CN115294116B - 基于人工智能的纺织材料染色质量评估方法、装置及系统 - Google Patents

基于人工智能的纺织材料染色质量评估方法、装置及系统 Download PDF

Info

Publication number
CN115294116B
CN115294116B CN202211219143.2A CN202211219143A CN115294116B CN 115294116 B CN115294116 B CN 115294116B CN 202211219143 A CN202211219143 A CN 202211219143A CN 115294116 B CN115294116 B CN 115294116B
Authority
CN
China
Prior art keywords
channel
pixel points
image
color
sequence
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
CN202211219143.2A
Other languages
English (en)
Other versions
CN115294116A (zh
Inventor
肖婉芳
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.)
Nantong Mendale Home Textile Co ltd
Original Assignee
Nantong Mendale Home Textile 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 Nantong Mendale Home Textile Co ltd filed Critical Nantong Mendale Home Textile Co ltd
Priority to CN202211219143.2A priority Critical patent/CN115294116B/zh
Publication of CN115294116A publication Critical patent/CN115294116A/zh
Application granted granted Critical
Publication of CN115294116B publication Critical patent/CN115294116B/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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种基于人工智能的纺织材料染色质量评估方法、装置及系统，涉及人工智能领域。主要包括：获得图像中的横向周期距离以及纵向周期距离，并结合纺织物图像自身存在周期性这一特点，分别针对像素点在HSV图像中三个通道的偏差进行分析，从而确定存在异常的像素点，通过异常像素点的分布情况以及相互之间的距离获得质量评估值以对染色质量进行评估。提高了对存在纹理差异的纺织物的处理效率，能够对纺织物的染色质量进行评价，进而便于操作者根据质量评价结果进行相应的处理。

Description

基于人工智能的纺织材料染色质量评估方法、装置及系统
技术领域
本申请涉及人工智能领域，具体涉及一种基于人工智能的纺织材料染色质量评估方法、装置及系统。
背景技术
在纺织品染色工艺中，由于材料、染色工艺等原因导致纺织品染色存在色差，这些色差的存在会影响后续布匹的使用效果。
针对纺织材料染色质量评估，现有技术主要通过分析颜色的均匀程度或者直接通过将采集的布匹图片的各通道颜色值与标准色对比进行比较，从而对纺织物染色的质量进行评估。
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：现有技术中对于存在较大纹理差异的纺织物的处理效果不佳，同时，由于纺织物自身存在纹理差异，使得所采集的图像中存在的偏差给后续染色质量的评估过程带来不良影响。
发明内容
针对上述技术问题，本发明提供了一种基于人工智能的纺织材料染色质量评估方法、装置及系统，针对存在纹理的纺织物的表面图像进行处理，获得图像中的横向周期距离以及纵向周期距离，并结合纺织物图像自身存在周期性这一特点，分别针对像素点在HSV图像中三个通道的偏差进行分析，从而确定存在异常的像素点，通过异常像素点的分布情况以及相互之间的距离获得质量评估值以对染色质量进行评估。提高了对存在纹理差异的纺织物的处理效率，能够对纺织物的染色质量进行评价，进而便于操作者根据质量评价结果进行相应的处理。
第一方面，本文发明实施例提出了一种基于人工智能的纺织材料染色质量评估方法，包括：
获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像。
对所述灰度图像进行边缘检测获得边缘图像，并将所述边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向。
分别获得所述灰度图像中所述第一方向下的周期距离及所述第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离。
分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率。
根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。
在一个可行的实施例中，所述灰度图像中的周期距离的获得方法包括：
将边缘图像中梯度方向为第一方向的边缘像素点连成线段，并对所述边缘图像中各线段进行聚类获得多个类别，分别计算各所述类别中包含的线段的长度均值。
分别以各所述类别的长度均值为间隔，对所述灰度图像沿所述第一方向进行划分，并分别将划分后得到的各线段上像素点的像素值进行排列，以得到线段的灰度值序列。
将灰度值序列与其他灰度值序列之间的相似的均值作为灰度值序列的特征值，并将所述第一特征值最大的所述灰度值序列作为标准灰度值序列，将各灰度值序列与所述标准灰度值序列之间的相似度的均值作为类别的长度符合率。
将所述长度符合率最大的所述类别的长度均值作为第一方向下的周期距离。
利用所述第一方向下的周期距离的计算方法，获得所述第二方向下的周期距离。
在一个可行的实施例中，所述方法还包括：
利用所述长度符合率的计算方法，计算各类别的长度均值的和对应的长度符合率。
在一个可行的实施例中，根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率，包括：
分别计算HSV图像中各通道中各横向颜色序列之间的相似度，并将各通道中与其他横向颜色序列的相似度的均值最大的横向颜色序列作为各通道的横向标准颜色序列。
分别计算HSV图像中各通道中各纵向颜色序列之间的相似度，并将各通道中与其他纵向颜色序列的相似度的均值最大的纵向颜色序列作为各通道的纵向标准颜色序列。
将HSV图像中像素点在各通道中的像素值与各通道中的横向标准颜色序列以及纵向标准颜色序列进行比对，分别获得像素点在各通道中的偏差概率，并将像素点在各通道中的偏差概率的均值作为像素点在HSV图像中的偏差概率。
在一个可行的实施例中，将HSV图像中像素点在各通道中的像素值与各通道中的横向标准颜色序列以及纵向标准颜色序列进行比对，分别获得像素点在各通道中的偏差概率，包括：
将像素点与其在横向标准颜色序列及所述纵向标准颜色序列中对应位置的值进行比较，分别获得像素点在各通道中的特征概率。
根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率。
其中，所述特征概率的计算方法包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示第
Figure 100002_DEST_PATH_IMAGE006
个像素的特征概率，
Figure 100002_DEST_PATH_IMAGE008
表示第
Figure 566627DEST_PATH_IMAGE006
个像素的颜色，
Figure 100002_DEST_PATH_IMAGE010
为横向标准颜色序列与其他横向颜色序列的相似度的均值，
Figure 100002_DEST_PATH_IMAGE012
为纵向标准颜色序列与其他纵向颜色序列的相似度的均值，
Figure 100002_DEST_PATH_IMAGE014
表示与第
Figure 731023DEST_PATH_IMAGE006
个像素所对应的横向标准颜色序列中的第j个位置的颜色，
Figure 100002_DEST_PATH_IMAGE016
表示所述HSV图像中与所述横向标准颜色序列中第j个位置对应的所有像素点的颜色的均值，
Figure 100002_DEST_PATH_IMAGE018
表示与第
Figure 37502DEST_PATH_IMAGE006
个像素所对应的纵向标准颜色序列中的第
Figure 100002_DEST_PATH_IMAGE020
个位置的颜色，
Figure 100002_DEST_PATH_IMAGE022
表示所述HSV图像中与所述纵向标准颜色序列中第
Figure 934045DEST_PATH_IMAGE020
个位置对应的所有像素点的颜色的均值。
在一个可行的实施例中，根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率，包括：
Figure 100002_DEST_PATH_IMAGE024
其中
Figure 100002_DEST_PATH_IMAGE026
表示像素点在通道中的偏差概率，
Figure 100002_DEST_PATH_IMAGE028
为像素点在通道中的值，
Figure 100002_DEST_PATH_IMAGE030
为像素点通道中邻域内第
Figure 100002_DEST_PATH_IMAGE032
个像素点的值，
Figure 100002_DEST_PATH_IMAGE034
为通道中邻域内像素点的个数。
在一个可行的实施例中，对纺织品的表面图像的预处理包括：
对所述表面图像进行灰度化获得灰度图像。
对所述表面图像进行HSV转换，得到HSV图像。
在一个可行的实施例中，像素点的梯度方向的获得过程包括：
利用Sobel算子获得像素点的水平梯度及竖直梯度，像素点的梯度方向为
Figure 100002_DEST_PATH_IMAGE036
，其中
Figure 100002_DEST_PATH_IMAGE038
表示像素点的水平梯度，
Figure 100002_DEST_PATH_IMAGE040
表示像素点的竖直梯度。
第二方面，本发明实施例提出了一种基于人工智能的纺织材料染色质量评估装置，包括：
图像预处理模块，用于获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像。
第一计算模块，用于对所述灰度图像进行边缘检测获得边缘图像，并将所述边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向。
第二计算模块，用于分别获得所述灰度图像中所述第一方向下的周期距离及所述第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离。
第三计算模块，用于分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，并根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率。
质量评价模块，用于根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。
第三方面，本发明实施例提出了一种基于人工智能的纺织材料染色质量评估系统，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，以实现本发明实施例中基于人工智能的纺织材料染色质量评估方法。
本发明实施例提供了一种基于人工智能的纺织材料染色质量评估方法、装置及系统，针对存在纹理的纺织物的表面图像进行处理，获得图像中的横向周期距离以及纵向周期距离，并结合纺织物图像自身存在周期性这一特点，分别针对像素点在HSV图像中三个通道的偏差进行分析，从而确定存在异常的像素点，通过异常像素点的分布情况以及相互之间的距离获得质量评估值以对染色质量进行评估。
相比于现有技术，本发明实施例的有益效果在于：提高了对存在纹理差异的纺织物的处理效率，能够对纺织物的染色质量进行评价，进而便于操作者根据质量评价结果进行相应的处理。
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人工智能的纺织材料染色质量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人工智能的纺织材料染色质量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人工智能的纺织材料染色质量评估方法，如图1所示，包括：
步骤S101、获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像。
步骤S102、对灰度图像进行边缘检测获得边缘图像，并将边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向。
步骤S103、分别获得灰度图像中第一方向下的周期距离及第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离。
步骤S104、分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率。
步骤S105、根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。
在纺织品染色工艺中，由于材料、染色工艺等原因导致纺织品染色存在色差，这些色差的存在会影响后续布匹的使用效果。本发明设计一种纺织材料染色质量评估方法，获取存在色差的位置，分析色差位置的分布特征，从而评估出该纺织材料色差影响对后续染色修复或布匹使用效果的影响程度。
常规的纺织材料染色质量评估方法多通过分析颜色的均匀程度或者直接通过将采集的布匹图片的各通道颜色值与标准色对比进行比较来进行纺织物染色的质量评估，然而这种方式在对于存在较大纹理差异的纺织物不能很好地处理，对于该情况，由于纺织物自身的纹理差异造成采集的图像存在较大的采集色差，同时纺织色差像素的分布情况也会影响后续色差的修复难度和布匹的损失率，因而该方面也是影响纺织物质量评估的一个重要因素。
本发明实施例所针对的情景为：纺织物在经过染色处理后，通过传输带传送至指定位置，该位置在传输带正上方设置相机采集纺织物图片，本发明实施例通过对图像进行处理，根据图片内特征信息来进行染色质量评估。
本发明实施例的主要目的是:利用计算机视觉，通过处理采集的纺织物图像，利用纺织物图像存在周期性这一特点，得到凹凸程度、颜色模型，从而分割出色差像素，根据色差像素的排布规律实现纺织物色差质量评估。
进一步的，步骤S101、获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像。具体包括：
首先采集纺织品的表面图像，本实施例中获得表面图像为RGB格式，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。
可选的，当纺织物的表面图像中存在纺织物以外的部分时，可以对表面图像进行图像分割，使得分割后得到的表面图像中纺织物以外的部分的像素点为0，从而避免纺织物以外的部分对后续处理过程的干扰。
需要说明的是，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
作为一个示例，本实施例中利用DNN (Deep Neural Networks，深度神经网络)来实现对纺织物表面图像的分割，该DNN的内容包括：使用的数据集为纺织物表面图像数据集，将需要分割的像素，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，将属于背景类的像素值标注为0，将属于纺织物的像素值标注为1，本实施例中DNN的损失函数为所以使用的为交叉熵损失函数，将得到的分割结果与纺织物表面图像相乘，得到分割完成的表面图像，此时表面图像中纺织物以外部分的像素值为0。
其次，对纺织品的表面图像行预处理，本实施例中预处理过程包括：
对表面图像进行灰度化获得灰度图像；灰度化过程包括：将表面图像中像素点在RGB三个通道中像素值的最大值，作为灰度图像中的像素点的灰度值。如此，便于后续分析纺织物的凹凸性。
对表面图像进行HSV转换，得到HSV图像，得到的HSV图像中包括像素点的色调、饱和度以及明度。纺织物的染色后的色差在HSV通道里能够得到较好的分析效果，因而将颜色空间从RGB颜色空间转换到HSV空间。
需要说明的是，色调H（Hue）是用角度进行度量的，其取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色依次是：黄色为60°，青色为180°,品红为300°，0°- 359°时颜色会依次变换当角度到达360°时也就是红色，角度也就又回到0°了，所以总共为360°，每变换1°时，色相就会有轻微的变化。
具体的，饱和度S（Saturation）表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。
明度V（Value）表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；通常取值范围为0%（黑）到100%（白）。
可选的，可以利用5*5的高斯滤波器对灰度图像进行滤波处理，如此可以去除灰度图像中的小纹理。
进一步的，步骤S102、对灰度图像进行边缘检测获得边缘图像，并将边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向。具体包括：
由于纺织物的纹理一般具有周期性特征，同时本实施例针对的纺织物中方向特征也较为明显，具体表现为纺织物的灰度图像中呈现一定的周期规律，
因而该凹凸性特征造成的色差也呈现一定的周期性，因而本发明基于此来及进行分析，分割出异常色差异常像素。
首先，对灰度图像进行边缘检测以获得边缘图像。通过边缘图像能够很好地表征图像中纹理的凹凸特性，便于后面对于纺织物的纹理方向以及纹理的周期距离进行获取。
其次，利用Sobel算子获得像素点的水平梯度及竖直梯度，像素点的梯度方向为
Figure 358598DEST_PATH_IMAGE036
，其中
Figure 841532DEST_PATH_IMAGE038
表示像素点的水平梯度，
Figure 155181DEST_PATH_IMAGE040
表示像素点的竖直梯度。
需要说明的是，Sobel算子是典型的基于一阶导数的边缘检测算子，是离散型的差分算子。该算子对噪声具有平滑作用，能很好的消除噪声的影响，Sobel算子包含横向模板及纵向模板，将之与图像作平面卷积，即可分别得出图像中像素点的水平梯度及竖直梯度。
最后，将边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向，由于本实施例中针对的纺织物具有较强的方向特征，通过得到频率最大的两个梯度方向，可以获得本实施例中纺织物中最主要的纹理方向，即横向方向以及纵向方向，后续过程中根据该方向确定纹理的周期距离。
进一步的，步骤S103、分别获得灰度图像中第一方向下的周期距离及第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离。具体包括：
首先，将边缘图像中梯度方向为第一方向的边缘像素点连成线段，并对边缘图像中各线段进行聚类获得多个类别，分别计算各类别中包含的线段的长度均值；分别以各类别的长度均值为间隔，对灰度图像沿第一方向进行划分，并分别将划分后得到的各线段上像素点的像素值进行排列，以得到线段的灰度值序列。
其次，将灰度值序列与其他灰度值序列之间的相似的均值作为灰度值序列的特征值，并将第一特征值最大的灰度值序列作为标准灰度值序列，将各灰度值序列与标准灰度值序列之间的相似度的均值作为类别的长度符合率；将长度符合率最大的类别的长度均值作为第一方向下的周期距离；
可选的，可以利用长度符合率的计算方法，计算各类别的长度均值的和对应的长度符合率，将得到的长度符合率参与到各类别对应的长度符合率中的比较中去，如此，可以获得更为精确的周期距离。
最后，利用本实施例中第一方向下的周期距离的计算方法，获得第二方向下的周期距离。将第一方向下的周期距离作为横向周期距离，将第二方向下的周期距离作为纵向周期距离。
进一步的，步骤S104、分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率。具体包括：
由于布匹的纹理呈现周期性变化，因而可以根据图像中颜色值得的周期性变化规律来判断各像素颜色的异常情况。
首先，对于第一方向下的横向周期距离，从HSV图像的左侧边界出发，沿着第一方向以横向周期距离为像素间隔，将得到的像素点的颜色进行排列得到横向颜色序列，并以此分别获得HSV图像中各行对应的横向颜色序列，最后，将与其他横向颜色序列的相似度的均值最大的横向颜色序列作为横向标准颜色序列。如此，便于后续对HSV图像中像素点在第一方向上的颜色异常情况进行判断，并以此获得HSV图像中各通道中的纵向颜色序列，以及纵向标准颜色序列。
其次，将HSV图像中像素点在各通道中的像素值与各通道中的横向标准颜色序列以及纵向标准颜色序列进行比对，分别获得像素点在各通道中的偏差概率，包括：
首先，将横向标准颜色序列和纵向标准颜色序列作为参考，获得HSV图像中各像素点的特征概率，特征概率的计算方法包括：
Figure 100002_DEST_PATH_IMAGE002A
其中，
Figure 721160DEST_PATH_IMAGE004
表示第
Figure 210173DEST_PATH_IMAGE006
个像素的特征概率，
Figure 100002_DEST_PATH_IMAGE042
表示第
Figure 559114DEST_PATH_IMAGE006
个像素的颜色，
Figure 682928DEST_PATH_IMAGE010
为横向标准颜色序列与其他横向颜色序列的相似度的均值，
Figure 62219DEST_PATH_IMAGE012
为纵向标准颜色序列与其他纵向颜色序列的相似度的均值，
Figure 802642DEST_PATH_IMAGE014
表示与第
Figure 158537DEST_PATH_IMAGE006
个像素所对应的横向标准颜色序列中的第j个位置的颜色，
Figure 169481DEST_PATH_IMAGE016
表示所述HSV图像中与所述横向标准颜色序列中第j个位置对应的所有像素点的颜色的均值，
Figure 421471DEST_PATH_IMAGE018
表示与第
Figure 383610DEST_PATH_IMAGE006
个像素所对应的纵向标准颜色序列中的第
Figure 779082DEST_PATH_IMAGE020
个位置的颜色，
Figure 143067DEST_PATH_IMAGE022
表示所述HSV图像中与所述纵向标准颜色序列中第
Figure 565958DEST_PATH_IMAGE020
个位置对应的所有像素点的颜色的均值。
需要说明的是，本实施例中得到的像素点的特征概率能够反映像素点在颜色上偏差程度。并以此分别获得HSV图像中各像素点的特征概率。
其次，根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率：
Figure DEST_PATH_IMAGE044
，其中
Figure DEST_PATH_IMAGE046
表示像素点的偏差概率，
Figure DEST_PATH_IMAGE048
为像素点的颜色值，
Figure DEST_PATH_IMAGE050
为像素点邻域内第
Figure DEST_PATH_IMAGE052
个像素点的颜色值，
Figure 392225DEST_PATH_IMAGE034
为邻域内像素点的个数，像素点的偏差概率越大，说明该像素点周围存在多个特征概率较低的像素点，此时该像素点存在异常的概率较大。
作为一个示例，本实施例中邻域内像素点指的是15邻域内像素点，此时
Figure DEST_PATH_IMAGE054
。
最后，将像素点在各通道中的偏差概率的均值作为像素点在HSV图像中的偏差概率，具体的，将像素点在色调、饱和度以及明度三个通道中的偏差概率的均值作为像素点的偏差概率。如此，所获得的偏差概率能够反映像素点在色调、饱和度以及明度整体上的偏差情况，避免了对单个参数进行分析的片面性。
进一步的，步骤S105、根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。具体包括：
本实施例中将偏差概率大于预设阈值的像素点作为异常像素点，并根据异常像素点的分布特征对染色质量进行评估，其中分布特征包括：异常像素的占比以及异常像素的离散程度。
其中异常像素的面积占比
Figure DEST_PATH_IMAGE056
，其中
Figure DEST_PATH_IMAGE058
表示HSV图像中像素的总数，
Figure DEST_PATH_IMAGE060
表示异常像素的数量。
异常像素的离散度
Figure DEST_PATH_IMAGE062
，其中
Figure DEST_PATH_IMAGE064
表示两两异常像素点之间的距离，该值越大说明异常像素的离散度越大，对染色的不良影响越大。
最后得到纺织品的质量评估值
Figure DEST_PATH_IMAGE066
，并根据质量评估值进行染色质量等级的划分：
Figure DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE074
其中
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE078
为大小不同的预设阈值，且随着染色质量等级由
Figure 441653DEST_PATH_IMAGE034
到
Figure DEST_PATH_IMAGE080
，染色的质量越来越好。同时，本领域技术人员应该知道的是，以上利用质量评估值对染色质量所划分的级数，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。
本发明实施例提供了一种基于人工智能的纺织材料染色质量评估装置，如图2所示，包括：
图像预处理模块201，用于获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像。
第一计算模块202，用于对所述灰度图像进行边缘检测获得边缘图像，并将所述边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向。
第二计算模块203，用于分别获得所述灰度图像中所述第一方向下的周期距离及所述第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离。
第三计算模块204，用于分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，并根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率。
质量评价模块205，用于根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。
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，本实施例还提供了一种基于人工智能的纺织材料染色质量评估系统，本实施例中基于人工智能的纺织材料染色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，以实现如基于人工智能的纺织材料染色质量评估方法实施例中所描述的对纺织材料的染色质量进行评估。
由于基于人工智能的纺织材料染色质量评估方法实施例中已经对纺织材料的染色质量进行评估的方法进行了说明，此处不再赘述。
综上所述，本发明提供了一种基于人工智能的纺织材料染色质量评估方法、装置及系统，针对存在纹理的纺织物的表面图像进行处理，获得图像中的横向周期距离以及纵向周期距离，并结合纺织物图像自身存在周期性这一特点，分别针对像素点在HSV图像中三个通道的偏差进行分析，从而确定存在异常的像素点，通过异常像素点的分布情况以及相互之间的距离获得质量评估值以对染色质量进行评估。提高了对存在纹理差异的纺织物的处理效率，能够对纺织物的染色质量进行评价，进而便于操作者根据质量评价结果进行相应的处理。
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 (7)

1.一种基于人工智能的纺织材料染色质量评估方法，其特征在于，包括：
获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像；
对所述灰度图像进行边缘检测获得边缘图像，并将所述边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向；
分别获得所述灰度图像中所述第一方向下的周期距离及所述第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离；
分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率，包括：
分别计算HSV图像中各通道中各横向颜色序列之间的相似度，并将各通道中与其他横向颜色序列的相似度的均值最大的横向颜色序列作为各通道的横向标准颜色序列；
分别计算HSV图像中各通道中各纵向颜色序列之间的相似度，并将各通道中与其他纵向颜色序列的相似度的均值最大的纵向颜色序列作为各通道的纵向标准颜色序列；
将HSV图像中像素点在各通道中的像素值与各通道中的横向标准颜色序列以及纵向标准颜色序列进行比对，分别获得像素点在各通道中的偏差概率，并将像素点在各通道中的偏差概率的均值作为像素点在HSV图像中的偏差概率；包括：
将像素点与其在横向标准颜色序列及所述纵向标准颜色序列中对应位置的值进行比较，分别获得像素点在各通道中的特征概率；
根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率；
其中，所述特征概率的计算方法包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第
Figure DEST_PATH_IMAGE006
个像素的特征概率，
Figure DEST_PATH_IMAGE008
表示第
Figure 547222DEST_PATH_IMAGE006
个像素的颜色，
Figure DEST_PATH_IMAGE010
为横向标准颜色序列与其他横向颜色序列的相似度的均值，
Figure DEST_PATH_IMAGE012
为纵向标准颜色序列与其他纵向颜色序列的相似度的均值，
Figure DEST_PATH_IMAGE014
表示与第
Figure 919822DEST_PATH_IMAGE006
个像素所对应的横向标准颜色序列中的第j个位置的颜色，
Figure DEST_PATH_IMAGE016
表示所述HSV图像中与所述横向标准颜色序列中第j个位置对应的所有像素点的颜色的均值，
Figure DEST_PATH_IMAGE018
表示与第
Figure 214406DEST_PATH_IMAGE006
个像素所对应的纵向标准颜色序列中的第
Figure DEST_PATH_IMAGE020
个位置的颜色，
Figure DEST_PATH_IMAGE022
表示所述HSV图像中与所述纵向标准颜色序列中第
Figure 392971DEST_PATH_IMAGE020
个位置对应的所有像素点的颜色的均值；
根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率，包括：
Figure DEST_PATH_IMAGE024
其中
Figure DEST_PATH_IMAGE026
表示像素点在通道中的偏差概率，
Figure DEST_PATH_IMAGE028
为像素点在通道中的值，
Figure DEST_PATH_IMAGE030
为像素点通道中邻域内第
Figure DEST_PATH_IMAGE032
个像素点的值，
Figure DEST_PATH_IMAGE034
为通道中邻域内像素点的个数；
根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。
2.根据权利要求1所述的基于人工智能的纺织材料染色质量评估方法，其特征在于，所述灰度图像中的周期距离的获得方法包括：
将边缘图像中梯度方向为第一方向的边缘像素点连成线段，并对所述边缘图像中各线段进行聚类获得多个类别，分别计算各所述类别中包含的线段的长度均值；
分别以各所述类别的长度均值为间隔，对所述灰度图像沿所述第一方向进行划分，并分别将划分后得到的各线段上像素点的像素值进行排列，以得到线段的灰度值序列；
将灰度值序列与其他灰度值序列之间的相似的均值作为灰度值序列的特征值，并将所述特征值最大的所述灰度值序列作为标准灰度值序列，将各灰度值序列与所述标准灰度值序列之间的相似度的均值作为类别的长度符合率；
将所述长度符合率最大的所述类别的长度均值作为第一方向下的周期距离；
利用所述第一方向下的周期距离的计算方法，获得所述第二方向下的周期距离。
3.根据权利要求2所述的基于人工智能的纺织材料染色质量评估方法，其特征在于，所述方法还包括：
利用所述长度符合率的计算方法，计算各类别的长度均值的和对应的长度符合率。
4.根据权利要求1所述的基于人工智能的纺织材料染色质量评估方法，其特征在于，对纺织品的表面图像的预处理包括：
对所述表面图像进行灰度化获得灰度图像；
对所述表面图像进行HSV转换，得到HSV图像。
5.根据权利要求1所述的基于人工智能的纺织材料染色质量评估方法，其特征在于，像素点的梯度方向的获得过程包括：
利用Sobel算子获得像素点的水平梯度及竖直梯度，像素点的梯度方向为
Figure DEST_PATH_IMAGE036
，其中
Figure DEST_PATH_IMAGE038
表示像素点的水平梯度，
Figure DEST_PATH_IMAGE040
表示像素点的竖直梯度。
6.一种基于人工智能的纺织材料染色质量评估装置，其特征在于，包括：
图像预处理模块，用于获得纺织品的表面图像并进行预处理得到灰度图像以及HSV图像；
第一计算模块，用于对所述灰度图像进行边缘检测获得边缘图像，并将所述边缘图像中像素点的梯度方向中频率最大的两个梯度方向依次作为第一方向和第二方向；
第二计算模块，用于分别获得所述灰度图像中所述第一方向下的周期距离及所述第二方向下的周期距离，并依次作为横向周期距离和纵向周期距离；
第三计算模块，用于分别利用横向周期距离和纵向周期距离，获取HSV图像中各通道的横向颜色序列和纵向颜色序列，并根据HSV图像中获得的各通道的横向颜色序列和纵向颜色序列获取各通道的偏差概率；包括：
分别计算HSV图像中各通道中各横向颜色序列之间的相似度，并将各通道中与其他横向颜色序列的相似度的均值最大的横向颜色序列作为各通道的横向标准颜色序列；
分别计算HSV图像中各通道中各纵向颜色序列之间的相似度，并将各通道中与其他纵向颜色序列的相似度的均值最大的纵向颜色序列作为各通道的纵向标准颜色序列；
将HSV图像中像素点在各通道中的像素值与各通道中的横向标准颜色序列以及纵向标准颜色序列进行比对，分别获得像素点在各通道中的偏差概率，并将像素点在各通道中的偏差概率的均值作为像素点在HSV图像中的偏差概率；包括：
将像素点与其在横向标准颜色序列及所述纵向标准颜色序列中对应位置的值进行比较，分别获得像素点在各通道中的特征概率；
根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率；
其中，所述特征概率的计算方法包括：
Figure DEST_PATH_IMAGE002A
其中，
Figure 487571DEST_PATH_IMAGE004
表示第
Figure 982138DEST_PATH_IMAGE006
个像素的特征概率，
Figure 154231DEST_PATH_IMAGE008
表示第
Figure 25235DEST_PATH_IMAGE006
个像素的颜色，
Figure 366217DEST_PATH_IMAGE010
为横向标准颜色序列与其他横向颜色序列的相似度的均值，
Figure 297264DEST_PATH_IMAGE012
为纵向标准颜色序列与其他纵向颜色序列的相似度的均值，
Figure 959583DEST_PATH_IMAGE014
表示与第
Figure 634278DEST_PATH_IMAGE006
个像素所对应的横向标准颜色序列中的第j个位置的颜色，
Figure 829767DEST_PATH_IMAGE016
表示所述HSV图像中与所述横向标准颜色序列中第j个位置对应的所有像素点的颜色的均值，
Figure 164671DEST_PATH_IMAGE018
表示与第
Figure 547242DEST_PATH_IMAGE006
个像素所对应的纵向标准颜色序列中的第
Figure 464776DEST_PATH_IMAGE020
个位置的颜色，
Figure DEST_PATH_IMAGE042
表示所述HSV图像中与所述纵向标准颜色序列中第
Figure 452455DEST_PATH_IMAGE020
个位置对应的所有像素点的颜色的均值；
根据像素点在各通道中邻域内像素点的特征概率，分别获得像素点在各通道中的偏差概率，包括：
Figure DEST_PATH_IMAGE024A
其中
Figure 302468DEST_PATH_IMAGE026
表示像素点在通道中的偏差概率，
Figure 193240DEST_PATH_IMAGE028
为像素点在通道中的值，
Figure 944158DEST_PATH_IMAGE030
为像素点通道中邻域内第
Figure 379818DEST_PATH_IMAGE032
个像素点的值，
Figure 823569DEST_PATH_IMAGE034
为通道中邻域内像素点的个数；
质量评价模块，用于根据偏差概率大于预设阈值的像素点的面积占比以及离散程度获得纺织品的质量评估值，并根据质量评价值对纺织品的染色质量进行评价。
7.一种基于人工智能的纺织材料染色质量评估系统，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1-5中任一项所述的基于人工智能的纺织材料染色质量评估方法。
CN202211219143.2A 2022-10-08 2022-10-08 基于人工智能的纺织材料染色质量评估方法、装置及系统 Active CN115294116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219143.2A CN115294116B (zh) 2022-10-08 2022-10-08 基于人工智能的纺织材料染色质量评估方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219143.2A CN115294116B (zh) 2022-10-08 2022-10-08 基于人工智能的纺织材料染色质量评估方法、装置及系统

Publications (2)

Publication Number Publication Date
CN115294116A CN115294116A (zh) 2022-11-04
CN115294116B true CN115294116B (zh) 2022-12-30

Family

ID=83834196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219143.2A Active CN115294116B (zh) 2022-10-08 2022-10-08 基于人工智能的纺织材料染色质量评估方法、装置及系统

Country Status (1)

Country Link
CN (1) CN115294116B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880297B (zh) * 2023-03-01 2023-05-05 深圳市富安娜艺术家居有限公司 基于机器视觉的被套染色质量评估方法
CN116612110B (zh) * 2023-07-14 2023-10-24 微山县振龙纺织品有限公司 用于渐变印染效果的质量智能评估方法
CN117726622B (zh) * 2024-02-07 2024-04-30 武汉船舶职业技术学院 一种用于扎染工艺的计算机控制方法及系统
CN117808800B (zh) * 2024-02-29 2024-05-10 深圳市富安娜艺术家居有限公司 一种纺织品染色质量智能评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549522A (zh) * 2022-04-24 2022-05-27 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
CN114820627A (zh) * 2022-06-30 2022-07-29 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN114862836A (zh) * 2022-06-02 2022-08-05 南通宝居富家用纺织品有限公司 基于数据识别图形的纺织布料智能印染方法及系统
CN114878574A (zh) * 2022-03-31 2022-08-09 南通东德纺织科技有限公司 基于机器视觉的布匹缺陷检测方法、装置及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114878574A (zh) * 2022-03-31 2022-08-09 南通东德纺织科技有限公司 基于机器视觉的布匹缺陷检测方法、装置及系统
CN114549522A (zh) * 2022-04-24 2022-05-27 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
CN114862836A (zh) * 2022-06-02 2022-08-05 南通宝居富家用纺织品有限公司 基于数据识别图形的纺织布料智能印染方法及系统
CN114820627A (zh) * 2022-06-30 2022-07-29 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法

Also Published As

Publication number Publication date
CN115294116A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
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
US10565479B1 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN109035195B (zh) 一种织物疵点检测方法
CN109829914A (zh) 检测产品缺陷的方法和装置
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN105067638A (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN113971670B (zh) 基于计算机视觉的螺纹缺陷分析方法及系统
CN114757900A (zh) 基于人工智能的纺织品缺陷类型识别方法
CN113646801A (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN115917595A (zh) 表面缺陷检测系统
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN114862836A (zh) 基于数据识别图形的纺织布料智能印染方法及系统
CN116152242A (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN117152159B (zh) 一种复杂布料印花瑕疵检测方法及系统
CN116758074B (zh) 一种多光谱食品图像智能增强方法
CN116703894A (zh) 一种锂电池隔膜质量检测系统
CN114998346B (zh) 一种防水布质量数据处理、识别方法
CN115496762B (zh) 一种基于纺织工艺的染色不良缺陷识别方法
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
Zhang et al. Automatic detection of layout of color yarns of yarn‐dyed fabric. Part 2: Region segmentation of double‐system‐Mélange color fabric
CN114972345A (zh) 基于自适应均值漂移聚类的纱线染色质量评估方法及系统
CN116645368B (zh) 一种流延膜卷边在线视觉检测方法

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