CN115100206A - 用于具有周期图案纺织物的印花缺陷识别方法 - Google Patents

用于具有周期图案纺织物的印花缺陷识别方法 Download PDF

Info

Publication number
CN115100206A
CN115100206A CN202211029339.5A CN202211029339A CN115100206A CN 115100206 A CN115100206 A CN 115100206A CN 202211029339 A CN202211029339 A CN 202211029339A CN 115100206 A CN115100206 A CN 115100206A
Authority
CN
China
Prior art keywords
image
gray
image block
sub
matched
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
CN202211029339.5A
Other languages
English (en)
Other versions
CN115100206B (zh
Inventor
张钰
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.)
Nantong Yongan Textile Co ltd
Original Assignee
Nantong Yongan Textile 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 Nantong Yongan Textile Co ltd filed Critical Nantong Yongan Textile Co ltd
Priority to CN202211029339.5A priority Critical patent/CN115100206B/zh
Publication of CN115100206A publication Critical patent/CN115100206A/zh
Application granted granted Critical
Publication of CN115100206B publication Critical patent/CN115100206B/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及材料测试和分析技术领域，具体涉及一种用于具有周期图案纺织物的印花缺陷识别方法，包括：获取待检测纺织物图像和标准模板图像块，并确定待匹配灰度图像块及匹配特征点、标准模板灰度图像块及标准特征点；确定各个待匹配灰度图像块对应的图像匹配度，进而确定各个匹配灰度图像块；确定多个匹配子图像块和多个标准子图像块，进而确定多个匹配子图像块的第一、第二图像正常指标，从多个匹配子图像块中筛选出各缺陷子图像块；确定各缺陷子图像块的目标缺陷指标，进而确定待检测纺织物图像中的各目标缺陷子图像块。本发明利用材料测试和分析技术，确定纺织物中的各个缺陷区域以及目标缺陷区域，提高了纺织物印花缺陷识别的准确性。

Description

用于具有周期图案纺织物的印花缺陷识别方法
技术领域
本发明涉及材料测试和分析技术领域，具体涉及一种用于具有周期图案纺织物的印花缺陷识别方法。
背景技术
纺织行业是我国的传统行业和优势产业，同时也是国家的经济命脉和人民生活的重要行业。布料可能会因为存在印花瑕疵，而无法使用，产生经济损失。因此，纺织物的印花瑕疵检测一直是纺织行业的一大难题。
现有通常采用人工背光检测方法进行检测，通过打强光到机架的布匹进行人工检测筛查，该方法受主观影响过大，如检测人员的疲劳、注意力分散等，而且浪费大量的人力物力，降低工作效率。人工背光检测方法的主观影响会使检测效率下降、检测正确率下降。另一方面，随着机械化的普及，纺织行业的生产效率急速提升，然而瑕疵的检测效率和检测准确性却没有得到相应地提升，所以人工背光检测方法无法满足现如今大规模生产需求。
发明内容
为了解决上述现有纺织物印花缺陷识别准确性差的问题，本发明的目的在于提供一种用于具有周期图案纺织物的印花缺陷识别方法。
本发明提供了一种用于具有周期图案纺织物的印花缺陷识别方法，包括以下步骤：
获取待检测纺织物图像和标准模板图像块，使标准模板图像块在待检测纺织物图像上滑动，从而得到待检测纺织物图像对应的各个待匹配图像块；
获取各个待匹配灰度图像块和标准模板灰度图像块，对标准模板灰度图像块进行特征点提取操作，得到标准模板灰度图像块的各标准特征点，进而得到各个待匹配灰度图像块的各匹配特征点；
根据各个待匹配灰度图像块及其各匹配特征点、标准模板灰度图像块及其各标准特征点，确定各个待匹配灰度图像块对应的图像匹配度，进而确定各个匹配灰度图像块；
根据各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块；
根据多个匹配子图像块和多个标准子图像块的像素灰度，确定多个匹配子图像块的第一图像正常指标和第二图像正常指标，进而根据多个匹配子图像块的第一图像正常指标，从多个匹配子图像块中筛选出各缺陷子图像块；
计算各缺陷子图像块的第一图像正常指标与第二图像正常指标的比值，将该比值作为对应缺陷子图像块的目标缺陷指标，进而根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定待检测纺织物图像中的各目标缺陷子图像块。
进一步的，确定各个待匹配灰度图像块对应的图像匹配度的步骤包括：
获取各标准特征点和各匹配特征点对应的多个邻域像素点，并根据各标准特征点和各匹配特征点对应的多个邻域像素点的灰度值，确定各匹配特征点对应的特征点差异值，进而确定各个待匹配灰度图像块对应的图像差异值；
对各个待匹配灰度图像块和标准模板灰度图像块进行边缘检测，得到各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，进而根据各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，确定各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数，进而确定各个待匹配灰度图像块对应的轮廓差异值；
根据各个待匹配灰度图像块对应的图像差异值、轮廓差异值以及轮廓特征数列中非离群值的个数，确定各个待匹配灰度图像块对应的图像匹配度。
进一步的，确定各匹配特征点对应的特征点差异值的计算公式为：
Figure 100002_DEST_PATH_IMAGE001
其中，E为各匹配特征点对应的特征点差异值，
Figure 621996DEST_PATH_IMAGE002
为各标准特征点对应的第i个邻域像素点的灰度值，
Figure 94304DEST_PATH_IMAGE003
为各匹配特征点对应的第i个邻域像素点的灰度值，k为各匹配特征点和各标准特征点对应的邻域像素点的数量；
确定各个待匹配灰度图像块对应的图像差异值的计算公式为：
Figure 923720DEST_PATH_IMAGE004
其中，V为各个待匹配灰度图像块对应的图像差异值，
Figure 100002_DEST_PATH_IMAGE005
为各个待匹配灰度图像块的第i个匹配特征点对应的特征点差异值，f为超参数，d为待匹配灰度图像块内匹配特征点的个数。
进一步的，确定各个待匹配灰度图像块对应的轮廓差异值的计算公式为：
Figure 186205DEST_PATH_IMAGE006
其中，D为各个待匹配灰度图像块对应的轮廓差异值，
Figure 726645DEST_PATH_IMAGE007
为标准模板灰度图像块对应的轮廓特征数列中的第i个数值，
Figure 23766DEST_PATH_IMAGE008
为各个待匹配灰度图像块对应的轮廓特征数列中的第i个数值，g为各个待匹配灰度图像块或标准模板灰度图像块对应的轮廓特征数列中数值的个数，h为各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数。
进一步的，确定各个待匹配灰度图像块对应的图像匹配度的计算公式为：
Figure 758503DEST_PATH_IMAGE009
其中，
Figure 570602DEST_PATH_IMAGE010
为各个待匹配灰度图像块对应的图像匹配度，D为各个待匹配灰度图像块对应的轮廓差异值，V为各个待匹配灰度图像块对应的图像差异值，l为调节参数。
进一步的，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块的步骤包括：
将各个匹配灰度图像块与标准模板灰度图像块相减，得到各个匹配灰度图像块对应的差异图像；
对各个匹配灰度图像块对应的差异图像进行角点检测操作，得到各个匹配灰度图像块对应的差异图像的各角点，进而对各个匹配灰度图像块对应的差异图像的各角点进行聚类处理，得到各个匹配灰度图像块对应的差异图像的各聚类簇；
根据各个匹配灰度图像块对应的差异图像的各聚类簇的范围，确定各聚类簇对应的最小外接矩形，进而确定图像块划分尺寸；
根据图像块划分尺寸、各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块。
进一步的，确定多个匹配子图像块的第一图像正常指标和第二图像正常指标的步骤包括：
由匹配子图像块和标准子图像块的每一行的像素灰度构成数列，确定多个匹配子图像块和多个标准子图像块对应的各个数列，进而根据多个匹配子图像块和多个标准子图像块对应的各个数列，确定多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离；
获取多个匹配子图像块内角点的个数，根据多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离、多个匹配子图像块内角点的个数，确定多个匹配子图像块的第一图像正常指标；
根据多个匹配子图像块和多个标准子图像块内每个像素点的灰度值，确定多个匹配子图像块的第二图像正常指标。
进一步的，确定多个匹配子图像块的第一图像正常指标的计算公式为：
Figure 180312DEST_PATH_IMAGE011
其中，
Figure 331939DEST_PATH_IMAGE012
为多个匹配子图像块的第一图像正常指标，
Figure 237578DEST_PATH_IMAGE013
为多个匹配子图像块对应的第i个数列，
Figure 35508DEST_PATH_IMAGE014
为标准子图像块对应的第i个数列，H为多个匹配子图像块内角点的个数，j为多个匹配子图像块对应的数列的个数，
Figure 100002_DEST_PATH_IMAGE015
为求相似性函数。
进一步的，确定多个匹配子图像块的第二图像正常指标的计算公式为：
Figure 356899DEST_PATH_IMAGE016
其中，
Figure 628611DEST_PATH_IMAGE017
为多个匹配子图像块的第二图像正常指标，
Figure 203687DEST_PATH_IMAGE018
为多个匹配子图像块的灰度方差，
Figure 990377DEST_PATH_IMAGE019
为多个标准子图像块的灰度方差。
进一步的，确定待检测纺织物图像中的各目标缺陷子图像块的步骤包括：
根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定各缺陷子图像块的第二图像正常指标均值和目标缺陷指标均值，将第二图像正常指标均值作为第二图像正常指标阈值，将目标缺陷指标均值作为目标缺陷指标阈值；
若任意一个缺陷子图像块的第二图像正常指标大于第二图像正常指标阈值，且该缺陷子图像块的目标缺陷指标大于目标缺陷指标阈值，则判定该缺陷子图像块为目标缺陷子图像块。
本发明具有如下有益效果：
本发明通过获取待检测纺织物图像和标准模板图像块，得到各个待匹配灰度图像块和标准模板灰度图像块，将待匹配图像块和标准模板图像块进行灰度化处理，以减少采集待检测纺织物图像时拍摄的光影对印花颜色的影响，提高纺织物印花缺陷识别的准确性；通过各个待匹配灰度图像块及其各匹配特征点、标准模板灰度图像块及其各标准特征点，确定各个待匹配灰度图像块对应的图像匹配度，进而确定各个匹配灰度图像块，从多个角度计算图像匹配度，根据该图像匹配度所得到的匹配灰度图像块更加精准；根据各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块，确定缺陷子图像块能够准确地得到缺陷子图像块中的缺陷位置；根据多个匹配子图像块和多个标准子图像块的像素灰度，确定多个匹配子图像块的第一图像正常指标，第一图像正常指标能够将缺陷子图像块筛选出来，从而准确识别出待检测纺织物中的各缺陷子图像块；计算各缺陷子图像块的第二图像正常指标和目标缺陷指标，进而确定待检测纺织物图像中的各目标缺陷子图像块，通过各缺陷子图像块的第二图像正常指标和目标缺陷指标能够准确限定各目标缺陷子图像块，从而确定各缺陷子图像块中属于目标缺陷的子图像块的位置。本发明利用材料测试和分析技术，识别出待检测纺织物中各个缺陷区域及其目标缺陷区域，有效提高了纺织物印花缺陷识别的准确性。
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为本发明一种用于具有周期图案纺织物的印花缺陷识别方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本实施例提供了一种用于具有周期图案纺织物的印花缺陷识别方法，如图1所示，该方法包括以下步骤：
（1）获取待检测纺织物图像和标准模板图像块，使标准模板图像块在待检测纺织物图像上滑动，从而得到待检测纺织物图像对应的各个待匹配图像块。
在本实施例中，通过人工检测识别得到标准模板图像块，在标准模板图像块中不存在任何印花缺陷，且包含待检测纺织物图像中重复出现的周期印花图案。然后，使用相机采集待检测纺织物图像，在待检测纺织物图像中有周期印花图案，但受灯光、成像设备等硬件设施和环境的影响，采集到的待检测纺织物图像中存在噪声。为了不对后续纺织物印花缺陷检测结果产生影响，本实施例利用中值滤波对待检测纺织图像进行滤波处理，以减少噪声对图像的影响。利用中值滤波对图像去噪的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
为了便于后续得到待检测纺织物图像对应的各个匹配图像块，匹配图像块是指待检测纺织物图像中与标准模板图像块相匹配的图像块，也就是匹配图像块也包含待检测纺织物图像中重复出现的印花图案。首先，采用模板滑动方式遍历待检测纺织物图像，具体过程如下：标准模板图像块大小为
Figure 381038DEST_PATH_IMAGE020
，使标准模板图像块从待检测纺织物图像的左上角开始滑动，从左到右以步长为1的间隔进行遍历，步长的间隔单位为像素点，步长为1也就是1个像素点，直至遍历整个待检测纺织物图像，每滑动一次得到一个待匹配图像块，从而得到待检测纺织物图像对应的各个待匹配图像块，各个待匹配图像块与标准模板图像块的尺寸一致。
（2）获取各个待匹配灰度图像块和标准模板灰度图像块，对标准模板灰度图像块进行特征点提取操作，得到标准模板灰度图像块的各标准特征点，进而得到各个待匹配灰度图像块的各匹配特征点。
由于本实施例采集的待检测纺织物图像中的印花图案为纯色填充，颜色单一且无纹理变化，为了减少拍摄的光影对印花颜色的影响，将各个待匹配图像块和标准模板图像转换成灰度图像。将图像灰度化的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
对标准模板图像块进行特征点提取操作，具体为：利用FAST算法（Features fromaccelerated segment test，角点检测算法）对标准模板灰度图像块进行角点检测，可在标准模板灰度图像块中得到描述图像特征的多个角点。但是对于图像细节较多的部分，会在同一区域内出现过多的角点，采用极大值算法对图像细节部分对应的角点进行筛选，以保留贡献度较大的角点，本实施例从标准模板灰度图像块中筛选出d个角点，d为常数，经验值d为10。FAST算法和极大值算法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
利用canny边缘检测算法（Canny Edge Detector）对标准模板灰度图像块进行边缘检测，从而得到标准模板灰度图像块的边缘图像，从边缘图像中随机选取e个较为分散的边缘点作为辅助特征点，辅助特征点需要保证与d个角点的位置存在一定的距离。canny边缘检测算法为现有技术，不在本发明保护范围内，此处不再进行详细阐述。本实施例将筛选出来的角点和辅助特征点统称为标准特征点，标准特征点用来表示标准模板灰度图像块的主要特征。
基于标准模板灰度图像块的各标准特征点，将标准模板灰度图像块中的各个标准特征点标注出来，从而得到各个标准特征点的位置。根据标准模板灰度图像块中各个标准特征点的位置，将各个待匹配灰度图像块中对应位置的特征点标注出来，从而得到各个待匹配灰度图像块的各匹配特征点。
（3）根据各个待匹配灰度图像块及其各匹配特征点、标准模板灰度图像块及其各标准特征点，确定各个待匹配灰度图像块对应的图像匹配度，进而确定各个匹配灰度图像块。
根据各个待匹配灰度图像块及其各匹配特征点、标准模板灰度图像块及其各标准特征点，确定各个待匹配灰度图像块对应的图像匹配度，其步骤包括：
（3-1）获取各标准特征点和各匹配特征点对应的多个邻域像素点，并根据各标准特征点和各匹配特征点对应的多个邻域像素点的灰度值，确定各匹配特征点对应的特征点差异值，进而确定各个待匹配灰度图像块对应的图像差异值。
在本实施例中，以各标准特征点和各匹配特征点为中心点，构建尺寸为
Figure DEST_PATH_IMAGE021
的窗口，从而得到各标准特征点和各匹配特征点对应的窗口，将各标准特征点和各匹配特征点对应的窗口内的8邻域像素点作为各标准特征点和各匹配特征点对应的邻域像素点。
基于各标准特征点对应的8个邻域像素点的灰度值和各匹配特征点对应的8个邻域像素点，将各标准特征点对应的8个邻域像素点的灰度值记为
Figure 5792DEST_PATH_IMAGE022
，将各匹配特征点对应的8个邻域像素点记为
Figure 456496DEST_PATH_IMAGE023
，计算各匹配特征点对应的特征点差异值，其计算公式为：
Figure 730483DEST_PATH_IMAGE001
其中，E为各匹配特征点对应的特征点差异值，
Figure 220108DEST_PATH_IMAGE002
为各标准特征点对应的第i个邻域像素点的灰度值，
Figure 200833DEST_PATH_IMAGE003
为各匹配特征点对应的第i个邻域像素点的灰度值，k为各匹配特征点和各标准特征点对应的邻域像素点的数量，k=8。
例如，待匹配灰度图像块对应的特征点差异值的经验值为15个，分别记为
Figure 619176DEST_PATH_IMAGE024
，
Figure 613415DEST_PATH_IMAGE025
，…，
Figure 408195DEST_PATH_IMAGE026
，
Figure 40165DEST_PATH_IMAGE024
为第一个匹配特征点对应的特征点差异值，同时也说明待匹配灰度图像块中共有15个匹配特征点。
需要说明的是，每个匹配特征点均有其对应的特征点差异值，当标准特征点对应的第i个邻域像素点的灰度值与匹配特征点对应的第i个邻域像素点的灰度值相差越小时，特征点差异值E越小。
将各个待匹配灰度图像块的各匹配特征点对应的特征点差异值进行累加计算，将该累加值作为对应待匹配灰度图像块的图像差异值，从而确定各个待匹配灰度图像块对应的图像差异值，其计算公式为：
Figure 98251DEST_PATH_IMAGE027
其中，V为各个待匹配灰度图像块对应的图像差异值，
Figure 579786DEST_PATH_IMAGE005
为各个待匹配灰度图像块的第i个匹配特征点对应的特征点差异值，f为超参数，超参数调节图像差异值的值域范围，其经验值为20，d为待匹配灰度图像块内匹配特征点的个数。
需要说明的是，当某个待匹配灰度图像块的各匹配特征点对应的特征点差异值E越小时，该待匹配灰度图像块对应的图像差异值V越小，该待匹配灰度图像块与标准模板灰度图像块越相似。由于待匹配灰度图像块中的印花图案可能存在缺陷，而缺陷部分可能在匹配特征点上，所以待匹配灰度图像块存在容错率，因此将图像差异值的经验值设置为25。
（3-2）对各个待匹配灰度图像块和标准模板灰度图像块进行边缘检测，得到各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，进而根据各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，确定各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数，进而确定各个待匹配灰度图像块对应的轮廓差异值。
在本实施例中，使用canny算子对标准模板灰度图像块进行边缘检测，得到标准模板灰度图像块的边缘图像，利用傅里叶描述子得到标准模板灰度图像块的边缘图像对应的用于描述轮廓特征的数列，记为
Figure 115940DEST_PATH_IMAGE028
，g为常数，标准模板灰度图像块对应的用于描述轮廓特征的数列中共有g个数值，按照同样的算法，得到各个待匹配灰度图像块对应的描述轮廓特征的数列，记为
Figure 602416DEST_PATH_IMAGE029
，此时各个待匹配灰度图像块对应的描述轮廓特征的数列中共有q个数值，若q不等于g的待匹配灰度图像块对应的描述轮廓特征的数列，则说明该待匹配灰度图像块与标准模板灰度图像块完全不匹配，将去除该待匹配灰度图像块，也就是保留满足数列个数的各个待匹配灰度图像块。利用傅里叶描述子得到用于描述轮廓特征的数列的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
根据各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，确定各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数。具体为：计算标准模板灰度图像块对应的轮廓特征数列中的各数值与对应在待匹配灰度图像块对应的轮廓特征数列中的数值的差值，将待匹配灰度图像块对应的轮廓特征数列的各数值中差值不大于差值阈值的数值作为非离群值，例如，对应位置的轮廓特征描述的数值差的绝对值
Figure 392256DEST_PATH_IMAGE030
不大于0.01，差值阈值为0.01，将该数值作为非离群值。在保证不把带有瑕疵的印花图像筛选遗漏的基础上将不匹配的图像筛选出，按照先验知识将离群值可出现的对数限定为3，当某个待匹配灰度图像块对应的离群值的个数大于3时，该待匹配灰度图像块对应的轮廓差异值为1。需要说明的是，此时的各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列中的数值个数是相等的。
根据各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，计算各个待匹配灰度图像块对应的轮廓差异值，其计算公式为：
Figure 800234DEST_PATH_IMAGE031
其中，D为各个待匹配灰度图像块对应的轮廓差异值，
Figure 671238DEST_PATH_IMAGE007
为标准模板灰度图像块对应的轮廓特征数列中的第i个数值，
Figure 543379DEST_PATH_IMAGE008
为各个待匹配灰度图像块对应的轮廓特征数列中的第i个数值，g为各个待匹配灰度图像块或标准模板灰度图像块对应的轮廓特征数列中数值的个数，h为各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数。
（3-3）根据各个待匹配灰度图像块对应的图像差异值、轮廓差异值以及轮廓特征数列中非离群值的个数，确定各个待匹配灰度图像块对应的图像匹配度。
需要说明的是，待检测纺织物图像具有周期印花图案的颜色简单且无花纹的特征，根据步骤（3-1）的图像差异值和步骤（3-2）的轮廓差异值进行匹配，以表明图像匹配程度，确定各个待匹配灰度图像块对应的图像匹配度的计算公式为：
Figure 238541DEST_PATH_IMAGE032
其中，
Figure 133816DEST_PATH_IMAGE010
为各个待匹配灰度图像块对应的图像匹配度，D为各个待匹配灰度图像块对应的轮廓差异值，V为各个待匹配灰度图像块对应的图像差异值，l为调节参数，l用于调节图像匹配度值域范围，经验值为30。
需要说明的是，当某个待匹配灰度图像块和标准模板灰度图像块相似时，该待匹配灰度图像块对应的轮廓差异值D较小，图像差异值V也较小，该待匹配灰度图像块对应的图像匹配度
Figure 277352DEST_PATH_IMAGE010
越大。
根据各个待匹配灰度图像块对应的图像匹配度，确定各个匹配灰度图像块，其步骤包括：
在本实施例中，在各个待匹配灰度图像块和标准模板灰度图像块进行匹配时，首先根据各标准特征点和各匹配特征点得到各个待匹配灰度图像块对应的图像差异值V进行判定，若
Figure 525972DEST_PATH_IMAGE033
，则对应图像匹配度
Figure 627921DEST_PATH_IMAGE010
为常数值1，并直接输出图像匹配度
Figure 10491DEST_PATH_IMAGE010
为1的待匹配灰度图像块与标准模板灰度图像块不匹配。在此过程中，图像差异值V的计算过程简单且后续不需要计算轮廓差异值D和图像匹配度RMD，减少了计算量，提高了印花缺陷识别的效率。
当待匹配灰度图像块对应的图像差异值V小于等于25时，待匹配灰度图像块和标准模板灰度图像块有很大概率能够匹配成功，此时利用图像匹配度RMD判断待匹配灰度图像块和标准模板灰度图像块的匹配程度，当图像匹配度RMD大于预设匹配度时，预设匹配度设置为6，判定该待匹配灰度图像块和标准模板灰度图像块匹配成功，该待匹配灰度图像块为匹配灰度图像块，从而得到待检测纺织物图像中的各个匹配灰度图像块。
（4）根据各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块，其步骤包括：
（4-1）将各个匹配灰度图像块与标准模板灰度图像块相减，得到各个匹配灰度图像块对应的差异图像。
需要说明的是，若某个匹配灰度图像块内不存在瑕疵缺陷，将该匹配灰度图像块与标准模板灰度图像块相减，得到差异图像不具有明显图像特征，也就是后续不需要对该匹配灰度图像块对应的差异图像进行角点检测，该匹配灰度图像块为正常灰度图像块，不存在任何缺陷，去除各个匹配灰度图像块中的该匹配灰度图像块。
（4-2）对各个匹配灰度图像块对应的差异图像进行角点检测操作，得到各个匹配灰度图像块对应的差异图像的各角点，进而对各个匹配灰度图像块对应的差异图像的各角点进行聚类处理，得到各个匹配灰度图像块对应的差异图像的各聚类簇。
首先，需要说明的是，本实施例检测的目标缺陷为印花图案色泽不均，该目标缺陷体现为印花图案的一部分形成如同鲨鱼表皮形状的花斑，花斑内无显著纹理。由于缺陷出现在与鲨鱼表皮形状花斑位置较近的区域，出现在花斑位置对应的角点会被分为同一聚类簇内，对于偶尔出现的噪声点或干扰点则不会被划分入聚类簇内。
在本实施例中，利用Harris角点检测方法（Harris corner detection）对各个匹配灰度图像块对应的差异图像进行角点检测操作，得到各个匹配灰度图像块对应的差异图像中的各角点，采用DBSCAN算法（Density-Based Spatial Clustering of Applicationswith Noise，基于密度的聚类算法），利用各角点之间距离的远近对差异图像中的各角点进行聚类处理，从而得到各个匹配灰度图像块对应的差异图像的各聚类簇。DBSCAN算法对应的半径为1，聚类簇中角点数目最少为3。Harris角点检测方法和DBSCAN算法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（4-3）根据各个匹配灰度图像块对应的差异图像的各聚类簇的范围，确定各聚类簇对应的最小外接矩形，进而确定图像块划分尺寸。
在本实施例中，通过各个匹配灰度图像块对应的差异图像的各聚类簇的范围，来确定各聚类簇对应的最小外接矩形，计算各聚类簇对应的最小外接矩形的平均尺寸，将该平均尺寸作为图像块划分尺寸。
（4-4）根据图像块划分尺寸、各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块。
利用步骤（4-3）得到的图像块划分尺寸将各个匹配灰度图像块和标准模板灰度图像块划分为多个子图像块，当图像块划分尺寸不能将匹配灰度图像块或标准模板灰度图像进行等比划分时，则对不满足图像块划分尺寸的子图像块进行补零操作，得到尺寸相等的多个子图像块，进而得到各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块。
需要说明的是，将匹配灰度图像块和标准模板灰度图像块划分成多个子图像块的目的是为了更加准确地确定待检测纺织物图像中的缺陷的位置，提高印花缺陷检测的准确性。
（5）根据多个匹配子图像块和多个标准子图像块的像素灰度，确定多个匹配子图像块的第一图像正常指标和第二图像正常指标，进而根据多个匹配子图像块的第一图像正常指标，从多个匹配子图像块中筛选出各缺陷子图像块，其步骤包括：
（5-1）根据多个匹配子图像块和多个标准子图像块的像素灰度，确定多个匹配子图像块的第一图像正常指标和第二图像正常指标，其步骤包括：
（5-1-1）由匹配子图像块和标准子图像块的每一行的像素灰度构成数列，确定多个匹配子图像块和多个标准子图像块对应的各个数列，进而根据多个匹配子图像块和多个标准子图像块对应的各个数列，确定多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离。
在本实施例中，获取多个标准子图像块和多个匹配子图像块内所有像素点的灰度值，并以每一行的像素灰度值为一组数列，根据标准子图像块和匹配子图像块的尺寸范围，得到多个标准子图像块和多个匹配子图像块对应的多组数列，将任意一个标准子图像块对应的多组数列，记为
Figure 252992DEST_PATH_IMAGE034
，
Figure 771829DEST_PATH_IMAGE035
为该标准子图像块对应的第1组数列，并将任意一个匹配子图像块对应的多组数列，记为
Figure 575837DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
为该匹配子图像块对应的第1组数列。
利用DTW算法（Dynamic Time Warping，动态时间规整算法）计算标准子图像块与匹配子图像块对应的各个同行数列之间的DTW距离，记为
Figure 881922DEST_PATH_IMAGE038
，从而得到多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离，DTW算法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。需要说明的是，DTW距离越大，标准子图像块与匹配子图像块对应的同行数列之间的相似程度越低。
（5-1-2）获取多个匹配子图像块内角点的个数，根据多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离、多个匹配子图像块内角点的个数，确定多个匹配子图像块的第一图像正常指标。
在本实施例中，通过步骤（4-2）的各个匹配灰度图像块对应的差异图像的各角点的位置，来确定各个匹配灰度图像块对应的多个匹配子图像块内角点的个数，匹配灰度图像块和差异图像的各角点的位置是保持一致的，计算多个匹配子图像块的第一图像正常指标的计算公式为：
Figure 367261DEST_PATH_IMAGE039
其中，
Figure 68501DEST_PATH_IMAGE012
为多个匹配子图像块的第一图像正常指标，
Figure 214049DEST_PATH_IMAGE013
为多个匹配子图像块对应的第i个数列，
Figure 633529DEST_PATH_IMAGE014
为标准子图像块对应的第i个数列，H为多个匹配子图像块内角点的个数，j为多个匹配子图像块对应的数列的个数，
Figure 656980DEST_PATH_IMAGE015
为求相似性函数。
需要说明的是，对于没有缺陷但匹配成功的子图像块，将无法出现符合条件的聚类簇和最小外接矩形，也就是该子图像块内角点的个数H小于3个，本实施例将该匹配子图像块对应的第一图像正常指标赋值为常数1，说明该匹配子图像块内不存在任何缺陷。
当某个匹配子图像块与标准子图像块内对应位置的像素点的灰度值相差较大时，各个同行数列之间的相似距离
Figure 711261DEST_PATH_IMAGE038
就越大，该匹配子图像块的第一图像正常指标就越小；当某个匹配子图像块内角点的个数越多时，该匹配子图像块对应的第一图像正常指标就越小。
（5-1-3）根据多个匹配子图像块和多个标准子图像块内每个像素点的灰度值，确定多个匹配子图像块的第二图像正常指标。
在本实施例中，根据多个匹配子图像块和多个标准子图像块内每个像素点的灰度值，计算多个匹配子图像块和多个标准子图像块对应的灰度方差，计算灰度方差的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。将多个匹配子图像块对应的方差记为
Figure 325914DEST_PATH_IMAGE018
，并将多个标准子图像块对应的灰度方差记为
Figure 904794DEST_PATH_IMAGE019
，通过多个匹配子图像块和多个标准子图像块对应的灰度方差，得到多个匹配子图像块的第二图像正常指标，其计算公式为：
Figure 27208DEST_PATH_IMAGE016
其中，
Figure 437461DEST_PATH_IMAGE017
为多个匹配子图像块的第二图像正常指标，
Figure 691856DEST_PATH_IMAGE018
为多个匹配子图像块的灰度方差，
Figure 554770DEST_PATH_IMAGE019
为多个标准子图像块的灰度方差。
需要说明的是，每个匹配子图像块均会有其对应的第二图像正常指标，当匹配子图像块和对应的标准子图像块的灰度方差相差较小时，该匹配子图像块的第二图像正常指标
Figure 480875DEST_PATH_IMAGE017
就较大。由于印花图案色泽不均匀缺陷对应的花斑内部无明显纹理，该匹配子图像块的第二图像正常指标应较小，而其他缺陷，例如露白、渗色等具有较为明显的纹理特征，均会使第二图像正常指标较大。
（5-2）根据多个匹配子图像块的第一图像正常指标，从多个匹配子图像块中筛选出各缺陷子图像块。
在本实施例中，计算多个匹配子图像块的第一图像正常指标的平均值，并将该平均值作为第一图像正常指标阈值，若任意一个匹配子图像块的第一图像正常指标大于等于第一图像正常指标阈值，则判定该匹配子图像块为正常子图像块，否则，则判定该匹配子图像块为缺陷子图像块。将多个匹配子图像块中第一图像正常指标小于第一图像正常指标阈值的匹配子图像块筛选出来，并将该筛选出来的匹配子图像块作为缺陷子图像块。
（6）计算各缺陷子图像块的第一图像正常指标与第二图像正常指标的比值，将该比值作为对应缺陷子图像块的目标缺陷指标，进而根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定待检测纺织物图像中的各目标缺陷子图像块，其步骤包括：
（6-1）计算各缺陷子图像块的第一图像正常指标与第二图像正常指标的比值，将该比值作为对应缺陷子图像块的目标缺陷指标。
在本实施例中，根据步骤（5-1-2）得到的多个匹配子图像块的第一图像正常指标和步骤（5-1-3）得到的多个匹配子图像块的第二图像正常指标，能够得到各缺陷子图像块的第一图像正常指标与第二图像正常指标，通过计算各缺陷子图像块的第一图像正常指标与第二图像正常指标的比值，确定各缺陷子图像块的目标缺陷指标，其计算公式为：
Figure 745634DEST_PATH_IMAGE040
其中，
Figure 170931DEST_PATH_IMAGE041
为各缺陷子图像块的目标缺陷指标，
Figure 19676DEST_PATH_IMAGE042
为各缺陷子图像块的第二图像正常指标，
Figure 188620DEST_PATH_IMAGE043
为各缺陷子图像块的第一图像正常指标。
需要说明的是，当基于灰度值的第一图像正常指标
Figure 776727DEST_PATH_IMAGE043
越小、基于灰度方差的第二图像正常指标
Figure 137039DEST_PATH_IMAGE042
越大时，目标缺陷指标
Figure 240124DEST_PATH_IMAGE041
越大。
（6-2）根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定待检测纺织物图像中的各目标缺陷子图像块，其步骤包括：
（6-2-1）根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定各缺陷子图像块的第二图像正常指标均值和目标缺陷指标均值，将第二图像正常指标均值作为第二图像正常指标阈值，将目标缺陷指标均值作为目标缺陷指标阈值。
在本实施例中，印花图案色泽不均匀的目标缺陷对应的第二图像正常指标
Figure 947180DEST_PATH_IMAGE042
和目标缺陷指标
Figure 685067DEST_PATH_IMAGE041
较大，根据上述目标缺陷的特征，计算各缺陷子图像块的目标缺陷指标和第二图像正常指标的均值，记为
Figure 452166DEST_PATH_IMAGE044
和
Figure 776968DEST_PATH_IMAGE045
，将目标缺陷指标均值作为目标缺陷指标阈值，将第二图像正常指标均值作为第二图像正常指标阈值。
（6-2-2）若任意一个缺陷子图像块的第二图像正常指标大于第二图像正常指标阈值，且该缺陷子图像块的目标缺陷指标大于目标缺陷指标阈值，则判定该缺陷子图像块为目标缺陷子图像块。
基于各缺陷子图像块的第二图像正常指标
Figure 786250DEST_PATH_IMAGE042
、目标缺陷指标
Figure 145687DEST_PATH_IMAGE041
、目标缺陷指标阈值
Figure 83687DEST_PATH_IMAGE044
以及第二图像正常指标阈值
Figure 895785DEST_PATH_IMAGE045
，将第二图像正常指标
Figure 443179DEST_PATH_IMAGE042
大于第二图像正常指标阈值
Figure 860385DEST_PATH_IMAGE045
，且目标缺陷指标
Figure 31603DEST_PATH_IMAGE041
大于目标缺陷指标阈值
Figure 970478DEST_PATH_IMAGE044
对应的缺陷子图像块作为目标缺陷子图像块，从而得到待检测纺织物图像中的各目标缺陷子图像块。
至此，本实施例得到了待检测纺织物图像中的各目标缺陷子图像块和其余缺陷子图像块，其余缺陷子图像块为各缺陷子图像块中不为目标缺陷的其他缺陷子图像块，将各目标缺陷子图像块和其余缺陷子图像块的位置在待检测纺织物图像中标记出来，从而实现纺织物印花缺陷识别。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，包括以下步骤：
获取待检测纺织物图像和标准模板图像块，使标准模板图像块在待检测纺织物图像上滑动，从而得到待检测纺织物图像对应的各个待匹配图像块；
获取各个待匹配灰度图像块和标准模板灰度图像块，对标准模板灰度图像块进行特征点提取操作，得到标准模板灰度图像块的各标准特征点，进而得到各个待匹配灰度图像块的各匹配特征点；
根据各个待匹配灰度图像块及其各匹配特征点、标准模板灰度图像块及其各标准特征点，确定各个待匹配灰度图像块对应的图像匹配度，进而确定各个匹配灰度图像块；
根据各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块；
根据多个匹配子图像块和多个标准子图像块的像素灰度，确定多个匹配子图像块的第一图像正常指标和第二图像正常指标，进而根据多个匹配子图像块的第一图像正常指标，从多个匹配子图像块中筛选出各缺陷子图像块；
计算各缺陷子图像块的第一图像正常指标与第二图像正常指标的比值，将该比值作为对应缺陷子图像块的目标缺陷指标，进而根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定待检测纺织物图像中的各目标缺陷子图像块。
2.根据权利要求1所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定各个待匹配灰度图像块对应的图像匹配度的步骤包括：
获取各标准特征点和各匹配特征点对应的多个邻域像素点，并根据各标准特征点和各匹配特征点对应的多个邻域像素点的灰度值，确定各匹配特征点对应的特征点差异值，进而确定各个待匹配灰度图像块对应的图像差异值；
对各个待匹配灰度图像块和标准模板灰度图像块进行边缘检测，得到各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，进而根据各个待匹配灰度图像块和标准模板灰度图像块对应的轮廓特征数列，确定各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数，进而确定各个待匹配灰度图像块对应的轮廓差异值；
根据各个待匹配灰度图像块对应的图像差异值、轮廓差异值以及轮廓特征数列中非离群值的个数，确定各个待匹配灰度图像块对应的图像匹配度。
3.根据权利要求2所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定各匹配特征点对应的特征点差异值的计算公式为：
Figure DEST_PATH_IMAGE001
其中，E为各匹配特征点对应的特征点差异值，
Figure 213485DEST_PATH_IMAGE002
为各标准特征点对应的第i个邻域像素点的灰度值，
Figure 281935DEST_PATH_IMAGE003
为各匹配特征点对应的第i个邻域像素点的灰度值，k为各匹配特征点和各标准特征点对应的邻域像素点的数量；
确定各个待匹配灰度图像块对应的图像差异值的计算公式为：
Figure 92896DEST_PATH_IMAGE004
其中，V为各个待匹配灰度图像块对应的图像差异值，
Figure DEST_PATH_IMAGE005
为各个待匹配灰度图像块的第i个匹配特征点对应的特征点差异值，f为超参数，d为待匹配灰度图像块内匹配特征点的个数。
4.根据权利要求2所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定各个待匹配灰度图像块对应的轮廓差异值的计算公式为：
Figure 581384DEST_PATH_IMAGE006
其中，D为各个待匹配灰度图像块对应的轮廓差异值，
Figure 34362DEST_PATH_IMAGE007
为标准模板灰度图像块对应的轮廓特征数列中的第i个数值，
Figure 691740DEST_PATH_IMAGE008
为各个待匹配灰度图像块对应的轮廓特征数列中的第i个数值，g为各个待匹配灰度图像块或标准模板灰度图像块对应的轮廓特征数列中数值的个数，h为各个待匹配灰度图像块对应的轮廓特征数列中非离群值的个数。
5.根据权利要求2所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定各个待匹配灰度图像块对应的图像匹配度的计算公式为：
Figure 437717DEST_PATH_IMAGE009
其中，
Figure 977282DEST_PATH_IMAGE010
为各个待匹配灰度图像块对应的图像匹配度，D为各个待匹配灰度图像块对应的轮廓差异值，V为各个待匹配灰度图像块对应的图像差异值，l为调节参数。
6.根据权利要求1所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块的步骤包括：
将各个匹配灰度图像块与标准模板灰度图像块相减，得到各个匹配灰度图像块对应的差异图像；
对各个匹配灰度图像块对应的差异图像进行角点检测操作，得到各个匹配灰度图像块对应的差异图像的各角点，进而对各个匹配灰度图像块对应的差异图像的各角点进行聚类处理，得到各个匹配灰度图像块对应的差异图像的各聚类簇；
根据各个匹配灰度图像块对应的差异图像的各聚类簇的范围，确定各聚类簇对应的最小外接矩形，进而确定图像块划分尺寸；
根据图像块划分尺寸、各个匹配灰度图像块和标准模板灰度图像块，确定各个匹配灰度图像块对应的多个匹配子图像块和标准模板灰度图像块对应的多个标准子图像块。
7.根据权利要求6所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定多个匹配子图像块的第一图像正常指标和第二图像正常指标的步骤包括：
由匹配子图像块和标准子图像块的每一行的像素灰度构成数列，确定多个匹配子图像块和多个标准子图像块对应的各个数列，进而根据多个匹配子图像块和多个标准子图像块对应的各个数列，确定多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离；
获取多个匹配子图像块内角点的个数，根据多个匹配子图像块和多个标准子图像块对应的各个同行数列之间的相似距离、多个匹配子图像块内角点的个数，确定多个匹配子图像块的第一图像正常指标；
根据多个匹配子图像块和多个标准子图像块内每个像素点的灰度值，确定多个匹配子图像块的第二图像正常指标。
8.根据权利要求7所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定多个匹配子图像块的第一图像正常指标的计算公式为：
Figure 968372DEST_PATH_IMAGE011
其中，
Figure 480256DEST_PATH_IMAGE012
为多个匹配子图像块的第一图像正常指标，
Figure 695337DEST_PATH_IMAGE013
为多个匹配子图像块对应的第i个数列，
Figure 689575DEST_PATH_IMAGE014
为标准子图像块对应的第i个数列，H为多个匹配子图像块内角点的个数，j为多个匹配子图像块对应的数列的个数，
Figure DEST_PATH_IMAGE015
为求相似性函数。
9.根据权利要求7所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定多个匹配子图像块的第二图像正常指标的计算公式为：
Figure 890881DEST_PATH_IMAGE016
其中，
Figure 788429DEST_PATH_IMAGE017
为多个匹配子图像块的第二图像正常指标，
Figure 174411DEST_PATH_IMAGE018
为多个匹配子图像块的灰度方差，
Figure 124788DEST_PATH_IMAGE019
为多个标准子图像块的灰度方差。
10.根据权利要求1所述的一种用于具有周期图案纺织物的印花缺陷识别方法，其特征在于，确定待检测纺织物图像中的各目标缺陷子图像块的步骤包括：
根据各缺陷子图像块的第二图像正常指标和目标缺陷指标，确定各缺陷子图像块的第二图像正常指标均值和目标缺陷指标均值，将第二图像正常指标均值作为第二图像正常指标阈值，将目标缺陷指标均值作为目标缺陷指标阈值；
若任意一个缺陷子图像块的第二图像正常指标大于第二图像正常指标阈值，且该缺陷子图像块的目标缺陷指标大于目标缺陷指标阈值，则判定该缺陷子图像块为目标缺陷子图像块。
CN202211029339.5A 2022-08-26 2022-08-26 用于具有周期图案纺织物的印花缺陷识别方法 Active CN115100206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211029339.5A CN115100206B (zh) 2022-08-26 2022-08-26 用于具有周期图案纺织物的印花缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211029339.5A CN115100206B (zh) 2022-08-26 2022-08-26 用于具有周期图案纺织物的印花缺陷识别方法

Publications (2)

Publication Number Publication Date
CN115100206A true CN115100206A (zh) 2022-09-23
CN115100206B CN115100206B (zh) 2022-12-09

Family

ID=83300941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029339.5A Active CN115100206B (zh) 2022-08-26 2022-08-26 用于具有周期图案纺织物的印花缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115100206B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471504A (zh) * 2022-11-14 2022-12-13 深圳市富安娜家居用品股份有限公司 一种基于纺织物的线头自动识别方法
CN115861310A (zh) * 2023-02-23 2023-03-28 深圳市富安娜艺术家居有限公司 一种床单表面纺织缺陷检测方法
CN115984271A (zh) * 2023-03-20 2023-04-18 山东鑫科来信息技术有限公司 基于角点检测的金属毛刺识别方法
CN116523852A (zh) * 2023-04-13 2023-08-01 成都飞机工业（集团）有限责任公司 一种基于特征匹配的碳纤维复合材料的异物检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158650A (zh) * 2007-11-09 2008-04-09 无锡东望科技有限公司 机器视觉系统对印花布瑕疵的在线检测方法
CN111127383A (zh) * 2019-03-15 2020-05-08 杭州电子科技大学 一种数码印花在线缺陷检测系统及其实现方法
CN111861996A (zh) * 2020-06-23 2020-10-30 西安工程大学 一种印花织物疵点检测方法
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158650A (zh) * 2007-11-09 2008-04-09 无锡东望科技有限公司 机器视觉系统对印花布瑕疵的在线检测方法
CN111127383A (zh) * 2019-03-15 2020-05-08 杭州电子科技大学 一种数码印花在线缺陷检测系统及其实现方法
CN111861996A (zh) * 2020-06-23 2020-10-30 西安工程大学 一种印花织物疵点检测方法
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471504A (zh) * 2022-11-14 2022-12-13 深圳市富安娜家居用品股份有限公司 一种基于纺织物的线头自动识别方法
CN115471504B (zh) * 2022-11-14 2023-02-10 深圳市富安娜家居用品股份有限公司 一种基于纺织物的线头自动识别方法
CN115861310A (zh) * 2023-02-23 2023-03-28 深圳市富安娜艺术家居有限公司 一种床单表面纺织缺陷检测方法
CN115861310B (zh) * 2023-02-23 2023-05-16 深圳市富安娜艺术家居有限公司 一种床单表面纺织缺陷检测方法
CN115984271A (zh) * 2023-03-20 2023-04-18 山东鑫科来信息技术有限公司 基于角点检测的金属毛刺识别方法
CN115984271B (zh) * 2023-03-20 2023-06-30 山东鑫科来信息技术有限公司 基于角点检测的金属毛刺识别方法
CN116523852A (zh) * 2023-04-13 2023-08-01 成都飞机工业（集团）有限责任公司 一种基于特征匹配的碳纤维复合材料的异物检测方法

Also Published As

Publication number Publication date
CN115100206B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN116843688B (zh) 一种纺织品质量视觉检测方法
CN114723701A (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN104101600B (zh) 连铸坯断面微小裂纹检测方法
CN108921819B (zh) 一种基于机器视觉的验布装置及方法
CN109816644A (zh) 一种基于多角度光源影像的轴承缺陷自动检测系统
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
CN111127383A (zh) 一种数码印花在线缺陷检测系统及其实现方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
Samarawickrama et al. Matlab based automated surface defect detection system for ceremic tiles using image processing
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN108318491A (zh) 一种基于频谱曲率分析的织物缺陷检测方法
CN115131348B (zh) 一种纺织品表面缺陷的检测方法及系统
CN111753794B (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN115131353B (zh) 平网印花纺织品生产异常识别定位方法及系统
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN113012105A (zh) 基于图像处理的纱线毛羽检测评级方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN117541588A (zh) 一种纸制品的印刷缺陷检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法

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