CN115471504A - 一种基于纺织物的线头自动识别方法 - Google Patents
一种基于纺织物的线头自动识别方法 Download PDFInfo
- Publication number
- CN115471504A CN115471504A CN202211417018.2A CN202211417018A CN115471504A CN 115471504 A CN115471504 A CN 115471504A CN 202211417018 A CN202211417018 A CN 202211417018A CN 115471504 A CN115471504 A CN 115471504A
- Authority
- CN
- China
- Prior art keywords
- sewing thread
- sub
- area
- initial
- thread sub
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Sewing Machines And Sewing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于纺织物的线头自动识别方法,包括,利用图像数据处理技术,识别获取各个初始缝纫线子区域,确定各个初始缝纫线子区域的形态特征值,根据形态特征值判断各个初始缝纫线子区域中是否存在第一缝纫线子区域;若存在,则确定各个第一缝纫线子区域的空间分布特征值,根据空间分布特征值判断各个第一缝纫线子区域中是否存在第二缝纫线子区域;若存在,则根据第二缝纫线子区域内所有像素点的数量,判断待识别缝纫图像中是否存在跳线线头缺陷。本发明主要应用于纺织物跳线线头缺陷识别,解决了现有跳线线头识别不准确的问题,提高了纺织物线头识别的准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于纺织物的线头自动识别方法。
背景技术
随着纺织纤维加工总量、化纤产量、纺织服装产量的逐渐增长,市场对纺织品的布料、工艺以及质量的要求越来越高,纺织品在加工过程中,基于纺织品的制作需求对裁剪好的不同布料进行缝纫拼接,在拼接过程中会经常出现跳针缺陷。一旦出现跳针,在布料上会留下空针,导致缝纫线出现多余的线头,影响缝纫线美观。因此,为了保证纺织品产品的质量,需要在完成布料缝纫拼接后对纺织品中的缝纫线部分进行线头识别。
现有对纺织物线头的处理主要依靠人工,通过单独设置剪线头的工序,在缝纫完成后由人工手动进行修剪线头,该方法对缝纫结束端的线头处理效果较好,但对于由跳线产生的缝纫线线头,受个人工作经验和疲劳程度等主观因素的影响较大,导致线头识别的准确度降低。随着图像处理技术的发展,为了克服人工识别纺织物线头的缺陷,现有提出了公开号为CN108896561B,一种基于多线程机器视觉的纺织布料检测方法,该方法利用光源,由缝纫孔得到亮色斑点,根据两个相邻亮色斑点之间的距离与预设距离基准值的比较结果,判断是否发生跳线,实现线头识别。在该方法中,缝纫孔的尺寸通常较小,在搜寻缝纫孔的过程中可能会发生遗漏,导致线头识别的结果不完整,而且亮色斑点受外部光源环境的影响较大,容易造成线头识别精度不稳定。
发明内容
为了解决上述现有方法的线头识别结果不准确的技术问题,本发明的目的在于提供一种基于纺织物的线头自动识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于纺织物的线头自动识别方法,该方法包括以下步骤:
获取经过图像预处理的待识别缝纫图像,根据所述待识别缝纫图像,确定待识别缝纫图像中的各个初始缝纫线子区域;
根据各个初始缝纫线子区域内每个像素点的灰度值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值;
根据各个初始缝纫线子区域的形态特征值,判断各个初始缝纫线子区域中是否存在第一缝纫线子区域;若存在,则根据各个初始缝纫线子区域的形态特征值、各个第一缝纫线子区域内的每个像素点以及每个像素点的位置,确定各个第一缝纫线子区域的空间分布特征值;
根据各个第一缝纫线子区域的空间分布特征值,判断各个第一缝纫线子区域中是否存在第二缝纫线子区域;若存在,则获取第二缝纫线子区域的像素点数量,并根据第二缝纫线子区域的像素点数量,判断待识别缝纫图像中是否存在跳线线头缺陷。
进一步的,根据各个初始缝纫线子区域内每个像素点的灰度值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值,包括:
对各个初始缝纫线子区域进行角点检测,获得各个初始缝纫线子区域对应的角点数量;
根据各个初始缝纫线子区域,确定各个初始缝纫线子区域对应的最小外接矩形,根据所述最小外接矩形获得各个初始缝纫线子区域对应的最小外接矩形的像素点数量;
将各个初始缝纫线子区域内的所有像素点与直线方程进行拟合处理,获得各个初始缝纫线子区域对应的拟合优度;
根据各个初始缝纫线子区域内每个像素点的灰度值,确定各个初始缝纫线子区域对应的灰度共生矩阵,根据灰度共生矩阵获得各个初始缝纫线子区域对应的能量值;
根据各个初始缝纫线子区域对应的角点数量、最小外接矩形的像素点数量、拟合优度、能量值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值。
进一步的,所述形态特征值的计算公式为:
其中,mcv为各个初始缝纫线子区域的形态特征值,n 1为各个初始缝纫线子区域对应的角点数量,n 2为各个初始缝纫线子区域的像素点数量,n 3为各个初始缝纫线子区域对应的最小外接矩形的像素点数量,R为各个初始缝纫线子区域对应的拟合优度,a 1为超参数,ASM为各个初始缝纫线子区域对应的能量值。
进一步的,根据各个初始缝纫线子区域的形态特征值、各个第一缝纫线子区域内的每个像素点以及每个像素点的位置,确定各个第一缝纫线子区域的空间分布特征值,包括:
获取各个第一缝纫线子区域对应的第一相关子区域和第二相关子区域,根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域的各边缘像素点的位置,确定各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值以及第四距离值;
根据各个初始缝纫线子区域的形态特征值,确定各个第一缝纫线子区域的形态特征值;
根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内最大横向像素点个数、最大纵向像素点个数,确定各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比;
将各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内的所有像素点与直线方程进行拟合处理,获得各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的倾斜角;
根据各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值、第四距离值、形态特征值以及各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比、倾斜角,确定各个第一缝纫线子区域的空间分布特征值。
进一步的,所述空间分布特征值的计算公式为:
其中,sts为各个第一缝纫线子区域的空间分布特征值,d 1为各个第一缝纫线子区域对应的第一距离值,d 2为各个第一缝纫线子区域对应的第二距离值,d 3为各个第一缝纫线子区域对应的第三距离值,d 4为各个第一缝纫线子区域对应的第四距离值,为各个第一缝纫线子区域对应的倾斜角,为各个第一缝纫线子区域对应的第一相关子区域对应的倾斜角,为各个第一缝纫线子区域对应的第二相关子区域对应的倾斜角,r为各个第一缝纫线子区域对应的长宽比,r 1为各个第一缝纫线子区域对应的第一相关子区域对应的长宽比,r 2为各个第一缝纫线子区域对应的第二相关子区域对应的长宽比,为各个第一缝纫线子区域对应的形态特征值。
进一步的,所述第一相关子区域为距离任意一个第一缝纫线子区域最近的两个第一缝纫线子区域的其中一个,所述第二相关子区域为距离所述任意一个第一缝纫线子区域最近的两个第一缝纫线子区域的另外一个。
进一步的,确定各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值以及第四距离值的步骤包括:
根据各个第一缝纫线子区域的各边缘像素点的位置以及各个第一缝纫线子区域对应的第一相关子区域的各边缘像素点的位置,计算各个第一缝纫线子区域的任意一个边缘像素点与对应第一相关子区域的任意一个边缘像素点之间的切比雪夫距离值,将最小的两个切比雪夫距离值作为各个第一缝纫线子区域对应的第一距离值和第二距离值,所述第一距离值小于所述第二距离值;
根据各个第一缝纫线子区域的各边缘像素点的位置以及各个第一缝纫线子区域对应的第二相关子区域的各边缘像素点的位置,计算各个第一缝纫线子区域的任意一个边缘像素点与对应第二相关子区域的任意一个边缘像素点之间的曼哈顿距离值,将最小的两个曼哈顿距离值作为各个第一缝纫线子区域对应的第三距离值和第四距离值,所述第三距离值小于所述第四距离值。
进一步的,根据各个初始缝纫线子区域的形态特征值,判断各个初始缝纫线子区域中是否存在第一缝纫线子区域,包括:
根据各个初始缝纫线子区域的形态特征值,确定所有初始缝纫线子区域对应的极限误差;
若任意一个初始缝纫线子区域的形态特征值在所述极限误差以内,则判定各个初始缝纫线子区域中存在第一缝纫线子区域,并将该初始缝纫线子区域作为第一缝纫线子区域,否则,判定各个初始缝纫线子区域中不存在第一缝纫线子区域。
进一步的,根据各个第一缝纫线子区域的空间分布特征值,判断各个第一缝纫线子区域中是否存在第二缝纫线子区域,包括:
根据各个第一缝纫线子区域的空间分布特征值,确定所有第一缝纫线子区域对应的空间分布特征值的均值,根据所述空间分布特征值的均值,确定所有第一缝纫线子区域对应的分布特征值摆动范围;
若任意一个第一缝纫线子区域的空间分布特征值在分布特征值摆动范围内,则判定各个第一缝纫线子区域中存在第二缝纫线子区域,并将该第一缝纫线子区域作为第二缝纫线子区域,否则,判定各个第一缝纫线子区域中不存在第二缝纫线子区域。
进一步的,根据第二缝纫线子区域的像素点数量,判断待识别缝纫图像中是否存在跳线线头缺陷,包括:
若任意一个第二缝纫线子区域的像素点数量大于或等于距离该第二缝纫线子区域最近的两个第二缝纫线子区域的像素点数量,则判定待识别缝纫图像中存在跳线线头缺陷,否则,判定待识别缝纫图像中不存在跳线线头缺陷。
本发明具有如下有益效果:
本发明提供了一种基于纺织物的线头自动识别方法,该方法通过对识别得到的待识别缝纫图像进行图像处理,得到各个初始缝纫线子区域,各个初始缝纫线子区域是后续进行线头识别的基准数据,确定各个初始缝纫线子区域有助于缩小线头自动识别的范围,提高了纺织物线头识别的效率;为了便于后续判断待识别缝纫图像中是否存在跳线线头缺陷,结合纺织物缝纫线的图像形态特征,对各个初始缝纫线子区域的图像特征信息进行分析,使每个初始缝纫线子区域均有其对应的形态特征值,基于形态特征值对各个初始缝纫线子区域进行分析,判断各个初始缝纫线子区域中是否存在第一缝纫线子区域。若存在,则结合纺织物线头的图像空间分布特征,基于第一缝纫线子区域的图像特征信息,确定各个第一缝纫线子区域的空间分布特征值,空间分布特征值是后续判断各个第一缝纫线子区域中是否存在第二缝纫线子区域的指标值,该指标值有助于提高判断结果的准确性,得到更符合缝纫线特征的第二缝纫线子区域。若存在,则结合纺织物缝纫线跳线的图像特征,根据第二缝纫线子区域的像素点数量,判断待识别缝纫图像中是否存在跳线线头缺陷,该方法通过不同的特征值,对各个初始缝纫线子区域进行分析和筛选,有助于提高线头识别的准确度和参考度;相比现有基于线孔距离的线头识别方法,本发明基于纺织物缝纫线的图像特征提出了一种基于纺织物的线头自动识别方法,该方法一定程度上克服了现有方法受外部光源环境影响的缺陷,识别准确快速,不需要大量样本训练,有效提高了线头自动识别的鲁棒性和准确性。
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为本发明一种基于纺织物的线头自动识别方法的流程图;
图2为本发明的实施例中的缝纫线子区域的示意图。
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效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
平缝是纺织物机缝中最基本、使用最广泛的一种缝型,本实施例对平缝中由跳线导致的线头缺陷进行识别,提出了一种基于纺织物的线头自动识别方法,如图1所示,该方法包括以下步骤:
(1)获取经过图像预处理的待识别缝纫图像,根据待识别缝纫图像,确定待识别缝纫图像中的各个初始缝纫线子区域,其步骤包括:
(1-1)获取经过图像预处理的待识别缝纫图像。
本实施例利用工业相机实时采集待识别缝纫图像,待识别缝纫图像可以是经过缝纫的布料图像,待识别缝纫图像可以为RGB(Red Green Blue,三原色)可见光图像。为了避免噪声等外界因素的干扰对后续确定的初始缝纫线子区域的影响,对待识别缝纫图像进行图像预处理操作,具体为:通过双边滤波算法对待识别缝纫图像进行去噪处理,其在避免噪声干扰的同时,也保留待识别缝纫图像的边缘细节信息。图像预处理包括但不限于双边滤波算法,双边滤波算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(1-2)根据待识别缝纫图像,确定待识别缝纫图像中的各个初始缝纫线子区域。
首先,需要说明的是,平缝的缝纫线可以由不少于2个规整的线条呈一条直线排列在布料上,缝纫线的每个线条均与其相邻的线条存在一定的间距,每个线条可以是独立的个体,单独形成子区域。每个子区域可以由拉紧的缝纫线构成,柔软的缝纫线受拉力的影响绷直,所以每个子区域的形状可以是圆角矩形。为了缩小缝纫线跳线线头的识别范围,避免布料的圆形或其他形状的装饰物对线头识别的干扰,例如扣子等,需要确定待识别缝纫图像中的各个初始缝纫线子区域,其步骤包括:
首先,将待识别缝纫图像转换为灰度图像,对灰度图像使用canny边缘检测算子,获得待识别缝纫图像对应的边缘图像,边缘图像可以为二值图像。选取出边缘图像中的每个闭合边缘,基于每个闭合边缘,获得每个闭合边缘的最小外接矩形,计算每个最小外接矩形的长宽比,该长宽比为长度值与宽度值的比值,最小外接矩形的长度值可以是最小外接矩形的横向像素点数量,最小外接矩形的宽度值可以是最小外接矩形的纵向像素点数量,至此,本实施例得到了每个闭合边缘的最小外接矩形对应的长宽比,将长宽比记为t。灰度化、canny边缘检测算子以及确定最小外接矩形的过程均为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
然后,判断待识别缝纫图像对应的边缘图像中的每个闭合边缘区域是否为初始缝纫线子区域,若任意一个闭合边缘的最小外接矩形对应的长宽比大于预设长宽比阈值,则判定该闭合边缘区域为初始缝纫线子区域,否则,判定该闭合边缘区域不为初始缝纫线子区域,不为初始缝纫线子区域的闭合边缘区域可能为装饰物,预设长宽比阈值可以设置为3,实施者可根据实际情况自行设置。
最后,将每个闭合边缘区域的最小外接矩形对应的长宽比均与预设长宽比阈值比较,可以得到待识别缝纫图像中的各个初始缝纫线子区域,初始缝纫线子区域可能为组成缝纫线的缝纫线子区域,缝纫线子区域的示意图如图2所示。
(2)根据各个初始缝纫线子区域内每个像素点的灰度值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值。
首先,需要说明的是,由于缝纫线子区域的形状可以是圆角矩形,故缝纫线子区域的边缘是圆润、无尖锐角度变化,每个缝纫线子区域在其对应的最小外接矩形内所占据的面积也应该是饱满的。为了得到准确的缝纫线子区域,基于上述对缝纫线子区域的形态特征的描述,根据各个初始缝纫线子区域的图像特征信息,确定各个初始缝纫线子区域的形态特征值,其步骤包括:
(2-1)对各个初始缝纫线子区域进行角点检测,获得各个初始缝纫线子区域对应的角点数量。
在本实施例中,利用FSAT(Features From Accelerated Segment Test,快速的角点检测算法)角点检测算法,对各个初始缝纫线子区域进行角点检测,得到各个初始缝纫线子区域对应的各个角点,基于各个初始缝纫线子区域对应的各个角点,统计各个初始缝纫线子区域对应的角点数量,将各个初始缝纫线子区域对应的角点数量记为n 1。FSAT角点检测算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,缝纫线子区域的形状可以是圆角矩形,所以初始缝纫线子区域对应的角点数量越小,该初始缝纫线子区域越有可能是组成缝纫线的缝纫线子区域。
(2-2)根据各个初始缝纫线子区域,确定各个初始缝纫线子区域对应的最小外接矩形,根据最小外接矩形获得各个初始缝纫线子区域对应的最小外接矩形的像素点数量。
本实施例为了检测各个初始缝纫线子区域的饱满程度,基于各个初始缝纫线子区域,得到各个初始缝纫线子区域对应的最小外接矩形,根据各个初始缝纫线子区域对应的最小外接矩形内的各个像素点,统计最小外接矩形的像素点数量。至此,本实施例得到了各个初始缝纫线子区域对应的最小外接矩形的像素点数量,将各个初始缝纫线子区域对应的最小外接矩形的像素点数量记为n 3。确定最小外接矩形的实现过程为现有技术,此处不再进行详细阐述。
(2-3)将各个初始缝纫线子区域内的所有像素点与直线方程进行拟合处理,获得各个初始缝纫线子区域对应的拟合优度。
在本实施例中,由于组成缝纫线的各个缝纫线子区域是呈直线排列分布形式进行排列,为了检测各个初始缝纫线子区域与直线的拟合程度,确定各个初始缝纫线子区域的分布排列状态,将各个初始缝纫线子区域内的所有像素点与直线方程进行拟合处理,得到各个初始缝纫线子区域对应的拟合优度,将拟合优度记为R。拟合优度的确定过程为现有技术,此处不再进行详细阐述。
(2-4)根据各个初始缝纫线子区域内每个像素点的灰度值,确定各个初始缝纫线子区域对应的灰度共生矩阵,根据灰度共生矩阵获得各个初始缝纫线子区域对应的能量值。
需要说明的是,缝纫线子区域可以为同一根缝纫线形成的区域,缝纫线子区域的纹理应是较为规律和均匀的,故缝纫线子区域对应的能量值也应较大。为了检测各个初始缝纫线子区域的纹理分布状态,需要获得各个初始缝纫线子区域对应的能量值。为了便于后续的计算,对各个初始缝纫线子区域对应的能量值进行归一化处理,归一化处理后的能量值的取值范围为0到1,将归一化处理后的能量值记为ASM。确定能量值的过程和归一化过程均为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2-5)根据各个初始缝纫线子区域对应的角点数量、最小外接矩形的像素点数量、拟合优度、能量值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值。
在本实施例中,计算各个初始缝纫线子区域的形态特征值的计算公式可以为:
其中,mcv为各个初始缝纫线子区域的形态特征值,n 1为各个初始缝纫线子区域对应的角点数量,n 2为各个初始缝纫线子区域的像素点数量,n 3为各个初始缝纫线子区域对应的最小外接矩形的像素点数量,R为各个初始缝纫线子区域对应的拟合优度,a 1为超参数,ASM为各个初始缝纫线子区域对应的能量值。
形态特征值计算公式中的是指初始缝纫线子区域的像素点数量在其对应的最小外接矩形的像素点数量中的占比,该占比越大,表明该初始缝纫线子区域在其对应的最小外接矩形内占据的面积越饱满,该初始缝纫线子区域越有可能是组成缝纫线的缝纫线子区域;初始缝纫线子区域对应的拟合优度R、能量值ASM与形态特征值mcv为正相关,拟合优度R和能量值ASM越大,也就是该初始缝纫线子区域的分布越接近于直线且排列分布越均匀规律,形态特征值mcv就会越大,该初始缝纫线子区域越可能是组成缝纫线的缝纫线子区域;初始缝纫线子区域对应的角点数量n 1与形态特征值mcv为负相关,角点数量n 1越小,也就是该初始缝纫线子区域越圆润,形态特征值mcv就会越大,超参数a 1的作用是为了防止分母为零导致形态特征值公式无意义,超参数a 1的经验值为1。当某个初始缝纫线子区域越符合组成缝纫线的缝纫线子区域的形态特征时,该初始缝纫线子区域为缝纫线子区域的可能性就会越大。
(3)根据各个初始缝纫线子区域的形态特征值,判断各个初始缝纫线子区域中是否存在第一缝纫线子区域,若存在,则根据各个初始缝纫线子区域的形态特征值、各个第一缝纫线子区域内的每个像素点以及每个像素点的位置,确定各个第一缝纫线子区域的空间分布特征值。
(3-1)根据各个初始缝纫线子区域的形态特征值,判断各个初始缝纫线子区域中是否存第一缝纫线子区域,其步骤包括:
(3-1-1)根据各个初始缝纫线子区域的形态特征值,确定所有初始缝纫线子区域对应的极限误差。
在本实施例中,为了便于后续确定第一缝纫线子区域,使用拉依达准则对各个初始缝纫线子区域的形态特征值进行分析,可以得到所有初始缝纫线子区域对应的极限误差。拉依达准则的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3-1-2)若任意一个初始缝纫线子区域的形态特征值在极限误差以内,则判定各个初始缝纫线子区域中存在第一缝纫线子区域,并将该初始缝纫线子区域作为第一缝纫线子区域,否则,判定各个初始缝纫线子区域中不存在第一缝纫线子区域。
本实施例基于各个初始缝纫线子区域的形态特征值以及极限误差,判断各个初始缝纫线子区域的形态特征值是否在极限误差以内,若存在形态特征值在极限误差以内的初始缝纫线子区域,则筛选出在极限误差以内的初始缝纫线子区域,将在极限误差以内的初始缝纫线子区域作为第一缝纫线子区域,将在极限误差以外的初始缝纫线子区域作为异常子区域,该异常子区域可以是形态特征不符合缝纫线子区域的干扰区域。若不存在形态特征值在极限误差以内的初始缝纫线子区域,则说明待识别缝纫图像中的缝纫线存在极大故障,应该对待识别缝纫线进行及时检查并处理故障。至此,本实施例得到了各个初始缝纫线子区域中的第一缝纫线子区域,第一缝纫线子区域是指形态特征基本符合缝纫线子区域的初始缝纫线子区域。
需要说明的是,组成缝纫线的各缝纫线子区域是连续分布的,故若各个初始缝纫线子区域中存在第一缝纫线子区域,第一缝纫线子区域的数量至少为2个,为了提高线头识别的效率,后续本实施例将不考虑缝纫线的线端处和线尾处的第一缝纫线子区域。
(3-2)若存在,根据各个初始缝纫线子区域的形态特征值、各个第一缝纫线子区域内的每个像素点以及每个像素点的位置,确定各个第一缝纫线子区域的空间分布特征值。
首先,需要说明的是,在同一条缝纫线上的各个缝纫线子区域的方向应该基本保持一致,在空间位置上也需要保持一致。缝纫线在纺织物上呈现线性排列,故每个缝纫线子区域与相邻的缝纫线子区域的间距一致,长宽比差异一致。若各个初始缝纫线子区域中存在第一缝纫线子区域,基于上述缝纫线的空间分布特征的描述,根据各个第一缝纫线子区域的图像特征信息,确定各个第一缝纫线子区域的空间分布特征值,其步骤包括:
(3-2-1)获取各个第一缝纫线子区域对应的第一相关子区域和第二相关子区域,根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域的各边缘像素点的位置,确定各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值以及第四距离值,其步骤包括:
为了确定各个第一缝纫线子区域与其相邻的第一缝纫线子区域之间的间距情况,先获取各个第一缝纫线子区域对应的第一相关子区域和第二相关子区域。具体为:基于待识别缝纫图像中各个第一缝纫线子区域的排列顺序,确定各个第一缝纫线子区域对应的距离最近的两个第一缝纫线子区域。将第k个第一缝纫线子区域对应的距离最近的其中一个第一缝纫线子区域作为该第一缝纫线子区域的第一相关子区域,也就是第一相关子区域为距离任意一个第一缝纫线子区域最近的两个第一缝纫线子区域的其中一个;将第k个第一缝纫线子区域对应的距离最近的另外一个第一缝纫线子区域作为该第一缝纫线子区域的第二相关子区域,也就是第二相关子区域为距离任意一个第一缝纫线子区域最近的两个第一缝纫线子区域的另外一个,k可以为1、2、3…。在本实施例中,第一相关区域为距离第k个第一缝纫线子区域第一最近的第一缝纫线子区域,第二相关区域为距离第k个第一缝纫线子区域第二最近的第一缝纫线子区域。
然后,根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域的各边缘像素点的位置,确定各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值以及第四距离值,其步骤包括:
(3-2-1-1)根据各个第一缝纫线子区域的各边缘像素点的位置以及各个第一缝纫线子区域对应的第一相关子区域的各边缘像素点的位置,计算各个第一缝纫线子区域的任意一个边缘像素点与对应第一相关子区域的任意一个边缘像素点之间的切比雪夫距离值,将最小的两个切比雪夫距离值作为各个第一缝纫线子区域对应的第一距离值和第二距离值,第一距离值小于第二距离值。
(3-2-1-2)根据各个第一缝纫线子区域的各边缘像素点的位置以及各个第一缝纫线子区域对应的第二相关子区域的各边缘像素点的位置,计算各个第一缝纫线子区域的任意一个边缘像素点与对应第二相关子区域的任意一个边缘像素点之间的曼哈顿距离值,将最小的两个曼哈顿距离值作为各个第一缝纫线子区域对应的第三距离值和第四距离值,第三距离值小于第四距离值。
基于步骤(3-2-1-1)和步骤(3-2-1-2),由于在二维的空间位置上的度量仅有一个方向是无法准确度量的,所以本实施例可以从各两个角度方向来计算相邻第一缝纫线子区域之间的间距大小,与仅计算像相邻第一缝纫线子区域之间的欧式距离相比,切比雪夫距离值和曼哈顿距离值更能从不同的方向准确地确定相邻第一缝纫线子区域之间的实际间距,可以提高后续所确定的各个第一缝纫线子区域的形态特征值的准确度和参考性。计算两个像素点之间的切比雪夫距离值和曼哈顿距离值的计算过程均为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3-2-2)根据各个初始缝纫线子区域的形态特征值,确定各个第一缝纫线子区域的形态特征值。
在本实施例中,为了提高后续确定的空间分布特征值的准确性,需要考虑各个第一缝纫线子区域的形态符合程度。由于各个第一缝纫线子区域为形态特征值在极限误差以内的初始缝纫线子区域,基于各个初始缝纫线子区域的形态特征值的形态特征值,可以得到各个第一缝纫线子区域的形态特征值。
(3-2-3)根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内最大横向像素点个数、最大纵向像素点个数,确定各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比。
在本实施例中,将子区域内最大横向像素点个数作为各子区域的长度值,将子区域内最大纵向像素点个数作为各子区域的宽度值,该子区域可以为第一缝纫线子区域、第一缝纫线子区域的第一相关子区域或第一缝纫线子区域的第二相关子区域。基于各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内最大横向像素点个数、最大纵向像素点个数,可以计算各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长度值与宽度值的比值,将该比值作为长宽比,得到各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比。
(3-2-4)将各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内的所有像素点与直线方程进行拟合处理,获得各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的倾斜角。
为了检测各个第一缝纫线子区域与其对应的第一相关子区域、第二相关子区域的空间位置变化程度,需要获得各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的倾斜角。计算倾斜角的过程的为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3-2-5)根据各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值、第四距离值、形态特征值以及各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比、倾斜角,确定各个第一缝纫线子区域的空间分布特征值。
在本实施例中,计算各个第一缝纫线子区域的空间分布特征值的计算公式可以为:
其中,sts为各个第一缝纫线子区域的空间分布特征值,d 1为各个第一缝纫线子区域对应的第一距离值,d 2为各个第一缝纫线子区域对应的第二距离值,d 3为各个第一缝纫线子区域对应的第三距离值,d 4为各个第一缝纫线子区域对应的第四距离值,为各个第一缝纫线子区域对应的倾斜角,为各个第一缝纫线子区域对应的第一相关子区域对应的倾斜角,为各个第一缝纫线子区域对应的第二相关子区域对应的倾斜角,r为各个第一缝纫线子区域对应的长宽比,r 1为各个第一缝纫线子区域对应的第一相关子区域对应的长宽比,r 2为各个第一缝纫线子区域对应的第二相关子区域对应的长宽比,为各个第一缝纫线子区域对应的形态特征值。
需要说明的是,空间分布特征值的计算公式中的可以表征第一缝纫线子区域与其对应的第一相关子区域和第二相关子区域之间的间距差值,该间距差值与空间分布特征值sts为负相关,间距差值越大,越能说明该第一缝纫线子区域的空间分布比较偏离。可以表征第一缝纫线子区域与其对应的第一相关子区域和第二相关子区域之间的倾斜角差异之和,该倾斜角差异之和与空间分布特征值sts为负相关,该倾斜角差异之和越大,越能说明该第一缝纫线子区域以其对应的第一相关子区域和第二相关子区域不是呈一条直线排列形式分布的。可以表征为第一缝纫线子区域与其对应的第一相关子区域和第二相关子区域之间的长宽比差异之和,该长宽比差异之和与空间分布特征值sts为负相关,该长宽比差异之和越大,越能说明该第一缝纫线子区域空间分布越不符合缝纫线子区域的分布特征。与空间分布特征值sts为正相关,形态特征值越大,空间空间分布特征值sts就会越大。
当任意一个第一缝纫线子区域与其对应的第一相关子区域和第二相关子区域之间的空间位置变化越一致时,该第一缝纫线子区域的空间分布特征值就会越大,该第一缝纫线子区域就越有可能为组成缝纫线的缝纫线子区域。
(4)根据各个第一缝纫线子区域的空间分布特征值,判断各个第一缝纫线子区域中是否存在第二缝纫线子区域,若存在,则获取第二缝纫线子区域的像素点数量,并根据第二缝纫线子区域的像素点数量,判断待识别缝纫图像中是否存在跳线线头缺陷,其步骤包括:
(4-1)根据各个第一缝纫线子区域的空间分布特征值,判断各个第一缝纫线子区域中是否存在第二缝纫线子区域,其步骤包括:
(4-1-1)根据各个第一缝纫线子区域的空间分布特征值,确定所有第一缝纫线子区域对应的空间分布特征值的均值,根据空间分布特征值的均值,确定所有第一缝纫线子区域对应的分布特征值摆动范围。
在本实施例中,基于步骤(3-2-5)得到的各个第一缝纫线子区域的空间分布特征值,计算所有第一缝纫线子区域对应的空间分布特征值的均值,将该均值记为。为了提高后续判断各个第一缝纫线子区域中是否存在第二缝纫线子区域的判断结果的准确性,本实施例基于空间分布特征值的均值,自适应地确定分布特征值摆动范围,分布特征值摆动范围可以为,a 2为超参数,经验值为0.25,为所有第一缝纫线子区域对应的空间分布特征值的均值。
(4-1-2)若任意一个第一缝纫线子区域的空间分布特征值在分布特征值摆动范围内,则判定各个第一缝纫线子区域中存在第二缝纫线子区域,并将该第一缝纫线子区域作为第二缝纫线子区域,否则,判定各个第一缝纫线子区域中不存在第二缝纫线子区域。
在本实施例中,第二缝纫线子区域为形状一致程度和空间分布特征均与标准缝纫线子区域较为符合的初始缝纫线子区域,相比初始缝纫线子区域和第一缝纫线子区域,第二缝纫线子区域为组成缝纫线的缝纫线子区域的可能性最大。当各个第一缝纫线子区域中不存在第二缝纫线子区域时,可以说明待识别缝纫图像中的缝纫线子区域分布极为混乱,不存在与标准缝纫线子区域的空间分布位置较为吻合的第一缝纫线子区域。
(4-2)若存在,则获取第二缝纫线子区域的像素点数量,并根据第二缝纫线子区域内所有像素点的数量,判断待识别缝纫图像中是否存在跳线线头缺陷。
若各个第一缝纫线子区域中存在第二缝纫线子区域,则获取第二缝纫线子区域的像素点数量。由于第二缝纫线子区域是从各个第一缝纫线子区域中筛选得到的,而各个第一缝纫线子区域是从各个初始缝纫线子区域中筛选得到的,若各个第一缝纫线子区域中存在第二缝纫线子区域,则从各个初始缝纫线子区域中找到第二缝纫线子区域,基于各个初始缝纫线子区域的像素点数量,获得第二缝纫线子区域的像素点数量。
需要说明的是,纺织物的缝纫线跳线是指缝纫机在缝合过程中,机床底部的钩子无法勾住缝纫线或缝纫线被勾住后又滑脱,无法连续形成线步的一种现象,所以跳线位置处的缝纫线子区域的长度至少为两个正常缝纫线子区域,若某个第二缝纫线子区域为跳线线头处,距离该第二缝纫线子区域最近的两个第二缝纫线子区域可以为正常缝纫线子区域。
在本实施例中,若任意一个第二缝纫线子区域的像素点数量大于或等于距离该第二缝纫线子区域最近的两个第二缝纫线子区域的像素点数量,则判定待识别缝纫图像中存在跳线线头缺陷,说明该第二缝纫线子区域为缝纫线跳线产生的线头区域,否则,判定待识别缝纫图像中不存在跳线线头缺陷。
至此,本实施例利用图像数据处理技术,实现了对纺织物中的缝纫线进行线头自动识别。
以上所述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范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于纺织物的线头自动识别方法,其特征在于,包括以下步骤:
获取经过图像预处理的待识别缝纫图像,根据所述待识别缝纫图像,确定待识别缝纫图像中的各个初始缝纫线子区域;
根据各个初始缝纫线子区域内每个像素点的灰度值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值;
根据各个初始缝纫线子区域的形态特征值,判断各个初始缝纫线子区域中是否存在第一缝纫线子区域;若存在,则根据各个初始缝纫线子区域的形态特征值、各个第一缝纫线子区域内的每个像素点以及每个像素点的位置,确定各个第一缝纫线子区域的空间分布特征值;
根据各个第一缝纫线子区域的空间分布特征值,判断各个第一缝纫线子区域中是否存在第二缝纫线子区域;若存在,则获取第二缝纫线子区域的像素点数量,并根据第二缝纫线子区域的像素点数量,判断待识别缝纫图像中是否存在跳线线头缺陷。
2.根据权利要求1所述的一种基于纺织物的线头自动识别方法,其特征在于,根据各个初始缝纫线子区域内每个像素点的灰度值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值,包括:
对各个初始缝纫线子区域进行角点检测,获得各个初始缝纫线子区域对应的角点数量;
根据各个初始缝纫线子区域,确定各个初始缝纫线子区域对应的最小外接矩形,根据所述最小外接矩形获得各个初始缝纫线子区域对应的最小外接矩形的像素点数量;
将各个初始缝纫线子区域内的所有像素点与直线方程进行拟合处理,获得各个初始缝纫线子区域对应的拟合优度;
根据各个初始缝纫线子区域内每个像素点的灰度值,确定各个初始缝纫线子区域对应的灰度共生矩阵,根据灰度共生矩阵获得各个初始缝纫线子区域对应的能量值;
根据各个初始缝纫线子区域对应的角点数量、最小外接矩形的像素点数量、拟合优度、能量值以及各个初始缝纫线子区域的像素点数量,确定各个初始缝纫线子区域的形态特征值。
4.根据权利要求1所述的一种基于纺织物的线头自动识别方法,其特征在于,根据各个初始缝纫线子区域的形态特征值、各个第一缝纫线子区域内的每个像素点以及每个像素点的位置,确定各个第一缝纫线子区域的空间分布特征值,包括:
获取各个第一缝纫线子区域对应的第一相关子区域和第二相关子区域,根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域的各边缘像素点的位置,确定各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值以及第四距离值;
根据各个初始缝纫线子区域的形态特征值,确定各个第一缝纫线子区域的形态特征值;
根据各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内最大横向像素点个数、最大纵向像素点个数,确定各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比;
将各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域内的所有像素点与直线方程进行拟合处理,获得各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的倾斜角;
根据各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值、第四距离值、形态特征值以及各个第一缝纫线子区域及其对应的第一相关子区域和第二相关子区域对应的长宽比、倾斜角,确定各个第一缝纫线子区域的空间分布特征值。
5.根据权利要求4所述的一种基于纺织物的线头自动识别方法,其特征在于,所述空间分布特征值的计算公式为:
6.根据权利要求4所述的一种基于纺织物的线头自动识别方法,其特征在于,所述第一相关子区域为距离任意一个第一缝纫线子区域最近的两个第一缝纫线子区域的其中一个,所述第二相关子区域为距离所述任意一个第一缝纫线子区域最近的两个第一缝纫线子区域的另外一个。
7.根据权利要求4所述的一种基于纺织物的线头自动识别方法,其特征在于,确定各个第一缝纫线子区域对应的第一距离值、第二距离值、第三距离值以及第四距离值的步骤包括:
根据各个第一缝纫线子区域的各边缘像素点的位置以及各个第一缝纫线子区域对应的第一相关子区域的各边缘像素点的位置,计算各个第一缝纫线子区域的任意一个边缘像素点与对应第一相关子区域的任意一个边缘像素点之间的切比雪夫距离值,将最小的两个切比雪夫距离值作为各个第一缝纫线子区域对应的第一距离值和第二距离值,所述第一距离值小于所述第二距离值;
根据各个第一缝纫线子区域的各边缘像素点的位置以及各个第一缝纫线子区域对应的第二相关子区域的各边缘像素点的位置,计算各个第一缝纫线子区域的任意一个边缘像素点与对应第二相关子区域的任意一个边缘像素点之间的曼哈顿距离值,将最小的两个曼哈顿距离值作为各个第一缝纫线子区域对应的第三距离值和第四距离值,所述第三距离值小于所述第四距离值。
8.根据权利要求1所述的一种基于纺织物的线头自动识别方法,其特征在于,根据各个初始缝纫线子区域的形态特征值,判断各个初始缝纫线子区域中是否存在第一缝纫线子区域,包括:
根据各个初始缝纫线子区域的形态特征值,确定所有初始缝纫线子区域对应的极限误差;
若任意一个初始缝纫线子区域的形态特征值在所述极限误差以内,则判定各个初始缝纫线子区域中存在第一缝纫线子区域,并将该初始缝纫线子区域作为第一缝纫线子区域,否则,判定各个初始缝纫线子区域中不存在第一缝纫线子区域。
9.根据权利要求1所述的一种基于纺织物的线头自动识别方法,其特征在于,根据各个第一缝纫线子区域的空间分布特征值,判断各个第一缝纫线子区域中是否存在第二缝纫线子区域,包括:
根据各个第一缝纫线子区域的空间分布特征值,确定所有第一缝纫线子区域对应的空间分布特征值的均值,根据所述空间分布特征值的均值,确定所有第一缝纫线子区域对应的分布特征值摆动范围;
若任意一个第一缝纫线子区域的空间分布特征值在分布特征值摆动范围内,则判定各个第一缝纫线子区域中存在第二缝纫线子区域,并将该第一缝纫线子区域作为第二缝纫线子区域,否则,判定各个第一缝纫线子区域中不存在第二缝纫线子区域。
10.根据权利要求1所述的一种基于纺织物的线头自动识别方法,其特征在于,根据第二缝纫线子区域的像素点数量,判断待识别缝纫图像中是否存在跳线线头缺陷,包括:
若任意一个第二缝纫线子区域的像素点数量大于或等于距离该第二缝纫线子区域最近的两个第二缝纫线子区域的像素点数量,则判定待识别缝纫图像中存在跳线线头缺陷,否则,判定待识别缝纫图像中不存在跳线线头缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417018.2A CN115471504B (zh) | 2022-11-14 | 2022-11-14 | 一种基于纺织物的线头自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417018.2A CN115471504B (zh) | 2022-11-14 | 2022-11-14 | 一种基于纺织物的线头自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471504A true CN115471504A (zh) | 2022-12-13 |
CN115471504B CN115471504B (zh) | 2023-02-10 |
Family
ID=84338134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211417018.2A Active CN115471504B (zh) | 2022-11-14 | 2022-11-14 | 一种基于纺织物的线头自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471504B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173162A (zh) * | 2023-11-01 | 2023-12-05 | 南通杰元纺织品有限公司 | 一种纺织品瑕疵检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021184665A1 (zh) * | 2020-03-19 | 2021-09-23 | 苏州科瓴精密机械科技有限公司 | 自动工作系统、自动行走设备及其控制方法及计算机可读存储介质 |
WO2021213223A1 (zh) * | 2020-04-20 | 2021-10-28 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测方法、装置、系统及电子设备 |
CN115100206A (zh) * | 2022-08-26 | 2022-09-23 | 南通永安纺织有限公司 | 用于具有周期图案纺织物的印花缺陷识别方法 |
CN115131358A (zh) * | 2022-09-01 | 2022-09-30 | 南通永安纺织有限公司 | 一种被套缝线缺陷识别方法 |
CN115311310A (zh) * | 2022-10-10 | 2022-11-08 | 江苏欧罗曼家纺有限公司 | 通过图割实现纺织品印花图案提取的方法 |
-
2022
- 2022-11-14 CN CN202211417018.2A patent/CN115471504B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021184665A1 (zh) * | 2020-03-19 | 2021-09-23 | 苏州科瓴精密机械科技有限公司 | 自动工作系统、自动行走设备及其控制方法及计算机可读存储介质 |
WO2021213223A1 (zh) * | 2020-04-20 | 2021-10-28 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测方法、装置、系统及电子设备 |
CN115100206A (zh) * | 2022-08-26 | 2022-09-23 | 南通永安纺织有限公司 | 用于具有周期图案纺织物的印花缺陷识别方法 |
CN115131358A (zh) * | 2022-09-01 | 2022-09-30 | 南通永安纺织有限公司 | 一种被套缝线缺陷识别方法 |
CN115311310A (zh) * | 2022-10-10 | 2022-11-08 | 江苏欧罗曼家纺有限公司 | 通过图割实现纺织品印花图案提取的方法 |
Non-Patent Citations (1)
Title |
---|
高举 等: "基于机器视觉编织袋缝合缺陷识别与检测", 《包装与食品机械》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173162A (zh) * | 2023-11-01 | 2023-12-05 | 南通杰元纺织品有限公司 | 一种纺织品瑕疵检测方法及系统 |
CN117173162B (zh) * | 2023-11-01 | 2024-02-13 | 南通杰元纺织品有限公司 | 一种纺织品瑕疵检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115471504B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239076B (zh) | 一种基于机器视觉的缝纫线迹缺陷检测方法 | |
CN113658133B (zh) | 一种基于图像处理的齿轮表面缺陷检测方法及系统 | |
CN115471504B (zh) | 一种基于纺织物的线头自动识别方法 | |
CN116152133B (zh) | 基于人工智能的混纺缺陷检测方法 | |
JPH04240261A (ja) | 画像認識装置及び柄合せ裁断装置 | |
CN114998227A (zh) | 基于图像处理的布匹印染缺陷检测方法及系统 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN109829906A (zh) | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 | |
CN115311310B (zh) | 通过图割实现纺织品印花图案提取的方法 | |
CN105550660A (zh) | 一种机织物组织结构种类的识别方法 | |
CN114219794A (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
US20200143099A1 (en) | Wafer-to-design image analysis (wdia) system | |
Härtl et al. | Robust and efficient object recognition for a humanoid soccer robot | |
CN113936001B (zh) | 一种基于图像处理技术的纺织品表面瑕疵点检测方法 | |
CN112119360B (zh) | 用于自动切割软性片材的方法和相关数控设备 | |
CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
CN115496762B (zh) | 一种基于纺织工艺的染色不良缺陷识别方法 | |
CN116894840B (zh) | 纺纱打样机产品质量检测方法及系统 | |
CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
CN109165650B (zh) | 印花织物图像最小重复单元自动检测方法 | |
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 | |
CN114612384B (zh) | 一种运动护具外观材料缺陷检测方法及系统 | |
KR20230139164A (ko) | 목재 및 목재 제품 표면의 결함검출방법 | |
CN115115632B (zh) | 一种纺织品接缝滑移检测伴随现象的分析方法 |
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 |