缺陷区域，且缺陷区域中的像素值大小与正常纺织品区域存在差异。因此可将缺陷纺织品图像与正常纺织品图像逐像素点进行对比，获得缺陷区域，具体包括：
将缺陷纺织品图像与正常纺织品图像相减，获得每个缺陷纺织品图像中像素点的像素差异。以像素差异的绝对值大于预设差异阈值的像素点作为缺陷像素点，获得缺陷区域。在本发明实施例中差异阈值设置为10，在其他实施例中可根据纺织品的颜色进行具体设置。
通过对多张缺陷纺织品图像的分析可获得大量的缺陷区域样本。
步骤S2：根据链码操作获得每个缺陷区域的边缘像素点；根据边缘像素点之间的距离获得多个参照顶点；根据链码方向获得每个参照顶点之间的相邻边缘像素点之间的相关角度；以参照顶点之间的平均相关角度作为对应参照顶点的角度特征；根据参照顶点之间的距离获得缺陷区域的形状特征。
图像区域的链码分析可获得区域边界的边缘像素点之间的相关角度信息，因此通过链码操作获得每个缺陷区域的边缘像素点，每个相邻边缘像素点之间都存在链码方向。
在本发明实施例中，链码操作采用8链码分析法。
优选的，在进行链码操作提取边缘像素点过程中，可根据预设重取样间隔获得多个边缘像素点。即边缘像素点之间并不连续。设置重取样间隔可使得边缘像素点经链码方向连接后构成的多边形为对应缺陷区域的近似多边形，对不同缺陷区域的近似多边形进行形状特征分析，使得同缺陷类型但存在一定形状差异的缺陷区域在后续分类过程中可分为一类。
需要说明的是，为了保证后续分类过程的准确性，重取样间隔不应设置太大和太小。在本发明实施例中，重取样间隔设置为5。
为了获得缺陷区域的形态特征，在边缘像素点中选取多个参照顶点，具体包括：
获得每个边缘像素点之间的第一距离。以最大第一距离对应的两个边缘像素点作为两个参照顶点。分别获得最大第一距离对应的参照顶点之间的连线与两侧边缘像素点之间的第二距离，即连线每侧都会获得多个第二距离。以连线两侧最大第二距离对应的两个边缘像素点作为两个参照顶点，即这两个参照顶点分布在最大第一距离对应的连线两侧。
边缘像素点之间包含链码方向信息，参照顶点之间相邻边缘像素点之间的链码方向可表示该段边缘的形状特征，因此根据链码方向获得每个参照顶点之间的相邻边缘像素点之间的相关角度，以参照顶点之间的平均相关角度作为对应参照顶点的角度特征。具体获得相关角度的方法包括：
根据预设位置选取一个参照顶点作为起始点。根据预设遍历方向以起始点的相邻边缘像素点作为生长点。在本发明实施例中，预设位置设置为左上角，即左上角的参照顶点为起始点；遍历方向设置为逆时针。
若生长点在起始点的八邻域中的位置为对角域，则起始点与生长点的相关角度为45°。若生长点在起始点的四邻域中，则起始点与生长点的相关角度为90°。
以生长点作为新的起始点，根据遍历方向获得新的生长点。遍历参照顶点之间所有边缘像素点，获得相邻边缘像素点之间的相关角度。
因此两个参照顶点之间的多个相关角度可视为仅包含45°和90°的序列。平均相关角度越小，说明在该序列中45°的占比较大，则该段边缘为较为平滑的曲线；平均相关角度越大，说明该序列中90°的占比较大，则该段边缘为锯齿状或者为一条直线。因此四个参照顶点之间的四个角度特征可用于表示对应边缘的形状。
进一步利用参照顶点之间的距离可获得缺陷区域的形状特征，具体包括：
以最大第一距离对应的两个参照顶点之间的距离作为第一特征距离。以最大第二距离对应的两个参照顶点之间的距离作为第二特征距离。以第一特征距离和第二特征距离作为形状特征。
形状特征可用于表示整个区域的形状大小和狭长度。若第一特征距离和第二特征距离都较大，则说明该缺陷区域面积较大，且如果第一特征距离远大于第二特征距离，则说明该缺陷区域为一个较为狭长的缺陷区域。
进一步结合角度特征和形状特征可描述缺陷区域的形状。若角度特征较小，且第一特征距离与第二特征距离并没有较大差异，则说明该缺陷区域为一个边缘平滑宽窄均匀的区域，可近似为一个圆形；若角度特征较小，且第一特征距离与第二特征距离存在较大差异，则说明该缺陷区域为一个边缘平滑但较为狭长的区域，可近似视为一个扁平的椭圆；若角度特征较大，且第一特征距离与第二特征距离并没有较大差异，则说明该缺陷区域为一个锯齿状边缘但宽窄均匀的区域，可近似视为一个齿轮状的区域；若角度特征较大，且第一特征距离与第二特征距离存在较大差异，则说明该缺陷区域为一个边缘为直线，较为狭长的区域，可近似视为一个狭长的矩形。
需要说明的是，为了方便举例说明，上述角度特征较大或者角度特征较小是基于四个角度特征均较大或者较小进行说明，即以角度特征的均值进行举例说明，每个角度特征分别表示了对应边缘的形状特征。
步骤S3：获得缺陷区域之间的角度特征相似度和形状特征相似度；将角度特征相似度和形状特征相似度加权求和获得区域相似度；根据缺陷区域之间的区域相似度对缺陷区域进行分类，获得多个区域类别。
由步骤S2中的说明可知，角度特征和形状特征可用于表示缺陷区域的形态，因此可根据角度特征相似度和形状特征相似度对缺陷区域进行分类。相似度的具体获取方法包括：
根据角度特征相似度公式获得角度特征相似度，角度特征相似度公式包括：
Figure DEST_PATH_IMAGE002A
其中，
Figure 269323DEST_PATH_IMAGE004
为角度特征相似度，
Figure 67515DEST_PATH_IMAGE006
、
Figure 407361DEST_PATH_IMAGE008
、
Figure 607398DEST_PATH_IMAGE010
和
Figure 7286DEST_PATH_IMAGE012
为缺陷区域
Figure 292774DEST_PATH_IMAGE014
的四个参照顶点对应的角度特征，
Figure 233048DEST_PATH_IMAGE016
、
Figure 661493DEST_PATH_IMAGE018
、
Figure 622496DEST_PATH_IMAGE020
和
Figure 5067DEST_PATH_IMAGE022
为缺陷区域
Figure 811349DEST_PATH_IMAGE024
的四个参照顶点对应的角度特征，
Figure 861345DEST_PATH_IMAGE026
为最小值函数。
因为缺陷区域的角度特征获取方法相同，即起始点的预设位置选取和遍历方向均相同，因此两个缺陷区域的角度特征存在对应关系，例如
Figure 399773DEST_PATH_IMAGE006
和
Figure 659853DEST_PATH_IMAGE016
分别为两个缺陷区域中相同位置处的角度特征。角度特征像素点公式通过计算两个缺陷区域中各个对应的角度特征差异获得整体角度特征的相似度。
根据形状特征相似度公式获得形状特征相似度，形状特征相似度包括;
Figure DEST_PATH_IMAGE028A
其中，
Figure 327550DEST_PATH_IMAGE030
为形状特征相似度，
Figure 356686DEST_PATH_IMAGE032
为缺陷区域
Figure 534858DEST_PATH_IMAGE014
的第一特征距离，
Figure 688758DEST_PATH_IMAGE034
为缺陷区域
Figure 102422DEST_PATH_IMAGE014
的第二特征距离，
Figure 359966DEST_PATH_IMAGE036
为缺陷区域
Figure 568093DEST_PATH_IMAGE024
的第一特征距离，
Figure 412553DEST_PATH_IMAGE038
为缺陷区域
Figure 364328DEST_PATH_IMAGE024
的第二特征距离，
Figure 243422DEST_PATH_IMAGE040
为最小值函数。
形状特征相似度分别获得两个特征区域之间第一特征距离和第二特征距离的差异，结合每个缺陷区域中第一特征距离和第二特征距离的差异比值获得整体的形状特征相似度。
将将角度特征相似度和形状特征相似度加权求和获得区域相似度。在本发明实施例中，考虑到缺陷区域的大小会影响形状特征相似度的大小，因此认为缺陷区域的角度特征较为重要，因此角度特征相似度的权值设置为0.7，形状特征相似度的权值设置为0.3。
根据缺陷区域之间的区域相似度对缺陷区域进行分类，获得多个区域类别。在本发明实施例中采用K均值聚类算法对缺陷区域样本进行聚类，获得多个聚类簇，每个聚类簇为一个区域类别，一个区域类别中的缺陷区域形状大小相似。
步骤S4：获得缺陷区域的边缘像素点与对应的正常纺织品图像中的像素点的像素差异；根据像素差异和缺陷区域的面积获得模板评分；以区域类别中最高的模板评分对应的缺陷区域作为缺陷模板，获得多种缺陷模板。
每个区域类别为一种缺陷类型，计算区域类别内所有缺陷区域模板评分，最高模板的评分的缺陷区域可作为该缺陷类型的缺陷模板。获得模板评分具体包括：
根据模板评分公式获得模板评分，模板评分公式包括：
Figure DEST_PATH_IMAGE042A
其中，
Figure 996353DEST_PATH_IMAGE044
为第
Figure 187162DEST_PATH_IMAGE046
个缺陷区域的模板评分，
Figure 817995DEST_PATH_IMAGE048
为模型拟合系数，
Figure 410650DEST_PATH_IMAGE050
为第
Figure 898264DEST_PATH_IMAGE046
个缺陷区域的面积，
Figure 717315DEST_PATH_IMAGE052
为缺陷区域的边缘像素点的数量，
Figure 276472DEST_PATH_IMAGE054
为第
Figure 97536DEST_PATH_IMAGE056
个边缘像素点的 像素值，
Figure 818367DEST_PATH_IMAGE058
为正常纺织品图像中对应的像素点的像素值。在本发明实施例中，模型拟合系数设置为1。
在模板评分公式中，考虑到缺陷模板越小，在后续模板匹配过程中更容易检测出缺陷，因此缺陷区域面积与模板评分为负相关关系。进一步考虑到缺陷区域边缘灰度值与正常纺织品区域的像素差异，像素值差异越大在后续模板匹配过程中更容易检测出缺陷，因此像素差异与模板评分为正相关关系。
通过模板评分对每个区域类别进行筛选，每个区域类别可获得一个缺陷模板。
步骤S5：根据缺陷模板利用模板匹配方法对待检测纺织品图像进行缺陷检测。
在本发明实施例中模板匹配方法采用基于相关性的目标匹配，利用一种归一化的互相关匹配来衡量缺陷模板与待检测纺织品图像之间的关系。将缺陷模板中的像素按照列顺序组成一个特征向量，在待检测纺织品图像中寻找与该特征向量最匹配的区域向量，通过计算特征向量和区域向量的余弦相似度来衡量缺陷模板与待检测纺织品图像中的待检测区域中的匹配关系，即余弦相似度越大说明缺陷模板与待检测区域越匹配。
需要说明的是，可设置余弦相似度阈值，若缺陷模板与待检测区域的余弦相似度大于余弦相似度阈值，则说明该待检测区域为缺陷区域。余弦相似度阈值可根据生产要求的检测精度具体设置，在此不做限定。
综上所述，本发明实施例通过多张缺陷纺织品图像获得多个缺陷区域样本。根据链码操作提取缺陷区域的边缘像素点并根据链码方向获得了表示边缘形状的角度特征。根据边缘像素点之间的距离获得表示缺陷区域形状的形状特征。通过角度特征和形状特征的相似度对缺陷区域进行分类，获得多个区域类别。通过缺陷区域的面积和像素值获得缺陷区域的模板评分，进而在区域类别中选取缺陷模板。通过缺陷模板对待检测纺织品图像进行缺陷检测。本发明实施例在大量缺陷区域样本中选取参考性强的缺陷模板，利用缺陷模板实现低成本且高效快速的纺织品表面缺陷检测。
本发明提出了一种基于模板匹配的纺织品缺陷检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于模板匹配的纺织品缺陷检测方法的步骤。
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。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 (7)

1.一种基于模板匹配的纺织品缺陷检测方法，其特征在于，所述方法包括：
通过历史数据库获得多张缺陷纺织品图像及其对应的正常纺织品图像；将所述缺陷纺织品图像与所述正常纺织品图像逐像素点对比，获得缺陷区域；
根据链码操作获得每个所述缺陷区域的边缘像素点；根据所述边缘像素点之间的距离获得多个参照顶点，具体包括：获得每个所述边缘像素点之间的第一距离；以最大第一距离对应的两个所述边缘像素点作为两个所述参照顶点；分别获得所述最大第一距离对应的所述参照顶点之间的连线与两侧所述边缘像素点之间的第二距离，以所述连线两侧最大第二距离对应的两个所述边缘像素点作为两个所述参照顶点；
根据链码方向获得每个所述参照顶点之间的相邻所述边缘像素点之间的相关角度，具体包括：根据预设位置选取一个所述参照顶点作为起始点；根据预设遍历方向以所述起始点的相邻边缘像素点作为生长点；若所述生长点在所述起始点的八邻域中的位置为对角域，则所述起始点与所述生长点的所述相关角度为45°；若所述生长点在所述起始点的四邻域中，则所述起始点与所述生长点的相关角度为90°；以所述生长点作为新的起始点，根据所述遍历方向获得新的生长点；遍历所述参照顶点之间所有所述边缘像素点，获得所述相邻边缘像素点之间的所述相关角度；
以所述参照顶点之间的平均相关角度作为对应参照顶点的角度特征；根据所述参照顶点之间的距离获得所述缺陷区域的形状特征，具体包括：以所述最大第一距离对应的两个所述参照顶点之间的距离作为第一特征距离；以所述最大第二距离对应的两个所述参照顶点之间的距离作为第二特征距离；以所述第一特征距离和所述第二特征距离作为所述形状特征；获得所述缺陷区域之间的角度特征相似度和形状特征相似度；将所述角度特征相似度和所述形状特征相似度加权求和获得区域相似度；根据所述缺陷区域之间的区域相似度对所述缺陷区域进行分类，获得多个区域类别；
获得所述缺陷区域的所述边缘像素点与对应的所述正常纺织品图像中的像素点的像素差异；根据所述像素差异和所述缺陷区域的面积获得模板评分；以所述区域类别中最高的所述模板评分对应的缺陷区域作为缺陷模板，获得多种所述缺陷模板；
根据所述缺陷模板利用模板匹配方法对待检测纺织品图像进行缺陷检测。
2.根据权利要求1所述的一种基于模板匹配的纺织品缺陷检测方法，其特征在于，所述将所述缺陷纺织品图像与所述正常纺织品图像逐像素点对比，获得缺陷区域包括：
将所述缺陷纺织品图像与所述正常纺织品图像相减，获得每个所述缺陷纺织品图像中像素点的像素差异；以所述像素差异的绝对值大于预设差异阈值的像素点作为缺陷像素点，获得所述缺陷区域。
3.根据权利要求1所述的一种基于模板匹配的纺织品缺陷检测方法，其特征在于，所述根据链码操作获得每个所述缺陷区域的边缘像素点包括：
根据预设重取样间隔获得多个所述边缘像素点，相邻所述边缘像素点之间包含所述链码方向。
4.根据权利要求1所述的一种基于模板匹配的纺织品缺陷检测方法，其特征在于，所述获得所述缺陷区域之间的角度特征相似度包括：
根据角度特征相似度公式获得所述角度特征相似度，所述角度特征相似度公式包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为所述角度特征相似度，
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
为缺陷区域
Figure DEST_PATH_IMAGE014
的四个所述参照顶点对应的所述角度特征，
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE022
为缺陷区域
Figure DEST_PATH_IMAGE024
的四个所述参照顶点对应的所述角度特征，
Figure DEST_PATH_IMAGE026
为最小值函数。
5.根据权利要求1所述的一种基于模板匹配的纺织品缺陷检测方法，其特征在于，所述获得所述缺陷区域之间的形状特征相似度包括：
根据形状特征相似度公式获得所述形状特征相似度，所述形状特征相似度包括;
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
为所述形状特征相似度，
Figure DEST_PATH_IMAGE032
为缺陷区域
Figure 732495DEST_PATH_IMAGE014
的所述第一特征距离，
Figure DEST_PATH_IMAGE034
为缺陷区域
Figure 915214DEST_PATH_IMAGE014
的所述第二特征距离，
Figure DEST_PATH_IMAGE036
为缺陷区域
Figure 727575DEST_PATH_IMAGE024
的所述第一特征距离，
Figure DEST_PATH_IMAGE038
为缺陷区域
Figure 388363DEST_PATH_IMAGE024
的所述第二特征距离，
Figure DEST_PATH_IMAGE040
为最小值函数。
6.根据权利要求1所述的一种基于模板匹配的纺织品缺陷检测方法，其特征在于，所述根据所述像素差异和所述缺陷区域的面积获得模板评分包括：
根据模板评分公式获得所述模板评分，所述模板评分公式包括：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE044
为第
Figure DEST_PATH_IMAGE046
个所述缺陷区域的所述模板评分，
Figure DEST_PATH_IMAGE048
为模型拟合系数，
Figure DEST_PATH_IMAGE050
为第
Figure 530631DEST_PATH_IMAGE046
个所述缺陷区域的面积，
Figure DEST_PATH_IMAGE052
为所述缺陷区域的所述边缘像素点的数量，
Figure DEST_PATH_IMAGE054
为第
Figure DEST_PATH_IMAGE056
个所述边缘像素点的像素值，
Figure DEST_PATH_IMAGE058
为所述正常纺织品图像中对应的像素点的像素值。
7.一种基于模板匹配的纺织品缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
CN202210793018.6A 2022-07-07 2022-07-07 基于模板匹配的纺织品缺陷检测方法及系统 Active CN114862855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210793018.6A CN114862855B (zh) 2022-07-07 2022-07-07 基于模板匹配的纺织品缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210793018.6A CN114862855B (zh) 2022-07-07 2022-07-07 基于模板匹配的纺织品缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN114862855A CN114862855A (zh) 2022-08-05
CN114862855B true CN114862855B (zh) 2022-09-23

Family

ID=82625958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210793018.6A Active CN114862855B (zh) 2022-07-07 2022-07-07 基于模板匹配的纺织品缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN114862855B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082482B (zh) * 2022-08-23 2022-11-22 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法
CN115331235B (zh) * 2022-10-12 2023-03-31 南通东鼎彩印包装厂 一种断裂粘连印刷数字识别方法
CN117152158B (zh) * 2023-11-01 2024-02-13 海门市缔绣家用纺织品有限公司 基于人工智能的纺织品疵点检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637300A (zh) * 2012-04-26 2012-08-15 重庆大学 改进的Zernike矩边缘检测方法
CN109816648A (zh) * 2019-01-23 2019-05-28 浙江大学 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法
CN113643294A (zh) * 2021-10-14 2021-11-12 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
CN114332086A (zh) * 2022-03-14 2022-04-12 启东市固德防水布有限公司 基于风格迁移和人工智能的纺织品缺陷检测方法及系统
CN114549400A (zh) * 2021-12-31 2022-05-27 深圳中科飞测科技股份有限公司 一种图像识别方法及装置
CN114842017A (zh) * 2022-07-06 2022-08-02 济宁市海富电子科技有限公司 一种hdmi线缆表面质量检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5673540B2 (ja) * 2009-08-18 2015-02-18 公立大学法人大阪府立大学 物体検出方法
CN104077773A (zh) * 2014-06-23 2014-10-01 北京京东方视讯科技有限公司 图像边缘检测方法、图像目标识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637300A (zh) * 2012-04-26 2012-08-15 重庆大学 改进的Zernike矩边缘检测方法
CN109816648A (zh) * 2019-01-23 2019-05-28 浙江大学 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法
CN113643294A (zh) * 2021-10-14 2021-11-12 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
CN114549400A (zh) * 2021-12-31 2022-05-27 深圳中科飞测科技股份有限公司 一种图像识别方法及装置
CN114332086A (zh) * 2022-03-14 2022-04-12 启东市固德防水布有限公司 基于风格迁移和人工智能的纺织品缺陷检测方法及系统
CN114842017A (zh) * 2022-07-06 2022-08-02 济宁市海富电子科技有限公司 一种hdmi线缆表面质量检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于语义信息分块的高像素导线缺陷目标识别;廖如超;《电力科学与技术学报》;20220531;第37卷(第3期);第206-212页 *

Also Published As

Publication number Publication date
CN114862855A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114862855B (zh) 基于模板匹配的纺织品缺陷检测方法及系统
Li et al. Automatic pavement crack detection by multi-scale image fusion
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
US20060029257A1 (en) Apparatus for determining a surface condition of an object
CN108090494B (zh) 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN104268505A (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
CN104036284A (zh) 基于Adaboost算法的多尺度行人检测方法
US9659231B2 (en) Image analysis device, method for creating image feature information database, and design similarity determination apparatus and method
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN111079596A (zh) 高分辨率遥感影像的海上典型人造目标识别系统及方法
CN113689429B (zh) 一种基于计算机视觉的木板缺陷检测方法
CN109949287A (zh) 一种基于自适应分割与模板校正的织物瑕疵检测方法
CN108182705A (zh) 一种基于机器视觉的三维坐标定位方法
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
Jing et al. Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF
CN113989308A (zh) 一种基于霍夫变换与模板匹配的多边形目标分割方法
CN116596921A (zh) 一种焚烧炉渣分选方法及系统
CN104239411B (zh) 一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法
CN109165650A (zh) 印花织物图像最小重复单元自动检测方法
CN104156696B (zh) 基于双方向图的快速局部不变特征描述子的构造方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image

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