CN115496762A - 一种基于纺织工艺的染色不良缺陷识别方法 - Google Patents
一种基于纺织工艺的染色不良缺陷识别方法 Download PDFInfo
- Publication number
- CN115496762A CN115496762A CN202211452149.4A CN202211452149A CN115496762A CN 115496762 A CN115496762 A CN 115496762A CN 202211452149 A CN202211452149 A CN 202211452149A CN 115496762 A CN115496762 A CN 115496762A
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- pixel point
- pixel points
- target
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- 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
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (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工艺的染色不良缺陷识别方法,该方法包括:获取待检测纺织品的表面染色图像,对表面染色图像进行预处理;从目标表面染色图像中筛选出亮色区域集合;对亮色区域中的像素点进行直线拟合处理;从亮色区域集合中筛选出缺陷可能区域集合;对缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理;生成待检测纺织品对应的目标缺陷信息。因此,本发明通过对表面染色图像进行数据处理,解决了对纺织品表面染色进行缺陷识别的效率低下的技术问题,提高了对纺织品表面染色进行缺陷识别的效率,主要应用于对纺织品表面染色进行缺陷识别。
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工艺的染色不良缺陷识别方法。
背景技术
随着科技的进步和生活水平的提高,纺织品的印刷染色被广泛应用于汽车内饰、地毯、条幅、服饰装饰品等。人们对于这些纺织品的染色质量要求也越来越高。然而露白瑕疵是在染色过程中最常见也是最难以杜绝的染色缺陷。因此,对纺织品表面染色进行缺陷识别至关重要。目前,对纺织品表面进行缺陷识别时,通常采用的方式为:通过神经网络,对纺织品表面进行缺陷识别。
然而,当采用神经网络,对纺织品表面染色进行缺陷识别时,经常会存在如下技术问题:
训练神经网络时,往往需要大量存在露白瑕疵的纺织品图像和无瑕疵的纺织品图像,这些图像的收集往往需要耗费大量的时间,并且训练神经网络的时间往往也较长,因此,往往导致对纺织品表面染色的缺陷识别的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对纺织品表面染色的缺陷识别的效率低下的技术问题,本发明提出了一种基于纺织工艺的染色不良缺陷识别方法。
本发明提供了一种基于纺织工艺的染色不良缺陷识别方法,该方法包括:
获取待检测纺织品的表面染色图像,对所述表面染色图像进行预处理,得到目标表面染色图像,其中,所述预处理包括:灰度化;
根据所述目标表面染色图像中的像素点对应的灰度值和位置,从所述目标表面染色图像中筛选出亮色区域集合;
对于所述亮色区域集合中的每个亮色区域,对所述亮色区域中的像素点进行直线拟合处理,得到所述亮色区域对应的拟合优度;
根据所述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从所述亮色区域集合中筛选出缺陷可能区域集合;
对所述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到所述缺陷可能区域对应的整体缺陷显著度;
根据所述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成所述待检测纺织品对应的目标缺陷信息。
进一步的,所述对所述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到所述缺陷可能区域对应的整体缺陷显著度,包括:
根据所述缺陷可能区域集合中的像素点对应的灰度值,对所述缺陷可能区域集合中的像素点进行降序排序,得到像素点序列;
将所述像素点序列中预先设置的预设位置处的像素点对应的灰度值,确定为目标灰度值;
根据所述目标灰度值和所述缺陷可能区域集合中的每个像素点对应的预先设置的目标窗口,确定所述像素点对应的缺陷微观聚集度;
对所述缺陷可能区域集合中的每个像素点对应的缺陷微观聚集度进行归一化,得到所述像素点对应的归一化微观聚集度;
对所述缺陷可能区域集合中的每个缺陷可能区域进行宏观缺陷分析处理,得到所述缺陷可能区域对应的宏观缺陷指标;
根据所述缺陷可能区域集合中的每个像素点对应的目标窗口,对所述像素点进行色度差异分析处理,得到所述像素点对应的色度差异度;
根据所述缺陷可能区域集合中的每个像素点对应的色度差异度、所述像素点对应的归一化微观聚集度和所述像素点所在的缺陷可能区域对应的宏观缺陷指标,确定所述像素点对应的缺陷瑕疵显著度;
根据所述缺陷可能区域集合中的每个缺陷可能区域中的各个像素点对应的缺陷瑕疵显著度,确定所述缺陷可能区域对应的整体缺陷显著度。
进一步的,所述对所述缺陷可能区域集合中的每个缺陷可能区域进行宏观缺陷分析处理,得到所述缺陷可能区域对应的宏观缺陷指标,包括:
对所述缺陷可能区域中的像素点进行主成分分析,得到所述缺陷可能区域对应的主成分方向和目标特征区域;
根据所述缺陷可能区域对应的主成分方向,建立所述缺陷可能区域对应的目标直角坐标系;
在所述缺陷可能区域对应的目标直角坐标系下,确定所述缺陷可能区域对应的目标特征区域中任意两个像素点对应的目标坐标包括的横坐标的差值的绝对值,作为横坐标差异,得到所述缺陷可能区域对应的横坐标差异集合;
从所述缺陷可能区域对应的横坐标差异集合中筛选出最大的横坐标差异,作为所述缺陷可能区域对应的横差值;
在所述缺陷可能区域对应的目标直角坐标系下,确定所述缺陷可能区域对应的目标特征区域中任意两个像素点对应的目标坐标包括的纵坐标的差值的绝对值,作为纵坐标差异,得到所述缺陷可能区域对应的纵坐标差异集合;
从所述缺陷可能区域对应的纵坐标差异集合中筛选出最大的纵坐标差异,作为所述缺陷可能区域对应的纵差值;
根据所述缺陷可能区域中像素点对应的灰度值,确定所述缺陷可能区域对应的行程百分比;
根据所述缺陷可能区域对应的行程百分比、横差值和纵差值,确定所述缺陷可能区域对应的宏观缺陷指标。
进一步的,所述根据所述缺陷可能区域集合中的每个像素点对应的目标窗口,对所述像素点进行色度差异分析处理,得到所述像素点对应的色度差异度,包括:
从所述像素点对应的目标窗口中各个像素点对应的灰度值中筛选出最大的灰度值和最小的灰度值,作为所述像素点对应的最大灰度值和最小灰度值;
将所述像素点对应的目标窗口中各个像素点对应的灰度值的标准差,确定为所述像素点对应的像素标准差;
根据所述像素点对应的像素标准差、最大灰度值和最小灰度值,确定所述像素点对应的色度差异度。
进一步的,所述根据所述缺陷可能区域集合中的每个缺陷可能区域中的各个像素点对应的缺陷瑕疵显著度,确定所述缺陷可能区域对应的整体缺陷显著度,包括:
对所述缺陷可能区域中的每个像素点对应的缺陷瑕疵显著度进行归一化,得到所述像素点对应的归一化瑕疵;
当所述缺陷可能区域中的像素点对应的归一化瑕疵小于或等于预先设置的第一瑕疵阈值时,将像素点,确定为正常像素点;
当所述缺陷可能区域中的像素点对应的归一化瑕疵大于第一瑕疵阈值,并且不大于预先设置的第二瑕疵阈值时,将像素点,确定为微小瑕疵像素点;
当所述缺陷可能区域中的像素点对应的归一化瑕疵大于第二瑕疵阈值,并且不大于预先设置的第三瑕疵阈值时,将像素点,确定为中度瑕疵像素点;
当所述缺陷可能区域中的像素点对应的归一化瑕疵大于第三瑕疵阈值时,将像素点,确定为重度瑕疵像素点;
根据预先设置的正常权重、微小权重、中度权重和重度权重,以及所述缺陷可能区域中像素点的数量、正常像素点的数量、微小瑕疵像素点的数量、中度瑕疵像素点的数量和重度瑕疵像素点的数量,确定所述缺陷可能区域对应的整体缺陷显著度。
进一步的,所述根据所述目标表面染色图像中的像素点对应的灰度值和位置,从所述目标表面染色图像中筛选出亮色区域集合,包括:
将所述目标表面染色图像中对应的灰度值大于或等于预先设置的亮色阈值的像素点,确定为亮色像素点;
根据所述目标表面染色图像中的各个亮色像素点对应的位置,确定亮色像素点之间的欧式距离;
根据亮色像素点之间的欧式距离和预先设置的距离阈值,确定亮色区域集合。
进一步的,所述根据所述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从所述亮色区域集合中筛选出缺陷可能区域集合,包括:
当亮色区域对应的拟合优度大于预先设置的拟合优度阈值或者亮色区域中像素点的数量小于预先设置的数量阈值时,将亮色区域,确定为缺陷可能区域。
进一步的,所述根据所述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成所述待检测纺织品对应的目标缺陷信息,包括:
当缺陷可能区域对应的整体缺陷显著度大于预先设置的整体缺陷阈值时,将缺陷可能区域,确定为真实缺陷区域;
当缺陷可能区域对应的整体缺陷显著度小于或等于整体缺陷阈值时,将缺陷可能区域,确定为正常区域;
根据所述目标表面染色图像中真实缺陷区域的数量和正常区域的数量,以及真实缺陷区域的位置和正常区域的位置,生成所述待检测纺织品对应的目标缺陷信息。
进一步的,所述根据所述目标灰度值和所述缺陷可能区域集合中的每个像素点对应的预先设置的目标窗口,确定所述像素点对应的缺陷微观聚集度,包括:
确定所述像素点对应的目标窗口中灰度值大于或等于所述目标灰度值的像素点的数量,作为所述像素点对应的目标数量;
根据所述目标灰度值、所述像素点对应的目标数量和所述像素点对应的目标窗口中各个像素点对应的灰度值,确定所述像素点对应的缺陷微观聚集度。
本发明具有如下有益效果:
本发明的一种基于纺织工艺的染色不良缺陷识别方法,通过对表面染色图像进行数据处理,解决了对纺织品表面染色进行缺陷识别的效率低下的技术问题,提高了对纺织品表面染色进行缺陷识别的效率。首先,获取待检测纺织品的表面染色图像,对上述表面染色图像进行预处理,得到目标表面染色图像,其中,上述预处理包括:灰度化。实际情况中,往往存在人工的方式对纺织品表面进行缺陷识别。当采用人工的方式,对纺织品表面进行缺陷识别时,往往是通过主观目测法进行检测识别,由于主观目测法受人为经验影响较大且耗时往往较长,作出的识别判断往往不准确且效率低下,所以,当采用人工的方式对纺织品表面进行缺陷识别时,往往会导致对纺织品表面进行缺陷识别的准确度和效率低下。实际情况中,往往还存在通过模板匹配法,对纺织品表面进行缺陷识别,由于模板匹配法受模板影响较大且对噪声和光照等因素过于敏感,往往会导致对纺织品表面进行缺陷识别的准确度低下。现有还存在通过神经网络,对纺织品表面进行缺陷识别,该方法往往需要大量的训练样本,往往导致对纺织品表面进行缺陷识别的效率低下。因此,本发明采用对表面染色图像进行数据处理的方式,以实现对纺织品表面染色进行缺陷识别,往往可以避免采用上述3种方式对纺织品表面进行缺陷识别的弊端。接着,根据上述目标表面染色图像中的像素点对应的灰度值和位置,从上述目标表面染色图像中筛选出亮色区域集合。实际情况中,当待检测纺织品表面存在露白瑕疵时,待检测纺织品表面的露白瑕疵在目标表面染色图像中往往呈现出的颜色为布料的白色底色,亮度较高。所以,筛选出的亮色区域可能是露白瑕疵。因此,后续只需对亮色区域集合进行分析,相对于对目标表面染色图像进行分析,减少了计算量,减少了计算资源的占用。然后,对于上述亮色区域集合中的每个亮色区域,对上述亮色区域中的像素点进行直线拟合处理,得到上述亮色区域对应的拟合优度。由于露白瑕疵往往呈现线状,所以亮色区域对应的拟合优度越大时,亮色区域往往越可能是露白瑕疵。因此,确定亮色区域对应的拟合优度,可以便于后续确定亮色区域的形状是不是线状。之后,根据上述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从上述亮色区域集合中筛选出缺陷可能区域集合。由于露白瑕疵中像素点的数量与未发生缺陷的区域中像素点的数量相比,露白瑕疵中像素点的数量往往较少。所以,当亮色区域中像素点的数量越少时,亮色区域往往越可能是露白瑕疵。因此,通过亮色区域对应的拟合优度或者亮色区域中像素点的数量,可以进一步筛选出可能是露白瑕疵的亮色区域。而后,对上述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到上述缺陷可能区域对应的整体缺陷显著度。因此,可以提高缺陷可能区域对应的整体缺陷显著度确定的准确度。最后,根据上述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成上述待检测纺织品对应的目标缺陷信息。因此,本发明通过对表面染色图像进行数据处理,解决了对纺织品表面染色进行缺陷识别的效率低下的技术问题,提高了对纺织品表面染色进行缺陷识别的效率。
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为根据本发明的一种基于纺织工艺的染色不良缺陷识别方法的流程图;
图2为根据本发明的存在露白瑕疵的纺织品示意图;
图3为根据本发明的对缺陷可能区域中的像素点进行主成分分析示意图。
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。
本发明提供了一种基于纺织工艺的染色不良缺陷识别方法,该方法包括以下步骤:
获取待检测纺织品的表面染色图像,对表面染色图像进行预处理,得到目标表面染色图像;
根据目标表面染色图像中的像素点对应的灰度值和位置,从目标表面染色图像中筛选出亮色区域集合;
对于亮色区域集合中的每个亮色区域,对亮色区域中的像素点进行直线拟合处理,得到亮色区域对应的拟合优度;
根据亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从亮色区域集合中筛选出缺陷可能区域集合;
对缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到缺陷可能区域对应的整体缺陷显著度;
根据缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成待检测纺织品对应的目标缺陷信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种基于纺织工艺的染色不良缺陷识别方法的一些实施例的流程。该基于纺织工艺的染色不良缺陷识别方法,包括以下步骤:
步骤S1,获取待检测纺织品的表面染色图像,对表面染色图像进行预处理,得到目标表面染色图像。
在一些实施例中,可以获取待检测纺织品的表面染色图像,对上述表面染色图像进行预处理,得到目标表面染色图像。
其中,待检测纺织品可以是待检测表面染色缺陷情况的纺织品。表面染色缺陷可以是露白瑕疵。表面染色图像可以是待检测纺织品表面的图像。目标表面染色图像可以是进行预处理后的表面染色图像。上述预处理可以包括但不限于:灰度化、图像去噪和图像增强。存在露白瑕疵的纺织品可以如图2所示。
实际情况中,露白瑕疵往往是由于染色时没有套准而在色块拼接的地方露出的一条没有染色的白线,或者是因为经纱或纬纱的一部分翻转或移动到织物的其他面,在纺织品上呈现出酷似被挠后留下的线状痕迹。所以露白瑕疵在对应的图像中往往呈现出的颜色为布料的白色底色,亮度较高。因此,当待检测纺织品表面存在露白瑕疵时,待检测纺织品表面的露白瑕疵在目标表面染色图像中往往呈现出的颜色为布料的白色底色,亮度较高。
作为示例,本步骤可以包括以下步骤:
第一步,通过CMOS(Complementary Metal Oxide Semiconductor,互补金属氧化物半导体)相机,获取待检测纺织品的表面染色图像。
其中,表面染色图像可以是RGB图像。
第二步,通过高斯滤波,对表面染色图像进行图像去噪,得到去噪图像。
实际情况中,相机内部元器件往往存在固定噪声,环境往往也会对获取的表面染色图像造成噪声干扰,为避免这些噪声影响后续对表面染色图像的分析,使用高斯滤波对表面染色图像中的每个通道分别进行卷积,对表面染色图像进行去噪,可以提高图像的精度和质量。其中,通过高斯滤波进行图像去噪为现有技术,在此不再赘述。
第三步,对去噪图像进行灰度化,得到目标表面染色图像。
步骤S2,根据目标表面染色图像中的像素点对应的灰度值和位置,从目标表面染色图像中筛选出亮色区域集合。
在一些实施例中,可以根据上述目标表面染色图像中的像素点对应的灰度值和位置,从上述目标表面染色图像中筛选出亮色区域集合。
其中,目标表面染色图像中的像素点对应的位置可以是该像素点在目标表面染色图像中的位置,可以用该像素点在目标表面染色图像中的坐标表征。像素点在目标表面染色图像中的坐标可以是在第一坐标系下的坐标。第一坐标系可以是以目标表面染色图像的左上角为原点,以目标表面染色图像的长为横轴,以目标表面染色图像的宽为纵轴的坐标系。亮色区域集合中的亮色区域可以是目标表面染色图像中相对较亮的区域。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标表面染色图像中对应的灰度值大于或等于预先设置的亮色阈值的像素点,确定为亮色像素点。
其中,亮色阈值可以是预先设置的像素点为露白瑕疵点时,所允许的最大的灰度值。比如,亮色阈值可以是180。亮色像素点可能是露白瑕疵点或者较亮的正常像素点。露白瑕疵点可以是形成露白瑕疵的像素点。正常像素点可以是目标表面染色图像中除了露白瑕疵点之外的像素点。
例如,可以通过最大类间方差法(OTSU),对目标表面染色图像进行划分,可以将目标表面染色图像中对应的灰度值大于或等于预先设置的亮色阈值的像素点划分出来,作为亮色像素点。
第二步,根据上述目标表面染色图像中的各个亮色像素点对应的位置,确定亮色像素点之间的欧式距离。
第三步,根据亮色像素点之间的欧式距离和预先设置的距离阈值,确定亮色区域集合。
其中,距离阈值可以是预先设置的数值。比如,距离阈值可以是0.1。
例如,当亮色像素点之间的欧式距离小于或等于距离阈值时,将这些亮色像素点组合为同一个亮色区域。
比如,目标表面染色图像可以包括:第一亮色像素点、第二亮色像素点和第三亮色像素点。第一亮色像素点和第二亮色像素点之间的距离可以为0.05。第二亮色像素点和第三亮色像素点之间的距离可以为0.15。第一亮色像素点和第三亮色像素点之间的距离可以为0.06。当距离阈值为0.1时,由于0.05<0.1,则第一亮色像素点和第二亮色像素点在同一个亮色区域内。由于0.06<0.1,则第一亮色像素点和第三亮色像素点在同一个亮色区域内。所以,第一亮色像素点、第二亮色像素点和第三亮色像素点在同一个亮色区域内。
又如,目标表面染色图像可以包括:第四亮色像素点、第五亮色像素点和第六亮色像素点。第四亮色像素点和第五亮色像素点之间的距离可以为0.08。第五亮色像素点和第六亮色像素点之间的距离可以为0.16。第四亮色像素点和第六亮色像素点之间的距离可以为0.12。当距离阈值为0.1时,由于0.08<0.1,则第四亮色像素点和第五亮色像素点在同一个亮色区域内。由于0.16>0.1,0.12>0.1,则第五亮色像素点和第六亮色像素点不在同一个亮色区域内。第四亮色像素点和第六亮色像素点也不在同一个亮色区域内。所以,第四亮色像素点和第五亮色像素点在同一个亮色区域内。第六亮色像素点在另一个亮色区域内。
实际情况中,当待检测纺织品表面存在露白瑕疵时,待检测纺织品表面的露白瑕疵在目标表面染色图像中往往呈现出的颜色为布料的白色底色,亮度较高。所以亮色区域可能为露白瑕疵。但是对待检测纺织品表面进行染色时,由于市场的需求,待检测纺织品表面往往由多种颜色进行染色,其中有些颜色对应的亮度可能也较高,所以亮色区域还可能为正常染色的较亮的颜色所在的区域。
步骤S3,对于亮色区域集合中的每个亮色区域,对亮色区域中的像素点进行直线拟合处理,得到亮色区域对应的拟合优度。
在一些实施例中,对于上述亮色区域集合中的每个亮色区域,可以对上述亮色区域中的像素点进行直线拟合处理,得到上述亮色区域对应的拟合优度。
其中,亮色区域对应的拟合优度可以表征该亮色区域中的像素点拟合为直线的拟合程度。
作为示例,可以对亮色区域中的像素点进行直线拟合,确定该亮色区域对应的拟合优度。其中,通过直线拟合确定拟合优度为现有技术,在此不再赘述。
步骤S4,根据亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从亮色区域集合中筛选出缺陷可能区域集合。
在一些实施例中,可以根据上述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从上述亮色区域集合中筛选出缺陷可能区域集合。
其中,缺陷可能区域集合中的缺陷可能区域是可能存在露白瑕疵的区域。
作为示例,当亮色区域对应的拟合优度大于预先设置的拟合优度阈值或者亮色区域中像素点的数量小于预先设置的数量阈值时,可以将亮色区域,确定为缺陷可能区域。其中,拟合优度阈值可以是预先设置的亮色区域的形状不近似为直线状时,所可能的最大的拟合优度。拟合优度阈值的取值范围可以是[0,1]。例如,拟合优度阈值可以是0.3。数量阈值可以是预先设置的亮色区域为正常区域时,所可能的最小的像素点的数量。例如,数量阈值可以是550。
实际情况中,由于露白瑕疵往往呈现线状,所以亮色区域对应的拟合优度越大时,亮色区域往往越可能是露白瑕疵。露白瑕疵中像素点的数量与未发生缺陷的区域中像素点的数量相比,露白瑕疵中像素点的数量往往较少。所以,当亮色区域中像素点的数量越少时,亮色区域往往越可能是露白瑕疵。因此,通过亮色区域对应的拟合优度或者亮色区域中像素点的数量,可以初步筛选出可能是露白瑕疵的亮色区域。
步骤S5,对缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到缺陷可能区域对应的整体缺陷显著度。
在一些实施例中,可以对上述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到上述缺陷可能区域对应的整体缺陷显著度。
其中,缺陷可能区域对应的整体缺陷显著度可以表征该缺陷可能区域是露白瑕疵区域的可能程度。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述缺陷可能区域集合中的像素点对应的灰度值,对上述缺陷可能区域集合中的像素点进行降序排序,得到像素点序列。
例如,可以根据缺陷可能区域集合中的各个像素点对应的灰度值,对缺陷可能区域集合中的所有的像素点进行降序排序,得到像素点序列。
第二步,将上述像素点序列中预先设置的预设位置处的像素点对应的灰度值,确定为目标灰度值。
其中,预设位置可以是预先设置的位置。比如,预设位置可以是在像素点序列的前10%位置处的最后一个像素点所在的位置。
例如,像素点序列可以为{第一像素点,第二像素点,第三像素点,第四像素点,第五像素点}。当预设位置是在像素点序列的前40%位置处的最后一个像素点所在的位置时,由于40%×5=2,所以该预设位置是像素点序列中第二个像素点所在的位置,即第二像素点所在的位置。因此,目标灰度值可以是第二像素点对应的灰度值。
第三步,根据上述目标灰度值和上述缺陷可能区域集合中的每个像素点对应的预先设置的目标窗口,确定上述像素点对应的缺陷微观聚集度。
其中,目标窗口可以是预先设置的窗口。比如,目标窗口可以是5×5窗口。
例如,本步骤可以包括以下子步骤:
第一子步骤,确定上述像素点对应的目标窗口中灰度值大于或等于上述目标灰度值的像素点的数量,作为上述像素点对应的目标数量。
第二子步骤,根据上述目标灰度值、上述像素点对应的目标数量和上述像素点对应的目标窗口中各个像素点对应的灰度值,确定上述像素点对应的缺陷微观聚集度。
比如,上述确定上述像素点对应的缺陷微观聚集度对应的公式为:
实际情况中,由于露白瑕疵可能为经纱或纬纱的一部分翻转或移动到纺织品的其他面而出现的瑕疵,所以位置发生变动较大的经线或纬线对应显示出的颜色一般为纺织品原本的颜色,这种露白瑕疵的严重程度往往较高。当经线或纬线位置变动较小时,它呈现出的颜色一般为较淡的染色对应的颜色,并不完全为纺织品原本的颜色,对应的像素点的亮度相对纺织物原本的颜色较暗,而相对于正常染色的颜色较亮,这种缺陷也可以称为露白瑕疵,这种露白瑕疵的严重程度往往较低。其中,纺织品原本的颜色往往是白色。较淡的染色可以是比正常染色稍轻的染色。由此可见,经线或纬线位置变动的大小往往影响产生的露白瑕疵的严重程度。所以,像素点对应的目标窗口中各个像素点对应的灰度值越大,该像素点往往越可能是露白瑕疵像素点。像素点对应的目标窗口中对应的灰度值比较大的像素点的数量越多,该像素点往往越可能是露白瑕疵像素点。并且,像素点对应的灰度值的大小往往影响该像素点发生露白瑕疵的严重程度。由于,中的和可以表征像素点对应的目标窗口中各个像素点对应的灰度值越大,该像素点往往越可能是露白瑕疵像素点,并且还可以表征像素点对应的灰度值的越大,该像素点可能发生的露白瑕疵往往越严重。像素点对应的目标数量越大,该像素点往往越可能是露白瑕疵像素点。因此,当像素点对应的缺陷微观聚集度越大时,往往说明该像素点往往越可能是露白瑕疵像素点,并且该像素点可能发生的露白瑕疵往往越严重。
第四步,对上述缺陷可能区域集合中的每个像素点对应的缺陷微观聚集度进行归一化,得到上述像素点对应的归一化微观聚集度。
第五步,对上述缺陷可能区域集合中的每个缺陷可能区域进行宏观缺陷分析处理,得到上述缺陷可能区域对应的宏观缺陷指标。
例如,本步骤可以包括以下子步骤:
第一子步骤,对上述缺陷可能区域中的像素点进行主成分分析,得到上述缺陷可能区域对应的主成分方向和目标特征区域。
比如,如图3所示,对缺陷可能区域中的像素点进行主成分分析,得到的该缺陷可能区域对应的主成分方向可以是图3中较长的带箭头线段所指的方向,该缺陷可能区域对应的目标特征区域可以是图3中椭圆所在的区域。图3中较短的带箭头线段所指的方向可以是与该缺陷可能区域对应的主成分方向垂直的方向。
第二子步骤,根据上述缺陷可能区域对应的主成分方向,建立上述缺陷可能区域对应的目标直角坐标系。
如图3所示,缺陷可能区域对应的目标直角坐标系可以是以图3中两个带箭头线段的交点为原点,以较长的带箭头线段所指的方向为横轴方向,以较短的带箭头线段所指的方向为纵轴方向的坐标系。
第三子步骤,在上述缺陷可能区域对应的目标直角坐标系下,确定上述缺陷可能区域对应的目标特征区域中任意两个像素点对应的目标坐标包括的横坐标的差值的绝对值,作为横坐标差异,得到上述缺陷可能区域对应的横坐标差异集合。
其中,目标坐标可以是像素点在目标直角坐标系下的坐标。
第四子步骤,从上述缺陷可能区域对应的横坐标差异集合中筛选出最大的横坐标差异,作为上述缺陷可能区域对应的横差值。
第五子步骤,在上述缺陷可能区域对应的目标直角坐标系下,确定上述缺陷可能区域对应的目标特征区域中任意两个像素点对应的目标坐标包括的纵坐标的差值的绝对值,作为纵坐标差异,得到上述缺陷可能区域对应的纵坐标差异集合。
第六子步骤,从上述缺陷可能区域对应的纵坐标差异集合中筛选出最大的纵坐标差异,作为上述缺陷可能区域对应的纵差值。
第七子步骤,根据上述缺陷可能区域中像素点对应的灰度值,确定上述缺陷可能区域对应的行程百分比。
本子步骤可以通过现有技术实现,在此不再赘述。
第八子步骤,根据上述缺陷可能区域对应的行程百分比、横差值和纵差值,确定上述缺陷可能区域对应的宏观缺陷指标。
比如,确定上述缺陷可能区域对应的宏观缺陷指标对应的公式可以为:
其中,mds是上述缺陷可能区域对应的宏观缺陷指标。是求最大值函数。是求最小值函数。是上述缺陷可能区域对应的横差值。是上述缺陷可能区域对应的纵差值。是预先设置的大于0的较小的数,主要为了避免分母为0。如,。RP是上述缺陷可能区域对应的行程百分比。
实际情况中,当越大时,往往说明缺陷可能区域的形状往往越可能为长条形,该缺陷可能区域往往越可能为露白瑕疵。由于像素点在二维平面内,所以像素点之间的关系以目标直角坐标系包括的横轴和纵轴所在的方向下的距离表示往往更为准确。为了考虑多个方向上的连通信息,确定缺陷可能区域对应的行程百分比。并且行程百分比反映了缺陷可能区域内灰度分布的均匀性,缺陷可能区域内灰度分布越均匀,行程百分比往往越大。由于,产生露白瑕疵的经线或纬线的位置移动往往并不均匀,所以呈现出的亮度相较于正常染色相同颜色的区域往往较为不均匀。所以缺陷可能区域对应的行程百分比RP越小时,该缺陷可能区域往往越可能为露白瑕疵。因此,缺陷可能区域对应的宏观缺陷指标mds越大时,该缺陷可能区域往往越可能为露白瑕疵。
第六步,根据上述缺陷可能区域集合中的每个像素点对应的目标窗口,对上述像素点进行色度差异分析处理,得到上述像素点对应的色度差异度。
例如,本步骤可以包括以下子步骤:
第一子步骤,从上述像素点对应的目标窗口中各个像素点对应的灰度值中筛选出最大的灰度值和最小的灰度值,作为上述像素点对应的最大灰度值和最小灰度值。
比如,可以从上述像素点对应的目标窗口中各个像素点对应的灰度值中筛选出最大的灰度值,作为上述像素点对应的最大灰度值。可以从上述像素点对应的目标窗口中各个像素点对应的灰度值中筛选出最小的灰度值,作为上述像素点对应的最小灰度值。
第二子步骤,将上述像素点对应的目标窗口中各个像素点对应的灰度值的标准差,确定为上述像素点对应的像素标准差。
第三子步骤,根据上述像素点对应的像素标准差、最大灰度值和最小灰度值,确定上述像素点对应的色度差异度。
比如,上述确定上述像素点对应的色度差异度对应的公式可以为:
实际情况中,产生露白瑕疵的经线或纬线的位置移动往往并不均匀,所以呈现出的亮度相较于正常染色相同颜色的区域往往较为不均匀。由于可以表征像素点对应的目标窗口中的像素点对应的灰度值的极差。s是上述像素点对应的像素标准差。因此,当越大或像素点对应的像素标准差s越大时,像素点对应的色度差异度ceu往往越大,该像素点往往越可能为露白瑕疵像素点。
第七步,根据上述缺陷可能区域集合中的每个像素点对应的色度差异度、上述像素点对应的归一化微观聚集度和上述像素点所在的缺陷可能区域对应的宏观缺陷指标,确定上述像素点对应的缺陷瑕疵显著度。
例如,上述确定上述像素点对应的缺陷瑕疵显著度对应的公式可以为:
实际情况中,当像素点对应的色度差异度ceu越大、该像素点所在的缺陷可能区域对应的宏观缺陷指标越大或该像素点对应的归一化微观聚集度越大时,该像素点对应的缺陷瑕疵显著度sed往往越大,该像素点往往越可能为露白瑕疵像素点。其中,确定像素点对应的色度差异度ceu和像素点对应的归一化微观聚集度时,是对像素点进行分析,确定像素点所在的缺陷可能区域对应的宏观缺陷指标时,是对像素点所在的缺陷可能区域进行分析。因此,综合考虑了多个方面,提高了对像素点对应的缺陷瑕疵显著度确定的准确度。
第八步,根据上述缺陷可能区域集合中的每个缺陷可能区域中的各个像素点对应的缺陷瑕疵显著度,确定上述缺陷可能区域对应的整体缺陷显著度。
例如,本步骤可以包括以下子步骤:
第一子步骤,对上述缺陷可能区域中的每个像素点对应的缺陷瑕疵显著度进行归一化,得到上述像素点对应的归一化瑕疵。
第二子步骤,当上述缺陷可能区域中的像素点对应的归一化瑕疵小于或等于预先设置的第一瑕疵阈值时,将像素点,确定为正常像素点。
其中,正常像素点可以是符合生产标准的未发生缺陷的像素点。第一瑕疵阈值可以是预先设置的像素点为正常像素点时,所允许的最大的归一化瑕疵。比如,第一瑕疵阈值可以是0.65。
第三子步骤,当上述缺陷可能区域中的像素点对应的归一化瑕疵大于第一瑕疵阈值,并且不大于预先设置的第二瑕疵阈值时,将像素点,确定为微小瑕疵像素点。
其中,微小瑕疵像素点可以表征符合生产标准的比较微小的露白瑕疵。第二瑕疵阈值可以是预先设置的像素点为微小瑕疵像素点时,所允许的最大的归一化瑕疵。比如,第二瑕疵阈值可以是0.75。
第四子步骤,当上述缺陷可能区域中的像素点对应的归一化瑕疵大于第二瑕疵阈值,并且不大于预先设置的第三瑕疵阈值时,将像素点,确定为中度瑕疵像素点。
其中,中度瑕疵像素点可以表征中度的露白瑕疵。第三瑕疵阈值可以是预先设置的像素点为中度瑕疵像素点时,所允许的最大的归一化瑕疵。比如,第三瑕疵阈值可以是0.88。
第五子步骤,当上述缺陷可能区域中的像素点对应的归一化瑕疵大于第三瑕疵阈值时,将像素点,确定为重度瑕疵像素点。
其中,重度瑕疵像素点可以表征重度的露白瑕疵。
第六子步骤,根据预先设置的正常权重、微小权重、中度权重和重度权重,以及上述缺陷可能区域中像素点的数量、正常像素点的数量、微小瑕疵像素点的数量、中度瑕疵像素点的数量和重度瑕疵像素点的数量,确定上述缺陷可能区域对应的整体缺陷显著度。
其中,正常权重、微小权重、中度权重和重度权重可以是预先设置的权重。正常权重可以是正常像素点对应的权重。微小权重可以是微小瑕疵像素点对应的权重。中度权重可以是中度瑕疵像素点对应的权重。重度权重可以是重度瑕疵像素点对应的权重。
比如,上述确定上述缺陷可能区域对应的整体缺陷显著度对应的公式可以为:
其中,ztqx是上述缺陷可能区域对应的整体缺陷显著度。是以自然常数为底的指数函数。C是上述缺陷可能区域中像素点的数量。是上述缺陷可能区域中正常像素点的数量。是正常权重。是上述缺陷可能区域中微小瑕疵像素点的数量。是微小权重。是上述缺陷可能区域中中度瑕疵像素点的数量。是中度权重。是上述缺陷可能区域中重度瑕疵像素点的数量。是重度权重。。如,,,6。
实际情况中,为正常像素点、微小瑕疵像素点、中度瑕疵像素点和重度瑕疵像素点设置不同的权重,并且,,可以使确定的缺陷可能区域对应的整体缺陷显著度更加符合实际情况。由于的取值范围为[0,1],可以便于后续分析。
步骤S6,根据缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成待检测纺织品对应的目标缺陷信息。
在一些实施例中,可以根据上述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成上述待检测纺织品对应的目标缺陷信息。
其中,目标缺陷信息可以表征待检测纺织品的表面染色缺陷情况。
作为示例,本步骤可以包括以下步骤:
第一步,当缺陷可能区域对应的整体缺陷显著度大于预先设置的整体缺陷阈值时,将缺陷可能区域,确定为真实缺陷区域。
其中,真实缺陷区域可以是存在露白瑕疵的缺陷可能区域。整体缺陷阈值可以是预先设置的缺陷可能区域未存在露白瑕疵时,所允许的最大的整体缺陷显著度。例如,整体缺陷阈值可以是0.7。
第二步,当缺陷可能区域对应的整体缺陷显著度小于或等于整体缺陷阈值时,将缺陷可能区域,确定为正常区域。
其中,正常区域可以是未存在露白瑕疵的缺陷可能区域。
第三步,根据上述目标表面染色图像中真实缺陷区域的数量和正常区域的数量,以及真实缺陷区域的位置和正常区域的位置,生成上述待检测纺织品对应的目标缺陷信息。
其中,目标缺陷信息可以包括:目标表面染色图像中真实缺陷区域的数量和正常区域的数量,以及真实缺陷区域的位置和正常区域的位置。
本发明的一种基于纺织工艺的染色不良缺陷识别方法,通过对表面染色图像进行数据处理,解决了对纺织品表面染色进行缺陷识别的效率低下的技术问题,提高了对纺织品表面染色进行缺陷识别的效率。首先,获取待检测纺织品的表面染色图像,对上述表面染色图像进行预处理,得到目标表面染色图像,其中,上述预处理包括:灰度化。实际情况中,往往存在人工的方式对纺织品表面进行缺陷识别。当采用人工的方式,对纺织品表面进行缺陷识别时,往往是通过主观目测法进行检测识别,由于主观目测法受人为经验影响较大且耗时往往较长,作出的识别判断往往不准确且效率低下,所以,当采用人工的方式对纺织品表面进行缺陷识别时,往往会导致对纺织品表面进行缺陷识别的准确度和效率低下。实际情况中,往往还存在通过模板匹配法,对纺织品表面进行缺陷识别,由于模板匹配法受模板影响较大且对噪声和光照等因素过于敏感,往往会导致对纺织品表面进行缺陷识别的准确度低下。现有还存在通过神经网络,对纺织品表面进行缺陷识别,该方法往往需要大量的训练样本,往往导致对纺织品表面进行缺陷识别的效率低下。因此,本发明采用对表面染色图像进行数据处理的方式,以实现对纺织品表面染色进行缺陷识别,往往可以避免采用上述3种方式对纺织品表面进行缺陷识别的弊端。接着,根据上述目标表面染色图像中的像素点对应的灰度值和位置,从上述目标表面染色图像中筛选出亮色区域集合。实际情况中,当待检测纺织品表面存在露白瑕疵时,待检测纺织品表面的露白瑕疵在目标表面染色图像中往往呈现出的颜色为布料的白色底色,亮度较高。所以,筛选出的亮色区域可能是露白瑕疵。因此,后续只需对亮色区域集合进行分析,相对于对目标表面染色图像进行分析,减少了计算量,减少了计算资源的占用。然后,对于上述亮色区域集合中的每个亮色区域,对上述亮色区域中的像素点进行直线拟合处理,得到上述亮色区域对应的拟合优度。由于露白瑕疵往往呈现线状,所以亮色区域对应的拟合优度越大时,亮色区域往往越可能是露白瑕疵。因此,确定亮色区域对应的拟合优度,可以便于后续确定亮色区域的形状是不是线状。之后,根据上述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从上述亮色区域集合中筛选出缺陷可能区域集合。由于露白瑕疵中像素点的数量与未发生缺陷的区域中像素点的数量相比,露白瑕疵中像素点的数量往往较少。所以,当亮色区域中像素点的数量越少时,亮色区域往往越可能是露白瑕疵。因此,通过亮色区域对应的拟合优度或者亮色区域中像素点的数量,可以进一步筛选出可能是露白瑕疵的亮色区域。而后,对上述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到上述缺陷可能区域对应的整体缺陷显著度。因此,可以提高缺陷可能区域对应的整体缺陷显著度确定的准确度。最后,根据上述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成上述待检测纺织品对应的目标缺陷信息。因此,本发明通过对表面染色图像进行数据处理,解决了对纺织品表面染色进行缺陷识别的效率低下的技术问题,提高了对纺织品表面染色进行缺陷识别的效率。
以上上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 (9)
1.一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,包括以下步骤:
获取待检测纺织品的表面染色图像,对所述表面染色图像进行预处理,得到目标表面染色图像,其中,所述预处理包括:灰度化;
根据所述目标表面染色图像中的像素点对应的灰度值和位置,从所述目标表面染色图像中筛选出亮色区域集合;
对于所述亮色区域集合中的每个亮色区域,对所述亮色区域中的像素点进行直线拟合处理,得到所述亮色区域对应的拟合优度;
根据所述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从所述亮色区域集合中筛选出缺陷可能区域集合;
对所述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到所述缺陷可能区域对应的整体缺陷显著度;
根据所述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成所述待检测纺织品对应的目标缺陷信息。
2.根据权利要求1所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述对所述缺陷可能区域集合中的每个缺陷可能区域进行缺陷特征分析处理,得到所述缺陷可能区域对应的整体缺陷显著度,包括:
根据所述缺陷可能区域集合中的像素点对应的灰度值,对所述缺陷可能区域集合中的像素点进行降序排序,得到像素点序列;
将所述像素点序列中预先设置的预设位置处的像素点对应的灰度值,确定为目标灰度值;
根据所述目标灰度值和所述缺陷可能区域集合中的每个像素点对应的预先设置的目标窗口,确定所述像素点对应的缺陷微观聚集度;
对所述缺陷可能区域集合中的每个像素点对应的缺陷微观聚集度进行归一化,得到所述像素点对应的归一化微观聚集度;
对所述缺陷可能区域集合中的每个缺陷可能区域进行宏观缺陷分析处理,得到所述缺陷可能区域对应的宏观缺陷指标;
根据所述缺陷可能区域集合中的每个像素点对应的目标窗口,对所述像素点进行色度差异分析处理,得到所述像素点对应的色度差异度;
根据所述缺陷可能区域集合中的每个像素点对应的色度差异度、所述像素点对应的归一化微观聚集度和所述像素点所在的缺陷可能区域对应的宏观缺陷指标,确定所述像素点对应的缺陷瑕疵显著度;
根据所述缺陷可能区域集合中的每个缺陷可能区域中的各个像素点对应的缺陷瑕疵显著度,确定所述缺陷可能区域对应的整体缺陷显著度。
3.根据权利要求2所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述对所述缺陷可能区域集合中的每个缺陷可能区域进行宏观缺陷分析处理,得到所述缺陷可能区域对应的宏观缺陷指标,包括:
对所述缺陷可能区域中的像素点进行主成分分析,得到所述缺陷可能区域对应的主成分方向和目标特征区域;
根据所述缺陷可能区域对应的主成分方向,建立所述缺陷可能区域对应的目标直角坐标系;
在所述缺陷可能区域对应的目标直角坐标系下,确定所述缺陷可能区域对应的目标特征区域中任意两个像素点对应的目标坐标包括的横坐标的差值的绝对值,作为横坐标差异,得到所述缺陷可能区域对应的横坐标差异集合;
从所述缺陷可能区域对应的横坐标差异集合中筛选出最大的横坐标差异,作为所述缺陷可能区域对应的横差值;
在所述缺陷可能区域对应的目标直角坐标系下,确定所述缺陷可能区域对应的目标特征区域中任意两个像素点对应的目标坐标包括的纵坐标的差值的绝对值,作为纵坐标差异,得到所述缺陷可能区域对应的纵坐标差异集合;
从所述缺陷可能区域对应的纵坐标差异集合中筛选出最大的纵坐标差异,作为所述缺陷可能区域对应的纵差值;
根据所述缺陷可能区域中像素点对应的灰度值,确定所述缺陷可能区域对应的行程百分比;
根据所述缺陷可能区域对应的行程百分比、横差值和纵差值,确定所述缺陷可能区域对应的宏观缺陷指标。
4.根据权利要求2所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述根据所述缺陷可能区域集合中的每个像素点对应的目标窗口,对所述像素点进行色度差异分析处理,得到所述像素点对应的色度差异度,包括:
从所述像素点对应的目标窗口中各个像素点对应的灰度值中筛选出最大的灰度值和最小的灰度值,作为所述像素点对应的最大灰度值和最小灰度值;
将所述像素点对应的目标窗口中各个像素点对应的灰度值的标准差,确定为所述像素点对应的像素标准差;
根据所述像素点对应的像素标准差、最大灰度值和最小灰度值,确定所述像素点对应的色度差异度。
5.根据权利要求2所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述根据所述缺陷可能区域集合中的每个缺陷可能区域中的各个像素点对应的缺陷瑕疵显著度,确定所述缺陷可能区域对应的整体缺陷显著度,包括:
对所述缺陷可能区域中的每个像素点对应的缺陷瑕疵显著度进行归一化,得到所述像素点对应的归一化瑕疵;
当所述缺陷可能区域中的像素点对应的归一化瑕疵小于或等于预先设置的第一瑕疵阈值时,将像素点,确定为正常像素点;
当所述缺陷可能区域中的像素点对应的归一化瑕疵大于第一瑕疵阈值,并且不大于预先设置的第二瑕疵阈值时,将像素点,确定为微小瑕疵像素点;
当所述缺陷可能区域中的像素点对应的归一化瑕疵大于第二瑕疵阈值,并且不大于预先设置的第三瑕疵阈值时,将像素点,确定为中度瑕疵像素点;
当所述缺陷可能区域中的像素点对应的归一化瑕疵大于第三瑕疵阈值时,将像素点,确定为重度瑕疵像素点;
根据预先设置的正常权重、微小权重、中度权重和重度权重,以及所述缺陷可能区域中像素点的数量、正常像素点的数量、微小瑕疵像素点的数量、中度瑕疵像素点的数量和重度瑕疵像素点的数量,确定所述缺陷可能区域对应的整体缺陷显著度。
6.根据权利要求1所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述根据所述目标表面染色图像中的像素点对应的灰度值和位置,从所述目标表面染色图像中筛选出亮色区域集合,包括:
将所述目标表面染色图像中对应的灰度值大于或等于预先设置的亮色阈值的像素点,确定为亮色像素点;
根据所述目标表面染色图像中的各个亮色像素点对应的位置,确定亮色像素点之间的欧式距离;
根据亮色像素点之间的欧式距离和预先设置的距离阈值,确定亮色区域集合。
7.根据权利要求1所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述根据所述亮色区域集合中的各个亮色区域对应的拟合优度和各个亮色区域中像素点的数量,从所述亮色区域集合中筛选出缺陷可能区域集合,包括:
当亮色区域对应的拟合优度大于预先设置的拟合优度阈值或者亮色区域中像素点的数量小于预先设置的数量阈值时,将亮色区域,确定为缺陷可能区域。
8.根据权利要求1所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述根据所述缺陷可能区域集合中的各个缺陷可能区域对应的整体缺陷显著度,生成所述待检测纺织品对应的目标缺陷信息,包括:
当缺陷可能区域对应的整体缺陷显著度大于预先设置的整体缺陷阈值时,将缺陷可能区域,确定为真实缺陷区域;
当缺陷可能区域对应的整体缺陷显著度小于或等于整体缺陷阈值时,将缺陷可能区域,确定为正常区域;
根据所述目标表面染色图像中真实缺陷区域的数量和正常区域的数量,以及真实缺陷区域的位置和正常区域的位置,生成所述待检测纺织品对应的目标缺陷信息。
9.根据权利要求2所述的一种基于纺织工艺的染色不良缺陷识别方法,其特征在于,所述根据所述目标灰度值和所述缺陷可能区域集合中的每个像素点对应的预先设置的目标窗口,确定所述像素点对应的缺陷微观聚集度,包括:
确定所述像素点对应的目标窗口中灰度值大于或等于所述目标灰度值的像素点的数量,作为所述像素点对应的目标数量;
根据所述目标灰度值、所述像素点对应的目标数量和所述像素点对应的目标窗口中各个像素点对应的灰度值,确定所述像素点对应的缺陷微观聚集度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452149.4A CN115496762B (zh) | 2022-11-21 | 2022-11-21 | 一种基于纺织工艺的染色不良缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211452149.4A CN115496762B (zh) | 2022-11-21 | 2022-11-21 | 一种基于纺织工艺的染色不良缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496762A true CN115496762A (zh) | 2022-12-20 |
CN115496762B CN115496762B (zh) | 2023-01-24 |
Family
ID=84974392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211452149.4A Active CN115496762B (zh) | 2022-11-21 | 2022-11-21 | 一种基于纺织工艺的染色不良缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496762B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190285980A1 (en) * | 2018-03-19 | 2019-09-19 | Toshiba Memory Corporation | Defect inspection device and defect inspection method |
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 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN114926410A (zh) * | 2022-04-29 | 2022-08-19 | 江苏永占管道科技有限公司 | 制动盘外观缺陷检测方法 |
CN115272321A (zh) * | 2022-09-28 | 2022-11-01 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
-
2022
- 2022-11-21 CN CN202211452149.4A patent/CN115496762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190285980A1 (en) * | 2018-03-19 | 2019-09-19 | Toshiba Memory Corporation | Defect inspection device and defect inspection method |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
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 |
CN114926410A (zh) * | 2022-04-29 | 2022-08-19 | 江苏永占管道科技有限公司 | 制动盘外观缺陷检测方法 |
CN115272321A (zh) * | 2022-09-28 | 2022-11-01 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
李小宁等: "结合自适应中值滤波和GGCM的织物质量检测", 《合肥工业大学学报(自然科学版)》 * |
杨学志等: "PCA-NLM的纺织品缺陷检测", 《中国图象图形学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
CN116721106B (zh) * | 2023-08-11 | 2023-10-20 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115496762B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
CN109934802A (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN115115644A (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN115496762B (zh) | 一种基于纺织工艺的染色不良缺陷识别方法 | |
CN115311299B (zh) | 一种基于多光源角度的纺织品染色异常检测方法 | |
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 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN115131353B (zh) | 平网印花纺织品生产异常识别定位方法及系统 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
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 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
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 | |
CN107886549A (zh) | 一种基于编织纹理细节增强的织物纹样色彩转移方法 | |
CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
CN115471504B (zh) | 一种基于纺织物的线头自动识别方法 | |
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 | |
CN111724375A (zh) | 一种屏幕检测方法及系统 | |
JP4315243B2 (ja) | 色の均一性の評価方法 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN114998346A (zh) | 一种防水布质量数据处理、识别方法 | |
CN118071739B (zh) | 基于图像增强的色母粒着色视觉检测方法 | |
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 |