CN115272304A - 一种基于图像处理的布匹缺陷检测方法和系统 - Google Patents

一种基于图像处理的布匹缺陷检测方法和系统 Download PDF

Info

Publication number
CN115272304A
CN115272304A CN202211169336.1A CN202211169336A CN115272304A CN 115272304 A CN115272304 A CN 115272304A CN 202211169336 A CN202211169336 A CN 202211169336A CN 115272304 A CN115272304 A CN 115272304A
Authority
CN
China
Prior art keywords
oil stain
candidate
pixel point
pixel points
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.)
Granted
Application number
CN202211169336.1A
Other languages
English (en)
Other versions
CN115272304B (zh
Inventor
朱松
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.)
Shandong Binzhou Anhui Rope Net Group Co ltd
Original Assignee
Shandong Binzhou Anhui Rope Net Group 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 Shandong Binzhou Anhui Rope Net Group Co ltd filed Critical Shandong Binzhou Anhui Rope Net Group Co ltd
Priority to CN202211169336.1A priority Critical patent/CN115272304B/zh
Publication of CN115272304A publication Critical patent/CN115272304A/zh
Application granted granted Critical
Publication of CN115272304B publication Critical patent/CN115272304B/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
    • 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
    • G06V10/20—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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid 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)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的布匹缺陷检测方法和系统。该方法包括：获得布匹灰度图像进行金字塔下采样后对应的图像的金字塔；利用最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树；获得像素点树中的候选油污像素点和候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域；通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。本发明达到布匹油污检测的目的，能够解决布匹本身的纹理和颜色对布匹油污检测的影响，提高布匹油污区域检测的精度。

Description

一种基于图像处理的布匹缺陷检测方法和系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的布匹缺陷检测方法和系统。
背景技术
在生产的过程中布匹有时会沾染上油污，导致布匹成为有瑕疵的布匹，对生产厂家造成一定的经济损失，而传统的对于油污的检测大多是人工检测，效率较低，随着图像处理和图像处理的技术发展，利用图像处理技术检测布匹油污的技术方案也有很多，例如将有油污的区域和正常区域分割开来进行检测，但有些布匹的纹理较多，且不同纹理的颜色不同，有的是白色，有的是深色，且有些纹理的颜色与布匹沾染上油污的区域颜色相近，因此当布匹上存在油污时，由于背景的多样性，造成通过常规的阈值分割方法得不到理想的检测结果，检测的精度较低。
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处理的布匹缺陷检测方法和系统，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处理的布匹缺陷检测方法。方法包括：利用金字塔下采样对布匹灰度图像进行采样获得图像金字塔，所述图像金字塔包含不同尺度的特征图；最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树；
计算像素点树的父节点在其对应尺度的特征图中的LBP特征码，获得特征码中为第一预定值的编码的数量；根据第一预定值的编码的数量的占比选取待选父节点，所述待选父节点为疑似油污像素点；若待选父节点作为子节点时所对应的父节点不满足成为疑似油污像素点的条件，该待选父节点为候选油污像素点，所述候选油污像素点对应的子节点为候选子节点；根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域；
通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。
优选地，利用金字塔下采样对布匹灰度图像进行采样获得金字塔图像包括：预设根据布匹灰度图像的像素点的行数和列数确定合适的采样次数；利用预设尺度的窗口和均值池化的方法进行金字塔下采样获得布匹灰度图像的图像金字塔。
优选地，利用最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树包括：像素点树中的每层像素点为图像金字塔中的对应尺度的特征图中的像素点；像素点树由底层到最顶层的像素点的分布顺序与图像金字塔的不同尺度的特征图像的分布顺序一致；像素点树父节点的灰度值由子节点的灰度值均值池化得到；其中图像金字塔最小尺度的特征图中像素点的数量与像素点树的数量相等。
优选地，计算像素点树的父节点在其对应尺度的特征图中的LBP特征码包括：计算父节点的LBP特征码时使用圆形LBP算子；利用圆形LBP算子获得父节点的八邻域内的LBP特征码。
优选地，根据第一预定值的编码的数量的占比选取待选父节点包括：若像素点树中父节点特征码中为第一预定值的编码的数量的占比大于第一预设阈值，则父节点为待选父节点。
优选地，根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；若候选子节点特征码中为第一预定值的编码的数量占比大于第二预设阈值，则候选子节点为候选边界像素点；其中第一预设阈值大于第二预设阈值。
优选地，通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域包括：获得候选油污区域的边缘处的像素点的梯度方向和像素点坐标；以边缘处的像素点为原点，做沿梯度方向的预定长度的线段；若候选油污区域的其他像素点不在线段上，则该候选油污区域为布匹上的油污区域。
第二方面，本发明另一个实施例提供了一种基于图像处理的布匹缺陷检测系统。系统包括：像素点树构成模块，用于利用金字塔下采样对布匹灰度图像进行采样获得图像金字塔，所述图像金字塔包含不同尺度的特征图；最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树；
候选油污区域获取模块，用于计算像素点树的父节点在其对应尺度的特征图中的LBP特征码，获得特征码中为第一预定值的编码的数量；根据第一预定值的编码的数量的占比选取待选父节点，所述待选父节点为疑似油污像素点；若待选父节点作为子节点时所对应的父节点不满足成为疑似油污像素点的条件，该待选父节点为候选油污像素点，所述候选油污像素点对应的子节点为候选子节点；根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域；
油污区域获取模块，用于通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。
优选地，候选油污区域获取模块还用于像素点树中的每层像素点为图像金字塔中的对应尺度的特征图中的像素点；像素点树由底层到最顶层的像素点的分布顺序与图像金字塔的不同尺度的特征图像的分布顺序一致；像素点树父节点的灰度值由子节点的灰度值均值池化得到；其中图像金字塔最小尺度的特征图中像素点的数量与像素点树的数量相等。
优选地，油污区域获取模块还用于获得候选油污区域的边缘处的像素点的梯度方向和像素点坐标；以边缘处的像素点为原点，做沿梯度方向的预定长度的线段；若候选油污区域的其他像素点不在线段上，则该候选油污区域为布匹上的油污区域。
本发明实施例至少具有如下有益效果：本发明通过多次的金字塔下采样将布匹灰度原图像中的油污区域缩小为单个像素点，即油污区域像素点，然后找到油污区域边界像素点，根据油污区域像素点和油污区域边界像素点获得原图像中的油污区域，达到布匹油污检测的目的，能够解决布匹本身的纹理和颜色对布匹油污检测的影响，提高布匹油污区域检测的精度。
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为一种基于图像处理的布匹缺陷检测方法的方法流程图；
图2为候选油污像素点对应的部分像素点树结构；
图3为油污区域近似形状图；
图4为油污区域边界放大图。
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处理的布匹缺陷检测方法和系统，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处理的布匹缺陷检测方法和系统的具体方案。
实施例1：
本发明的主要应用场景为：本发明应用于检测出布匹在生产过程中表面是否沾染油污。
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处理的布匹缺陷检测方法的方法流程图，该方法包括以下步骤：
步骤一：利用金字塔下采样对布匹灰度图像进行采样获得图像金字塔，所述图像金字塔包含不同尺度的特征图；最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树。
本实施例需要对布匹进行油污缺陷检测，因此需要先采集布匹的图像，其中，本发明检测的布匹不为纯黑色布匹。本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的训练过程如下：网络训练使用的数据集为俯视采集的布匹图像数据集，布匹的样式为多种多样的。需要分割的像素共分为两类，即布匹图像数据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，属于布匹的标注为1。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和1掩膜图像。网络训练完成后，输入布匹图像，输出0和1的掩膜图像，0和1的掩膜图像与布匹图像相乘，得到的图像中只含有布匹的图像，去除了背景的干扰，对去除背景干扰的布匹图像灰度化得到布匹灰度图像。
对得到的布匹灰度图像进行采样获得图像金字塔，图像金字塔中包含多张不同尺度的特征图；进行金字塔采样下采样过程中，油污区域的像素会逐渐变的近似为一个像素点，该像素点在对应尺度的特征图的LBP特征码和其他非油污区域像素点的LBP特征码不同。
金字塔采样的具体过程为：对布匹灰度图像进行金字塔采样，选择预设尺度为2*2窗口的mean pooling，即均值池化，获得采样的图像构成图像金字塔，由布匹灰度图像中像素点的行数和列数确定合适的采样次数，记金字塔下采样次数为K，即图像金字塔中共有K张不同尺度的特征图。根据金字塔采样过程中采样图像像素点和原图像像素点的映射关系构建像素点树，该映射关系在金字塔采样过程中体现为采样图像像素点的灰度值为其对应的原图像中的像素点灰度值的均值，在像素点树中体现为像素点树的父节点的灰度值为所对应的子节点的灰度值的均值。
像素点树从最底层到最高层的像素点分布顺序与图像金字塔中的不同尺度的特征图的顺序相同，其中像素点树的数量与图像金字塔最小尺度的特征图中的像素点的数量相等，且像素点树中各层的像素点为图像金字塔中对应尺度的特征图中的像素点，像素点树组成的像素点森林的每层像素点为图像金字塔中对应尺度的特征图中的全部像素点。
步骤二：计算像素点树的父节点在其对应尺度的特征图中的LBP特征码，获得特征码中为第一预定值的编码的数量；根据第一预定值的编码的数量的占比选取待选父节点，所述待选父节点为疑似油污像素点；若待选父节点作为子节点时所对应的父节点不满足成为疑似油污像素点的条件时，该待选父节点为候选油污像素点，所述候选油污像素点对应的子节点中为候选子节点；根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域。
由于在不断的金字塔下采样下，布匹灰度图像中的油污区域会逐渐变为一个像素点，所以像素点树中的所有父节点都可能为油污区域的像素点在不断的金字塔采样下获得，如图2的候选油污像素点对应的部分像素点树结构，k为获得候选油污像素点的像素点树的层数，o为候选油污像素点，其中像素点a、b、c、d为像素树第k-1层的父节点同时为像素数第k层父节点o的子节点，在金字塔下采样过程中像素点a、b、c、d的灰度值均值为候选油污像素点o的灰度值；像素点a1-a4、b1-b4、c1-c2、d1-d4为像素树的第k-2层的子节点，在金字塔下采样过程像素点a1-a4、b1-b4、c1-c2、d1-d4的灰度值的均值分别为像素树第k-1层的父节点a、b、c、d的灰度值。
设第K次采样后最小尺度特征图中共有n个像素点，则像素点森林中共有n个像素点树，需在n个像素点树中找到候选油污像素点和候选边界像素点。
油污区域的像素点在金字塔下采样过程中的性质为：对布匹图像灰度化后，油污区域的颜色与周围区域的颜色相比较深，即油污区域的像素点相对于布匹上正常区域的像素点的灰度值要低；油污区域近圆形如图3油污区域近似形状图所示，对于油污区域来说，经过多次金字塔下采样后得到的油污像素点的灰度值较小，当油污像素点作为中心像素点计算LBP特征码时，周围像素点的灰度值较大，因此其LBP特征码近似于[11111111]，即油污像素点的LBP特征码中1的数量较多，其中1为LBP特征码中第一预设值，0为LBP特征码中第二预设值。
LBP特征码的计算规则为：利用圆形LBP算子进行计算，其计算尺度为中心像素点周围八邻域，当邻域像素点的灰度值大于等于中心像素点的灰度值时，记为第一预设值1，当邻域像素点的灰度值小于中心像素点的灰度值时记为第二预设值0。
油污区域的边界像素点在金字塔下采样过程中的性质为：如图4油污区域边界放大图，可见对于油污区域的边界像素点来说，边界像素点的八邻域中邻域像素点的灰度值大于等于中心像素点，即灰度值大于油污区域边界像素点灰度值的邻域像素点的数量往往要大于灰度值小于油污区域边界像素点灰度值的邻域像素点的数量，即对于油污区域的边界像素点来所，LBP特征码中第一预设值1的数量往往要多于第二预设值0的数量，即油污区域的边界像素点的LBP特征值中第一预设值1的数量占比只会大于等于第二预设值0的数量占比，不会出现第一预设值1的数量占比小于第二预设值0的数量占比的情况。如LBP特征码为[11111100]的像素点为区域的边界像素点的概率比LBP特征码为[11100000]是油污区域的边界像素点的概率要大得多。
对于像素点树中的父节点进行计算获得候选油污像素点：从像素点树结构中的第二层开始，第一层为未经过金字塔下采样的布匹灰度图像中的像素点，计算像素点树中的各子树对应的父节点在对应尺度的特征图上的LBP特征码，获得父节点LBP特征码中第一预设值1的数量，同时计算得到第一预设值1的数量与LBP特征码的总码数的比值Y，该比值作为父节点的LBP特征码与LBP特征码[11111111]的相似性，设定第一阈值M1，优选地，M1=0.75，若相似性Y大于第一阈值M1，则该父节点为待选父节点，待选父节点为疑似油污像素点。其中父节点为低一层的子节点的父节点，而低一层的子节点又可以作为更低一层的子节点的父节点。
通过待选父节点确定候选油污像素点：当待选父节点作为子节点时所对应的父节点不满足成为待选父节点的条件时，即不满足成为疑似油污像素点的条件时，当前待选父节点为候选油污像素点；若待选父节点作为子节点时所对应的父节点满足成为待选父节点的条件，则继续向像素点树的高层寻找候选油污像素点。
计算候选子节点在对应的图像金字塔中的图像上的LBP特征码，获得候选子节点LBP特征码中第一预设值1的数量，同时计算得到第一预设值1的数量与LBP特征码的总码数的比值Z，设定第二阈值M2，优选地，M2=0.5，若比值Z大于等于第二阈值M2，则该节点为候选边界像素点。
通过获得像素点森林中各候选油污像素点和各候选边界像素点确定的像素点树中的子树对应的第一层像素点，即未经金字塔下采样的布匹灰度图像中的像素点，这部分像素点组成区域为布匹灰度图像中的候选油污区域。
步骤三：通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。
由于油污区域相较于布匹上其他非油污区域，油污区域颜色较深，即油污区域的像素点的灰度值较低，低于周围其他非油污区域像素点的灰度值，像素点的梯度用来表示像素点的灰度值的变化，灰度值增加的方向梯度夹角大，此时梯度夹角大的方向为梯度方向，由于布匹上油污区域近圆形，油污区域边界像素点的梯度方向向外。
利用Sobel算子获得布匹灰度图像中任一候选油污区域的边缘处每个像素点的梯度方向，通过每个边缘处的像素点的梯度方向和边缘处的像素点的坐标值可以确定一条线段，该线段的长度为预定长度，预定长度的大小由该候选油污区域与其他候选油污区域之间的实际距离决定，计算除了该油污区域边缘处的像素点外是否有候选油污区域内其它像素点在线段上，如果除了边缘处的像素点没有该候选油污区域内的其他像素点在线段上，则可以确定该候选油污区域为油污连通域。
实施例2：
本实施例提供了一种系统实施例。一种基于图像处理的布匹缺陷检测系统，该系统包括：像素点树构成模块，用于利用金字塔下采样对布匹灰度图像进行采样获得图像金字塔，所述图像金字塔包含不同尺度的特征图；最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树；
候选油污区域获取模块，用于计算像素点树的父节点在其对应尺度的特征图中的LBP特征码，获得特征码中为第一预定值的编码的数量；根据第一预定值的编码的数量的占比选取待选父节点，所述待选父节点为疑似油污像素点；若待选父节点作为子节点时所对应的父节点不满足成为疑似油污像素点的条件时，该待选父节点为候选油污像素点，所述候选油污像素点对应的子节点为候选子节点；根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域；
油污区域获取模块，用于通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。
候选油污区域获取模块还用于像素点树中的每层像素点为图像金字塔中的对应尺度的特征图中的像素点；像素点树由底层到最顶层的像素点的分布顺序与图像金字塔的不同尺度的特征图像顺序一致；像素点树父节点的灰度值由子节点的灰度值均值池化得到；其中图像金字塔最小尺度的特征图中像素点的数量与像素点树的数量相等。
油污区域获取模块还用于获得候选油污区域的边缘处的像素点的梯度方向和像素点坐标；以边缘处的像素点为原点，做沿梯度方向的预定长度的线段；若候选油污区域的其他像素点不在线段上，则该候选油污区域为布匹上的油污。
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。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 (10)

1.一种基于图像处理的布匹缺陷检测方法，其特征在于，该方法包括：利用金字塔下采样对布匹灰度图像进行采样获得图像金字塔，所述图像金字塔包含不同尺度的特征图；利用最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树；
计算像素点树的父节点在其对应尺度的特征图中的LBP特征码，获得特征码中为第一预定值的编码的数量；根据第一预定值的编码的数量的占比选取待选父节点，所述待选父节点为疑似油污像素点；若待选父节点作为子节点时所对应的父节点不满足成为疑似油污像素点的条件，该待选父节点为候选油污像素点，所述候选油污像素点对应的子节点为候选子节点；根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域；
通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。
2.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法，其特征在于，所述利用金字塔下采样对布匹灰度图像进行采样获得金字塔图像包括：预设根据布匹灰度图像的像素点的行数和列数确定合适的采样次数；利用预设尺度的窗口和均值池化的方法进行金字塔下采样获得布匹灰度图像的图像金字塔。
3.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法，其特征在于，所述利用最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树包括：像素点树中的每层像素点为图像金字塔中的对应尺度的特征图中的像素点；像素点树由底层到最顶层的像素点的分布顺序与图像金字塔的不同尺度的特征图像的分布顺序一致；像素点树父节点的灰度值由子节点的灰度值均值池化得到；其中图像金字塔最小尺度的特征图中像素点的数量与像素点树的数量相等。
4.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法，其特征在于，所述计算像素点树的父节点在其对应尺度的特征图中的LBP特征码包括：计算父节点的LBP特征码时使用圆形LBP算子；利用圆形LBP算子获得父节点的八邻域内的LBP特征码。
5.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法，其特征在于，所述根据第一预定值的编码的数量的占比选取待选父节点包括：若像素点树中父节点特征码中为第一预定值的编码的数量的占比大于第一预设阈值，则父节点为待选父节点。
6.根据权利要求5所述的一种基于图像处理的布匹缺陷检测方法，其特征在于，所述根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；若候选子节点特征码中为第一预定值的编码的数量占比大于第二预设阈值，则候选子节点为候选边界像素点；其中第一预设阈值大于第二预设阈值。
7.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法，其特征在于，所述通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域包括：获得候选油污区域的边缘处的像素点的梯度方向和像素点坐标；以边缘处的像素点为原点，做沿梯度方向的预定长度的线段；若候选油污区域的其他像素点不在线段上，则该候选油污区域为布匹上的油污区域。
8.一种基于图像处理的布匹缺陷检测系统，其特征在于，该系统包括：像素点树构成模块，用于利用金字塔下采样对布匹灰度图像进行采样获得图像金字塔，所述图像金字塔包含不同尺度的特征图；最小尺度特征图中的每个像素点在图像金字塔中的映射关系构成多个像素点树；
候选油污区域获取模块，用于计算像素点树的父节点在其对应尺度的特征图中的LBP特征码，获得特征码中为第一预定值的编码的数量；根据第一预定值的编码的数量的占比选取待选父节点，所述待选父节点为疑似油污像素点；若待选父节点作为子节点时所对应的父节点不满足成为疑似油污像素点的条件时，该待选父节点为候选油污像素点，所述候选油污像素点对应的子节点为候选子节点；根据候选子节点特征码中为第一预定值的编码的数量的占比选取候选边界像素点；通过候选油污像素点和候选边界像素点获得布匹灰度图像中对应的像素点组成候选油污区域；
油污区域获取模块，用于通过候选油污区域的边缘处的像素点的梯度方向对候选油污区域进行筛选获得油污区域。
9.根据权利要求8所述的一种基于图像处理的布匹缺陷检测系统，其特征在于，所述候选油污区域获取模块还用于像素点树中的每层像素点为图像金字塔中的对应尺度的特征图中的像素点；像素点树由底层到最顶层的像素点的分布顺序与图像金字塔的不同尺度的特征图像顺序一致；像素点树父节点的灰度值由子节点的灰度值均值池化得到；其中图像金字塔最小尺度的特征图中像素点的数量与像素点树的数量相等。
10.根据权利要求8所述的一种基于图像处理的布匹缺陷检测系统，其特征在于，所述油污区域获取模块还用于获得候选油污区域的边缘处的像素点的梯度方向和像素点坐标；以边缘处的像素点为原点，做沿梯度方向的预定长度的线段；若候选油污区域的其他像素点不在线段上，则该候选油污区域为布匹上的油污区域。
CN202211169336.1A 2022-09-26 2022-09-26 一种基于图像处理的布匹缺陷检测方法和系统 Active CN115272304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169336.1A CN115272304B (zh) 2022-09-26 2022-09-26 一种基于图像处理的布匹缺陷检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169336.1A CN115272304B (zh) 2022-09-26 2022-09-26 一种基于图像处理的布匹缺陷检测方法和系统

Publications (2)

Publication Number Publication Date
CN115272304A true CN115272304A (zh) 2022-11-01
CN115272304B CN115272304B (zh) 2022-12-09

Family

ID=83756972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169336.1A Active CN115272304B (zh) 2022-09-26 2022-09-26 一种基于图像处理的布匹缺陷检测方法和系统

Country Status (1)

Country Link
CN (1) CN115272304B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115173A (zh) * 2023-10-25 2023-11-24 泰安金冠宏油脂工业有限公司 一种基于视觉特征的油料搅拌检测方法
CN117152159A (zh) * 2023-11-01 2023-12-01 江苏龙达纺织科技有限公司 一种复杂布料印花瑕疵检测方法及系统
CN117808796A (zh) * 2024-02-23 2024-04-02 陕西长空齿轮有限责任公司 一种基于计算机视觉的齿轮表面损伤检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070179918A1 (en) * 2006-02-02 2007-08-02 Bernd Heisele Hierarchical system for object recognition in images
CN109685766A (zh) * 2018-11-23 2019-04-26 江苏大学 一种基于区域融合特征的布匹瑕疵检测方法
JP2020046932A (ja) * 2018-09-19 2020-03-26 京セラドキュメントソリューションズ株式会社 検反装置およびそれを備えたインクジェット捺染装置
CN112296051A (zh) * 2020-04-20 2021-02-02 山东滨州安惠绳网集团有限责任公司 一种建筑工程密目抑尘网的制备及应用方法
US20220044389A1 (en) * 2018-10-30 2022-02-10 University Of North Texas Reconfigurable fabric inspection system
CN114170487A (zh) * 2021-12-08 2022-03-11 北京计算机技术及应用研究所 一种基于视觉的水面油污检测方法
CN114494226A (zh) * 2022-02-11 2022-05-13 安徽大学 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法
CN114782329A (zh) * 2022-03-31 2022-07-22 南通同欧智能装备科技有限公司 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN114842043A (zh) * 2022-07-04 2022-08-02 南通中豪超纤制品有限公司 一种基于图像处理的面料风格识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070179918A1 (en) * 2006-02-02 2007-08-02 Bernd Heisele Hierarchical system for object recognition in images
JP2020046932A (ja) * 2018-09-19 2020-03-26 京セラドキュメントソリューションズ株式会社 検反装置およびそれを備えたインクジェット捺染装置
US20220044389A1 (en) * 2018-10-30 2022-02-10 University Of North Texas Reconfigurable fabric inspection system
CN109685766A (zh) * 2018-11-23 2019-04-26 江苏大学 一种基于区域融合特征的布匹瑕疵检测方法
CN112296051A (zh) * 2020-04-20 2021-02-02 山东滨州安惠绳网集团有限责任公司 一种建筑工程密目抑尘网的制备及应用方法
CN114170487A (zh) * 2021-12-08 2022-03-11 北京计算机技术及应用研究所 一种基于视觉的水面油污检测方法
CN114494226A (zh) * 2022-02-11 2022-05-13 安徽大学 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法
CN114782329A (zh) * 2022-03-31 2022-07-22 南通同欧智能装备科技有限公司 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN114842043A (zh) * 2022-07-04 2022-08-02 南通中豪超纤制品有限公司 一种基于图像处理的面料风格识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YOU WU ETAL.: "Automatic Fabric Defect Detection Using Cascaded Mixed Feature Pyramid with Guided Localization", 《SENSORS》 *
刘丽等: "图像纹理分类方法研究进展和展望", 《自动化学报》 *
周晓敏等: "基于模板匹配单色布匹瑕疵检测算法", 《测控技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115173A (zh) * 2023-10-25 2023-11-24 泰安金冠宏油脂工业有限公司 一种基于视觉特征的油料搅拌检测方法
CN117115173B (zh) * 2023-10-25 2024-01-16 泰安金冠宏油脂工业有限公司 一种基于视觉特征的油料搅拌检测方法
CN117152159A (zh) * 2023-11-01 2023-12-01 江苏龙达纺织科技有限公司 一种复杂布料印花瑕疵检测方法及系统
CN117152159B (zh) * 2023-11-01 2024-01-26 江苏龙达纺织科技有限公司 一种复杂布料印花瑕疵检测方法及系统
CN117808796A (zh) * 2024-02-23 2024-04-02 陕西长空齿轮有限责任公司 一种基于计算机视觉的齿轮表面损伤检测方法
CN117808796B (zh) * 2024-02-23 2024-05-28 陕西长空齿轮有限责任公司 一种基于计算机视觉的齿轮表面损伤检测方法

Also Published As

Publication number Publication date
CN115272304B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115272304B (zh) 一种基于图像处理的布匹缺陷检测方法和系统
CN113822890B (zh) 一种微裂纹检测方法、装置、系统及存储介质
CN113643289B (zh) 基于图像处理的织物表面缺陷检测方法和系统
JP4504417B2 (ja) 画像処理装置、顕微鏡システム、及び領域特定プログラム
KR101403876B1 (ko) 차량 번호판 인식 방법과 그 장치
CN109977997B (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
CN109685788B (zh) 一种基于形态学特征的楼面缺陷图像自动检测方法
CN111523535B (zh) 基于机器视觉与深度学习的类圆对象识别计数检测算法
CN111598856A (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统
JP2000011089A (ja) 光学式文字認識システムの２値化方法
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与系统
CN111382658B (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN113888536B (zh) 一种基于计算机视觉的印刷品重影检测方法及系统
CN115311507B (zh) 基于数据处理的建筑板材分类方法
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN115311479B (zh) 一种汽车工件装配图像识别方法及系统
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN115100652A (zh) 基于高分遥感图像的电子地图自动化生成方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
CN110634142B (zh) 一种复杂车路图像边界优化方法
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
CN114943710B (zh) 利用改进最小二乘拟合对薄壁圆管类零件圆心定位的方法
CN113780096B (zh) 基于半监督深度学习的植被类地物提取方法
CN113362347B (zh) 一种基于超像素特征增强的图像缺陷区域分割方法和系统
CN115511815A (zh) 一种基于分水岭的宫颈液基细胞分割方法和系统

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