CN115330682A - 基于纹理分析的化纤表面僵丝缺陷检测方法 - Google Patents
基于纹理分析的化纤表面僵丝缺陷检测方法 Download PDFInfo
- Publication number
- CN115330682A CN115330682A CN202210810512.9A CN202210810512A CN115330682A CN 115330682 A CN115330682 A CN 115330682A CN 202210810512 A CN202210810512 A CN 202210810512A CN 115330682 A CN115330682 A CN 115330682A
- Authority
- CN
- China
- Prior art keywords
- sub
- region
- texture
- chemical fiber
- 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.)
- Pending
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及僵丝缺陷检测技术领域,具体涉及基于纹理分析的化纤表面僵丝缺陷检测方法。方法包括:对获取到的待检测化纤图像进行分割,得到待检测化纤图像对应的多个子区域;根据各子区域对应的纹理方向,计算各子区域对应的区域纹理清晰度;根据各子区域中各像素点对应的灰度值,计算各子区域对应的纹理对比度;根据各子区域对应的区域纹理清晰度和纹理对比度,得到各子区域对应的纹理清晰程度;将待检测化纤图像转换为HSI图像,根据各子区域中各像素点对应的H通道值,计算得到各子区域对应的色彩均匀度;根据各子区域对应的纹理清晰度程度和色彩均匀度,得到待检测化纤图像中的僵丝区域。本发明提高了对僵丝区域检测的精度。
Description
技术领域
本发明涉及僵丝缺陷检测技术领域,具体涉及基于纹理分析的化纤表面僵丝缺陷检测方法。
背景技术
化纤在加工过程中,由于可溶性着色剂的加入,使其预取向丝剩余拉伸倍数增大,摩擦系数降低,摩擦盘上方丝束张力因而减少,丝束易在摩擦盘上方积聚,而产生周期性的瞬间打滑而逃捻成为紧点,即所谓僵丝。
僵丝缺乏卷曲弹性和蓬松性,僵直发亮,常规的检测方法是通过亮度阈值分割检测得到僵丝区域,当背景和前景的差异较小时,即正常丝线与僵丝的灰度差异较小时,检测精度较低。
发明内容
为了解决现有技术对僵丝区域进行检测的精度较低的问题,本发明的目的在于提供一种基于纹理分析的化纤表面僵丝缺陷检测方法,所采用的技术方案具体如下:
本发明提供了一种基于纹理分析的化纤表面僵丝缺陷检测方法包括以下步骤:
获取待检测化纤图像,所述待检测化纤图像为由化纤织成的布料的RGB图像;对待检测化纤图像进行分割,得到待检测化纤图像对应的多个子区域;
利用灰度游程矩阵计算各子区域对应的纹理方向;根据各子区域对应的纹理方向,计算各子区域对应的区域纹理清晰度;根据各子区域中各像素点对应的灰度值,计算各子区域对应的纹理对比度;根据各子区域对应的区域纹理清晰度和纹理对比度,得到各子区域对应的纹理清晰程度;
将待检测化纤图像转换为HSI图像,根据各子区域中各像素点对应的H通道值,计算得到各子区域对应的色彩均匀度;
根据各子区域对应的纹理清晰度程度和色彩均匀度,得到待检测化纤图像中的僵丝区域。
优选的,所述根据各子区域对应的纹理方向,计算各子区域对应的区域纹理清晰度,包括:
获取各子区域在对应纹理方向上的各游程,利用otsu阈值分割算法得到各子区域在对应纹理方向上的长游程;
根据各子区域对应的长游程长度和长游程对应的数量,计算各子区域在对应的纹理方向上的长游程所占的像素数量;
计算各子区域对应的长游程所占的像素数量与对应的像素点数量的比值,记为第一比值;
各子区域对应的计算第一比值与对应的灰度级数量的比值,得到各子区域对应的区域纹理清晰度。
优选的,所述根据各子区域中各像素点对应的灰度值,计算各子区域对应的纹理对比度,包括:
获取各子区域中各像素点对应的各点对,所述点对为一个像素点与对应八邻域内其余像素点构成的点对;
根据各子区域中各像素点对应的各点对自身的对比度和各点对之间的对比度,得到各子区域中各像素点对应的对比度;所述各点对之间的对比度为任意两个点对之间的对比度为两个点对中各点对应的灰度值构成的两个向量的余弦值相似度;
计算各子区域中各像素点对应的对比度的均值,得到各子区域对应的纹理对比度。
优选的,计算点对自身的对比度的公式为:
其中,u(a,b)为点对(a,b)自身的对比度,Ia为点a对应的灰度值,Ia为点b对应的灰度值,max()为最大值,min()为最小值。
优选的,所述根据各子区域对应的区域纹理清晰度和纹理对比度,得到各子区域对应的纹理清晰程度,包括:
获取标准化纤织物图像中各区域的灰度共生矩阵,计算标准化纤织物图像中各区域的灰度共生矩阵的信息熵的均值,得到标准熵;
获取各子区域对应的灰度共生矩阵;根据各子区域对应的灰度共生矩阵,得到各子区域对应的熵值;
根据各子区域对应的熵值和标准熵,计算各子区域对应的区域纹理清晰度和纹理对比度的权重;
根据各子区域对应的区域纹理清晰度和纹理对比度的权重,计算各子区域对应的纹理清晰程度。
优选的,根据各子区域对应的区域纹理清晰度和纹理对比度的权重,计算各子区域对应的纹理清晰程度,包括:
S=β×S1+γ×S2
其中,S为某一子区域对应纹理清晰度程度,β为某一子区域对应的区域纹理清晰度的权重值,γ为某一子区域对应的纹理对比度的权重值,S1为某一子区域对应的区域纹理清晰度,S2为某一子区域对应的纹理对比度。
优选的,利用灰度游程矩阵计算各子区域对应的纹理方向,包括:
将待检测化纤图像进行灰度化处理,得到待检测化纤图像对应的灰度图像;
利用多阈值分割对所述灰度图像进行处理,得到对应的灰度级图像;
计算灰度级图像中各子区域在不同方向对应的灰度游程矩阵;
根据各子区域在不同方向对应的灰度游程矩阵,获得各子区域在不同方向对应的最大游程;
将各子区域对应的最大的最大游程对应的方向作为对应子区域的纹理方向。
优选的,根据各子区域对应的纹理对比度和色彩均匀度,得到待检测化纤图像中的僵丝区域,包括:
将各子区域中各像素点的灰度值赋值为对应的纹理清晰度程度,得到纹理清晰度图像;
利用otsu阈值分割算法对纹理清晰度图像进行阈值分割,得到第一僵丝区域,所述第一僵丝区域为纹理清晰度程度大于对应的阈值的子区域构成的区域;
将各子区域中各像素点的灰度值赋值为对应的色彩均匀度,得到色彩均匀度图像;
利用otsu阈值分割算法对色彩均匀度图像进行阈值分割,得到第二僵丝区域,所述第二僵丝区域为色彩均匀度大于对应的阈值的子区域构成的区域;
将第一僵丝区域和第二僵丝进行叠加,得到目标僵丝区域,所述目标僵丝区域由第一僵丝区域和第二僵丝进行共有的子区域构成;
根据目标僵丝区域的位置对待检测化纤区域中的僵丝区域进行标注,得到待检测化纤图像中的僵丝区域。
优选的,根据各子区域中各像素点对应的H通道值,计算得到各子区域对应的色彩均匀度,包括:
计算各子区域中各像素点对应的H通道值的方差;
将各子区域对应的方差值作为各子区域对应的色彩均匀度。
本发明具有如下有益效果:
本发明通过对获取到的待检测化纤图像进行分割,得到待检测化纤图像对应的多个子区域,然后根据各子区域对应的纹理方向计算得到的各子区域对应的区域纹理清晰度和根据各子区域中各像素点对应的灰度值计算得到的各子区域对应的纹理对比度,得到各子区域对应为纹理清晰程度,接着计算各子区域对应的色彩均匀度,最后根据各子区域对应的纹理清晰程度和色彩均匀度,得到待检测化纤图像中的僵丝区域。本发明通过计算待检测化纤图像各区域的纹理清晰程度与色彩均匀度以提取出僵丝缺陷区域,克服了通过亮度阈值分割检测得到僵丝区域存在的当背景和前景的差异较小时检测精度低的问题,提高了对僵丝区域检测的精度。
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为本发明提供的一种基于纹理分析的化纤表面僵丝缺陷检测方法的流程图;
图2为僵丝缺陷示意图;
图3为3*3窗口示意图。
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能效果,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纹理分析的化纤表面僵丝缺陷检测方法进行详细说明如下。
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纹理分析的化纤表面僵丝缺陷检测方法的具体方案。
基于纹理分析的化纤表面僵丝缺陷检测方法实施例:
如图1所示,本实施例的一种基于纹理分析的化纤表面僵丝缺陷检测方法包括以下步骤:
步骤S1,获取待检测化纤图像,所述待检测化纤图像为由化纤织成的布料的RGB图像;对待检测化纤图像进行分割,得到待检测化纤图像对应的多个子区域。
由于化纤受外在因素的影响,会造成丝条张度和捻度不均匀,使螺旋形卷曲波长和波高在单丝长度上分布产生不匀,出现与正常卷曲不同的一些特点。当将此单丝加热并退捻松弛后,即以此卷曲特异点为中心形成丝辫和丝圈。带有丝辫和丝圈的单丝与复丝中的正常卷曲单丝混合,形成如图2所示的僵丝形态。
本实施例针对常规的亮度阈值分割方法检测僵丝缺陷区域的精度受前景和背景灰度差影响较大的情况,即正常丝线与僵丝的灰度差异较小时,检测精度较低的情况,提出了一种基于纹理分析的化纤表面僵丝缺陷检测方法,该方法通过结合僵丝的形态特征,从纹理角度对僵丝缺陷进行检测,在前景和背景灰度差异较小的情况下,也可以得到较为理想的检测结果。
本实施例对化纤织成的布料的图像进行采集,得到初始化纤图像,然后本实施例采用语义分割的方式来识别分割出初始化纤图像中的化纤,得到待检测化纤图像,即提取出只含有所述布料的图像。具体的,语义分割网络的训练过程为:
本实施例中语义分割网络使用的训练集为俯视视角下采集的历史化纤图像,其对训练集标注标签过程为:采用单通道的语义标签,将图像中属于背景类的像素标注为0,属于化纤类的像素标注为1;本实施例中对网络训练时的损失函数为交叉熵损失函数。训练语义分割网络的过程为现有技术,在此就不再赘述。
本实施例将初始化纤图像输入到训练好的语义分割网络中,可以得到的0-1掩膜图像,然后将掩膜图像与初始化纤图像相乘,得到待检测化纤图像,所述待检测化纤图像为去除了背景的干扰的RGB图像。
为了实现对僵丝缺陷区域的进行精确的定位,本实施例对待检测化纤图像进行网格分区,将图像上每10*10的像素范围作为一个单元区域即子区域,进而得到图像中的不同子区域;具体划分范围可根据实际需要进行设置。本实施例中各子区域的位置与后续得到的各图像的位置是一一对应的。
步骤S2,利用灰度游程矩阵计算各子区域对应的纹理方向;根据各子区域对应的纹理方向,计算各子区域对应的区域纹理清晰度;根据各子区域中各像素点对应的灰度值,计算各子区域对应的纹理对比度;根据各子区域对应的区域纹理清晰度和纹理对比度,得到各子区域对应的纹理清晰程度。
步骤S2具体分为以下几个子步骤:
第一,考虑到化纤具有方向性,本实施例通过多阈值分割和灰度游程矩阵的长游程计算得到不同区域的化纤的方向,具体为:
本实施例首先将得到的待检测化纤图像进行灰度化,得到对应的灰度图像;然后通过多阈值分割(根据费歇尔准则,利用类间方差最大,类内方差最小的原则对灰度图进行多阈值分割)对所述灰度图像进行处理,得到不同的灰度级,进而得到待检测化纤图像对应的灰度级图像,灰度级图像中每个像素点的灰度值为原始像素点所在灰度级的灰度均值,即该灰度级对应的灰度值范围内所有灰度值的均值。本实施例中多阈值分割的目的是为了减小灰度相近但值不同的灰度对纹理描述造成的影响。
为了计算各子区域的纹理方向,本实施例通过计算灰度级图像中各子区域在不同方向上的灰度游程矩阵,进而得到各子区域的纹理方向。具体的,首先计算灰度级图像中各子区域的灰度游程矩阵,每个子区域分别计算四个方向的灰度游程矩阵,即0°,45°,90°和135°方向的灰度游程矩阵。本实施例中计算四个方向的灰度游程矩阵的过程为现有技术,在此就不再赘述。
本实施例中计算得到各子区域对应的各灰度游程矩阵后,可以统计出各子区域在不同方向对应的最大游程,选择最大游程最大的方向作为对应子区域对应的纹理方向。
第二,又考虑到僵丝会导致织物表面的纹理不清晰,本实施例还计算了灰度级图像中各子区域的纹理清晰程度,将纹理不清晰的区域作为可能存在僵丝缺陷的区域。本实施例分别计算各子区域的区域纹理清晰度和纹理对比度,进而计算各子区域对应的纹理清晰程度,具体为:
本实施首先计算灰度级图像中各子区域对应的区域纹理清晰度。考虑到区域内的灰度级数量越少,不同灰度级相差越大,则纹理清晰度越大;在纹理方向上的长游程越多,图像的纹理清晰度越大;并且相同的像素值和像素数量,当游程越长时,清晰度越大;游程越小时,清晰度越小。本实施例根据上述计算得到的各子区域的纹理方向,来计算各子区域在对应纹理方向上的区域纹理清晰度,具体为:
首先,本实施例根据上述得到的各子区域对应纹理方向的游程矩阵,获取各子区域在对应纹理方向上的长游程的数量,即长游程所出现的次数;然后根据各子区域在对应纹理方向上的长游程出现的次数和长游程的长度计算得到长游程所占的像素数量,根据各子区域在对应纹理方向上的长游程所占的像素数量和各子区域内灰度级数量计算得到各子区域对应的区域纹理清晰度;所述各子区域在对应纹理方向的长游程的获取方法为:利用otsu阈值分割算法对各子区域在对应纹理方向上的各游程进行处理,得到阈值k0,将游程长度大于k0的称为长游程。
例如,某个子区域在对应纹理方向上的游程为:[12678],其中方括号内的各元素为各游程的游程长度,本实施例通过otsu阈值分割算法可以得到的k0为4,将游程长度大于4的游程即游程[678]称为长游程;本实施例中长游程的数量可以通过对应的灰度游程矩阵中获取;假设长游程长度为6的数量为2,长游程长度为7的数量为1,长游程长度为8的数量为1,则该子区域在对应纹理方向上的长游程所占的像素数量为6*2+7*1+8*1=27。
本实施例中计算某一子区域对应的区域纹理清晰度的计算公式如下:
其中,n1为某一子区域在对应纹理方向上的长游程的所占的像素数量,n为某一子区域的像素点数量,本实施例中n=100,f为某一子区域的灰度级数量,灰度级数量越多,则该区域的清晰度越小。
然后,本实施例根据灰度级图像中各子区域中各像素点对应的灰度值计算各子区域对应的纹理对比度;图像对比度可以用来表示图像的清晰度,对比度越大,图像的清晰程度就越大,本实施例通过计算灰度级图像中各子区域的纹理对比度来得到各子区域纹理的清晰程度。具体的:
本实施例中对各像素点的对比度的计算主要分为两个方面,既点对自身的对比度和点对之间的对比度;点对自身的对比度反映的是某一点与另一个点的对比度关系;而点对之间的对比度反映的是某一点对与另一点对之间的对比度关系;本实施例中一个像素点对应的点对为该像素点对应的灰度值与对应八邻域内其余像素点对应的灰度值构成的点对,即一个像素点对应八个点对。
本实施例以点对(a,b)为例,计算点对(a,b)自身的对比度u(a,b)的公式为:
其中,u(a,b)为点对(a,b)自身的对比度,Ia为点a对应的灰度值,Ia为点b对应的灰度值,max()为最大值,min()为最小值。
本实施例以点对(a1,b1)和点对(a2,b2)之间的对比度为例,计算(Ia1,Ib1)和点对(Ia2,Ib2)的余弦相似度,其中,Ia1为点a1对应的灰度值,Ib1为点b1对应的灰度值,Ia2为点a2对应的灰度值,Ib2为点b2对应的灰度值,本实施例将得到的余弦相似度作为这两个点对之间的对比度,记为v(a1,b1|a2,b2):
根据上述计算点对自身对比度和计算点对之间对比度的方法,本实施例计算了各子区域中各像素点的对比度,具体为:
首先构建一个3*3的窗口,如图3所示,本实施例利用窗口来计算各子区域中各像素点的对比度,即计算窗口内中心点o的对比度;本实施例中中心点o的对比度由点o对应的点对的自身的对比度与各点对之间的对比度计算得来的,所述点o对应的点对为点o的灰度值与其八邻域内(即窗口内其余点)其余点的灰度值构成的点对;其中点o对应的点对自身的对比度体现的是点o与其八邻域内其余点之间的差异,点o对应的点对之间的对比度体现的是点o八邻域内其余点之间的差异。
本实施例中,其中,m为点o与八领域点组成的八个点对自身的对比度之和,即m=u(o,a)+u(o,b)+u(o,c)+u(o,e)+u(o,d)+u(o,f)+u(o,g)+u(o,h);n为o与八领域点组成的八个点对之间的对比度之和,即n=v(o,a|o,b)+v(o,b|o,c)+v(o,c|o,e)+v(o,e|o,h)+v(o,h|o,g)+v(o,g|o,f)+v(o,f|o,d)+v(o,d|o,a)。
本实施例通过以上操作,可以计算得到每个子区域中各像素的对比度,然后计算各子区域中各像素点对应的对比度的均值,将各子区域对应的对应度均值作为各子区域对应的纹理对比度S2。
最后,本实施例结合各子区域对应的区域纹理清晰度和纹理对比度,根据各区域对应的信息熵为两者设以不同的权重,进而以计算各子区域对应的纹理清晰程度。当图像中的纹理较为明显(即当图像的纹理清晰度较大时,图像中的长游程较多)时,区域纹理清晰度更能表示纹理清晰度,即直接根据纹理方向从整体计算纹理清晰度更好,则对应的区域纹理清晰度的权重应较大;当图像中的纹理不是很明显(当图像的总体纹理清晰度较小时,图像中的短游程较多)时,例如:僵丝区域很多,影响了正常的纹理走向时,此时从像素的角度计算得到的纹理对比度更能表示纹理清晰度,则对应的纹理对比度的权重应较大;因此,本实施例计算各子区域对应的纹理清晰程度具体为:
由于灰度共生矩阵中的熵值可以表示纹理信息量的多少,熵值越大,纹理信息量越多;信息量在一定程度上可以表示纹理的清晰程度,信息量越多,纹理的清晰程度越小;但是由于信息熵只是根据不同灰度级数量计算得到清晰度,并没有考虑不同灰度的分布情况,因此,得到的清晰度不够准确。本实施例首先计算得到一个标准化纤织物图像(即人工判断其中不存在僵丝缺陷)中各10*10区域的灰度共生矩阵的熵值的均值,将得到的均值作为一个区域的标准熵m;然后计算得到待检测化纤图像中各子区域对应的的灰度共生矩阵的熵值n,将待检测化纤图像中各子区域对应的n与m的商值记为t,本实施例通过计算得到某一子区域对应的区域纹理清晰度和纹理对比度表示的权值β和γ的公式为:
本实施例可以通过上述公式计算得到β和γ,其中β为某一子区域对应的区域纹理清晰度的权重值,γ为某一子区域对应的纹理对比度的权重值。
本实施例利用某一子区域对应的区域纹理清晰度和纹理对比度来计算某一子区域对应的纹理清晰度程度的公式为:
S=β×S1+γ×S2
其中,β为某一子区域对应的区域纹理清晰度的权重值,γ为某一子区域对应的纹理对比度的权重值,S为某一子区域对应纹理清晰度程度。
步骤S3,将待检测化纤图像转换为HSI图像,根据各子区域中各像素点对应的H通道值,计算得到各子区域对应的色彩均匀度。
本实施例中待检测化纤图像为RGB图像,考虑到僵丝存在的区域会产生颜色分布不均匀的现象,本实施例首先将待检测化纤图像转为HSI图像,提取得到HSI图像中各子区域中各像素点对应的H通道值,根据各子区域中各像素点对应的H通道值,计算各子区域的色彩均匀度;每个子区域的色彩均匀度是由计算每个子区域中各像素点对应的H通道值的方差得到的,子区域的方差越大,即色彩均匀度越大,则该子区域的颜色越均匀。
步骤S4,根据各子区域对应的纹理清晰度程度和色彩均匀度,得到待检测化纤图像中的僵丝区域。
本实施例中步骤S2计算得到了各子区域对应的的纹理清晰程度,接下来,本实施例将各子区域中各像素点的灰度值赋值为各子区域对应的纹理清晰程度,进而得到各子区域组成的纹理清晰度图像;然后通过otsu阈值分割的方法对纹理清晰度图像进行阈值分割,得到纹理清晰度阈值k1,将像素的灰度值小于k1的子区域保留下来,得到第一僵丝区域,即存在僵丝的概率大的区域。
本实施例中步骤S3得到了个子区域对应的色彩均匀度,以反映对应子区域的颜色分布是否均匀,然后将各子区域中各像素点的灰度值赋值为各子区域对应的色彩均匀度,进而得到有各子区域组成的色彩均匀度图像,本实施例通过otsu阈值分割算法对色彩均匀度图像中进行处理得到阈值k2,将像素的灰度值大于k2(即色彩均匀度大于k2)的子区域保留下来,得到第二僵丝区域,即色彩均匀度大于阈值K2的子区域为色彩不均匀的区域,也为僵丝存在的区域。本实施例中otsu阈值分割算法为现有技术,在此就不再赘述。
最后,本实施例将第一僵丝区域和第二僵丝区域进行叠加,叠加时只有当子区域同时存在于第一僵丝区域和第二僵丝区域中时,才将对应子区域保留下来,进而得到目标僵丝区域。得到目标僵丝区域后,本实施例根据所得到的目标僵丝区域的位置对待检测化纤区域中的僵丝区域进行标注,以实现对僵丝区域的检测。
本实施例通过对获取到的待检测化纤图像进行分割,得到待检测化纤图像对应的多个子区域,然后根据各子区域对应的纹理方向计算得到的各子区域对应的区域纹理清晰度和根据各子区域中各像素点对应的灰度值计算得到的各子区域对应的纹理对比度,得到各子区域对应为纹理清晰程度,接着计算各子区域对应的色彩均匀度,最后根据各子区域对应的纹理清晰程度和色彩均匀度,得到待检测化纤图像中的僵丝区域。本实施例通过计算待检测化纤图像各区域的纹理清晰程度与色彩均匀度以提取出僵丝缺陷区域,克服了通过亮度阈值分割检测得到僵丝区域存在的当背景和前景的差异较小时检测精度低的问题,提高了对僵丝区域检测的精度。
需要说明的是: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 (9)
1.一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,该方法包括以下步骤:
获取待检测化纤图像,所述待检测化纤图像为由化纤织成的布料的RGB图像;对待检测化纤图像进行分割,得到待检测化纤图像对应的多个子区域;
利用灰度游程矩阵计算各子区域对应的纹理方向;根据各子区域对应的纹理方向,计算各子区域对应的区域纹理清晰度;根据各子区域中各像素点对应的灰度值,计算各子区域对应的纹理对比度;根据各子区域对应的区域纹理清晰度和纹理对比度,得到各子区域对应的纹理清晰程度;
将待检测化纤图像转换为HSI图像,根据各子区域中各像素点对应的H通道值,计算得到各子区域对应的色彩均匀度;
根据各子区域对应的纹理清晰度程度和色彩均匀度,得到待检测化纤图像中的僵丝区域。
2.根据权利要求1所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,所述根据各子区域对应的纹理方向,计算各子区域对应的区域纹理清晰度,包括:
获取各子区域在对应纹理方向上的各游程,利用otsu阈值分割算法得到各子区域在对应纹理方向上的长游程;
根据各子区域对应的长游程长度和长游程对应的数量,计算各子区域在对应的纹理方向上的长游程所占的像素数量;
计算各子区域对应的长游程所占的像素数量与对应的像素点数量的比值,记为第一比值;
各子区域对应的计算第一比值与对应的灰度级数量的比值,得到各子区域对应的区域纹理清晰度。
3.根据权利要求1所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,所述根据各子区域中各像素点对应的灰度值,计算各子区域对应的纹理对比度,包括:
获取各子区域中各像素点对应的各点对,所述点对为一个像素点与对应八邻域内其余像素点构成的点对;
根据各子区域中各像素点对应的各点对自身的对比度和各点对之间的对比度,得到各子区域中各像素点对应的对比度;所述各点对之间的对比度为任意两个点对之间的对比度为两个点对中各点对应的灰度值构成的两个向量的余弦值相似度;
计算各子区域中各像素点对应的对比度的均值,得到各子区域对应的纹理对比度。
5.根据权利要求1所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,所述根据各子区域对应的区域纹理清晰度和纹理对比度,得到各子区域对应的纹理清晰程度,包括:
获取标准化纤织物图像中各区域的灰度共生矩阵,计算标准化纤织物图像中各区域的灰度共生矩阵的信息熵的均值,得到标准熵;
获取各子区域对应的灰度共生矩阵;根据各子区域对应的灰度共生矩阵,得到各子区域对应的熵值;
根据各子区域对应的熵值和标准熵,计算各子区域对应的区域纹理清晰度和纹理对比度的权重;
根据各子区域对应的区域纹理清晰度和纹理对比度的权重,计算各子区域对应的纹理清晰程度。
6.根据权利要求5所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,根据各子区域对应的区域纹理清晰度和纹理对比度的权重,计算各子区域对应的纹理清晰程度,包括:
S=β×S1+γ×S2
其中,S为某一子区域对应纹理清晰度程度,β为某一子区域对应的区域纹理清晰度的权重值,γ为某一子区域对应的纹理对比度的权重值,S1为某一子区域对应的区域纹理清晰度,S2为某一子区域对应的纹理对比度。
7.根据权利要求1所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,利用灰度游程矩阵计算各子区域对应的纹理方向,包括:
将待检测化纤图像进行灰度化处理,得到待检测化纤图像对应的灰度图像;
利用多阈值分割对所述灰度图像进行处理,得到对应的灰度级图像;
计算灰度级图像中各子区域在不同方向对应的灰度游程矩阵;
根据各子区域在不同方向对应的灰度游程矩阵,获得各子区域在不同方向对应的最大游程;
将各子区域对应的最大的最大游程对应的方向作为对应子区域的纹理方向。
8.根据权利要求1所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,根据各子区域对应的纹理对比度和色彩均匀度,得到待检测化纤图像中的僵丝区域,包括:
将各子区域中各像素点的灰度值赋值为对应的纹理清晰度程度,得到纹理清晰度图像;
利用otsu阈值分割算法对纹理清晰度图像进行阈值分割,得到第一僵丝区域,所述第一僵丝区域为纹理清晰度程度大于对应的阈值的子区域构成的区域;
将各子区域中各像素点的灰度值赋值为对应的色彩均匀度,得到色彩均匀度图像;
利用otsu阈值分割算法对色彩均匀度图像进行阈值分割,得到第二僵丝区域,所述第二僵丝区域为色彩均匀度大于对应的阈值的子区域构成的区域;
将第一僵丝区域和第二僵丝进行叠加,得到目标僵丝区域,所述目标僵丝区域由第一僵丝区域和第二僵丝进行共有的子区域构成;
根据目标僵丝区域的位置对待检测化纤区域中的僵丝区域进行标注,得到待检测化纤图像中的僵丝区域。
9.根据权利要求1所述的一种基于纹理分析的化纤表面僵丝缺陷检测方法,其特征在于,根据各子区域中各像素点对应的H通道值,计算得到各子区域对应的色彩均匀度,包括:
计算各子区域中各像素点对应的H通道值的方差;
将各子区域对应的方差值作为各子区域对应的色彩均匀度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810512.9A CN115330682A (zh) | 2022-07-11 | 2022-07-11 | 基于纹理分析的化纤表面僵丝缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810512.9A CN115330682A (zh) | 2022-07-11 | 2022-07-11 | 基于纹理分析的化纤表面僵丝缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330682A true CN115330682A (zh) | 2022-11-11 |
Family
ID=83917530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210810512.9A Pending CN115330682A (zh) | 2022-07-11 | 2022-07-11 | 基于纹理分析的化纤表面僵丝缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330682A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843689A (zh) * | 2023-09-01 | 2023-10-03 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
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 |
-
2022
- 2022-07-11 CN CN202210810512.9A patent/CN115330682A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843689A (zh) * | 2023-09-01 | 2023-10-03 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
CN116843689B (zh) * | 2023-09-01 | 2023-11-21 | 山东众成菌业股份有限公司 | 一种菌盖表面破损检测方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330682A (zh) | 基于纹理分析的化纤表面僵丝缺陷检测方法 | |
CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN115311303B (zh) | 一种纺织品经纬缺陷检测方法 | |
CN105844278B (zh) | 一种多特征融合的织物扫描图案识别方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN116342583B (zh) | 一种用于纺纱生产加工的抗起球性能检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN115496760A (zh) | 一种阿胶品质鉴定方法 | |
CN114998321A (zh) | 一种基于光学手段的纺织材料表面毛羽程度识别方法 | |
CN109610132A (zh) | 衣物洗涤方法、装置和控制器 | |
CN115294116A (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 | |
CN115035111B (zh) | 一种基于图像处理的有色丝色差检测方法 | |
CN114155173A (zh) | 一种图像去雾方法、设备及非易失性存储介质 | |
CN107256553A (zh) | 一种经纱上浆效果的检测方法 | |
CN114612385A (zh) | 一种基于模板匹配的拉链布边缺陷识别方法 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN115082480B (zh) | 一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法 | |
CN115272317B (zh) | 一种自适应纺织坯布烧毛控制方法 | |
CN115082489A (zh) | 一种有色丝评估方法 | |
Ikonomakis et al. | Unsupervised seed determination for a region-based color image segmentation scheme | |
CN114219774B (zh) | 图像质量评估方法、装置、终端及计算机可读存储介质 | |
CN109448010A (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
CN115100436A (zh) | 一种基于图像识别的有色丝染色方法 | |
CN117808800B (zh) | 一种纺织品染色质量智能评估方法及系统 |
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 |