CN115330785B - 一种纺织鞋面质量检测方法 - Google Patents

一种纺织鞋面质量检测方法 Download PDF

Info

Publication number
CN115330785B
CN115330785B CN202211250503.5A CN202211250503A CN115330785B CN 115330785 B CN115330785 B CN 115330785B CN 202211250503 A CN202211250503 A CN 202211250503A CN 115330785 B CN115330785 B CN 115330785B
Authority
CN
China
Prior art keywords
connected domain
deviation
punching
vamp
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.)
Active
Application number
CN202211250503.5A
Other languages
English (en)
Other versions
CN115330785A (zh
Inventor
倪晓青
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 Aiwei Household Textile Co ltd
Original Assignee
Nantong Aiwei Household 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 Aiwei Household Textile Co ltd filed Critical Nantong Aiwei Household Textile Co ltd
Priority to CN202211250503.5A priority Critical patent/CN115330785B/zh
Publication of CN115330785A publication Critical patent/CN115330785A/zh
Application granted granted Critical
Publication of CN115330785B publication Critical patent/CN115330785B/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
    • G06T7/10—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据识别处理技术领域，具体涉及一种纺织鞋面质量检测方法；该方法包括：获取当前纺织鞋面的灰度图像并得到灰度图像中的多个连通域，计算每个连通域的轮廓偏差指数；根据轮廓偏差指数结合峭度因子得到连通域的致畸程度；进一步基于连通域的LBP序列获取半径偏离度，基于半径偏离度以及致畸程度得到冲孔畸变度；根据冲孔畸变度以及连通域的偏离程度得到冲孔偏差；基于冲孔偏差将模板图像与灰度图像中的连通域进行匹配并得到最小权值，基于最小权值得到当前纺织鞋面的鞋面质量指数，根据鞋面质量指数判断当前纺织鞋面的质量；增加了纺织鞋面质量判定的准确率。

Description

一种纺织鞋面质量检测方法
技术领域
本发明涉及数据识别处理技术领域，具体涉及一种纺织鞋面质量检测方法。
背景技术
在纺织业的制鞋生产线中，为了方便在鞋面上进行鞋帮的缝合，需对成品的纺织鞋面进行冲孔处理，在冲孔后通过针车等机械设备进行引线来完成鞋帮和鞋面的一体化，从而使整鞋成型。
冲孔的工序是制鞋工艺中十分重要的一部分，冲孔的失误会导致整鞋的鞋帮和鞋面结合处接触不良，严重影响整鞋成品的质量；为防止冲孔出现较大失误，需在冲孔前于鞋面设定若干标志点；而对于标志点的位置选取，制鞋厂一般会采用模具拟合的形式，即采用模具进行生产引导，通过机械化生产的方式完成冲孔工序，但由于生产过程中机械设备可能出现异常情况，导致鞋面的部分冲孔与模具的设定冲孔有较大的差异，进而会使得整鞋成品的质量不佳，甚至是造成鞋面材料浪费。
发明内容
为了解决上述由于纺织鞋面冲孔差异造成纺织鞋面质量不佳的问题，本发明的目的在于提供一种纺织鞋面质量检测方法，该方法包括以下步骤：
获取当前纺织鞋面的表面图像，对所述表面图像进行灰度化处理得到灰度图像，对所述灰度图像进行OTSU阈值分割得到二值图像，对所述二值图像进行边缘检测得到边缘图像；
对所述边缘图像进行连通域分析得到多个连通域，采用小波形状描述符算法获取每个连通域的小波形状描述符，计算每个连通域的小波形状描述符与标准小波形状描述符的差值作为连通域的轮廓偏差指数；获取每个连通域上所有边缘像素点的LBP值得到LBP序列，基于所述LBP序列得到峭度因子，根据所述峭度因子以及所述轮廓偏差指数得到连通域的致畸程度；
对所述LBP序列进行HHT算法处理得到频率差异系数，基于所述频率差异系数筛选连通域的边缘像素点得到每个连通域的保留边缘点，对所有的保留边缘点进行霍夫圆检测得到拟合圆，获取所述拟合圆的半径偏离度，基于所述半径偏离度以及所述致畸程度得到冲孔畸变度；
构建每个连通域的灰度共生矩阵，根据所述灰度共生矩阵获取连通域的冲孔穿透率，基于所述冲孔穿透率与标准冲孔穿透率的差值得到连通域的偏离程度，根据所述偏离程度以及所述冲孔畸变度获取连通域的冲孔偏差；
获取标准的模板图像，基于所述模板图像中每个连通域与灰度图像中每个连通域的冲孔偏差得到对应连通域之间的边权值；基于所有连通域的边权值的和获取灰度图像对应的最小权值，基于所述最小权值得到当前纺织鞋面的鞋面质量指数，根据所述鞋面质量指数判断当前纺织鞋面的质量。
优选的，所述获取每个连通域上所有边缘像素点的LBP值得到LBP序列的步骤，包括：
获取灰度图像中所有像素点对应的梯度值；
构建预设大小的窗口，以连通域中每个边缘像素点作为窗口的中心点；对于窗口内任意一个像素点，若所述像素点的梯度值大于所述中心点的梯度值，将所述像素点的像素值置为1；若所述像素点的梯度值不大于所述中心点的梯度值，将所述像素点的像素值置为0；
窗口内所有像素点的像素值重置后依次排列得到所述中心点对应的二进制数据，将所述二进制数据转换为十进制得到所述中心点的LBP值；
连通域对应的所有边缘像素点的LBP值依次排列得到LBP序列。
优选的，所述基于所述LBP序列得到峭度因子的步骤，包括：
获取LBP序列中所有元素的均方根；
计算LBP序列中每个元素的四次方并进行求和得到所有元素的四次方的求和结果；计算所述均方根的四次方并与LBP序列中所有元素的数量进行相乘得到乘积结果；
所述求和结果与所述乘积结果的比值为所述峭度因子。
优选的，所述根据所述峭度因子以及所述轮廓偏差指数得到连通域的致畸程度的步骤，包括：
获取正常冲孔的标准峭度因子，计算所述峭度因子与所述标准峭度因子的差值，所述差值与所述轮廓偏差指数的求和为所述致畸程度。
优选的，所述获取所述拟合圆的半径偏离度的步骤，包括：
获取每个连通域的中心点，计算连通域上所有边缘像素点与对应连通域的中心点之间的距离，选取所有距离中的最大距离；
获取所述拟合圆的半径，计算所述最大距离与所述半径的差值绝对值，将所述差值绝对值与所述半径的比值作为半径偏离度。
优选的，所述基于所述半径偏离度以及所述致畸程度得到冲孔畸变度的步骤，包括：
将所述致畸程度作为自然常数e的幂指数得到指数函数，将所述指数函数与所述半径偏离度相加得到所述冲孔畸变度。
优选的，所述根据所述偏离程度以及所述冲孔畸变度获取连通域的冲孔偏差的步骤，包括：
所述冲孔偏差为所述偏离程度与所述冲孔畸变度的乘积。
优选的，所述基于所述模板图像中每个连通域与灰度图像中每个连通域的冲孔偏差得到对应连通域之间的边权值的步骤，包括：
获取模板图像中每个连通域与灰度图像中每个连通域之间的冲孔偏差的差值；获取模板图像中每个连通域与灰度图像中每个连通域之间的坐标差异；所述坐标差异与冲孔偏差的差值的求和得到对应连通域之间的边权值。
优选的，所述基于所述最小权值得到当前纺织鞋面的鞋面质量指数的步骤，包括：
获取当前纺织鞋面中所有连通域的数量以及模板图像中所有连通域的数量，计算当前纺织鞋面中所有连通域的数量与模板图像中所有连通域的数量之间的数量差值；
将所述最小权值与所述数量差值进行加权求和得到当前纺织鞋面的鞋面质量指数。
本发明具有如下有益效果：通过对当前纺织鞋面的灰度图像进行获取，进而根据灰度图像得到其中的多个连通域，对每个连通域进行分析，利用小波形状描述符获取连通域的轮廓偏差指数；获取连通域上每个边缘像素点的LBP值进而得到边缘轮廓的峭度因子，结合峭度因子和轮廓偏差指数得到连通域的致畸程度，分析连通域的边缘轮廓情况反映冲孔的情况；进一步的，基于连通域对应的LBP序列对所有的边缘像素点进行筛选，利用保留边缘点进行霍夫圆检测得到拟合圆，提高了霍夫圆拟合的精确度，根据拟合圆得到半径偏离度，根据半径偏离度以及致畸程度得到连通域的冲孔畸变度，更加准确的分析出连通域的似圆程度；然后获取连通域的灰度共生矩阵，根据纹理情况得到该连通域的冲孔穿透率进而得到连通域的冲孔偏差，以冲孔偏差作为每个连通域的特征指标进行后续对比分析，数据更加可靠且具有说服力；基于每个连通域的冲孔偏差将当前纺织鞋面的灰度图像与模板图像进行匹配计算最小权值，进而根据最小权值得到当前纺织鞋面的鞋面质量指数，对当前纺织鞋面的质量进行判定，对纺织鞋面的分析更加细节，增加了纺织鞋面质量判定的准确率。
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纺织鞋面质量检测方法流程图。
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纺织鞋面质量检测方法，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。
本申请适用于对纺织鞋面上冲孔质量的检测；下面结合附图具体的说明本发明所提供的一种纺织鞋面质量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纺织鞋面质量检测方法流程图，该方法包括以下步骤：
步骤S100，获取当前纺织鞋面的表面图像，对表面图像进行灰度化处理得到灰度图像，对灰度图像进行OTSU阈值分割得到二值图像，对二值图像进行边缘检测得到边缘图像。
具体的，采用工业相机对待检测的当前纺织鞋面的表面进行拍摄，得到当前纺织鞋面的表面图像，为避免环境噪声的影响，对获取到的当前纺织鞋面的表面图像进行滤波处理，本发明实施例中滤波处理的方法采用中值滤波，在其他实施例中实施者可根据情况自行选择，从而对当前纺织鞋面的表面图像进行噪声滤除；由于鞋面上的冲孔本身较小，因此当前纺织鞋面对应的表面图像中的冲孔会十分微小，对该表面图像进行图像增强以提升该表面图像的图像质量，本发明实施例中图像增强的方法采用直方图均衡化，以增强表面图像的整体对比度，使表面图像更加清晰。
进一步的，为了便于后续对当前纺织鞋面的表面进行检测，将表面图像进行灰度化处理得到对应的灰度图像，采用OSTU大津算法进行阈值分割处理，得到二值图像，然后对二值图像进行canny边缘检测得到对应的边缘图像，该边缘图像中包括多条边缘；灰度化处理的方法、OSTU大津算法以及canny边缘检测算法均为现有公知技术，不再赘述。
步骤S200，对边缘图像进行连通域分析得到多个连通域，采用小波形状描述符算法获取每个连通域的小波形状描述符，计算每个连通域的小波形状描述符与标准小波形状描述符的差值作为连通域的轮廓偏差指数；获取每个连通域上所有边缘像素点的LBP值得到LBP序列，基于LBP序列得到峭度因子，根据峭度因子以及轮廓偏差指数得到连通域的致畸程度。
对于纺织鞋面上的冲孔而言，其一般是由专业的模具得到的规则且具有相应几何特性的圆，但在模具的实际加工过程中，由于鞋面的倾斜放置或者是打孔装置与鞋面的摩擦影响，导致冲孔的形状不规则，会对最终的整鞋质量造成较大的影响，因此对纺织鞋面上的冲孔情况进行评估。
由于不规则的图像的中心点难以直观的获取，因此对步骤S100中得到的边缘图像进行连通域分析，可得到边缘图像中的多个连通域以及每个连通域的中心点，连通域分析的方法为现有公知手段，本发明实施例中不再详细赘述；每个连通域可视为当前纺织鞋面上每个冲孔区域。
以任意一个连通域为例进行分析，对该连通域的局部细微轮廓进行分析，本发明实施例中采用小波形状描述符算法进行局部细微轮廓分析，小波形状描述符是一种局部轮廓描述子，可用于对冲孔的边界轮廓进行特征获取；通过小波函数族完成对连通域的边缘轮廓上尺度函数和小波系数的定义，由小波变换原理可知：尺度函数和小波系数共同构成小波形状描述符，因此得到连通域对应的小波形状描述符，将该连通域对应的小波形状描述符记为
Figure DEST_PATH_IMAGE001
。
进一步的，获取标准的冲孔下对应连通域的标准小波形状描述符，根据标准小波形状描述符与当前纺织鞋面中连通域对应的小波形状描述符之间的差值作为轮廓偏差指数，即该轮廓偏差指数为：
Figure DEST_PATH_IMAGE003
其中，
Figure 736199DEST_PATH_IMAGE004
表示轮廓偏差指数；
Figure 707566DEST_PATH_IMAGE001
表示小波形状描述符；
Figure DEST_PATH_IMAGE005
表示标准小波形状描述符。
获取到连通域对应的轮廓偏差指数之后，对连通域对应边缘轮廓上的边缘像素点进行分析，计算每个边缘像素点对应的LBP值，每个边缘像素点的LBP值的获取方法为：
利用Sobel算子卷积运算获取灰度图像中每个像素点的梯度值，构建3*3大小的窗口，利用该窗口在连通域的边缘轮廓上进行滑动，以每个边缘像素点作为该窗口的中心点；判断该窗口内其他像素点与该窗口的中心点的梯度值的大小，若该窗口内其他任意像素点的梯度值大于该窗口的中心点的梯度值，则将像素点的像素值置为1；若该窗口内其他任意像素点的梯度值不大于该窗口的中心点的梯度值，则将像素点的像素值置为0，将窗口内所有的像素点判断完毕并重新赋值后，窗口内所有像素点的像素值依次排列得到该窗口的中心点对应的8位的二进制数据，将二进制数据转换为十进制赋值给窗口的中心点，中心点更新后的像素值即为该中心点对应的LBP值。
以此类推，按照从左向右，从上到下的顺序对连通域的边缘轮廓上所有的边缘像素点进行遍历，得到连通域的边缘轮廓上所有边缘像素点对应的LBP值，将所有的LBP值依次排列得到LBP序列。
基于连通域的所有边缘像素点对应的LBP序列获取对应的峭度因子，即峭度因子为：
Figure DEST_PATH_IMAGE007
其中，
Figure 183678DEST_PATH_IMAGE008
表示峭度因子；
Figure DEST_PATH_IMAGE009
表示LBP序列中第
Figure 601015DEST_PATH_IMAGE010
个边缘像素点对应的LBP值；
Figure DEST_PATH_IMAGE011
表示LBP序列中所有元素的数量，即连通域对应的所有边缘像素点的数量；
Figure 476568DEST_PATH_IMAGE012
表示LBP序列中所有元素的均方根。
均方根的计算为数学常识，不再赘述；峭度因子在一定程度上反映了连通域的边缘轮廓的梯度变化是陡峭还是平缓，根据峭度因子反映的梯度的陡峭程度来进一步分析连通域的致畸程度。
对于正常的圆形冲孔而言，其形状规整，边缘的梯度变化呈正态分布，获取正常冲孔下对应连通域边缘轮廓的标准峭度因子，根据待分析的连通域对应边缘轮廓的峭度因子与标准峭度因子之间的差异获取连通域的致畸程度，则致畸程度的计算方法为：
Figure 732800DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示致畸程度；
Figure 48987DEST_PATH_IMAGE008
表示峭度因子；
Figure 327522DEST_PATH_IMAGE016
表示标准峭度因子；
Figure 413290DEST_PATH_IMAGE004
表示轮廓偏差指数。
连通域对应的轮廓偏差指数越大、边缘轮廓的峭度因子与标准峭度因子相差越大时，该连通域表现越畸形，与标准的冲孔模板的形状差异越大，即致畸程度越大。
步骤S300，对LBP序列进行HHT算法处理得到频率差异系数，基于频率差异系数筛选连通域的边缘像素点得到每个连通域的保留边缘点，对所有的保留边缘点进行霍夫圆检测得到拟合圆，获取拟合圆的半径偏离度，基于半径偏离度以及致畸程度得到冲孔畸变度。
由步骤S200得到每个连通域对应的致畸程度，根据致畸程度可反映出连通域对应的冲孔与标准圆在外观轮廓上的大致偏离的程度，由于实际冲孔的形状可能与圆形存在一定的差异，为更加细致的对连通域对应的冲孔情况进行分析，对该连通域的冲孔畸变度进行获取，获取连通域的冲孔畸变度的具体方法为：
首先，对步骤S200中得到的每个连通域的边缘轮廓的LBP序列进行HHT算法处理，即采用本征模态分布算法将LBP序列分解得到特征的一系列IMF子信号，通过希尔伯特变换对子信号进行瞬时频率的求解，HHT算法为现有公知技术，不再赘述。
获取到的各个瞬时频率反映了连通域对应的冲孔的边缘像素点的梯度变化的波动程度，将各个瞬时频率进行整合形成冲孔的边缘像素点的梯度变化的时频谱，提取时频谱的均值并与时频谱中各个边缘像素点的瞬时频率进行比较，进而得到频率差异系数，频率差异系数的计算方法为：
Figure 109981DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示频率差异系数；
Figure 849267DEST_PATH_IMAGE020
表示第
Figure DEST_PATH_IMAGE021
个瞬时频率；
Figure 693726DEST_PATH_IMAGE022
表示所有瞬时频率的均值；
Figure DEST_PATH_IMAGE023
表示时频谱中所有瞬时频率的数量。
频率差异系数的值越大，说明该边缘像素点的梯度变化波动幅度越大，当边缘像素点的梯度变化波动幅度大于预设波动阈值时，将该边缘像素点进行舍弃，进而对连通域中的边缘像素点进行筛选。
作为优选，本发明实施例中预设波动阈值设置为0.7，当频率差异系数大于0.7时，该频率差异系数对应的边缘像素点进行舍弃。
然后，将保留下的连通域中的边缘像素点记为保留边缘点，对所有的保留边缘点进行霍夫圆检测，通过在霍夫空间内投票检测出连通域的拟合圆，并在opencv中通过投票结果获得圆心与圆的轮廓，霍夫圆检测以及opencv的使用是公知技术，本发明实施例中不再详细赘述。
获取每个连通域的中心点，计算连通域上所有边缘像素点与对应连通域的中心点之间的距离，选取所有距离中的最大距离；获取拟合圆的半径，计算最大距离与半径的差值绝对值，将差值绝对值与半径的比值作为半径偏离度。
在图像坐标系中可对应得到圆心的位置以及拟合圆的半径，图像坐标系即以灰度图像的左下角为原点构建的直角坐标系；在连通域分析时得到每个连通域对应的中心点，采用边缘追踪算法得到连通域的边缘像素点中与连通域的中心点的最大距离，基于该最大距离以及拟合圆的半径获取半径偏离度，则半径偏离度的计算为：
Figure DEST_PATH_IMAGE025
其中，
Figure 130655DEST_PATH_IMAGE026
表示半径偏离度；
Figure DEST_PATH_IMAGE027
表示最大距离；
Figure 278258DEST_PATH_IMAGE028
表示拟合圆的半径。
连通域的边缘像素点与连通域的中心点的最大距离与拟合圆的半径偏离越大时，表明此时冲孔的半径偏离度越大。
结合步骤S200的致畸程度以及半径偏离度得到该连通域的冲孔畸变度，冲孔畸变度具体为：
Figure 594970DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
表示冲孔畸变度；
Figure 192305DEST_PATH_IMAGE026
表示半径偏离度；
Figure 885454DEST_PATH_IMAGE015
表示致畸程度；
Figure 274847DEST_PATH_IMAGE032
表示自然常数。
连通域的致畸程度反映了连通域的边缘轮廓与标准的偏差，半径偏离度反映了连通域对应的拟合圆的半径偏差，当连通域的致畸程度越大且半径偏离度越大时，该连通域对应的冲孔畸变度越大。
步骤S400，构建每个连通域的灰度共生矩阵，根据灰度共生矩阵获取连通域的冲孔穿透率，基于冲孔穿透率与标准冲孔穿透率的差值得到连通域的偏离程度，根据偏离程度以及冲孔畸变度获取连通域的冲孔偏差。
考虑到鞋面上的冲孔用于与鞋帮之间的缝合，则冲孔的穿透程度对鞋面的质量以及后续缝合的好坏存在密切联系，因此对当前纺织鞋面的每个连通域的冲孔穿透率进行分析；构建连通域对应的灰度共生矩阵，对灰度共生矩阵进行纹理特征量的分析，根据连通域对应的灰度共生矩阵得到该连通域对应的对比度，对比度用于对图像细节的沟纹深浅以及灰度变化程度进行度量，对比度的计算为：
Figure 637827DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示对比度；
Figure 847091DEST_PATH_IMAGE036
表示灰度值
Figure DEST_PATH_IMAGE037
与灰度值
Figure 422560DEST_PATH_IMAGE038
的差值出现的概率。
当对比度
Figure 932039DEST_PATH_IMAGE035
的值越大，则表明连通域的冲孔穿透的越深，因此以连通域对应的对比度作为该连通域对应的冲孔穿透率。
获取标准冲孔对应的连通域的标准穿透率，根据待分析的连通域对应的冲孔穿透率与标准穿透率的差值得到连通域的偏离程度，即偏离程度为：
Figure 590553DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
表示偏离程度；
Figure 893971DEST_PATH_IMAGE042
表示标准穿透率；
Figure DEST_PATH_IMAGE043
表示绝对值计算。
连通域的偏离程度越大，则表明该连通域对应的冲孔与标准冲孔在穿透性上的偏差越大。通过连通域的偏离程度以及该连通域对应的冲孔畸变度的乘积获取连通域对应的冲孔偏差，即冲孔偏差为：
Figure DEST_PATH_IMAGE045
其中，
Figure 601027DEST_PATH_IMAGE046
表示连通域的冲孔偏差；
Figure 371537DEST_PATH_IMAGE031
表示冲孔畸变度；
Figure 76319DEST_PATH_IMAGE041
表示偏离程度。
冲孔偏差越大，表明该连通域对应的冲孔在大小、形状以及穿透性上与标准冲孔之间的差异越大，表明此时鞋面的冲孔质量越差。
步骤S500，获取标准的模板图像，基于模板图像中每个连通域与灰度图像中每个连通域的冲孔偏差得到对应连通域之间的边权值；基于所有连通域的边权值的和获取灰度图像对应的最小权值，基于最小权值得到当前纺织鞋面的鞋面质量指数，根据鞋面质量指数判断当前纺织鞋面的质量。
为了更精确的对当前纺织鞋面的冲孔进行检测，在历史数据中所有的纺织鞋面对应的图像中获取标准的模板图像，该模板图像中所有冲孔的形状、位置以及穿透率均符合标准，通过当前纺织鞋面对应的灰度图像与该模板图像进行对比分析。
将灰度图像与该模板图像中的冲孔的连通域抽象为各个点，则可根据KM匹配算法得到模板图像与灰度图像中的各个连通域的最佳匹配，本发明实施例中KM匹配算法中每两个连通域之间的边权值的计算为：
Figure 666700DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
表示灰度图像中连通域与模板图像中对应连通域之间的冲孔偏差的差值，即
Figure 708606DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
表示灰度图像中第
Figure 661518DEST_PATH_IMAGE037
个连通域的冲孔偏差，
Figure 927414DEST_PATH_IMAGE052
表示模板图像中对应第
Figure 629527DEST_PATH_IMAGE037
个连通域的冲孔偏差；
Figure DEST_PATH_IMAGE053
表示灰度图像中连通域与模板图像中对应连通域之间的坐标差异。
边权值Q越小，表明两个连通域之间的差异越小，则KM匹配算法进行匹配时越可能匹配成功。以此类推，根据KM匹配算法得到灰度图像与模板图像中所有连通域之间的最优匹配，获取所有最优匹配对应的边权值的和作为灰度图像的最小权值，将最小权值标记为
Figure 865336DEST_PATH_IMAGE054
。
进一步的，基于灰度图像对应的最小权值对当前纺织鞋面的鞋面质量指数进行获取，结合灰度图像中所有连通域的数量以及模板图像中所有连通域的数量进行分析，获取当前纺织鞋面中所有连通域的数量
Figure DEST_PATH_IMAGE055
以及模板图像中所有连通域的数量
Figure 423488DEST_PATH_IMAGE056
，计算当前纺织鞋面中所有连通域的数量
Figure 719340DEST_PATH_IMAGE055
与模板图像中所有连通域的数量
Figure 284313DEST_PATH_IMAGE056
之间的数量差值；将最小权值与数量差值进行加权求和得到当前纺织鞋面的鞋面质量指数；则鞋面质量指数的计算为：
Figure 74546DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
表示当前纺织鞋面的鞋面质量指数；
Figure 736472DEST_PATH_IMAGE054
表示当前纺织鞋面对应灰度图像的最小权值；
Figure 219537DEST_PATH_IMAGE055
表示当前纺织鞋面的灰度图像中所有连通域的数量；
Figure 271806DEST_PATH_IMAGE056
表示模板图像中所有连通域的数量；
Figure 849418DEST_PATH_IMAGE060
表示第一权重；
Figure DEST_PATH_IMAGE061
表示第二权重。
作为优选，本发明实施例中设置第一权重
Figure 644811DEST_PATH_IMAGE062
，第二权重
Figure DEST_PATH_IMAGE063
。
灰度图像中连通域的数量与模板图像中连通域的数量越接近，且灰度图像的最小权值越小时，鞋面的质量越小，鞋面质量指数越小；设置质量阈值，当鞋面质量指数小于质量阈值时，当前纺织鞋面为优良鞋面；当鞋面质量指数大于质量阈值时，当前纺织鞋面的质量不佳，为不合格鞋面，对不合格鞋面进行回收处理。
作为优选，本发明实施例中设置质量阈值为0.6。
综上所述，本发明实施例通过获取当前纺织鞋面的灰度图像，对灰度图像进行分析得到多个连通域，每个连通域可视为一个冲孔；采用小波形状描述符算法获取每个连通域的小波形状描述符，计算每个连通域的小波形状描述符与标准小波形状描述符的差值作为连通域的轮廓偏差指数；进一步的，获取每个连通域上所有边缘像素点的LBP值得到LBP序列，基于LBP序列得到峭度因子，根据峭度因子以及轮廓偏差指数得到连通域的致畸程度；对LBP序列进行HHT算法处理得到频率差异系数，基于瞬时频率差异系数筛选连通域的边缘像素点得到每个连通域的保留边缘点，对所有的保留边缘点进行霍夫圆检测得到拟合圆，获取拟合圆的半径偏离度，基于半径偏离度以及致畸程度得到冲孔畸变度；然后构建每个连通域的灰度共生矩阵，根据灰度共生矩阵获取连通域的冲孔穿透率，基于冲孔穿透率与标准冲孔穿透率的差值得到连通域的偏离程度，根据偏离程度以及冲孔畸变度获取连通域的冲孔偏差；获取每个连通域的冲孔偏差与标准的模板图像中的连通域的冲孔偏差的差值，以得到灰度图像对应的最小权值，基于最小权值得到当前纺织鞋面的鞋面质量指数，根据鞋面质量指数判断当前纺织鞋面的质量；利用多方面的特征分析保证了鞋面质量检测结果的准确性。
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 (5)

1.一种纺织鞋面质量检测方法，其特征在于，该方法包括以下步骤：
获取当前纺织鞋面的表面图像，对所述表面图像进行灰度化处理得到灰度图像，对所述灰度图像进行OTSU阈值分割得到二值图像，对所述二值图像进行边缘检测得到边缘图像；
对所述边缘图像进行连通域分析得到多个连通域，采用小波形状描述符算法获取每个连通域的小波形状描述符，计算每个连通域的小波形状描述符与标准小波形状描述符的差值作为连通域的轮廓偏差指数；获取每个连通域上所有边缘像素点的LBP值得到LBP序列，基于所述LBP序列得到峭度因子，根据所述峭度因子以及所述轮廓偏差指数得到连通域的致畸程度；
对所述LBP序列进行HHT算法处理得到频率差异系数，基于所述频率差异系数筛选连通域的边缘像素点得到每个连通域的保留边缘点，对所有的保留边缘点进行霍夫圆检测得到拟合圆，获取所述拟合圆的半径偏离度，基于所述半径偏离度以及所述致畸程度得到冲孔畸变度；
构建每个连通域的灰度共生矩阵，根据所述灰度共生矩阵获取连通域的冲孔穿透率，基于所述冲孔穿透率与标准冲孔穿透率的差值得到连通域的偏离程度，根据所述偏离程度以及所述冲孔畸变度获取连通域的冲孔偏差；
获取标准的模板图像，基于所述模板图像中每个连通域与灰度图像中每个连通域的冲孔偏差得到对应连通域之间的边权值；基于所有连通域的边权值的和获取灰度图像对应的最小权值，基于所述最小权值得到当前纺织鞋面的鞋面质量指数，根据所述鞋面质量指数判断当前纺织鞋面的质量；
其中，所述根据所述峭度因子以及所述轮廓偏差指数得到连通域的致畸程度的步骤，包括：
获取正常冲孔的标准峭度因子，计算所述峭度因子与所述标准峭度因子的差值，所述差值与所述轮廓偏差指数的求和为所述致畸程度；
所述基于所述半径偏离度以及所述致畸程度得到冲孔畸变度的步骤，包括：
将所述致畸程度作为自然常数e的幂指数得到指数函数，将所述指数函数与所述半径偏离度相加得到所述冲孔畸变度；
所述根据所述偏离程度以及所述冲孔畸变度获取连通域的冲孔偏差的步骤，包括：
所述冲孔偏差为所述偏离程度与所述冲孔畸变度的乘积；
所述基于所述最小权值得到当前纺织鞋面的鞋面质量指数的步骤，包括：
获取当前纺织鞋面中所有连通域的数量以及模板图像中所有连通域的数量，计算当前纺织鞋面中所有连通域的数量与模板图像中所有连通域的数量之间的数量差值；
将所述最小权值与所述数量差值进行加权求和得到当前纺织鞋面的鞋面质量指数。
2.根据权利要求1所述的一种纺织鞋面质量检测方法，其特征在于，所述获取每个连通域上所有边缘像素点的LBP值得到LBP序列的步骤，包括：
获取灰度图像中所有像素点对应的梯度值；
构建预设大小的窗口，以连通域中每个边缘像素点作为窗口的中心点；对于窗口内任意一个像素点，若所述像素点的梯度值大于所述中心点的梯度值，将所述像素点的像素值置为1；若所述像素点的梯度值不大于所述中心点的梯度值，将所述像素点的像素值置为0；
窗口内所有像素点的像素值重置后依次排列得到所述中心点对应的二进制数据，将所述二进制数据转换为十进制得到所述中心点的LBP值；
连通域对应的所有边缘像素点的LBP值依次排列得到LBP序列。
3.根据权利要求1所述的一种纺织鞋面质量检测方法，其特征在于，所述基于所述LBP序列得到峭度因子的步骤，包括：
获取LBP序列中所有元素的均方根；
计算LBP序列中每个元素的四次方并进行求和得到所有元素的四次方的求和结果；计算所述均方根的四次方并与LBP序列中所有元素的数量进行相乘得到乘积结果；
所述求和结果与所述乘积结果的比值为所述峭度因子。
4.根据权利要求1所述的一种纺织鞋面质量检测方法，其特征在于，所述获取所述拟合圆的半径偏离度的步骤，包括：
获取每个连通域的中心点，计算连通域上所有边缘像素点与对应连通域的中心点之间的距离，选取所有距离中的最大距离；
获取所述拟合圆的半径，计算所述最大距离与所述半径的差值绝对值，将所述差值绝对值与所述半径的比值作为半径偏离度。
5.根据权利要求1所述的一种纺织鞋面质量检测方法，其特征在于，所述基于所述模板图像中每个连通域与灰度图像中每个连通域的冲孔偏差得到对应连通域之间的边权值的步骤，包括：
获取模板图像中每个连通域与灰度图像中每个连通域之间的冲孔偏差的差值；获取模板图像中每个连通域与灰度图像中每个连通域之间的坐标差异；所述坐标差异与冲孔偏差的差值的求和得到对应连通域之间的边权值。
CN202211250503.5A 2022-10-13 2022-10-13 一种纺织鞋面质量检测方法 Active CN115330785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211250503.5A CN115330785B (zh) 2022-10-13 2022-10-13 一种纺织鞋面质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211250503.5A CN115330785B (zh) 2022-10-13 2022-10-13 一种纺织鞋面质量检测方法

Publications (2)

Publication Number Publication Date
CN115330785A CN115330785A (zh) 2022-11-11
CN115330785B true CN115330785B (zh) 2022-12-23

Family

ID=83914189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211250503.5A Active CN115330785B (zh) 2022-10-13 2022-10-13 一种纺织鞋面质量检测方法

Country Status (1)

Country Link
CN (1) CN115330785B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114841938A (zh) * 2022-04-22 2022-08-02 南通海恒纺织设备有限公司 一种织物勾丝缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI359007B (en) * 2008-10-29 2012-03-01 Univ Nat Taiwan Method for analyzing a mucosa sample with optical

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841938A (zh) * 2022-04-22 2022-08-02 南通海恒纺织设备有限公司 一种织物勾丝缺陷检测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于HALCON的印花鞋面剪裁图像处理系统设计;谢瑶等;《计算机测量与控制》;20180825(第08期);第183-187页 *

Also Published As

Publication number Publication date
CN115330785A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN115272346A (zh) 一种基于边缘检测的pcb板生产过程在线检测方法
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN115018850B (zh) 基于图像处理的精密电子零部件冲压孔毛刺检测方法
CN110472479B (zh) 一种基于surf特征点提取和局部lbp编码的指静脉识别方法
CN116735612B (zh) 一种精密电子元器件焊接缺陷检测方法
CN115861291A (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN116092013A (zh) 一种用于智慧监控的危险路况识别方法
CN115018835B (zh) 一种汽车起动机齿轮检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN114332026A (zh) 一种铭牌表面划痕缺陷的视觉检测方法及装置
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN117495849A (zh) 基于图像特征的电源适配器质量检测方法
CN112884746A (zh) 一种基于边缘形状匹配的字符缺陷智能检测算法
CN115359047A (zh) 用于pcb板智能焊接的异常缺陷检测方法
CN115115603A (zh) 基于人工智能的汽车配件飞轮表面检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN115880280A (zh) 一种钢结构焊缝质量的检测方法
CN116757972A (zh) 一种抗光影噪声影响的织物缺陷检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN117274293B (zh) 基于图像特征的细菌菌落精确划分方法
CN117291985B (zh) 一种零件冲孔的图像定位方法

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