CN115115615B - 一种基于图像识别的纺织面料质量评估方法及系统 - Google Patents
一种基于图像识别的纺织面料质量评估方法及系统 Download PDFInfo
- Publication number
- CN115115615B CN115115615B CN202210880978.6A CN202210880978A CN115115615B CN 115115615 B CN115115615 B CN 115115615B CN 202210880978 A CN202210880978 A CN 202210880978A CN 115115615 B CN115115615 B CN 115115615B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- textile fabric
- curve
- gray
- target image
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 214
- 239000004753 textile Substances 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 279
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 2
- 230000007547 defect Effects 0.000 abstract description 43
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及图像识别技术领域,具体涉及一种基于图像识别的纺织面料质量评估方法及系统。该方法是一种图像识别方法,具体为:根据第一曲线和第二曲线,得到纺织面料目标图像对应的各异常窗口中各异常像素点的位置;根据各异常像素点的位置,得到纺织面料目标图像对应的各异常区域;根据各异常区域中各异常像素点的坐标,得到各异常区域对应的特征值;根据特征值,得到各异常区域对应的质量评分;根据质量评分,得到纺织面料目标图像对应的纺织面料的质量等级。该系统是一种应用于生产领域的人工智能系统;本发明是基于计算机视觉的方法,能较准确的得到纺织面料上各疵点区域的形状特性,进而能较准确得到纺织面料的质量等级。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于图像识别的纺织面料质量评估方法及系统。
背景技术
生产过程中,质量评估或者质量检测纺织面料生产过程中一个重要的环节,而织物疵点检测是纺织面料质量评估中最主要的一个环节,纺织面料的疵点种类繁多,如断经、断纬、破洞、油污等,而纺织面料上的疵点会严重影响纺织面料在后续的投入使用,因此织物疵点检测意义重大。
现有的纺织面料疵点检测方法一般基于大津阈值算法对纺织面料图像进行分割,得到纺织面料上的疵点区域,但是这种方法会受到光线的影响,光线会影响纺织面料图像上的纹理信息,导致得到的织物上的疵点区域存在误差,进而在基于织物上的疵点区域对织物质量进行评估时也会存在误差。
发明内容
本发明提供一种基于图像识别的纺织面料质量评估方法及系统,用于解决现有不能准确对纺织面料质量进行评估的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于图像识别的纺织面料质量评估方法及系统包括以下步骤:
获取纺织面料目标图像;
根据所述纺织面料目标图像上各像素点的灰度值,得到纺织面料目标图像对应的滑窗尺寸;将所述滑窗以预设滑动步长在所述纺织面料目标图像上进行滑动,得到纺织面料目标图像上各滑窗窗口对应的区域;
根据所述各滑窗窗口对应区域内的各像素点灰度值,得到纺织面料目标图像上各滑窗窗口对应的灰度均值和灰度方差;根据所述各滑窗窗口对应的灰度均值,得到纺织面料目标图像对应的第一曲线;根据所述各滑窗窗口对应的灰度方差,得到纺织面料目标图像对应的第二曲线;
根据所述第一曲线和第二曲线,得到纺织面料目标图像对应的各异常窗口中各异常像素点的位置;
根据所述各异常像素点的位置,得到纺织面料目标图像对应的各异常区域;根据所述各异常区域中各异常像素点的坐标,得到各异常区域对应的特征值;
根据所述特征值,得到各异常区域对应的质量评分;根据所述质量评分,得到纺织面料对应的质量等级。
本发明还提供了一种基于图像识别的纺织面料质量评估系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述一种基于图像识别的纺织面料质量评估方法。
有益效果:本发明将各滑窗窗口对应区域内的各像素点灰度值作为得到纺织面料目标图像对应的第一曲线和第二曲线的依据;将第一曲线和第二曲线作为得到纺织面料目标图像对应的各异常窗口中各异常像素点位置的依据;将各异常窗口中各异常像素点位置作为得到纺织面料目标图像对应的各异常区域的依据;将各异常区域中各异常像素点的坐标作为得到各异常区域对应的特征值的依据;将各异常区域对应的特征值作为得到各异常区域对应的质量评分的依据;将各异常区域对应的质量评分作为得到纺织面料目标图像对应的纺织面料的质量等级的依据。本发明中的方法是一种基于图像识别的方法,该系统是一种应用于生产领域的人工智能系统;本发明是基于计算机视觉的方法,能较准确的得到纺织面料上各疵点区域的形状特性和各疵点区域的质量评分,进而能较准确得到纺织面料的质量等级。
优选的,根据所述纺织面料目标图像上各像素点的灰度值,得到纺织面料目标图像对应的滑窗尺寸的方法,包括:
计算所述纺织面料目标图像上各行对应的灰度均值;
以所述纺织面料目标图像上的行数为横坐标,以所述各行对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的行-灰度均值曲线;
获得行-灰度均值曲线上最大灰度均值对应的各横坐标值,将行-灰度均值曲线上最大灰度均值对应的各横坐标值记为行-灰度均值曲线对应各第一横坐标值;
根据所述各第一横坐标值,得到纺织面料目标图像对应的水平方向的纹理周期;
计算纺织面料目标图像上各列对应的灰度均值;
以所述纺织面料目标图像上的列数为横坐标,以所述各列对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的列-灰度均值曲线;
获得列-灰度均值曲线上最大灰度均值对应的各横坐标值,将列-灰度均值曲线上最大灰度均值对应的各横坐标值记为列-灰度均值曲线对应各第二横坐标值;
根据所述各第二横坐标值,得到纺织面料目标图像对应的竖直方向的纹理周期;
将所述竖直方向的纹理周期记为滑窗的宽,将所述水平方向的纹理周期记为滑窗的长。
优选的,根据所述各第一横坐标值,得到纺织面料目标图像对应的水平方向的纹理周期的方法,包括:
根据所述各第一横坐标值,构建得到行-灰度均值曲线对应第一横坐标值序列;
计算所述第一横坐标值序列中相邻两个第一横坐标值之间的差值,得到行-灰度均值曲线对应差值序列;
对行-灰度均值曲线对应的差值序列的平均值进行取整,将取整之后的行-灰度均值曲线对应的差值序列的平均值记为纺织面料目标图像对应的水平方向的纹理周期。
优选的,根据所述各滑窗窗口对应的灰度均值,得到纺织面料目标图像对应的第一曲线;根据所述各滑窗窗口对应的灰度方差,得到纺织面料目标图像对应的第二曲线,包括:
以所述滑窗滑动的次数为横坐标,以每次滑动后的滑窗窗口对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的滑动次数-窗口灰度均值曲线,将滑动次数-窗口灰度均值曲线记为纺织面料目标图像对应的第一曲线;
以所述滑窗滑动的次数为横坐标,以每次滑动后的滑窗窗口对应的灰度方差为纵坐标,构建得到纺织面料目标图像对应的滑动次数-窗口灰度方差曲线,将滑动次数-窗口灰度方差曲线记为纺织面料目标图像对应的第二曲线。
优选的,根据所述第一曲线和第二曲线,得到纺织面料目标图像对应的各异常窗口中各异常像素点位置的方法,包括:
获得所述第一曲线上先下降再上升的各线段,将所述第一曲线上先下降再上升的各线段对应的滑窗窗口记为异常窗口;将所述第一曲线上先下降再上升的各线段记为所述第一曲线上的各变化线段;
获取所述各变化线段中的最小纵坐标值;根据所述各变化线段中的最小纵坐标值与预设第一阈值,得到第一曲线上各变化线段对应的目标阈值;
根据所述各变化线段上各点的纵坐标值和所述目标阈值,得到各变化线段对应目标线段;根据所述目标线段上的各纵坐标值和所述目标线段上的横坐标的数量,得到所述第一曲线上各变化线段对应的目标灰度均值;
获取滑窗窗口内没有异常像素点时的灰度均值,将滑窗窗口内没有异常像素点时的灰度均值记为正常灰度均值;
根据所述正常灰度均值、所述目标灰度均值和所述各变化线段对应的各异常窗口的灰度均值,得到所述第一曲线上各变化线段对应的各异常窗口中异常像素点的占比;
根据所述各异常窗口中异常像素点的占比以及滑窗的尺寸,得到第一曲线上各变化线段对应的各异常窗口中异常像素点的数量;
根据所述第二曲线上的纵坐标值,得到各第一曲线上的各变化线段对应的标准灰度均值;
判断所述各异常窗口的灰度均值是否大于对应的标准灰度均值,若是,判断对应的异常窗口上的异常像素点分布在异常窗口的左边,否则,判断对应的异常窗口上的异常像素点分布在异常窗口的右边;
根据所述各异常窗口内异常像素点的数量以及异常像素点分布的位置,得到各变化线段对应的各异常窗口中各异常像素点的位置。
优选的,根据如下公式计算第一曲线上各变化线段对应的各异常窗口中异常像素点的占比的方法,包括:
优选的,根据如下公式计算第一曲线上各变化线段对应的各异常窗口中异常像素点的数量:
优选的,根据所述各异常区域中各异常像素点的坐标,得到各异常区域对应的特征值的方法,包括:
根据所述各异常区域中各异常像素点的坐标,得到各异常区域中任意两个异常像素点之间的距离;
根据所述各异常区域中任意两个异常像素点之间的距离,构建得到各异常区域对应的距离序列;
从所述各异常区域对应的距离序列中选取最大距离和最大距离对应的两个异常像素点;连接所述各最大距离对应的两个异常像素点之间的线段,得到各异常区域对应的最大距离线段,并得到各异常区域对应的最大距离线段的中心点坐标;
过所述中心点坐标作与对应的最大距离线段垂直的直线,将所述直线记为各异常区域对应的最短距离直线;
获得所述最短距离直线与对应异常区域边缘的两个交点之间的距离;
将所述最短距离直线与对应异常区域边缘的两个交点之间的距离记为各异常区域对应的第二特征值;将所述最大距离记为各异常区域对应的第一特征值;将所述第二特征值和第一特征值记为各异常区域对应的特征值。
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为本发明一种基于图像识别的纺织面料质量评估方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种基于图像识别的纺织面料质量评估方法,详细说明如下:
如图1所示,该基于图像识别的纺织面料质量评估方法,包括以下步骤:
步骤S001,获取纺织面料目标图像。
本实施例中,将纺织面料放置在传送带上,在传送带的上方布置相机,传送带的背景为黑色或者较深的颜色,结合相机成像的原理,调节相机的焦距,使相机的视野范围中仅含有纺织面料,即利用相机采集得到的纺织面料对应的RGB图像上仅含有纺织面料,并且相机采集图像的长和宽分别与纺织面料的长和宽保持平行;对纺织面料对应的RGB图像进行灰度化处理,得到纺织面料对应的灰度图像;之后对纺织面料对应的灰度图像进行形态学的开运算处理,将开运算处理后的灰度图像记为纺织面料目标图像;本实施例对灰度图像进行开运算处理可以去除图像上的噪声,强化图像上的纹理细节,并不会过滤掉图像上疵点区域的纹理细节。
步骤S002,根据所述纺织面料目标图像上各像素点的灰度值,得到纺织面料目标图像对应的滑窗尺寸;将所述滑窗以预设滑动步长在所述纺织面料目标图像上进行滑动,得到纺织面料目标图像上各滑窗窗口对应的区域。
本实施例中,将利用滑窗在纺织面料目标图像上进行遍历,通过对纺织面料目标图像上各窗口对应区域的灰度值进行分析,来确定纺织面料目标图像上的疵点区域,以及疵点区域的形状特性,进而基于疵点区域的形状特性来评估纺织面料的质量;由于不同尺寸的滑窗得到的疵点信息的效果不同,因此需要找到一个能较好反应纺织面料目标图像上疵点信息的滑窗尺寸;又因为纺织面料目标图像上疵点区域的大小必然大于目标图像对应的纹理周期,因此本实施例将以目标图像对应的纹理周期作为滑窗的尺寸,并且以纹理周期作为滑窗的尺寸能强化目标图像上的疵点信息。
(a)获得纺织面料目标图像对应的纹理周期的具体过程为:
本实施例中,以纺织面料目标图像上的左下角为原点、纺织面料目标图像水平方向为横坐标轴、纺织面料目标图像竖直方向为纵坐标轴构建坐标系;将目标图像上纵坐标为0的水平方向记为纺织面料目标图像上的第一行,之后获得纺织面料目标图像上每一行对应的各像素点和各像素点的灰度值,计算每一行对应的灰度均值,所述目标图像上的行数为目标图像上竖直方向上像素点的数量;将目标图像上横坐标为0的竖直方向记为纺织面料目标图像上的第一列,之后获得纺织面料目标图像上每一列对应的各像素点和各像素点的灰度值,计算每一列对应的灰度均值,所述目标图像上的列数为目标图像上水平方向上像素点的数量。
本实施例中,以纺织面料目标图像上的行数为横坐标,并以各行对应的灰度均值
为纵坐标,构建得到纺织面料目标图像对应的行-灰度均值曲线;之后获得行-灰度均值曲
线上的最大灰度均值对应的各行,即行-灰度均值曲线上最大灰度均值对应的各横坐标,将
行-灰度均值曲线上最大灰度均值对应的各横坐标值记为各第一横坐标值;将各第一横坐
标值按照从小到大的顺序排列,得到行-灰度均值曲线对应第一横坐标值序列;计算第一横
坐标值序列中相邻两个第一横坐标值之间的差值,得到行-灰度均值曲线对应差值序列,即,其中为第一横坐标值序列中第2个第一横坐标值与第1个第一横坐
标值之间的差值,为第一横坐标值序列中第个第一横坐标值与第个第一横坐标
值之间的差值;之后计算行-灰度均值曲线对应的差值序列的平均值,并对行-灰度均值曲
线对应的差值序列的平均值进行取整,将取整之后的行-灰度均值曲线对应的差值序列的
平均值记为纺织面料目标图像对应的水平方向的纹理周期。
本实施例中,以纺织面料目标图像上的列数为横坐标,以各列对应的灰度均值为
纵坐标,构建得到纺织面料目标图像对应的列-灰度均值曲线;之后获得列-灰度均值曲线
上的最大灰度均值对应的各列,即列-灰度均值曲线上最大灰度值均值对应的各横坐标,将
列-灰度均值曲线上最大灰度均值对应的各横坐标值记为各第二横坐标值;将各第二横坐
标值按照从小到大的顺序排列,得到列-灰度均值曲线对应第二横坐标值序列;计算第二横
坐标值序列中相邻两个第二横坐标值之间的差值,得到列-灰度均值曲线对应差值序列,即
C,其中为第二横坐标值序列中第2个第二横坐标值与第1个第二横坐
标值之间的差值,为第二横坐标值序列中第个第二横坐标值与第个第二横坐标
值之间的差值;之后计算列-灰度均值曲线对应的差值序列的平均值,并对列-灰度均值曲
线对应的差值序列的平均值进行取整,将取整之后的列-灰度均值曲线对应的差值序列的
平均值记为纺织面料目标图像对应的竖直方向的纹理周期。
本实施例中,将纺织面料目标图像对应的竖直方向的纹理周期大小记为滑窗的宽,将纺织面料目标图像对应的水平方向的纹理周期大小记为滑窗的长。
本实施例中,确定滑窗的尺寸之后,将滑窗以预设滑动步长从纺织面料目标图像上的原点位置沿水平方向开始滑动,得到纺织面料目标图像上各滑窗窗口对应的区域,所述预设滑动步长需要根据实际情况确定。
步骤S003,根据所述各滑窗窗口对应区域内的各像素点灰度值,得到纺织面料目标图像上各滑窗窗口对应的灰度均值和灰度方差;根据所述各滑窗窗口对应的灰度均值,得到纺织面料目标图像对应的第一曲线;根据所述各滑窗窗口对应的灰度方差,得到纺织面料目标图像对应的第二曲线。
本实施例中,通过对各滑窗窗口对应区域内的各像素点灰度值进行分析,得到纺织面料目标图像上各滑窗窗口对应的灰度均值和灰度方差;通过对各滑窗窗口对应的灰度均值进行分析,得到纺织面料目标图像对应的第一曲线;通过对各滑窗窗口对应的灰度方差和进行分析,得到纺织面料目标图像对应的第二曲线;将第一曲线和第二曲线作为得到纺织面料目标图像对应的各异常窗口中的各异常像素点的依据。
本实施例中,获得纺织面料目标图像上各滑窗窗口对应区域内的各像素点以及各像素点的灰度值;根据纺织面料目标图像上各滑窗窗口对应区域内的各像素点的灰度值,得到纺织面料目标图像上各滑窗窗口对应的灰度均值;以滑窗滑动的次数为横坐标,以每次滑动后的滑窗窗口对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的滑动次数-窗口灰度均值曲线,将滑动次数-窗口灰度均值曲线记为纺织面料目标图像对应的第一曲线;所述第一曲线上的各点的含义为滑窗在纺织面料目标图像上第j次滑动后的滑窗窗口对应的灰度均值,例如第一曲线上第一个点的横坐标值为1,纵坐标值为第1次滑动后的滑窗窗口对应的灰度均值。
本实施例中,根据纺织面料目标图像上各滑窗窗口对应区域内的各像素点的灰度值,得到纺织面料目标图像上各滑窗窗口对应的灰度方差;以滑窗滑动的次数为横坐标,以每次滑动后的滑窗窗口对应的灰度方差为纵坐标,构建得到纺织面料目标图像对应的滑动次数-窗口灰度方差曲线,将滑动次数-窗口灰度方差曲线记为纺织面料目标图像对应的第二曲线;所述第二曲线上的各点的含义为滑窗在纺织面料目标图像上第j次滑动后的滑窗窗口对应的灰度方差,例如第二曲线上第一个点的横坐标值为1,纵坐标值为第1次滑动后的滑窗窗口对应的灰度方差。
步骤S004,根据所述第一曲线和第二曲线,得到纺织面料目标图像对应的各异常窗口种各异常像素点的位置。
本实施例中,通过对第一曲线和第二曲线进行分析,得到纺织面料目标图像对应的各异常窗口中各异常像素点的位置;将得到的纺织面料目标图像对应的各异常窗口中各异常像素点的位置作为后续得到纺织面料目标图像对应的各异常区域的依据。
本实施例中,纺织面料为以白色为染色的织物,并且本实施例主要是对线状疵点和团装疵点进行识别和检测;因为线状疵点可能是由于织物折痕或者经纬线交叉引起的,而折痕区域或者经纬线交叉区域会有较深的痕迹,即颜色较深,因此折痕区域或者经纬线交叉区域灰度化后的灰度值就会较低;又因为团状疵点是由于织物上存在油污或者破洞引起的,而油污颜色较深,因此油污区域灰度化后的灰度值较低,而破洞区域显示的是传送带区域,即破洞区域的灰度值也是对应传送带区域的灰度值,因此破洞区域的灰度值也较低。因此本实施例获得纺织面料目标图像对应的第一曲线上先下降再上升的各线段,将纺织面料目标图像对应的第一曲线上先下降再上升的各线段对应的滑窗窗口记为异常窗口,所述第一曲线上先下降再上升的线段是疵点存在的区域,将所述第一曲线上先下降再上升的各线段记为纺织面料目标图像对应的第一曲线上的各变化线段;之后获取各变化线段中的最小纵坐标值,所述各变化线段中的最小纵坐标值为各变化线段中最小灰度均值对应的异常滑窗;根据各变化线段中的最小纵坐标值与预设第一阈值,得到第一曲线上的各变化线段对应的目标阈值;根据如下公式计算第一曲线上的各变化线段对应的目标阈值:
本实施例中,判断第一曲线上的各变化线段上各点的纵坐标值是否小于对应变化线段的目标阈值,若是,将对应纵坐标值记为目标纵坐标值,将目标纵坐标值对应的横坐标值记为目标横坐标值,将目标纵坐标值对应的滑窗窗口记为目标窗口,将目标窗口的灰度均值记为目标灰度均值;之后根据各变化线段对应的各目标纵坐标值和各目标横坐标值,构建得到各变化线段对应目标线段。
本实施例中,根据各变化线段对应的目标线段上的各目标纵坐标值以及目标线段上的目标横坐标的数量,得到第一曲线上各变化线段对应的目标灰度均值;根据如下公式计算第一曲线上各变化线段对应目标灰度均值:
其中,为第一曲线上的第个变化线段对应的目标灰度均值,为第一曲线上
的第个变化线段对应的目标线段上的第个目标横坐标对应的目标纵坐标值,为第一
曲线上的第个变化线段上目标横坐标的数量;由于疵点区域大于纹理周期,所以对应的
滑窗窗口内的像素点都是异常像素点,即对应的滑窗窗口内的区域都是疵点区域。
本实施例中,获取滑窗窗口内没有异常像素点时的灰度均值,将滑窗窗口内没有异常像素点时的灰度均值记为正常灰度均值;根据正常灰度均值、第一曲线上的各变化线段对应的目标灰度均值和各变化线段对应的各异常窗口的灰度均值,得到第一曲线上各变化线段对应的各异常窗口中异常像素点的占比;根据如下公式计算第一曲线上各变化线段对应的各异常窗口中异常像素点的占比:
本实施例中,通过上述过程可以得到第一曲线上的各变化线段对应的各异常窗口中异常像素点的占比;根据第一曲线上的各变化线段对应的各异常窗口中异常像素点的占比以及滑窗的尺寸,得到第一曲线上各变化线段对应的各异常窗口中异常像素点的数量;根据如下公式计算第一曲线上各变化线段对应的各异常窗口中异常像素点的数量:
其中,为第个变化线段对应的第个异常窗口中异常像素点的数量,为滑窗
的长,为滑窗的宽;越大表明第个变化线段对应的第个异常窗口对应的异常像素点
的数量越多,越大表明第个变化线段对应的第个异常窗口对应的异常像素点的数量
越多。
本实施例中,由于纺织面料目标图像上疵点区域在第二曲线上的变化为先上升再下降,因此可以根据第二曲线的变化,得到第一曲线上的各变化线段对应的目标线段上与疵点中心最接近的窗口;获得在第二曲线上与第一曲线上的各变化线段对应的目标线段上的各横坐标值相同的线段,将第二曲线上与第一曲线上的各变化线段对应的目标线段上的各横坐标值相同的线段记为第二曲线对应各目标线段;之后获得第二曲线对应的各目标线段上的最大纵坐标值对应的横坐标值,并得到第二曲线对应的各目标线段上的最大纵坐标值对应的异常窗口;将第二曲线对应各目标线段上的最大纵坐标值对应的异常窗口的灰度均值记为各第一曲线上的各变化线段对应的标准灰度均值,所述标准灰度均值对应的窗口是与对应疵点区域中心最接近的窗口。
本实施例中,判断第一曲线上的各变化线段对应的各异常窗口的灰度均值是否大于对应的标准灰度均值,若是,判断对应的异常窗口上的异常像素点分布在异常窗口的左边,否则,判断对应的异常窗口上的异常像素点分布在异常窗口的右边;之后根据各变化线段对应的各异常窗口内异常像素点的数量以及异常像素点分布的位置,得到各变化线段对应的各异常窗口中各异常像素点的位置;例如某一变化线段对应的任意一个异常窗口的灰度均值大于对应的变化线段的标准灰度均值,则判断该异常窗口内异常像素点分布在异常窗口的左边,获取该异常窗口中最小横坐标和最小纵坐标对应的像素点,将该像素点记为该异常窗口中第一个标记点,之后对该像素点对应的竖直方向上的各像素点依次进行标记,当该像素点的竖直方向上的像素点标记完之后,找到与该像素点在水平方向上相邻的像素点,再对与该像素点在水平方向上相邻的像素点的竖直方向上的各像素点依次进行标记,以此类推,直到标记的像素点数量与该异常窗口中异常像素点的数量相同时截止,将标记的各像素点记为该异常窗口中的各异常像素点,将标记的各像素点的坐标记为该异常窗口中的各异常像素点的坐标。因此通过上述过程得到纺织面料目标图像对应的各异常窗口中各异常像素点的位置。
步骤S005,根据所述各异常像素点的位置,得到纺织面料目标图像对应的各异常区域;根据所述各异常区域中各异常像素点的坐标,得到各异常区域对应的特征值。
本实施例中,通过对各异常窗口中各异常像素点的位置进行分析,得到纺织面料目标图像对应的各异常区域;之后根据各异常区域中各异常像素点的坐标,得到各异常区域对应的特征值;将各异常区域对应的特征值作为后续分析计算各异常区域对应的质量评分的依据。
本实施例中,通过上述过程可以得到纺织面料目标图像上各异常像素点的的位置,将各异常像素点的灰度值标记为0,其它像素点的灰度值标记为255,之后利用边缘检测算法,得到纺织面料目标图像上的各异常区域,所述异常区域由异常像素点构成;根据各异常区域中各异常像素点的坐标,得到各异常区域中任意两个异常像素点之间的距离;根据各异常区域中任意两个异常像素点之间的距离,构建得到各异常区域对应的距离序列;从各异常区域对应的距离序列中选取最大距离和最大距离对应的两个异常像素点;之后连接各异常区域最大距离对应的两个异常像素点之间的线段,得到各异常区域对应的最大距离线段,并得到各异常区域对应的最大距离线段的中心点坐标,过各异常区域对应的最大距离线段的中心点坐标作与对应的最大距离线段垂直的直线,将所述直线记为各异常区域对应的最短距离直线;获得各异常区域对应的最短距离直线与对应异常区域边缘的两个交点之间的距离,将各异常区域对应的最短距离直线与对应异常区域边缘的两个交点之间的距离记为各异常区域对应的第二特征值;将各异常区域对应的距离序列中的最大距离记为各异常区域对应的第一特征值。
步骤S006,根据所述特征值,得到各异常区域对应的质量评分;根据所述质量评分,得到纺织面料目标图像对应的纺织面料的质量等级。
本实施例中,通过对各异常区域对应的特征值进行分析,得到各异常区域对应的质量评分的具体过程为:
本实施例中,利用美标四分法对各异常区域打分,所述美标四分法为公知技术,本
实施例不做具体描述,因此需要得到各异常区域的尺寸;本实施例将图像的分辨率设置为
1200dpi的分辨率,将每一张图像的大小为n0*m0,则纺织面料目标图像的面积就为,其中这个25.4表示的意思是25.4mm上像素点的数量,因此纺织面
料目标图像上像素点的大小为。之后根据各异常区域对应的第一特征值和像素点的大
小,得到各异常区域的尺寸,即,其中为第个异常区域的尺寸,为
第个异常区域的第一特征值。
本实施例中,计算上述得到各异常区域对应的第二特征值与对应的第一特征值的比值,将所述比值记为各异常区域对应的特征指标;判断所述各异常区域对应的特征指标是否大于预设第二阈值,若是,判定对应的异常区域为破洞疵点或者油污疵点,否则,则判定对应的异常区域为线状疵点。
本实施例中,将预设第二阈值设置为0.8;作为其它的实施方式,也可以根据情况的不同为预设第二阈值设置其它的值,例如可以是0.7。
本实施例中,将异常区域为破洞疵点或者油污疵点的质量评分记为4,之后根据异常区域为线状疵点的尺寸的大小,得到异常区域为线状疵点的质量评分;将尺寸在3寸以内的异常区域为线状疵点的质量评分记为1,将尺寸在3寸到6寸以内的异常区域为线状疵点的质量评分记为2,将尺寸在6寸到9寸以内的异常区域为线状疵点的质量评分记为3,9寸以上的异常区域为线状疵点的质量评分记为4。
本实施例中,通过上述过程可以得到各异常区域对应的质量评分,将各异常区域对应的质量评分求和,将求和的结果记为纺织面料目标图像对应综合质量评分;根据纺织面料目标图像对应的综合质量评分,得到纺织面料目标图像对应的纺织面料的质量等级;根据如下过程得到纺织面料目标图像对应的纺织面料的质量等级:
其中,为纺织面料目标图像对应的纺织面料的质量等级,为纺织面料目标图像
对应的综合质量评分,为纺织面料对应的预设第一标准质量评分,为纺织面料对应的
预设第二标准质量评分。当为1时,纺织面料目标图像对应的纺织面料为1等品,当为2时,
纺织面料目标图像对应的纺织面料为2等品,,当为3时,纺织面料目标图像对应的纺织面
料为残次品;越大纺织面料目标图像对应的纺织面料的质量越好。预设第一标准质量评分
和预设第二标准质量评分都要根据实际情况设置。
有益效果:本实施例将各滑窗窗口对应区域内的各像素点灰度值作为得到纺织面料目标图像对应的第一曲线和第二曲线的依据;将第一曲线和第二曲线作为得到纺织面料目标图像对应的各异常窗口中各异常像素点的位置的依据;将各异常窗口中各异常像素点位置作为得到纺织面料目标图像对应的各异常区域的依据;将各异常区域中各异常像素点的坐标作为得到各异常区域对应的特征值的依据;将各异常区域对应的特征值作为得到各异常区域对应的质量评分的依据;将各异常区域对应的质量评分作为得到纺织面料目标图像对应的纺织面料的质量等级的依据。本实施例中的方法是一种基于图像识别的方法,该系统是一种应用于生产领域的人工智能系统;本实施例是基于计算机视觉的方法,能较准确的得到纺织面料上各疵点区域的形状特性和各疵点区域的质量评分,进而能较准确得到纺织面料的质量等级。
本实施例的一种基于图像识别的纺织面料质量评估系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述基于图像识别的纺织面料质量评估方法。
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,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。
Claims (8)
1.一种基于图像识别的纺织面料质量评估方法,其特征在于,该方法包括如下步骤:
获取纺织面料目标图像;
根据所述纺织面料目标图像上各像素点的灰度值,得到纺织面料目标图像对应的滑窗尺寸;将所述滑窗以预设滑动步长在所述纺织面料目标图像上进行滑动,得到纺织面料目标图像上各滑窗窗口对应的区域;
根据所述各滑窗窗口对应区域内的各像素点灰度值,得到纺织面料目标图像上各滑窗窗口对应的灰度均值和灰度方差;根据所述各滑窗窗口对应的灰度均值,得到纺织面料目标图像对应的第一曲线;根据所述各滑窗窗口对应的灰度方差,得到纺织面料目标图像对应的第二曲线;
根据所述第一曲线和第二曲线,得到纺织面料目标图像对应的各异常窗口中各异常像素点的位置;
根据所述各异常像素点的位置,得到纺织面料目标图像对应的各异常区域;根据所述各异常区域中各异常像素点的坐标,得到各异常区域对应的特征值:根据所述各异常区域中各异常像素点的坐标,得到各异常区域中任意两个异常像素点之间的距离;根据所述各异常区域中任意两个异常像素点之间的距离,构建得到各异常区域对应的距离序列;从所述各异常区域对应的距离序列中选取最大距离和最大距离对应的两个异常像素点;连接所述各最大距离对应的两个异常像素点之间的线段,得到各异常区域对应的最大距离线段,并得到各异常区域对应的最大距离线段的中心点坐标;过所述中心点坐标作与对应的最大距离线段垂直的直线,将所述直线记为各异常区域对应的最短距离直线;获得所述最短距离直线与对应异常区域边缘的两个交点之间的距离;将所述最短距离直线与对应异常区域边缘的两个交点之间的距离记为各异常区域对应的第二特征值;将所述最大距离记为各异常区域对应的第一特征值;将所述第二特征值和第一特征值记为各异常区域对应的特征值;
根据所述特征值,得到各异常区域对应的质量评分;根据所述质量评分,得到纺织面料目标图像对应的纺织面料的质量等级。
2.如权利要求1所述的一种基于图像识别的纺织面料质量评估方法,其特征在于,所述根据所述纺织面料目标图像上各像素点的灰度值,得到纺织面料目标图像对应的滑窗尺寸的方法,包括:
计算所述纺织面料目标图像上各行对应的灰度均值;
以所述纺织面料目标图像上的行数为横坐标,以所述各行对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的行-灰度均值曲线;
获得行-灰度均值曲线上最大灰度均值对应的各横坐标值,将行-灰度均值曲线上最大灰度均值对应的各横坐标值记为行-灰度均值曲线对应各第一横坐标值;
根据所述各第一横坐标值,得到纺织面料目标图像对应的水平方向的纹理周期;
计算纺织面料目标图像上各列对应的灰度均值;
以所述纺织面料目标图像上的列数为横坐标,以所述各列对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的列-灰度均值曲线;
获得列-灰度均值曲线上最大灰度均值对应的各横坐标值,将列-灰度均值曲线上最大灰度均值对应的各横坐标值记为列-灰度均值曲线对应各第二横坐标值;
根据所述各第二横坐标值,得到纺织面料目标图像对应的竖直方向的纹理周期;
将所述竖直方向的纹理周期记为滑窗的宽,将所述水平方向的纹理周期记为滑窗的长。
3.如权利要求2所述的一种基于图像识别的纺织面料质量评估方法,其特征在于,所述根据所述各第一横坐标值,得到纺织面料目标图像对应的水平方向的纹理周期的方法,包括:
根据所述各第一横坐标值,构建得到行-灰度均值曲线对应第一横坐标值序列;
计算所述第一横坐标值序列中相邻两个第一横坐标值之间的差值,得到行-灰度均值曲线对应差值序列;
对行-灰度均值曲线对应的差值序列的平均值进行取整,将取整之后的行-灰度均值曲线对应的差值序列的平均值记为纺织面料目标图像对应的水平方向的纹理周期。
4.如权利要求1所述的一种基于图像识别的纺织面料质量评估方法,其特征在于,所述根据所述各滑窗窗口对应的灰度均值,得到纺织面料目标图像对应的第一曲线;根据所述各滑窗窗口对应的灰度方差,得到纺织面料目标图像对应的第二曲线,包括:
以所述滑窗滑动的次数为横坐标,以每次滑动后的滑窗窗口对应的灰度均值为纵坐标,构建得到纺织面料目标图像对应的滑动次数-窗口灰度均值曲线,将滑动次数-窗口灰度均值曲线记为纺织面料目标图像对应的第一曲线;
以所述滑窗滑动的次数为横坐标,以每次滑动后的滑窗窗口对应的灰度方差为纵坐标,构建得到纺织面料目标图像对应的滑动次数-窗口灰度方差曲线,将滑动次数-窗口灰度方差曲线记为纺织面料目标图像对应的第二曲线。
5.如权利要求1所述的一种基于图像识别的纺织面料质量评估方法,其特征在于,所述根据所述第一曲线和第二曲线,得到纺织面料目标图像对应的各异常窗口中各异常像素点位置的方法,包括:
获得所述第一曲线上先下降再上升的各线段,将所述第一曲线上先下降再上升的各线段对应的滑窗窗口记为异常窗口;将所述第一曲线上先下降再上升的各线段记为所述第一曲线上的各变化线段;
获取所述各变化线段中的最小纵坐标值;根据所述各变化线段中的最小纵坐标值与预设第一阈值,得到第一曲线上各变化线段对应的目标阈值;
根据所述各变化线段上各点的纵坐标值和所述目标阈值,得到各变化线段对应目标线段;根据所述目标线段上的各纵坐标值和所述目标线段上的横坐标的数量,得到所述第一曲线上各变化线段对应的目标灰度均值;
获取滑窗窗口内没有异常像素点时的灰度均值,将滑窗窗口内没有异常像素点时的灰度均值记为正常灰度均值;
根据所述正常灰度均值、所述目标灰度均值和所述各变化线段对应的各异常窗口的灰度均值,得到所述第一曲线上各变化线段对应的各异常窗口中异常像素点的占比;
根据所述各异常窗口中异常像素点的占比以及滑窗的尺寸,得到第一曲线上各变化线段对应的各异常窗口中异常像素点的数量;
根据所述第二曲线上的纵坐标值,得到各第一曲线上的各变化线段对应的标准灰度均值;
判断所述各异常窗口的灰度均值是否大于对应的标准灰度均值,若是,判断对应的异常窗口上的异常像素点分布在异常窗口的左边,否则,判断对应的异常窗口上的异常像素点分布在异常窗口的右边;
根据所述各异常窗口内异常像素点的数量以及异常像素点分布的位置,得到各变化线段对应的各异常窗口中各异常像素点的位置。
8.一种基于图像识别的纺织面料质量评估系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-7任一项所述的一种基于图像识别的纺织面料质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880978.6A CN115115615B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像识别的纺织面料质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210880978.6A CN115115615B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像识别的纺织面料质量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115615A CN115115615A (zh) | 2022-09-27 |
CN115115615B true CN115115615B (zh) | 2022-12-13 |
Family
ID=83334493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210880978.6A Active CN115115615B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像识别的纺织面料质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115615B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272345B (zh) * | 2022-09-30 | 2022-12-27 | 南通海王消防水带有限公司 | 基于图像处理的防火面料质量分析方法 |
CN115311267B (zh) * | 2022-10-10 | 2023-04-14 | 南通逸耀辰纺织品科技有限公司 | 一种格纹织物异常检测方法 |
CN115311264B (zh) * | 2022-10-10 | 2022-12-20 | 韩玉世家(南通)纺织品有限公司 | 用于纺织生产的织物瑕疵线条缺陷识别方法 |
CN115311310B (zh) * | 2022-10-10 | 2023-04-07 | 江苏欧罗曼家纺有限公司 | 通过图割实现纺织品印花图案提取的方法 |
CN115661113B (zh) * | 2022-11-09 | 2023-05-09 | 浙江酷趣智能科技有限公司 | 吸湿排汗的面料及其制备工艺 |
CN115859405B (zh) * | 2023-03-02 | 2023-05-12 | 青岛昊宇重工有限公司 | 一种自立式钢烟囱设计数据增强方法 |
CN115861722B (zh) * | 2023-03-02 | 2023-07-25 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN116736783B (zh) * | 2023-08-16 | 2023-12-05 | 江苏德顺纺织有限公司 | 用于纺织的电气设备的智能化远程控制系统和方法 |
CN116805312B (zh) * | 2023-08-21 | 2024-01-05 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
CN117095067B (zh) * | 2023-10-17 | 2024-02-02 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117670993B (zh) * | 2023-12-06 | 2024-07-05 | 广东精英纺织服饰科技有限公司 | 一种基于机器视觉的纺织生产加工监控系统 |
CN117495850B (zh) * | 2023-12-29 | 2024-03-19 | 中国科学院空天信息创新研究院 | 图像异常点检测方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035195A (zh) * | 2018-05-08 | 2018-12-18 | 武汉纺织大学 | 一种织物疵点检测方法 |
CN110084246A (zh) * | 2019-04-17 | 2019-08-02 | 江南大学 | 一种色织物疵点自动识别方法 |
CN113724253A (zh) * | 2021-10-13 | 2021-11-30 | 南通保利金纺织科技有限公司 | 基于图像处理的纺纱梳理工序质量监测方法 |
CN114627117A (zh) * | 2022-05-13 | 2022-06-14 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581376B (zh) * | 2022-01-31 | 2023-03-24 | 南通摩瑞纺织有限公司 | 基于图像识别的纺织用蚕茧自动拣选方法及系统 |
CN114549522B (zh) * | 2022-04-24 | 2022-06-24 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
-
2022
- 2022-07-26 CN CN202210880978.6A patent/CN115115615B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035195A (zh) * | 2018-05-08 | 2018-12-18 | 武汉纺织大学 | 一种织物疵点检测方法 |
CN110084246A (zh) * | 2019-04-17 | 2019-08-02 | 江南大学 | 一种色织物疵点自动识别方法 |
CN113724253A (zh) * | 2021-10-13 | 2021-11-30 | 南通保利金纺织科技有限公司 | 基于图像处理的纺纱梳理工序质量监测方法 |
CN114627117A (zh) * | 2022-05-13 | 2022-06-14 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115115615A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115615B (zh) | 一种基于图像识别的纺织面料质量评估方法及系统 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
CN111161243A (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN116630309B (zh) | 一种布匹断纬瑕疵检测方法 | |
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 | |
CN115294116B (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及系统 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN112560538A (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
CN114359190A (zh) | 一种基于图像处理的塑料制品成型控制方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115880699B (zh) | 一种食品包装袋检测方法及系统 | |
CN114266743A (zh) | 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质 | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN114926387A (zh) | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 | |
CN118196068A (zh) | 一种基于人工智能的纺织品印染质量监控系统 | |
CN109141829B (zh) | 一种靶线清晰度计算及工业相机后截距的检测方法 | |
CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
CN115496762B (zh) | 一种基于纺织工艺的染色不良缺陷识别方法 |
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 |