CN115861261A - 一种医用无纺布的缺陷识别方法 - Google Patents

一种医用无纺布的缺陷识别方法 Download PDF

Info

Publication number
CN115861261A
CN115861261A CN202211629575.0A CN202211629575A CN115861261A CN 115861261 A CN115861261 A CN 115861261A CN 202211629575 A CN202211629575 A CN 202211629575A CN 115861261 A CN115861261 A CN 115861261A
Authority
CN
China
Prior art keywords
gray
line
abnormal line
final
final abnormal
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
Application number
CN202211629575.0A
Other languages
English (en)
Inventor
谢海鹏
韩雪峰
张永飚
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 Zhengde Medical Technology Co ltd
Original Assignee
Nantong Zhengde Medical Technology 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 Zhengde Medical Technology Co ltd filed Critical Nantong Zhengde Medical Technology Co ltd
Priority to CN202211629575.0A priority Critical patent/CN115861261A/zh
Publication of CN115861261A publication Critical patent/CN115861261A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明涉及一种医用无纺布的缺陷识别方法，属于图像处理技术领域，该方法步骤包括：采集医用无纺布的灰度图像，并获取灰度图像中透气孔洞区域和其他区域；获取其他区域中由异常像素点组成的异常线段；将与透气孔洞区域边界不相交的异常线段作为最终异常线；将与透气孔洞区域边界相交的异常线段按照异常线延伸方向进行合并得到多条最终异常线；利用每条最终异常线的方向多样性、灰度异常性、灰度渐变性计算出每条最终异常线为划痕的可信程度；根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷；本发明用于准确识别出医用无纺布表面划痕缺陷。

Description

一种医用无纺布的缺陷识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种医用无纺布的缺陷识别方法。
背景技术
医用无纺布是一种直接通过物理方法粘合在一起的织物，具有抗敏、抗菌、无毒的优点，可用于生产口罩、手术帽和手术衣等一次性用品。医用无纺布与传统纺织物相比，常用医用无纺布表面会存在多个椭圆形透气孔洞区域，在高效率防尘的同时还具有良好的透气性，随着口罩日用品的需求量持续增大，对日用品的品质要求不断提高，医用无纺布表面如果存在划痕缺陷会严重影响外观和防护性。
医用无纺布表面可能存在折痕和划痕，但是折痕对医用无纺布的质量并没有影响，然而划痕会影响医用无纺布的质量与性能，因此需要准备识别出医用无纺布表面的划痕缺陷；但是现有技术中在使用传统的阈值分割方法检测医用无纺布表面的划痕缺陷时，会由于医用无纺布表面的划痕与折痕灰度差距较小，从而造成将医用无纺布表面的折痕误识别为划痕缺陷。
发明内容
本发明提供一种医用无纺布的缺陷识别方法，用于解决现有技术中使用传统的阈值分割方法，不能准确的识别出医用无纺布表面划痕缺陷的问题。
本发明的一种医用无纺布的缺陷识别方法采用如下技术方案：
采集医用无纺布的灰度图像，并获取灰度图像中透气孔洞区域和其他区域；
获取其他区域中异常像素点；选取任意一个异常像素点作为种子点，从种子点开始生长延伸得到多条由异常像素点组成的异常线段；
将与透气孔洞区域边界不相交的异常线段作为最终异常线；将与透气孔洞区域边界相交的异常线段按照异常线延伸方向进行合并得到多条最终异常线；
根据每条最终异常线上由多对像素点连线的斜率，计算出每条最终异常线的方向多样性；
利用每条最终异常线上包含的全部像素点的灰度值，计算出每条最终异常线的灰度异常性；
根据每条最终异常线上相邻像素点的灰度值差值，确定每条最终异常线的灰度渐变性；
利用每条最终异常线的方向多样性、灰度异常性和灰度渐变性计算出每条最终异常线为划痕的可信程度；
根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷。
进一步地，每条最终异常线的方向多样性的计算步骤包括：
从每条最终异常线的第一个像素点开始遍历，直至最终异常线遍历结束后停止遍历，计算出每次遍历的像素点与预设距离后像素点连线的斜率绝对值；
将每条最终异常线对应的全部斜率绝对值方差，作为每条最终异常线的方向多样性。
进一步地，每条最终异常线的灰度异常性的计算步骤包括：
利用每条最终异常线上所有像素点的灰度值，计算出每条最终异常线对应的灰度平均值和灰度方差；
将每条最终异常线对应的灰度平均值和灰度方差乘积进行归一化处理，得到每条最终异常线的灰度异常性。
进一步地，确定每条最终异常线的灰度渐变性的步骤包括：
获取每条最终异常线的遍历方向；其中，遍历方向为存在相邻像素点灰度值减小的方向；
按照每条最终异常线的遍历方向从第一个像素点开始遍历，计算后一个像素点与前一个像素点的灰度差值，并统计灰度差值小于零的个数；
将每条最终异常线对应的灰度差值小于零的个数与最终异常线像素点总间隔的比值，作为每条最终异常线的灰度渐变性。
进一步地，获取其他区域中异常像素点的步骤包括：
计算出每个透气孔洞区域主方向，将主方向相同并且相邻的透气孔洞区域的质心拟合成一条参考直线；
以灰度图像中第一列每个像素点为起点，作多条与参考直线平行的直线，由每条与参考直线平行的直线穿过灰度图像中的像素点组成像素点序列；
从每个像素点序列中选取多段位于其他区域的子像素点序列，利用每段子像素点序列中全部像素点的灰度值，计算出每段子像素点序列的灰度异常性；
将灰度异常性小于灰度异常性阈值的子像素点序列筛选出作为筛选后子像素点序列；
将筛选后子像素点序列中包含的全部像素点的灰度值均值，作为灰度阈值；从灰度图像其他区域中选取出灰度值大于灰度阈值的像素点作为异常像素点。
进一步地，计算出每个透气孔洞区域主方向，将主方向相同并且相邻的透气孔洞区域的质心拟合成一条参考直线的步骤包括：
根据每个透气孔洞区域内全部像素点的坐标信息计算出协方差矩阵，获取协方差矩阵的所有特征值，将最大特征值所对应的特征方向作为每个透气孔洞区域主方向；
任意选取一个透气孔洞区域作为中心透气孔洞区域，获取中心透气孔洞区域的相邻透气孔洞区域；
计算中心透气孔洞区域与每个相邻透气孔洞区域主方向的角度差值，选取角度差值小于预设角度阈值的相邻透气孔洞区域作为筛选后透气孔洞区域；
将筛选后透气孔洞区域作为新中心透气孔洞区域，利用获取中心透气孔洞区域对应的筛选后透气孔洞区域的方法，获取新中心透气孔洞区域对应的筛选后透气孔洞区域，得到全部筛选后透气孔洞区域；
对全部筛选后透气孔洞区域的质心进行线性拟合得到一条参考直线。
进一步地，根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷的步骤包括：
当每条最终异常线为划痕的可信程度大于预设可信程度阈值时，则该条最终异常线为划痕缺陷。
本发明的有益效果是：
本发明提供的一种医用无纺布的缺陷识别方法，先获取医用无纺布灰度图像中透气孔洞区域和其他区域，之后获取其他区域中异常像素点得到由异常像素点组成的异常线段；本发明仅获取其他区域的异常像素点，是由于透气孔洞区域并不会受到划痕或者折痕的影响，因此只获取其他区域的异常线段即可；
由于医用无纺布表面的划痕或折痕会不可避免地穿过透气孔洞区域，会使一条划痕或折痕断裂为多条异常线段，在划痕或折痕被透气孔洞区域分割为多条异常线段后，需要将多条异常线段连成一条完整的最终异常线才能准确的判断出最终异常线是否为划痕缺陷，同时划痕或折痕不穿过透气孔洞区域就会直接表现为一条异常线段，因此本发明将与透气孔洞区域边界不相交的异常线段作为最终异常线；将与透气孔洞区域边界相交的异常线段按照异常线延伸方向进行合并得到多条最终异常线；
由于划痕和折痕相比较医用无纺布中其他像素点灰度异常性较大，同时由于在方向上折痕有明确的方向性而划痕会出现曲折的情况，而在灰度变化上划痕会出现渐变性，而折痕则表现为无规律性，因此利用每条最终异常线的方向多样性、灰度异常性、灰度渐变性计算出每条最终异常线为划痕的可信程度；根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷；本发明可将划痕与灰度差距不大的划痕区分开，实现准确识别出划痕缺陷。
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，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地介绍，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他的附图。
图1为本发明的一种医用无纺布的缺陷识别方法的实施例总体步骤流程图。
图2为本发明中透气孔洞区域主方向示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种医用无纺布的缺陷识别方法的实施例，如图1所示，该方法包括：
S1、采集医用无纺布的灰度图像，并获取灰度图像中透气孔洞区域和其他区域。
在生产线上布置高分辨率相机采集医用无纺布表面图像进行预处理，由于医用无纺布的表面存在透气孔洞结构，使用高分辨率工业相机来采集医用无纺布表面的高质量图像，高分辨率工业相机在输送医用无纺布的传送带正上方进行拍摄，拍摄频率与传送带速度以及工业相机与传送带距离相关，要使用该拍摄频率拍摄不会出现对医用无纺布部分地方漏拍的情况。同时为了避免光照不均影响缺陷的检测，要保证光源在医用无纺布上方均匀照射，对采集的医用无纺布表面图像进行灰度化处理，得到医用无纺布的灰度图像。
在获取医用无纺布的灰度图像后，使用大津阈值分割方法，将灰度图像分割为前景和背景两部分，灰度图像的前景是透气孔洞区域表现为白色连通域，灰度图像的背景是其他区域。
S2、获取其他区域中异常像素点；选取任意一个异常像素点作为种子点，从种子点开始生长延伸得到多条由异常像素点组成的异常线段。
获取其他区域中异常像素点的步骤包括：计算出每个透气孔洞区域主方向，将主方向相同并且相邻的透气孔洞区域的质心拟合成一条参考直线；以灰度图像中第一列每个像素点为起点，作多条与参考直线平行的直线，由每条与参考直线平行的直线穿过灰度图像中的像素点组成像素点序列；从每个像素点序列中选取多段位于其他区域的子像素点序列，利用每段子像素点序列中全部像素点的灰度值，计算出每段子像素点序列的灰度异常性；将灰度异常性小于灰度异常性阈值的子像素点序列筛选出作为筛选后子像素点序列；将筛选后子像素点序列中包含的全部像素点的灰度值均值，作为灰度阈值；从灰度图像其他区域中选取出灰度值大于灰度阈值的像素点作为异常像素点。
计算出每个透气孔洞区域主方向，将主方向相同并且相邻的透气孔洞区域的质心拟合成一条参考直线的步骤包括：根据每个透气孔洞区域内全部像素点的坐标信息计算出协方差矩阵，获取协方差矩阵的所有特征值，将最大特征值所对应的特征方向作为每个透气孔洞区域主方向；任意选取一个透气孔洞区域作为中心透气孔洞区域，获取中心透气孔洞区域的相邻透气孔洞区域；计算中心透气孔洞区域与每个相邻透气孔洞区域主方向的角度差值，选取角度差值小于预设角度阈值的相邻透气孔洞区域作为筛选后透气孔洞区域；将筛选后透气孔洞区域作为新中心透气孔洞区域，利用获取中心透气孔洞区域对应的筛选后透气孔洞区域的方法，获取新中心透气孔洞区域对应的筛选后透气孔洞区域，得到全部筛选后透气孔洞区域；对全部筛选后透气孔洞区域的质心进行线性拟合得到一条参考直线。
在获取灰度图像中透气孔洞区域后，如图2所示，为本发明中透气孔洞区域主方向示意图，利用主成分分析法，确定白色连通域的主方向
Figure DEST_PATH_IMAGE002
，取值范围为/>
Figure DEST_PATH_IMAGE004
。主成分分析法为现有技术，具体过程为：根据每个透气孔洞区域内全部像素点的坐标信息计算出协方差矩阵，获取协方差矩阵的所有特征值，将最大特征值所对应的特征方向作为每个透气孔洞区域主方向。
一个透气孔洞区域的周围有8个相邻透气孔洞区域，计算每个相邻透气孔洞区域与中心透气孔洞区域在主方向上的角度差值，设置角度阈值为
Figure DEST_PATH_IMAGE006
，选取角度差值小于预设角度阈值/>
Figure 348431DEST_PATH_IMAGE006
的相邻透气孔洞区域作为筛选后透气孔洞区域，将筛选后透气孔洞区域作为新中心透气孔洞区域，利用获取中心透气孔洞区域对应的筛选后透气孔洞区域的方法，获取新中心透气孔洞区域对应的筛选后透气孔洞区域，得到全部筛选后透气孔洞区域；对全部筛选后透气孔洞区域的质心进行线性拟合得到一条参考直线。/>
以医用无纺布的灰度图像中第一列每个像素点为起点，做多条与参考直线平行的直线，由每条与参考直线平行的直线穿过灰度图像中的像素点组成像素点序列；从每个像素点序列中选取多段位于其他区域的子像素点序列，利用每段子像素点序列中全部像素点的灰度值，计算出每段子像素点序列的灰度异常性；将灰度异常性小于灰度异常性阈值的子像素点序列筛选出作为筛选后子像素点序列；将筛选后子像素点序列中包含的全部像素点的灰度值均值，作为灰度阈值；从灰度图像其他区域中选取出灰度值大于灰度阈值的像素点作为异常像素点。
由于医用无纺布表面存在密密麻麻的孔洞，划痕和折痕只会破坏其他区域的灰度排列规律，划痕和折痕均呈现高亮特点，在其他区域以异常像素点为种子点生长异常线段。
从每个像素点序列中选取多段位于其他区域的子像素点序列的步骤为：先获取每个像素点的灰度值序列；获取医用无纺布的二值化图像，以医用无纺布的二值化图像中第一列每个像素点为起点，做多条与参考直线平行的直线，由每条与参考直线平行的直线穿过二值化图像中的像素点组成灰度级序列，灰度级序列中透气孔洞区域像素点灰度值为0，其他区域像素点灰度值为1，每个灰度级序列对应一灰度值序列；以灰度级序列为掩模，与对应的灰度值序列相乘，透气孔洞区域像素点灰度值为0，其他区域像素点灰度值为1，从每个像素点序列中选取多段位于其他区域的子像素点序列。
每段子像素点序列的灰度异常性的计算公式为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE010
表示第/>
Figure DEST_PATH_IMAGE012
段子像素点序列的灰度异常性；/>
Figure DEST_PATH_IMAGE014
表示第/>
Figure 124626DEST_PATH_IMAGE012
段子像素点序列中包含的像素点总数量；/>
Figure DEST_PATH_IMAGE016
表示第/>
Figure 324270DEST_PATH_IMAGE012
段子像素点序列中第/>
Figure DEST_PATH_IMAGE018
个像素点的灰度值；/>
Figure DEST_PATH_IMAGE020
表示第/>
Figure 312954DEST_PATH_IMAGE012
段子像素点序列中全部像素点的灰度平均值；/>
Figure DEST_PATH_IMAGE022
表示现有归一化函数；
在每段子像素点序列的灰度异常性的计算公式中，第一个因式
Figure 65010DEST_PATH_IMAGE020
表示灰度平均值；第二个因式/>
Figure DEST_PATH_IMAGE024
表示灰度方差，将第一个因式和第二个因式相乘得到归一化后的灰度异常性。其他区域如果存在划痕或折痕，整体的灰度水平更高并且波动程度也较大，即灰度平均值和灰度方差的乘积越大，归一化后的灰度异常性越接近1，/>
Figure 372625DEST_PATH_IMAGE010
越大，表示灰度平均值越大和灰度方差的波动程度也较大，即灰度异常性较大的子像素点序列上，存在打破其他区域规律的异常像素的可能性越大。
本实施例中将灰度异常性阈值设置为0.3，由于
Figure 46183DEST_PATH_IMAGE010
越接近1的子像素点序列上存在打破其他区域规律的异常像素点的可能性越大，/>
Figure 510663DEST_PATH_IMAGE010
越接近0的子像素点序列上存在异常像素点的可能性越小，因此本实施例将灰度异常性小于灰度异常性阈值0.3的子像素点序列筛选出作为筛选后子像素点序列，筛选后子像素点序列上存在正常像素点的可能性更高；计算出筛选后子像素点序列中包含的全部像素点的灰度值均值，作为灰度阈值/>
Figure DEST_PATH_IMAGE026
；从灰度图像其他区域中选取出灰度值大于灰度阈值的像素点作为异常像素点。
选取任意一个异常像素点作为种子点，以种子点为中心像素点，将中心像素点八邻域内的异常像素点作为新种子点，在新种子点的八邻域内继续搜索异常像素点，不断搜索延伸得到多条由异常像素点组成的异常线段。
S3、将与透气孔洞区域边界不相交的异常线段作为最终异常线；将与透气孔洞区域边界相交的异常线段按照异常线延伸方向进行合并得到多条最终异常线。
由于透气孔洞区域的存在，医用无纺布的灰度图像上的划痕或折痕会被断裂成多条异常线段。若一条异常线段和透气孔洞区域一侧的边界相交，则在透气孔洞区域另一侧寻找异常线段延伸方向的异常线段，若透气孔洞区域另一侧存在异常线段则将被透气孔洞区域分割开的两个异常线段合并为一条异常线段。
S4、根据每条最终异常线上由多对像素点连线的斜率，计算出每条最终异常线的方向多样性。
每条最终异常线的方向多样性的计算步骤包括：从每条最终异常线的第一个像素点开始遍历，直至最终异常线遍历结束后停止遍历，计算出每次遍历的像素点与预设距离后像素点连线的斜率绝对值；将每条最终异常线对应的全部斜率绝对值方差，作为每条最终异常线的方向多样性。
由于折痕的方向具有一致性，折痕上两点连线的斜率变化较小，而划痕的方向多变，两点连线的斜率变化较大；本发明中设置预设距离5，从每条最终异常线的第一个像素点开始遍历，直至最终异常线遍历结束后停止遍历，计算出每次遍历的像素点与预设距离后像素点连线的斜率绝对值；例如：由第一个像素点与第六个像素点组成一对像素点，由第二个像素点与第七个像素点组成一对像素点，根据每对像素点连线的斜率绝对值，计算出每条最终异常线的方向多样性。
在计算出每条最终异常线的方向多样性时，先计算出每条最终异常线上由多对像素点连线得到的多个斜率绝对值的均值，再根据每条最终异常线上由多对像素点连线得到的多个斜率绝对值的均值，计算出每条最终异常线上由多对像素点连线得到的多个斜率绝对值的方差。
例如：以预设距离5为例：
每条最终异常线上由多对像素点连线得到的多个斜率绝对值的均值的计算公式为：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
表示第/>
Figure DEST_PATH_IMAGE032
条最终异常线上由/>
Figure DEST_PATH_IMAGE034
对像素点连线得到的多个斜率绝对值的均值；/>
Figure DEST_PATH_IMAGE036
表示第/>
Figure 927344DEST_PATH_IMAGE032
条最终异常线上像素点的总个数；/>
Figure DEST_PATH_IMAGE038
表示第/>
Figure 779762DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 65250DEST_PATH_IMAGE038
个像素点；/>
Figure DEST_PATH_IMAGE040
表示第/>
Figure 490678DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 420587DEST_PATH_IMAGE038
个像素点的横坐标；/>
Figure DEST_PATH_IMAGE042
表示第/>
Figure 37382DEST_PATH_IMAGE032
条最终异常线上第
Figure 810166DEST_PATH_IMAGE038
个像素点的纵坐标；/>
Figure DEST_PATH_IMAGE044
表示第/>
Figure 22973DEST_PATH_IMAGE032
条最终异常线上第/>
Figure DEST_PATH_IMAGE046
个像素点的横坐标；/>
Figure DEST_PATH_IMAGE048
表示第/>
Figure 758455DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 359200DEST_PATH_IMAGE046
个像素点的纵坐标；其中，均值为现有技术中计算公式，在此不再赘述。
每条最终异常线的方向多样性的计算公式为：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
表示第/>
Figure 212756DEST_PATH_IMAGE032
条最终异常线的方向多样性；/>
Figure 448827DEST_PATH_IMAGE030
表示第/>
Figure 477963DEST_PATH_IMAGE032
条最终异常线上由
Figure 656134DEST_PATH_IMAGE034
对像素点连线得到的多个斜率绝对值的均值；/>
Figure 137931DEST_PATH_IMAGE036
表示第/>
Figure 676229DEST_PATH_IMAGE032
条最终异常线上像素点的总个数；/>
Figure 559871DEST_PATH_IMAGE038
表示第/>
Figure 908944DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 878037DEST_PATH_IMAGE038
个像素点；/>
Figure 452982DEST_PATH_IMAGE040
表示第/>
Figure 456710DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 976684DEST_PATH_IMAGE038
个像素点的横坐标；/>
Figure 433073DEST_PATH_IMAGE042
表示第/>
Figure 313173DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 905829DEST_PATH_IMAGE038
个像素点的纵坐标；/>
Figure 596704DEST_PATH_IMAGE044
表示第/>
Figure 540389DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 725645DEST_PATH_IMAGE046
个像素点的横坐标；/>
Figure 438386DEST_PATH_IMAGE048
表示第/>
Figure 34584DEST_PATH_IMAGE032
条最终异常线上第/>
Figure 465565DEST_PATH_IMAGE046
个像素点的纵坐标；将每条最终异常线对应的全部斜率绝对值方差，作为每条最终异常线的方向多样性，而方差为现有技术中计算公式，在此不再赘述。
第
Figure 687468DEST_PATH_IMAGE032
条最终异常线的起点坐标为/>
Figure DEST_PATH_IMAGE054
，终点坐标为/>
Figure DEST_PATH_IMAGE056
，设置预设距离为5，从第/>
Figure 457978DEST_PATH_IMAGE032
条最终异常线上第一个像素开始遍历，对于第/>
Figure 769617DEST_PATH_IMAGE038
个像素点/>
Figure DEST_PATH_IMAGE058
，计算第/>
Figure 94419DEST_PATH_IMAGE038
个像素点/>
Figure 120013DEST_PATH_IMAGE058
与后面第/>
Figure DEST_PATH_IMAGE060
)个像素连线的斜率绝对值/>
Figure DEST_PATH_IMAGE062
。对于等间隔像素连线的斜率绝对值先求均值，然后再求方差/>
Figure 213871DEST_PATH_IMAGE052
，方差能表示数值变化的波动程度，/>
Figure 964920DEST_PATH_IMAGE052
方差表示第/>
Figure 308177DEST_PATH_IMAGE032
条最终异常线的方向多样性，/>
Figure 183467DEST_PATH_IMAGE052
越大表示第/>
Figure 849940DEST_PATH_IMAGE032
条最终异常线的方向越多变越曲折，没有一致的方向趋向。
S5、利用每条最终异常线上包含的全部像素点的灰度值，计算出每条最终异常线的灰度异常性。
每条最终异常线的灰度异常性的计算步骤包括：利用每条最终异常线上所有像素点的灰度值，计算出每条最终异常线对应的灰度平均值和灰度方差；将每条最终异常线对应的灰度平均值和灰度方差乘积进行归一化处理，得到每条最终异常线的灰度异常性。
在步骤S2中已经公开了每段子像素点序列的灰度异常性的计算公式，而本发明中每条最终异常线的灰度异常性的计算公式与每段子像素点序列的灰度异常性的计算公式相同，所以在此没有赘述每条最终异常线的灰度异常性的计算公式。
S6、根据每条最终异常线上相邻像素点的灰度值差值，确定每条最终异常线的灰度渐变性。
确定每条最终异常线的灰度渐变性的步骤包括：获取每条最终异常线的遍历方向；其中，遍历方向为存在相邻像素点灰度值减小的方向；按照每条最终异常线的遍历方向从第一个像素点开始遍历，计算后一个像素点与前一个像素点的灰度差值，并统计灰度差值小于零的个数；将每条最终异常线对应的灰度差值小于零的个数与最终异常线像素点总间隔的比值，作为每条最终异常线的灰度渐变性。
某些划痕较短方向并不曲折，只通过方向多样性无法将医用无纺布的灰度图像中划痕和折痕区分开，但是划痕会在灰度上表现出渐变性，沿着一个方向，灰度值要么单调递增要么单调递减；折痕的灰度值则会在一个灰度水平上下随机波动。第
Figure DEST_PATH_IMAGE064
条最终异常线上有
Figure 667765DEST_PATH_IMAGE036
个像素，/>
Figure DEST_PATH_IMAGE066
个间隔，一条异常线有两个方向，在有灰度减小的方向上，从第一个像素开始，计算后一个像素与前一个像素的灰度差值，统计灰度差值小于0出现的次数，除以总间隔数得到每条最终异常线的灰度渐变性/>
Figure DEST_PATH_IMAGE068
；当一条最终异常线的灰度渐变性越大时，表示该条最终异常线上灰度的单调变化规律性更强。
S7、利用每条最终异常线的方向多样性、灰度异常性和灰度渐变性计算出每条最终异常线为划痕的可信程度。
在得到每条最终异常线的方向多样性、灰度异常性、灰度渐变性后，利用每条最终异常线的方向多样性、灰度异常性和灰度渐变性计算出每条最终异常线为划痕的可信程度，当每条异常线为划痕的可信程度大于预设可信程度阈值时，将该条异常线判断为划痕缺陷。
每条最终异常线为划痕的可信程度的计算公式为：
Figure DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE072
表示第/>
Figure 983471DEST_PATH_IMAGE032
条最终异常线为划痕的可信程度；/>
Figure DEST_PATH_IMAGE074
表示第/>
Figure 678764DEST_PATH_IMAGE032
条最终异常线的灰度异常性；/>
Figure 950476DEST_PATH_IMAGE052
表示第/>
Figure 620492DEST_PATH_IMAGE032
条最终异常线的方向多样性；/>
Figure 92668DEST_PATH_IMAGE068
表示第/>
Figure 873542DEST_PATH_IMAGE032
条最终异常线的灰度渐变性；/>
Figure DEST_PATH_IMAGE076
表示指数函数。
在每条最终异常线为划痕的可信程度的计算公式中，由于划痕和折痕相比较医用无纺布中其他像素点灰度异常性较大，同时由于在方向上折痕有明确的方向性而划痕会出现曲折的情况，而在灰度变化上划痕会出现渐变性，而折痕则表现为无规律性，因此利用每条最终异常线的方向多样性、灰度异常性、灰度渐变性计算出每条最终异常线为划痕的可信程度；当一条最终异常线为划痕时，该条最终异常线对应的方向多样性、灰度异常性、灰度渐变性同时增大，因此当第
Figure 796499DEST_PATH_IMAGE032
条最终异常线的方向多样性、灰度异常性、灰度渐变性三者的乘积越大时，表示第/>
Figure 762050DEST_PATH_IMAGE032
条最终异常线上的划痕特征越强烈，越有可能是真正的划痕缺陷，用指数函数进行归一化处理，乘积越大，三者的倒数越小，映射到指数函数上/>
Figure 36036DEST_PATH_IMAGE072
的取值越接近1，当/>
Figure 620601DEST_PATH_IMAGE072
的取值越接近1时越有可能是划痕而不是折痕。
S8、根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷。
根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷的步骤包括：当每条最终异常线为划痕的可信程度大于预设可信程度阈值时，则该条最终异常线为划痕缺陷。
由于当
Figure 352059DEST_PATH_IMAGE072
的取值越接近1时越有可能是划痕而不是折痕，因此本发明中设置可信程度的阈值为0.7，将大于该可信程度阈值0.7的最终异常线判断为划痕缺陷。在识别出划痕缺陷后，需要将划痕缺陷可视化显示到相应的显示器上，以便用户更加直观的查看医用无纺布表面的划痕异常。
本发明提供一种医用无纺布的缺陷识别方法，用于解决现有技术中使用传统的阈值分割方法，不能准确的识别出医用无纺布表面划痕缺陷的问题；由于划痕和折痕相比较医用无纺布中其他像素点灰度异常性较大，同时由于在方向上折痕有明确的方向性而划痕会出现曲折的情况，而在灰度变化上划痕会出现渐变性，而折痕则表现为无规律性，因此根据划痕和折痕的差异能准确识别出医用无纺布表面划痕缺陷。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种医用无纺布的缺陷识别方法，其特征在于，该方法包括：
采集医用无纺布的灰度图像，并获取灰度图像中透气孔洞区域和其他区域；
获取其他区域中异常像素点；选取任意一个异常像素点作为种子点，从种子点开始生长延伸得到多条由异常像素点组成的异常线段；
将与透气孔洞区域边界不相交的异常线段作为最终异常线；将与透气孔洞区域边界相交的异常线段按照异常线延伸方向进行合并得到多条最终异常线；
根据每条最终异常线上由多对像素点连线的斜率，计算出每条最终异常线的方向多样性；
利用每条最终异常线上包含的全部像素点的灰度值，计算出每条最终异常线的灰度异常性；
根据每条最终异常线上相邻像素点的灰度值差值，确定每条最终异常线的灰度渐变性；
利用每条最终异常线的方向多样性、灰度异常性和灰度渐变性计算出每条最终异常线为划痕的可信程度；
根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷。
2.根据权利要求1所述的一种医用无纺布的缺陷识别方法，其特征在于，每条最终异常线的方向多样性的计算步骤包括：
从每条最终异常线的第一个像素点开始遍历，直至最终异常线遍历结束后停止遍历，计算出每次遍历的像素点与预设距离后像素点连线的斜率绝对值；
将每条最终异常线对应的全部斜率绝对值方差，作为每条最终异常线的方向多样性。
3.根据权利要求1所述的一种医用无纺布的缺陷识别方法，其特征在于，每条最终异常线的灰度异常性的计算步骤包括：
利用每条最终异常线上所有像素点的灰度值，计算出每条最终异常线对应的灰度平均值和灰度方差；
将每条最终异常线对应的灰度平均值和灰度方差乘积进行归一化处理，得到每条最终异常线的灰度异常性。
4.根据权利要求1所述的一种医用无纺布的缺陷识别方法，其特征在于，确定每条最终异常线的灰度渐变性的步骤包括：
获取每条最终异常线的遍历方向；其中，遍历方向为存在相邻像素点灰度值减小的方向；
按照每条最终异常线的遍历方向从第一个像素点开始遍历，计算后一个像素点与前一个像素点的灰度差值，并统计灰度差值小于零的个数；
将每条最终异常线对应的灰度差值小于零的个数与最终异常线像素点总间隔的比值，作为每条最终异常线的灰度渐变性。
5.根据权利要求1所述的一种医用无纺布的缺陷识别方法，其特征在于，获取其他区域中异常像素点的步骤包括：
计算出每个透气孔洞区域主方向，将主方向相同并且相邻的透气孔洞区域的质心拟合成一条参考直线；
以灰度图像中第一列每个像素点为起点，作多条与参考直线平行的直线，由每条与参考直线平行的直线穿过灰度图像中的像素点组成像素点序列；
从每个像素点序列中选取多段位于其他区域的子像素点序列，利用每段子像素点序列中全部像素点的灰度值，计算出每段子像素点序列的灰度异常性；
将灰度异常性小于灰度异常性阈值的子像素点序列筛选出作为筛选后子像素点序列；
将筛选后子像素点序列中包含的全部像素点的灰度值均值，作为灰度阈值；从灰度图像其他区域中选取出灰度值大于灰度阈值的像素点作为异常像素点。
6.根据权利要求5所述的一种医用无纺布的缺陷识别方法，其特征在于，计算出每个透气孔洞区域主方向，将主方向相同并且相邻的透气孔洞区域的质心拟合成一条参考直线的步骤包括：
根据每个透气孔洞区域内全部像素点的坐标信息计算出协方差矩阵，获取协方差矩阵的所有特征值，将最大特征值所对应的特征方向作为每个透气孔洞区域主方向；
任意选取一个透气孔洞区域作为中心透气孔洞区域，获取中心透气孔洞区域的相邻透气孔洞区域；
计算中心透气孔洞区域与每个相邻透气孔洞区域主方向的角度差值，选取角度差值小于预设角度阈值的相邻透气孔洞区域作为筛选后透气孔洞区域；
将筛选后透气孔洞区域作为新中心透气孔洞区域，利用获取中心透气孔洞区域对应的筛选后透气孔洞区域的方法，获取新中心透气孔洞区域对应的筛选后透气孔洞区域，得到全部筛选后透气孔洞区域；
对全部筛选后透气孔洞区域的质心进行线性拟合得到一条参考直线。
7.根据权利要求1所述的一种医用无纺布的缺陷识别方法，其特征在于，根据每条最终异常线为划痕的可信程度，判断每条最终异常线是否为划痕缺陷的步骤包括：
当每条最终异常线为划痕的可信程度大于预设可信程度阈值时，则该条最终异常线为划痕缺陷。
CN202211629575.0A 2022-12-19 2022-12-19 一种医用无纺布的缺陷识别方法 Pending CN115861261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211629575.0A CN115861261A (zh) 2022-12-19 2022-12-19 一种医用无纺布的缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211629575.0A CN115861261A (zh) 2022-12-19 2022-12-19 一种医用无纺布的缺陷识别方法

Publications (1)

Publication Number Publication Date
CN115861261A true CN115861261A (zh) 2023-03-28

Family

ID=85673963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211629575.0A Pending CN115861261A (zh) 2022-12-19 2022-12-19 一种医用无纺布的缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115861261A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197140A (zh) * 2023-11-07 2023-12-08 东莞市恒兴隆实业有限公司 基于机器视觉的不规则金属扣成型检测方法
CN117291843A (zh) * 2023-11-24 2023-12-26 山东金太阳农业发展有限公司 一种图像数据库高效管理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197140A (zh) * 2023-11-07 2023-12-08 东莞市恒兴隆实业有限公司 基于机器视觉的不规则金属扣成型检测方法
CN117197140B (zh) * 2023-11-07 2024-02-20 东莞市恒兴隆实业有限公司 基于机器视觉的不规则金属扣成型检测方法
CN117291843A (zh) * 2023-11-24 2023-12-26 山东金太阳农业发展有限公司 一种图像数据库高效管理方法
CN117291843B (zh) * 2023-11-24 2024-03-15 山东金太阳农业发展有限公司 一种图像数据库高效管理方法

Similar Documents

Publication Publication Date Title
CN115861261A (zh) 一种医用无纺布的缺陷识别方法
CN109934802B (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
CN108364291A (zh) 基于计算机视觉技术的原坯布快速检测方法
CN115115615A (zh) 一种基于图像识别的纺织面料质量评估方法及系统
CN116843688B (zh) 一种纺织品质量视觉检测方法
CN112446838A (zh) 一种基于局部统计信息的图像噪声检测方法、装置
CN114842007B (zh) 一种基于图像处理的纺织品磨损缺陷检测方法
CN116309671B (zh) 一种土工合成织物质量检测系统
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN114897894A (zh) 一种筒纱菊花芯缺陷检测方法
CN115131348A (zh) 一种纺织品表面缺陷的检测方法及系统
CN114972575A (zh) 一种基于轮廓边缘的直线拟合算法
CN116823824A (zh) 基于机器视觉的井下带式输送机降尘检测系统
CN114821284A (zh) 一种纺织品生产用码布机智能调节方法
CN116977342A (zh) 基于图像分割的pcb板线路检测方法
CN115861310A (zh) 一种床单表面纺织缺陷检测方法
Ananthavaram et al. Automatic defect detection of patterned fabric by using RB method and independent component analysis
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
CN114862836A (zh) 基于数据识别图形的纺织布料智能印染方法及系统
CN113744326B (zh) 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法
CN116894840B (zh) 纺纱打样机产品质量检测方法及系统
CN116757972B (zh) 一种抗光影噪声影响的织物缺陷检测方法
Sarkar et al. Segmentation of plant disease spots using automatic SRG algorithm: a look up table approach
CN113592811A (zh) 一种基于图像处理的熔喷布厚度一致性检测方法
CN114693686B (zh) 一种用于床单布匹污渍检测的方法

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