CN115100436B - 一种基于图像识别的有色丝染色方法 - Google Patents

一种基于图像识别的有色丝染色方法 Download PDF

Info

Publication number
CN115100436B
CN115100436B CN202211036712.XA CN202211036712A CN115100436B CN 115100436 B CN115100436 B CN 115100436B CN 202211036712 A CN202211036712 A CN 202211036712A CN 115100436 B CN115100436 B CN 115100436B
Authority
CN
China
Prior art keywords
dyeing
image
color characteristic
characteristic value
obtaining
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
CN202211036712.XA
Other languages
English (en)
Other versions
CN115100436A (zh
Inventor
雷绍东
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 CN202211036712.XA priority Critical patent/CN115100436B/zh
Publication of CN115100436A publication Critical patent/CN115100436A/zh
Application granted granted Critical
Publication of CN115100436B publication Critical patent/CN115100436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于图像识别的有色丝染色方法，本方法可以集成为生产领域的人工智能系统，可以作为一种人工智能优化操作系统、人工智能中间件等，可以用于计算机视觉软件的开发。包括：获取染色后有色丝以及染色效果最优有色丝的RGB图像，还有染液染色前后的RGB图像，对图像进行预处理，并利用灰度共生矩阵对预处理后的图像进行分析获得不同浴比对应的染色均匀程度和染液利用率；根据不同浴比对应的染色均匀程度和染液利用率获得不同浴比对应的染色评价值，且最大染色评价值对应的浴比为最优浴比。本发明获得了染色时的最优浴比，能够在染色时获得色彩均匀且符合生产要求的产品，同时也能够避免染液的浪费，降低成本。

Description

一种基于图像识别的有色丝染色方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于图像识别的有色丝染色方法。
背景技术
随着社会不断发展，人们对不同颜色的丝线的要求日益增加，而在有色丝的染色过程中，不同浴比对染色的影响不同，浴比指的是浸染时配制的染液体积与被染物质量之比，其中浴比的大小与被染物的染色深度、染色的均匀程度以及燃料的利用率都息息相关。当浴比过小时，很容易造成染色不均匀，染色的程度达不到要求等问题；而当浴比过大时，被染物能够达到要求，但是会造成染液的浪费，增加生产成本。
现有技术中通过经验得到的染色时的浴比，并不能很好的获得一个合适的浴比使染色后的丝线符合要求而又不不造成染液的浪费。
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基于图像识别的有色丝染色方法，所采用的技术方案具体如下：
本发明实施例提供了一种基于图像识别的有色丝染色方法：获得一个浴比对应的染色后有色丝的HSV图像，所述图像中只包含染色的有色丝，记为染色HSV图像；利用像素点的HSV信息获得图像中各像素点的颜色特征值；根据各像素点的颜色特征值获得颜色图像，记为第一图像；同时，分别获得染液在染色前和染色后的颜色图像，所述图像为染液表面的图像，分别记为第二图像和第三图像；
计算第一图像的灰度共生矩阵的信息熵和自相关性，记为第一信息熵和第一自相关性；获得染色效果最优的有色丝对应的颜色图像的灰度共生矩阵的信息熵和自相关性，记为第二信息熵和第二自相关性；根据第一信息熵、第一自相关性、第二信息熵和第二自相关性获得染色均匀程度；
分别获得第二、第三图像的灰度共生矩阵中出现频率最大的像素对对应的颜色特征值，分别为第一颜色特征值、第二颜色特征值、第三颜色特征值和第四颜色特征值；根据第一、第二、第三和第四颜色特征值获得染液利用率；基于获得的不同浴比对应的染色均匀程度和染液利用率获得不同浴比对应的染色评价值。
优选地，获得一个浴比对应的染色后有色丝的HSV图像包括：染色后的有色丝缠绕在圆筒上，获得圆筒的侧面RGB图像，将获得RGB图像进行语义分割获得只包含染色后的有色丝的RGB图像；将获得的RGB图像装换为HSV图像，为染色后的有色丝的HSV图像。
优选地，利用像素点的HSV信息获得图像中各像素点的颜色特征值包括：将HSV图像中的像素点的H、S、V分量进行加权求和的结果获得像素点的颜色特征值。
优选地，根据各像素点的颜色特征值获得颜色图像包括：将有色丝的HSV图像中像素点的HSV信息转变为像素点的颜色特征值获得颜色图像。
优选地，计算第一图像的灰度共生矩阵的信息熵和自相关性包括：根据灰度共生矩阵中像素对的概率获得信息熵；根据灰度共生矩阵中各行各列像素点的颜色特征值的均值、标准差以及像素对的概率获得自相关性。
优选地，染色均匀程度为：
Figure 826837DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示染色均匀程度；
Figure 174773DEST_PATH_IMAGE004
表示第一信息熵，
Figure DEST_PATH_IMAGE005
表示第二信息熵；
Figure 163589DEST_PATH_IMAGE006
表示第二自相关性，
Figure DEST_PATH_IMAGE007
表示第一自相关性；e表示自然常数。
优选地，据第一、第二、第三和第四颜色特征值获得染液利用率包括：利用第一、第三颜色特征值的差值、第一、第四颜色特征值的差值、第二、第三颜色特征值的差值、第二、第四颜色特征值的差值以及第一、第二颜色特征值的和获得染液利用率；其中，所述利用第一、第三颜色特征值的差值、第一、第四颜色特征值的差值、第二、第三颜色特征值的差值和第二、第四颜色特征值的差值分别与染液利用率成正相关关系；第一、第二颜色特征值的和与染液利用率成负相关关系。
优选地，获得不同浴比对应的染色评价值包括：对不同浴比对应的染色均匀程度和染液利用率进行加权求和获得不同浴比对应的染色评价值。
优选地，在所述基于获得的不同浴比对应的染色均匀程度和染液利用率获得不同浴比对应的染色评价值之后还包括：在获得不同浴比对应的染色评价值中选取最大的染色评价值对应的浴比为最优浴比。
本发明实施例至少具有如下有益效果：本实施例通过采集有色丝染色后的图像，最优染色效果下的有色丝的RGB图像，同时对图像进行预处理转变为HSV图像，抽取HSV图像的色彩特征进行分析，获得不同浴比下染色后的有色丝与染色最优的有色丝的差异及染色前后染液的差异，然后得到染色的最优浴比；在最优浴比下，完成对有色丝的染色。本实施例能够在保证有色丝染色时的色彩分布均匀，染色效果符合生产要求的情况下使得染液能够被充分的利用避免染液的浪费，降低对有色丝染色时原料的浪费，产生更大的经济效益。同时，本方法可以用于纺织品生产领域的人工智能系统和人工智能优化操作系统的开发、也可以本方法的逻辑层次用于计算机视觉软件的开发，使得其能够广泛的得到应用。
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为一种基于图像识别的有色丝染色方法流程图。
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基于图像识别的有色丝染色方法，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。
下面结合附图具体的说明本发明所提供的一种基于图像识别的有色丝染色方法的具体方案。
本发明的主要应用场景为：在对有色丝染色过程中，找到合适的浴比使得染色后的丝线能够符合要求而又不造成染液的浪费。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像识别的有色丝染色方法流程图，该方法包括以下步骤：
步骤一：获得一个浴比对应的染色后有色丝的HSV图像，所述图像中只包含染色的有色丝，记为染色HSV图像；利用像素点的HSV信息获得图像中各像素点的颜色特征值；根据各像素点的颜色特征值获得颜色图像，记为第一图像；同时，分别获得染液在染色前和染色后的颜色图像，所述图像为染液表面的图像，分别记为第二图像和第三图像。
首先，通过固定光源下的工业相机采集染色后的有色丝的图像，有色丝在进行浸染时是缠绕在圆筒上的，采集圆筒的侧面的RGB图像，并利用语义分割将图像中的背景和其他部分去除，使得图像中只包含染色后的有色丝，不包含背景和其他部分；同时获得效果最优的染色后的有色丝的RGB图像，这里所说的效果最优的染色后的有色丝是通过大量的染液进行染色出来的，造成了染液的浪费；同时采集不同浴比对应的有色丝染色后的RGB图像；还需要采集染液在染色前后的图像，采集染色前的染液，将其放到较大的表面皿上，利用工业相机获得染色前染液的RGB图像，同时获得染色后染液的RGB图像。
进一步的，需要将获得RGB图像转化为HSV图像，具体转化过程如下：获得RGB图像中每个像素点的R、G、B三个分量，将R、G、B 这三个值中的最大值记为MAX，最小值记为MIN，则转换公式为：
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE013
需要说明的是，将RGB图像转化为HSV图像为公知技术，可选择合适的方法进行获取。至此获得有色丝在染色后的HSV图像以及染色前后染液的HSV图像。
最后，需要对获得HSV图像中每个像素点对应的H、S、V三通道进行降维，获得每个像素点的一维颜色特征信息。
本发明首先对每个像素点的HSV信息，进行加权求和，获得每个像素点的一维颜色特征信息，记为每个像素点的颜色特征值。由于HSV的范围单位不同，首先对H，V进行归一化处理，而S本身范围为[0，1]不需要进行归一化，下述过程中的HSV均为归一化后进行的操作，获得各HSV图像中每个像素点的颜色特征值：
Figure DEST_PATH_IMAGE015
其中，
Figure 714918DEST_PATH_IMAGE016
表示颜色特征值，
Figure DEST_PATH_IMAGE017
，
Figure 549013DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
均为权重，由于本实施例针对的是纯色有色丝，故色调H的影响不大，色彩饱和度S影响最大，设置
Figure 485876DEST_PATH_IMAGE020
，
Figure 973489DEST_PATH_IMAGE018
=4，
Figure DEST_PATH_IMAGE021
。则W的范围为[0，8]，对W进行向上取整，获得每个像素点的颜色特征值。将获得染色后的有色丝的HSV图像、染液染色前和染色后的HSV图像中像素点的HSV信息都转变为像素点对应的颜色特征值，获得分别获得颜色图像，记为第一图像、第二图像和第三图像。
步骤二：计算第一图像的灰度共生矩阵的信息熵和自相关性，记为第一信息熵和第一自相关性；获得染色效果最优的有色丝对应的颜色图像的灰度共生矩阵的信息熵和自相关性，记为第二信息熵和第二自相关性；根据第一信息熵、第一自相关性、第二信息熵和第二自相关性获得染色均匀程度。
首先，本实施例针对的为纯色有色丝，故染色后有色丝的HSV图像，其每个像素点的颜色特征信息应非常接近，这样认为染色比较均匀，染色效果好，即HSV图像的颜色熵值应较低，行列像素点之间的颜色特征信息相关性应较大。相反染色不均有色丝的HSV图像，其颜色熵值会较大，行列之间像素点之间颜色特征信息相关性较小。
上述步骤一，获得由染色后有色丝的HSV图像转变的第一图像，是通过将HSV信息降维得到的，每个像素点的像素值为对应的颜色特征值，而且第一图像中像素点的颜色特征值取值为1，2，3，4，5，6，7，8中的任意一个，可以基于第一图像的每个像素点的颜色特征值求取其灰度共生矩阵，在求取灰度共生矩阵时通常需要对像素点的灰度级进行压缩，其中步骤一中求取颜色特征值时的操作就相当于对像素点的灰度级进行压缩的操作，减少了计算量。
进一步的，通常的灰度共生矩阵获取需要扫描0°，45°，90°，135°4个方向的灰度共生矩阵。由于本实施例采集的有色丝是竖直方向上的，扫描角度可选择90°方向即可表征出有色丝的颜色信息，但本实施例要考虑图像中行以及列的相关性，故扫描角度选择0°，90°方向，选取步长d=1，获取灰度共生矩阵，计算平均灰度共生矩阵。
获取颜色共生矩阵过程如下：
取尺寸为M*N的第一图像中任意像素点（x，y）及偏离它的另一像素点（x+
Figure 995803DEST_PATH_IMAGE022
，y+
Figure DEST_PATH_IMAGE023
），且不管
Figure 899168DEST_PATH_IMAGE022
值，
Figure 826890DEST_PATH_IMAGE023
值如何变，这两点的距离是固定的；
Figure 954246DEST_PATH_IMAGE022
，
Figure 791752DEST_PATH_IMAGE023
为横向步长，纵向步长，本实施例中选取0°方向时d=
Figure 295546DEST_PATH_IMAGE022
=1，此时
Figure 269318DEST_PATH_IMAGE023
=0。本发明中选取90°方向时d=
Figure 567576DEST_PATH_IMAGE023
=1，此时
Figure 892378DEST_PATH_IMAGE022
=0。假设这俩点的颜色特征值分别为（
Figure 199862DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
），令（x，y）在第一图像上滑动，可以得到很多（
Figure 762562DEST_PATH_IMAGE024
，
Figure 497300DEST_PATH_IMAGE025
）值，W的最大值为8，则（
Figure 778239DEST_PATH_IMAGE024
，
Figure 686152DEST_PATH_IMAGE025
）的组合有64种，统计每一种（
Figure 634517DEST_PATH_IMAGE024
，
Figure 540156DEST_PATH_IMAGE025
）值出现的次数，然后排列成方阵，再用（
Figure 308392DEST_PATH_IMAGE024
，
Figure 957679DEST_PATH_IMAGE025
）出现的总次数对它们进行归一化成出现的概率P（
Figure 760550DEST_PATH_IMAGE024
，
Figure 837090DEST_PATH_IMAGE025
），得到颜色共生矩阵
Figure 358202DEST_PATH_IMAGE026
：
Figure 545600DEST_PATH_IMAGE028
同时，获得染色效果最优的有色丝的HSV图像对应的颜色图像的灰度共生矩阵；至此，本实施例得到了不同浴比下的染色后的有色丝对应的灰度共生矩阵与染色效果最优的有色丝对应的灰度共生矩阵。
最后，获得染色后的有色丝对应的灰度共生矩阵的信息熵和自相关性，信息熵的计算为：
Figure 468557DEST_PATH_IMAGE030
其中，信息熵越大，说明染色越不均匀。
自相关性的计算为：
Figure 715999DEST_PATH_IMAGE032
其中，公式中
Figure DEST_PATH_IMAGE033
，
Figure 927668DEST_PATH_IMAGE034
分别为灰度共生矩阵中行和列的元素的均值，
Figure DEST_PATH_IMAGE035
，
Figure 325283DEST_PATH_IMAGE036
为分别为灰度共生矩阵中行和列的元素的。自相关性反映了灰度共生矩阵行或列方向上的相似程度，相似程度越大，则说明纺织品的染色更均匀。
将染色后的有色丝对应的灰度共生矩阵的信息熵和自相关性分别记为第一信息熵和第一自相关性；获得染色效果最优的有色丝对应的灰度共生矩阵的信息熵和自相关性，分别记为第二信息熵和第二自相关性；从而获得有色丝染色时的染色均匀程度：
Figure 837167DEST_PATH_IMAGE002
其中，其中，
Figure 255510DEST_PATH_IMAGE003
表示染色均匀程度；
Figure 485634DEST_PATH_IMAGE004
表示第一信息熵，
Figure 280415DEST_PATH_IMAGE005
表示第二信息熵；
Figure 912384DEST_PATH_IMAGE006
表示第二自相关性，
Figure 298366DEST_PATH_IMAGE007
表示第一自相关性；e表示自然常数。Q越大说明染色效果越好，越接近与染色效果最优的有色丝。
步骤三：分别获得第二、第三图像的灰度共生矩阵中出现频率最大的像素对对应的颜色特征值，分别为第一颜色特征值、第二颜色特征值、第三颜色特征值和第四颜色特征值；根据第一、第二、第三和第四颜色特征值获得染液利用率；基于获得的不同浴比对应的染色均匀程度和染液利用率获得不同浴比对应的染色评价值。
首先，根据先验知识，染液染色后，染液的体积会变小，因为染液中的颜料被有色丝用作着色了，所以染液的色彩也会变淡。分别获得由染色前的染液得到的第二图像和由染色后染液得到的第三图像的灰度共生矩阵，其中第二图像中像素点的颜色特征值普遍大于第三图像中的像素点的颜色特征值；又因为不管是染色前还是染色后染液的颜色都是比较均匀的，只不过，颜色发生了变化，因此在第二图像的灰度共生矩阵中概率最大的像素对对应的像素点的颜色特征值能用来表征染色前染液的颜色深浅，即染液的色彩饱和度，在第三图像的灰度共生矩阵中概率最大的像素对对应的像素点的颜色特征值能用来表征染色后染液的颜色深浅。
最大概率为：
Figure 472909DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
表示像素对的概率，i=1，2，3…8，j=1，2，3…8；获得的第二图像的灰度共生矩阵中的最大概率
Figure 743485DEST_PATH_IMAGE040
，此时最大概率对应的像素对中像素点的颜色特征值分别为记为第一颜色特征值a和第二颜色特征值b；第三图像的灰度共生矩阵的最大概率为
Figure DEST_PATH_IMAGE041
，最大概率对应的像素对中的像素点的颜色特征值分别为第三颜色特征值c和第四颜色特征值d。
根据第一、第二、第三和第四颜色特征值获得染液利用率：
Figure DEST_PATH_IMAGE043
其中，染液利用率E越大说明，染液利用的越充分，染液利用率的取值范围为[0，1]。
获得不同浴比对应的染色后的有色丝的染色均匀程度
Figure 902065DEST_PATH_IMAGE044
和染液利用率
Figure DEST_PATH_IMAGE045
，并利用染色均匀程度和染液利用率对染色过程中的浴比进行评价，不同浴比对应的染色评价值为：
Figure DEST_PATH_IMAGE047
其中，
Figure 803156DEST_PATH_IMAGE048
表示第n个浴比对应的染色评价值；
Figure 7872DEST_PATH_IMAGE044
和
Figure 144455DEST_PATH_IMAGE045
分别表示第n个浴比对应的染色均匀程度和染液利用率；
Figure DEST_PATH_IMAGE049
，
Figure 157542DEST_PATH_IMAGE050
均为权重，本实施例中认为染色过程中，将有色丝的色彩浸染均匀较为重要，因此
Figure DEST_PATH_IMAGE051
，
Figure 557430DEST_PATH_IMAGE052
。
最后获得
Figure 249443DEST_PATH_IMAGE048
的最大值对应得的浴比，在对有色丝进行染色时使用该浴比，将该浴比称为最优浴比，将被染的有色丝的质量和染液的体积始终保持。
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 (9)

1.一种基于图像识别的有色丝染色方法，其特征在于，该方法包括：获得一个浴比对应的染色后有色丝的HSV图像，所述图像中只包含染色的有色丝，记为染色HSV图像；
利用像素点的HSV信息获得图像中各像素点的颜色特征值；根据各像素点的颜色特征值获得颜色图像，记为第一图像；同时，分别获得染液在染色前和染色后的颜色图像，所述图像为染液表面的图像，分别记为第二图像和第三图像；
计算第一图像的灰度共生矩阵的信息熵和自相关性，记为第一信息熵和第一自相关性；获得染色效果最优的有色丝对应的颜色图像的灰度共生矩阵的信息熵和自相关性，记为第二信息熵和第二自相关性；根据第一信息熵、第一自相关性、第二信息熵和第二自相关性获得染色均匀程度；
分别获得第二、第三图像的灰度共生矩阵中出现频率最大的像素对对应的颜色特征值，分别为第一颜色特征值、第二颜色特征值、第三颜色特征值和第四颜色特征值；根据第一、第二、第三和第四颜色特征值获得染液利用率；
基于获得的不同浴比对应的染色均匀程度和染液利用率获得不同浴比对应的染色评价值。
2.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述获得一个浴比对应的染色后有色丝的HSV图像包括：染色后的有色丝缠绕在圆筒上，获得圆筒的侧面RGB图像，将获得RGB图像进行语义分割获得只包含染色后的有色丝的RGB图像；将获得的RGB图像装换为HSV图像，为染色后的有色丝的HSV图像。
3.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述利用像素点的HSV信息获得图像中各像素点的颜色特征值包括：将HSV图像中的像素点的H、S、V分量进行加权求和的结果获得像素点的颜色特征值。
4.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述根据各像素点的颜色特征值获得颜色图像包括：将有色丝的HSV图像中像素点的HSV信息转变为像素点的颜色特征值获得颜色图像。
5.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述计算第一图像的灰度共生矩阵的信息熵和自相关性包括：根据灰度共生矩阵中像素对的概率获得信息熵；根据灰度共生矩阵中各行各列像素点的颜色特征值的均值、标准差以及像素对的概率获得自相关性。
6.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述染色均匀程度为：
Figure RE-DEST_PATH_IMAGE002
其中，
Figure RE-DEST_PATH_IMAGE004
表示染色均匀程度；
Figure RE-DEST_PATH_IMAGE006
表示第一信息熵，
Figure RE-DEST_PATH_IMAGE008
表示第二信息熵；
Figure RE-DEST_PATH_IMAGE010
表示第二自相关性，
Figure RE-DEST_PATH_IMAGE012
表示第一自相关性；e表示自然常数。
7.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述根据第一、第二、第三和第四颜色特征值获得染液利用率包括：利用第一、第三颜色特征值的差值、第一、第四颜色特征值的差值、第二、第三颜色特征值的差值、第二、第四颜色特征值的差值以及第一、第二颜色特征值的和获得染液利用率；其中，所述利用第一、第三颜色特征值的差值、第一、第四颜色特征值的差值、第二、第三颜色特征值的差值和第二、第四颜色特征值的差值分别与染液利用率成正相关关系；第一、第二颜色特征值的和与染液利用率成负相关关系。
8.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，所述获得不同浴比对应的染色评价值包括：对不同浴比对应的染色均匀程度和染液利用率进行加权求和获得不同浴比对应的染色评价值。
9.根据权利要求1所述的一种基于图像识别的有色丝染色方法，其特征在于，在所述基于获得的不同浴比对应的染色均匀程度和染液利用率获得不同浴比对应的染色评价值之后还包括：在获得不同浴比对应的染色评价值中选取最大的染色评价值对应的浴比为最优浴比。
CN202211036712.XA 2022-08-29 2022-08-29 一种基于图像识别的有色丝染色方法 Active CN115100436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036712.XA CN115100436B (zh) 2022-08-29 2022-08-29 一种基于图像识别的有色丝染色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036712.XA CN115100436B (zh) 2022-08-29 2022-08-29 一种基于图像识别的有色丝染色方法

Publications (2)

Publication Number Publication Date
CN115100436A CN115100436A (zh) 2022-09-23
CN115100436B true CN115100436B (zh) 2022-12-23

Family

ID=83300781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036712.XA Active CN115100436B (zh) 2022-08-29 2022-08-29 一种基于图像识别的有色丝染色方法

Country Status (1)

Country Link
CN (1) CN115100436B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266536B (zh) * 2022-09-26 2022-12-13 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378698B (zh) * 2021-06-08 2022-07-29 四川大学 利用图像识别的山区陡坡卵砾石河道平均流速测量方法
CN114723832A (zh) * 2022-03-31 2022-07-08 海门市芳华纺织有限公司 一种基于聚类的针织物染色浴比参数调节方法
CN114782562B (zh) * 2022-06-18 2022-09-02 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN114882034B (zh) * 2022-07-11 2022-09-27 南通世森布业有限公司 基于图像处理的面料染色质量评估方法

Also Published As

Publication number Publication date
CN115100436A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
US11537873B2 (en) Processing method and system for convolutional neural network, and storage medium
CN101882315B (zh) 肤色区域的检测方法
CN115100436B (zh) 一种基于图像识别的有色丝染色方法
CN106504212A (zh) 一种改进的hsi空间信息低照度彩色图像增强算法
Wan et al. A novel framework for optimal RGB to grayscale image conversion
CN115457004B (zh) 基于计算机视觉的锌膏的智能检测方法
CN1941923B (zh) 应用于彩色数字影像的自动白平衡方法
CN111428814A (zh) 一种混纺纱颜色自动识别匹配方法
CN105844675A (zh) 色织物的颜色聚类分析方法
CN117152159B (zh) 一种复杂布料印花瑕疵检测方法及系统
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
CN108734677A (zh) 一种基于深度学习的盲去模糊方法及系统
CN104751446A (zh) 一种基于数字图案特征的扎染工艺预测方法
CN114596259A (zh) 无参考的视频质量确定方法、装置、设备和存储介质
CN1237485C (zh) 利用快速人脸检测对新闻被采访者进行脸部遮挡的方法
CN107730476A (zh) 一种基于压缩感知的图像增强方法及装置
CN111079637A (zh) 田间图像中分割油菜花的方法、装置、设备及存储介质
CN111507995B (zh) 一种基于彩色图像金字塔和颜色通道分类的图像分割方法
JP5615344B2 (ja) 色特徴を抽出するための方法および装置
CN115082741B (zh) 基于图像处理的废旧纺织品分类方法
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN109671088A (zh) 一种纱线毛羽特征参数的数字化方法
Yuan et al. Color image quality assessment with multi deep convolutional networks
Li et al. Smoothing and clustering guided image decolorization
Buzzelli et al. Learning Color Constancy: 30 Years Later

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