CN115311264A - 用于纺织生产的织物瑕疵线条缺陷识别方法 - Google Patents

用于纺织生产的织物瑕疵线条缺陷识别方法 Download PDF

Info

Publication number
CN115311264A
CN115311264A CN202211231211.7A CN202211231211A CN115311264A CN 115311264 A CN115311264 A CN 115311264A CN 202211231211 A CN202211231211 A CN 202211231211A CN 115311264 A CN115311264 A CN 115311264A
Authority
CN
China
Prior art keywords
region
abnormal
fabric
area
pixel
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
CN202211231211.7A
Other languages
English (en)
Other versions
CN115311264B (zh
Inventor
孙新兵
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.)
Hanyu Shijia Nantong Textile Co ltd
Original Assignee
Hanyu Shijia Nantong 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 Hanyu Shijia Nantong Textile Co ltd filed Critical Hanyu Shijia Nantong Textile Co ltd
Priority to CN202211231211.7A priority Critical patent/CN115311264B/zh
Publication of CN115311264A publication Critical patent/CN115311264A/zh
Application granted granted Critical
Publication of CN115311264B publication Critical patent/CN115311264B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Abstract

本发明涉及缺陷数据识别技术领域，具体涉及一种用于纺织生产的织物瑕疵线条缺陷识别方法。该方法获取缝制完成后的面料图像，语义分割出待检测面料区域图像。根据面料上区域特征，识别出缺陷线条。根据缺陷线条位置，调整相应线条拉伸程度。本发明在对工业数字化的基础，利用图像处理技术来实现对瑕疵线条的识别与增强，以更好的方便在缺陷检测中，分辨出织物是否含有缺陷。

Description

用于纺织生产的织物瑕疵线条缺陷识别方法
技术领域
本发明涉及缺陷数据识别技术领域，具体涉及一种用于纺织生产的织物瑕疵线条缺陷识别方法。
背景技术
随着生产速度的加快和人们生活质量水平的提高，人们越来越追求高质量的纺织衣物，这要求工厂在对织物加工时尽可能避免出现织物瑕疵线条的情况。
现有图像处理技术在对织物进行检测时，大都使用阈值分割技术，或是通过纹理判断，此时都要求织物瑕疵线条与正常纹理或是织线之间灰度差异较大，能通过瑕疵点明显的灰度值差异和瑕疵点区域大小来对瑕疵点进行识别，但在缺陷检测中，此方法过于理想化，对于现有织物瑕疵线条，其灰度值与正常区域大小相似难以分割。
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用于纺织生产的织物瑕疵线条缺陷识别方法，所采用的技术方案具体如下：
本发明提出了一种用于纺织生产的织物瑕疵线条缺陷识别方法，所述方法包括：
获取缝制完成的面料区域图像；利用阈值分割获得面料区域中的缝线区域和缝合区域；获取每个缝线区域的第一中心轴；
获取第一中心轴上每个像素点位置的垂线，每条垂线与缝线区域的边缘存在两个边缘交点；根据缝线区域的标准宽度获得中心轴上每个像素点位置的垂线对应的标准边缘交点位置，根据标准边缘交点位置和对应实际的边缘交点位置获得每个边缘交点的不契合度；根据不契合度筛选出异常边缘交点；
将缝合区域均分为多个小区域，根据每个小区域中像素点之间的像素值差异和小区域之间的像素值差异获得区域相关性；根据区域相关性筛选出异常区域；
对异常区域按照多个预设尺寸进行进一步均分并计算每块异常均分区域之间的区域相关性，将所有区域相关性加权求和获得异常区域中每个像素点的异常程度，根据异常程度筛选出异常像素点；若异常像素点与异常边缘交点的距离在预设距离范围内，则将异常像素点标记为异常织线像素点；根据异常织线像素点获得异常织线。
进一步地，所述获取缝制完成的面料区域图像包括：
采集缝制完成的面料表面图像，去除面料表面图像的背景信息，获得面料区域图像。
进一步地，所述利用阈值分割获得面料区域中的缝线区域和缝合区域包括：
利用大津阈值分割算法进行初始分割，获得初始缝线区域和初始缝合区域；随机在初始缝线区域和初始缝合区域上各取一点并计算两点的平均像素值，以两点的平均像素值作为像素值阈值重新对面料区域图像进行分割，获得缝线区域和缝合区域。
进一步地，所述获取每个缝线区域的第一中心轴包括：
利用骨架提取算法提取每个缝线区域的骨架，以骨架作为每个缝线区域的第一中心轴。
进一步地，所述根据缝线区域的标准宽度获得中心轴上每个像素点位置的垂线对应的标准边缘交点位置包括：
在垂线上，以距离对应中轴线上像素点为缝线区域标准宽度的一半的两侧像素点作为标准边缘交点。
进一步地，所述根据标准边缘交点位置和对应实际的边缘交点位置获得每个边缘交点的不契合度包括：
根据标准边缘交点与对应实际边缘交点的距离作为每个边缘交点的不契合度。
进一步地，所述根据每个小区域中像素点之间的像素值差异和小区域之间的像素值差异获得区域相关性包括：
任选一个小区域作为基准块，根据区域相关性公式获得基准块与其他小区域的区域相关性，区域相关性公式包括：
Figure 72613DEST_PATH_IMAGE001
其中，
Figure 786491DEST_PATH_IMAGE002
为每个小区域的长和宽，
Figure 222020DEST_PATH_IMAGE003
为基准块中（i，j）位置上像素点的像素值，
Figure 148388DEST_PATH_IMAGE004
为基准块中的平均像素值，
Figure 369285DEST_PATH_IMAGE005
为其他小区域中（i，j）位置上像素点的像素值，
Figure 722906DEST_PATH_IMAGE006
为其他小区域的平均像素值。
本发明具有如下有益效果：
本发明实施例在对工业数字化的基础，利用图像处理技术来实现对瑕疵线条的识别与增强，以更好的方便在缺陷检测中，分辨出织物是否含有缺陷。
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用于纺织生产的织物瑕疵线条缺陷识别方法。
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用于纺织生产的织物瑕疵线条缺陷识别方法，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。
本发明实施例的主要目的是:利用计算机视觉技术，通过对拍摄的缝制后面料图像进行处理，根据缺陷线条的相应特征，准确获取面料中的缺陷线条区域，进而反馈到线头控制位置，对线条拉伸情况进行调整。
本发明所针对的情景为：织物缺陷检测中，缺陷线条往往并不是灰度值异常突出，导致图像识别在对缺陷识别时，并不能很好地对存在异常的线条进行识别。
下面结合附图具体的说明本发明所提供的一种用于纺织生产的织物瑕疵线条缺陷识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于纺织生产的织物瑕疵线条缺陷识别方法流程图，该方法包括：
步骤S1：获取缝制完成的面料区域图像；利用阈值分割获得面料区域中的缝线区域和缝合区域；获取每个缝线区域的第一中心轴。
本发明需要采集清晰的缝制后面料表面图像，所以在面料输送台上的面料图像需去除面料表面图像的背景信息，获得面料区域图像。
在本发明实施例中经过神经网络分割出面料部分，以便于研究，采用DNN语义分割的方式来识别分割出图像中的目标区域。
a.使用的数据集为俯视采集的相机下缝制后面料表面图像数据集。
b.需要分割的像素，共分为2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，属于面料表面的标注为1。
c.网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，通过DNN实现了相机下缝制后面料表面图像的处理，获得面料区域图像。
因为缺陷织线与缝合区域灰度值相差不大，因此用阈值分割分割出缺陷织线的可行性不是很高。但是首先可以利用灰度值分割出缝线区域，缺陷织线在缝合区域的灰度值并不明显，但是突出的特征是它对缝线区域造成的影响。垂直方向上的经线由于拉伸不够，比其他正常拉伸正常的线条会在织物表面显现出宽线的特征。所以重点是对缝线区域的研究，根据异常缝线区域获取出垂直方向上经线的异常。
利用大津阈值分割算法进行初始分割，获得初始缝线区域和初始缝合区域；随机在初始缝线区域和初始缝合区域上各取一点并计算两点的平均像素值，以两点的平均像素值作为像素值阈值重新对面料区域图像进行分割，获得缝线区域和缝合区域。大于阈值的属于缝线区域像素点，小于阈值的属于缝合区域的像素点。
同时以图像左下角为坐标原点，水平方向向右为X轴，竖直方向上为Y轴建立直角坐标系。
分割出的缝线区域像素点，并由此获取到若干个缝线区域的连通域
Figure 380152DEST_PATH_IMAGE007
。进而得到每个连通域的边缘像素点，并利用骨架提取算法对每个缝线区域连通域进行分析，提取每个缝线区域的骨架，以骨架作为每个缝线区域的第一中心轴。
因缝线区域和缝合区域都是经固定程序加工而成，因此缝线区域和缝合区域都为固定宽度。根据先验数据中正常无缺陷缝线区域的宽度，来作为当前缝线区域的标准宽度，记其标准宽度为d。
步骤S2：获取第一中心轴上每个像素点位置的垂线，每条垂线与缝线区域的边缘存在两个边缘交点；根据缝线区域的标准宽度获得中心轴上每个像素点位置的垂线对应的标准边缘交点位置，根据标准边缘交点位置和对应实际的边缘交点位置获得每个边缘交点的不契合度；根据不契合度筛选出异常边缘交点。
排除因织线本身的弹性和其他因素，所以缝线区域的方向可能并不固定，因此不用固定的方向和长度对缝线区域进行研究，而是获取缝线区域的中心轴。作中心轴上每个像素点相对于当前像素点所在位置的垂线，所述垂线与缝线区域连通域边缘形成两个交点，从而得到当前中心轴上像素点对应的两个边缘点。利用中心轴每个像素点对应的两个边缘点的契合程度
Figure 110211DEST_PATH_IMAGE008
来描述当前缝线区域的异常程度。对于每个中心轴上的像素点，都有与其对应的两个边缘点，所以对于每个缝线区域连通域
Figure 185614DEST_PATH_IMAGE009
，其中心轴像素点个数为
Figure 710137DEST_PATH_IMAGE010
，对应边缘点像素个数为2
Figure 120258DEST_PATH_IMAGE010
，所以在理想状态下，中轴线上每个像素点的坐标位置已知，先验数据下缝线区域连通域的宽度
Figure 388428DEST_PATH_IMAGE002
已知，由此针对于中轴线上的每一个像素点，可以确定在距离中轴线
Figure 318338DEST_PATH_IMAGE011
的位置都有两个标准边缘点的位置，但是在实际拍摄中，中轴线上同一个像素点在标准情况下和实际情况下对应不同位置的边缘像素点位置。即在垂线上，以距离对应中轴线上像素点为缝线区域标准宽度的一半的两侧像素点作为标准边缘交点。根据标准边缘交点与对应实际边缘交点的距离作为每个边缘交点的不契合度。若不契合度大于预设不契合度阈值，则认为对应边缘交点为异常边缘交点。不契合度阈值可根据具体实施场景自行设置。
步骤S3：将缝合区域均分为多个小区域，根据每个小区域中像素点之间的像素值差异和小区域之间的像素值差异获得区域相关性；根据区域相关性筛选出异常区域。
对于每一个缝线区域连通域，其中正常织线和异常织线其中的灰度差异并不是很大，所以将缝合区域进行分块处理，计算其中每一块与固定块之间的差异性，对于异常织线来说，其数量少，对于正常织线来说。其数量庞大，所以不论固定区域是异常织线区域或是正常织线区域，其中分块之后的正常块和异常块之间的数量差异都是非常大的。
首先获得所有缝合区域的连通域
Figure 279341DEST_PATH_IMAGE012
，对于每一个缝合区域连通域，使用骨架提取算法提取到当前每个缝合区域的中轴线，其次对于任意缝合区域中轴线上的像素点，分别获取每个中轴线上像素点处的连通域宽度，将当前连通域宽度求取均值作为当前连通域的宽度信息，对于每一个
Figure 176759DEST_PATH_IMAGE013
，获取其缝合区域宽度均值
Figure 983041DEST_PATH_IMAGE014
，其次对中轴线上的连续的
Figure 33036DEST_PATH_IMAGE015
个像素点，将每一个缝合连通域划分为长度为
Figure 633782DEST_PATH_IMAGE015
的小区域，小区域块的长度为
Figure 893862DEST_PATH_IMAGE015
，宽度为中轴线上每个像素点处连通域的宽度。则其对应每个区域内含有小区域块的数量为
Figure 452688DEST_PATH_IMAGE016
，对于每一个区域相对于基准块都存在一个关联度，任选一个小区域作为基准块，根据区域相关性公式获得基准块与其他小区域的区域相关性，区域相关性公式包括：
Figure 481823DEST_PATH_IMAGE001
其中，
Figure 659995DEST_PATH_IMAGE002
为每个小区域的长和宽，
Figure 876213DEST_PATH_IMAGE003
为基准块中（i，j）位置上像素点的像素值，
Figure 414510DEST_PATH_IMAGE004
为基准块中的平均像素值，
Figure 298153DEST_PATH_IMAGE005
为其他小区域中（i，j）位置上像素点的像素值，
Figure 647225DEST_PATH_IMAGE006
为其他小区域的平均像素值。
当
Figure 350739DEST_PATH_IMAGE017
时，表示两块区域是相关的，否则表示其为不相关的。，得出相关区域和不相关区域的数量分别为
Figure 692728DEST_PATH_IMAGE018
。则记其中较大的为
Figure 696456DEST_PATH_IMAGE019
，较小的为
Figure 216430DEST_PATH_IMAGE020
，当
Figure 672819DEST_PATH_IMAGE021
时，表示当前基准块为正常区域，当
Figure 552919DEST_PATH_IMAGE022
时，表示当前基准块为异常区域。
步骤S4：对异常区域按照多个预设尺寸进行进一步均分并计算每块异常均分区域之间的区域相关性，将所有区域相关性加权求和获得异常区域中每个像素点的异常程度，根据异常程度筛选出异常像素点；若异常像素点与异常边缘交点的距离在预设距离范围内，则将异常像素点标记为异常织线像素点；根据异常织线像素点获得异常织线。
异常块里面可能出现的情况有：
a)其中异常块之内只包含异常缝线；
b)异常块之中包含正常缝线和异常缝线。
所以，对每一个异常块进行更进一步的判断。首先和步骤二中所述方法一致，对异常像素块进行5*5、3*3和1*1的像素块划分，计算其中每一块之间的差异性。最后根据得出的1*1像素点，结合缝线区域异常像素点之间的距离，对整体的异常像素点进行区分。即预设尺寸为5*5、3*3和1*1。
对每一个异常
Figure 411154DEST_PATH_IMAGE023
的区域分别进行5*5、3*3和1*1的像素块划分，计算其中每一小块与其划分出的第一块基准块之间的差异性，分别记5*5、3*3和1*1的差异性为
Figure 102029DEST_PATH_IMAGE024
，则至最后异常织线的异常程度
Figure 45715DEST_PATH_IMAGE025
：
Figure 995085DEST_PATH_IMAGE026
式中对计算出的异常程度进行加权，因为对于异常像素点的区分是层层递进的，因此对于异常像素点的异常程度计算也是层层递进的。
根据异常程度筛选出异常像素点。若异常像素点与异常边缘交点的距离在预设距离范围内，则将异常像素点标记为异常织线像素点。其中大于异常程度阈值的像素点为异常像素点，异常程度阈值和距离阈值均需要根据实际情况具体设置。
获得异常织线，对标记处的缺陷线条进行标记，并根据相应位置的固定经线的位置，对出现异常的织线进行拉伸调整。
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。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 (7)

1.一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述方法包括：
获取缝制完成的面料区域图像；利用阈值分割获得面料区域中的缝线区域和缝合区域；获取每个缝线区域的第一中心轴；
获取第一中心轴上每个像素点位置的垂线，每条垂线与缝线区域的边缘存在两个边缘交点；根据缝线区域的标准宽度获得中心轴上每个像素点位置的垂线对应的标准边缘交点位置，根据标准边缘交点位置和对应实际的边缘交点位置获得每个边缘交点的不契合度；根据不契合度筛选出异常边缘交点；
将缝合区域均分为多个小区域，根据每个小区域中像素点之间的像素值差异和小区域之间的像素值差异获得区域相关性；根据区域相关性筛选出异常区域；
对异常区域按照多个预设尺寸进行进一步均分并计算每块异常均分区域之间的区域相关性，将所有区域相关性加权求和获得异常区域中每个像素点的异常程度，根据异常程度筛选出异常像素点；若异常像素点与异常边缘交点的距离在预设距离范围内，则将异常像素点标记为异常织线像素点；根据异常织线像素点获得异常织线。
2.根据权利要求1所述的一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述获取缝制完成的面料区域图像包括：
采集缝制完成的面料表面图像，去除面料表面图像的背景信息，获得面料区域图像。
3.根据权利要求1所述的一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述利用阈值分割获得面料区域中的缝线区域和缝合区域包括：
利用大津阈值分割算法进行初始分割，获得初始缝线区域和初始缝合区域；随机在初始缝线区域和初始缝合区域上各取一点并计算两点的平均像素值，以两点的平均像素值作为像素值阈值重新对面料区域图像进行分割，获得缝线区域和缝合区域。
4.根据权利要求1所述的一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述获取每个缝线区域的第一中心轴包括：
利用骨架提取算法提取每个缝线区域的骨架，以骨架作为每个缝线区域的第一中心轴。
5.根据权利要求1所述的一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述根据缝线区域的标准宽度获得中心轴上每个像素点位置的垂线对应的标准边缘交点位置包括：
在垂线上，以距离对应中轴线上像素点为缝线区域标准宽度的一半的两侧像素点作为标准边缘交点。
6.根据权利要求1所述的一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述根据标准边缘交点位置和对应实际的边缘交点位置获得每个边缘交点的不契合度包括：
根据标准边缘交点与对应实际边缘交点的距离作为每个边缘交点的不契合度。
7.根据权利要求1所述的一种用于纺织生产的织物瑕疵线条缺陷识别方法，其特征在于，所述根据每个小区域中像素点之间的像素值差异和小区域之间的像素值差异获得区域相关性包括：
任选一个小区域作为基准块，根据区域相关性公式获得基准块与其他小区域的区域相关性，区域相关性公式包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 108490DEST_PATH_IMAGE002
为每个小区域的长和宽，
Figure 715052DEST_PATH_IMAGE003
为基准块中（i，j）位置上像素点的像素值，
Figure 911678DEST_PATH_IMAGE004
为基准块中的平均像素值，
Figure 744636DEST_PATH_IMAGE005
为其他小区域中（i，j）位置上像素点的像素值，
Figure 419331DEST_PATH_IMAGE006
为其他小区域的平均像素值。
CN202211231211.7A 2022-10-10 2022-10-10 用于纺织生产的织物瑕疵线条缺陷识别方法 Active CN115311264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211231211.7A CN115311264B (zh) 2022-10-10 2022-10-10 用于纺织生产的织物瑕疵线条缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211231211.7A CN115311264B (zh) 2022-10-10 2022-10-10 用于纺织生产的织物瑕疵线条缺陷识别方法

Publications (2)

Publication Number Publication Date
CN115311264A true CN115311264A (zh) 2022-11-08
CN115311264B CN115311264B (zh) 2022-12-20

Family

ID=83866985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211231211.7A Active CN115311264B (zh) 2022-10-10 2022-10-10 用于纺织生产的织物瑕疵线条缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115311264B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168034A (zh) * 2023-04-25 2023-05-26 深圳思谋信息科技有限公司 编织物的缺陷检测方法、装置、设备及存储介质

Citations (3)

* 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
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置
CN115115615A (zh) * 2022-07-26 2022-09-27 南通好心情家用纺织品有限公司 一种基于图像识别的纺织面料质量评估方法及系统

Patent Citations (3)

* 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
CN114627111A (zh) * 2022-05-12 2022-06-14 南通英伦家纺有限公司 一种纺织品缺陷检测识别装置
CN115115615A (zh) * 2022-07-26 2022-09-27 南通好心情家用纺织品有限公司 一种基于图像识别的纺织面料质量评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168034A (zh) * 2023-04-25 2023-05-26 深圳思谋信息科技有限公司 编织物的缺陷检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115311264B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
WO2022062812A1 (zh) 屏幕缺陷检测方法、装置和电子设备
CN113643289B (zh) 基于图像处理的织物表面缺陷检测方法和系统
CN104749184B (zh) 自动光学检测方法和系统
CN114842016B (zh) 一种基于计算机视觉的消防水带缺陷检测方法及系统
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN115311264B (zh) 用于纺织生产的织物瑕疵线条缺陷识别方法
CN109580652A (zh) 一种电池极片质量检测方法、电子设备及存储介质
CN102590330A (zh) 基于图像处理的磁粉探伤缺陷智能识别检测系统
CN111861996A (zh) 一种印花织物疵点检测方法
CN108537787B (zh) 一种人脸图像的质量判定方法
CN105868708A (zh) 一种图像目标识别方法及装置
CN110567969B (zh) 用于织物缺陷检测的图像识别方法及其系统
CN115131348B (zh) 一种纺织品表面缺陷的检测方法及系统
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN114998321B (zh) 一种基于光学手段的纺织材料表面毛羽程度识别方法
CN113706490B (zh) 一种晶片缺陷检测方法
CN115330795B (zh) 布匹毛刺缺陷检测方法
Weninger et al. Defect detection in plain weave fabrics by yarn tracking and fully convolutional networks
CN116109642A (zh) 一种碳纤维断丝缺陷检测方法、设备及存储介质
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN115100214A (zh) 基于图像处理的纺织品质量检测方法
CN115187597A (zh) 一种纺织品缺陷检测方法
CN117309759A (zh) 缺陷检测系统、方法、电子设备和存储介质
CN114782426B (zh) 基于人工智能系统的针织布料断纱缺陷检测方法
CN116778174A (zh) 一种开幅式单面机控制方法及系统

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