CN114897788A - 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法 - Google Patents

一种基于引导滤波及离散差分的纱线卷装毛羽检测方法 Download PDF

Info

Publication number
CN114897788A
CN114897788A CN202210394277.1A CN202210394277A CN114897788A CN 114897788 A CN114897788 A CN 114897788A CN 202210394277 A CN202210394277 A CN 202210394277A CN 114897788 A CN114897788 A CN 114897788A
Authority
CN
China
Prior art keywords
image
value
gradient
yarn package
point
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.)
Granted
Application number
CN202210394277.1A
Other languages
English (en)
Other versions
CN114897788B (zh
Inventor
高卫东
王静安
邱子峻
王梦蕾
王蕾
王文聪
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202210394277.1A priority Critical patent/CN114897788B/zh
Publication of CN114897788A publication Critical patent/CN114897788A/zh
Application granted granted Critical
Publication of CN114897788B publication Critical patent/CN114897788B/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
    • G06T5/70—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于引导滤波及离散差分的纱线卷装毛羽检测方法，具体为：首先，采用工业相机从纱线卷装侧面的切向拍摄其母线，获得原始图像，并对原始图像进行引导滤波处理，之后采用离散性差分算子进行梯度计算，再对所得图像进行非极大值抑制，最后采用双阈值算法检测和连接边缘。本方法提供的纱线卷装表面毛羽边缘检测方法采用图像处理技术，对纱线卷装进行无损检测，无需进行破坏性试验，并且能够适应于不同时期的纱线卷装，监控各流程中的纱线质量，指导纺织加工生产。

Description

一种基于引导滤波及离散差分的纱线卷装毛羽检测方法
技术领域
本发明属于纺织检测技术，具体涉及一种基于引导滤波及离散差分的纱线卷装毛羽检测方法。
背景技术
在生产实际中，过多过长的毛羽会导致织造时经纱缠结，降低织造效率，影响产品质量，此外毛羽的不均匀分布也会导致染色时产生色差，降低后续产品加工质量。
毛羽是纱线质量的重要评价指标之一，目前的检测手段主要是将待检测纱线从大批量的卷装中抽取出来，进行破坏性的检测试验，包括绕纱黑板法和走纱检测法。其中绕纱黑板法将抽取所得纱样绕制成黑板，采用图像处理技术或人工视觉评定，评价出纱线的毛羽水平；走纱检测法采用特定的走纱机构，将纱线从卷装上剥离并运送通过检测装置，采用光电检测技术、电容检测技术、或图像检测技术检测经过检测位置的纱线毛羽。这些方法均属于离线检测方法，对于生产线而言响应效率较低，并且经检测纱线无法再次使用，造成资源的浪费。
纱线作为纺纱企业的产品，在不同阶段有不同的卷装形式，初步由细纱机纺出的纱线卷装为管纱，经由络筒机清除纱疵且增大卷装容量的纱线卷装为筒纱，经由整经工序制成的纱线卷装为经轴，经由浆纱工序制成的纱线卷装为织轴。纱线卷装的不同阶段，纱线毛羽呈现不同的数量和状态。本发明提供的纱线卷装表面毛羽边缘检测方法采用图像处理技术，对纱线卷装进行无损检测，无需进行破坏性试验，并且能够适应于不同时期的纱线卷装，监控各流程中的纱线质量，指导纺织加工生产。
发明内容
本发明旨在提供一种基于引导滤波和离散性差分算子的纱线卷装毛羽边缘检测方法，解决纱线卷装毛羽提取时，噪声干扰严重，毛羽细节识别不清，使毛羽片段分割的问题，尽可能完整提取纱线卷装毛羽；
本发明采取的技术方案是，一种基于引导滤波及离散差分的纱线卷装毛羽检测方法，步骤如下：
步骤1，拍摄待检测的管纱或筒纱图像，获得原始图像；
具体操作如下：为减少原始图像噪声，由黑色幕布为图像拍摄创造黑色背景，设置正面光源照射，采用工业相机，从纱线卷装侧面的切向拍摄其母线，获得原始图像；
步骤2，采用引导滤波器抑制图像噪声；
步骤3，采用离散性差分算子，对经步骤2处理后的图像进行梯度计算；
步骤4，对梯度运算后的图像进行非极大值抑制，寻找像素点局部最大值，并将之对应的灰度值设置为0，提出非边缘点；
具体操作如下：对经步骤3计算所得图像进行非极大值抑制，在0、45、90、135度方向上及进行，分别代表左右、右上左下、上下、左上右下四个梯度方向，将当前位置的梯度值与梯度方向上两侧的梯度值及进行比较，判断当前梯度值在梯度方向上是否为局部最大值；
步骤5，采用双阈值算法检测和连接边缘。
具体操作如下：选择高阈值为0.8×灰度最大值，选择0.1×灰度最大值作为低阈值，高阈值得到的图像中含有较少的假边缘，也会导致图像边缘开口，采用另一个低阈值收集新的边缘以使边缘闭合。若某点梯度高于高阈值，则在结果中置1，若该点的梯度值低于低阈值，则在结果中置0，若该点的梯度值介于高低阈值之间，则作出以下判断：检查该点的8邻域点，查看是否存在梯度值高于高阈值的点，若存在，则说明该中心点和确定的边缘点相连接，结果中置1，否则置0。
进一步的：
步骤2具体为：将一张引导图片作为权重图像，对输入图像进行处理，公式表达如下：
Figure BDA0003596748020000033
其中，q、I、p分别表示输出图像、引导图像和输入图像，i、j分别表示图像中像素点的索引。可以从公式中看出，处理权重完全来自于引导图像；
引导滤波模型中认为，图像是一个二维函数，函数上的某一点与临近点成线性关系，所以一个复杂函数可以用许多局部线性函数来表示，当没法写出图像二维函数解析式时，假设函数的输出与输入在二维窗口内满足线性关系，在局部窗口的ωk中，输出图像和引导图像的线性关系可以表示为公式(2)，(ak，bk)是窗口中的线性系数；
Figure BDA0003596748020000031
根据该模型，可以保证输出图像q受到引导图像I的约束，对上式两端取梯度可以得到▽q＝a▽I，即当引导图像I在局部有梯度变化时，输出图像q对应地也会有梯度变化；
为求出线性函数的系数，希望拟合函数的输出值与真实值p之间的差距最小，即令式(3)最小：
Figure BDA0003596748020000032
其中∈是L2范数正则化系数，可以防止ak过大，采用最小二乘法求出式(2)的最优解，在窗口ωk中两者的解表示为下式：
Figure BDA0003596748020000041
Figure BDA0003596748020000042
其中，μk和σk为Ii在窗口内的均值和标准差，|ω|表示窗口内像素块的总数，
Figure BDA0003596748020000043
表示窗口内输入图像p的均值。在计算每个窗口的线性系数时，一个像素被多个窗口包含，即每个像素都由多个线性函数描述。因此对所有的ak和bk求均值，表示为
Figure BDA0003596748020000044
及
Figure BDA0003596748020000045
构成综合滤波处理如下：
Figure BDA0003596748020000046
式(6)中，qi为经滤波处理所得输出图像；
步骤3具体为：采用离散行差分算子对步骤2输出图像进行梯度计算，该算子卷积因子为：
Figure BDA0003596748020000047
该算子包含两组3×3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，具体计算如下：
Gx＝(-1)*f(x-1，y-1)+1*f(x+1，y-1)+(-3)*f(x-1，y)+3*f(x+1，y)+(-1)*f(x-1，y+1)+1*f(x+1，y+1)
Gy＝1*f(x-1，y-1)+３*f(x，y-1)+1*f(x+1，y-1)+(-1)*f(x-1，y+1)+(-3)*f(x，y+1)+(-1)*f(x+1，y+1)
其中，f(a，b)表示图像(a，b)点的灰度值；
图像的每一个像素的横向和纵向灰度值通过以下公式结合，来计算该点灰度值大小：
Figure BDA0003596748020000048
本发明的技术方案的有益之处在于：
本发明利用引导滤波对纱线图像预处理，能够有效减少图像噪声，最大程度上减少毛羽细节损伤，避免图像分割时产生不可控的毛羽割裂。本发明提出了一种基于引导滤波及离散差分的纱线卷装毛羽检测方法，用于识别出纱线卷装毛羽图像中毛羽。提出的引导滤波器能够抑制图像噪声；提出的离散性差分算子能够将处理对象从图像域转移至梯度域，提高图像识别的稳定性；在此基础上使用提出的非极大值抑制及双阈值算法，能够有效检测并分割图像中的毛羽。
附图说明
图1是本发明一种基于引导滤波和离散性差分算子的纱线卷装毛羽边缘检测方法的流程图；
图2是本实施例中待检测的管纱图像a；
图3是本实施例中待检测的筒纱图像b；
图4是图2经过本实施例算法处理后所得的管纱图像c；
图5是图3经过本实施例算法处理后所得的筒纱图像d。
具体实施方式
以下通过具体实施例进行详细介绍本发明的技术方案。
基于引导滤波和离散性差分算子的纱线卷装毛羽边缘检测方法具体步骤参考图1，主要步骤为，拍摄待检测的管纱或筒纱图像，获得原始图像，对图像采用引导滤波器抑制图像噪声，采用离散性差分算子，对经滤波处理后的图像进行梯度计算，将图像灰度点邻域强度值变化明显的点凸显出来；对梯度运算后的图像进行非极大值抑制，寻找像素点局部最大值，并将之对应的灰度值设置为0，提出非边缘点，采用双阈值算法检测和连接边缘。
具体的步骤为：
步骤1，为减少原始图像噪声，由黑色幕布为图像拍摄创造黑色背景，设置正面光源照射，采用工业相机，从纱线卷装侧面的切向拍摄其母线，获得原始图像。
步骤2，对原始图像进行引导滤波计算，具体如下：
步骤2.1，将步骤1拍摄所得原始图像作为权重图像，对该图像进行处理，q、I、p分别表示输出图像、引导图像和输入图像，i、j分别表示图像中像素点的索引。公式表达如下：
Figure BDA0003596748020000066
步骤2.2，为求出线性函数的系数，希望拟合函数的输出值与真实值p之间的差距最小，因局部窗口ωk中，输出图像和引导图像的线性关系可知，令(ak，bk)为窗口中的线性系数。即令下式最小：
Figure BDA0003596748020000061
步骤2.3，采用最小二乘法求出式(2)中的最优解，令μk和σk为Ii在窗口内的均值和标准差，|ω|表示窗口内像素块的总数，
Figure BDA0003596748020000062
表示窗口内输入图像p的均值，在窗口ωk中两者的解表示为下式：
Figure BDA0003596748020000063
Figure BDA0003596748020000064
步骤2.4，对这些值求均值，如下：
Figure BDA0003596748020000065
式(5)中，qi为经滤波处理所得输出图像；
步骤3，采用边缘检测算子对步骤2输出图像进行梯度计算，该算子卷积因子为：
Figure BDA0003596748020000071
具体计算如下：
Gx＝(-1)*f(x-1，y-1)+1*f(x+1，y-1)+(-3)*f(x-1，y)+3*f(x+1，y)+(-1)*f(x-1，y+1)+1*f(x+1，y+1)
Gy＝1*f(x-1，y-1)+3*f(x，y-1)+1*f(x+1，y-1)+(-1)*f(x-1，y+1)+(-3)*f(x，y+1)+(-1)*f(x+1，y+1)
其中f(a，b)表示图像(a，b)点的灰度值；
图像的每一个像素的横向和纵向灰度值通过以下公式结合，来计算该点灰度值大小：
Figure BDA0003596748020000072
步骤4，对经步骤3计算所得图像进行非极大值抑制，在0、45、90、135度方向上及进行，分别代表左右、右上左下、上下、左上右下四个梯度方向，将当前位置的梯度值与梯度方向上两侧的梯度值及进行比较，判断当前梯度值在梯度方向上是否为局部最大值。
步骤5，选择高阈值为0.8×灰度最大值，选择0.1×灰度最大值作为低阈值，高阈值得到的图像中含有较少的假边缘，也会导致图像边缘不闭合，采用另一个低阈值收集新的边缘以使边缘闭合。若某点梯度高于高阈值，则在结果中置1，若该点的梯度值低于低阈值，则在结果中置0，若该点的梯度值介于高低阈值之间，则作出以下判断：检查该点的8邻域点，查看是否存在梯度值高于高阈值的点，若存在，则说明该中心点和确定的边缘点相连接，结果中置1，否则置0。

Claims (3)

1.一种基于引导滤波及离散差分的纱线卷装毛羽检测方法，其特征在于，步骤如下：
步骤1，采用工业相机，从纱线卷装侧面的切向拍摄其母线，获得原始图像；
步骤2，对原始图像进行引导滤波计算，具体如下：
步骤2.1，将步骤1拍摄所得原始图像作为权重图像，对该图像进行处理，q、I、p分别表示输出图像、引导图像和输入图像，i、j分别表示图像中像素点的索引；公式表达如下：
qi＝Σjlj(I)pj (1)；
步骤2.2，为求出线性函数的系数，希望拟合函数的输出值与真实值p之间的差距最小，因局部窗口ωk中，输出图像和引导图像的线性关系可知，令(ak，bk)为窗口中的线性系数；即令下式最小：
Figure FDA0003596748010000011
步骤2.3，采用最小二乘法求出式(2)的最优解，令μk和σk为Ii在窗口内的均值和标准差，|ω|表示窗口内像素块的总数，
Figure FDA0003596748010000012
表示窗口内输入图像p的均值，在窗口ωk中两者的解表示为下式：
Figure FDA0003596748010000013
Figure FDA0003596748010000014
步骤2.4，对这些值求均值，如下：
Figure FDA0003596748010000015
式(5)中，qi为经滤波处理所得输出图像；
步骤3，采用边缘检测算子对步骤2输出图像进行梯度计算，该算子卷积因子为：
Figure FDA0003596748010000021
具体计算如下：
Gx＝(-1)×f(x-1，y-1)+1×f(x+1，y-1)+(-3)×f(x-1，y)+3×f(x+1，y)+(-1)×f(x-1，y+1)+1×f(x+1，y+1)
Gy＝1×f(x-1，y-1)+3×f(x，y-1)+1×f(x+1，y-1)+(-1)×f(x-1，y+1)+(-3)×f(x，y+1)+(-1)×f(x+1，y+1)
其中，f(a，b)表示图像(a，b)点的灰度值；
图像的每一个像素的横向和纵向灰度值通过以下公式结合，来计算该点灰度值大小：
Figure FDA0003596748010000022
步骤4，对梯度运算后的图像进行非极大值抑制，寻找像素点局部最大值，并将之对应的灰度值设置为0，提出非边缘点；
步骤5，采用双阈值算法检测和连接边缘。
2.如权利要求1所述的一种基于引导滤波及离散差分的纱线卷装毛羽检测方法，其特征在于，所述步骤4中，具体操作如下：
对经步骤3计算所得图像进行非极大值抑制，在0、45、90、135度方向上及进行，分别代表左右、右上左下、上下、左上右下四个梯度方向，将当前位置的梯度值与梯度方向上两侧的梯度值及进行比较，判断当前梯度值在梯度方向上是否为局部最大值。
3.如权力要求1或2所述的一种基于引导滤波及离散差分的纱线卷装毛羽检测方法，其特征在于，所述步骤5中，具体操作如下：
选择高阈值为0.8×灰度最大值，选择0.1×灰度最大值作为低阈值，高阈值得到的图像中含有较少的假边缘，也会导致图像边缘开口，采用另一个低阈值收集新的边缘以使边缘闭合；若某点梯度高于高阈值，则在结果中置1，若该点的梯度值低于低阈值，则在结果中置0，若该点的梯度值介于高低阈值之间，则作出以下判断：检查该点的8邻域点，查看是否存在梯度值高于高阈值的点，若存在，则说明该中心点和确定的边缘点相连接，结果中置1，否则置0。
CN202210394277.1A 2022-04-14 2022-04-14 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法 Active CN114897788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210394277.1A CN114897788B (zh) 2022-04-14 2022-04-14 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210394277.1A CN114897788B (zh) 2022-04-14 2022-04-14 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法

Publications (2)

Publication Number Publication Date
CN114897788A true CN114897788A (zh) 2022-08-12
CN114897788B CN114897788B (zh) 2024-03-29

Family

ID=82717889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210394277.1A Active CN114897788B (zh) 2022-04-14 2022-04-14 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法

Country Status (1)

Country Link
CN (1) CN114897788B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082656A (zh) * 2022-08-23 2022-09-20 江苏万喜登家居科技有限公司 纺纱过程中纱线毛羽损伤识别方法及数据处理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
WO2021205745A1 (ja) * 2020-04-06 2021-10-14 村田機械株式会社 糸監視装置、糸監視方法、糸巻取機及び糸監視システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021205745A1 (ja) * 2020-04-06 2021-10-14 村田機械株式会社 糸監視装置、糸監視方法、糸巻取機及び糸監視システム
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许乐灵;胡石;: "一种引导滤波自适应双阈值优化边缘检测算法", 南京理工大学学报, no. 02, 11 May 2018 (2018-05-11) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082656A (zh) * 2022-08-23 2022-09-20 江苏万喜登家居科技有限公司 纺纱过程中纱线毛羽损伤识别方法及数据处理系统
CN115082656B (zh) * 2022-08-23 2022-11-25 江苏万喜登家居科技有限公司 纺纱过程中纱线毛羽损伤识别方法及数据处理系统

Also Published As

Publication number Publication date
CN114897788B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN109454006B (zh) 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法
CN109685766B (zh) 一种基于区域融合特征的布匹瑕疵检测方法
US6804381B2 (en) Method of and device for inspecting images to detect defects
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN114549497B (zh) 基于图像识别的走台板表面缺陷检测方法及人工智能系统
CN107486415A (zh) 基于机器视觉的篾片缺陷在线检测系统及检测方法
CN106683099A (zh) 一种产品表面缺陷检测方法
Pan et al. Automatic detection of the layout of color yarns for yarn-dyed fabric via a FCM algorithm
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN104949990A (zh) 一种适用于机织纺织品的瑕疵在线检测方法
CN109191430A (zh) 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
CN207238542U (zh) 一种基于机器视觉的篾片缺陷在线检测系统
CN111260617A (zh) 一种基于深度学习的太阳能电池板缺陷检测方法
CN114897788A (zh) 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
Shire et al. Plain ceramic tiles surface defect detection using image processing
CN110084246A (zh) 一种色织物疵点自动识别方法
CN104048966B (zh) 一种基于大律法的布面疵点检测及分类方法
CN110335233A (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN114998321A (zh) 一种基于光学手段的纺织材料表面毛羽程度识别方法
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
Haoran et al. Egg crack detection based on support vector machine
CN106093051A (zh) 基于机器视觉的纸卷切面毛刺检测方法及装置
CN114612403A (zh) 一种上料皮带破损缺陷智能检测方法及系统
CN111402225B (zh) 一种布匹折叠误检疵点判别方法

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