CN115049671A - 基于计算机视觉的布匹表面缺陷检测方法及系统 - Google Patents
基于计算机视觉的布匹表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115049671A CN115049671A CN202210983872.9A CN202210983872A CN115049671A CN 115049671 A CN115049671 A CN 115049671A CN 202210983872 A CN202210983872 A CN 202210983872A CN 115049671 A CN115049671 A CN 115049671A
- Authority
- CN
- China
- Prior art keywords
- numerical value
- concentration
- numerical
- cloth
- areas
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 150
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000002776 aggregation Effects 0.000 claims abstract description 25
- 238000004220 aggregation Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 229910052704 radon Inorganic materials 0.000 description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于计算机视觉的布匹表面缺陷检测方法及系统,包括:获取纯色布匹表面灰度图;构建灰度矩阵和灰度共生矩阵;获取灰度共生矩阵中的数值集中区域;获取灰度共生矩阵中最大的数值集中区域和其他数值集中区域;利用其他数值集中区域中各元素和原点的连线与X轴的夹角得到其他数值集中区域的数值集中方向;利用其他数值集中区域中数值集中方向上距离原点最远的元素与原点的距离获取其他数值集中区域的数值聚合程度;利用其他数值集中区域的数值集中方向和数值聚合程度得到其他数值集中区域的数值变化趋势值,利用该数值变化趋势值对纯色布匹进行缺陷检测。上述方法用于纯色布匹缺陷检测,可提高检测效率。
Description
技术领域
本发明涉及图像处理领域,具体涉及基于计算机视觉的布匹表面缺陷检测方法及系统。
背景技术
纯色布匹广泛应用于生活的方方面面。在纯色布匹的生产过程中,由于操作不当等因素容易使纯色布匹表面出现瑕疵,影响纯色布匹的使用寿命和效果。因此,对纯色布匹进行缺陷检测是很必要的。
目前常用的纯色布匹缺陷检测方法为人工检测,通过人工肉眼识别的方法对生产后的纯色布匹进行检测。
但是,人工检测过程中,其检测精度受到人检测技能的影响,缺乏一种统一的标准。而且进行重复性劳动的过程中,随着劳动时间的不断增加,验布工人的疲劳程度也会不断增加,导致其注意力会越来越难集中,因此其检测精度也会随之下降。而且人工检测的速度较低。因此,亟需一种方法用于提高纯色布匹表面缺陷检测的速度和精度。
发明内容
本发明提供一种基于计算机视觉的布匹表面缺陷检测方法及系统,用于解决现有技术存在的布匹表面缺陷检测速度低和精度低的问题。
本发明提供一种基于计算机视觉的布匹表面缺陷检测方法及系统,包括:获取纯色布匹表面灰度图;构建灰度矩阵和灰度共生矩阵;获取灰度共生矩阵中的数值集中区域;获取灰度共生矩阵中最大的数值集中区域和其他数值集中区域;利用其他数值集中区域中各元素和原点的连线与X轴的夹角得到其他数值集中区域的数值集中方向;利用其他数值集中区域中数值集中方向上距离原点最远的元素与原点的距离获取其他数值集中区域的数值聚合程度;利用其他数值集中区域的数值集中方向和数值聚合程度得到其他数值集中区域的数值变化趋势值,利用该数值变化趋势值对纯色布匹进行缺陷检测,相比于现有技术,本发明结合计算机视觉和图像处理,根据纯色布匹表面的纹理特性,计算像素矩阵对应的共生矩阵中集中区域的数值的变化方向相关性和距离相关性,获得纯色布匹表面的顺滑度,从而检测纯色布匹表面的缺陷,有效提高缺陷检测的速度和精度。
为达到上述目的,本发明采用如下技术方案,一种基于计算机视觉的布匹表面缺陷检测方法,包括:
获取待检测的纯色布匹表面灰度图;
利用灰度图中所有像素点的灰度值和位置构建灰度矩阵;
利用灰度矩阵中所有灰度值构建灰度共生矩阵;
利用灰度共生矩阵中的元素值及其八邻域内元素值的均值获取灰度共生矩阵中的数值集中区域;
根据各个数值集中区域中的元素值之和获取灰度共生矩阵中最大的数值集中区域和其他数值集中区域;
利用其他数值集中区域中各元素和原点的连线与X轴的夹角计算得到其他数值集中区域的数值集中方向;
利用其他数值集中区域中数值集中方向上距离原点最远的元素与原点的距离获取其他数值集中区域的数值聚合程度;
利用其他数值集中区域的数值集中方向和数值聚合程度计算得到其他数值集中区域的数值变化趋势值;
利用其他数值集中区域的数值变化趋势值对待检测的纯色布匹表面是否存在缺陷进行检测。
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述灰度共生矩阵中的数值集中区域是按照如下方式获取:
选取灰度共生矩阵中元素值最大的元素为起始点,获取该起始点的八邻域元素;
计算起始点的八邻域元素值的均值及均值方差;
根据起始点的八邻域元素值的均值方差设置均值相近范围,对起始点的八邻域元素进行判断:当起始点的八邻域元素值处于均值相近范围内,则将该起始点的八邻域元素与起始点划分为一个集合;当起始点的八邻域元素值不处于均值相近范围内,则对该起始点的八邻域元素不进行处理,按照该步骤依次对起始点的八邻域元素进行划分,得到第一个集合;
按照得到第一个集合的方式对集合中的所有元素的八邻域元素进行迭代判断,直到集合中的所有元素的八邻域元素不存在处于均值相近范围的元素,得到第一个数值集中区域和剩余元素;
在剩余元素中选取元素值最大的元素为新的初始点,按照得到第一个数值集中区域的方式获取第二个数值集中区域,依此类推,获取灰度共生矩阵中的所有数值集中区域。
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述灰度共生矩阵中最大的数值集中区域和其他数值集中区域是按照如下方式获取:
统计各个数值集中区域中的所有元素值之和,将元素值之和最大的数值集中区域作为灰度共生矩阵中最大的数值集中区域,其余数值集中区域作为灰度共生矩阵中的其他数值集中区域。
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述其他数值集中区域的数值集中方向的表达式如下:
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述其他数值集中区域的数值聚合程度的表达式如下:
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述其他数值集中区域的数值变化趋势值的表达式如下:
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述对待检测的纯色布匹表面是否存在缺陷进行检测的过程具体如下:
设置阈值,对其他数值集中区域的数值变化趋势值进行判断:当存在其他数值集中区域的数值变化趋势值大于阈值时,则判定待检测的纯色布匹表面存在缺陷。
所述一种基于计算机视觉的布匹表面缺陷检测方法,所述待检测的纯色布匹表面灰度图是按照如下方式获取:
采集待检测的纯色布匹表面图像;
对布匹表面图像进行倾斜矫正处理,获取矫正处理后的布匹表面图像;
对矫正处理后的布匹表面图像进行灰度化处理,获取待检测的纯色布匹表面灰度图。
本发明还提供了一种基于计算机视觉的布匹表面缺陷检测系统,包括采集单元、处理单元、计算单元和检测单元:
所述采集单元,利用设置在布匹正上方的工业相机对待检测纯色布匹的表面图像进行采集;
所述处理单元,计算机对采集单元采集到的图像进行处理,获取待检测纯色布匹的灰度共生矩阵及灰度共生矩阵中的数值集中区域,进而根据数值集中区域的元素值之和获取灰度共生矩阵中的最大数值集中区域和其他数值集中区域;
所述计算单元,计算机根据处理单元获取的其他数值集中区域的元素特征计算得到其他数值集中区域的数值集中方向和数值聚合程度,进而计算得到其他数值集中区域的数值变化趋势值;
所述检测单元,计算机根据计算单元得到的其他数值集中区域的数值变化趋势值对待检测的纯色布匹表面是否存在缺陷进行检测。
本发明的有益效果在于:
本发明结合计算机视觉和图像处理,根据纯色布匹表面的纹理特性,计算像素矩阵对应的共生矩阵中集中区域的数值的变化方向相关性和距离相关性,获得纯色布匹表面的顺滑度,从而检测纯色布匹表面的缺陷,有效提高缺陷检测的速度和精度。
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为本发明实施例1提供的一种布匹表面缺陷检测方法流程示意图;
图2为本发明实施例2提供的一种布匹表面缺陷检测方法流程示意图;
图3为本发明实施例2提供的一种灰度共生矩阵示意图;
图4为本发明实施例2提供的一种相同灰度值的像素点方向分布示意图。
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1
本发明实施例提供一种基于计算机视觉的布匹表面缺陷检测方法,如图1所示,包括:
S101、获取待检测的纯色布匹表面灰度图。
其中,采集布匹表面的RGB图像,并对布匹表面纹理的平整度进行处理后再灰度化处理。
S102、利用灰度图中所有像素点的灰度值和位置构建灰度矩阵。
其中,灰度矩阵用于构建灰度共生矩阵。
S103、利用灰度矩阵中所有灰度值构建灰度共生矩阵。
其中,本实施例计算每个方向上的共生矩阵。
S104、利用灰度共生矩阵中的元素值及其八邻域内元素值的均值获取灰度共生矩阵中的数值集中区域。
其中,数值集中区域的确定是根据某一区域内有数值点的八邻域进行确定的。
S105、根据各个数值集中区域中的元素值之和获取灰度共生矩阵中最大的数值集中区域和其他数值集中区域。
其中,将数值之和最大的数值集中区域作为布匹表面图像中的正常区域对应的数值集中区域,其余数值集中区域作为布匹表面图像中的疑似缺陷区域对应的数值集中区域。
S106、利用其他数值集中区域中各元素和原点的连线与X轴的夹角计算得到其他数值集中区域的数值集中方向。
其中,数值集中方向表示像素点对应矩阵之间的方向相关性。
S107、利用其他数值集中区域中数值集中方向上距离原点最远的元素与原点的距离获取其他数值集中区域的数值聚合程度。
其中,数值聚合程度表示像素点对应矩阵之间的距离相关性。
S108、利用其他数值集中区域的数值集中方向和数值聚合程度计算得到其他数值集中区域的数值变化趋势值。
其中,数值变化趋势值用来缺陷检测。
S109、利用其他数值集中区域的数值变化趋势值对待检测的纯色布匹表面是否存在缺陷进行检测。
其中,数值变化趋势值越大,数值集中区域的数值点相关性较小,则表示布匹表面的顺滑度较小,说明布匹有缺陷。
本实施例的有益效果在于:
本实施例结合计算机视觉和图像处理,根据纯色布匹表面的纹理特性,计算像素矩阵对应的共生矩阵中集中区域的数值的变化方向相关性和距离相关性,获得纯色布匹表面的顺滑度,从而检测纯色布匹表面的缺陷,有效提高缺陷检测的速度和精度。
实施例2
本实施例的主要目的是:根据纯色布匹表面纹理的像素点的排列,获得灰度图的像素矩阵,根据像素矩阵计算相同灰度值的像素点的各个方向上的相关性,计算像素矩阵对应的共生矩阵中集中区域的数值的变化方向相关性和距离相关性,获得纯色布匹表面的顺滑度,从而检测纯色布匹表面的缺陷。
本发明实施例提供一种基于计算机视觉的布匹表面缺陷检测方法,如图2所示,包括:
S201、获得纯色布匹表面图像对应的灰度图。
本实施例是对纯色布匹表面的纹理缺陷进行检测,需要采集纯色布匹表面的图像,因为需要对纯色布匹表面的纹理特征和灰度级特征进行分析,所以需要清晰的平整的图像。通过布设工业相机采集纯色布匹表面的RGB图像,并对纯色布匹表面纹理的平整度进行处理,为了防止因为图像自身的因素影响对纹理的规整性的判断。
假设纯色布匹的滑动为匀速运动,采集相机每隔一小段的时间对纯色布匹表面的图像进行采集,将采集后的图像通过进行矫正,使得纹理出现扭曲的地方都让其近似于平行排列。
要利用Radon变换对其做倾斜矫正处理,保证图片纹理的倾斜角度2°以内。Radon变换原理如下:
将进行矫正后的图像进行灰度化处理,得到对应的灰度图像。
至此,获得纯色布匹表面图像对应的灰度图。
在纯色布匹生产过程中,通常常见的缺陷为破洞、油污、经纬线缺陷(缺经纬、双经纬)等。对于正常布匹,经纱和纬纱按照一定的交织规律均匀排列,布匹的纹理表面是均匀分布的,具有一定的波动范围、分布均匀的纹理特征。当布匹中有疵点出现时,布匹的组织结构发生变化,破坏了布匹表面纹理的周期性和均匀性。同时光照和噪声的影响会导致灰度发生一定的变化,获得像素点对应矩阵之间的方向相关性,根据方向相关性和距离相关性计算得到纹理的顺滑程度。
S202、获得纯色布匹表面灰度图的灰度矩阵。
在布匹密度的实际测量中,布匹灰度图像的每一行或列应只有纱线或者纱线间隙的灰度信息。图像在经纬纱线所在地方的灰度值会明显高于间隙处,所以根据纯色布匹表面的像素点的灰度值的变化规律,获得纯色布匹表面灰度图的像素矩阵。
具体实现:对所采集的纯色布匹表面的图像进行灰度处理后,由于经纬纱线的存在,图像在经纬纱线所在地方的灰度值会明显高于间隙处,从而在以纱线为中心的一定宽度范围内形成一个亮度峰值。做出图片灰度曲线后,曲线波峰对应纱线所在位置,波谷对应纱线间隙。但由于杂质信号的干扰,曲线会产生一定数量的杂质小波峰,所以将这些小波峰进行剔除。
在作布匹图像灰度曲线时,为减少纱线自身存在的毛羽和图像录入时产生的信息误差等原因形成的干扰信号,本实施例以图像每一行或列灰度的平均值为纵坐标,其计算公式如下:
式中,为图像每一行或列灰度平均值,为像素的坐标信息。为图像行或列像素点个数,为图像行或列第e个像素的灰度值。提取布匹灰度曲线后,可以得到曲线波峰的峰值(纵坐标)以及波峰位置(横坐标)2个特征值。如果经纬线上出现异常信息,则对应的波峰会出现较大的波动。比如:经纬线出现比纯色布匹表面颜色较深的污点,则对应的像素点的灰度值会减小,小于正常区域的像素点的灰度值。此时对应的经纬线的平均灰度值也会减小。反之,纯色布匹表面出现比布匹表面颜色较浅的污点,则对应的像素点的灰度值会增大,大于正常区域的像素点的灰度值。此时对应的经纬线的平均灰度值也会增大。
根据每一条经纬线上的灰度值获得表面灰度图的灰度矩阵。一条经纬线上的像素点的个数和灰度值对应灰度矩阵中的一列数值,则如图3所示,左边为纯色布匹表面灰度图的灰度矩阵。
至此,获得纯色布匹表面灰度图的灰度矩阵。
S203、获得灰度共生矩阵。
根据上述步骤得到经纬线上的像素点的排列,因为经纬线处的灰度值明显高于间隙处的灰度值,所以经纬线上的像素点的灰度处于一定的范围内,间隙处的像素点的灰度值处于一定的范围内,本实施例通过计算其经纬线和间隙处的灰度值的异常获得纯色布匹表面的异常情况。
具体实现:正常纯色布匹的经纬线上的像素点的灰度值处于一定的范围内,间隙处的像素点的灰度值处于一定的范围内,当纯色布匹出现污点或断经、断纬的情况时,某一区域的像素点的灰度值就会发生改变,则经纬线上的灰度值就会发生改变。所以计算经纬线上的像素点的相关性,来表示纯色布匹表面出现异常的情况。
上式中,计算的是、、、四个方向上的纹理信息,在同一幅图像中,选择不同的生成距离和生成方向所计算出的灰度共生矩阵能够分析出不同大小和方向的纹理信息,因此,应根据待测纯色布匹的纹理特征来选择合适的参数,才能得到能够将瑕疵区域和正常区域准确区分的统计特征。本实施例将其推广到任意方向上的在一定灰度范围的像素点进行计算,计算一定灰度范围的点的相关性来表示纯色布匹纹理的均匀性。
如图3所示,假设以灰度矩阵第一排第四列的像素点为初始像素点,选取一定灰度范围的点进行对应,进行像素统计,实际中是以像素矩阵中灰度值最小的像素点为起始点。这个灰度范围的像素点为纯色布匹表面正常纹理的像素点的灰度值。其计算公式如下:
式中,为任意方向的角度。根据上式得到像素矩阵对应的共生矩阵。计算每一个方向上的共生矩阵,得到多张矩阵图,然后对每一张矩阵图进行顺滑度计算。因为用的是一定灰度范围的像素点进行对应的,所以共生矩阵中的对角线的数量分布比用相同灰度的像素点进行对应的数量多,但是同样是表示纹理的特征。如图3所示,为像素矩阵与共生矩阵之间的对应关系。
至此获得灰度共生矩阵。
S204、获得像素点对应矩阵之间的方向相关性。
相同像素或相邻像素之间表示的是同一种纹理或纹理的相同部分,即是没有缺陷的部分,或全部是缺陷的部分。共生矩阵中数值越集中的区域的,表示灰度变化越小的区域,则布匹表面纹理越均匀。所以根据共生矩阵中的相邻相像素对之间的方向关系,得到一定范围的像素之间的相关性,用来表示纯色布匹表面像素点的均匀性。
对于灰度共生矩阵中,数值集中区域的确定是根据某一区域内有数值点的八邻域进行确定的,选取灰度共生矩阵中数值最大的一点为初始点,以此点为中心,选取八邻域,计算此八邻域的数值的均值,然后将八邻域内的点与此八邻域的均值进行比较,如果此八邻域点的数值处于均值相近范围内,则划归到此区域内,如果不在此范围,则不作为此范围的点。
而对于八邻域的点是否处于相近范围,此范围的确定是根据八邻域的均值方差进行确定的,如果八邻域内的点在范围内,则确定为此范围内的点,划归为数值集中区域,反之,则不划分为该集中区域。接着再选取剩余数值中的最大数值点,按照上述步骤依次得到灰度共生矩阵中的所有数值集中区域。
对数值集中区域进行判断:统计数值集中区域中的所有数值之和,将数值之和最大的数值集中区域作为纯色布匹表面图像中的正常区域对应的数值集中区域,其余较小的数值集中区域作为纯色布匹表面图像中的疑似缺陷区域对应的数值集中区域。如图3所示,灰度共生矩阵中深色区域为最大的数值集中区域,浅色区域为较小的数值集中区域。
按照上述方式获取任意角度得到的灰度共生矩阵中的最大数值集中区域和较小数值集中区域。将较小数值集中区域中包含数值最多的角度作为最优角度,利用该角度下的灰度共生矩阵中的较小数值集中区域来判断纯色布匹表面是否存在缺陷。
假设以疑似缺陷区域对应的数值集中区域的中心点为原点建立直角坐标系,以八邻域为一个单位,计算八邻域内数值的方向的变化,根据八邻域内点的方向顺差来表示共生矩阵中数值的趋势。
根据每个点和原点的连线与X轴的夹角计算方向顺差,其计算公式如下:
至此,获得像素点对应矩阵之间的方向相关性。
S205、获得像素点对应矩阵之间的距离相关性。
由上述步骤,获得像素点对应矩阵之间的方向的相关性,通过方向的相关性得到对应的矩阵数值的变化趋势。因为共生矩阵中对角线上的数值越集中,某一元素数值的数量越大,则对应的纯色布匹的灰度图中像素点的灰度值的变化越小,则纯色布匹的纹理越规整,瑕疵点越少。通过计算共生矩阵中疑似缺陷区域对应的数值集中区域的聚合程度,即数值集中区域中在方向顺差方向上最远的数值点与原点的距离来表示聚合程度。计算公式如下:
S206、获得数值集中区域的数值变化趋势。
共生矩阵中的数值点表示的是相同像素之间的数量关系,数值越大,越集中的区域表示为纯色布匹表面的纹理越顺滑。根据获得的方向和距离,来计算表面的顺滑程度。
具体实现:共生矩阵中某一集中区域的数值的方向顺差表示该区域内数值点的变化趋势,在方向顺差方向上最远的数值点与原点的距离表示聚合程度,通过这两个参数来获得对应灰度图像中像素点的变化程度。计算公式如下:
至此,获得各个疑似缺陷区域对应的数值集中区域的数值变化趋势,用来表示纯色布匹的顺滑度。
S207、根据纯色布匹表面的顺滑度检测纯色布匹表面是否存在缺陷。
通过上述步骤,根据共生矩阵中集中区域的方向特性和聚合程度得到疑似缺陷区域对应的数值集中区域的数值点相关性,来表示纯色布匹表面是否有缺陷。
至此,通过纯色布匹纹理的顺滑度检测出纯色布匹表面的缺陷。
本实施例的有益效果在于:
本实施例结合计算机视觉和图像处理,根据纯色布匹表面的纹理特性,计算像素矩阵对应的共生矩阵中集中区域的数值的变化方向相关性和距离相关性,获得纯色布匹表面的顺滑度,从而检测纯色布匹表面的缺陷,有效提高缺陷检测的速度和精度。
实施例3
本发明实施例提供一种基于计算机视觉的布匹表面缺陷检测系统,包括采集单元、处理单元、计算单元和检测单元:
所述采集单元,利用设置在布匹正上方的工业相机对待检测纯色布匹的表面图像进行采集;
所述处理单元,计算机根据采集单元采集到的图像中像素的灰度值获取待检测纯色布匹的灰度矩阵,根据灰度矩阵获取灰度共生矩阵,根据灰度共生矩阵中数值的特征获取灰度共生矩阵中的数值集中区域,进而根据数值集中区域的元素值之和获取其他数值集中区域;
所述计算单元,计算机根据处理单元获取的其他数值集中区域的元素特征计算得到其他数值集中区域的数值集中方向和数值聚合程度,进而利用数值集中方向和数值聚合程度计算得到其他数值集中区域的数值变化趋势值;
所述检测单元,计算机根据计算单元得到的其他数值集中区域的数值变化趋势值是否大于设置阈值,对待检测的纯色布匹表面是否存在缺陷进行检测。
本实施例的有益效果在于:
本实施例结合计算机视觉和图像处理,根据纯色布匹表面的纹理特性,计算像素矩阵对应的共生矩阵中集中区域的数值的变化方向相关性和距离相关性,获得纯色布匹表面的顺滑度,从而检测纯色布匹表面的缺陷,有效提高缺陷检测的速度和精度。
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 (8)
1.一种基于计算机视觉的布匹表面缺陷检测方法,其特征在于,包括:
获取待检测的纯色布匹表面灰度图;
利用灰度图中所有像素点的灰度值和位置构建灰度矩阵;
利用灰度矩阵中所有灰度值构建灰度共生矩阵;
利用灰度共生矩阵中的元素值及其八邻域内元素值的均值获取灰度共生矩阵中的数值集中区域;所述灰度共生矩阵中的数值集中区域是按照如下方式获取:
选取灰度共生矩阵中元素值最大的元素为起始点,获取该起始点的八邻域元素;
计算起始点的八邻域元素值的均值及均值方差;
根据起始点的八邻域元素值的均值方差设置均值相近范围,对起始点的八邻域元素进行判断:当起始点的八邻域元素值处于均值相近范围内,则将该起始点的八邻域元素与起始点划分为一个集合;当起始点的八邻域元素值不处于均值相近范围内,则对该起始点的八邻域元素不进行处理,按照该步骤依次对起始点的八邻域元素进行划分,得到第一个集合;
按照得到第一个集合的方式对集合中的所有元素的八邻域元素进行迭代判断,直到集合中的所有元素的八邻域元素不存在处于均值相近范围的元素,得到第一个数值集中区域和剩余元素;
在剩余元素中选取元素值最大的元素为新的初始点,按照得到第一个数值集中区域的方式获取第二个数值集中区域,依此类推,获取灰度共生矩阵中的所有数值集中区域;
根据各个数值集中区域中的元素值之和获取灰度共生矩阵中最大的数值集中区域和其他数值集中区域;
利用其他数值集中区域中各元素和原点的连线与X轴的夹角计算得到其他数值集中区域的数值集中方向;
利用其他数值集中区域中数值集中方向上距离原点最远的元素与原点的距离获取其他数值集中区域的数值聚合程度;
利用其他数值集中区域的数值集中方向和数值聚合程度计算得到其他数值集中区域的数值变化趋势值;
利用其他数值集中区域的数值变化趋势值对待检测的纯色布匹表面是否存在缺陷进行检测。
2.根据权利要求1所述的一种基于计算机视觉的布匹表面缺陷检测方法,其特征在于,所述灰度共生矩阵中最大的数值集中区域和其他数值集中区域是按照如下方式获取:
统计各个数值集中区域中的所有元素值之和,将元素值之和最大的数值集中区域作为灰度共生矩阵中最大的数值集中区域,其余数值集中区域作为灰度共生矩阵中的其他数值集中区域。
6.根据权利要求1所述的一种基于计算机视觉的布匹表面缺陷检测方法,其特征在于,所述对待检测的纯色布匹表面是否存在缺陷进行检测的过程具体如下:
设置阈值,对其他数值集中区域的数值变化趋势值进行判断:当存在其他数值集中区域的数值变化趋势值大于阈值时,则判定待检测的纯色布匹表面存在缺陷。
7.根据权利要求1所述的一种基于计算机视觉的布匹表面缺陷检测方法,其特征在于,所述待检测的纯色布匹表面灰度图是按照如下方式获取:
采集待检测的纯色布匹表面图像;
对布匹表面图像进行倾斜矫正处理,获取矫正处理后的布匹表面图像;
对矫正处理后的布匹表面图像进行灰度化处理,获取待检测的纯色布匹表面灰度图。
8.一种基于计算机视觉的布匹表面缺陷检测系统,其特征在于,包括采集单元、处理单元、计算单元和检测单元:
所述采集单元,利用设置在布匹正上方的工业相机对待检测纯色布匹的表面图像进行采集;
所述处理单元,计算机对采集单元采集到的图像进行处理,获取待检测纯色布匹的灰度共生矩阵及灰度共生矩阵中的数值集中区域,进而根据数值集中区域的元素值之和获取灰度共生矩阵中的最大数值集中区域和其他数值集中区域;
所述计算单元,计算机根据处理单元获取的其他数值集中区域的元素特征计算得到其他数值集中区域的数值集中方向和数值聚合程度,进而计算得到其他数值集中区域的数值变化趋势值;
所述检测单元,计算机根据计算单元得到的其他数值集中区域的数值变化趋势值对待检测的纯色布匹表面是否存在缺陷进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983872.9A CN115049671A (zh) | 2022-08-17 | 2022-08-17 | 基于计算机视觉的布匹表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983872.9A CN115049671A (zh) | 2022-08-17 | 2022-08-17 | 基于计算机视觉的布匹表面缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049671A true CN115049671A (zh) | 2022-09-13 |
Family
ID=83167799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983872.9A Pending CN115049671A (zh) | 2022-08-17 | 2022-08-17 | 基于计算机视觉的布匹表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049671A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205295A (zh) * | 2022-09-16 | 2022-10-18 | 江苏新世嘉家纺高新科技股份有限公司 | 一种服装面料拉伸强度检测方法 |
CN115294137A (zh) * | 2022-10-09 | 2022-11-04 | 南通市通州区欢伴纺织品有限公司 | 一种布料表面渗色的缺陷检测方法 |
CN115330646A (zh) * | 2022-10-17 | 2022-11-11 | 江苏康非特动力科技有限公司 | 一种用于健身器材喷漆工艺的金属构件检查方法 |
CN117788959A (zh) * | 2024-02-27 | 2024-03-29 | 武汉德泰纳新能源技术有限公司 | 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079102A (zh) * | 2007-06-28 | 2007-11-28 | 中南大学 | 基于统计方法的指纹识别方法 |
CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
US20180001556A1 (en) * | 2016-06-29 | 2018-01-04 | Velo3D, Inc. | Three-dimensional printing and three-dimensional printers |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及系统 |
-
2022
- 2022-08-17 CN CN202210983872.9A patent/CN115049671A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
CN101079102A (zh) * | 2007-06-28 | 2007-11-28 | 中南大学 | 基于统计方法的指纹识别方法 |
US20180001556A1 (en) * | 2016-06-29 | 2018-01-04 | Velo3D, Inc. | Three-dimensional printing and three-dimensional printers |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205295A (zh) * | 2022-09-16 | 2022-10-18 | 江苏新世嘉家纺高新科技股份有限公司 | 一种服装面料拉伸强度检测方法 |
CN115294137A (zh) * | 2022-10-09 | 2022-11-04 | 南通市通州区欢伴纺织品有限公司 | 一种布料表面渗色的缺陷检测方法 |
CN115330646A (zh) * | 2022-10-17 | 2022-11-11 | 江苏康非特动力科技有限公司 | 一种用于健身器材喷漆工艺的金属构件检查方法 |
CN117788959A (zh) * | 2024-02-27 | 2024-03-29 | 武汉德泰纳新能源技术有限公司 | 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN114842027A (zh) | 基于灰度共生矩阵的织物疵点分割方法和系统 | |
CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN115115615A (zh) | 一种基于图像识别的纺织面料质量评估方法及系统 | |
CN116630309B (zh) | 一种布匹断纬瑕疵检测方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115311298A (zh) | 一种纺织品质量检测方法 | |
CN114677376A (zh) | 一种基于光照预处理的织带生产瑕疵测试方法及系统 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN115311286A (zh) | 一种染色纺织品的染色缺陷识别方法 | |
CN115311284A (zh) | 用于玻璃纤维毡的生产质量检测方法 | |
CN115063620A (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN115049651A (zh) | 一种钣金冲压异常检测方法 | |
CN116894840B (zh) | 纺纱打样机产品质量检测方法及系统 |
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 |