CN115100204A - 一种基于傅里叶变换的布匹缺陷检测分辨方法 - Google Patents

一种基于傅里叶变换的布匹缺陷检测分辨方法 Download PDF

Info

Publication number
CN115100204A
CN115100204A CN202211022913.4A CN202211022913A CN115100204A CN 115100204 A CN115100204 A CN 115100204A CN 202211022913 A CN202211022913 A CN 202211022913A CN 115100204 A CN115100204 A CN 115100204A
Authority
CN
China
Prior art keywords
cloth
gray
information entropy
image
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.)
Granted
Application number
CN202211022913.4A
Other languages
English (en)
Other versions
CN115100204B (zh
Inventor
蒋林元
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.)
HAIMEN YUANRONG TEXTILE TECHNOLOGY CO LTD
Original Assignee
HAIMEN YUANRONG TEXTILE TECHNOLOGY 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 HAIMEN YUANRONG TEXTILE TECHNOLOGY CO LTD filed Critical HAIMEN YUANRONG TEXTILE TECHNOLOGY CO LTD
Priority to CN202211022913.4A priority Critical patent/CN115100204B/zh
Publication of CN115100204A publication Critical patent/CN115100204A/zh
Application granted granted Critical
Publication of CN115100204B publication Critical patent/CN115100204B/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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于傅里叶变换的布匹缺陷检测分辨方法，属于机器视觉在纺织行业应用技术领域，该方法步骤包括：采集布匹的无缺陷样本灰度图像序列，利用香农定律确定第一信息熵序列，将第一信息熵序列中第一信息熵的均值作为最初标准信息熵；采集布匹的有缺陷样本灰度图像序列，计算第二信息熵序列中每个第二信息熵与最初标准信息熵的第一差值，将获得的所有第一差值的均值作为最初波动系数；获取待检测布匹灰度图像所对应的第三信息熵，计算出第三信息熵与最初标准信息熵的第二差值，根据第二差值判断待检测布匹是否有缺陷；本发明利用有缺陷布匹图像与无缺陷布匹图像中信息熵的变化确定待检测布匹是否存在缺陷。

Description

一种基于傅里叶变换的布匹缺陷检测分辨方法
技术领域
本发明属于机器视觉在纺织行业应用技术领域，具体涉及一种基于傅里叶变换的布匹缺陷检测分辨方法。
背景技术
我国是纺织品生产和出口的大国，我国纺织行业经过多年的发展，已经具备世界上最完整的产业链，竞争优势十分明显。随着人们生活水平的提高，对家纺产品的消费观念也正在逐步变化，人们对纺织布匹的要求也越来越高，所以只有在纺织布匹生产时严格把控质量，才能保证纺织企业的良性发展。
随着科技的进步，利用深度学习和计算机视觉技术对布匹不同类型缺陷的识别取得了一些研究成果，但是目前利用计算机视觉技术对布匹缺陷进行检测时一般针对不同的缺陷类型采用不同的检测方法。如果需要将一个布匹的所有缺陷全部检测出来，需要将其可以出现的缺陷类型利用不同的检测方法全部检测一遍。而对每种类型的缺陷检测时都需要使用大量的训练数据作为支撑，将大量的数据合并成数据集利用神经网络进行训练，最后实现对每种特定类型缺陷的识别。但是庞大的训练数据量对系统的整体性能有很高的要求，同时庞大的数据量还会影响运行速度，从而降低缺陷检测的效率。
所以现在急需要一种能在具体分辨布匹缺陷类型之前，对有各类缺陷的布匹全部统一检测出来，同时计算量小、运行速度快、成本低、检测效率高的布匹缺陷检测分辨方法。
发明内容
本发明提供一种基于傅里叶变换的布匹缺陷检测分辨方法，在具体分辨布匹缺陷类型之前，先利用有缺陷布匹图像与无缺陷布匹图像中信息熵的变化，在不区分布匹缺陷类型的前提下对布匹是否存在缺陷统一进行判断。
本发明的一种基于傅里叶变换的布匹缺陷检测分辨方法采用如下技术方案：该方法包括：
采集布匹的无缺陷样本灰度图像序列，根据所述无缺陷样本灰度图像序列获取无缺陷频谱图序列；
利用香农定律确定所述无缺陷频谱图序列所对应的第一信息熵序列，将所述第一信息熵序列中第一信息熵的均值作为最初标准信息熵；
采集布匹的有缺陷样本灰度图像序列，根据所述有缺陷样本灰度图像序列获取有缺陷频谱图序列；
利用香农定律确定所述有缺陷频谱图序列所对应的第二信息熵序列，计算所述第二信息熵序列中每个第二信息熵与所述最初标准信息熵的第一差值，将获得的所有所述第一差值的均值作为最初波动系数；
获取待检测布匹灰度图像，根据所述待检测布匹灰度图像获取待检测频谱图，利用香农定律确定所述待检测频谱图所对应的第三信息熵；
计算所述第三信息熵与所述最初标准信息熵的第二差值，当第二差值小于等于所述最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；当所述第二差值大于所述最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像。
进一步地，一种基于傅里叶变换的布匹缺陷检测分辨方法，还包括：
当确认所述待检测布匹灰度图像为无缺陷布匹灰度图像后，计算所述第三信息熵和所述最初标准信息熵的均值；
将获得的所述第三信息熵和所述最初标准信息熵的均值作为修正后标准信息熵，并利用修正后标准信息熵替换所述最初标准信息熵参与到下一次计算中；
当确认所述待检测布匹灰度图像为无缺陷布匹灰度图像后，计算所述第二差值和所述最初波动系数的均值；
将获得的所述第二差值和所述最初波动系数的均值作为修正后波动系数，并利用修正后波动系数替换所述最初波动系数参与到下一次计算中。
进一步地，一种基于傅里叶变换的布匹缺陷检测分辨方法，还包括：
获取所述布匹的无缺陷样本灰度图像序列中每张无缺陷样本灰度图像中低频区域信息和高频区域信息；
根据全部所述无缺陷样本灰度图像中低频区域的平均灰度值计算出低频加权平均灰度值；
根据全部所述无缺陷样本灰度图像中高频区域的平均灰度值计算出高频加权平均灰度值；
当确认所述待检测布匹灰度图像为有缺陷布匹灰度图像后，获取所述待检测布匹灰度图像中低频区域信息和高频区域信息；
计算所述待检测布匹灰度图像中低频区域的平均灰度值与所述低频加权平均灰度值的第三差值，当所述第三差值大于预设第一阈值时确认待检测布匹出现区域缺陷；
计算所述待检测布匹灰度图像中高频区域的平均灰度值与所述高频加权平均灰度值的第四差值，当所述第四差值大于预设第二阈值时确认待检测布匹出现线性缺陷。
进一步地，所述最初标准信息熵的计算公式如下式所示：
Figure 556534DEST_PATH_IMAGE001
其中，
Figure 307322DEST_PATH_IMAGE002
表示所述最初标准信息熵；
Figure 848768DEST_PATH_IMAGE003
表示所述无缺陷频谱图序列中第i张无缺陷频谱图所对应的第一信息熵；
Figure 156253DEST_PATH_IMAGE004
表示所述无缺陷频谱图序列中无缺陷频谱图的总张数。
进一步地，利用香农定律确定所述待检测频谱图所对应的第三信息熵，包括：
所述第三信息熵的计算公式如下式所示：
Figure 702640DEST_PATH_IMAGE005
其中，
Figure 453690DEST_PATH_IMAGE006
表示第三信息熵；
Figure 203471DEST_PATH_IMAGE007
表示灰度值为
Figure 829494DEST_PATH_IMAGE008
的像素点在所述待检测布匹灰度图像中出现的概率；
Figure 362DEST_PATH_IMAGE009
表示所述待检测布匹灰度图像中出现的灰度值的总个数。
进一步地，所述将获得的所有所述第一差值的均值作为最初波动系数，包括：
由全部所述第一差值组成第一差值序列，对所述第一差值序列中每个第一差值取对数得到放大后第一差值序列；
计算所述放大后第一差值序列中的放大后第一差值均值，并将所述放大后第一差值均值作为放大后最初波动系数；
放大后最初波动系数的计算公式如下式所示：
Figure 109263DEST_PATH_IMAGE010
其中，
Figure 956127DEST_PATH_IMAGE002
表示所述最初标准信息熵；
Figure 120261DEST_PATH_IMAGE011
表示所述第二信息熵序列中第
Figure 874197DEST_PATH_IMAGE012
个第二信息熵；
Figure 419579DEST_PATH_IMAGE013
表示第
Figure 455537DEST_PATH_IMAGE012
个第二信息熵与最初标准信息熵的第一差值；
Figure 596931DEST_PATH_IMAGE014
表示第
Figure 988729DEST_PATH_IMAGE012
个第二信息熵与最初标准信息熵的放大后第一差值；
Figure 954280DEST_PATH_IMAGE015
表示第二信息熵序列中第二信息熵的总数。
进一步地，所述当第二差值小于等于所述最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；当所述第二差值大于所述最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像，包括：
将所述第三信息熵与所述最初标准信息熵的第二差值取对数得到放大后第二差值；
当所述放大后第二差值小于等于所述放大后最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；
当所述放大后第二差值大于所述放大后最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像。
进一步地，每张所述无缺陷样本灰度图像中低频区域的平均灰度值计算公式如下所示：
Figure 173472DEST_PATH_IMAGE016
其中，
Figure 430141DEST_PATH_IMAGE017
表示第a张无缺陷样本灰度图像中低频区域的平均灰度值；
Figure 925713DEST_PATH_IMAGE018
表示第a张无缺陷样本灰度图像低频区域中第i个像素点的灰度值；
Figure 563630DEST_PATH_IMAGE019
表示第a张无缺陷样本灰度图像低频区域中像素点的总个数；
每张所述无缺陷样本灰度图像中高频区域的平均灰度值计算公式如下所示：
Figure 246285DEST_PATH_IMAGE020
其中，
Figure 320026DEST_PATH_IMAGE021
表示第a张无缺陷样本灰度图像中高频区域的平均灰度值；
Figure 217575DEST_PATH_IMAGE022
表示第a张无缺陷样本灰度图像高频区域中第j个像素点的灰度值；
Figure 760814DEST_PATH_IMAGE012
表示第a张无缺陷样本灰度图像高频区域中像素点的总个数。
进一步地，所述低频加权平均灰度值的计算公式如下所示：
Figure 258661DEST_PATH_IMAGE023
其中，
Figure 794815DEST_PATH_IMAGE024
表示低频加权平均灰度值；
Figure 503795DEST_PATH_IMAGE017
表示第a张所述无缺陷样本灰度图像中低频区域的平均灰度值；
Figure 44367DEST_PATH_IMAGE025
表示无缺陷样本灰度图像的总张数；
所述高频加权平均灰度值的计算公式如下所示：
Figure 717925DEST_PATH_IMAGE026
其中，
Figure 808503DEST_PATH_IMAGE027
表示高频加权平均灰度值；
Figure 867594DEST_PATH_IMAGE021
表示第a张无缺陷样本灰度图像中高频区域的平均灰度值；
Figure 329800DEST_PATH_IMAGE025
表示无缺陷样本灰度图像的总张数。
进一步地，所述第三差值的计算公式如下所示：
Figure 972877DEST_PATH_IMAGE028
其中，
Figure 162419DEST_PATH_IMAGE029
表示所述待检测布匹灰度图像中低频区域的平均灰度值；
Figure 92329DEST_PATH_IMAGE024
表示所述低频加权平均灰度值；
所述第四差值的计算公式如下所示：
Figure 413851DEST_PATH_IMAGE030
其中，
Figure 45690DEST_PATH_IMAGE031
表示所述待检测布匹灰度图像中高频区域的平均灰度值；
Figure 789655DEST_PATH_IMAGE027
表示所述高频加权平均灰度值。
本发明的有益效果是：
本发明提供一种基于傅里叶变换的布匹缺陷检测分辨方法，能在具体分辨布匹缺陷类型之前，基于傅里叶变换和香浓定律，先利用有缺陷布匹图像与无缺陷布匹图像中信息熵的变化，在不区分布匹缺陷类型的前提下对布匹是否存在缺陷进行统一粗略的判断。
在布匹的生产过程中，布匹图像上的花纹图案纹理等都是呈现周期性变化，因此其傅里叶变换的频谱是相同的。而一旦布匹存在缺陷，不论是跳花、撕裂、断裂，还是缺经、断纬，那么其经过傅里叶变换的频谱与无缺陷布匹图像变换后的频谱图一定是不相同的。根据香农理论，一幅固定的图像所含有的信息量是一定的，即信息熵相同，由于布匹图像的周期性，所以对正常布匹经过傅里叶变换最终的到的频谱是一致的，所以正常布匹的频谱图象中的信息熵是一样的。若图像中存在异常点，表现为频谱图像的变化，进而体现为图像信息熵的变化。所以根据经过傅里叶变换的频谱图中信息熵的变化能判断布匹是否存在缺陷。由于在布匹生产过程中，百分之九十九的布匹都是无缺陷布匹，采用本发明的方法能快速方便的对布匹缺陷进行检测，计算量小、运行速度快、成本低、检测效率高。
当检测出布匹为有缺陷布匹后，本发明根据有缺陷布匹灰度图像的低频区域信息和高频区域信息初步确定缺陷是区域缺陷还是线性缺陷，当初步判断出缺陷的类型后，再利用现有技术中不同类型的缺陷识别方法对缺陷进行快速识别，进一步提高了缺陷检测效率。
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为本发明的一种基于傅里叶变换的布匹缺陷检测分辨方法的实施例总体步骤的流程示意图。
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。
本发明的一种基于傅里叶变换的布匹缺陷检测分辨方法的实施例，如图1所示，该方法包括：
S1、采集布匹的无缺陷样本灰度图像序列，根据所述无缺陷样本灰度图像序列获取无缺陷频谱图序列。
本实施例中，根据以往采集的大量的布匹图像数据，获得布匹的无缺陷样本图像序列，然后对布匹的无缺陷样本图像进行灰度化处理得到布匹的无缺陷样本灰度图像序列。之后将布匹的无缺陷样本灰度图像序列中每张无缺陷样本灰度图像进行频谱转换得到无缺陷频谱图序列。
S2、利用香农定律确定所述无缺陷频谱图序列所对应的第一信息熵序列，将所述第一信息熵序列中第一信息熵的均值作为最初标准信息熵。
本发明中需要根据信息熵的变化来确定布匹图像是否存在缺陷，因此需要有个标准，通过该标准来量化图像的异常程度。
本实施例中，每张无缺陷样本灰度图像所对应的第一信息熵的计算公式如下式（1）所示：
Figure 339452DEST_PATH_IMAGE032
（1）
其中，上式（1）是根据香农定律确定的第一信息熵的计算公式；
Figure 330411DEST_PATH_IMAGE033
表示无缺陷样本灰度图像所对应的第一信息熵；
Figure 216589DEST_PATH_IMAGE007
表示灰度值为
Figure 498666DEST_PATH_IMAGE008
的像素点在无缺陷样本灰度图像中出现的概率；
Figure 386856DEST_PATH_IMAGE009
为无缺陷样本灰度图像中出现的灰度值的总个数。
由于每张无缺陷样本灰度图像都是由摄像机拍摄图像获得的，而摄像机拍摄图像存在一定误差，因此信息熵也有一定的细微差别。为了保证最初标准的准确性，需要大量的无缺陷样本灰度图像来确定第一信息熵的最初的标准参考，本实施例中选取
Figure 96187DEST_PATH_IMAGE004
幅无缺陷样本灰度图像确定最初标准信息熵。
所述最初标准信息熵的计算公式如下式所示：
Figure 201152DEST_PATH_IMAGE001
其中，
Figure 536188DEST_PATH_IMAGE002
表示所述最初标准信息熵；
Figure 29617DEST_PATH_IMAGE003
表示所述无缺陷频谱图序列中第i张无缺陷频谱图所对应的第一信息熵；
Figure 926160DEST_PATH_IMAGE004
表示所述无缺陷频谱图序列中无缺陷频谱图的总张数。
S3、采集布匹的有缺陷样本灰度图像序列，根据所述有缺陷样本灰度图像序列获取有缺陷频谱图序列。
本实施例中，根据以往采集的大量的布匹图像数据，获得布匹的有缺陷样本灰度图像序列，然后对布匹的有缺陷样本灰度图像序列进行灰度化处理得到布匹的有缺陷样本灰度图像序列。之后将布匹的有缺陷样本灰度图像序列中每张有缺陷样本灰度图像进行频谱转换得到有缺陷频谱图序列。
S4、利用香农定律确定所述有缺陷频谱图序列所对应的第二信息熵序列，计算所述第二信息熵序列中每个第二信息熵与所述最初标准信息熵的第一差值，将获得的所有所述第一差值的均值作为最初波动系数。
其中，计算第二信息熵序列中每个第二信息熵与所述最初标准信息熵的第一差值，由全部所述第一差值组成第一差值序列，对所述第一差值序列中每个第一差值取对数得到放大后第一差值序列。计算放大后第一差值序列中的放大后第一差值均值，并将放大后第一差值均值作为放大后的最初波动系数。
本实施例中，每张有缺陷样本灰度图像所对应的第二信息熵的计算公式与无缺陷样本灰度图像所对应的第一信息熵的计算公式相同。同时由于布匹缺陷的特征，第二信息熵与最初标准信息熵做差得到的第一差值数值较小，所以对第一差值取对数操作，使误差的量化更加明显。
放大后的最初波动系数的计算公式如下式所示：
Figure 754308DEST_PATH_IMAGE010
其中，
Figure 378187DEST_PATH_IMAGE002
表示所述最初标准信息熵；
Figure 745364DEST_PATH_IMAGE011
表示所述第二信息熵序列中第
Figure 796497DEST_PATH_IMAGE012
个第二信息熵；
Figure 111940DEST_PATH_IMAGE013
表示第
Figure 290243DEST_PATH_IMAGE012
个第二信息熵与最初标准信息熵的第一差值；
Figure 758265DEST_PATH_IMAGE014
表示第
Figure 495145DEST_PATH_IMAGE012
个第二信息熵与最初标准信息熵的放大后第一差值；
Figure 845355DEST_PATH_IMAGE015
表示第二信息熵序列中第二信息熵的总数。
S5、获取待检测布匹灰度图像，根据所述待检测布匹灰度图像获取待检测频谱图，利用香农定律确定所述待检测频谱图所对应的第三信息熵。
本实施例中，在采集待检测布匹图像时，在布匹传送的过程中布置多台高清摄像机，利用多台高清摄像机对待检测布匹的RGB图像进行采集。将采集的待检测布匹RGB图像进行灰度化处理得到待检测布匹灰度图像。
所述第三信息熵的计算公式如下式所示：
Figure 496523DEST_PATH_IMAGE034
其中，
Figure 130636DEST_PATH_IMAGE006
表示待检测布匹灰度图像所对应的第三信息熵；
Figure 992412DEST_PATH_IMAGE007
表示灰度值为
Figure 783913DEST_PATH_IMAGE008
的像素点在所述待检测布匹灰度图像中出现的概率；
Figure 802554DEST_PATH_IMAGE009
表示所述待检测布匹灰度图像中出现的灰度值的总个数。
S6、计算所述第三信息熵与所述最初标准信息熵的第二差值，当第二差值小于等于所述最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；当所述第二差值大于所述最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像。
本实施例中，由于在S4步骤中在计算波动系数时已经采取了取对数的操作将最初波动系数放大了。所以在本步骤中也需要将第二差值采取取对数的操作将其放大。
具体地，将所述第三信息熵与所述最初标准信息熵的第二差值取对数得到放大后第二差值；
第二差值的计算公式如下式所示：
Figure 245167DEST_PATH_IMAGE035
其中，
Figure 754210DEST_PATH_IMAGE006
表示待检测布匹灰度图像所对应的第三信息熵；
Figure 593859DEST_PATH_IMAGE002
表示最初标准信息熵。
当所述放大后第二差值小于等于所述放大后最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；进一步地，当确认待检测布匹灰度图像为无缺陷布匹灰度图像后，计算所述第三信息熵和所述最初标准信息熵的均值；将获得的所述第三信息熵和所述最初标准信息熵的均值作为修正后标准信息熵，并利用修正后标准信息熵替换所述最初标准信息熵参与到下一次计算中；当确认所述待检测布匹灰度图像为无缺陷布匹灰度图像后，计算所述第二差值和所述最初波动系数的均值；将获得的所述第二差值和所述最初波动系数的均值作为修正后波动系数，并利用修正后波动系数替换所述最初波动系数参与到下一次计算中。
所述修正后标准信息熵的计算公式如下式所示：
Figure 839026DEST_PATH_IMAGE036
其中，
Figure 152458DEST_PATH_IMAGE037
表示修正后标准信息熵；
Figure 605305DEST_PATH_IMAGE006
表示待检测布匹灰度图像所对应的第三信息熵；
Figure 417403DEST_PATH_IMAGE002
表示最初标准信息熵。
所述修正后波动系数的计算公式如下式所示：
Figure 479644DEST_PATH_IMAGE038
其中，
Figure 942855DEST_PATH_IMAGE039
表示修正后波动系数；
Figure 51757DEST_PATH_IMAGE040
表示最初波动系数；
Figure 101883DEST_PATH_IMAGE041
表示待检测布匹灰度图像所对应的放大后第二差值。
当所述放大后第二差值大于放大后最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像。
进一步地，根据采集布匹的无缺陷样本灰度图像序列和采集布匹的有缺陷样本灰度图像序列，先获取布匹的无缺陷样本灰度图像序列中每张无缺陷样本灰度图像中低频区域信息和高频区域信息。
根据全部所述无缺陷样本灰度图像中低频区域的平均灰度值计算出低频加权平均灰度值；根据全部所述无缺陷样本灰度图像中高频区域的平均灰度值计算出高频加权平均灰度值。
具体地，每张所述无缺陷样本灰度图像中低频区域的平均灰度值计算公式如下所示：
Figure 203700DEST_PATH_IMAGE042
其中，
Figure 475413DEST_PATH_IMAGE017
表示第a张无缺陷样本灰度图像中低频区域的平均灰度值；
Figure 571195DEST_PATH_IMAGE018
表示第a张无缺陷样本灰度图像低频区域中第i个像素点的灰度值；
Figure 92306DEST_PATH_IMAGE019
表示第a张无缺陷样本灰度图像低频区域中像素点的总个数。
每张所述无缺陷样本灰度图像中高频区域的平均灰度值计算公式如下所示：
Figure 997814DEST_PATH_IMAGE020
其中，
Figure 140344DEST_PATH_IMAGE021
表示第a张无缺陷样本灰度图像中高频区域的平均灰度值；
Figure 840316DEST_PATH_IMAGE022
表示第a张无缺陷样本灰度图像高频区域中第j个像素点的灰度值；
Figure 114302DEST_PATH_IMAGE012
表示第a张无缺陷样本灰度图像高频区域中像素点的总个数。
所述低频加权平均灰度值的计算公式如下所示：
Figure 56457DEST_PATH_IMAGE023
其中，
Figure 552030DEST_PATH_IMAGE024
表示低频加权平均灰度值；
Figure 235952DEST_PATH_IMAGE017
表示第a张所述无缺陷样本灰度图像中低频区域的平均灰度值；
Figure 420071DEST_PATH_IMAGE025
表示无缺陷样本灰度图像的总张数；
所述高频加权平均灰度值的计算公式如下所示：
Figure 480431DEST_PATH_IMAGE026
其中，
Figure 564930DEST_PATH_IMAGE027
表示高频加权平均灰度值；
Figure 185135DEST_PATH_IMAGE021
表示第a张无缺陷样本灰度图像中高频区域的平均灰度值；
Figure 371396DEST_PATH_IMAGE025
表示无缺陷样本灰度图像的总张数。
当确认所述待检测布匹灰度图像为有缺陷布匹灰度图像后，获取所述待检测布匹灰度图像中低频区域信息和高频区域信息；
当确定完布匹是否存在缺陷后，判断结果较为模糊，对缺陷的类型没有区分。根据傅里叶变换的特性可以知晓，经过傅里叶变换的频谱中间的低频部分集中了图像的主要信息，高频信息为图像的轮廓信息，与之对应的是高频对应线或点的缺陷，低频对应区域型缺陷。因此对频谱高频和低频信息的度量可以确定布匹的缺陷类型。
为了确认待检测布匹的缺陷类型，先获取待检测布匹灰度图像中低频区域信息和高频区域信息，根据低频区域信息和高频区域信息确认待检测布匹的缺陷类型。
计算所述待检测布匹灰度图像中低频区域的平均灰度值与所述低频加权平均灰度值的第三差值，当所述第三差值大于预设第一阈值时确认待检测布匹出现区域缺陷；
所述第三差值的计算公式如下所示：
Figure 219136DEST_PATH_IMAGE043
其中，
Figure 659606DEST_PATH_IMAGE029
表示所述待检测布匹灰度图像中低频区域的平均灰度值；
Figure 950910DEST_PATH_IMAGE024
表示所述低频加权平均灰度值。当
Figure 608157DEST_PATH_IMAGE044
大于预设第一阈值时确认待检测布匹出现区域缺陷。
计算所述待检测布匹灰度图像中高频区域的平均灰度值与所述高频加权平均灰度值的第四差值，当所述第四差值大于预设第二阈值时确认待检测布匹出现线性缺陷。
所述第四差值的计算公式如下所示：
Figure 695805DEST_PATH_IMAGE030
其中，
Figure 771208DEST_PATH_IMAGE031
表示所述待检测布匹灰度图像中高频区域的平均灰度值；
Figure 482681DEST_PATH_IMAGE027
表示所述高频加权平均灰度值。当
Figure 863109DEST_PATH_IMAGE045
大于预设第二阈值时确认待检测布匹出现线性缺陷。
综上所述，本发明提供一种基于傅里叶变换的布匹缺陷检测分辨方法，能在具体分辨布匹缺陷类型之前，基于傅里叶变换和香浓定律，先利用有缺陷布匹图像与无缺陷布匹图像中信息熵的变化，在不区分布匹缺陷类型的前提下对布匹是否存在缺陷进行统一粗略的判断。当检测出布匹为有缺陷布匹后，本发明根据有缺陷布匹灰度图像的低频区域信息和高频区域信息初步确定缺陷是区域缺陷还是线性缺陷，当初步判断出缺陷的类型后，再利用现有技术中不同类型的缺陷识别方法对缺陷进行快速识别，进一步提高了缺陷检测效率。
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)

1.一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，该方法包括：
采集布匹的无缺陷样本灰度图像序列，根据所述无缺陷样本灰度图像序列获取无缺陷频谱图序列；
利用香农定律确定所述无缺陷频谱图序列所对应的第一信息熵序列，将所述第一信息熵序列中第一信息熵的均值作为最初标准信息熵；
采集布匹的有缺陷样本灰度图像序列，根据所述有缺陷样本灰度图像序列获取有缺陷频谱图序列；
利用香农定律确定所述有缺陷频谱图序列所对应的第二信息熵序列，计算所述第二信息熵序列中每个第二信息熵与所述最初标准信息熵的第一差值，将获得的所有所述第一差值的均值作为最初波动系数；
获取待检测布匹灰度图像，根据所述待检测布匹灰度图像获取待检测频谱图，利用香农定律确定所述待检测频谱图所对应的第三信息熵；
计算所述第三信息熵与所述最初标准信息熵的第二差值，当第二差值小于等于所述最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；当所述第二差值大于所述最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像。
2.根据权利要求1所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，还包括：
当确认所述待检测布匹灰度图像为无缺陷布匹灰度图像后，计算所述第三信息熵和所述最初标准信息熵的均值；
将获得的所述第三信息熵和所述最初标准信息熵的均值作为修正后标准信息熵，并利用修正后标准信息熵替换所述最初标准信息熵参与到下一次计算中；
当确认所述待检测布匹灰度图像为无缺陷布匹灰度图像后，计算所述第二差值和所述最初波动系数的均值；
将获得的所述第二差值和所述最初波动系数的均值作为修正后波动系数，并利用修正后波动系数替换所述最初波动系数参与到下一次计算中。
3.根据权利要求1所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，还包括：
获取所述布匹的无缺陷样本灰度图像序列中每张无缺陷样本灰度图像中低频区域信息和高频区域信息；
根据全部所述无缺陷样本灰度图像中低频区域的平均灰度值计算出低频加权平均灰度值；
根据全部所述无缺陷样本灰度图像中高频区域的平均灰度值计算出高频加权平均灰度值；
当确认所述待检测布匹灰度图像为有缺陷布匹灰度图像后，获取所述待检测布匹灰度图像中低频区域信息和高频区域信息；
计算所述待检测布匹灰度图像中低频区域的平均灰度值与所述低频加权平均灰度值的第三差值，当所述第三差值大于预设第一阈值时确认待检测布匹出现区域缺陷；
计算所述待检测布匹灰度图像中高频区域的平均灰度值与所述高频加权平均灰度值的第四差值，当所述第四差值大于预设第二阈值时确认待检测布匹出现线性缺陷。
4.根据权利要求1所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，所述最初标准信息熵的计算公式如下式所示：
Figure 935830DEST_PATH_IMAGE001
其中，
Figure 884981DEST_PATH_IMAGE002
表示所述最初标准信息熵；
Figure 986929DEST_PATH_IMAGE003
表示所述无缺陷频谱图序列中第i张无缺陷频谱图所对应的第一信息熵；
Figure 415505DEST_PATH_IMAGE004
表示所述无缺陷频谱图序列中无缺陷频谱图的总张数。
5.根据权利要求1所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，所述利用香农定律确定所述待检测频谱图所对应的第三信息熵，包括：
所述第三信息熵的计算公式如下式所示：
Figure 893891DEST_PATH_IMAGE005
其中，
Figure 960199DEST_PATH_IMAGE006
表示第三信息熵；
Figure 498627DEST_PATH_IMAGE007
表示灰度值为
Figure 148920DEST_PATH_IMAGE008
的像素点在所述待检测布匹灰度图像中出现的概率；
Figure 430997DEST_PATH_IMAGE009
表示所述待检测布匹灰度图像中出现的灰度值的总个数。
6.根据权利要求1所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，所述将获得的所有所述第一差值的均值作为最初波动系数，包括：
由全部所述第一差值组成第一差值序列，对所述第一差值序列中每个第一差值取对数得到放大后第一差值序列；
计算所述放大后第一差值序列中的放大后第一差值均值，并将所述放大后第一差值均值作为放大后最初波动系数；
放大后最初波动系数的计算公式如下式所示：
Figure 614460DEST_PATH_IMAGE010
其中，
Figure 58211DEST_PATH_IMAGE002
表示所述最初标准信息熵；
Figure 461380DEST_PATH_IMAGE011
表示所述第二信息熵序列中第
Figure 281568DEST_PATH_IMAGE012
个第二信息熵；
Figure 56888DEST_PATH_IMAGE013
表示第
Figure 655229DEST_PATH_IMAGE012
个第二信息熵与最初标准信息熵的第一差值；
Figure 296426DEST_PATH_IMAGE014
表示第
Figure 396669DEST_PATH_IMAGE012
个第二信息熵与最初标准信息熵的放大后第一差值；
Figure 275763DEST_PATH_IMAGE015
表示第二信息熵序列中第二信息熵的总数。
7.根据权利要求6所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，所述当第二差值小于等于所述最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；当所述第二差值大于所述最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像，包括：
将所述第三信息熵与所述最初标准信息熵的第二差值取对数得到放大后第二差值；
当所述放大后第二差值小于等于所述放大后最初波动系数时确认所述待检测布匹灰度图像为无缺陷布匹灰度图像；
当所述放大后第二差值大于所述放大后最初波动系数时确认所述待检测布匹灰度图像为有缺陷布匹灰度图像。
8.根据权利要求3所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，
每张所述无缺陷样本灰度图像中低频区域的平均灰度值计算公式如下所示：
Figure 576164DEST_PATH_IMAGE016
其中，
Figure 439077DEST_PATH_IMAGE017
表示第a张无缺陷样本灰度图像中低频区域的平均灰度值；
Figure 351801DEST_PATH_IMAGE018
表示第a张无缺陷样本灰度图像低频区域中第i个像素点的灰度值；
Figure 350981DEST_PATH_IMAGE019
表示第a张无缺陷样本灰度图像低频区域中像素点的总个数；
每张所述无缺陷样本灰度图像中高频区域的平均灰度值计算公式如下所示：
Figure 822282DEST_PATH_IMAGE020
其中，
Figure 641334DEST_PATH_IMAGE021
表示第a张无缺陷样本灰度图像中高频区域的平均灰度值；
Figure 354819DEST_PATH_IMAGE022
表示第a张无缺陷样本灰度图像高频区域中第j个像素点的灰度值；
Figure 474084DEST_PATH_IMAGE012
表示第a张无缺陷样本灰度图像高频区域中像素点的总个数。
9.根据权利要求8所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，
所述低频加权平均灰度值的计算公式如下所示：
Figure 116287DEST_PATH_IMAGE023
其中，
Figure 953793DEST_PATH_IMAGE024
表示低频加权平均灰度值；
Figure 208319DEST_PATH_IMAGE017
表示第a张所述无缺陷样本灰度图像中低频区域的平均灰度值；
Figure 182091DEST_PATH_IMAGE025
表示无缺陷样本灰度图像的总张数；
所述高频加权平均灰度值的计算公式如下所示：
Figure 729616DEST_PATH_IMAGE026
其中，
Figure 542501DEST_PATH_IMAGE027
表示高频加权平均灰度值；
Figure 584407DEST_PATH_IMAGE021
表示第a张无缺陷样本灰度图像中高频区域的平均灰度值；
Figure 661953DEST_PATH_IMAGE025
表示无缺陷样本灰度图像的总张数。
10.根据权利要求9所述的一种基于傅里叶变换的布匹缺陷检测分辨方法，其特征在于，所述第三差值的计算公式如下所示：
Figure 396691DEST_PATH_IMAGE028
其中，
Figure 428363DEST_PATH_IMAGE029
表示所述待检测布匹灰度图像中低频区域的平均灰度值；
Figure 273959DEST_PATH_IMAGE024
表示所述低频加权平均灰度值；
所述第四差值的计算公式如下所示：
Figure 471591DEST_PATH_IMAGE030
其中，
Figure 377230DEST_PATH_IMAGE031
表示所述待检测布匹灰度图像中高频区域的平均灰度值；
Figure 158848DEST_PATH_IMAGE027
表示所述高频加权平均灰度值。
CN202211022913.4A 2022-08-25 2022-08-25 一种基于傅里叶变换的布匹缺陷检测分辨方法 Active CN115100204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211022913.4A CN115100204B (zh) 2022-08-25 2022-08-25 一种基于傅里叶变换的布匹缺陷检测分辨方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211022913.4A CN115100204B (zh) 2022-08-25 2022-08-25 一种基于傅里叶变换的布匹缺陷检测分辨方法

Publications (2)

Publication Number Publication Date
CN115100204A true CN115100204A (zh) 2022-09-23
CN115100204B CN115100204B (zh) 2022-11-22

Family

ID=83300501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022913.4A Active CN115100204B (zh) 2022-08-25 2022-08-25 一种基于傅里叶变换的布匹缺陷检测分辨方法

Country Status (1)

Country Link
CN (1) CN115100204B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106954563A (zh) * 2017-04-24 2017-07-18 广东工业大学 一种土禽蛋的识别方法及其识别装置
CN109801322A (zh) * 2017-11-16 2019-05-24 合肥欣奕华智能机器有限公司 一种漏光检测方法及装置
CN111292321A (zh) * 2020-03-13 2020-06-16 广东工业大学 一种输电线路绝缘子缺陷图像识别方法
CN113141506A (zh) * 2021-04-08 2021-07-20 上海烟草机械有限责任公司 基于深度学习的图像压缩神经网络模型、及其方法和设备
CN113269769A (zh) * 2021-06-08 2021-08-17 深圳市英视自动化科技有限公司 一种基于图像配准的缺陷检测方法、系统及设备
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106954563A (zh) * 2017-04-24 2017-07-18 广东工业大学 一种土禽蛋的识别方法及其识别装置
CN109801322A (zh) * 2017-11-16 2019-05-24 合肥欣奕华智能机器有限公司 一种漏光检测方法及装置
CN111292321A (zh) * 2020-03-13 2020-06-16 广东工业大学 一种输电线路绝缘子缺陷图像识别方法
CN113141506A (zh) * 2021-04-08 2021-07-20 上海烟草机械有限责任公司 基于深度学习的图像压缩神经网络模型、及其方法和设备
CN113269769A (zh) * 2021-06-08 2021-08-17 深圳市英视自动化科技有限公司 一种基于图像配准的缺陷检测方法、系统及设备
CN113689428A (zh) * 2021-10-25 2021-11-23 江苏南通元辰钢结构制造有限公司 基于图像处理的机械零件应力腐蚀检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张伟政等: "基于帧间频谱信息熵特征的舰艇目标识别", 《声学技术》 *

Also Published As

Publication number Publication date
CN115100204B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN115351598A (zh) 一种数控机床轴承检测方法
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN115457037B (zh) 一种用于阿胶制品生产的原材料质检方法
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN116452589B (zh) 基于图像处理的人造板表面缺陷智能检测方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN112907561A (zh) 一种基于深度学习的笔记本外观瑕疵检测方法
CN110189297B (zh) 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN115861310B (zh) 一种床单表面纺织缺陷检测方法
CN116523913B (zh) 一种丝杆质量智能检测方法
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN111986195A (zh) 一种外观缺陷检测方法及系统
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN117152119A (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN116402742A (zh) 一种汽车钣金件表面缺陷的视觉检测方法及系统
CN116109577A (zh) 一种印刷标签缺陷检测系统及方法
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN115100204B (zh) 一种基于傅里叶变换的布匹缺陷检测分辨方法
CN117830237B (zh) 一种缺陷检测方法及皮革缺陷智能检测系统
CN114529515A (zh) 一种自动识别太阳能电池内部缺陷的方法
CN114240912A (zh) 一种一维条形码印刷质量的检测方法

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