CN115082489B - 一种有色丝评估方法 - Google Patents

一种有色丝评估方法 Download PDF

Info

Publication number
CN115082489B
CN115082489B CN202211010793.6A CN202211010793A CN115082489B CN 115082489 B CN115082489 B CN 115082489B CN 202211010793 A CN202211010793 A CN 202211010793A CN 115082489 B CN115082489 B CN 115082489B
Authority
CN
China
Prior art keywords
image
colored
hairiness
point
value
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
CN202211010793.6A
Other languages
English (en)
Other versions
CN115082489A (zh
Inventor
蔡佩纯
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.)
JIANGSU YONGYIN CHEMICAL FIBER CO Ltd
Original Assignee
JIANGSU YONGYIN CHEMICAL FIBER 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 JIANGSU YONGYIN CHEMICAL FIBER CO Ltd filed Critical JIANGSU YONGYIN CHEMICAL FIBER CO Ltd
Priority to CN202211010793.6A priority Critical patent/CN115082489B/zh
Publication of CN115082489A publication Critical patent/CN115082489A/zh
Application granted granted Critical
Publication of CN115082489B publication Critical patent/CN115082489B/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
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种有色丝评估方法，该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成有色丝质量评估。该方法首先确定有色丝图像的二值化阈值范围，遍历二值化阈值得到多张二值化图像，由二值化图像中孤立点的数量和有色丝的面积占比选取出目标二值化图像；任意设置结构单元边长对目标二值化图像开运算，根据背景区域的行数占比和有色丝主干区域的保留程度得到有色丝主干图像；目标二值化图像和有色丝主干图像相减得到毛羽图像，根据毛羽图像对有色丝进行质量评估。本发明通过获取合适的二值化阈值和结构单元边长进而对有色丝的毛羽进行提取，提高了对有色丝质量评估的准确性。

Description

一种有色丝评估方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种有色丝评估方法。
背景技术
随着社会的发展，纺织品作为我们日常的消耗品需求量越来越大，有色丝的质量直接影响着纺织品的质量，纺织品的质量影响着人们的使用舒适度，当有色丝质量出现问题时，如有色丝的毛羽过长，则会在一定程度上影响纺织品的美观和舒适度，所以对有色丝进行质量评估是必要的。
目前，常见的对有色丝进行质量判断的方法为通过大津阈值分割算法对采集到的图像进行分割，但是由于有色丝以及其上的毛羽过细，大津阈值分割在大部分情况下不能很好的分割出有色丝以实现质量评估的目的。
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有色丝评估方法，所采用的技术方案具体如下：
获取有色丝图像，获取所述有色丝图像对应的灰度均值和灰度中值；
根据所述灰度均值和所述灰度中值确定二值化阈值范围；在所述二值化阈值范围内遍历二值化阈值得到多张二值化图像；根据所述二值化图像中孤立点的数量筛选出多张初始图像，计算每张初始图像中有色丝的面积占比，最大面积占比对应的初始图像为目标二值化图像；
获取目标二值化图像中的有色丝主干区域；任意设置结构单元边长，对所述目标二值化图像开运算，根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度，最大毛羽去除程度对应的结构单元边长为目标结构单元边长；基于所述目标结构单元边长，对所述目标二值化图像进行开运算得到有色丝主干图像；
所述目标二值化图像和所述有色丝主干图像的差值图像为毛羽图像；获取所述毛羽图像中毛羽的毛羽长度，根据所述毛羽长度和毛羽的均匀程度得到有色丝的质量评价指标。
优选的，所述根据所述二值化图像中孤立点的数量筛选出多张初始图像，包括：
对二值化图像进行聚类，得到多个孤立点，每张所述二值化图像均有对应的孤立点；
获取孤立点数量小于预设孤立点阈值的二值化图像作为初始图像。
优选的，所述对二值化图像进行聚类为：利用笑脸聚类算法对二值化图像进行聚类。
优选的，所述有色丝的面积占比的获取方法为：计算每张初始图像中像素值为1的像素点占比，所述像素点占比为有色丝的面积占比。
优选的，所述获取目标二值化图像中的有色丝主干区域，包括：
获取目标二值化图像中相邻行的灰度均值的差值，得到最大差值和第二差值的对应行，所述最大差值和第二差值的对应行之间的区域为有色丝主干区域。
优选的，所述根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度，包括：
获取开运算后灰度均值为0的行数的占比，作为所述背景区域的行数占比；
计算所述有色丝主干区域上下边界的灰度均值作为有色丝主干区域的保留程度；
所述行数占比和所述保留程度之和为所述毛羽去除程度。
优选的，所述获取所述毛羽图像中毛羽的毛羽长度，包括：
将所述有色丝主干图像的有色丝主干区域的边缘映射至所述毛羽图像中；
以有色丝主干区域的上边缘的每个像素点作为初始点，从下往上开始遍历，重复寻找各遍历点的八邻域内的非0像素点，直至最后一个遍历点的八邻域内没有未遍历过的非0像素点，最后一个遍历点作为终点，遍历结束；
以有色丝主干区域的下边缘的每个像素点作为初始点，从上往下开始遍历，重复寻找各遍历点的八邻域内的非0像素点，直至最后一个遍历点的八邻域内没有未遍历过的非0像素点，最后一个遍历点作为终点，遍历结束；
所述初始点到对应终点之间的最短距离为毛羽长度。
优选的，所述根据所述毛羽长度和毛羽的均匀程度得到有色丝的质量评价指标，包括：
获取最长的毛羽长度；所述最长的毛羽长度和毛羽的均匀程度加权求和得到有色丝的质量评价指标。
本发明实施例至少具有如下有益效果：
本发明实施例利用数据处理技术，该方法为一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成对有色丝进行质量评估。首先获取有色丝图像，获取有色丝图像对应的灰度均值和灰度中值；根据灰度均值和灰度中值确定二值化阈值范围；在二值化阈值范围内遍历二值化阈值得到多张二值化图像；根据二值化图像中孤立点的数量筛选出多张初始图像，计算每张初始图像中有色丝的面积占比，最大面积占比对应的初始图像为目标二值化图像，由于毛羽较细，其灰度值在有色丝图像中接近背景颜色，用自适应二值化阈值对有色丝图像进行分割，会提高图像分割的准确性；获取目标二值化图像中的有色丝主干区域；任意设置结构单元边长，对目标二值化图像开运算，根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度，最大毛羽去除程度对应的结构单元边长为目标结构单元边长，结构单元太小了会导致毛羽去除不干净，结构单元太大了又可能会导致有色丝被去除，故找到一个合适的目标结构单元边长来进行开运算可以准确的得到有色丝主体，以便于后续得到毛羽区域；基于目标结构单元边长，对目标二值化图像进行开运算得到有色丝主干图像；目标二值化图像和有色丝主干图像的差值图像为毛羽图像；获取毛羽图像中毛羽的毛羽长度，根据毛羽长度和毛羽的均匀程度得到有色丝的质量评价指标。
本发明先提取毛羽和其有色丝主干的特征，对毛羽和有色丝进行区分，之后使用不同大小的形态学结构算子进行对有色丝图像进行处理，直到对应的毛羽去除程度最大时，得到目标结构单元边长，也即得到最佳形态算子。对毛羽和有色丝进行分析，将毛羽和有色丝区别开，针对于有毛羽的有色丝的场景下，通过毛羽的去除程度来自适应调整模板的大小，得到目标结构单元边长。
本发明通过获取合适的自适应二值化阈值和结构单元边长进而对有色丝的毛羽进行提取，在保留较粗的有色丝丝线的基础上，对细微毛羽进行去除，在毛羽和细线的灰度值相近的情况下，通过形态学调整让毛羽变少之后，并不会导致图像有明显的变化，进一步的以实现对去除毛羽后的图像进行质量评估，提高了对有色丝质量评估的准确性。
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有色丝评估方法的方法流程图。
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有色丝评估方法，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。
本发明实施例提供了一种有色丝评估方法的具体实施方法，该方法适用于有色丝评估场景。利用显微镜采集有色丝图像，采集有色丝时的背景为单色白色背景，使有色丝按照一定速度进行移动，每隔一段时间对有色丝进行一次图像采集，对采集到的有色丝图像进行随机抽样检测。为了解决有色丝以及其上的毛羽过细，大津阈值分割在大部分情况下不能很好的分割出有色丝以进行质量评估的问题，本发明实施例是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成对有色丝进行质量评估，具体通过获取合适的自适应二值化阈值和结构单元边长进而对有色丝的毛羽进行提取，提高了毛羽区域提取的准确性，进一步的提高了对有色丝质量评估的准确性。
下面结合附图具体的说明本发明所提供的一种有色丝评估方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种有色丝评估方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取有色丝图像，获取有色丝图像对应的灰度均值和灰度中值。
利用显微镜采集有色丝图像，对有色丝图像进行灰度化，得到灰度图像和对应的灰度直方图。
将灰度直方图中的数据拟合成一条曲线，由于有色丝图像中前景和背景的像素灰度值的不同，前景和背景在直方图曲线上会由不同的峰值表现出来，需要说明的是，前景即为有色丝区域，背景即为非有色丝区域。
对于有色丝图像，有色丝图像所占像素点数量要远远小于整张有色丝图像的像素点数量，而毛羽的灰度值和有色丝的灰度值也有一定的差距，毛羽由于太细，其灰度值在有色丝图像中也为接近背景的颜色，因此如果直接使用大津阈值分割算法将图像分割，得到的效果并不好，很有可能会将毛羽归为背景一类，故本发明实施例采用自适应阈值的方法来对图像进行二值化。
先获取有色丝图像对应的灰度图像的灰度均值和灰度中值。需要说明的是，灰度中值即为灰度图像中最大灰度值和最小灰度值的中间值。
步骤S200，根据灰度均值和灰度中值确定二值化阈值范围；在二值化阈值范围内遍历二值化阈值得到多张二值化图像；根据二值化图像中孤立点的数量筛选出多张初始图像，计算每张初始图像中有色丝的面积占比，最大面积占比对应的初始图像为目标二值化图像。
由于背景占据有色丝图像的大部分像素点，因此得到的灰度均值的灰度级是靠近灰度直方图中的峰值的，故合适的二值化分割图像的阈值一定小于灰度均值；由于有色丝和非有色丝的灰度值两级分化严重，且合适的二值化分割图像的阈值显然接近于有色丝区域的灰度值，故认为合适的二值化分割图像的阈值要大于灰度中值的灰度级。故以灰度均值和灰度中值确定自适应的二值化阈值范围。该二值化阈值的取值范围为：
Figure 500428DEST_PATH_IMAGE001
，其中，
Figure 655466DEST_PATH_IMAGE002
为灰度中值；
Figure 596877DEST_PATH_IMAGE003
为灰度均值；
Figure 412124DEST_PATH_IMAGE004
为二值化阈值。
在该二值化阈值范围内遍历二值化阈值，即从灰度中值开始遍历，得到多张二值化图像。
进一步的，根据二值化图像中孤立点的数量筛选出多张初始图像。具体的：利用笑脸聚类算法对二值化图像进行聚类，以5个像素点为半径的圆作为聚类的阈值，以任意一个灰度值为1的点为中心点，半径为5的圆形区域内的灰度值为1的点为同一类别，然后以该圆不同方向上的最远处的点作为新的中心点再次进行聚类。直至将二值化图像中灰度值为1的点全部经过聚类之后停止。将形成的聚类中像素点数量小于预设像素点数量的点作为孤立点，得到多个点。在本发明实施例中预设像素点数量为5，在其他发明实施例中实施者可根据实际情况调整该取值。
随着二值化阈值的不断增大，一开始部分毛羽信息也可能会被判定为孤立点。因为孤立点是从增大到减小，从减小再到增大的趋势，获取孤立点数量小于预设孤立点阈值的二值化图像作为初始图像。在本发明实施例中预设孤立点阈值为100，在其他实施例中实施者可根据实际情况调整该取值。
计算每张初始图像的有色丝的面积占比。具体的：计算每张初始图像中像素值为1的像素点占比，该像素点占比为有色丝的面积占比。
随着二值化阈值的不断增大，灰度值为1的像素点所占的面积也是一直呈现增大的状态。故将最大面积占比对应的初始图像作为目标二值化图像，因为面积占比越大反映了分割出来的有色丝区域越多，将毛羽误分为背景的概率越小。
步骤S300，获取目标二值化图像中的有色丝主干区域；任意设置结构单元边长，对目标二值化图像开运算，根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度，最大毛羽去除程度对应的结构单元边长为目标结构单元边长；基于目标结构单元边长，对目标二值化图像进行开运算得到有色丝主干图像。
由于毛羽信息不好分割，故提取出有色丝主干，然后再使用二值图相减的方法得到毛羽图像。
首先利用形态学的方法对目标二值化图像进行分割，由于毛羽是较细的单位，而有色丝相对来说是较粗的单位，因此可利用开运算的方式来剔除毛羽。
使用开运算剔除毛羽需要结构单元， 不同的结构单元会导致不同的结果，结构单元太小会导致毛羽去除不干净，结构单元太大又会可能导致有色丝被去除，为此需要得到一个合适大小的结构单元来进行开运算操作。
进一步的，先获取目标二值化图像中的有色丝主干区域。具体的：
步骤一，获取目标二值化图像中相邻行的灰度均值的差值。计算目标二值化图像中每行的灰度均值，因为目标二值化图像已经二值化，故有色丝主干区域的中间部分每行的灰度均值为1。而除有色丝主干区域，其他行的灰度均值较小，故从第一行开始计算相邻两行的灰度均值的差值的绝对值，得到每个相邻行的灰度均值的差值的绝对值。
步骤二，得到最大差值和第二差值的对应行。从多个相邻行的灰度均值的差值的绝对值中获取最大差值和第二大的第二差值，得到最大差值对应的两行，获取两行中灰度值大的行作为最大差值的对应行
Figure 71775DEST_PATH_IMAGE005
；得到第二差值对应的两行，获取两行中灰度值大的行作为第二差值的对应行
Figure 764925DEST_PATH_IMAGE006
。
步骤三，最大差值和第二差值的对应行之间的区域为有色丝主干区域。即得到的两个对应行之间的行即构成有色丝的主干，而不再对应行之间的行中灰度值为1的像素点都认为是毛羽信息。因此想要最大限度的保留主干信息，需要除主干信息之外的像素点最少，且主干部分不会被过多去除。
将两个对应行中行数较大的对应行作为有色丝主干区域的上边界，两个对应行中行数较小的对应行作为有色丝主干区域的下边界。需要说明的是，以有色丝图像的最下边一行为起始行，越靠近有色丝图像的顶部，则行数越大。
进一步的，任意设置结构单元边长，对目标二值化图像开运算，根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度。在本发明实施例中设定结构单元为正方形。
获取开运算后灰度均值为0的行数的占比，作为背景区域的行数占比。随着结构单元的增大，背景区域的行数占比逐渐增大，因为当结构单元过小时，毛羽部分可能没有被剔除，则背景区域的行数占比较小；当结构单元足够大时，毛羽部分被剔除，则背景区域的行数占比较大。
计算有色丝主干区域上下边界的灰度均值作为有色丝主干区域的保留程度，行数占比和保留程度之和为毛羽去除程度。
该结构单元边长为
Figure 295263DEST_PATH_IMAGE007
的开运算后的毛羽去除程度
Figure 48456DEST_PATH_IMAGE008
的计算公式为：
Figure DEST_PATH_IMAGE009
其中，
Figure 398666DEST_PATH_IMAGE010
为结构单元边长为
Figure 148970DEST_PATH_IMAGE007
的开运算后灰度均值为0的行数；
Figure 799394DEST_PATH_IMAGE011
为有色丝图像的总行数；
Figure 723488DEST_PATH_IMAGE012
为结构单元边长为
Figure 92152DEST_PATH_IMAGE007
开运算后有色丝主干区域上边界的灰度均值；
Figure 861525DEST_PATH_IMAGE013
为结构单元边长为
Figure 897614DEST_PATH_IMAGE007
开运算后有色丝主干区域下边界的灰度均值；
Figure 461451DEST_PATH_IMAGE014
为有色丝主干区域的保留程度；
Figure 317411DEST_PATH_IMAGE015
为背景区域的行数占比。
保留程度和行数占比越大，则毛羽去除程度越大，对应的毛羽去除效果越好。
选取最大毛羽去除程度对应的结构单元边长作为目标结构单元边长。基于该目标结构单元边长，对目标二值化图像进行开运算得到有色丝主干图像。
实现了通过提取毛羽和其有色丝主干的特征，对毛羽和有色丝主干进行区分，然后使用不同大小的形态学结构算子进行对有色丝图像进行处理，直到对应的毛羽去除程度最大时，得到目标结构单元边长，也即得到最佳形态算子。对毛羽和有色丝进行分析，将毛羽和有色丝区别开，针对于有毛羽的有色丝的场景下，通过毛羽的去除程度来自适应调整模板的大小，得到目标结构单元边长。
步骤S400，目标二值化图像和有色丝主干图像的差值图像为毛羽图像；获取毛羽图像中毛羽的毛羽长度，根据毛羽长度和毛羽的均匀程度得到有色丝的质量评价指标。
目标二值化图像和有色丝主干图像的差值图像为毛羽图像。由步骤S100~S300得到的有色丝主干区域在得到的最大差值和第二差值的对应行
Figure 654589DEST_PATH_IMAGE016
之间，若在图像中
Figure 14027DEST_PATH_IMAGE005
行在
Figure 279923DEST_PATH_IMAGE006
的上面，则部分毛羽在
Figure 357600DEST_PATH_IMAGE005
行的上面，另一部分毛羽在
Figure 999934DEST_PATH_IMAGE006
行的下面，也即部分毛羽在上边缘的上面，部分毛羽在下边缘的下面。
毛羽是有色丝评估过程中很重要的一个质量评估标准，利用毛羽的长度和毛羽的均匀程度来判断有色丝的质量。
为了得到毛羽的毛羽长度，对不同位置的毛羽通过不同的方向遍历。具体的：将有色丝主干图像的有色丝主干区域的边缘映射至毛羽图像中。以有色丝主干区域的上边缘的每个像素点作为初始点，从下往上开始遍历，重复寻找各遍历点的八邻域内的非0像素点，直至最后一个遍历点的八邻域内没有未遍历过的非0像素点，将最后一个遍历点作为终点，遍历结束；以有色丝主干区域的下边缘的每个像素点作为初始点，从上往下开始遍历，重复寻找各遍历点的八邻域内的非0像素点，直至最后一个遍历点的八邻域内没有未遍历过的非0像素点，将最后一个遍历点作为终点，遍历结束。且在遍历过程中，获取每个初始点和终点之间最短距离，该最短距离为毛羽长度。
在得到每根毛羽的毛羽长度之后，获取毛羽的平均长度。具体的：获取有对应终点的初始点的数量为毛羽数量，获取遍历点的总数量，遍历点的总数量和毛羽数量的比值为毛羽的平均长度。
在得到毛羽的平均长度和每根毛羽的毛羽长度之后，计算毛羽的方差作为毛羽的均匀程度。
该方差
Figure 745036DEST_PATH_IMAGE017
的计算公式为：
Figure 916255DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为第
Figure 215649DEST_PATH_IMAGE020
根毛羽的毛羽长度；
Figure 631980DEST_PATH_IMAGE021
为毛羽的平均长度；
Figure 231589DEST_PATH_IMAGE022
为毛羽数量。
该方差越大，则有色丝毛羽就越不均匀，有色丝毛羽的质量也就越差。
将每根毛羽的毛羽长度都归一化，获取最长的毛羽长度，因为毛羽的毛羽长度越长，则有色丝质量就越差。同时，对方差进行归一化，也即对均匀程度进行归一化。
最长的毛羽长度和归一化后的毛羽的均匀程度加权求和得到有色丝的质量评价指标，在本发明实施例中最长的毛羽长度的权重为0.5，毛羽的均匀程度的权重也为0.5。
当得到的质量评价指标大于预设评价指标时，认为有色丝质量较好；当质量评价指标小于预设评价指标时，认为有色丝质量较差，在本发明实施例中预设评价指标的取值为0.2，在其他实施例中实施者可根据实际情况调整该取值。
综上所述，本发明实施例利用数据处理技术，该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成对有色丝进行质量评估。首先获取有色丝图像，获取有色丝图像对应的灰度均值和灰度中值；根据灰度均值和灰度中值确定二值化阈值范围；在二值化阈值范围内遍历二值化阈值得到多张二值化图像；根据二值化图像中孤立点的数量筛选出多张初始图像，计算每张初始图像中有色丝的面积占比，最大面积占比对应的初始图像为目标二值化图像；获取目标二值化图像中的有色丝主干区域；任意设置结构单元边长，对目标二值化图像开运算，根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度，最大毛羽去除程度对应的结构单元边长为目标结构单元边长；基于目标结构单元边长，对目标二值化图像进行开运算得到有色丝主干图像；目标二值化图像和有色丝主干图像的差值图像为毛羽图像；获取毛羽图像中毛羽的毛羽长度，根据毛羽长度和毛羽的均匀程度得到有色丝的质量评价指标。本发明实施例通过获取合适的自适应二值化阈值和结构单元边长进而对有色丝的毛羽进行提取，提高了毛羽区域提取的准确性，进一步的提高了对有色丝质量评估的准确性。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，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 (1)

1.一种有色丝评估方法，其特征在于，该方法包括以下步骤：
获取有色丝图像，获取所述有色丝图像对应的灰度均值和灰度中值；
根据所述灰度均值和所述灰度中值确定二值化阈值范围；在所述二值化阈值范围内遍历二值化阈值得到多张二值化图像；根据所述二值化图像中孤立点的数量筛选出多张初始图像，计算每张初始图像中有色丝的面积占比，最大面积占比对应的初始图像为目标二值化图像；
获取目标二值化图像中的有色丝主干区域；任意设置结构单元边长，对所述目标二值化图像开运算，根据开运算后的背景区域的行数占比和有色丝主干区域的保留程度得到毛羽去除程度，最大毛羽去除程度对应的结构单元边长为目标结构单元边长；基于所述目标结构单元边长，对所述目标二值化图像进行开运算得到有色丝主干图像；
所述目标二值化图像和所述有色丝主干图像的差值图像为毛羽图像；获取所述毛羽图像中毛羽的毛羽长度，根据所述毛羽长度和毛羽的均匀程度得到有色丝的质量评价指标；
其中，所述毛羽去除程度的获取方法为：获取开运算后灰度均值为0的行数的占比，作为所述背景区域的行数占比；计算所述有色丝主干区域上下边界的灰度均值作为有色丝主干区域的保留程度；所述行数占比和所述保留程度之和为所述毛羽去除程度；
其中，初始图像的获取方法为：对二值化图像进行聚类，得到多个孤立点，每张所述二值化图像均有对应的孤立点；获取孤立点数量小于预设孤立点阈值的二值化图像作为初始图像；
其中，对二值化图像进行聚类的方法为：利用笑脸聚类算法对二值化图像进行聚类；笑脸聚类算方法进行聚类的方法为：以5个像素点为半径的圆作为聚类的阈值，以任意一个灰度值为1的点为中心点，半径为5的圆形区域内的灰度值为1的点为同一类别，然后以该圆不同方向上的最远处的点作为新的中心点再次进行聚类；直至将二值化图像中灰度值为1的点全部经过聚类之后停止；
其中，有色丝的面积占比的获取方法为：计算每张初始图像中像素值为1的像素点占比，所述像素点占比为有色丝的面积占比；
其中，有色丝主干区域的获取方法为：获取目标二值化图像中相邻行的灰度均值的差值，得到最大差值和第二差值的对应行，所述最大差值和第二差值的对应行之间的区域为有色丝主干区域；
其中，毛羽长度的获取方法为：将所述有色丝主干图像的有色丝主干区域的边缘映射至所述毛羽图像中；以有色丝主干区域的上边缘的每个像素点作为初始点，从下往上开始遍历，重复寻找各遍历点的八邻域内的非0像素点，直至最后一个遍历点的八邻域内没有未遍历过的非0像素点，最后一个遍历点作为终点，遍历结束；以有色丝主干区域的下边缘的每个像素点作为初始点，从上往下开始遍历，重复寻找各遍历点的八邻域内的非0像素点，直至最后一个遍历点的八邻域内没有未遍历过的非0像素点，最后一个遍历点作为终点，遍历结束；所述初始点到对应终点之间的最短距离为毛羽长度；
其中，质量评价指标的获取方法为：获取最长的毛羽长度；所述最长的毛羽长度和毛羽的均匀程度加权求和得到有色丝的质量评价指标。
CN202211010793.6A 2022-08-23 2022-08-23 一种有色丝评估方法 Active CN115082489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211010793.6A CN115082489B (zh) 2022-08-23 2022-08-23 一种有色丝评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211010793.6A CN115082489B (zh) 2022-08-23 2022-08-23 一种有色丝评估方法

Publications (2)

Publication Number Publication Date
CN115082489A CN115082489A (zh) 2022-09-20
CN115082489B true CN115082489B (zh) 2022-11-25

Family

ID=83244045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211010793.6A Active CN115082489B (zh) 2022-08-23 2022-08-23 一种有色丝评估方法

Country Status (1)

Country Link
CN (1) CN115082489B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197006B (zh) * 2023-09-27 2024-05-10 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013097907A1 (en) * 2011-12-30 2013-07-04 Barco N.V. Method and system for determining image retention
CN106556601B (zh) * 2016-11-01 2019-05-03 河北汇金机电股份有限公司 基于图像采集的布面毛羽分析及统计方法
CN107515220B (zh) * 2017-08-02 2020-11-03 江南大学 一种基于图像处理的纱线黑板毛羽量检测及评价方法
CN109272503B (zh) * 2018-09-29 2019-11-19 西安工程大学 一种基于最大熵与dbscan相融合的毛羽检测方法
CN113012105B (zh) * 2021-02-08 2024-04-26 武汉纺织大学 基于图像处理的纱线毛羽检测评级方法

Also Published As

Publication number Publication date
CN115082489A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN109166095B (zh) 一种基于生成对抗机制的眼底影像杯盘分割方法
CN115330800B (zh) 基于图像处理的放疗靶区自动分割方法
JP4921858B2 (ja) 画像処理装置および画像処理プログラム
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN105095907B (zh) 一种基于rbf神经网络的棉花异质纤维鉴别方法
CN109636824A (zh) 一种基于图像识别技术的多目标计数方法
CN115082489B (zh) 一种有色丝评估方法
CN106096491B (zh) 一种眼底彩色照相图像中微动脉瘤自动化识别方法
CN106127735B (zh) 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
CN110826408B (zh) 一种分区域特征提取人脸识别方法
CN115311283B (zh) 一种玻璃拉管缺陷检测方法及系统
CN114581376B (zh) 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN115311310A (zh) 通过图割实现纺织品印花图案提取的方法
CN103268492B (zh) 一种玉米籽粒类型识别方法
Furtado et al. Segmentation of eye fundus images by density clustering in diabetic retinopathy
CN115115637A (zh) 基于图像金字塔思想的布匹缺陷检测方法
CN102938053A (zh) 一种基于计算机视觉的甘蔗特征提取与识别方法
Manjaramkar et al. Connected component clustering based hemorrhage detection in color fundus images
CN115311278B (zh) 一种对于纱线检测的纱线分割方法
CN115841600B (zh) 基于深度学习的甘薯外观品质分类方法
CN114972336B (zh) 基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统
CN113627531B (zh) 基于支持向量机分类算法测定梨树轮纹病抗性的方法
CN115239726A (zh) 一种吹线机精准定位线头的智能控制方法
CN115240013B (zh) 基于图像数据分析的织物肌理自动分类方法及系统
CN116523910B (zh) 基于图像数据的核桃成熟度智能检测方法

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
GR01 Patent grant
GR01 Patent grant