CN115272303A - 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 - Google Patents

基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 Download PDF

Info

Publication number
CN115272303A
CN115272303A CN202211169171.8A CN202211169171A CN115272303A CN 115272303 A CN115272303 A CN 115272303A CN 202211169171 A CN202211169171 A CN 202211169171A CN 115272303 A CN115272303 A CN 115272303A
Authority
CN
China
Prior art keywords
fuzzy
defect degree
image
fabric
blur
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
CN202211169171.8A
Other languages
English (en)
Other versions
CN115272303B (zh
Inventor
苏宜刚
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.)
Ruimao Hengcheng Shandong Technology Development Co ltd
Original Assignee
Ruimao Hengcheng Shandong Technology Development 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 Ruimao Hengcheng Shandong Technology Development Co ltd filed Critical Ruimao Hengcheng Shandong Technology Development Co ltd
Priority to CN202211169171.8A priority Critical patent/CN115272303B/zh
Publication of CN115272303A publication Critical patent/CN115272303A/zh
Application granted granted Critical
Publication of CN115272303B publication Critical patent/CN115272303B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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 Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于高斯模糊的纺织物缺陷程度评估方法、装置及系统，涉及图像处理领域，包括获得待检测织物灰度图像；根据高斯模糊函数获得模糊半径
Figure DEST_PATH_IMAGE002
对应的模糊核；将灰度图像划分为多个与模糊核大小相同的区域并与模糊核相乘分别得到各模糊区域；将各模糊区域的中心的像素值组成模糊矩阵，计算模糊矩阵的灰度共生矩阵的熵及对比度，得到模糊半径
Figure 2941DEST_PATH_IMAGE002
对应的缺陷程度评估指标；计算模糊半径
Figure 44716DEST_PATH_IMAGE002
增大
Figure DEST_PATH_IMAGE004
后的缺陷程度评估指标，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值；对待检测织物的表面缺陷程度进行评估。

Description

基于高斯模糊的纺织物缺陷程度评估方法、装置及系统
技术领域
本申请涉及图像处理技术领域，具体涉及一种基于高斯模糊的纺织物缺陷程度评估方法、装置及系统。
背景技术
目前，机器视觉检测已经广泛用于纺织物表面检测，传统的基于图像处理的纺织物缺陷检测过程包括：首先对缺陷图像进行预处理，然后人为提取特征并输入到缺陷图像分类器进行训练，最终完成纺织物缺陷检测，现有技术中主要研究对象涉及纺织物的表面图像特征本身。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：
现有技术中对纺织物表面图像本身进行缺陷特征提取时，对图像的质量要求较高，即需要较高分辨的图像，才能使得图像中像素点之间的对比度以及图像中的纹理特征明显。但是，高分辨率图像会大大增加图像检测系统的运算量，且缺陷检测的结果会受到图像质量和图像预处理效果的影响。
发明内容
针对上述技术问题，本发明提供了一种基于高斯模糊的纺织物缺陷程度评估方法、装置及系统。本发明实施例能够根据纺织物的表面图像获得评价值，以利用评价值对待检测织物的表面缺陷程度进行评估，降低了检测结果受图像质量的不良影响，能够减少灰度共生矩阵算法的运算量，同时提高了纺织物表面图像缺陷程度评估精度以及检测效率，且便于实施者根据表面缺陷程度评估结果采取相应的处理措施。
第一方面，本文发明实施例提出了一种基于高斯模糊的纺织物缺陷程度评估方法，包括：
获得待检测织物的表面图像并进行灰度化获得灰度图像。
根据所构建的高斯模糊函数获得模糊半径
Figure 548269DEST_PATH_IMAGE001
对应的模糊核。
将所述灰度图像划分为多个与所述模糊核大小相同的区域，并将各所述区域分别与所述模糊核相乘，分别得到各模糊区域。
将各所述模糊区域的中心的像素值组成模糊矩阵，并计算所述模糊矩阵的灰度共 生矩阵的熵及对比度，以得到模糊半径
Figure 881161DEST_PATH_IMAGE001
对应的缺陷程度评估指标。
将所述模糊半径
Figure 148063DEST_PATH_IMAGE001
增大
Figure 908209DEST_PATH_IMAGE002
后，计算模糊半径增大后的缺陷程度评估指标，进行迭 代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值。
将各模糊半径对应的缺陷程度评估指标的均值作为评价值，并利用所述评价值对待检测织物的表面缺陷程度进行评估。
在一个可行的实施例中，计算所述模糊矩阵的灰度共生矩阵的熵及对比度，包括：
所述熵的计算过程包括：
Figure 503138DEST_PATH_IMAGE003
，其中
Figure 716137DEST_PATH_IMAGE004
为所述模糊矩 阵中灰度值的级数，
Figure 588278DEST_PATH_IMAGE005
为所述模糊矩阵中相邻像素点的像素值为
Figure 768593DEST_PATH_IMAGE006
的概率。
所述对比度为：
Figure 726185DEST_PATH_IMAGE007
。
在一个可行的实施例中，所述高斯模糊函数为：
Figure 650147DEST_PATH_IMAGE008
，其中，
Figure 376795DEST_PATH_IMAGE009
为标准差参数，
Figure 134535DEST_PATH_IMAGE010
表示模糊核参数，
Figure 566041DEST_PATH_IMAGE011
为自然常数。
在一个可行的实施例中，模糊半径
Figure 44427DEST_PATH_IMAGE001
对应的缺陷程度评估指标为：
Figure 874849DEST_PATH_IMAGE012
其中，
Figure 413277DEST_PATH_IMAGE013
为模糊半径
Figure 329150DEST_PATH_IMAGE001
对应的所述熵，
Figure 611226DEST_PATH_IMAGE014
为模糊半径
Figure 296154DEST_PATH_IMAGE001
对应的所述对比度，
Figure 398627DEST_PATH_IMAGE011
为 自然常数。
在一个可行的实施例中，述评价值对待检测织物的表面缺陷程度进行评估，包括：
当所述评价值小于预设第二阈值时，待检测织物的表面缺陷程度为低级。
当所述评价值大于预设第三阈值时，待检测织物的表面缺陷程度为高级。
否则，待检测织物的表面缺陷程度为中级。其中所述第二阈值小于所述预设第三阈值。
在一个可行的实施例中，对待检测织物的表面图像进行灰度化获得灰度图像，包括：
Figure 286949DEST_PATH_IMAGE015
，其中
Figure 621984DEST_PATH_IMAGE016
为像素点在所述灰度图像中的灰度值，
Figure 177730DEST_PATH_IMAGE017
为 像素点在所述表面图像的红色通道中的像素值，
Figure 307229DEST_PATH_IMAGE018
为像素点在所述表面图像的绿色通道中 的像素值，
Figure 948426DEST_PATH_IMAGE019
为像素点在所述表面图像的蓝色通道中的像素值。
在一个可行的实施例中，根据所构建的高斯模糊函数获得模糊半径
Figure 555994DEST_PATH_IMAGE001
对应的模糊 核前，所述方法还包括对所述灰度图像进行图像去噪处理。
第二方面，本发明实施例提出了一种基于高斯模糊的纺织物缺陷程度评估装置，包括：
图像获取及灰度模块，用于获得待检测织物的表面图像并进行灰度化获得灰度图像。
第一计算模块，用于根据所构建的高斯模糊函数获得模糊半径
Figure 966247DEST_PATH_IMAGE001
对应的模糊核。
区域划分及处理模块，用于将所述灰度图像划分为多个与所述模糊核大小相同的区域，并将各所述区域分别与所述模糊核相乘，分别得到各模糊区域。
第二计算模块，用于将各所述模糊区域的中心的像素值组成模糊矩阵，并计算所 述模糊矩阵的灰度共生矩阵的熵及对比度，以得到模糊半径
Figure 410522DEST_PATH_IMAGE001
对应的缺陷程度评估指标。
判断模块，用于将所述模糊半径
Figure 522703DEST_PATH_IMAGE001
增大
Figure 950274DEST_PATH_IMAGE002
后，计算模糊半径增大对应的缺陷程度评 估指标，进行迭代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值。
第三计算模块，用于将各模糊半径对应的缺陷程度评估指标的均值作为评价值。
缺陷程度判定模块，用于利用所述评价值对待检测织物的表面缺陷程度进行评估。
在一个可行的实施例中，所述缺陷程度判定模块具体用于：
当所述评价值小于预设第二阈值时，判断待检测织物的表面缺陷程度为低级。
当所述评价值大于预设第三阈值时，判断待检测织物的表面缺陷程度为高级。
否则，判断待检测织物的表面缺陷程度为中级，其中所述第二阈值小于所述预设第三阈值。
第三方面，本发明实施例提出了一种基于高斯模糊的纺织物缺陷程度评估系统，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，以实现本发明实施例中基于高斯模糊的纺织物缺陷程度评估方法。
本发明提供了一种基于高斯模糊的纺织物缺陷程度评估方法、装置及系统。通过 对待检测的纺织物的表面图像进行灰度化获得灰度图像，根据所构建的高斯模糊函数获得 模糊半径
Figure 198721DEST_PATH_IMAGE001
对应的模糊核，对灰度图像进行区域划分为并分别与模糊核相乘以获得各模糊 区域，将各模糊区域的中心的像素值组成模糊矩阵，计算模糊矩阵的灰度共生矩阵的熵及 对比度，以得到模糊半径
Figure 686334DEST_PATH_IMAGE001
对应的缺陷程度评估指标；计算模糊半径
Figure 285812DEST_PATH_IMAGE001
增大
Figure 251494DEST_PATH_IMAGE002
后的缺陷程度 评估指标，进行迭代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值； 将各模糊半径对应的缺陷程度评估指标的均值作为评价值对待检测织物的表面缺陷程度 进行评估。
相比于现有技术，本发明实施例的有益效果在于：能够根据纺织物的表面图像获得评价值，以利用评价值对待检测织物的表面缺陷程度进行评估，降低了检测结果受图像质量的不良影响，能够减少灰度共生矩阵算法的运算量，同时提高了纺织物表面图像缺陷程度评估精度以及检测效率，且便于实施者根据表面缺陷程度评估结果采取相应的处理措施。
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是本发明实施例提供的一种基于高斯模糊的纺织物缺陷程度评估方法的流程示意图。
图2是本发明实施例提供的一种基于高斯模糊的纺织物缺陷程度评估装置的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于高斯模糊的纺织物缺陷程度评估方法，如图1所示，包括：
步骤S101、获得待检测织物的表面图像并进行灰度化获得灰度图像。
步骤S102、根据所构建的高斯模糊函数获得模糊半径
Figure 876817DEST_PATH_IMAGE001
对应的模糊核。
步骤S103、将灰度图像划分为多个与模糊核大小相同的区域，并将各区域分别与模糊核相乘，分别得到各模糊区域。
步骤S104、将各模糊区域的中心的像素值组成模糊矩阵，并计算模糊矩阵的灰度 共生矩阵的熵及对比度，以得到模糊半径
Figure 394386DEST_PATH_IMAGE001
对应的缺陷程度评估指标。
步骤S105、将模糊半径
Figure 497471DEST_PATH_IMAGE001
增大
Figure 250533DEST_PATH_IMAGE002
后，计算模糊半径增大后的缺陷程度评估指标，进 行迭代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值。
步骤S106、将各模糊半径对应的缺陷程度评估指标的均值作为评价值，并利用评价值对待检测织物的表面缺陷程度进行评估。
本发明实施例所针对的具体场景为：纺织物表面缺陷检测场景，通过相机对纺织物表面进行图像采集，固定相机位置为纺织物正上方，纺织物表面光照分布均匀。本发明实施例主要针对的纺织品表面缺陷为：破洞，污点，缺经等表面纹理缺陷。
进一步的，步骤S101、获得待检测纺织物的表面图像并进行灰度化获得灰度图像。具体包括：
首先获得待检测纺织物的表面图像，纺织物的表面图像为RGB图像，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色。
其次，对表面图像进行灰度化处理，以获得灰度图像，本实施例中灰度化过程包 括：
Figure 489884DEST_PATH_IMAGE015
，其中
Figure 302988DEST_PATH_IMAGE016
为像素点在所述灰度图像中的灰度值，
Figure 627790DEST_PATH_IMAGE017
为像素 点在所述表面图像的红色通道中的像素值，
Figure 453051DEST_PATH_IMAGE018
为像素点在所述表面图像的绿色通道中的像 素值，
Figure 281330DEST_PATH_IMAGE019
为像素点在所述表面图像的蓝色通道中的像素值。
可选的，可以对灰度化后得到的灰度图像进行去噪处理，以去除图像中的噪声，从而减少图像中噪声点对后续图像模糊效果的影响。需要说明的是，图像去噪是指减少图像中造成的过程。现实中的图像会受到各种因素的影响而含有一定的噪声，噪声主要包括：椒盐噪声、加性噪声、乘性噪声以及高斯噪声。
图像去噪的算法有很多，有基于偏微分热传导方程的，也有基于滤波的，其中基于滤波的以其速度快、算法成熟，因此使用较为广泛，常用的滤波去噪算法包括：中值滤波、均值滤波以及高斯滤波。其中，中值滤波是通过中值滤波器实现滤波去噪的，中值滤波器是一种常用的非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换，其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。
进一步的，步骤S102、根据所构建的高斯模糊函数获得模糊半径
Figure 265335DEST_PATH_IMAGE001
对应的模糊核。 具体包括：
本实施例中利用高斯模糊算法对纺织物图像进行模糊处理。该步骤的目的：通过高斯模糊算法对去噪后的纺织物图像进行模糊处理，能够利用图像模糊处理将纺织物表面正常纹理特征覆盖，提高缺陷区域检测速度和精度。
本实施例中高斯模糊函数为
Figure 202067DEST_PATH_IMAGE008
，其中，
Figure 313243DEST_PATH_IMAGE009
为标准差参数，
Figure 776454DEST_PATH_IMAGE010
表示模糊 核参数0，
Figure 682093DEST_PATH_IMAGE011
为自然常数。
示例性的，当模糊半径
Figure 968106DEST_PATH_IMAGE020
时，模糊核大小为
Figure 882972DEST_PATH_IMAGE021
，初始的模糊核为
Figure 200690DEST_PATH_IMAGE022
，作 为一个示例，本实施例中将模糊核参数
Figure 667443DEST_PATH_IMAGE010
的均值取0，初始标准差
Figure 188554DEST_PATH_IMAGE023
。最终得到模糊半 径
Figure 625221DEST_PATH_IMAGE020
的模糊核为
Figure 548177DEST_PATH_IMAGE024
。
进一步的，步骤S103、将灰度图像划分为多个与模糊核大小相同的区域，并将各区域分别与模糊核相乘，分别得到各模糊区域。具体包括：
利用得到的高斯模糊核对纺织物图像进行模糊处理，以图像左上方为初始位置， 依次进行滑窗处理，将图像对应的
Figure 313396DEST_PATH_IMAGE021
区域内的像素点灰度值与模糊核进行相乘，实现对
Figure 321803DEST_PATH_IMAGE021
区域图像的模糊处理，随着滑窗依次对图像所有区域进行模糊处理，实现对纺织物图 像整体模糊。
进一步的，步骤S104、将各模糊区域的中心的像素值组成模糊矩阵，并计算模糊矩 阵的灰度共生矩阵的熵及对比度，以得到模糊半径
Figure 562160DEST_PATH_IMAGE001
对应的缺陷程度评估指标。具体包括：
本实施例中通过灰度共生矩阵对模糊图像进行缺陷程度评估，该步骤的目的：通过灰度共生矩阵参数和高斯模糊程度调节进行纺织物图像缺陷程度评估，如此，能够提高纺织物图像缺陷程度评估精度和泛化能力。
首先，利用图像灰度共生矩阵对模糊后的图像进行纺织物图像进行纹理特征提取，由于纺织图像表面本身纹理特征比较密集，当图像分辨率较高时，在传统的灰度共生矩阵上，对角线元素值较小，接近于0，说明表面纹理变化较快，纹理之间的对比度较大。而对图像模糊处理后，损失掉图像质量，像素点之间的灰度差异变小，表面纹理特征变化变小，相应的，传统的灰度共生阵对角线上的元素值较大，说明相近的纹理特征较多，纹理之间的对比度较小。具体的，灰度共生矩阵是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。
当纺织物表面存缺陷时，表面纹理会出现较大的波动变化，纹理波动范围较大。经过图像模糊处理后，表面正常纹理特征可能被模糊，纹理特征变化变小，但是对于存在缺陷的图像区域，可能仍存在表面纹理较大的波动变化。
将各模糊区域的中心的像素值组成模糊矩阵，将模糊矩阵中相邻的点组成模糊像 素对，然后获取模糊矩阵中灰度值的级数
Figure 605203DEST_PATH_IMAGE004
，并获得模糊矩阵的灰度共生矩阵，统计各个灰 度级数下模糊像素对的频数，根据各灰度级的模糊像素对的概率，计算能够反映图像纹理 的对比度和熵：
熵的计算过程包括：
Figure 272813DEST_PATH_IMAGE003
，其中
Figure 502937DEST_PATH_IMAGE004
为模糊矩阵中灰度 值的级数，
Figure 546986DEST_PATH_IMAGE005
为模糊矩阵中相邻像素点的像素值为
Figure 178955DEST_PATH_IMAGE006
的概率，
Figure 438640DEST_PATH_IMAGE025
均为
Figure 936487DEST_PATH_IMAGE026
范围内的 整数。
对比度为：
Figure 269379DEST_PATH_IMAGE007
。
需要说明的是，图像纹理特征中对比度能够反映纹理的清晰度和深度信息，具体的，纹理越深越清晰，对比度越大，由于上述过程中已经对纺织物表面图像经过模糊处理，所以，图像中正常区域的对比度较小，存在缺陷的区域由于可能仍存在纹理深度，使得整体图像的对比度相对较大。本实施例中熵能够反映图像的纹理复杂程度，经过图像模糊处理后，正常区域纹理被模糊，灰度值差异较小，对应的概率熵也较小，当存在缺陷区域时，可能造成整体图像的概率熵相对较大。
本实施例通过灰度共生矩阵的对比度和熵对纺织物图像进行缺陷程度评估，对
Figure 270702DEST_PATH_IMAGE013
和
Figure 296427DEST_PATH_IMAGE014
两个参数进行归一化处理，以排除量纲的影响，得到模糊半径
Figure 15990DEST_PATH_IMAGE001
对应的缺陷程度 评估指标：
Figure 152573DEST_PATH_IMAGE027
其中，
Figure 745753DEST_PATH_IMAGE013
为模糊半径
Figure 332592DEST_PATH_IMAGE001
对应的所述熵，
Figure 24605DEST_PATH_IMAGE014
为模糊半径
Figure 214146DEST_PATH_IMAGE001
对应的所述对比度，
Figure 675215DEST_PATH_IMAGE011
为 自然常数，本实施例中利用函数
Figure 557589DEST_PATH_IMAGE028
的目的是为了将两个特征指标的变化趋势处在较小 的变化区间。
进一步的，步骤S105、将模糊半径
Figure 471318DEST_PATH_IMAGE001
增大
Figure 201901DEST_PATH_IMAGE002
后，计算模糊半径增大后的缺陷程度评 估指标，进行迭代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值。具 体包括：
本实施例中
Figure 48635DEST_PATH_IMAGE002
为步长，作为一个示例，本实施例中步长为1。
为了提高纺织物图像缺陷评估精度，以及降低灰度共生矩阵的运算量。本实施例 中对高斯模糊半径
Figure 570752DEST_PATH_IMAGE001
进行调节，也即对高斯模糊核大小进行调节，将模糊半径增大
Figure 237356DEST_PATH_IMAGE002
，重新 执行步骤S102至步骤S104，以得到更新之后的模糊半径对应的缺陷程度评估指标，调解过 程中高斯模糊函数的参数值保持不变。
对模糊半径进行更新的目的在于：当高斯模糊半径较小时，灰度共生矩阵的参数对缺陷程度评估指标的重要程度越大，高斯模糊半径表征的缺陷程度评估意义越小，随着高斯模糊半径越大，图像表面纹理细节损失越严重，灰度共生矩阵的参数对于缺陷程度评估的意义越来越小，具体表现为：模糊半径增大前后，缺陷程度评估指标中灰度共生矩阵的对比度及熵的变化越来越小，同时由于模糊半径的变化为固定步长，可通过在模糊半径增大前后缺陷程度评估指标的差值在预设第一阈值内时不再调节模糊半径的方式，实现对模糊半径调节前后缺陷程度评估指标中灰度共生矩阵的对比度及熵的变化的控制。如此，能够自适应地调整两部分对缺陷程度评估的影响，从而提高对缺陷程度评估的精度和泛化能力。
作为一个示例，本实施例中预设第一阈值为0.7。
进一步的，步骤S106、将各模糊半径对应的缺陷程度评估指标的均值作为评价值，并利用评价值对待检测织物的表面缺陷程度进行评估。具体包括：
将各模糊半径对应的缺陷程度评估指标的均值作为评价值，当评价值小于预设第二阈值时，待检测织物的表面缺陷程度为低级，此时织物表面的缺陷较少，相应的，织物表面正常程度较高；当评价值大于预设第三阈值时，待检测织物的表面缺陷程度为高级；否则，待检测织物的表面缺陷程度为中级；其中第二阈值小于预设第三阈值。
可选的，可以对评价值进行归一化处理，使其取值范围为[0,1]。
如此，可以获得待检测织物的缺陷程度等级，完成对缺陷程度的评估，进而便于后续针对不同缺陷程度等级采取相应的处理措施，例如，将表面缺陷程度为低级的纺织物保留，继续使用，将表面缺陷程度为高级的纺织物进行报废处理，而对于表面缺陷程度为中级的纺织物，考虑纺织物中缺陷区域的分布情况，分析是否能够将纺织物中部分区域保留，以获得更小尺寸的纺织物进行使用。
本领域技术人员应该知道的是，以上利用评价值对表面缺陷程度进行评估中所划分的级数，仅仅是一个示例，具体实施者可根据自己的实际需求增加或者减少所划分等级的数量，以及相应预设阈值的具体数值。
本发明实施例还提供了一种基于高斯模糊的纺织物缺陷程度评估装置，如图2所示，包括：
图像获取及灰度模块201，用于获得待检测织物的表面图像并进行灰度化获得灰度图像；
第一计算模块202，用于根据所构建的高斯模糊函数获得模糊半径
Figure 644067DEST_PATH_IMAGE001
对应的模糊 核。
区域划分及处理模块203，用于将灰度图像划分为多个与模糊核大小相同的区域，并将各区域分别与模糊核相乘，分别得到各模糊区域。
第二计算模块204，用于将各模糊区域的中心的像素值组成模糊矩阵，并计算模糊 矩阵的灰度共生矩阵的熵及对比度，以得到模糊半径
Figure 328995DEST_PATH_IMAGE001
对应的缺陷程度评估指标。
判断模块205，用于将模糊半径
Figure 772746DEST_PATH_IMAGE001
增大
Figure 444423DEST_PATH_IMAGE002
后，计算模糊半径增大对应的缺陷程度评 估指标，进行迭代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值。
第三计算模块206，用于将各模糊半径对应的缺陷程度评估指标的均值作为评价值。
缺陷程度判定模块207，用于利用评价值对待检测织物的表面缺陷程度进行评估。
本实施例中缺陷程度判定模块具体用于：
当评价值小于预设第二阈值时，待检测织物的表面缺陷程度为低级。
当评价值大于预设第三阈值时，待检测织物的表面缺陷程度为高级。
否则，待检测织物的表面缺陷程度为中级。其中第二阈值小于预设第三阈值。
其中，以上各模块的具体实现、相关说明及技术效果请参考具体实施方式中方法实施例部分。
基于与上述方法相同的发明构思，本发明实施例还提供了一种基于高斯模糊的纺织物缺陷程度评估系统，本实施例中基于高斯模糊的纺织物缺陷程度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，以实现如基于高斯模糊的纺织物缺陷程度评估方法实施例中所描述的对纺织物表面的缺陷程度进行评估。
由于基于高斯模糊的纺织物缺陷程度评估方法实施例中已经对纺织物表面的缺陷程度进行评估的方法进行了说明，此处不再赘述。
综上所述，本发明实施例能够根据纺织物的表面图像获得评价值，以利用评价值对待检测织物的表面缺陷程度进行评估，降低了检测结果受图像质量的不良影响，能够减少灰度共生矩阵算法的运算量，同时提高了纺织物表面图像缺陷程度评估精度以及检测效率，且便于实施者根据表面缺陷程度评估结果采取相应的处理措施。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (10)

1.一种基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，包括：
获得待检测织物的表面图像并进行灰度化获得灰度图像；
根据所构建的高斯模糊函数获得模糊半径
Figure 130640DEST_PATH_IMAGE001
对应的模糊核；
将所述灰度图像划分为多个与所述模糊核大小相同的区域，并将各所述区域分别与所述模糊核相乘，分别得到各模糊区域；
将各所述模糊区域的中心的像素值组成模糊矩阵，并计算所述模糊矩阵的灰度共生矩 阵的熵及对比度，以得到模糊半径
Figure 686386DEST_PATH_IMAGE001
对应的缺陷程度评估指标；
将所述模糊半径
Figure 81464DEST_PATH_IMAGE001
增大
Figure 847295DEST_PATH_IMAGE002
后，计算模糊半径增大后的缺陷程度评估指标，进行迭代，直至 模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值；
将各模糊半径对应的缺陷程度评估指标的均值作为评价值，并利用所述评价值对待检测织物的表面缺陷程度进行评估。
2.根据权利要求1所述的基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，计算所述模糊矩阵的灰度共生矩阵的熵及对比度，包括：
所述熵的计算过程包括：
Figure 736753DEST_PATH_IMAGE003
，其中
Figure 802798DEST_PATH_IMAGE004
为所述模糊矩阵中 灰度值的级数，
Figure 637287DEST_PATH_IMAGE005
为所述模糊矩阵中相邻像素点的像素值为
Figure 890413DEST_PATH_IMAGE006
的概率；
所述对比度为：
Figure 583563DEST_PATH_IMAGE007
。
3.根据权利要求1所述的基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，所述高斯模糊函数为：
Figure 97590DEST_PATH_IMAGE008
，其中，
Figure 975416DEST_PATH_IMAGE009
为标准差参数，
Figure 856784DEST_PATH_IMAGE010
表示模糊核参数，
Figure 74663DEST_PATH_IMAGE011
为自然常数。
4.根据权利要求1所述的基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，模糊 半径
Figure 584142DEST_PATH_IMAGE001
对应的缺陷程度评估指标为：
Figure 977077DEST_PATH_IMAGE012
其中，
Figure 329430DEST_PATH_IMAGE013
为模糊半径
Figure 833224DEST_PATH_IMAGE001
对应的所述熵，
Figure 321843DEST_PATH_IMAGE014
为模糊半径
Figure 885679DEST_PATH_IMAGE001
对应的所述对比度，
Figure 880922DEST_PATH_IMAGE011
为自然 常数。
5.根据权利要求1所述的基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，利用所述评价值对待检测织物的表面缺陷程度进行评估，包括：
当所述评价值小于预设第二阈值时，待检测织物的表面缺陷程度为低级；
当所述评价值大于预设第三阈值时，待检测织物的表面缺陷程度为高级；
否则，待检测织物的表面缺陷程度为中级；其中所述第二阈值小于所述预设第三阈值。
6.根据权利要求1所述的基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，对待检测织物的表面图像进行灰度化获得灰度图像，包括：
Figure 172095DEST_PATH_IMAGE015
，其中
Figure 531532DEST_PATH_IMAGE016
为像素点在所述灰度图像中的灰度值，
Figure 515538DEST_PATH_IMAGE017
为像素 点在所述表面图像的红色通道中的像素值，
Figure 327636DEST_PATH_IMAGE018
为像素点在所述表面图像的绿色通道中的像 素值，
Figure 688079DEST_PATH_IMAGE019
为像素点在所述表面图像的蓝色通道中的像素值。
7.根据权利要求1所述的基于高斯模糊的纺织物缺陷程度评估方法，其特征在于，根据 所构建的高斯模糊函数获得模糊半径
Figure 902023DEST_PATH_IMAGE001
对应的模糊核前，所述方法还包括对所述灰度图像 进行图像去噪处理。
8.一种基于高斯模糊的纺织物缺陷程度评估装置，其特征在于，包括：
图像获取及灰度模块，用于获得待检测织物的表面图像并进行灰度化获得灰度图像；
第一计算模块，用于根据所构建的高斯模糊函数获得模糊半径
Figure 59859DEST_PATH_IMAGE001
对应的模糊核；
区域划分及处理模块，用于将所述灰度图像划分为多个与所述模糊核大小相同的区域，并将各所述区域分别与所述模糊核相乘，分别得到各模糊区域；
第二计算模块，用于将各所述模糊区域的中心的像素值组成模糊矩阵，并计算所述模 糊矩阵的灰度共生矩阵的熵及对比度，以得到模糊半径
Figure 483887DEST_PATH_IMAGE001
对应的缺陷程度评估指标；
判断模块，用于将所述模糊半径
Figure 867595DEST_PATH_IMAGE001
增大
Figure 450892DEST_PATH_IMAGE002
后，计算模糊半径增大对应的缺陷程度评估指 标，进行迭代，直至模糊半径增大前后缺陷程度评估指标的差值小于预设第一阈值；
第三计算模块，用于将各模糊半径对应的缺陷程度评估指标的均值作为评价值；
缺陷程度判定模块，用于利用所述评价值对待检测织物的表面缺陷程度进行评估。
9.根据权利要求8所述的基于高斯模糊的纺织物缺陷程度评估装置，其特征在于，所述缺陷程度判定模块具体用于：
当所述评价值小于预设第二阈值时，判断待检测织物的表面缺陷程度为低级；
当所述评价值大于预设第三阈值时，判断待检测织物的表面缺陷程度为高级；
否则，判断待检测织物的表面缺陷程度为中级；其中所述第二阈值小于所述预设第三阈值。
10.一种基于高斯模糊的纺织物缺陷程度评估系统，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中任一项所述的基于高斯模糊的纺织物缺陷程度评估方法。
CN202211169171.8A 2022-09-26 2022-09-26 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 Active CN115272303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169171.8A CN115272303B (zh) 2022-09-26 2022-09-26 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169171.8A CN115272303B (zh) 2022-09-26 2022-09-26 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Publications (2)

Publication Number Publication Date
CN115272303A true CN115272303A (zh) 2022-11-01
CN115272303B CN115272303B (zh) 2023-03-10

Family

ID=83756552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169171.8A Active CN115272303B (zh) 2022-09-26 2022-09-26 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Country Status (1)

Country Link
CN (1) CN115272303B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843689A (zh) * 2023-09-01 2023-10-03 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN117173160A (zh) * 2023-10-31 2023-12-05 山东远通汽车智能科技有限公司 基于图像处理的房车部件质量检测方法
CN117830299A (zh) * 2024-03-04 2024-04-05 湖南南源新材料有限公司 一种无纺布表面缺陷检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782442A (zh) * 2019-10-23 2020-02-11 国网陕西省电力公司宝鸡供电公司 一种基于多域耦合的图像人工模糊检测方法
CN112116568A (zh) * 2020-09-10 2020-12-22 广东电网有限责任公司广州供电局 一种图像质量评价方法、装置及存储介质
CN112734697A (zh) * 2020-12-24 2021-04-30 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质和电子设备
CN113610852A (zh) * 2021-10-10 2021-11-05 江苏祥顺布业有限公司 基于图像处理的纱线牵伸质量监测方法
CN113642631A (zh) * 2021-08-10 2021-11-12 沭阳协润电子有限公司 基于人工智能的危险区域电子围栏生成方法及系统
CN113906472A (zh) * 2019-04-04 2022-01-07 普雷萨根私人有限公司 用于选择胚胎的方法和系统
US20220207729A1 (en) * 2019-04-18 2022-06-30 Shelley Boyd Detection, prediction, and classification for ocular disease

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113906472A (zh) * 2019-04-04 2022-01-07 普雷萨根私人有限公司 用于选择胚胎的方法和系统
US20220207729A1 (en) * 2019-04-18 2022-06-30 Shelley Boyd Detection, prediction, and classification for ocular disease
CN110782442A (zh) * 2019-10-23 2020-02-11 国网陕西省电力公司宝鸡供电公司 一种基于多域耦合的图像人工模糊检测方法
CN112116568A (zh) * 2020-09-10 2020-12-22 广东电网有限责任公司广州供电局 一种图像质量评价方法、装置及存储介质
CN112734697A (zh) * 2020-12-24 2021-04-30 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质和电子设备
CN113642631A (zh) * 2021-08-10 2021-11-12 沭阳协润电子有限公司 基于人工智能的危险区域电子围栏生成方法及系统
CN113610852A (zh) * 2021-10-10 2021-11-05 江苏祥顺布业有限公司 基于图像处理的纱线牵伸质量监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARCIN K ET AL: "《Interpolation-Based Gray-Level Co-Occurrence Matrix Computation for Texture Directionality Estimation》", 《IEEE》 *
马冰: "《基于计算机视觉的机场增强型地勤检测系统的设计与实现》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843689A (zh) * 2023-09-01 2023-10-03 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN116843689B (zh) * 2023-09-01 2023-11-21 山东众成菌业股份有限公司 一种菌盖表面破损检测方法
CN117173160A (zh) * 2023-10-31 2023-12-05 山东远通汽车智能科技有限公司 基于图像处理的房车部件质量检测方法
CN117173160B (zh) * 2023-10-31 2024-01-26 山东远通汽车智能科技有限公司 基于图像处理的房车部件质量检测方法
CN117830299A (zh) * 2024-03-04 2024-04-05 湖南南源新材料有限公司 一种无纺布表面缺陷检测方法及系统
CN117830299B (zh) * 2024-03-04 2024-05-17 湖南南源新材料有限公司 一种无纺布表面缺陷检测方法及系统

Also Published As

Publication number Publication date
CN115272303B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN115272303B (zh) 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统
CN108765332B (zh) 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN112132196B (zh) 一种结合深度学习和图像处理的烟盒缺陷识别方法
CN107240086B (zh) 一种基于积分图算法的织物瑕疵检测方法
CN116228768B (zh) 一种电子元器件表面划痕检测方法
CN112330613B (zh) 一种细胞病理数字图像质量的评价方法及系统
CN116110053A (zh) 基于图像识别的集装箱表面信息检测方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN116958127B (zh) 基于图像特征的硅片质量评估方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN115346126A (zh) 一种边坡裂纹识别方法
CN110186929A (zh) 一种实时的产品瑕疵定位方法
CN107478656B (zh) 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统
CN117830134A (zh) 基于混合滤波分解和图像融合的红外图像增强方法及系统
CN104809712B (zh) 一种基于粗糙集的图像快速修复方法
CN110647843B (zh) 一种人脸面部图像处理方法
CN114529515A (zh) 一种自动识别太阳能电池内部缺陷的方法
Li et al. Adaptive image enhancement and dynamic-template-matching-based edge extraction method for diamond roller on-machine profile measurement
Peng et al. Bilateral false contour elimination filter-based image bit-depth enhancement
CN112541913B (zh) 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法
CN116740065B (zh) 基于大数据的人造板瑕疵品快速溯源方法及系统
CN118297839B (zh) 一种基于视觉的变压器绕组状态检测方法
CN117237333B (zh) 一种不锈钢材料表面酸洗程度检测方法
CN116993723B (zh) 基于图像处理的壁纸质量检测方法

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