CN115294137A - 一种布料表面渗色的缺陷检测方法 - Google Patents

一种布料表面渗色的缺陷检测方法 Download PDF

Info

Publication number
CN115294137A
CN115294137A CN202211229023.0A CN202211229023A CN115294137A CN 115294137 A CN115294137 A CN 115294137A CN 202211229023 A CN202211229023 A CN 202211229023A CN 115294137 A CN115294137 A CN 115294137A
Authority
CN
China
Prior art keywords
edge
pixel points
image
abnormal area
abnormal
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
CN202211229023.0A
Other languages
English (en)
Other versions
CN115294137B (zh
Inventor
季卫星
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 Tongzhou Huanban Textile Co ltd
Original Assignee
Nantong Tongzhou Huanban 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 Tongzhou Huanban Textile Co ltd filed Critical Nantong Tongzhou Huanban Textile Co ltd
Priority to CN202211229023.0A priority Critical patent/CN115294137B/zh
Publication of CN115294137A publication Critical patent/CN115294137A/zh
Application granted granted Critical
Publication of CN115294137B publication Critical patent/CN115294137B/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
    • 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
    • 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 Analysis (AREA)

Abstract

本发明涉及缺陷检测分析技术领域，具体涉及一种布料表面渗色的缺陷检测方法。该方法包括：获取布匹染色后的灰度图像；对灰度图像进行强弱边缘检测得到灰度图像中的强边缘和弱边缘，进而得到异常区域；获取灰度图像中经纱的方向向量，基于方向向量与异常区域的边缘的方向向量得到夹角，进而得到对应异常区域的变化均匀性；对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点，获取相关像素点之间的方向矢量，进而获取异常区域的矢量一致性；根据异常区域的变化均匀性与矢量一致性得到异常区域为抖动模糊的概率，根据抖动模糊的概率得到渗色缺陷区域，提高了对布匹渗色缺陷区域检测的准确性。

Description

一种布料表面渗色的缺陷检测方法
技术领域
本发明涉及缺陷检测分析技术领域，具体涉及一种布料表面渗色的缺陷检测方法。
背景技术
布匹在进行染色后，深色位置的染料会流向浅色部位或者白色位置，从而发生沾色的情况叫做渗色，因此布匹在进行检测的过程中，需要对布匹的渗色缺陷进行检测。
现有技术中对渗色缺陷进行检测主要是通过机器视觉进行，在布匹移动的过程中，采集布匹表面的缺陷信息，根据采集到的图像上的渗色位置与邻域像素点之间的灰度关系进行判断布匹表面是否存在渗色现象，但由于布匹在传送机上的高速传动，或相机产生的抖动，导致得到的图像深色部分容易产生运动模糊，而模糊位置很有可能会被检测为渗色缺陷的位置，从而导致检测的精度较低。
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布料表面渗色的缺陷检测方法，该方法包括以下步骤：
获取布匹染色后的表面图像，对所述表面图像进行预处理得到灰度图像；
对所述灰度图像进行强弱边缘检测得到灰度图像中的强边缘和弱边缘，根据所述强边缘和所述弱边缘得到异常区域；获取灰度图像中经纱的方向向量，基于所述方向向量与异常区域的边缘的方向向量得到夹角，基于所述夹角得到对应异常区域的变化均匀性；
对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点，获取相关像素点之间的方向矢量，基于所述方向矢量获取异常区域的矢量一致性；
根据异常区域的所述变化均匀性与所述矢量一致性得到异常区域为抖动模糊的概率，当抖动模糊的概率小于预设的抖动阈值时，对应的异常区域为渗色缺陷区域。
优选的，所述根据所述强边缘和所述弱边缘得到异常区域的步骤，包括：
根据所有所述强边缘和所述弱边缘得到对应的强边缘图像A与弱边缘的图像B，将强边缘图像A与弱边缘的图像B进行相加得到边缘图像；当边缘图像中的强边缘的预设范围存在弱边缘，则该强边缘和弱边缘的区域为异常区域。
优选的，所述基于所述方向向量与异常区域的边缘的方向向量得到夹角的步骤，包括：
获取所述方向向量的第一模长以及异常区域的边缘的方向向量的第二模长；计算第一模长与第二模长的乘积作为分母；
获取所述方向向量与异常区域的边缘的方向向量之间的点积作为分子，所述分子与所述分母的比值为所述夹角的余弦值；
根据所述余弦值得到所述夹角。
优选的，所述基于所述夹角得到对应异常区域的变化均匀性的步骤，包括：
所述变化均匀性的计算为：
Figure 657910DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示第
Figure 236790DEST_PATH_IMAGE004
个异常区域的变化均匀性；
Figure 100002_DEST_PATH_IMAGE005
表示异常区域内的边缘像素点以夹角
Figure 532774DEST_PATH_IMAGE006
方向到异常区域边缘的像素点总数；
Figure 100002_DEST_PATH_IMAGE007
表示为第
Figure 615130DEST_PATH_IMAGE004
个异常区域夹角为
Figure 666263DEST_PATH_IMAGE006
方向的第
Figure 263598DEST_PATH_IMAGE008
个邻域像素点的灰度值；
Figure 100002_DEST_PATH_IMAGE009
表示为第
Figure 363272DEST_PATH_IMAGE004
个异常区域夹角为
Figure 893610DEST_PATH_IMAGE006
方向的第
Figure 115644DEST_PATH_IMAGE010
个邻域像素点的灰度值。
优选的，所述对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点的步骤，包括：
获取灰度图像中边缘像素点与其邻域像素点对应灰度均值的第一差值绝对值，以及异常区域中边缘像素点与其邻域像素点对应灰度均值的第二差值绝对值；
所述第一差值绝对值与所述第二差值绝对值相等时，灰度图像中边缘像素点与异常区域中边缘像素点匹配成功，为一对相关像素点。
优选的，所述获取相关像素点之间的方向矢量的步骤，包括：
获取相关像素点中灰度图像中像素点的坐标位置，以及异常区域中像素点的坐标位置，坐标位置之间相减得到方向矢量。
优选的，所述基于所述方向矢量获取异常区域的矢量一致性的步骤，包括：
所述矢量一致性的计算为：
Figure 731433DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE013
为第
Figure 369219DEST_PATH_IMAGE004
个异常区域的矢量一致性；
Figure 754064DEST_PATH_IMAGE014
为图像中的第
Figure 881420DEST_PATH_IMAGE004
个异常区域的所有边缘像素点的数量；
Figure 100002_DEST_PATH_IMAGE015
为第
Figure 644890DEST_PATH_IMAGE004
个异常区域的像素点与图像中的第
Figure 414263DEST_PATH_IMAGE016
个边缘像素点的方向矢量；
Figure 100002_DEST_PATH_IMAGE017
为第
Figure 325719DEST_PATH_IMAGE004
个异常区域的边缘像素点的方向矢量的均值。
优选的，所述根据异常区域的所述变化均匀性与所述矢量一致性得到异常区域为抖动模糊的概率的步骤，包括：
获取异常区域对应的矢量一致性与变化均匀性的比值，利用以10为底的对数函数对所述比值进行计算得到对数结果，根据所述对数结果得到抖动模糊的概率，所述对数结果与抖动模糊的概率相加为1。
本发明具有如下有益效果：首先根据灰度图像中的强边缘和弱边缘进行异常区域的区域，后续仅对异常区域进行处理，提高了分析检测的效率；其次根据异常区域中边缘像素点与灰度图像中边缘像素点之间的关系获取异常区域的矢量一致性和变化均匀性，使得对比的更加全面且得到的结果更加可靠，具有说服力；最终基于每个异常区域对应的矢量一致性和变化均匀性得到异常区域为抖动模糊的概率，进而判断出灰度图像中的渗色缺陷区域，减少了实际检测过程中的误检率，提高了对布匹检测的精度，并且提高了产品的质量，减少了不必要的浪费。
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为本发明一个实施例所提供的一种布料表面渗色的缺陷检测方法流程图。
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布料表面渗色的缺陷检测方法，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布料表面渗色的缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种布料表面渗色的缺陷检测方法流程图，该方法包括以下步骤：
步骤S100，获取布匹染色后的表面图像，对表面图像进行预处理得到灰度图像。
具体的，在布匹的上方安装工业CCD相机，用来采集高速运作过程中的实时的布匹表面的表面图像，并对得到的表面图像进行预处理，即首先通过高斯滤波对表面图像中的噪声点进行去除，然后对去除噪声后的表面图像进行灰度化处理得到对应的灰度图像，灰度化处理为现有公知技术，不再赘述。
步骤S200，对灰度图像进行强弱边缘检测得到灰度图像中的强边缘和弱边缘，根据强边缘和弱边缘得到异常区域；获取灰度图像中经纱的方向向量，基于方向向量与异常区域的边缘的方向向量得到夹角，基于夹角得到对应异常区域的变化均匀性。
布匹在进行缺陷检测的过程中，由于受到抖动的影响，导致布匹的表面缺陷的检测过程中，模糊的位置和渗色的位置无法进行很好的区分，使机器进行误检，导致布匹的不必要的浪费；因此需要对获取到的可能为渗色的异常区域进行进一步的分析，以提高对渗色缺陷检测的精度。
对步骤S100中的灰度图像进行强弱边缘检测，使用不同的边缘检测算法，得到灰度图像的强弱边缘，Canny边缘检测算法得到的是灰度图像中的强边缘，而通过Sobel算子检测可以得到灰度图像中的弱边缘，因此可得到强边缘图像A和弱边缘图像B；Canny边缘检测算法以及Sobel算子检测算法均为现有公知技术，不再赘述。
将得到的强边缘图像A与弱边缘的图像B进行相加得到边缘图像C，边缘图像C中含有灰度图像进行边缘检测后的所有强边缘与弱边缘，如果得到的边缘图像中的强边缘周围存在弱边缘，则将该区域定义为异常区域，对异常区域的模糊进行分析，判断得到的边缘图像中的模糊为渗色模糊还是抖动模糊。
根据得到异常区域中的边缘位置的像素点与邻域像素点的特征进行判断，得到图像中模糊位置的信息，判断模糊部位的特征，抖动产生的模糊，是由于相机的曝光时间内，物体产生抖动，因此得到的图像中的边缘像素点在曝光时间内产生位移差，因此导致图像中的边缘模糊，与渗色的边缘特征相似，影响渗色的检测，但渗色产生的边缘模糊的边缘像素点之间是无序的，但由于相机的抖动产生的边缘像素点模糊，因此产生的模糊的像素点之间的方向相同，根据像素点与模糊像素点之间的关系，判断模糊位置是由什么原因产生的。
具体的，计算异常区域中边缘像素点与其邻域像素点之间的变化，异常区域中的边缘像素点与其邻域像素点之间的变化越均匀，边缘图像中的模糊为渗色缺陷的概率越大；产生渗色的原因通常是容易渗色的染料在进行染色过程中操作不当，导致布匹上的染料发生蔓延，进而导致布匹上的花纹边缘产生渗色，因此渗色的产生导致边缘的渗色像素点距离图像的边缘越远，像素点的灰度值越小，并且变小的过程中，下一个像素点与前一个像素点之间的变化递减变化。
获取灰度图像中的经纱方向，由于布匹的灰度图像是在布匹的上方进行采集，因此得到的灰度图像中的经纱方向在灰度图像中纵向排列，经纱的数量较多且灰度图像上的表面纹理主要是经纱决定的，因此在染色的过程中染料发生深色主要是沿着经纱的方向蔓延。
根据异常区域中边缘的方向向量与经纱的方向向量获取夹角，以第
Figure 889555DEST_PATH_IMAGE004
个异常区域为例，则得到的夹角的方法为：
Figure DEST_PATH_IMAGE019
其中，
Figure 683199DEST_PATH_IMAGE020
表示夹角的余弦值；
Figure DEST_PATH_IMAGE021
表示灰度图像中第
Figure 662787DEST_PATH_IMAGE004
个异常区域的边缘的方向向量；
Figure 756645DEST_PATH_IMAGE022
表示灰度图像中的经纱的方向向量；
Figure DEST_PATH_IMAGE023
表示第
Figure 429066DEST_PATH_IMAGE004
个异常区域与经纱之间的夹角。
根据夹角的余弦值可得到对应的夹角。由于染料会沿着布料上的纱线方向进行蔓延，因此进一步计算图像中的纱线方向灰度的变化情况，根据得到的夹角得到对应方向上的差异值的大小的比值的变化均匀性为：
Figure 241164DEST_PATH_IMAGE024
其中，
Figure 86761DEST_PATH_IMAGE003
表示第
Figure 300704DEST_PATH_IMAGE004
个异常区域的像素点的变化均匀性；
Figure 206343DEST_PATH_IMAGE005
表示异常区域内的边缘像素点以夹角
Figure 505738DEST_PATH_IMAGE006
方向到异常区域边缘的像素点总数；
Figure 155025DEST_PATH_IMAGE007
表示为第
Figure 223475DEST_PATH_IMAGE004
个异常区域夹角为
Figure 300015DEST_PATH_IMAGE006
方向的第
Figure 86706DEST_PATH_IMAGE008
个邻域像素点的灰度值；
Figure 539684DEST_PATH_IMAGE009
表示为第
Figure 462640DEST_PATH_IMAGE004
个异常区域夹角为
Figure 710082DEST_PATH_IMAGE006
方向的第
Figure 718489DEST_PATH_IMAGE010
个邻域像素点的灰度值。
其中，
Figure DEST_PATH_IMAGE025
为角度为
Figure 912842DEST_PATH_IMAGE006
方向的像素点相邻像素点之间灰度值的差值；
Figure 690305DEST_PATH_IMAGE026
为
Figure 108648DEST_PATH_IMAGE006
方向上相邻两个像素点的差值的平均值。从而得到图像中的像素点的边缘信息的差值的方差，即变化均匀性；变化均匀性越小，说明此时的边缘模糊为布匹的渗色缺陷的可能性越大。
步骤S300，对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点，获取相关像素点之间的方向矢量，基于方向矢量获取异常区域的矢量一致性。
图像中的像素点在计算时，会存在抖动模糊也会出现边缘和模糊范围变化均匀性较小，因此单一的通过变化均匀性来判断异常区域为渗色缺陷并不准确，故需要通过计算图像内的边缘和异常区域的边缘之间的指向是否具有一致性，渗色是染料向四周蔓延，因此边缘模糊的指向并没有规律性，而图像产生模糊时，像素点的模糊方向具有一致性，因此计算图像中的像素点变化方向的一致性来辅助渗色缺陷的检测，使检测结果更加的精确。
计算图像中边缘像素点与异常区域的边缘像素点之间的变化矢量，得到模糊的变化方向；根据图像中像素点的之间的相关性，得到图像中异常区域的像素点，分析图像中的像素点是否为同一像素点；判断是否为同一像素点的方法为：
Figure 604351DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为第
Figure 602394DEST_PATH_IMAGE008
个边缘像素点的灰度值；
Figure 234364DEST_PATH_IMAGE030
为图像中的第
Figure 823608DEST_PATH_IMAGE008
个边缘像素点对应邻域像素点的灰度均值；
Figure DEST_PATH_IMAGE031
为模糊边缘的第
Figure 568509DEST_PATH_IMAGE008
个像素点的灰度值；
Figure 166981DEST_PATH_IMAGE032
为图像中的模糊像素点邻域像素点的灰度均值。
Figure DEST_PATH_IMAGE033
为1时，表明其为同一个像素点。对于判断为同一像素点的相关像素点而言，计算图像中的边缘像素点的走向，根据图像中的边缘像素点的模糊走向，判断图像中的异常区域是否为渗色缺陷；计算图像中的相关像素点的之间的方向矢量：
Figure DEST_PATH_IMAGE035
式中，
Figure 263244DEST_PATH_IMAGE036
为图像中的第
Figure 554548DEST_PATH_IMAGE016
个边缘像素点与对应异常区域内像素点的方向矢量，
Figure DEST_PATH_IMAGE037
为图像中的第
Figure 696948DEST_PATH_IMAGE016
个边缘像素点的坐标位置，
Figure 567952DEST_PATH_IMAGE038
为对应异常区域内像素点的坐标位置。
以此得到图像中的像素点的方向矢量；根据得到的图像中的边缘点的走向得到图像中的边缘的模糊像素点的方向判断图像中的边缘产生的模糊是抖动产生的模糊或是渗色产生的模糊，图像中由于相机产生的抖动模糊是由于相机抖动或是布匹移动速度过快产生的模糊，因此得到的图像中的边缘像素点的模糊点的像素点与模糊点的方向矢量的方向相同，但布匹上产生的渗色缺陷的模糊点与边缘点之间的方向矢量在染料图像中的像素点与边缘像素点的矢量方向无序，因此通过像素点之间的方向矢量的一致性判断图像的边缘的模糊是否为渗色缺陷；矢量一致性的获取方法为：
Figure DEST_PATH_IMAGE039
其中，
Figure 112197DEST_PATH_IMAGE013
为第
Figure 308823DEST_PATH_IMAGE004
个异常区域的边缘像素点的矢量一致性；
Figure 735256DEST_PATH_IMAGE014
为图像中的第
Figure 675530DEST_PATH_IMAGE004
个异常区域的所有边缘像素点的数量；
Figure 136599DEST_PATH_IMAGE015
为第
Figure 238547DEST_PATH_IMAGE004
个异常区域的像素点与图像中的第
Figure 683435DEST_PATH_IMAGE016
个边缘像素点的方向矢量；
Figure 161820DEST_PATH_IMAGE017
为第
Figure 477395DEST_PATH_IMAGE004
个异常区域的边缘像素点的方向矢量的均值。
得到的矢量一致性越接近于0，说明该异常区域的边缘像素点与模糊像素点之间的方向矢量的一致性越高，则该异常区域为相机抖动造成的可能性越大。
步骤S400，根据异常区域的变化均匀性与矢量一致性得到异常区域为抖动模糊的概率，当抖动模糊的概率小于预设的抖动阈值时，对应的异常区域为渗色缺陷区域。
根据异常区域的变化均匀性和矢量一致性得到该异常区域为相机抖动产生的概率，并将图像中的非抖动模糊的异常区域进行标记。异常区域的变化均匀性
Figure 281403DEST_PATH_IMAGE040
越大，对应的异常区域为抖动产生的概率越大，并且异常区域的矢量一致性
Figure DEST_PATH_IMAGE041
越小，表明异常区域为抖动产生的概率越大，因此获取第
Figure 354533DEST_PATH_IMAGE004
个异常区域为抖动模糊的概率为：
Figure DEST_PATH_IMAGE043
其中，
Figure 574292DEST_PATH_IMAGE044
表示第
Figure 275532DEST_PATH_IMAGE004
个异常区域为抖动模糊的概率；
Figure 719283DEST_PATH_IMAGE013
表示第
Figure 217392DEST_PATH_IMAGE004
个异常区域对应的矢量一致性；
Figure 917539DEST_PATH_IMAGE003
表示第
Figure 207706DEST_PATH_IMAGE004
个异常区域对应的变化均匀性；
Figure DEST_PATH_IMAGE045
表示以10为底的对数函数。
设定抖动阈值，当异常区域为抖动模糊的概率不小于抖动阈值时，说明异常区域为抖动模糊；当异常区域为抖动模糊的概率小于抖动阈值时，说明异常区域为渗色缺陷。
作为优选，本发明实施例中设置抖动阈值为0.8。
对图像中所有判断为渗色缺陷的区域进行标记，从而得到布匹上的渗色位置，后续对渗色缺陷的位置进行处理。
综上所述，本发明实施例中通过获取布匹染色后的表面图像，对表面图像进行预处理得到灰度图像；对灰度图像进行强弱边缘检测得到灰度图像中的强边缘和弱边缘，根据强边缘和弱边缘得到异常区域；获取灰度图像中经纱的方向向量，基于方向向量与异常区域的边缘的方向向量得到夹角，基于夹角得到对应异常区域的变化均匀性；对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点，获取相关像素点之间的方向矢量，基于方向矢量获取异常区域的矢量一致性；根据异常区域的变化均匀性与矢量一致性得到异常区域为抖动模糊的概率，当抖动模糊的概率小于预设的抖动阈值时，对应的异常区域为渗色缺陷区域，提高了对布匹渗色缺陷区域检测的准确性。
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。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 (8)

1.一种布料表面渗色的缺陷检测方法，其特征在于，该方法包括以下步骤：
获取布匹染色后的表面图像，对所述表面图像进行预处理得到灰度图像；
对所述灰度图像进行强弱边缘检测得到灰度图像中的强边缘和弱边缘，根据所述强边缘和所述弱边缘得到异常区域；获取灰度图像中经纱的方向向量，基于所述方向向量与异常区域的边缘的方向向量得到夹角，基于所述夹角得到对应异常区域的变化均匀性；
对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点，获取相关像素点之间的方向矢量，基于所述方向矢量获取异常区域的矢量一致性；
根据异常区域的所述变化均匀性与所述矢量一致性得到异常区域为抖动模糊的概率，当抖动模糊的概率小于预设的抖动阈值时，对应的异常区域为渗色缺陷区域。
2.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述根据所述强边缘和所述弱边缘得到异常区域的步骤，包括：
根据所有所述强边缘和所述弱边缘得到对应的强边缘图像A与弱边缘的图像B，将强边缘图像A与弱边缘的图像B进行相加得到边缘图像；当边缘图像中的强边缘的预设范围存在弱边缘，则该强边缘和弱边缘的区域为异常区域。
3.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述基于所述方向向量与异常区域的边缘的方向向量得到夹角的步骤，包括：
获取所述方向向量的第一模长以及异常区域的边缘的方向向量的第二模长；计算第一模长与第二模长的乘积作为分母；
获取所述方向向量与异常区域的边缘的方向向量之间的点积作为分子，所述分子与所述分母的比值为所述夹角的余弦值；
根据所述余弦值得到所述夹角。
4.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述基于所述夹角得到对应异常区域的变化均匀性的步骤，包括：
所述变化均匀性的计算为：
Figure 8043DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第
Figure 217307DEST_PATH_IMAGE004
个异常区域的变化均匀性；
Figure DEST_PATH_IMAGE005
表示异常区域内的边缘像素点以夹角
Figure 42044DEST_PATH_IMAGE006
方向到异常区域边缘的像素点总数；
Figure DEST_PATH_IMAGE007
表示为第
Figure 20364DEST_PATH_IMAGE004
个异常区域夹角为
Figure 741196DEST_PATH_IMAGE006
方向的第
Figure 906598DEST_PATH_IMAGE008
个邻域像素点的灰度值；
Figure DEST_PATH_IMAGE009
表示为第
Figure 281165DEST_PATH_IMAGE004
个异常区域夹角为
Figure 848412DEST_PATH_IMAGE006
方向的第
Figure 740145DEST_PATH_IMAGE010
个邻域像素点的灰度值。
5.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述对灰度图像中边缘像素点与异常区域中边缘像素点进行匹配得到相关像素点的步骤，包括：
获取灰度图像中边缘像素点与其邻域像素点对应灰度均值的第一差值绝对值，以及异常区域中边缘像素点与其邻域像素点对应灰度均值的第二差值绝对值；
所述第一差值绝对值与所述第二差值绝对值相等时，灰度图像中边缘像素点与异常区域中边缘像素点匹配成功，为一对相关像素点。
6.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述获取相关像素点之间的方向矢量的步骤，包括：
获取相关像素点中灰度图像中像素点的坐标位置，以及异常区域中像素点的坐标位置，坐标位置之间相减得到方向矢量。
7.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述基于所述方向矢量获取异常区域的矢量一致性的步骤，包括：
所述矢量一致性的计算为：
Figure 392843DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为第
Figure 559382DEST_PATH_IMAGE004
个异常区域的矢量一致性；
Figure 981136DEST_PATH_IMAGE014
为图像中的第
Figure 43770DEST_PATH_IMAGE004
个异常区域的所有边缘像素点的数量；
Figure DEST_PATH_IMAGE015
为第
Figure 449344DEST_PATH_IMAGE004
个异常区域的像素点与图像中的第
Figure 888415DEST_PATH_IMAGE016
个边缘像素点的方向矢量；
Figure DEST_PATH_IMAGE017
为第
Figure 695834DEST_PATH_IMAGE004
个异常区域的边缘像素点的方向矢量的均值。
8.根据权利要求1所述的一种布料表面渗色的缺陷检测方法，其特征在于，所述根据异常区域的所述变化均匀性与所述矢量一致性得到异常区域为抖动模糊的概率的步骤，包括：
获取异常区域对应的矢量一致性与变化均匀性的比值，利用以10为底的对数函数对所述比值进行计算得到对数结果，根据所述对数结果得到抖动模糊的概率，所述对数结果与抖动模糊的概率相加为1。
CN202211229023.0A 2022-10-09 2022-10-09 一种布料表面渗色的缺陷检测方法 Active CN115294137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211229023.0A CN115294137B (zh) 2022-10-09 2022-10-09 一种布料表面渗色的缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211229023.0A CN115294137B (zh) 2022-10-09 2022-10-09 一种布料表面渗色的缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115294137A true CN115294137A (zh) 2022-11-04
CN115294137B CN115294137B (zh) 2023-04-18

Family

ID=83819460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211229023.0A Active CN115294137B (zh) 2022-10-09 2022-10-09 一种布料表面渗色的缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115294137B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486116A (zh) * 2023-06-16 2023-07-25 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法
CN116542970A (zh) * 2023-06-30 2023-08-04 山东金有粮脱皮制粉设备有限公司 基于图像处理的面粉熟化控制方法及相关装置
CN116664569A (zh) * 2023-07-31 2023-08-29 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN117078565A (zh) * 2023-10-17 2023-11-17 深圳市精研科洁科技股份有限公司 一种摄像头抖动模糊图像优化增强方法及系统
CN117218116A (zh) * 2023-11-07 2023-12-12 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法
CN117274248A (zh) * 2023-11-20 2023-12-22 滨州三元家纺有限公司 一种布料印染瑕疵缺陷视觉检测方法
CN117541615A (zh) * 2024-01-09 2024-02-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种自动铺网装置的螺栓松动检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060067571A1 (en) * 2004-09-29 2006-03-30 Dainippon Screen Mfg. Co., Ltd. Defect detection apparatus and defect detection method
CN114494259A (zh) * 2022-04-18 2022-05-13 南通东德纺织科技有限公司 一种基于人工智能的布匹缺陷检测方法
CN114529549A (zh) * 2022-04-25 2022-05-24 南通东德纺织科技有限公司 一种基于机器视觉的布匹缺陷标注方法及系统
CN115049671A (zh) * 2022-08-17 2022-09-13 南通东德纺织科技有限公司 基于计算机视觉的布匹表面缺陷检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060067571A1 (en) * 2004-09-29 2006-03-30 Dainippon Screen Mfg. Co., Ltd. Defect detection apparatus and defect detection method
CN114494259A (zh) * 2022-04-18 2022-05-13 南通东德纺织科技有限公司 一种基于人工智能的布匹缺陷检测方法
CN114529549A (zh) * 2022-04-25 2022-05-24 南通东德纺织科技有限公司 一种基于机器视觉的布匹缺陷标注方法及系统
CN115049671A (zh) * 2022-08-17 2022-09-13 南通东德纺织科技有限公司 基于计算机视觉的布匹表面缺陷检测方法及系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486116A (zh) * 2023-06-16 2023-07-25 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法
CN116486116B (zh) * 2023-06-16 2023-08-29 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法
CN116542970A (zh) * 2023-06-30 2023-08-04 山东金有粮脱皮制粉设备有限公司 基于图像处理的面粉熟化控制方法及相关装置
CN116542970B (zh) * 2023-06-30 2023-09-15 山东金有粮脱皮制粉设备有限公司 基于图像处理的面粉熟化控制方法及相关装置
CN116664569A (zh) * 2023-07-31 2023-08-29 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116664569B (zh) * 2023-07-31 2023-10-10 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN117078565A (zh) * 2023-10-17 2023-11-17 深圳市精研科洁科技股份有限公司 一种摄像头抖动模糊图像优化增强方法及系统
CN117078565B (zh) * 2023-10-17 2024-02-02 深圳市精研科洁科技股份有限公司 一种摄像头抖动模糊图像优化增强方法及系统
CN117218116A (zh) * 2023-11-07 2023-12-12 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法
CN117218116B (zh) * 2023-11-07 2024-02-09 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法
CN117274248A (zh) * 2023-11-20 2023-12-22 滨州三元家纺有限公司 一种布料印染瑕疵缺陷视觉检测方法
CN117274248B (zh) * 2023-11-20 2024-02-02 滨州三元家纺有限公司 一种布料印染瑕疵缺陷视觉检测方法
CN117541615A (zh) * 2024-01-09 2024-02-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种自动铺网装置的螺栓松动检测方法
CN117541615B (zh) * 2024-01-09 2024-04-26 山东济矿鲁能煤电股份有限公司阳城煤矿 一种自动铺网装置的螺栓松动检测方法

Also Published As

Publication number Publication date
CN115294137B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115294137B (zh) 一种布料表面渗色的缺陷检测方法
CN112446838B (zh) 一种基于局部统计信息的图像噪声检测方法、装置
CN116843688B (zh) 一种纺织品质量视觉检测方法
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
Xu Instrumental evaluation of fabric pilling
CN115330784B (zh) 一种布匹表面缺陷检测方法
CN113610852B (zh) 基于图像处理的纱线牵伸质量监测方法
CN117541588B (zh) 一种纸制品的印刷缺陷检测方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN114998227A (zh) 基于图像处理的布匹印染缺陷检测方法及系统
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN114693677B (zh) 一种针织面料轧染工艺异常检测方法
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN112435235A (zh) 一种基于图像分析的籽棉含杂率检测方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN117237354B (zh) 一种纺织衣物疵点视觉检测方法
CN115980095A (zh) 一种基于机器视觉的芯片外观检测方法及系统
CN117372435B (zh) 基于图像特征的连接器针脚检测方法
CN115496762B (zh) 一种基于纺织工艺的染色不良缺陷识别方法
Coulthard Image processing for automatic surface defect detection
CN114693686B (zh) 一种用于床单布匹污渍检测的方法
CN114662519B (zh) 基于位置探测图形梯度和强度先验的qr码盲去模糊方法
CN114885095A (zh) 图像采集控制方法及设备、图像采集系统和可读存储介质
CN114923629A (zh) 一种纺织高速锭子旋转时振动幅值检测方法
CN114972084A (zh) 一种图像对焦准确度评价方法及系统

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