CN115100201B - 一种阻燃纤维材料的混纺缺陷检测方法 - Google Patents
一种阻燃纤维材料的混纺缺陷检测方法 Download PDFInfo
- Publication number
- CN115100201B CN115100201B CN202211022224.3A CN202211022224A CN115100201B CN 115100201 B CN115100201 B CN 115100201B CN 202211022224 A CN202211022224 A CN 202211022224A CN 115100201 B CN115100201 B CN 115100201B
- Authority
- CN
- China
- Prior art keywords
- gray
- neighborhood
- gray level
- value
- pixel
- 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
Links
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 239000003063 flame retardant Substances 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 239000002657 fibrous material Substances 0.000 title claims abstract description 23
- 238000002156 mixing Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 title abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 150000001875 compounds Chemical class 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims 2
- 239000000835 fiber Substances 0.000 abstract description 33
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 239000004753 textile Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000009987 spinning Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 229920006253 high performance fiber Polymers 0.000 description 2
- 239000012784 inorganic fiber Substances 0.000 description 2
- 229920002748 Basalt fiber Polymers 0.000 description 1
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 229920003043 Cellulose fiber Polymers 0.000 description 1
- 229920006052 Chinlon® Polymers 0.000 description 1
- 239000004642 Polyimide Substances 0.000 description 1
- 239000004734 Polyphenylene sulfide Substances 0.000 description 1
- 229920004933 Terylene® Polymers 0.000 description 1
- 229920002978 Vinylon Polymers 0.000 description 1
- 229920006231 aramid fiber Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000007385 chemical modification Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007334 copolymerization reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 229920001721 polyimide Polymers 0.000 description 1
- 229920000069 polyphenylene sulfide Polymers 0.000 description 1
- -1 polytetrafluoroethylene Polymers 0.000 description 1
- 239000004810 polytetrafluoroethylene Substances 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T7/136—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
- G06T2207/30204—Marker
Abstract
本发明公开了一种阻燃纤维材料的混纺缺陷检测方法，涉及图像处理技术领域，包括：获取阻燃纤维材料表面的灰度图像；获取邻域内像素点的第一阈值；确定邻域内像素点的灰度值级数；对邻域内像素点进行标记；根据重构的灰度图像获取灰度共生矩阵；获取灰度共生矩阵的异常程度；根据灰度共生矩阵的异常程度可确定高斯滤波器的自适应窗口，根据高斯滤波器可实现对灰度图像的降噪处理；对灰度图像进行阈值分割可确定阻燃纤维材料中的缺陷区域；本发明解决现有技术中，对图像进行降噪时存在局部结构特征信息丢失，从而导致对阻燃纤维缺陷检测时检测精度低下的技术问题。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种阻燃纤维材料的混纺缺陷检测方法。
背景技术
纺织品是关系到国计民生的重要基础材料，其应用范围涵盖日常生活、工业、农业、医疗防卫、航空航天、交通运输、军事等诸多领域，但随着应用领域的扩大，纤维制品也成为引发各类室内外火灾的主要隐患之一。近年来，由纺织品引燃或助燃给人们的生命和财产安全带来了巨大的损失，已经成为严重的社会问题，国内外也对阻燃性纤维及其纺织品阻燃进行了大量的研究工作。
阻燃纤维是指能降低纤维材料在火焰中的可燃性，减缓火焰的蔓延速度，使它在离开火焰后能很快自行熄灭而不再引燃的纤维。阻燃纤维主要包括本质阻燃纤维与改性阻燃纤维，本质阻燃纤维主要有无机纤维和有机高性能纤维，其中无机纤维包括玄武岩纤维、玻璃纤维、石英纤维、硼纤维、陶瓷纤维等；有机高性能纤维包括芳纶、聚酰亚胺纤维、聚苯硫醚纤维、芳砜纶和聚四氟乙烯纤维等。改性阻燃纤维主要是指通过物理或化学改性后而获得的具有良好阻燃性能的纤维，如阻燃涤纶、锦纶、维纶及纤维素纤维等，其主要制备方法包括共聚切片纺丝法、共混纺丝法、复合纺丝法及涂覆法等。阻燃纤维由于其独特的性能，在民用、军用及产业用等领域具有广阔的应用前景，它不仅可用于汽车、火车、飞机用阻燃纺品，而且还可以用于航天航空阻燃复合材料，宾馆、饭店等公共场所的装饰纺织品，医院、军队、森林救火防护服及家纺产品等。
在现有的技术中，对阻燃纤维的缺陷检测主要是获取到阻燃纤维的图像后，对图像进行降噪处理，然后对阻燃纤维的图像直接进行阈值分割检测或者直接根据阻燃纤维的据经线和纬线的连续性进行检测；在根据原始LBP算法实现对图像的降噪过程中，现有技术只是将中心像素点和邻域像素点灰度值的大小做减法运算，仅仅考虑计算单元内中心像素点与其几个邻域像素点之间的关系，并没有考虑到中心像素点的作用，以及中心像素点和其他几个邻域像素点的灰度值差值之间的关系，这样必然会导致一些重要的局部结构特征信息丢失，从而导致对阻燃纤维缺陷检测时检测精度较低。
发明内容
为了解决现有技术中，对图像进行降噪时存在局部结构特征信息丢失，从而导致对阻燃纤维缺陷检测时检测精度低下的技术问题，本发明提供了一种阻燃纤维材料的混纺缺陷检测方法，该方法通过重构的灰度图像获得灰度共生矩阵，根据灰度共生矩阵确定了阻燃纤维灰度图像中的噪声像素点，然后获取自适应的高斯滤波器窗口的大小对噪声像素点进行降噪处理；阻燃纤维灰度图像进行降噪处理后，通过阈值分割获得了阻燃纤维灰度图像中的缺陷区域；有效提升了对阻燃纤维缺陷检测的检测精度。有鉴于此，本发明通过以下方案予以实现。
一种阻燃纤维材料的混纺缺陷检测方法，包括以下步骤：
获取阻燃纤维材料表面的灰度图像；
根据所述灰度图像中每个像素的邻域内像素点的灰度值获取所述邻域内像素点的第一阈值；根据所述第一阈值与邻域内像素点的灰度值确定所述邻域内像素点的灰度值级数；
根据所述灰度值级数对所述邻域内像素点进行标记；依次将所述灰度图像中的全部像素点进行标记，获得重构的灰度图像；
根据所述重构的灰度图像获取灰度共生矩阵；根据所述灰度共生矩阵获取所述重构的灰度图像中每个灰度对的个数，并获取每个灰度对出现的概率；
根据每个灰度对出现的概率获取所述灰度共生矩阵的熵值；
根据所述灰度共生矩阵的熵值和所述灰度共生矩阵中元素数量获取所述灰度共生矩阵的异常程度；
在所重构的灰度图像建立滑动窗口，将所述滑动窗口每滑动一次获取所述滑动窗口内所有元素的第一方差和除中心像素点外其余像素点的第二方差；根据所述第一方差和第二方差获取所述滑动窗口内所有元素的实际方差；根据所述实际方差获取所述灰度图像中的噪声像素点；
基于高斯滤波器，根据所述灰度共生矩阵的异常程度获取所述高斯滤波器的窗口的大小；并通过所述高斯滤波器对所述灰度图像中的噪声像素点进行降噪处理；
将降噪处理后的灰度图像进行阈值分割，获取所述灰度图像中的缺陷区域。
进一步地，所述邻域内像素点的第一阈值通过下式确定：
式中，
为邻域内像素点的第一阈值；
为邻域内像素点的个数；
为邻域内中心像素点的灰度值；
为邻域内除中心像素点外第
像素点的灰度值。
进一步地，所述邻域内像素点的灰度值级数通过下式确定：
式中，
为邻域内像素点的灰度值级数；
为邻域内除中心像素点外第
像素点的灰度值；
为邻域内像素点的第一阈值。
进一步地，根据所述灰度值级数对所述邻域内像素点进行标记的过程中还包括：
获取所述邻域内除中心像素点外其余像素点与所述第一阈值差值的绝对值；
根据所述邻域内所述绝对值的范围确定所述邻域内像素点的灰度值级数；
根据所述邻域内像素点的灰度值级数确定所述邻域内每个灰度值级数对应的像素点灰度值范围；
将每个像素点灰度值范围由小到大进行排列，并将第一个像素点灰度值范围内的全部像素点标记为1，将第二个像素点灰度值范围内的全部像素点标记为2，按照素点灰度值范围与标记数字的对应关系将每个像素点灰度值范围内的全部像素点进行标记；依次将所述灰度图像中的每个像素点完成数字标记，由此获得所述重构的灰度图像。
进一步地，所述邻域内每个灰度值级数对应的像素点灰度值范围通过下式确定：
式中，
为邻域内灰度级为
时对应的像素点灰度值范围，
即表示像素点灰度值范围内的灰度值个数；
为邻域内像素点灰度值的最大值；
为邻域内像素点灰度值的最小值。
进一步地，所述灰度共生矩阵的异常程度为所述灰度共生矩阵的熵值与所述度共生矩阵中元素数量的比值。
进一步地，所述实际方差为所述第一方差与所述第二方差的差值的绝对值。
进一步地，根据所述实际方差获取所述灰度图像中的噪声像素点的过程中还包括：
设定实际方差的第二阈值；
当所述实际方差大于所述第二阈值时，则所述滑动窗口的中心像素点在所述灰度图像中对应的像素点为噪声像素点。
进一步地，所述第二阈值为0.26。
进一步地，所述高斯滤波器的窗口的大小根据高斯滤波器的窗口的长或宽确定，所述高斯滤波器的窗口的长或宽通过下式确定：
式中，
为高斯滤波器的窗口的长或宽；
表示自然常数；
表示对
的值就近取整数；
表示灰度共生矩阵的异常程度。
与现有技术相比，本发明的有益效果是：
本发明提供了阻燃纤维材料的混纺缺陷检测方法，该方法通过获取阻燃纤维材料表面的灰度图像；根据灰度图像中每个像素的邻域内像素点的灰度值获取邻域内像素点的第一阈值；在获取邻域内像素点的第一阈值考虑了邻域内像素点的灰度值关系，进一步地，根据第一阈值与邻域内像素点的灰度值确定邻域内像素点的灰度值级数；根据灰度值级数对邻域内像素点进行标记；获得重构的灰度图像；本发明在获取重构的灰度图像时，获得第一阈值后，根据第一阈值与邻域内像素点的灰度值确定了邻域内像素点的灰度值级数，这样获得的重构的灰度图像具有更多的灰度级，并综合考虑了第一阈值考虑了邻域内像素点的灰度值关系，使得L重构的灰度图像能准确反映灰度图像的缺陷情况。
本发明的方法还包括根据重构的灰度图像获取灰度共生矩阵；根据灰度共生矩阵获取重构的灰度图像每个灰度对的个数，并获取每个灰度对出现的概率；根据每个灰度对出现的概率获取灰度共生矩阵的熵值；进一步地，根据灰度共生矩阵的熵值和灰度共生矩阵中元素数量获取灰度共生矩阵的异常程度；由于灰度共生矩阵是重构的灰度图像转换而得，因此灰度共生矩阵的异常程度能准确反映灰度图像的缺陷情况，进一步地，根据灰度共生矩阵的异常程度可确定高斯滤波器的自适应窗口，根据高斯滤波器可实现对灰度图像的降噪处理；进一步地，对灰度图像进行阈值分割可确定阻燃纤维材料中的缺陷区域；本发明解决现有技术中，对图像进行降噪时存在局部结构特征信息丢失，从而导致对阻燃纤维缺陷检测时检测精度低下的技术问题。
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为本发明实施例提供的缺陷检测方法的流程示意图。
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。
本实施例提供了一种阻燃纤维材料的混纺缺陷检测方法，如图1所示，检测方法包括：
S101，获取阻燃纤维的表面图像，对表面图像进行灰度化处理获取表面图像的灰度图像；根据灰度图像中每个像素的邻域内像素点的灰度值获取邻域内像素点的第一阈值；
本实施例中，根据灰度图像中每个像素的邻域内像素点的灰度值获取邻域内像素点的第一阈值的过程为，确定灰度图像中每个像素点的3×3的像素点邻域；根据每个3×3的像素点邻域内像素点的灰度值获取每个3×3的像素点邻域内像素点的第一阈值；邻域内像素点的第一阈值通过下式确定：
式中，
为邻域内像素点的第一阈值；
为邻域内像素点的个数；
为邻域内中心像素点的灰度值；
为邻域内除中心像素点外第
像素点的灰度值；
表示邻域内除中心像素点外第
像素点的灰度值与邻域内中心像素点的灰度值的差值；
表示对邻域内除中心像素点外的全部像素点与邻域内中心像素点的灰度值的差值进行求和，然后通过求取平均值表示第一阈值；本实施例中，对于3×3的像素点邻域有邻域内像素点的个数
为9；
根据第一阈值与3×3的像素点邻域内像素点的灰度值确定3×3的像素点邻域内像素点的灰度值级数；根据灰度值级数对3×3的像素点邻域内像素点进行标记；依次将灰度图像中的全部像素点进行标记，获得灰度图像的LBP矩阵；
本实施例中，依次将灰度图像中的全部像素点进行标记，获得灰度图像的LBP矩阵的过程为，获取3×3的像素点邻域内除中心像素点外其余像素点与第一阈值差值的绝对值；根据3×3的像素点邻域内绝对值的范围确定3×3的像素点邻域内像素点的灰度值级数；3×3的像素点邻域内像素点的灰度值级数通过下式确定：
式中，
为3×3的像素点邻域内像素点的灰度值级数；
为3×3的像素点邻域内除中心像素点外第
像素点的灰度值；
为3×3的像素点邻域内像素点的第一阈值；
表示3×3的像素点邻域内除中心像素点外其余像素点灰度值的平均值；
表示3×3的像素点邻域内除中心像素点外第
像素点的灰度值与除中心像素点外其余像素点灰度值的平均值的差值的绝对值，用
除以3×3的像素点邻域内像素点的第一阈值
表示3×3的像素点邻域内像素点的灰度值级数；
根据3×3的像素点邻域内像素点的灰度值级数确定3×3的像素点邻域内每个灰度值级数对应的像素点灰度值范围；3×3的像素点邻域内每个灰度值级数对应的像素点灰度值范围通过下式确定：
式中，
为3×3的像素点邻域内灰度级为
时对应的像素点灰度值范围，
即表示像素点灰度值范围内的灰度值个数；
为3×3的像素点邻域内像素点灰度值的最大值；
为3×3的像素点邻域内像素点灰度值的最小值；
表示3×3的像素点邻域内像素点灰度值的最大值与像素点灰度值的最小值的差值；
表示3×3的像素点邻域内像素点灰度值的极差与灰度级为
的比值，并以
表示3×3的像素点邻域内灰度级为
时对应的像素点灰度值范围，即表示像素点灰度值范围内的灰度值个数；
将每个像素点灰度值范围由小到大进行排列，并将第一个像素点灰度值范围内的全部像素点标记为1，将第二个像素点灰度值范围内的全部像素点标记为2，按照素点灰度值范围与标记数字的对应关系将每个像素点灰度值范围内的全部像素点进行标记；依次将灰度图像中的每个像素点完成数字标记，由此获得灰度图像的LBP矩阵；
需要说明的是，本实施例中用灰度图像的LBP矩阵表示重构的灰度图像，即灰度图像的LBP矩阵中的灰度级为重构的灰度图像中的灰度级；
S102，根据灰度图像的LBP矩阵中每个像素点灰度级确定最大灰度级n，根据最大灰度级n确定灰度共生矩阵的规格为n*n；灰度共生矩阵的规格n*n也表示灰度共生矩阵中的元素数量；根据灰度共生矩阵获取LBP矩阵中每个灰度对的个数，并获取每个灰度对出现的概率；每个灰度对出现的概率为该灰度对出现的次数与全部灰度对出现的次数的和的比值；
根据每个灰度对出现的概率获取灰度共生矩阵的熵值；灰度共生矩阵的熵值通过下式确定：
式中，
为灰度共生矩阵的熵值；
为灰度对
在灰度共生矩阵中出现的概率；
表示灰度共生矩阵中的最高灰度级；
表示灰度对
中第一个值
的值；
表示灰度对
中第二个值
的值；
反映了灰度共生矩阵的混乱程度；
根据灰度共生矩阵的熵值和灰度共生矩阵中元素数量获取灰度共生矩阵的异常程度；灰度共生矩阵的异常程度
为灰度共生矩阵的熵值与灰度共生矩阵中元素数量的比值；
需要说明的是，根据LBP矩阵构建灰度共生矩阵时，因为在LBP矩阵中，数值的大小代表的是不同元素的灰度的不同，而阻燃纤维材料的像素点的灰度值相对来说是比较平坦的，变化不是特别的剧烈，如果某一区域出现了较大范围的噪声，会在LBP矩阵表现为元素的数值的变化；因此构建的灰度共生矩阵中，元素的频数的大小表示的是不同区域的像素点的灰度值变化的大小；在灰度共生矩阵中，根据元素的特征表示原始图像中噪声的密度，若灰度共生矩阵值分布均匀，也即图像近于随机或噪声很大，熵会有较大值，灰度共生矩阵中元素分散分布时，熵值较大，熵值表示了图像中元素的非均匀程度或复杂程度；
S103，在LBP矩阵中建立滑动窗口，将滑动窗口每滑动一次获取滑动窗口内所有元素的第一方差和除中心像素点外其余像素点的第二方差；滑动窗口内所有元素的第一方差通过下式确定：
式中，
为滑动窗口内所有元素的第一方差；
在为LBP矩阵中滑动窗口内第
个像素点的灰度级；
为LBP矩阵中滑动窗口内所有像素点灰度级的平均值；
表示滑动窗口内像素点的个数；方差
反映了滑动窗口内所有元素灰度级的差异性；
滑动窗口内除中心像素点外其余像素点的第二方差通过下式确定：
式中，式中，
为滑动窗口内除中心像素点外其余像素点的第二方差；
在为LBP矩阵中滑动窗口内除中心像素点外第
个像素点的灰度级；
为LBP矩阵中滑动窗口内除中心像素点外其余像素点灰度级的平均值；
表示滑动窗口内像素点的个数；方差
反映了滑动窗口内所有邻域元素灰度级的差异性；
根据第一方差和第二方差获取滑动窗口内所有元素的实际方差
；实际方差
为第一方差和第二方差的差值的绝对值；设定实际方差的第二阈值；当滑动窗口内所有元素的实际方差
大于第二阈值时，则滑动窗口的中心像素点在灰度图像中对应的像素点为噪声像素点；
需要说明的是，本实施例中在LBP矩阵中建立滑动窗口为5*5像素点矩阵规格的滑动窗口；在确定灰度图像中的噪声像素点的过程中，本实施例根据实施条件设定实际方差的第二阈值0.26，当滑动窗口内所有元素的实际方差
大于0.26时，则滑动窗口的中心像素点在灰度图像中对应的像素点为噪声像素点；依次获取灰度图像中全部的噪声像素点；本实施例中滑动窗口在LBP矩阵中滑动的步长为1，滑动窗口在LBP矩阵中滑动的方向为从左向右，且从上到下对LBP矩阵中进行滑动；
S104，选择高斯滤波器，根据灰度共生矩阵的异常程度获取高斯滤波器的窗口的大小；并通过高斯滤波器对灰度图像中的噪声像素点进行降噪处理；高斯滤波器的窗口的大小根据高斯滤波器的窗口的长或宽确定，高斯滤波器的窗口的长或宽通过下式确定：
式中，
为高斯滤波器的窗口的长或宽；
表示自然常数；
表示对
的值就近取整数；
表示灰度共生矩阵的异常程度；
将降噪处理后的灰度图像进行阈值分割，获取灰度图像中的缺陷区域；
本实施例中，在获取灰度图像中的缺陷区域时，通过OTSU阈值分割算法获得了灰度图像中的缺陷区域；
综上，本实施例提供了一种阻燃纤维材料的混纺缺陷检测方法，该方法包括：获取阻燃纤维材料表面的灰度图像；根据灰度图像中每个像素的邻域内像素点的灰度值获取邻域内像素点的第一阈值；在获取邻域内像素点的第一阈值考虑了邻域内像素点的灰度值关系，进一步地，根据第一阈值与邻域内像素点的灰度值确定邻域内像素点的灰度值级数；根据灰度值级数对邻域内像素点进行标记；获得灰度图像的LBP矩阵；根据灰度图像的LBP矩阵获取灰度共生矩阵；根据灰度共生矩阵获取LBP矩阵中每个灰度对的个数，并获取每个灰度对出现的概率；根据每个灰度对出现的概率获取灰度共生矩阵的熵值；进一步地，根据灰度共生矩阵的熵值和灰度共生矩阵中元素数量获取灰度共生矩阵的异常程度；由于灰度共生矩阵是由LBP矩阵转换而得，因此灰度共生矩阵的异常程度能准确反映灰度图像的缺陷情况，进一步地，根据灰度共生矩阵的异常程度可确定高斯滤波器的自适应窗口，根据高斯滤波器可实现对灰度图像的降噪处理；进一步地，对灰度图像进行阈值分割可确定阻燃纤维材料中的缺陷区域；本实施例解决现有技术中，对图像进行降噪时存在局部结构特征信息丢失，从而导致对阻燃纤维缺陷检测时检测精度低下的技术问题。
以上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 (3)
1.一种阻燃纤维材料的混纺缺陷检测方法，其特征在于，包括以下步骤：
获取阻燃纤维材料表面的灰度图像；
根据所述灰度图像中每个像素的邻域内像素点的灰度值获取所述邻域内像素点的第一阈值；所述邻域内像素点的第一阈值通过下式确定：
式中，
为邻域内像素点的第一阈值；
为邻域内像素点的个数；
为邻域内中心像素点的灰度值；
为邻域内除中心像素点外第
像素点的灰度值；
根据所述第一阈值与邻域内像素点的灰度值确定所述邻域内像素点的灰度值级数；所述邻域内像素点的灰度值级数通过下式确定：
式中，
为邻域内像素点的灰度值级数；
为邻域内除中心像素点外第
像素点的灰度值；
为邻域内像素点的第一阈值；
根据所述灰度值级数对所述邻域内像素点进行标记；依次将所述灰度图像中的全部像素点进行标记，获得重构的灰度图像；将所述灰度图像中的全部像素点进行标记的过程为：
获取所述邻域内除中心像素点外其余像素点与所述第一阈值差值的绝对值；
根据所述邻域内所述绝对值的范围确定所述邻域内像素点的灰度值级数；
根据所述邻域内像素点的灰度值级数确定所述邻域内每个灰度值级数对应的像素点灰度值范围；
将每个像素点灰度值范围由小到大进行排列，并将第一个像素点灰度值范围内的全部像素点标记为1，将第二个像素点灰度值范围内的全部像素点标记为2，按照素点灰度值范围与标记数字的对应关系将每个像素点灰度值范围内的全部像素点进行标记；依次将所述灰度图像中的每个像素点完成数字标记；
根据所述重构的灰度图像获取灰度共生矩阵；根据所述灰度共生矩阵获取所述重构的灰度图像中每个灰度对的个数，并获取每个灰度对出现的概率；
根据每个灰度对出现的概率获取所述灰度共生矩阵的熵值；
根据所述灰度共生矩阵的熵值和所述灰度共生矩阵中元素数量获取所述灰度共生矩阵的异常程度；所述灰度共生矩阵的异常程度为所述灰度共生矩阵的熵值与所述灰度共生矩阵中元素数量的比值；
在所重构的灰度图像建立滑动窗口，将所述滑动窗口每滑动一次获取所述滑动窗口内所有元素的第一方差和除中心像素点外其余像素点的第二方差；根据所述第一方差和第二方差获取所述滑动窗口内所有元素的实际方差；所述实际方差为所述第一方差与所述第二方差的差值的绝对值；
设定实际方差的第二阈值，根据所述实际方差获取所述灰度图像中的噪声像素点； 当所述实际方差大于所述第二阈值时，则所述滑动窗口的中心像素点在所述灰度图像中对应的像素点为噪声像素点；
基于高斯滤波器，根据所述灰度共生矩阵的异常程度获取所述高斯滤波器的窗口的大小；并通过所述高斯滤波器对所述灰度图像中的噪声像素点进行降噪处理；所述高斯滤波器的窗口的大小根据高斯滤波器的窗口的长或宽确定，所述高斯滤波器的窗口的长或宽通过下式确定：
式中，
为高斯滤波器的窗口的长或宽；
表示自然常数；
表示对
的值就近取整数；表示灰度共生矩阵的异常程度；
将降噪处理后的灰度图像进行阈值分割，获取所述灰度图像中的缺陷区域。
2.根据权利要求1所述的阻燃纤维材料的混纺缺陷检测方法，其特征在于，所述邻域内每个灰度值级数对应的像素点灰度值范围通过下式确定：
式中，
为邻域内灰度级为
时对应的像素点灰度值范围，
即表示像素点灰度值范围内的灰度值个数；
为邻域内像素点灰度值的最大值；
为邻域内像素点灰度值的最小值。
3.根据权利要求1所述的阻燃纤维材料的混纺缺陷检测方法，其特征在于，所述第二阈值为0.26。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211022224.3A CN115100201B (zh) | 2022-08-25 | 2022-08-25 | 一种阻燃纤维材料的混纺缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211022224.3A CN115100201B (zh) | 2022-08-25 | 2022-08-25 | 一种阻燃纤维材料的混纺缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100201A CN115100201A (zh) | 2022-09-23 |
| CN115100201B true CN115100201B (zh) | 2022-11-11 |
Family
ID=83300325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211022224.3A Active CN115100201B (zh) | 2022-08-25 | 2022-08-25 | 一种阻燃纤维材料的混纺缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100201B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330646B (zh) * | 2022-10-17 | 2023-03-28 | 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 |
| CN115861135B (zh) * | 2023-03-01 | 2023-05-23 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
| CN116228768B (zh) * | 2023-05-09 | 2023-07-21 | 济宁众达利电气设备有限公司 | 一种电子元器件表面划痕检测方法 |
| CN116721391B (zh) * | 2023-08-11 | 2023-10-31 | 山东恒信科技发展有限公司 | 一种基于计算机视觉的原料油分离效果检测方法 |
| CN117173169B (zh) * | 2023-11-02 | 2024-02-06 | 泰安金冠宏食品科技有限公司 | 基于图像处理的预制菜分选方法 |
| CN117495798A (zh) * | 2023-11-02 | 2024-02-02 | 微山县兄弟玻璃制品有限公司 | 一种阻燃玻璃纤维网格布的疵点检测方法 |
| CN117237333B (zh) * | 2023-11-07 | 2024-02-20 | 江苏森力威冶金设备有限公司 | 一种不锈钢材料表面酸洗程度检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
| CN105277567A (zh) * | 2015-05-21 | 2016-01-27 | 南通大学 | 一种织物瑕疵检测方法 |
| CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
| CN106600585A (zh) * | 2016-12-08 | 2017-04-26 | 北京工商大学 | 基于灰度共生矩阵的皮肤状态定量评价方法 |
| CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
| CN109685766A (zh) * | 2018-11-23 | 2019-04-26 | 江苏大学 | 一种基于区域融合特征的布匹瑕疵检测方法 |
| CN109934287A (zh) * | 2019-03-12 | 2019-06-25 | 上海宝尊电子商务有限公司 | 一种基于lbp与glcm的服装纹理识别分类方法 |
| CN110781913A (zh) * | 2019-09-11 | 2020-02-11 | 西安电子科技大学 | 一种拉链布带缺陷检测方法 |
| CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及系统 |
| CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
| CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE60115314T2 (de) * | 2000-04-18 | 2006-08-03 | The University Of Hong Kong | Verfahren für die Auswertung von Bildern zur Defekterkennung |
| SG10201405182WA (en) * | 2014-08-25 | 2016-03-30 | Univ Singapore Technology & Design | Method and system |
| CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
| CN114842009B (zh) * | 2022-07-04 | 2022-09-16 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
-
2022
- 2022-08-25 CN CN202211022224.3A patent/CN115100201B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156996A (zh) * | 2011-04-01 | 2011-08-17 | 上海海事大学 | 一种图像边缘检测的方法 |
| CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
| CN105277567A (zh) * | 2015-05-21 | 2016-01-27 | 南通大学 | 一种织物瑕疵检测方法 |
| CN106600585A (zh) * | 2016-12-08 | 2017-04-26 | 北京工商大学 | 基于灰度共生矩阵的皮肤状态定量评价方法 |
| CN109685766A (zh) * | 2018-11-23 | 2019-04-26 | 江苏大学 | 一种基于区域融合特征的布匹瑕疵检测方法 |
| CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
| CN109934287A (zh) * | 2019-03-12 | 2019-06-25 | 上海宝尊电子商务有限公司 | 一种基于lbp与glcm的服装纹理识别分类方法 |
| CN110781913A (zh) * | 2019-09-11 | 2020-02-11 | 西安电子科技大学 | 一种拉链布带缺陷检测方法 |
| CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及系统 |
| CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
| CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| Defect Detection of Bamboo Strips Based on LBP and GLCM Features by Using SVM Classifier;Hailan Kuang et al;《2018 Chinese control and decision conference》;20180709;3341-3345 * |
| Fabric Defect Classification Based on LBP and GLCM;Lei Zhang et al;《Journal of Fiber Bioengineering and Informatics》;20150831;81-89 * |
| 基于 LBP 和 HOG 特征的图案织物缺陷检测;马浩 等;《电子测量与仪器学报》;20180430;第32卷(第4期);95-102 * |
| 基于多特征融合的织物瑕疵检测研究;马强 等;《图像与多媒体》;20151231;第34卷(第21期);43-46 * |
| 基于局部二值模式和灰度共生矩阵的纹理特征提取技术研究;杨龙飞;《中国优秀硕士学位论文全文数据库信息科技辑》;20161115;第2016年卷(第11期);I138-367 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100201A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100201B (zh) | 一种阻燃纤维材料的混纺缺陷检测方法 | |
| Masato et al. | Wave‐breaking characteristics of midlatitude blocking | |
| Song et al. | Automatic recognition of surface defects on hot-rolled steel strip using scattering convolution network | |
| CN104851086B (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
| CN108898069B (zh) | 基于多分类器融合的视频火焰检测方法 | |
| KR101060639B1 (ko) | 자바스크립트 난독화 강도 분석을 통한 악성 의심 웹사이트 탐지 시스템 및 그 탐지방법 | |
| CN103150733B (zh) | 一种应用于数字图像的自适应多级加权中值滤波方法 | |
| Betul | An analysis of unemployment determinants in BRIC countries | |
| CN110766681A (zh) | 一种基于三重损失网络的竹条表面缺陷检测方法 | |
| CN115861261A (zh) | 一种医用无纺布的缺陷识别方法 | |
| CN115829984A (zh) | 一种棉织品丝光处理缺陷识别方法 | |
| CN115311298A (zh) | 一种纺织品质量检测方法 | |
| Trihadmini et al. | Stock market contagion and spillover effects of the global financial crisis on five ASEAN countries | |
| CN108711159A (zh) | 基于Landsat8含雪影像的云检测方法 | |
| Hargono et al. | The influence of the port to the economical growth of the Batam Island | |
| CN116912172A (zh) | 一种基于高动态红外图像增强的气体泄漏检测方法 | |
| Emadi et al. | Measurement of the uniformity of thermally bonded points in polypropylene spunbonded non-wovens using image processing and its relationship with their tensile properties | |
| CN111595247A (zh) | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 | |
| CN116416227A (zh) | 背景图像处理方法和装置 | |
| CN107203976A (zh) | 一种基于噪点检测的自适应非局部均值去噪方法及系统 | |
| Taguchi | Analysis of ‘Dutch disease effects’ on Asian economies | |
| CN108596249A (zh) | 图像特征提取及分类的方法和装置 | |
| CN108830321A (zh) | 不平衡数据集的分类方法 | |
| Świątek | Precipitation changes on the Polish coast of the Baltic Sea (1954–2003) due to changes in intensity of westerlies over Europe | |
| Yuan et al. | An investigation of woven fabric density measurement using image analysis based on RTV-SFT |
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 |