CN115719344A - 用于纺织布料质检的面料缺陷分析识别方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于纺织布料质检的面料缺陷分析识别方法，该方法采集纺织布料的表面图像及其边缘图像并选取纱结点；获取边缘图像的特征图像；以任意一个像素点作为目标点与纱结点组成点对，获取每个点对的第一打结差异性；将特征图像分割为多个子区域，基于每个点对所在子区域之间的差异获取对应的第二打结差异性；进而获取综合差异性；获取每个点对的非均匀度差异；根据所有点对的综合差异性和非均匀度差异组成差异序列，获取差异序列对应的频率‑能量序列，基于频率‑能量序列中每两个元素的自相关性对所有目标点进行分类，识别出纱结缺陷。本发明能够准确识别出纱结缺陷，并且数据量少，识别效率高。

Description

用于纺织布料质检的面料缺陷分析识别方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种用于纺织布料质检的面料缺陷分析识别方法。

背景技术

纺织布料在产出后需对布料的成品质量进行评定和筛选，以便于分析布料的处理方法和后续用途。纺织布料的缺陷有破洞、脏污、纱结等，由于纱结的成因是纺织机械在加工时经纱或纬纱断掉又重新连接而成，布料成品表面会出现结状缺陷。对纱结缺陷的分析有助于面料质量评定的同时，又能对加工过程中纺织机械生产期间的差错进行校正。

目前大多通过传统人力检测识别面料缺陷，容易造成错检、漏检，且主观性强，检测效率低。随着大数据的发展，面料缺陷检测也逐渐出现利用数据处理的方法对面料图像进行分析，来识别面料缺陷的方法，例如通过灰度共生矩阵获取面料图像的纹理，再对比不同面料的纹理识别面料缺陷；还有利用网络训练的方法识别面料缺陷。但是通过灰度共生矩阵获取纹理识别面料缺陷的方法利用的数据比较单一，不能保证面料缺陷识别的准确度；而网络训练识别面料缺陷的方法所需数据量巨大，实现难度高，成本也高。

发明内容

为了解决上述技术问题，本发明提供一种用于纺织布料质检的面料缺陷分析识别方法，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用于纺织布料质检的面料缺陷分析识别方法，该方法包括以下步骤：

采集纺织布料的表面图像，并通过边缘检测获取表面图像的边缘图像，所述边缘图像中包括强边缘点和弱边缘点；任意选取一个强边缘点作为纱结点；

以所述边缘图像中每个像素点作为中心点构建窗口，利用局部二值模式获取每个窗口的特征值，进而组成特征图像；以任意一个像素点作为目标点，与纱结点组成点对，计算目标点的特征值与纱结点的特征值之间的汉明距离作为对应点对的第一打结差异性；

将所述特征图像分割为多个预设尺寸的子区域，由每个子区域内所有目标点的特征值组成特征矩阵，获取目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的差异作为对应点对的第二打结差异性；根据所述第一打结差异性和所述第二打结差异性获取对应点对的综合差异性；

以每个目标点为中心点获取邻域区域，基于邻域区域内所有像素点生成的灰度共生矩阵获取对应目标点的非均匀度；以目标点的非均匀度和纱结点的非均匀度的差值作为对应点对的非均匀度差异；

获取每个点对的综合差异性和非均匀度差异构成的二元组，由所有点对的二元组组成一个差异序列，对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列，计算所述频率-能量序列中每两个元素的自相关性，基于所述自相关性对所有目标点进行分类，识别出纱结缺陷。

优选的，所述边缘图像的获取方法为：

获取表面图像的灰度图像，通过canny算子利用双阈值检测对灰度图像进行边缘检测，得到强边缘线点和弱边缘点，将强边缘点的灰度值替换为第一灰度值，其余像素点的灰度值替换为第二灰度值，得到二值图像，即为所述边缘图像。

优选的，所述特征图像的获取方法为：

比较窗口内每个像素点的像素值与中心点的像素值的大小，当大于或者等于中心点的像素值时，将对应位置的像素点标记为1，否则标记为0，按照顺时针方向或者逆时针方向将所有标记值排列为一个字符串，即为中心点的特征值，将所述特征值转换为十进制数值作为对应窗口中心点的像素值，组成所述特征图像。

优选的，所述特征矩阵的获取方法为：

以子区域内的每个目标点的特征值作为矩阵同一位置上的元素，组成与对应子区域大小相同的矩阵，即为所述特征矩阵。

优选的，所述第二打结差异性的获取方法为：

计算目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的归一化互相关系数，以所述归一化互相关系数的相反数作为所述第二打结差异性。

优选的，所述综合差异性的获取方法为：

以所述第二打结差异性作为预设值的指数得到指数函数结果，乘上所述第一打结差异性，得到的乘积为所述综合差异性。

优选的，所述非均匀度差异的获取方法为：

获取目标点所在邻域区域内所有像素点生成的灰度共生矩阵的熵作为所述目标点的非均匀度，获取纱结点所在邻域区域内所有像素点生成的灰度共生矩阵的熵作为纱结点的非均匀度，两个非均匀度作差得到所述非均匀度差异。

优选的，所述对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列，包括：

通过对差异序列进行经验模态分解得到多个子序列，分别对每个子序列进行希尔伯特-黄变换得到对应子序列中每个元素对应的瞬时频率和瞬时能量，所有子序列同一元素对应的瞬时频率的均值作为该元素的平均频率，所有子序列同一元素对应的瞬时能量的均值作为该元素的平均能量，由平均频率和平均能量组成的二元组作为对应元素的频率-能量二元组，所有元素的频率-能量二元组组成所述频率-能量序列。

本发明实施例至少具有如下有益效果：

首先在纺织布料的表面图像检测出强边缘点，任选一个强边缘点作为纱结点，仅通过边缘检测无法完全识别出纱结，但是强边缘点必定为纱结，因此选取强边缘点作为其他像素点进行纱结检测的基础；利用局部二值模式获取每个像素点的特征值，进而计算每个像素点与纱结点之间的第一打结差异性和第二打结差异性，并结合得到综合差异性，对于每个像素点，从对应的特征值以及所在子区域的特征矩阵两个方面获取像素点和纱结点之间的综合差异性，从点到局部进行差异对比的综合考量，对比全面；然后基于像素点的邻域区域的非均匀度获取像素点和纱结点之间的非均匀度差异，从局部均匀性方面对比像素点和纱结点的差异；将综合差异性和非均匀度差异构成二元组，并将所有像素点的二元组组成差异序列进行分析，通过对差异序列进行处理得到频率-能量序列，体现出不同像素点与纱结点之间的差异波动情况，并依据频率-能量序列中每两个元素之间的自相关性将目标点分类，使差异相似的目标点分为一类，每一类像素点即为一个纱结缺陷区域，完成纱结缺陷的识别。本发明通过对像素点和纱结点进行多方面的差异分析将像素点分类，能够准确识别出纱结缺陷，并且数据量少，识别效率高。

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提供的一种用于纺织布料质检的面料缺陷分析识别方法的步骤流程图。

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用于纺织布料质检的面料缺陷分析识别方法，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。

下面结合附图具体的说明本发明所提供的一种用于纺织布料质检的面料缺陷分析识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于纺织布料质检的面料缺陷分析识别方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集纺织布料的表面图像，并通过边缘检测获取表面图像的边缘图像，边缘图像中包括强边缘点和弱边缘点；任意选取一个强边缘点作为纱结点。

具体的步骤包括：

1、采集纺织布料的表面图像。

对生产出的纺织布料采用工业相机进行表面图像采集，获得纺织布料的表面图像。表面图像为RGB图像。

2、通过边缘检测获取表面图像的边缘图像。

获取表面图像的灰度图像，通过canny算子利用双阈值检测对灰度图像进行边缘检测，得到强边缘线点和弱边缘点，将强边缘点的灰度值替换为第一灰度值，其余像素点的灰度值替换为第二灰度值，得到二值图像，即为表面图像的边缘图像。

将图像灰度化，得到表面图像的灰度图像。对灰度图像采用Canny边缘检测算法以从布料灰度图中获取清晰的边缘，由于正常部位平整光滑，所以其中体现出的边缘大略描述了纱结的轮廓。在Canny边缘检测中利用双阈值检测（NMS）进行了强弱边缘的区分，粗略来讲，强边缘是由纱结缺陷围成的边缘，而弱边缘是由布料本身的经纬纱交织形成的边缘，因此只保留强边缘点，即将强边缘点的灰度值替换为第一灰度值，其余像素点的灰度值替换为第二灰度值，得到二值图像为边缘图像。

其中在本发明实施例中第一灰度值为1，第二灰度值为0。

强边缘是由纱结缺陷围成的边缘，因此任意选取一个强边缘点作为纱结点进行后续的比对，在本发明实施例中将选取的强边缘点记为点C。

需要说明的是，图像灰度化和Canny边缘检测均为常用的现有技术，在本发明实施例中不再赘述具体过程。

步骤S002，以边缘图像中每个像素点作为中心点构建窗口，利用局部二值模式获取每个窗口的特征值，进而组成特征图像；以任意一个像素点作为目标点，与纱结点组成点对，计算目标点的特征值与纱结点的特征值之间的汉明距离作为对应点对的第一打结差异性。

具体的步骤包括：

1、以边缘图像中每个像素点作为中心点构建窗口，利用局部二值模式获取每个窗口的特征值，进而组成特征图像。

由于纱结的产生原因是加工时经纱或纬纱断掉又重新连接而成。那么相比于正常处布料纱线的均匀分布，纱结处布料纱线会由于打结而导致其分布散乱不规则，因此对每个像素点进行局部分析。

利用3x3大小的窗口分别对每个像素点进行采样，即以每个像素点为中心，构建3x3大小的窗口。

比较窗口内每个像素点的像素值与中心点的像素值的大小，当大于或者等于中心点的像素值时，将对应位置的像素点标记为1，否则标记为0，按照顺时针方向或者逆时针方向将所有标记值排列为一个字符串，即为中心点的特征值，将特征值转换为十进制数值作为对应窗口中心点的像素值，组成特征图像。

每个像素点对应的特征值为一个八位二进制字符串，该字符串反映了每个像素点邻近位置的灰度变化情况，对每个像素点的局部灰度变化进行了度量。

利用3x3大小的窗口对边缘图像进行全图遍历，得到每个像素点的特征值，将特征值转换为十进制数值作为对应像素点的像素值，得到边缘图像的特征图像。

其中获取特征值的过程为局部二值模式（LBP算法）的过程。

2、获取每个像素点对应的第一打结差异性。

无缺陷部位的纹理信息规则工整，而纱结部位由于经纬纱断掉，重新连接时产生打结，此时纱结位置的纹理信息会产生较大的差异；进而对该处的打结程度进行量化分析。

以任意一个像素点作为目标点，与纱结点C组成点对，即每个像素点分别与纱结点C组成一个点对，由于特征值反映了对应像素点周围的纹理信息变化，通过汉明距离的计算对比每个点对中目标点和纱结点的纹理信息差异。

以一个点对(C,D)为例，计算目标点D和纱结点C对应特征值之间的汉明距离作为第一打结差异性：

。其中LBP(C)表示纱结点C对应的特征值，LBP(D)表示目标点D对应的特征值，

表示LBP(C)和LBP(D)之间的汉明距离。

两个字符串之间的汉明距离越大，说明两个字符串中取值不同的位数越多，目标点D和纱结点C周围的纹理变化越不同，第一打结差异性越大，那么目标点D越可能不是纱结点。

步骤S003，将特征图像分割为多个预设尺寸的子区域，由每个子区域内所有目标点的特征值组成特征矩阵，获取目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的差异作为对应点对的第二打结差异性；根据第一打结差异性和第二打结差异性获取对应点对的综合差异性。

具体的步骤包括：

1、将特征图像分割为多个预设尺寸的子区域，并获取每个子区域的特征矩阵。

以子区域内的每个目标点的特征值作为矩阵同一位置上的元素，组成与对应子区域大小相同的矩阵，即为特征矩阵。

将特征图像进行分块，分割为多个预设尺寸的子区域，在本发明实施例中将特征图像划分成多个8x8大小的子区域，即预设尺寸为8x8。统计每块子区域内所有像素点的特征值，以每个像素点的特征值，即8位字符串作为子区域内对应位置处的元素，生成一个与子区域大小相同的矩阵，即为对应的特征矩阵，每个特征矩阵反映了特征图像中子区域内灰度的变化方向趋势。

2、获取每个目标点与纱结点形成的点对的第二打结差异性。

计算目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的归一化互相关系数，以归一化互相关系数的相反数作为第二打结差异性。

由于互相关系数有效而可靠的刻画了矩阵与矩阵之间的相关性，即从侧面反映了两个子区域内灰度变化方向的吻合程度。故利用矩阵的归一化互相关系数来对第二打结差异性进行数学表达：

，其中，

表示第二打结差异性，

表示纱结点C所在子区域的特征矩阵，

表示目标点D所在子区域的特征矩阵，

表示

和

之间的归一化互相关系数。

归一化互相关系数的取值范围为[-1,1]，用于描述两个矩阵之间的相似程度，当两个矩阵完全一致时，归一化互相关系数的值为1，完全不相关时，归一化互相关系数的值为-1，因此以归一化互相关系数的相反数作为第二打结差异性，用于描述一个点对中两个点所在子区域之间的差异性，第二打结差异性越大，即归一化相关系数越小，两个子区域的差异越大。

3、根据第一打结差异性和第二打结差异性获取对应点对的综合差异性。

以第二打结差异性作为预设值的指数得到指数函数结果，乘上第一打结差异性，得到的乘积为综合差异性。

由于第一打结差异性与第二打结差异性从点对特征上描述了目标点D到纱结点C的差异，且二者的共同特点在于值越小时，纱结点C与目标点D的差异越小，因此将两者合并，计算目标点D和纱结点C之间的综合差异性R：

其中，e表示自然常数，即本发明实施例中的预设值。

综合差异性R的值越小，目标点D和纱结点C的差异越小，目标点D越可能是纱结处的像素点。

步骤S004，以每个目标点为中心点获取邻域区域，基于邻域区域内所有像素点生成的灰度共生矩阵获取对应目标点的非均匀度；以目标点的非均匀度和纱结点的非均匀度的差值作为对应点对的非均匀度差异。

经纬纱断掉重新连接形成纱结后，此处由于重新进行了交织，纱线较正常处细密，故采用目标点的邻域区域内的非均匀度来进行描述此种情况，即以每个目标点为中心点获取邻域区域，获取目标点所在邻域区域内所有像素点生成的灰度共生矩阵的熵作为目标点的非均匀度，获取纱结点所在邻域区域内所有像素点生成的灰度共生矩阵的熵作为纱结点的非均匀度，两个非均匀度作差得到非均匀度差异。

以目标点D为例，以点D为中心取7x7区域作为该点的邻域区域，即本发明实施例中的邻域区域的尺寸为7x7，统计目标点D的邻域区域中灰度i与灰度j的联合概率分布进而形成灰度共生矩阵

。灰度共生矩阵的计算是公知技术，在本发明实施例中不再赘述。由于灰度共生矩阵的熵对目标点D及邻域进行了信息随机性上的度量，以每个邻域区域的灰度共生矩阵的熵

来描述非均匀度，然后以目标点的非均匀度和纱结点的非均匀度的差值作为对应点对的非均匀度差异

。

其中灰度共生矩阵的熵的计算为公知技术，本发明实施例中不再给出具体的计算过程。

目标点D的邻域区域内的非均匀度

越大，说明目标点D所在区域像素分布越不均匀，该点越有可能是纱结点。而纱结点C处的非均匀度必定较大，非均匀度差异

越小，说明目标点D与纱结点C的邻域区域像素分布均匀程度越相似，目标点D越有可能是纱结点。

步骤S005，获取每个点对的综合差异性和非均匀度差异构成的二元组，由所有点对的二元组组成一个差异序列，对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列，计算频率-能量序列中每两个元素的自相关性，基于自相关性对所有目标点进行分类，识别出纱结缺陷。

具体的步骤包括：

1、获取每个点对的综合差异性和非均匀度差异构成的二元组，由所有点对的二元组组成一个差异序列。

在边缘图像中，每个像素点均与纱结点C组成了点对，即每个像素点均对应有综合差异性和非均匀度差异，将两者组成一个二元组

，整张边缘图像中每个像素点处均有一个二元组，得到一个与边缘图像大小一致的矩阵，将该矩阵中每一行元素按照顺序移到前一行元素之后，得到一个一维序列，即为差异序列。

2、对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列。

通过对差异序列进行经验模态分解得到多个子序列，分别对每个子序列进行希尔伯特-黄变换得到对应子序列中每个元素对应的瞬时频率和瞬时能量，所有子序列同一元素对应的瞬时频率的均值作为该元素的平均频率，所有子序列同一元素对应的瞬时能量的均值作为该元素的平均能量，由平均频率和平均能量组成的二元组作为对应元素的频率-能量二元组，所有元素的频率-能量二元组组成频率-能量序列。

对差异序列进行经验模态分解得到的每个子序列与差异序列的长度一致，假设边缘图像的大小为M×N，即长为M，宽为N，差异序列的长度为M×N，得到的每个子序列的长度也为M×N，差异序列中的每个元素在每个子序列中均有对应的瞬时频率和瞬时能量。对于每个元素，获取对应的所有瞬时频率的平均值作为平均频率，获取对应的所有瞬时能量的平均值作为平均能量，平均频率和平均能量组成的二元组作为该元素的频率-能量二元组，整个差异序列每个元素均存在频率-能量二元组，组成频率-能量序列。

3、计算频率-能量序列中每两个元素的自相关性，基于自相关性对所有目标点进行分类，识别出纱结缺陷。

基于计算自相关系数的方法计算频率-能量序列中每两个元素的自相关系数作为对应两个元素的自相关性，然后基于自相关性对所有目标点进行DBSCAN聚类，设置自相关性的最小阈值为0.7作为聚类时的最小半径，邻域中最小样本数目阈值

基于先验取5个，将设置的指标输入DBSCAN聚类对所有目标点进行聚类，输出聚类结果，每个类别中的目标点的自相关性是相似的，且在聚类时已将背景像素点进行异常值滤除，所以得到的每个类别中的所有目标点组成一个纱结缺陷区域。

综上所述，本发明实施例采集纺织布料的表面图像，并通过边缘检测获取表面图像的边缘图像，边缘图像中包括强边缘点和弱边缘点；任意选取一个强边缘点作为纱结点；以边缘图像中每个像素点作为中心点构建窗口，利用局部二值模式获取每个窗口的特征值，进而组成特征图像；以任意一个像素点作为目标点，与纱结点组成点对，计算目标点的特征值与纱结点的特征值之间的汉明距离作为对应点对的第一打结差异性；将特征图像分割为多个预设尺寸的子区域，由每个子区域所有目标点的特征值组成特征矩阵，获取目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的差异作为对应点对的第二打结差异性；根据第一打结差异性和第二打结差异性获取对应点对的综合差异性；以每个目标点为中心点获取邻域区域，基于邻域区域内所有像素点生成的灰度共生矩阵获取对应目标点的非均匀度；以目标点的非均匀度和纱结点的非均匀度的差值作为对应点对的非均匀度差异；获取每个点对的综合差异性和非均匀度差异构成的二元组，由所有点对的二元组组成一个差异序列，对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列，计算频率-能量序列中每两个元素的自相关性，基于自相关性对所有目标点进行分类，识别出纱结缺陷。本发明实施例通过对像素点和纱结点进行多方面的差异分析将像素点分类，能够准确识别出纱结缺陷，并且数据量少，识别效率高。

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。且上述对本说明书特定实施例进行了描述。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或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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，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 (8)

1.用于纺织布料质检的面料缺陷分析识别方法，其特征在于，该方法包括以下步骤：

采集纺织布料的表面图像，并通过边缘检测获取表面图像的边缘图像，所述边缘图像中包括强边缘点和弱边缘点；任意选取一个强边缘点作为纱结点；

以所述边缘图像中每个像素点作为中心点构建窗口，利用局部二值模式获取每个窗口的特征值，进而组成特征图像；以任意一个像素点作为目标点，与纱结点组成点对，计算目标点的特征值与纱结点的特征值之间的汉明距离作为对应点对的第一打结差异性；

将所述特征图像分割为多个预设尺寸的子区域，由每个子区域内所有目标点的特征值组成特征矩阵，获取目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的差异作为对应点对的第二打结差异性；根据所述第一打结差异性和所述第二打结差异性获取对应点对的综合差异性；

以每个目标点为中心点获取邻域区域，基于邻域区域内所有像素点生成的灰度共生矩阵获取对应目标点的非均匀度；以目标点的非均匀度和纱结点的非均匀度的差值作为对应点对的非均匀度差异；

获取每个点对的综合差异性和非均匀度差异构成的二元组，由所有点对的二元组组成一个差异序列，对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列，计算所述频率-能量序列中每两个元素的自相关性，基于所述自相关性对所有目标点进行分类，识别出纱结缺陷。

2.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述边缘图像的获取方法为：

获取表面图像的灰度图像，通过canny算子利用双阈值检测对灰度图像进行边缘检测，得到强边缘线点和弱边缘点，将强边缘点的灰度值替换为第一灰度值，其余像素点的灰度值替换为第二灰度值，得到二值图像，即为所述边缘图像。

3.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述特征图像的获取方法为：

比较窗口内每个像素点的像素值与中心点的像素值的大小，当大于或者等于中心点的像素值时，将对应位置的像素点标记为1，否则标记为0，按照顺时针方向或者逆时针方向将所有标记值排列为一个字符串，即为中心点的特征值，将所述特征值转换为十进制数值作为对应窗口中心点的像素值，组成所述特征图像。

4.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述特征矩阵的获取方法为：

以子区域内的每个目标点的特征值作为矩阵同一位置上的元素，组成与对应子区域大小相同的矩阵，即为所述特征矩阵。

5.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述第二打结差异性的获取方法为：

计算目标点所在子区域的特征矩阵和纱结点所在子区域的特征矩阵之间的归一化互相关系数，以所述归一化互相关系数的相反数作为所述第二打结差异性。

6.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述综合差异性的获取方法为：

以所述第二打结差异性作为预设值的指数得到指数函数结果，乘上所述第一打结差异性，得到的乘积为所述综合差异性。

7.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述非均匀度差异的获取方法为：

获取目标点所在邻域区域内所有像素点生成的灰度共生矩阵的熵作为所述目标点的非均匀度，获取纱结点所在邻域区域内所有像素点生成的灰度共生矩阵的熵作为纱结点的非均匀度，两个非均匀度作差得到所述非均匀度差异。

8.根据权利要求1所述的用于纺织布料质检的面料缺陷分析识别方法，其特征在于，所述对差异序列进行经验模态分解以及希尔伯特-黄变换得到对应的频率-能量序列，包括：

通过对差异序列进行经验模态分解得到多个子序列，分别对每个子序列进行希尔伯特-黄变换得到对应子序列中每个元素对应的瞬时频率和瞬时能量，所有子序列同一元素对应的瞬时频率的均值作为该元素的平均频率，所有子序列同一元素对应的瞬时能量的均值作为该元素的平均能量，由平均频率和平均能量组成的二元组作为对应元素的频率-能量二元组，所有元素的频率-能量二元组组成所述频率-能量序列。

Images