CN114881960A - 基于特征增强的布匹直线型缺陷检测方法和系统 - Google Patents
基于特征增强的布匹直线型缺陷检测方法和系统 Download PDFInfo
- Publication number
- CN114881960A CN114881960A CN202210473932.2A CN202210473932A CN114881960A CN 114881960 A CN114881960 A CN 114881960A CN 202210473932 A CN202210473932 A CN 202210473932A CN 114881960 A CN114881960 A CN 114881960A
- Authority
- CN
- China
- Prior art keywords
- gray
- gray value
- value set
- image
- cloth
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及工业缺陷检测技术领域,具体涉及基于特征增强的布匹直线型缺陷检测方法和系统,首先对布匹图像进行图像处理得到了布匹灰度图像中正常灰度值集合与异常灰度值集合的平均灰度差及布匹灰度图像中正常灰度值集合方差与异常灰度值集合方差,进而得到了分段线性函数,利用分段线性函数对布匹图像中的梯度进行增强,再利用canny算子对增强梯度后的布匹灰度图像进行检测得到布匹边缘检测图像,再利用霍夫变换检测布匹边缘检测图像得到布匹直线型缺陷。通过先增强布匹图像灰度梯度再检测的方法提高了布匹缺陷检测的准确度。
Description
技术领域
本发明涉及工业缺陷检测技术领域,具体涉及基于特征增强的布匹直线型缺陷检测方法和系统。
背景技术
我国作为纺织大国,布匹生产是关系到千家万户的正常生活,大批量的布匹生产难免会出现质量问题,对布匹质量的检测一直是纺织业关注的重点。目前布匹缺陷检测有人工和机器两种类型的检测方式,由于布匹中的缺陷多位微小的不易察觉类型,如缺经、浮经和断韦等,而布匹需求量非常庞大,使用人工检测速度慢,效率低,受人为主观因素影响较大,难以满足现代化的需要,近期新世纪基于人工智能的检测方法不断涌现,虽然机器检测的技术已经实现,但是检测精准度依然不够,会出现漏检、误检,因此亟需一种布匹检测方法和系统提高检测的精准度。
发明内容
本发明提供基于特征增强的布匹直线型缺陷检测的方法和系统以解决现有的人工检测速度慢,效率低,机器检测精准度低的问题,能够更准确的检测布匹中的直线型缺陷。
为解决上述问题,本发明采用以下技术方案,基于特征增强的布匹直线型缺陷检测方法,包括:
获取布匹灰度图像;
设置滑窗,利用滑窗对布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像;
利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合;
利用正常灰度值集合和异常灰度值集合的平均灰度值得到平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率;
获取正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距;
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像;
利用canny算子对增强后的重构灰度图像进行边缘检测得到布匹边缘检测图像;
利用霍夫变换对布匹边缘检测图像进行检测得到布匹中的直线型缺陷。
进一步的,所述重构灰度图像是按如下方式得到的:
设置滑窗,利用滑窗对布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像。
进一步的,所述正常灰度值集合及异常灰度值集合是按如下方式得到的:
利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合。
进一步的,所述正常灰度值集合及异常灰度值集合的平均灰度差是按如下方式得到的:
获取正常灰度值集合的平均灰度值及异常灰度值集合的平均灰度值,进而得到正常灰度值集合与异常灰度值集合的平均灰度差,具体表达式如下:
d=|Eb-Ea|
式中:d表示正常灰度值集合与异常灰度值集合的平均灰度差,Ea表示正常灰度值集合的平均灰度值,Eb表示异常灰度值集合的平均灰度值。
进一步的,所述线性变换方程式斜率是按如下方法得到的:
获取正常灰度值集合的平均灰度值及异常灰度值集合的平均灰度值,进而得到正常灰度值集合与异常灰度值集合的平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率。
进一步的,所述线性变换方程式截距是按如下方法得到的:
获取正常灰度值集合方差与异常灰度值集合方差;
将正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距。
进一步的,所述分段线性变换函数表达式如下:
进一步的,所述增强后的重构灰度图像是按如下方法得到的:
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像。
进一步的,所述布匹直线型缺陷是按如下方法得到的:
利用霍夫变换对布匹边缘检测图像进行检测,若图像中存在直线,则布匹存在直线型缺陷,若图像中不存在直线,则布匹不存在缺陷。
基于特征增强的布匹直线型缺陷系统,包括:
图像采集模块:用于采集布匹图像,得到布匹灰度图像;
图像处理模块:设置滑窗,利用滑窗对布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像;
图像增强模块:利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合;
利用正常灰度值集合和异常灰度值集合的平均灰度值得到平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率;
获取正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距;
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像;
边缘检测模块:利用canny算子对增强后的重构灰度图像进行边缘检测得到布匹边缘检测图像;
缺陷确定模块:利用霍夫变换对布匹边缘检测图像进行检测,若布匹边缘检测图像中存在直线,则该布匹存在直线型缺陷,若布匹边缘检测图像中不存在直线,则该布匹不存在直线型缺陷。
本发明的有益效果是:本发明首先对布匹图像进行图像处理得到了布匹灰度图像中正常灰度值集合与异常灰度值集合的平均灰度差及布匹灰度图像中正常灰度值集合方差与异常灰度值集合方差,进而得到了分段线性函数,利用分段线性函数对重构灰度图像进行增强,得到增强后的重构灰度图像,再利用canny算子对增强后的重构灰度图像进行检测得到布匹边缘检测图像,再利用霍夫变换检测布匹边缘检测图像得到布匹直线型缺陷。通过先增强灰度梯度再检测的方法提高了布匹缺陷检测的准确度。
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为本发明的实施例提供了基于特征增强的布匹直线型缺陷检测方法的流程图;
图2为本发明的实施例提供了基于特征增强的布匹直线型缺陷检测系统的结构框图;
图3为本发明的实施例提供了对布匹灰度图像进行滑窗遍历的具体过程图。
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
本发明的实施例提供基于特征增强的布匹直线型缺陷检测方法,如图1所示,包括:
S101、获取布匹灰度图像。
将高清相机位于传送带正上方,采集布匹的图像数据,传入到灰度化单元,使用加权平均法对图像数据进行灰度化处理,得到布匹灰度图像。
S102、获取布匹灰度图像的平均灰度值。
采取类似平均值池化的方法对图像中的所有像素点进行遍历,所不同的是,采用的是S×T的矩形滑窗进行遍历,遍历的结果是以平均灰度值代替原本灰度值,即得到布匹图像的平均灰度值。由于布匹中线性缺陷的特殊性,为了使得遍历后的结果更具有代表性,本次选用一个4×1的滑窗对布匹灰度图像进行遍历。如图3所示原始图像中第一列像素点灰度值分别为(10,9,9,10),滑窗权值为(1,1,1,1),则有最终图像中的平均灰度值:
选用的滑窗中的权值都为1,滑动步长为2,依次对图像中的所有像素点进行遍历最终得到遍历后的重构灰度图像。
遍历的结果是以最终计算得到的平均灰度值代替原始布匹灰度图像的灰度值,由于原始布匹灰度图像的灰度值经过遍历之后得到的平均灰度图像可能存在小数点,采取四舍五入操作对小数点取整,由于滑窗选用的是符合直线形缺陷的形状,对集体出现的存在异常的点不会抑制,可以看出本操作可以对个别的灰度值异常点进行平均化操作抑制独立的异常点。并且由于正常部位的灰度值接近,异常部的灰度值接近,通过聚类算法可以将其分为两类。
S103、获取正常灰度值集合与异常灰度值集合。
通过S102中重构灰度图像的平均灰度值可以看出,平均灰度值的数据出现分割的情况,正常区域的灰度值十分接近,异常区域的灰度值十分接近,且两者之间的差距较大,并且最初类似平均池化操作去除了离群点和噪声点,因此可以选用k-means聚类算法对平均灰度值数据进行聚类分析得到正常灰度值集合及异常灰度值集合。
在布匹灰度图像中,缺陷很微小,因此在聚类得到的两个集合中,元素个数多的为正常图像的灰度值集合,元素个数少的为异常图像灰度值组成的集合,如下所示:
A={α1,a2,…,am}
B={b1,b2,…,bn}
式中:集合A表示正常灰度值的集合,集合B表示异常灰度值集合,a表示正常灰度值集合中的灰度值,b代表异常灰度值集合中的灰度值,m、n均表示灰度值个数,且m>n。
S104、获取正常灰度值集合和异常灰度值集合的平均灰度差。
利用S103中正常灰度值集合得到正常灰度值集合的平均灰度值,表达式如下:
式中:Ea表示正常灰度值集合的平均灰度值,m表示正常灰度值集合中灰度值的个数,a表示正常灰度值集合中具体灰度值。
利用S103中异常灰度值集合得到异常灰度值集合的平均灰度值,表达式如下:
式中:Eb表示异常灰度值集合的平均灰度值,n表示异常灰度值集合中灰度值的个数,b表示异常灰度值集合中具体灰度值。
进一步,正常灰度值集合与异常灰度值集合的平均灰度差表达式如下:
d=|Eb-Ea|
式中:d表示正常灰度值集合与异常灰度值集合的平均灰度差,Ea表示正常灰度值集合的平均灰度值,Eb表示异常灰度值集合的平均灰度值。
S105、获取线性变换方程式斜率。
灰度值的大小在视觉上表现为图像中的亮暗程度,虽然在灰度值的对比上正常部位的灰度值和异常部位的灰度值有差距,但是这种差距在具体的梯度量化中不够明显,在最终的边缘检测中容易出现误差,使得检测效果不理想,而分段线性灰度变换能够增强图像中各部分的反差,增强图像中的缺陷区域。
和传统分段线性变换不同,本发明的分段线性变换是与每一点的灰度值相结合,根据正常、异常灰度值两个集合设定两个分段的斜率和截距,如下式:
式中:A表示正常灰度值集合,B表示异常灰度值集合,y表示线性变换后的灰度值,x表示变换前的灰度值,根据A、B两个集合将x分成两段,a表示正常灰度值集合线性变换方程式斜率,b表示异常灰度值集合线性变换方程式斜率,i表示正常灰度值集合线性变换方程式截距,j表示异常灰度值集合线性变换方程式截距。
布匹缺陷检测中缺陷区域为异常灰度值所存在的位置,由于正常灰度值与异常灰度值接近,为了使正常灰度值和异常灰度值之间具有更大的梯度,需要抑制正常灰度值,增强异常灰度值,从而便于边缘检测。而分段线性灰度变换中,斜率的大小决定了增强的效果,因此需要获取线性方程式斜率,具体过程如下:
根据S104中正常灰度值集合与异常灰度值集合的平均灰度差得到正常灰度值集合线性方程式斜率,表达式如下:
式中:d表示正常灰度值集合与异常灰度值集合的平均灰度差,a表示正常灰度值集合线性变换方程式斜率。
根据S104中正常灰度值集合与异常灰度值集合的平均灰度差得到异常灰度值集合线性变换方程式斜率,表达式如下:
式中:d表示正常灰度值集合与异常灰度值集合的平均灰度差,b表示异常灰度值集合线性方程式斜率。
其中,d越小表明正常灰度值和异常灰度值之间的差距越小,应当增强对正常灰度值的抑制程度,提升异常灰度值的增强程度;d越大表明正常灰度值与异常灰度值之间的差距越大,应当减小对正常灰度值的抑制,减小对异常灰度值的增强;d与a成正比,d与b成反比,同时要满足a<1,b>1。根据当前采集到的纺织过程中完成纺织的布匹图像,实时获取正常灰度值集合与异常灰度值集合的斜率,实现了对a,b的自适应。
S106、获取线性变换方程式截距。
虽然使用矩形滑窗遍历的操作对图像做了平滑处理,但是难免会出现某个部位灰度值明显高于其余部位,如某灰度值集合(14,15,15,20),为此时最高灰度值与其余灰度值的灰度差为(6,5,5),经过线性灰度变换y=2x+5操作后,变为(33,35,35,45),此时最高灰度值与其余灰度值的灰度差为(12,10,10),此时梯度发生了明显的增强。无论是聚类得到的正常灰度集合或异常灰度集合,如果存在这种情况,经过线性变换后会出现该部位梯度明显大于周围,此时在图像检测中会出现虚假的边缘。因此需要根据当前采集到的纺织过程中完成纺织的布匹图像,实时获取正常灰度值集合及异常灰度值集合的线性变换方程式截距,具体过程如下:
利用S102中正常灰度值集合与异常灰度值集合,分别得到计算正常灰度值集合与异常灰度值集合的方差σA,σB,则正常灰度值集合线性变换方程式截距表达式如下:
式中:i表示正常灰度值集合线性变换方程式截距,σA表示正常灰度值集合的方差。
异常灰度值集合线性变换方程式截距表达式如下:
式中:j表示异常灰度值集合线性变换方程式截距,σB表示异常灰度值集合的方差。
根据当前采集到的纺织过程中完成纺织的布匹图像实时获取正常灰度值集合及异常灰度值集合的线性变换方程式截距,能够有效的解决检测增强梯度后的布匹灰度图像时出现的虚假边缘,提高检测的精准度。
S107、获取分段线性变换函数。
根据S105及S106可获得分段线性变换函数,具体表达式如下:
式中:y表示线性变换后的灰度值,x表示线性变换前的灰度值,根据A、B两个集合将x分成两段,正常灰度值集合线性方程式斜率,表示异常灰度值集合线性方程式斜率,表示正常灰度值集合线性变换方程式截距,表示异常灰度值集合线性变换方程式截距。
经过分段线性变换,增强了正常部位和缺陷部位的梯度,得到增强后的重构灰度图像,使得检测结果更加准确。
S108、获取布匹边缘检测图像。
利用canny算子对增强后的重构灰度图像进行检测得到布匹边缘检测图像。
其中,用高斯滤波器平滑增强后的重构灰度图像,用一阶偏导有限差分计算梯度幅值和方向,对梯度幅值进行非极大值抑制,用双阈值算法检测和连接边缘。
通过canny算子检测准确的得到了布匹边缘检测图像中的异常部位的边缘图像。
S109、获取布匹的直线型缺陷。
利用霍夫变换对布匹边缘检测图像中的异常部位的边缘图像进行检测,若匹边缘检测图像中的异常部位的边缘图像中存在直线,则布匹存在直线型缺陷,若匹边缘检测图像中的异常部位的边缘图像中不存在直线,则布匹不存在缺陷。
其中,坐标空间中的共线点在霍夫空间中表现为这几个点确定的正弦曲线的共同的交点,因此设置阈值,在阈值的限定下统计霍夫空间中的交点,即为布匹图像中的直线。
在布匹缺陷种类中,大多数缺陷的形状都为类似直线型的缺陷,包括缺经、浮经和断韦,缺陷形状都为直线型。本发明通过对布匹缺陷狭长缺陷的特殊性,设计特殊的线性灰度化增强方法,增强直线型缺陷的异常特征,让边缘检测得到的图像更加明显,最后通过霍夫变换检测增强梯度后的布匹灰度图像中的直线型缺陷。
基于特征增强的布匹直线型缺陷检测系统,如图2所示,包括:
图像采集模块:用于采集布匹图像,图像采集模块为高清相机,设在传送带正上方,采集布匹的图像数据,传入到灰度化单元,使用加权平均法对图像数据进行灰度化处理,得到布匹灰度图像。
图像处理模块:设置滑窗,利用滑窗对图像采集模块得到的布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像;
图像增强模块:利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合;
利用正常灰度值集合和异常灰度值集合的平均灰度值得到平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率;
获取正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距;
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像;
边缘检测模块:利用canny算子对增强后的重构灰度图像进行边缘检测得到布匹边缘检测图像;
缺陷确定模块:利用霍夫变换对布匹边缘检测图像中的异常部位的边缘图像进行检测,若匹边缘检测图像中的异常部位的边缘图像中存在直线,则布匹存在直线型缺陷,若匹边缘检测图像中的异常部位的边缘图像中不存在直线,则布匹不存在缺陷。
其中,坐标空间中的共线点在霍夫空间中表现为这几个点确定的正弦曲线的共同的交点,因此设置阈值,在阈值的限定下统计霍夫空间中的交点,即为布匹图像中的直线。
在布匹缺陷种类中,大多数缺陷的形状都为类似直线型的缺陷,包括缺经、浮经和断韦,缺陷形状都为直线型。本发明通过对布匹缺陷狭长缺陷的特殊性,设计特殊的线性灰度化增强方法,增强直线型缺陷的异常特征,让边缘检测得到的图像更加明显,最后通过霍夫变换检测增强梯度后的布匹灰度图像中的直线型缺陷。
本发明的有益效果是:本发明首先对布匹图像进行图像处理得到了布匹灰度图像中正常灰度值集合与异常灰度值集合的平均灰度差及布匹灰度图像中正常灰度值集合方差与异常灰度值集合方差,进而得到了分段线性函数,利用分段线性函数对重构灰度图像进行增强,得到增强后的重构灰度图像,再利用canny算子对增强后的重构灰度图像进行检测得到布匹边缘检测图像,再利用霍夫变换检测布匹边缘检测图像得到布匹直线型缺陷。通过先增强灰度梯度再检测的方法提高了布匹缺陷检测的准确度。
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 (10)
1.基于特征增强的布匹直线型缺陷检测方法,其特征在于,包括:
获取布匹灰度图像;
设置滑窗,利用滑窗对布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像;
利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合;
利用正常灰度值集合和异常灰度值集合的平均灰度值得到平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率;
获取正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距;
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像;
利用canny算子对增强后的重构灰度图像进行边缘检测得到布匹边缘检测图像;
利用霍夫变换对布匹边缘检测图像进行检测得到布匹中的直线型缺陷。
2.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述重构灰度图像是按如下方式得到的:
设置滑窗,利用滑窗对布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像。
3.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述正常灰度值集合及异常灰度值集合是按如下方式得到的:
利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合。
4.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述正常灰度值集合及异常灰度值集合的平均灰度差是按如下方式得到的:
获取正常灰度值集合的平均灰度值及异常灰度值集合的平均灰度值,进而得到正常灰度值集合与异常灰度值集合的平均灰度差,具体表达式如下:
d=|Eb-Ea|
式中:d表示正常灰度值集合与异常灰度值集合的平均灰度差,Ea表示正常灰度值集合的平均灰度值,Eb表示异常灰度值集合的平均灰度值。
5.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述线性变换方程式斜率是按如下方法得到的:
获取正常灰度值集合的平均灰度值及异常灰度值集合的平均灰度值,进而得到正常灰度值集合与异常灰度值集合的平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率。
6.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述线性变换方程式截距是按如下方法得到的:
获取正常灰度值集合方差与异常灰度值集合方差;
将正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距。
8.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述增强后的重构灰度图像是按如下方法得到的:
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像。
9.根据权利要求1基于特征增强的布匹直线型缺陷检测方法,其特征在于,所述布匹直线型缺陷是按如下方法得到的:
利用霍夫变换对布匹边缘检测图像进行检测,若图像中存在直线,则布匹存在直线型缺陷,若图像中不存在直线,则布匹不存在缺陷。
10.基于特征增强的布匹直线型缺陷检测系统,其特征在于,包括:
图像采集模块:用于采集布匹图像,得到布匹灰度图像;
图像处理模块:设置滑窗,利用滑窗对布匹灰度图像进行遍历,利用每个窗口中所有像素点的灰度值计算每个窗口的灰度均值,并将获取的灰度均值作为该窗口中所有像素点的灰度值对布匹灰度图像进行重构,获得重构灰度图像;
图像增强模块:利用重构灰度图像中每个像素点的灰度值对重构灰度图像进行聚类,得到正常灰度值集合和异常灰度值集合;
利用正常灰度值集合和异常灰度值集合的平均灰度值得到平均灰度差;
根据得到的平均灰度差分别获取对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率;
获取正常灰度值集合中的灰度值方差与异常灰度值集合中的灰度值方差作为对正常灰度值集合和异常灰度值集合中的像素点进行线性变换的截距;
利用获取的正常灰度值集合和异常灰度值集合中的像素点进行线性变换的线性变换方程式斜率和截距分别对正常灰度值集合和异常灰度值集合中的像素点进行线性变换,得到增强后的重构灰度图像;
边缘检测模块:利用canny算子对增强后的重构灰度图像进行边缘检测得到布匹边缘检测图像;
缺陷确定模块:利用霍夫变换对布匹边缘检测图像进行检测,若布匹边缘检测图像中存在直线,则该布匹存在直线型缺陷,若布匹边缘检测图像中不存在直线,则该布匹不存在直线型缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473932.2A CN114881960A (zh) | 2022-04-29 | 2022-04-29 | 基于特征增强的布匹直线型缺陷检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473932.2A CN114881960A (zh) | 2022-04-29 | 2022-04-29 | 基于特征增强的布匹直线型缺陷检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881960A true CN114881960A (zh) | 2022-08-09 |
Family
ID=82673304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210473932.2A Pending CN114881960A (zh) | 2022-04-29 | 2022-04-29 | 基于特征增强的布匹直线型缺陷检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881960A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 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 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
CN115330770A (zh) * | 2022-10-12 | 2022-11-11 | 南通宝江家用纺织品有限公司 | 一种布匹区域类疵点识别方法 |
-
2022
- 2022-04-29 CN CN202210473932.2A patent/CN114881960A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 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 |
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 |
CN115330770A (zh) * | 2022-10-12 | 2022-11-11 | 南通宝江家用纺织品有限公司 | 一种布匹区域类疵点识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN114494210A (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN113012105B (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117437223B (zh) | 一种高速板对板连接器缺陷智能检测方法 | |
CN115311265B (zh) | 基于纺织质量的织布机智能控制系统 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 |
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 |