CN115187597B - 一种纺织品缺陷检测方法 - Google Patents
一种纺织品缺陷检测方法 Download PDFInfo
- Publication number
- CN115187597B CN115187597B CN202211098812.5A CN202211098812A CN115187597B CN 115187597 B CN115187597 B CN 115187597B CN 202211098812 A CN202211098812 A CN 202211098812A CN 115187597 B CN115187597 B CN 115187597B
- Authority
- CN
- China
- Prior art keywords
- warp
- weft
- image
- longitude
- latitude
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 44
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000000877 morphologic effect Effects 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 7
- 238000013519 translation Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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 using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20061—Hough transform
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种纺织品缺陷检测方法,通过获取图像中的目标区域;提取出对目标区域的边缘信息数据,之后对边缘信息数据进行数据信息的处理,即对边缘信息进行霍夫空间转换,确定经纬线方向值,保留经纬线方向的直线,通过形态学膨胀算子膨胀过程中霍夫空间中亮点变化情况得到断经断纬情况;通过断经断纬情况对纺织品的质量进行评价。即本发明的方案能够对经纬线的工艺质量进行精准评价,避免对后续的工艺产生影响和影响到纺织品的质量。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种纺织品缺陷检测方法。
背景技术
现有的纺织品断经断纬检测往往是通过边缘检测得到经线和纬线,但边缘检测结果受疵点或纺织品上其它缺陷的影响较大,导致检测到的边缘中存在伪边缘,即不是经纬线形成的边缘,同时疵点也给断经断纬缺陷的检测带来了困难。
授权公告号为CN113643289B的专利文件公开的一种基于图像处理的织物表面缺陷检测方法的方案是通过灰度对空洞像素和纺织像素进行区分,由于断经断纬缺陷与空洞像素点的灰度值均较低,因此通过该方法无法对空洞像素点和断经断纬缺陷进行区分,即空洞像素点会影响断经断纬缺陷的检测,使得无法对纺织品的缺陷进行准确的评价。
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纺织品缺陷检测方法,所采用的技术方案具体如下:
本发明的一种纺织品缺陷检测方法,包括以下步骤:采集纺织品图像,通过语义分割获得目标区域;
将目标区域的边缘转换到第一霍夫空间,对第一霍夫空间中的横坐标进行多阈值分割,得到多个横坐标类别,然后通过每个类别对应的所有高亮点的亮度值、数量和亮度一致性,计算每个类别的经纬线概率;
将经纬线概率排名前两个的类别记为两个经纬线类别,将两个经纬线类别中每个经纬线类别的横坐标均值分别作为图像空间中的经线方向值和纬线方向值;
根据经线方向值和纬线方向值得到图像空间上沿着经线方向的所有第一直线和纬线方向的所有第二直线;
根据所有第一直线和所有第二直线获得形态学算子;
根据形态学算子在纺织图像上进行膨胀操作,获得变化序列,包括:
通过该形态学算子目标区域的边缘图像上对所有第一直线上的所有像素点进行经线方向的滑窗,得到经线膨胀图像,通过该形态学算子对目标区域的边缘图像上所有第二直线上的所有像素点进行纬线方向的滑窗,得到纬线膨胀图像;
将经线膨胀图像的边缘转换到第二霍夫参数空间,根据第一霍夫空间和第二霍夫参数空间得到经线变化序列,将纬线膨胀图像的边缘转换到第三霍夫参数空间,根据第一霍夫空间和第三霍夫参数空间得到纬线变化序列;
将经线膨胀图像和纬线膨胀图像分别作为所述纺织图像,重复根据形态学算子在纺织图像上进行碰撞操作预设次数,得到所有的纬线变化序列和经线变化序列,计算所有纬线变化序列的纬线一致性,计算所有经线变化序列的经线一致性,如果经线一致性和纬线一致性同时小于设定值,则为断经断纬情况,否则不是断经断纬缺陷。
进一步地,目标区域的边缘通过canny边缘检测得到边缘。
进一步地,在计算经纬线概率之前,还包括通过筛选得到高亮点,通过对霍夫空间中的所有点的投票值进行统计,通过otsu得到阈值k,将投票值大于阈值k对应的点称之为高亮点。
进一步地,所述目标区域是采用DNN语义分割的方式来识别分割图像中的目标区域。
进一步地,计算断经的长度的所有次数的均值与经线的比值以及断纬的长度的所有次数的均值与纬线的比值,计算两个比值的均值作为经纬线的断裂严重程度,对纺织品的质量进行评价。
本发明的有益效果:
1、通过在霍夫空间中检测得到经纬线的方向,然后在图像空间中得到相应的经纬线信息,避免了在图像空间检测时,光照不均等因素对断经断纬缺陷检测的影响。
2、通过霍夫直线检测得到经纬线,结合形态学膨胀算子在对经纬线处理过程中,霍夫空间中的高亮点的变化情况对纺织品的断经断纬缺陷进行检测,该方法去除了检测过程中疵点和其它缺陷的影响,可以对经纬线的工艺质量进行精准评价。
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是本发明的一种纺织品缺陷检测方法的结构流程图;
图2是获取的3列经线的示意图。
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,对依据本发明的方案,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。
本发明的主要目的是:针对传统方法中采用边缘检测方法对断经断纬进行检测存在受疵点和其它纺织品缺陷影响较大的问题,提出了一种纺织品缺陷检测方法,考虑到经线和纬线的平行直线特性,在边缘检测结果的基础上,通过霍夫直线检测得到经纬线,结合形态学膨胀算子在对经纬线处理过程中,霍夫空间中的高亮点的变化情况对纺织品的断经断纬缺陷进行检测,该方法去除了检测过程中疵点和其它缺陷的影响,可以对经纬线的工艺质量进行精准评价,进而判断该工艺过程是否存在问题,以便及时找到存在的问题,避免对后续的工艺产生影响和影响到纺织品的质量。具体地,对本发明提供的一种纺织品缺陷检测方法进行介绍,请参阅图1所示,包括以下步骤:
采集图像,通过语义分割获得目标区域;
将目标区域的边缘转换到第一霍夫空间,对第一霍夫空间中的横坐标进行多阈值分割,得到多个横坐标类别,然后通过每个类别对应的所有高亮点的亮度值、数量和亮度一致性,计算每个类别的经纬线概率;
将经纬线概率排名前两个的类别记为两个经纬线类别,将两个经纬线类别中每个经纬线类别的横坐标均值分别作为图像空间中的经线方向值和纬线方向值;
根据经线方向值和纬线方向值得到图像空间上沿着经线方向的所有第一直线和纬线方向的所有第二直线;
根据所有第一直线和所有第二直线获得形态学算子;
根据形态学算子在纺织图像上进行膨胀操作,获得变化序列,包括:
通过该形态学算子对目标区域的边缘图像上所有第一直线上的所有像素点进行经线方向的滑窗,得到经线膨胀图像,通过该形态学算子对目标区域的边缘图像上所有第二直线上的所有像素点进行纬线方向的滑窗,得到纬线膨胀图像;
将经线膨胀图像的边缘转换到第二霍夫参数空间,根据第一霍夫空间和第二霍夫参数空间得到经线变化序列,将纬线膨胀图像的边缘转换到第三霍夫参数空间,根据第一霍夫空间和第三霍夫参数空间得到纬线变化序列;
将经线膨胀图像和纬线膨胀图像分别作为所述纺织图像,重复根据形态学算子在纺织图像上进行碰撞操作预设次数,得到所有的纬线变化序列和经线变化序列,计算所有纬线变化序列的纬线一致性,计算所有经线变化序列的经线一致性,如果经线一致性和纬线一致性同时小于设定值,则为断经断纬情况,否则不是断经断纬缺陷。
实施例中采集的图像是通过设置的相机进行的图像采集。
本实施例中采用DNN语义分割的方式来识别分割图像中的目标区域。
该DNN网络的相关内容如下:
1)使用的数据集为俯视采集的纺织品图像数据集,纺织品的样式为多种多样的。
2)需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于纺织品的标注为1。
3)网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘,得到的图像中只含有纺织品的图像,去除了背景的干扰。
本实施例中的断经断纬情况的获取过程为:
(1)通过canny边缘检测得到边缘信息,然后通过霍夫空间转换得到经纬线方向值;
由于本发明的目的是对断经断纬缺陷进行检测,而断经断纬缺陷是在经线和纬线上的缺陷,因此首先需要找到纺织品上的经线和纬线,获得纺织品上经纬线,具体过程如下:
首先通过canny边缘检测得到图像上的边缘信息,为了避免疵点等其它缺陷对断经断纬检测的影响,考虑到经线和纬线分别有许多平行直线的特性,通过霍夫直线检测来检测经线和纬线,由于霍夫直线检测可能受到纺织品光照不均等因素的影响,首先在霍夫空间中检测得到经纬线的方向,然后在图像空间中得到相应的经纬线信息。
上述中的canny检测得到的边缘像素点和非边缘像素点的像素点分别为1和0,也即边缘检测得到的是二值图像;在二值图像上进行直线检测,首先得到二值图像对应的霍夫空间,虽然可能有其它因素的影响,但经线和纬线有两个性质:一个是数量多,一个是平行;数量多这个特性对应到霍夫空间中表现为相同投票值的高亮点的数量多,平行这个特性对应到霍夫空间中表现为:这些高亮点的横坐标相同,考虑到霍夫空间转换中存在的误差,即这些高亮点的横坐标值相近;综上所述,经线和纬线在霍夫空间中表现为:相近横坐标上对应的数量较多的且投票值大切相近的高亮点。
需要说明的是,霍夫检测直线是一种现有技术,通过空间转换的思想,将图像空间中的点转换到霍夫空间中,通过霍夫空间中的统计信息对图像空间中的直线进行检测,直线空间中的一条直线对应霍夫空间中的一个高亮点,直线空间中的点对应霍夫空间中的一条正弦曲线。由于霍夫检测直线是现有技术,因此不做过多赘述。
其次,根据经纬线,计算经纬线方向值,其过程如下:
首先对霍夫空间中的横坐标进行多阈值分割(通过改进的otsu进行多阈值分割,其为现有技术),得到不同的横坐标类别,同一个类别中的横坐标的值相近,不同类别中的横坐标的值相差较大,然后通过每个类别对应的所有高亮点的亮度值、数量和亮度(亮度是指投票值较大的霍夫空间中的点)一致性计算得到每个类别的经纬线概率p,计算公式如下:
公式中的u表示该类别对应的高亮点的亮度均值,s表示该类别中高亮点的数量,v表示亮度一致性,用该类别中所有高亮点的投票值的方差的倒数来表示。
上述公式通过计算可以得到所有类别的经纬线概率,将概率排名前2的类别作为经纬线类别,将对应类别的横坐标均值作为图像空间中的经纬线方向值。
需说明的是,在计算经纬线概率之前,还需要通过筛选得到高亮点,即投票值较大的点,通过对霍夫空间中的所有点的投票值进行统计,通过otsu得到阈值k,将投票值大于阈值k的投票值对应的点称之为高亮点。
本实施例中通过经纬线在图像空间中的特性在霍夫空间中的表现,通过在霍夫空间中计算得到了图像空间中的经纬线的方向值。
(2)保留经纬线方向的直线,通过形态学膨胀算子膨胀过程中霍夫空间中亮点变化情况得到断经断纬情况。
本实施例中,在获取经纬线的方向值之后,通过霍夫空间中对应方向值上的高亮点的坐标信息,在图像空间中得到对应位置的直线信息,将所述直线作为对应直线位置的图像空间像素点的掩膜,得到图像空间上沿着经线和纬线方向的信息。
由于霍夫直线是单线宽的,而图像空间中的经线和纬线不一定是单线宽的,因此霍夫直线往往只是经线和纬线的一部分,而不是全部的经线和纬线区域。如图2所示,表示经线,在图像上表示为3列线宽的直线,中间列的直线表示的是霍夫直线,即一个单线宽的直线。
本实施例中考虑到同一条经线内的连通域相近,因此首先对获得的掩膜后的单线宽区域计算该直线上所有像素点的灰度均值,通过该直线区域的左右平移,以1个像素点作为步长,以向左平移为例,计算每次平移后平移区域直线的灰度均值,形成一个灰度均值序列,每次平移一次,灰度均值序列的长度加1;获取该序列中的灰度转折点,将其作为截至点,将转折点之前的直线部分作为该经线的左侧部分,右侧部分通过相同的计算方法得到,然后将左右两部分形成的直线连通域作为完整经线区域。
本实施例中,由于实际中,经线和纬线不一定对应水平和竖直方向,将经纬线的垂直方向作为平移方向。
具体地,通过上述计算得到了图像空间中的经线和纬线区域,因此,断经断纬是在经线和纬线的某段产生了断裂,如图1所示,断裂区域的灰度值和正常区域的灰度值相差较大,常规方法是直接对异常的灰度值进行检测,但本发明的目的不是对断经断纬区域进行定位,而是进行质量评价,其更加关注的是全图信息,如果通过每条经线和纬线上的异常灰度信息进行检测,后续还需要计算分布情况进而得到质量评价指标,因此通过形态学操作结合霍夫空间中高亮点变化情况对断经断纬缺陷进行评估,进而得到纺织品的质量评价指标值,具体地:
分别构建经线方向和纬线方向的起到膨胀作用的形态学算子,其中,构建方法分别为:沿着经纬方向的n*3(n表示经线线宽)大小的形态学算子;
在边缘图像上通过该算子第一次对所有的经线进行沿着经线方向的滑窗,得到一张新图像,称之为经线膨胀第一次图像,得到对应的霍夫参数空间中不同坐标点(霍夫空间中的坐标点)对应的值,与之前的霍夫空间进行比较,得到经线方向上投票值的变化序列,称之为第一次变化序列,所述变化序列中每个值是同一个坐标位置的点的投票值的变化值,同样的,可以得到第二次变化序列,…,一直到第n次变化序列,发现第n次变化序列中所有元素值均为0,此时停止,选择第一次到第n-1次的变化序列,通过n-1次的变化序列得到每个坐标点的变化情况,得到变化矩阵,所述变化矩阵的行表示每个坐标点,列表示每个坐标点在n-1次中的变化值。
通过统计每个坐标点的变化序列的0值元素对应的次数,将所有坐标点的变化序列中的0值元素的对应次数可以形成一个序列,计算所述序列的离散系数,进而得到离散系数的倒数,将其作为序列的一致性,通过计算可以得到经线一致性和纬线一致性,如果一致性均小于0.8,认为是断经断纬缺陷,否则认为是由于机器的故障导致的缺陷。
举例说明:A坐标点的变化序列中的第5个元素为0,B坐标点的变化序列的第6个元素为0,通过统计0值元素对应次数,将所有坐标点的变化序列中的0值元素的对应次数可以形成一个序列,计算所述序列的离散系数,所述离散系数是现有技术,计算方法为:序列中所有元素的标准差与均值的比值,离散系数越大,一致性越小,因此将离散系数的倒数作为一致性,如果一致性小于0.8,认为是断经断纬缺陷,否则认为是由于机器的故障导致的缺陷。
需要说明的是,在形态学膨胀算子下,同一条经线的断开部分会变小,对应到霍夫参数空间中对应高亮点的投票值变大,因此可以通过计算在每次的膨胀下霍夫空间中高亮点的变化情况得到断经断纬部分的情况,如果断裂情况一致,大概率是由于机器本身的误差导致的,需要对机器进行修检,否则,断裂情况没有规律,则大概率不是系统误差导致的,此时对于检测到的缺陷,需要进行及时修复。
本实施例中,通过计算所有次数(表示断经的长度)的均值与经线的比值,同样可以得到纬线的比值,计算两个比值的均值作为经纬线的断裂严重程度,将所述比值作为该纺织品的质量,比值越大,质量越不好。
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 (5)
1.一种纺织品缺陷检测方法,其特征在于,包括以下步骤:
采集纺织品图像,通过语义分割获得目标区域;
将目标区域的边缘转换到第一霍夫空间,对第一霍夫空间中的横坐标进行多阈值分割,得到多个横坐标类别,然后通过每个类别对应的所有高亮点的亮度值、数量和亮度一致性,计算每个类别的经纬线概率;
将经纬线概率排名前两个的类别记为两个经纬线类别,将两个经纬线类别中每个经纬线类别的横坐标均值分别作为图像空间中的经线方向值和纬线方向值;
根据经线方向值和纬线方向值得到图像空间上沿着经线方向的所有第一直线和纬线方向的所有第二直线;
根据所有第一直线和所有第二直线获得形态学算子;
根据形态学算子在纺织图像上进行膨胀操作,获得变化序列,包括:
通过该形态学算子对目标区域的边缘图像上所有第一直线上的所有像素点进行经线方向的滑窗,得到经线膨胀图像,通过该形态学算子对目标区域的边缘图像上所有第二直线上的所有像素点进行纬线方向的滑窗,得到纬线膨胀图像;
将经线膨胀图像的边缘转换到第二霍夫参数空间,根据第一霍夫空间和第二霍夫参数空间得到经线变化序列,将纬线膨胀图像的边缘转换到第三霍夫参数空间,根据第一霍夫空间和第三霍夫参数空间得到纬线变化序列;
将经线膨胀图像和纬线膨胀图像分别作为所述纺织图像,重复根据形态学算子在纺织图像上进行碰撞操作预设次数,得到所有的纬线变化序列和经线变化序列,计算所有纬线变化序列的纬线一致性,计算所有经线变化序列的经线一致性,如果经线一致性和纬线一致性同时小于设定值,则为断经断纬情况,否则不是断经断纬缺陷。
2.根据权利要求1所述的一种纺织品缺陷检测方法,其特征在于,目标区域的边缘通过canny边缘检测得到边缘。
3.根据权利要求2所述的一种纺织品缺陷检测方法,其特征在于,在计算经纬线概率之前,还包括通过筛选得到高亮点,通过对霍夫空间中的所有点的投票值进行统计,通过otsu得到阈值k,将投票值大于阈值k对应的点称之为高亮点。
4.根据权利要求1所述的一种纺织品缺陷检测方法,其特征在于,所述目标区域是采用DNN语义分割的方式来识别分割图像中的目标区域。
5.根据权利要求1所述的一种纺织品缺陷检测方法,其特征在于,计算断经的长度的所有次数的均值与经线的比值以及断纬的长度的所有次数的均值与纬线的比值,计算两个比值的均值作为经纬线的断裂严重程度,对纺织品的质量进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211098812.5A CN115187597B (zh) | 2022-09-09 | 2022-09-09 | 一种纺织品缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211098812.5A CN115187597B (zh) | 2022-09-09 | 2022-09-09 | 一种纺织品缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115187597A CN115187597A (zh) | 2022-10-14 |
CN115187597B true CN115187597B (zh) | 2022-11-18 |
Family
ID=83523880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211098812.5A Active CN115187597B (zh) | 2022-09-09 | 2022-09-09 | 一种纺织品缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187597B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661143B (zh) * | 2022-12-14 | 2023-05-30 | 惠州威尔高电子有限公司 | 用于MiniLED晶圆缺陷的快速检测系统 |
CN117078661B (zh) * | 2023-10-12 | 2024-01-05 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930357B (zh) * | 2019-10-17 | 2023-11-14 | 中国矿业大学 | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 |
CN114219766A (zh) * | 2021-11-18 | 2022-03-22 | 华中科技大学 | 一种成品织物的表面缺陷视觉检测方法 |
CN114820631B (zh) * | 2022-07-04 | 2022-09-20 | 南通中豪超纤制品有限公司 | 一种抗纹理干扰的面料缺陷检测方法 |
-
2022
- 2022-09-09 CN CN202211098812.5A patent/CN115187597B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115187597A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187597B (zh) | 一种纺织品缺陷检测方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
US7409081B2 (en) | Apparatus and computer-readable medium for assisting image classification | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
US20170323435A1 (en) | Defect quantification method, defect quantification device, and defect evaluation value display device | |
CN111354026B (zh) | 一种基于surf特征的改进列车图像精确配准方法和系统 | |
CN111080650B (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及系统 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115311298B (zh) | 一种纺织品质量检测方法 | |
CN115100214A (zh) | 基于图像处理的纺织品质量检测方法 | |
CN111861990A (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
CN114266743A (zh) | 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质 | |
CN113610843B (zh) | 一种光纤编织层的实时缺陷识别系统及其方法 | |
CN114782426B (zh) | 基于人工智能系统的针织布料断纱缺陷检测方法 | |
CN115311264B (zh) | 用于纺织生产的织物瑕疵线条缺陷识别方法 | |
JP2005164565A (ja) | 低解像度および高解像度映像におけるフラットパネル用光関連板要素の欠陥検出方法 | |
CN105913440A (zh) | 一种基于双峰模式判别的织物材料表面疵点分割方法 | |
CN115294100A (zh) | 一种基于数据处理的织布机停车控制方法及系统 | |
CN115330688A (zh) | 一种考虑标签不确定性的图像异常检测方法 | |
CN114998346A (zh) | 一种防水布质量数据处理、识别方法 | |
CN115311278A (zh) | 一种对于纱线检测的纱线分割方法 |
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 |