CN115311299B - 一种基于多光源角度的纺织品染色异常检测方法 - Google Patents

一种基于多光源角度的纺织品染色异常检测方法 Download PDF

Info

Publication number
CN115311299B
CN115311299B CN202211246853.4A CN202211246853A CN115311299B CN 115311299 B CN115311299 B CN 115311299B CN 202211246853 A CN202211246853 A CN 202211246853A CN 115311299 B CN115311299 B CN 115311299B
Authority
CN
China
Prior art keywords
image
pixel point
description
light source
description vector
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
CN202211246853.4A
Other languages
English (en)
Other versions
CN115311299A (zh
Inventor
刘洪林
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.)
Rugao Jinyi Textile Co ltd
Original Assignee
Rugao Jinyi 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 Rugao Jinyi Textile Co ltd filed Critical Rugao Jinyi Textile Co ltd
Priority to CN202211246853.4A priority Critical patent/CN115311299B/zh
Publication of CN115311299A publication Critical patent/CN115311299A/zh
Application granted granted Critical
Publication of CN115311299B publication Critical patent/CN115311299B/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及一种基于多光源角度的纺织品染色异常检测方法；获取纺织品在不同光源角度下的图像；获取图像中各像素点的描述向量；设定模板图像，获取模板图像中各像素点的模板描述向量，任意选取一张图像，将模板图像作为滑窗对该图像进行滑窗匹配，根据描述向量与模板描述向量，获取图像中各初始异常区域；任意选取一初始异常区域，将各图像中与该初始异常区域位置对应的区域记为验证异常区域；计算任意两验证异常区域中对应像素点描述向量的差异值；获取该初始异常区域中各像素点的颜色变化程度；根据颜色变化程度获取初始异常区域中各像素点的新描述向量；根据新描述向量完成对纺织品染色异常的检测。本发明能准确检测到纺织品的染色异常区域。

Description

一种基于多光源角度的纺织品染色异常检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于多光源角度的纺织品染色异常检测方法。
背景技术
在纺织品加工的过程中，染色就是使染料通过化学或物理的方法结合在纺织品纤维上，使得纺织品具有一定色泽的全部加工过程。纺织品染色的过程基本上包括表面吸附、内部扩散以及染料固着三个阶段；在纺织品染色过程中经常会由于纺织品纤维粗细密度不同以及作业人员的操作不当导致纺织品出现染色不匀、色泽出现偏差等瑕疵，所以有必要对纺织品的染色进行检测。
目前，对于纺织品的染色质量检测的方法一般采用人工检测或通过采集纺织品图像并利用比色卡比对，达到对纺织品进行染色异常检测的目的，然而，人工检测的方法不仅需要大量的人力来完成，而且仅凭肉眼能够分辨出来的色差较为明显，人工检测很难完成对纺织品的高标准高精度的检测；这两种检测方式都存在检测精度低，漏检率高，易受到环境因素的影响等问题。
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多光源角度的纺织品染色异常检测方法，所采用的技术手段具体如下：
获取纺织品在不同光源角度对应的图像；计算所述图像中各像素点的色差检测值；
根据所述色差检测值获取各像素点的描述向量；
设定模板图像，获取模板图像上各像素点的模板描述向量；
任意选取一张图像，将所述模板图像作为滑窗对该图像进行滑窗匹配，根据所述描述向量与模板描述向量，计算当前滑窗区域与模板图像的匹配度；根据所述匹配度，判断当前滑窗区域是否为初始异常区域，进而获取该图像中各初始异常区域；
任意选取一个初始异常区域，获取各图像中与该初始异常区域位置对应的区域，将其记为验证异常区域；计算任意两验证异常区域中对应像素点描述向量的差异值；根据所述差异值获取该初始异常区域中对应像素点的颜色变化程度；
基于所述颜色变化程度，计算初始异常区域中各像素点的新描述向量；并根据新描述向量与模板描述向量，计算初始异常区域与模板图像的匹配度；
根据匹配度判断所述各初始异常区域是否为异常区域，完成对纺织品染色异常的检测。
进一步地，所述色差检测值根据像素点在H通道、S通道以及V通道上的值获取。
进一步地，所述各初始异常区域的获取方法为：判断所述匹配度与匹配阈值的大小，当匹配度小于匹配阈值时，则对应滑窗区域为初始异常区域。
进一步地，所述颜色变化程度为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为初始异常区域的像素点i的颜色变化程度，
Figure 100002_DEST_PATH_IMAGE006
为光源角度的总个数，
Figure 100002_DEST_PATH_IMAGE008
为像素点i在第j个光源角度下与在第j+1个光源角度下对应描述向量的差异度的概率；
式中，
Figure 100002_DEST_PATH_IMAGE010
，式中，
Figure 100002_DEST_PATH_IMAGE012
为像素点i在第j个光源角度下的描述向量，
Figure 100002_DEST_PATH_IMAGE014
为像素点i在第j+1个光源角度下的描述向量；
Figure 100002_DEST_PATH_IMAGE016
为描述向量
Figure 669048DEST_PATH_IMAGE012
与描述向量
Figure 382927DEST_PATH_IMAGE014
的差异值。
进一步地，所述描述向量包括色差梯度幅值、色差梯度方向、横坐标值和纵坐标值四个描述因素，其中，色差梯度幅值和色差梯度方向通过色差检测值获取；所述模板描述向量同样包括色差梯度幅值、色差梯度方向、横坐标值和纵坐标值四个描述因素。
进一步地，所述新描述向量的获取方法为：计算初始异常区域中像素点描述向量的描述因素与模板图像上对应像素点模板描述向量的描述因素的差值，得到所述颜色变化程度与所述差值的乘积，计算所述乘积与模板描述向量对应描述因素的和，得到新描述向量对应的描述因素。
本发明实施例至少具有如下有益效果：
本发明通过利用不同光源角度对应的图像信息，计算初始异常区域中各像素点的颜色变化程度，根据颜色变化程度得到初始异常区域中各像素点的新描述向量，通过新描述向量与模板描述向量，计算初始异常区域与模板图像的匹配度，验证初始异常区域是否为异常区域；本发明能够提高模板匹配过程的检测精度和泛化能力，能够避免滑窗匹配过程中，模板图像与滑窗区域之间进行的硬性判别，造成的检测精度不高的情况；排除光源角度对判别结果的影响，提高了纺织品染色异常区域的检测精度。
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为本发明的一种基于多光源角度的纺织品染色异常检测方法的步骤流程图。
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基于多光源角度的纺织品染色异常检测方法，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。
本发明所针对的具体场景为：对具有单一色彩的染色纺织品进行染色异常检测。
请参阅图1，其示出了本发明一个实施例提供的一种基于多光源角度的纺织品染色异常检测方法的步骤流程图，该方法包括以下步骤：
步骤1，获取纺织品在不同光源角度对应的图像；并获取图像中各像素点的色差检测值。
具体地，设置不同角度的光源照射在完成染色的纺织品上，然后利用相机获取对应的图像；本实施例中的光源角度由实施者根据经验设定；并使用中值滤波对图像进行去噪，利用直方图均衡化算法对图像进行增强。
进一步地，将图像从RGB颜色空间转化到HSV空间，根据像素点在H通道、S通道以及V通道上的值获取像素点的色差检测值；
Figure DEST_PATH_IMAGE018
通道表示色调值，
Figure DEST_PATH_IMAGE020
通道表示饱和度值，
Figure DEST_PATH_IMAGE022
通道表示明度值。
上述色差检测值的计算公式为
Figure DEST_PATH_IMAGE024
；式中，
Figure DEST_PATH_IMAGE026
为像素点k的色差检测值，
Figure DEST_PATH_IMAGE028
为像素点k在H通道上的值与360°的比值，
Figure DEST_PATH_IMAGE030
为像素点k在S通道上的值，
Figure DEST_PATH_IMAGE032
为像素点k在V通道上的值；
Figure DEST_PATH_IMAGE034
为H通道的修正系数，
Figure DEST_PATH_IMAGE036
为S通道的修正系数，本实施例将
Figure 785833DEST_PATH_IMAGE034
设定为4，将
Figure 853146DEST_PATH_IMAGE036
设定为2。由于H通道的取值范围为0°至360°，S通道与V通道的取值范围均为0-1，为了使像素点在各通道的取值范围保持一致，因此，本实施例利用像素点k在H通道上的值与360°的比值进行色差检测值的计算。
步骤2，根据色差检测值获取各像素点的描述向量；设定模板图像，获取模板图像上各像素点的模板描述向量。
具体地，建立坐标系，本实施例中根据图像建立的坐标系的原点为图像左下方的角点，角点的右方为x轴正方向，角点的上方为y轴的正方向。根据模板图像建立的坐标系的原点为模板图像左下方的角点，角点的右方为x轴正方向，角点的上方为y轴的正方向。其中，角点通过harris算法获取；harris算法为公知技术，不再赘述。
上述中的描述向量包括色差梯度幅值、色差梯度方向、横坐标值和纵坐标值四个描述因素；例如，像素点t的描述向量为
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
为像素点t的色差梯度幅值，
Figure DEST_PATH_IMAGE042
为像素点t的色差梯度方向，
Figure DEST_PATH_IMAGE044
为像素点t的横坐标值，
Figure DEST_PATH_IMAGE046
为像素点t的纵坐标值；其中，色差梯度幅值和色差梯度方向通过色差检测值获取；色差梯度幅值和色差梯度方向的获取方法与利用灰度值获取灰度图像中各像素点的梯度幅值与梯度方向的方法一致；因如何获取梯度幅值与梯度方向的方法为公知技术，本实施例不再赘述如何获取色差梯度幅值与色差梯度方向的具体操作过程。
本实施例中，模板图像表征的是纺织品染色达到标准颜色时对应的图像，模板图像的尺寸为M×M，模板图像尺寸的具体数值可以由实施者进行设置；模板描述向量的描述因素与描述向量的描述因素一致，同样包括色差梯度幅值、色差梯度方向、横坐标值和纵坐标值，本实施例利用获取描述向量的方法获取模板图像中各像素点的模板描述向量。
步骤3，任意选取一张图像，将模板图像作为滑窗对该图像进行滑窗匹配，根据描述向量与模板描述向量，计算当前滑窗区域与模板图像的匹配度；根据匹配度，判断当前滑窗区域是否为初始异常区域，进而获取该图像中各初始异常区域。
优选的，为了减少匹配度的计算量，本实施例在模板图像上选取若干个像素点作为模板图像的特征点，用来表征整个模板图像包含的信息；具体地，选取9个特征点，特征点的位置为：将模板图像平均划分为9个区域，则每个区域的中心点即为特征点的位置。
匹配度的计算方法为：模板图像中各特征点的描述向量构成集合
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE050
，其中，
Figure DEST_PATH_IMAGE052
为模板图像中第1个特征点的模板描述向量，当前滑窗区域中与各特征点位置对应的各像素点的描述向量构成集合
Figure DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE056
，其中，
Figure DEST_PATH_IMAGE058
为当前滑窗区域中与第1个特征点位置对应的像素点的描述向量，计算集合
Figure 517387DEST_PATH_IMAGE048
与集合
Figure 746374DEST_PATH_IMAGE054
的余弦距离，得到当前滑窗区域与模板图像的匹配度。
进一步地，将匹配度进行归一化，比较匹配度与匹配阈值的大小，当匹配度小于匹配阈值，则判断当前滑窗区域为初始异常区域；当匹配度大于等于匹配阈值，认为当前滑窗区域不存在染色异常，本实施例将匹配阈值设定为0.9；匹配阈值可由实施者根据实际情况进行设定。本步骤的任务为色差检测，不存在旋转和缩放问题影响模板匹配结果的问题。
需要说明的是，在计算匹配度时，当前滑窗区域中与各特征点位置对应的各像素点的坐标与模板图像上各特征点的坐标保持一致；例如，模板图像上某一特征点的坐标为（5，8），滑窗区域中与该特征点位置对应的像素点的坐标为（14，17），则改变滑窗区域中与该特征点位置对应的像素点的坐标，将其坐标修改为（5，8）。
步骤4，任意选取一个初始异常区域，获取各图像中与该初始异常区域位置对应的区域，将其记为验证异常区域；计算任意两验证异常区域中对应像素点描述向量的差异值；根据差异值获取该初始异常区域中对应像素点的颜色变化程度。
颜色变化程度为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 623194DEST_PATH_IMAGE004
为初始异常区域的像素点i的颜色变化程度，
Figure 353253DEST_PATH_IMAGE006
为光源角度的总个数，
Figure 694236DEST_PATH_IMAGE008
为像素点i在第j个光源角度下与在第j+1个光源角度下对应描述向量的差异度的概率；
式中，
Figure 218758DEST_PATH_IMAGE010
，式中，
Figure 642261DEST_PATH_IMAGE012
为特征点i在第j个光源角度下的描述向量，
Figure 785798DEST_PATH_IMAGE014
为像素点i在第j+1个光源角度下的描述向量；
Figure 105921DEST_PATH_IMAGE016
为描述向量
Figure 207869DEST_PATH_IMAGE012
与描述向量
Figure 856019DEST_PATH_IMAGE014
的差异值。其中，差异值为两描述向量的欧氏距离。
为了更加直观的判断各像素点的颜色程度变化，同时排除量纲之间的影响，本实施例对颜色变化程度进行归一化操作，使其值域在0-1之间。
需要说明的是，差异值体现了同一位置的像素点的描述向量受不同光源角度的影响状况，差异值大，表示描述向量受光源角度的影响大，导致初始异常区域的检测结果不准确，此时，初始异常区域对应的图像未真实反映出纺织品的实际染色状况；光源角度导致了图像与实际染色状况造成了偏差。
颜色变化程度表征了像素点在多角度光源的影响下，初始异常区域中各像素点的描述向量是否发生变化的不确定性概率，颜色变化程度越小，则描述向量发生变化的不确定性概率越小，即描述向量可能不发生变化，说明当前像素点受光源角度的影响程度越小，获取的初始异常区域的检测结果越准确；颜色变化程度越大，表明获取的初始异常区域的检测结果存在误差的可能性越大，得到的初始异常区域越不准确。
步骤5，基于颜色变化程度，计算初始异常区域中各像素点的新描述向量；并根据新描述向量与模板描述向量，计算初始异常区域与模板图像的匹配度。
新描述向量的获取方法为：计算初始异常区域中像素点描述向量的描述因素与模板图像上对应像素点模板描述向量的描述因素的差值，得到颜色变化程度与差值的乘积，计算乘积与模板描述向量对应描述因素的和，得到新描述向量对应的描述因素。例如，与第i个特征点对应的像素点的新描述向量为
Figure DEST_PATH_IMAGE060
，式中，
Figure 599984DEST_PATH_IMAGE004
为与第i个特征点对应的像素点的颜色变化程度，与第i个特征点对应的像素点的描述向量为
Figure DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE064
为模板图像上第i个特征点的色差梯度幅值，
Figure DEST_PATH_IMAGE066
为模板图像上第i个特征点的色差梯度方向。
初始异常区域与模板图像的匹配度的计算方法与步骤3中当前滑窗区域与模板图像的匹配度的计算方法一致，因步骤3已详细说明计算方法的具体过程，不再赘述。
需要说明的是，利用颜色变化程度获取新描述向量，是为了更加准确地判断纺织品上的染色异常区域，避免初始异常区域因为光源角度的影响出现错判的情况，同时，能够避免在滑窗匹配过程中，模板图像与滑窗区域之间进行的硬性判别，造成的检测精度不高的情况；同时，也能够排除光源角度对判别结果的影响，提高了纺织品染色异常区域的检测精度。
步骤6，根据匹配度判断各初始异常区域是否为异常区域，完成对纺织品染色异常的检测。
具体地，将匹配度与匹配阈值作比较，小于匹配阈值的对应初始异常区域为异常区域，大于匹配阈值对应的初始异常区域为正常染色区域。其中，匹配阈值与步骤3中的匹配阈值一致，本实施例将匹配阈值设定为0.9。
进一步地，将存在异常区域的纺织品判定为染色异常纺织品，对染色异常纺织品进行重新染色等后续处理。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种基于多光源角度的纺织品染色异常检测方法，其特征在于，该方法包括以下步骤：
获取纺织品在不同光源角度对应的图像；计算所述图像中各像素点的色差检测值；
根据所述色差检测值获取各像素点的描述向量；
设定模板图像，获取模板图像上各像素点的模板描述向量；
任意选取一张图像，将所述模板图像作为滑窗对该图像进行滑窗匹配，根据所述描述向量与模板描述向量，计算当前滑窗区域与模板图像的匹配度；根据所述匹配度，判断当前滑窗区域是否为初始异常区域，进而获取该图像中各初始异常区域；
任意选取一个初始异常区域，获取各图像中与该初始异常区域位置对应的区域，将其记为验证异常区域；计算任意两验证异常区域中对应像素点描述向量的差异值；根据所述差异值获取该初始异常区域中对应像素点的颜色变化程度；
所述颜色变化程度为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为初始异常区域的像素点i的颜色变化程度，
Figure DEST_PATH_IMAGE006
为光源角度的总个数，
Figure DEST_PATH_IMAGE008
为像素点i在第j个光源角度下与在第j+1个光源角度下对应描述向量的差异度的概率；
式中，
Figure DEST_PATH_IMAGE010
，式中，
Figure DEST_PATH_IMAGE012
为像素点i在第j个光源角度下的描述向量，
Figure DEST_PATH_IMAGE014
为像素点i在第j+1个光源角度下的描述向量；
Figure DEST_PATH_IMAGE016
为描述向量
Figure 830425DEST_PATH_IMAGE012
与描述向量
Figure 278724DEST_PATH_IMAGE014
的差异值；
基于所述颜色变化程度，计算初始异常区域中各像素点的新描述向量；并根据新描述向量与模板描述向量，计算初始异常区域与模板图像的匹配度；
根据匹配度，判断所述各初始异常区域是否为异常区域，完成对纺织品染色异常的检测；
所述描述向量包括色差梯度幅值、色差梯度方向、横坐标值和纵坐标值四个描述因素，其中，色差梯度幅值和色差梯度方向通过色差检测值获取；所述模板描述向量同样包括色差梯度幅值、色差梯度方向、横坐标值和纵坐标值四个描述因素。
2.根据权利要求1所述的一种基于多光源角度的纺织品染色异常检测方法，其特征在于，
所述色差检测值根据像素点在H通道、S通道以及V通道上的值获取。
3.根据权利要求1所述的一种基于多光源角度的纺织品染色异常检测方法，其特征在于，所述各初始异常区域的获取方法为：比较所述匹配度与匹配阈值的大小，当匹配度小于匹配阈值时，则将对应滑窗区域判断为初始异常区域。
4.根据权利要求1所述的一种基于多光源角度的纺织品染色异常检测方法，其特征在于，
所述新描述向量的获取方法为：计算初始异常区域中像素点描述向量的描述因素与模板图像上对应像素点模板描述向量的描述因素的差值，得到所述颜色变化程度与所述差值的乘积，计算所述乘积与模板描述向量对应描述因素的和，得到新描述向量对应的描述因素。
CN202211246853.4A 2022-10-12 2022-10-12 一种基于多光源角度的纺织品染色异常检测方法 Active CN115311299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211246853.4A CN115311299B (zh) 2022-10-12 2022-10-12 一种基于多光源角度的纺织品染色异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211246853.4A CN115311299B (zh) 2022-10-12 2022-10-12 一种基于多光源角度的纺织品染色异常检测方法

Publications (2)

Publication Number Publication Date
CN115311299A CN115311299A (zh) 2022-11-08
CN115311299B true CN115311299B (zh) 2022-12-27

Family

ID=83867682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211246853.4A Active CN115311299B (zh) 2022-10-12 2022-10-12 一种基于多光源角度的纺织品染色异常检测方法

Country Status (1)

Country Link
CN (1) CN115311299B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578382B (zh) * 2022-11-23 2023-03-07 季华实验室 图像异常检测方法、装置、设备及计算机可读存储介质
CN115761017B (zh) * 2023-01-06 2023-04-25 潍坊亚贝涂料有限公司 一种醇酸类树脂油漆颜色的视觉测定方法
CN117392118B (zh) * 2023-12-07 2024-02-06 巴苏尼制造(江苏)有限公司 基于多特融合的纺织品染整染色异常检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6327071B2 (ja) * 2014-09-03 2018-05-23 オムロン株式会社 画像処理装置および画像処理方法
CN114842008B (zh) * 2022-07-04 2022-10-21 南通三信塑胶装备科技股份有限公司 基于计算机视觉的注塑件色差检测方法
CN114926661B (zh) * 2022-07-21 2022-09-20 南通永安纺织有限公司 一种纺织品表面颜色数据处理、识别方法及系统

Also Published As

Publication number Publication date
CN115311299A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115311299B (zh) 一种基于多光源角度的纺织品染色异常检测方法
CN111028213A (zh) 图像缺陷检测方法、装置、电子设备及存储介质
CN105067638A (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN109816674A (zh) 基于Canny算子的配准图边缘提取方法
CN116843688A (zh) 一种纺织品质量视觉检测方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN118196068B (zh) 一种基于人工智能的纺织品印染质量监控系统
CN114841938A (zh) 一种织物勾丝缺陷检测方法
CN117557820B (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN111950654B (zh) 基于svm分类的魔方色块颜色还原方法
CN116958125B (zh) 基于图像处理的电竞主机电源元件缺陷视觉检测方法
CN116152242A (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN115239661A (zh) 基于图像处理的机械零件毛刺检测方法及系统
CN110781913A (zh) 一种拉链布带缺陷检测方法
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN112164055A (zh) 一种基于颜色分割的光伏电池色差分类方法
CN116703894A (zh) 一种锂电池隔膜质量检测系统
CN114943744A (zh) 基于局部Otsu阈值化的边缘检测方法
CN117372435B (zh) 基于图像特征的连接器针脚检测方法
CN117974627A (zh) 一种基于图像处理的表面裂缝检测方法
CN116563298B (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN115496762B (zh) 一种基于纺织工艺的染色不良缺陷识别方法
CN109858485A (zh) 一种基于lbp和glcm的织物瑕疵检测方法
CN113011417B (zh) 基于交并比覆盖率损失与重定位策略的目标匹配方法

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