CN116091423A - 一种基于稀疏字典优选的织物疵点检测方法及系统 - Google Patents

一种基于稀疏字典优选的织物疵点检测方法及系统 Download PDF

Info

Publication number
CN116091423A
CN116091423A CN202211666370.XA CN202211666370A CN116091423A CN 116091423 A CN116091423 A CN 116091423A CN 202211666370 A CN202211666370 A CN 202211666370A CN 116091423 A CN116091423 A CN 116091423A
Authority
CN
China
Prior art keywords
image
dictionary
defect
image block
detection
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
CN202211666370.XA
Other languages
English (en)
Inventor
周建
王小虎
王蕾
潘如如
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202211666370.XA priority Critical patent/CN116091423A/zh
Publication of CN116091423A publication Critical patent/CN116091423A/zh
Pending legal-status Critical Current

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于稀疏字典优选的织物疵点检测方法及系统，该方法包括采集待检测织物的图像，将所述图像分为正常图像和检测图像；设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；对最终的疵点图像块进行记录和标记。本发明提高了算法时间效率，且模型泛用性广，在同时具有较高的实时性的同时拥有较高的检测精准度。

Description

一种基于稀疏字典优选的织物疵点检测方法及系统
技术领域
本发明涉及纺织技术领域，尤其涉及一种基于稀疏字典优选的织物疵点检测方法及系统。
背景技术
织物瑕疵是在生产过程中，由原料工艺、机械故障及人为因素等原因所导致，纺织品表面含有疵点严重降低了产品的质量，导致织物价格下降。检测作为产品质量控制的重要环节，在生产过程中占有重要地位，其中疵点检测是关键的部分。目前疵点检测主要由人工来完成，但人工验布由于检出率低、速度慢、人员成本高等缺陷，无法达到高效率、高质量智能化生产要求。因此，将快速而可靠的图像处理技术应用在疵点检测中，实现织物疵点自动化检测，具有重要意义。稀疏表示理论中最为重要的角色就是稀疏字典。通过学习所得的稀疏字典能够更好地适应信号特征，允许字典学习对输入信号进行更有效的表达。对于疵点检测来说，稀疏字典能够对原织物纹理结构实现很好的表达和近似，因此应用稀疏字典方法进行织物疵点检测能够取得满意的效果。但稀疏字典的学习与求解耗时较长，难以应对工业场景下实时检测要求。因此，亟需一种新的基于稀疏字典织物疵点检测方法。
发明内容
为此，本发明实施例提供了一种基于稀疏字典优选的织物疵点检测方法及系统，用于解决现有技术中应用稀疏字典方法进行织物疵点检测时，稀疏字典的学习与求解耗时较长，难以应对工业场景下实时检测要求的问题。
为了解决上述问题，本发明实施例提供一种基于稀疏字典优选的织物疵点检测方法，该方法包括：
S1：采集待检测织物的图像，将所述图像分为正常图像和检测图像；
S2：设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；
S3：设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；
S4：对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；
S5：对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；
S6：对最终的疵点图像块进行记录和标记。
优选地，步骤S1中，所述正常图像为不包含疵点的图像，所述检测图像为包含疵点的图像。
优选地，步骤S2中，设置稀疏字典具体包括：设置稀疏字典的字典大小、子窗口大小、正则化参数。
优选地，步骤S2中，对所述正常图像进行预处理的方法包括：图像分块排列、中心化以及归一化。
优选地，步骤S3中，设置子字典具体包括：子字典的字典大小、子窗口大小、子窗口重叠方式、重构误差上限。
优选地，步骤S3中，对稀疏字典D进行优选，得到包含多个子字典的字典集合包括以下步骤：
S31：输入正常图像块样本集合
Figure BDA0004014822980000031
学习的稀疏字典D，初始化字典
Figure BDA0004014822980000032
子字典原子数量k，重构误差界限L；
S32：初始化迭代周期i＝1；
S33：从稀疏字典D中随机挑选k个字典原子组合成子字典Si；
S34：通过公式
Figure BDA0004014822980000033
更新Si，将Si添加至字典集合S；
S35：将满足条件
Figure BDA0004014822980000034
的图像块数据删除，更新图像块样本集合X；
S36：判断图像块样本集合X是否为空集，当图像块样本集合
Figure BDA0004014822980000035
迭代周期i＝i+1，返回执行步骤S33；当图像块样本集合
Figure BDA0004014822980000036
输出分组的字典集合S＝{S1，S2，...，Sq}。
优选地，步骤S4中，对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像包括以下步骤：
S41：提取检测图像X的所有图像块，排成列向量组合成矩阵Xt；
S42：利用字典集和S中所有子字典Si对矩阵Xt用最小二乘法求解得到相应系数，根据公式Xri＝D×αi，得到重构图像Xri；
S43：根据公式Xεi＝||Xt-Xri||2，得到残差图像Xεi；
其中，D为稀疏字典，αi为编码稀疏矩阵，Xri为重构图像，Xt是取块排列后的图像矩阵，Xεi为残差图像。
优选地，步骤S5中，对所述残差图像进行阈值分割得到疵点块，所述阈值的取值公式如下：
Th＝μ+c+τ
其中，μ和τ是残差图像Xε的图像块的平均值和标准值，c是一个预定的常数。
优选地，步骤S5中，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块包括以下步骤：
S51：输入分割后疵点图像块样本集Bt＝[b1，b2，...，bn]，疵点图像块对应的重构误差Ct＝[c1，c2，...，cn]，抑制程度控制系数σ；
S52：找到当前图像中最大的重构误差及其对应的图像块；
S53：根据公式δ＝σ×max[c1，c2，...，cn]计算阈值δ；
S54：根据阈值δ将所有疵点块分为两类，第一类，ci大于阈值δ的疵点图像块，将ci对应的疵点图像块bi作为真疵点图像块，将bi添加至疵点图像块Bt；第二类，ci小于等于阈值δ的疵点图像块，此类疵点图像块为检测错误的，将ci对应的疵点图像块bi剔除；此外，当所有疵点块都在第一类中，此图像为无疵点图像；
S55：输出疵点图像块Bt＝[b1，b2，...，bm]。
本发明实施例还提供了一种基于稀疏字典优选的织物疵点检测系统，该系统包括：
织物图像采集模块，用于采集待检测织物的图像，将所述图像分为正常图像和检测图像；
稀疏字典D获取模块，用于设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；
稀疏字典D优化模块，用于设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；
图像处理模块，用于对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；
织物疵点记录和标记模块，用于对最终的疵点图像块进行记录和标记。
从以上技术方案可以看出，本发明申请具有以下优点：
1.现有的基于学习的疵点检测方法，尤其是深度学习算法，需要大量的数据集和较高的硬件条件，自动检测实时性较差，本发明提出字典分组优化策略，通过将耗时的稀疏编码问题转化为最小二乘问题，大幅度降低算法的检测用时，满足了工业场景下的实时检测要求；
2.本发明提出的字典分组策略不同子字典之间能够互补，有利于织物图像的近似，突出疵点部位，并且对于图像中的噪声，利用了非极大值抑制原理，提出一种误检抑制算法，利用重构误差作为依据对图像分割后的疵点块进行筛选，降低误检率，本发明所提出的检测方法能够极大程度提升疵点的正检率。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，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，可以根据这些附图获得其他的附图。其中：
图1为提供的一种基于稀疏字典优选的织物疵点检测方法的流程图；
图2为织物疵点实时检测流程图；
图3为算法预载阶段的算法选择与参数输入图；
图4为算法预载阶段的交互界面图；
图5为布边定位效果图；
图6为平纹白坯布的实时检测部分检测结果图；
图7为平纹丝光布的实时检测部分检测结果图；
图8为提供的一种基于稀疏字典优选的织物疵点检测系统的框图。
具体实施方式
为使本发明实施例的目的、技术方案与优点更加清楚，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。
如图1所示，本发明实施例提出一种基于稀疏字典优选的织物疵点检测方法，该方法包括：
S1：采集待检测织物的图像，将所述图像分为正常图像和检测图像；
S2：设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；
S3：设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；
S4：对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；
S5：对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；
S6：对最终的疵点图像块进行记录和标记。
本发明提供了一种基于稀疏字典优选的织物疵点检测方法及系统，本发明对正常图像经过处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；通过字典分组优化策略对稀疏字典D进行优选，将耗时的稀疏编码问题转化为最小二乘问题，大幅度降低算法的检测用时，提高了算法时间效率；对对于图像中的噪声，利用了非极大值抑制原理，提出一种误检抑制算法，利用重构误差作为依据对图像分割后的疵点块进行筛选，降低误检率；本发明满足了工业场景下的实时检测要求，在具有较高的实时性的同时拥有较高的检测精准度。
进一步地，在步骤S1中包括：
本发明使用工业相机对织物的图像进行采集，所述工业相机为搭载CMOS传感器的面阵工业相机，型号为大恒水星MER-502-79U3M。根据成像要求配备了500万像素，焦距50mm的定焦镜头，型号为大恒HN-5024-5M-C2/3X。
通过工业相机采集待检测织物的图像，将所述图像分为正常图像和检测图像，所述正常图像为不包含疵点的图像，所述检测图像为包含疵点的图像。
进一步地，在步骤S2中包括：
设置稀疏字典，稀疏字典的字典大小为512、子窗口大小为32×32像素、正则化参数设置为0.6。
输入正常(无疵点)织物样本图像，并划分为一定大小的子窗口，展开排成列向量后组合成一个数据矩阵。在这里可以通过中心化和归一化加快字典训练速度，如果进行了中心化和归一化处理，那么后续对检验图像要进行同样的处理。只有对样本数据矩阵进行稀疏字典学习，然后得到包含正常织物纹理信息的稀疏字典D。
进一步地，在步骤S3中包括：
设置子字典，子字典的字典大小为14、子窗口大小为32×32像素、子窗口重叠方式为半重叠、重构误差上限根据样本不同有所调整。
通过字典分组策略对稀疏字典D进行优选，得到包含多个子字典的字典集合S＝{S1，S2，...，Sq}，
Figure BDA0004014822980000081
作为后续检测用字典集合，其中k是字典元素的数量。
字典分组策略具体包括以下步骤：
S31：输入正常图像块样本集合
Figure BDA0004014822980000082
学习的稀疏字典D，初始化字典
Figure BDA0004014822980000083
子字典原子数量k，重构误差界限L；
S32：初始化迭代周期i＝1；
S33：从稀疏字典D中随机挑选k个字典原子组合成子字典Si；
S34：通过公式
Figure BDA0004014822980000084
更新Si，将Si添加至字典集合S；
S35：将满足条件
Figure BDA0004014822980000085
的图像块数据删除，更新图像块样本集合X；
S36：判断图像块样本集合X是否为空集，当图像块样本集合
Figure BDA0004014822980000091
迭代周期i＝i+1，返回执行步骤S33；当图像块样本集合
Figure BDA0004014822980000092
输出分组的字典集合S＝{S1，S2，...，Sq}。
其中，迭代次数代表了字典集和S中子字典的数量，一般迭代5次左右即可完成所有图像块的近似代表，即一般更新5个左右的子字典。这里，迭代次数的上限被设定为了8次，因为太多的子字典占用更多的算力，会影响检测速度。考虑到Si存在着可能无法代表任何图像块的情况，本发明的解决方案是更换其他图像和调整子字典元素的数量k。
进一步地，在步骤S4中包括：
输入有疵点图像X，同样划分子窗口提取所有图像块，排成列向量组合成矩阵Xt，如上述在正常图像处理时使用中心化和归一化，此处进行相同处理。利用上述字典集合S＝{S1，S2，...，Sq}对图像进行重构，经过计算得到残差图像，具体包括以下步骤：
S41：提取检测图像X的所有图像块，排成列向量组合成矩阵Xt；
S42：利用字典集和S中所有子字典Si对矩阵Xt用最小二乘法求解得到相应系数，根据公式Xri＝D×αi，得到重构图像Xri；
S43：根据公式Xεi＝||Xt-Xri||2，得到残差图像Xεi；
其中，D为稀疏字典，αi为编码稀疏矩阵，Xri为重构图像，Xt是取块排列后的图像矩阵，Xεi为残差图像。
进一步地，在步骤S5中包括：
对上述残差图像进行阈值分割得到疵点块，所述阈值的取值公式如下：
Th＝μ+c+τ
其中，μ和τ是残差图像Xε的图像块的平均值和标准值，c是一个预定的常数(通常是经验值，对于不同的织物数值不同)。
残差图像中任何一个图像块的重构误差之和大于指定阈值，则此图像块通常都会被视为疵点块。由于不希望出现的噪声，当使用较低阈值时，很容易将正常的图像块视为疵点，从而导致高误检率。尤其是在子窗口重叠取块时，误检尤为严重，为了解决这个问题，本发明参照非极大值抑制的原理，设计了一种抑制误检的算法。
抑制误检的算法具体包括以下步骤：
S51：输入分割后疵点图像块样本集Bt＝[b1，b2，...，bn]，疵点图像块对应的重构误差Ct＝[c1，c2，...，cn]，抑制程度控制系数σ；
S52：找到当前图像中最大的重构误差及其对应的图像块；
S53：根据公式δ＝σ×max[c1，c2，...，cn]计算阈值δ；
S54：根据阈值δ将所有疵点块分为两类，第一类，ci大于阈值δ的疵点图像块，将ci对应的疵点图像块bi作为真疵点图像块，将bi添加至疵点图像块Bt；第二类，ci小于等于阈值δ的疵点图像块，此类疵点图像块为检测错误的，将ci对应的疵点图像块bi剔除；此外，当所有疵点块都在第一类中，此图像为无疵点图像；
S55：输出疵点图像块Bt＝[b1，b2，...，bm]。
进一步地，在步骤S6中包括：
对最终的疵点图像块进行记录和标记。
为了验证本发明检测方法的优越性，下面结合具体的实验过程来阐述。
在本实验中将本发明提出的检测方法部署在自主研发的织物疵点检测设备上，从整张采集的织物图像层面评价本文算法的检测精准度和实时性。
如图2所示，实时检测流程分为三大步骤：算法预载、调整阶段和检测阶段。检测算法采用微软Visual Studio(2015)平台用C++语言进行编程，使用OpenCV 4.1.1开源库，并在Intel(R)Core(TM)i9-9900K CPU@3.60GHz，16G RAM的计算机上实现。
一、实时检测流程
算法预载阶段，选择算法后输入算法相关参数并加载，并输入部分参数。如图3所示，可以输入对相机和算法分别设置，并且可同时使用两种算法，算法开关设置，训练和检测的参数设置等；之后进入调整阶段，调整阶段经历上布、穿布，相机曝光及白平衡自动调整，字典学习阶段(包括稀疏字典学习和字典分组)，此部分都是自动完成的；最后进入检测阶段，自动下布并连续采集图像放入图像存储对列，图像处理模块使用算法对图像进行处理，直到下布完成。如图4所示，由于图像被压缩图像界面上知识简单的标记，在后台有保存记录的疵点图像和疵点位置。
二、布边处理
由于8个相机捕获的最大宽度为2.2m，而一般使用的织物幅宽处于1.6～1.8m，导致其织物布边也在其中。布边的存在会影响检测的准确率，并且布边外多余的空白图像会占用额外的时间，因此有必要去除织物的布边以及无效区域。本文使用简单背景对比法进行布边的定位于切除。利用没有织物时所拍摄的背景区域，通过寻找图像沿列的平均灰度值的峰值即可实现布边的定位，并计算此峰值两侧的列的灰度值均值，去除平均灰度值较高的部分。图5展示一个寻找布边位置的例子。
算法依据的原理是，织物边缘通常需要有一定的强度，以防止分散，所以织物边缘的经纱密度会略高于织物的经纱密度，这在图像中会表现为颜色较深，像素值较低，因此峰值会出现在布边部位。图5的布边定位效果较好，证明此算法可以精准的找到布边位置排除布边以及无效的空白区域。
三、结果与分析
为了评估本发明提出的字典分组方法和硬件系统的动态性能，将相关算法部署在织物疵点自动检测系统上，并使用两种不同织物进行测试。其中平纹白坯布总计4卷，其总长度约为160m、幅宽为1.6m。平纹丝光布总8卷，总长度为160m，幅宽约1.4m。为了确保整个织物的完全覆盖，两个相邻的图像帧在图像高度方向上重叠约10mm。由于采用外部触发模式触发图像采集，相机的采集帧速率和LED光源频率根据与织物同步移动的速度编码器自动调整。图像分辨率设置为2432×896，对应的实际尺寸为28.9cm×10.7cm。在此分辨率下，子窗口不重叠的情况下处理一张图像大约需要104ms，无需并行计算。理论上，机器能够以最高62m/mi n的速度运行。为了确保准确性和稳定性，部署算法的机器以45m/mi n的速度运行，用于实时检测实验。
本次实时检测所有方法中涉及的参数选择如下：普通字典的原子数量为14；分组字典学习时使用的稀疏字典原子的数量为512，正则化参数λ＝0.6，分组字典方法包含5个字典，其中每个子字典包含14个字典原子。使用误检抑制算法时，误检抑制系数σ＝0.67。在此次实时检测中，仍然使用评估指标正检率(CDR)和误检率(FDR)来评价，但是实时检测是在图像层级来计算的。即一张图像为一个样本，不同于离线测试以一个图像块为一个样本，可能会导致误检抑制算法的重要性略微下降，因此加入测试并评估表现。由于稀疏字典方法过于耗时，不能满足实时检测的要求，本实验只测试普通字典方和分组字典方法的性能。平纹白坯布的实时检测结果数据见表1，部分检测结果图见图6；平纹丝光布的实时检测结果数据见表2，部分检测结果图见图7。
表1
Figure BDA0004014822980000131
表2
Figure BDA0004014822980000132
从表1平纹白坯布的检测结果数据可以看出，与无重叠模式相比，使用子窗口重叠能够提高正检率，同时增加了处理时间，误检率略有降低，但几乎可以忽略不计。使用误检抑制算法可以大幅降低误检率，无论是子窗口无重叠还是半重叠。与之前的离线测试相比，本次实时检测实验的正检率略有提高，而误检率则明显增加。其原因是实时检测的误检率是在图像层面上计算的，与之前离线测试中使用图像块层面不同。由于一张疵点图像中大部分为正常区域，只有一小部分才是疵点区域，当大部分疵点区域被真正归类为疵点时，这张图像才能视为正确检测，使正检率略有提高。总而言之，在图像层级，即使出现疵点区域未被完全检出，此图像同样是疵点图像，因此图像层级的正检率较高，即动态实验正检率较高。同样，由于缺陷区域一般只占整个图像的一小部分，正常图像的增加最终会降低误检率，而基于图像级别的评价性能相当于正常样本量的减少，误检率自然会升高。图6显示了实时检测情况下，平纹白坯布使用分组字典方法进行检测的部分结果。从图中的结果可以看出，由于纯棉织物中棉结的影响，存在一些误检，被误认为是疵点，而这些棉结在洗涤后可以被去除。
从表2可以看出，与平纹白坯布的检测结果数据相比，平纹丝光布的正检率是较高的，误检率较低，说明平纹丝光布的检测精确度较高。造成此类情况的原因是平纹丝光布的表面较为整洁，没有棉结等干扰，并且疵点较为简单容易被检测出。参照图7，可以发现其中两幅图中的疵点区域都没有被完全检测出，如果在图像块的层面上评价的话，必然精确性不如平纹白坯布的检测效果。但是实时性检测是以张为单位，如此才可以符合工业场景下的快速自动检测。
综上所述，本文的检测方案在算法层面可以满足实时性疵点检测的要求，并且有非常可观的准确率，尤其是在子窗口重叠以及使用误检抑制算法的情况下，虽然会牺牲一定的检测速度，但是算法无论对于多种织物和疵点类型都有着不错的检测效果，尤其是在透射光下采集的平纹白坯布。检测耗时方面，算法的实时性大体上已经满足。
如图8所示，本发明提供一种基于稀疏字典优选的织物疵点检测系统，该系统包括：
织物图像采集模块100，用于采集待检测织物的图像，将所述图像分为正常图像和检测图像；
稀疏字典D获取模块200，用于设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；
稀疏字典D优化模块300，用于设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；
图像处理模块400，用于对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；
织物疵点记录和标记模块500，用于对最终的疵点图像块进行记录和标记。
所述系统，用以实现上述所述的一种基于稀疏字典优选的织物疵点检测方法，为了避免冗余，在此不再赘述。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于稀疏字典优选的织物疵点检测方法，其特征在于，包括：
S1：采集待检测织物的图像，将所述图像分为正常图像和检测图像；
S2：设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；
S3：设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；
S4：对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；
S5：对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；
S6：对最终的疵点图像块进行记录和标记。
2.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S1中，所述正常图像为不包含疵点的图像，所述检测图像为包含疵点的图像。
3.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S2中，设置稀疏字典具体包括：设置稀疏字典的字典大小、子窗口大小、正则化参数。
4.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S2中，对所述正常图像进行预处理的方法包括：图像分块排列、中心化以及归一化。
5.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S3中，设置子字典具体包括：子字典的字典大小、子窗口大小、子窗口重叠方式、重构误差上限。
6.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S3中，对稀疏字典D进行优选，得到包含多个子字典的字典集合包括以下步骤：
S31：输入正常图像块样本集合
Figure FDA0004014822970000021
学习的稀疏字典D，初始化字典
Figure FDA0004014822970000022
子字典原子数量k,重构误差界限L；
S32：初始化迭代周期i＝1；
S33：从稀疏字典D中随机挑选k个字典原子组合成子字典Si；
S34：通过公式
Figure FDA0004014822970000023
更新Si，将Si添加至字典集合S；
S35：将满足条件
Figure FDA0004014822970000024
的图像块数据删除，更新图像块样本集合X；
S36：判断图像块样本集合X是否为空集，当图像块样本集合
Figure FDA0004014822970000025
迭代周期i＝i+1，返回执行步骤S33；当图像块样本集合
Figure FDA0004014822970000026
输出分组的字典集合S＝{S1,S2,…,Sq}。
7.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S4中，对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像包括以下步骤：
S41：提取检测图像X的所有图像块，排成列向量组合成矩阵Xt；
S42：利用字典集和S中所有子字典Si对矩阵Xt用最小二乘法求解得到相应系数，根据公式Xri＝D×αi，得到重构图像Xri；
S43：根据公式Xεi＝‖Xt-Xri‖2，得到残差图像Xεi；
其中，D为稀疏字典，αi为编码稀疏矩阵，Xri为重构图像，Xt是取块排列后的图像矩阵，Xεi为残差图像。
8.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S5中，对所述残差图像进行阈值分割得到疵点块，所述阈值的取值公式如下：
Th＝μ+c+τ
其中，μ和τ是残差图像Xε的图像块的平均值和标准值，c是一个预定的常数。
9.根据权利里要求1所述的基于稀疏字典优选的织物疵点检测方法，其特征在于，步骤S5中，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块包括以下步骤：
S51：输入分割后疵点图像块样本集Bt＝[b1,b2,…,bn]，疵点图像块对应的重构误差Ct＝[c1,c2,…,cn]，抑制程度控制系数σ；
S52：找到当前图像中最大的重构误差及其对应的图像块；
S53：根据公式δ＝σ×max[c1,c2,…,cn]计算阈值δ；
S54：根据阈值δ将所有疵点块分为两类，第一类，ci大于阈值δ的疵点图像块，将ci对应的疵点图像块bi作为真疵点图像块，将bi添加至疵点图像块Bt；第二类，ci小于等于阈值δ的疵点图像块，此类疵点图像块为检测错误的，将ci对应的疵点图像块bi剔除；此外，当所有疵点块都在第一类中，此图像为无疵点图像；
S55：输出疵点图像块Bt＝[b1,b2,…,bm]。
10.一种基于稀疏字典优选的织物疵点检测系统，其特征在于，包括：
织物图像采集模块，用于采集待检测织物的图像，将所述图像分为正常图像和检测图像；
稀疏字典D获取模块，用于设置稀疏字典，对所述正常图像进行预处理后进行稀疏字典学习，得到包含正常织物纹理信息的稀疏字典D；
稀疏字典D优化模块，用于设置子字典，对稀疏字典D进行优选，得到包含多个子字典的字典集合；
图像处理模块，用于对经过预处理后的检测图像，利用所述字典集合对其进行重构，经过计算得到残差图像；对所述残差图像进行阈值分割得到疵点图像块，对所述疵点图像块进行误检抑制处理，得到最终的疵点图像块；
织物疵点记录和标记模块，用于对最终的疵点图像块进行记录和标记。
CN202211666370.XA 2022-12-23 2022-12-23 一种基于稀疏字典优选的织物疵点检测方法及系统 Pending CN116091423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211666370.XA CN116091423A (zh) 2022-12-23 2022-12-23 一种基于稀疏字典优选的织物疵点检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211666370.XA CN116091423A (zh) 2022-12-23 2022-12-23 一种基于稀疏字典优选的织物疵点检测方法及系统

Publications (1)

Publication Number Publication Date
CN116091423A true CN116091423A (zh) 2023-05-09

Family

ID=86198368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211666370.XA Pending CN116091423A (zh) 2022-12-23 2022-12-23 一种基于稀疏字典优选的织物疵点检测方法及系统

Country Status (1)

Country Link
CN (1) CN116091423A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011298A (zh) * 2023-10-07 2023-11-07 江苏恒力化纤股份有限公司 一种基于重构图像融合的织物表面疵点位置判别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011298A (zh) * 2023-10-07 2023-11-07 江苏恒力化纤股份有限公司 一种基于重构图像融合的织物表面疵点位置判别方法
CN117011298B (zh) * 2023-10-07 2024-03-19 江苏恒力化纤股份有限公司 一种基于重构图像融合的织物表面疵点位置判别方法

Similar Documents

Publication Publication Date Title
Li et al. Deformable patterned fabric defect detection with fisher criterion-based deep learning
JP2024509411A (ja) 欠陥検出方法、装置及びシステム
CN110796637A (zh) 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN112102281B (zh) 基于改进Faster Rcnn的货车制动缸故障检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN116091423A (zh) 一种基于稀疏字典优选的织物疵点检测方法及系统
CN115205209A (zh) 一种基于弱监督学习的单色布匹瑕疵检测方法
CN112534243A (zh) 检查装置及方法
JP7453813B2 (ja) 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
Yan et al. A lightweight network for high dynamic range imaging
KR101716111B1 (ko) 이물질 검출 시스템 및 방법
KR20230023263A (ko) 딥러닝 기반 하수도 결함 감지 방법 및 그 장치
CN112465810A (zh) 一种纺织品疵点的检测分类方法
US11961221B2 (en) Defect examination on a semiconductor specimen
CN114120318B (zh) 一种基于集成决策树的暗场图像目标点精确提取方法
CN116363075A (zh) 一种光伏组件热斑检测方法、系统和电子设备
US20230419636A1 (en) Identifying anomaly location
Zhang et al. An improved DCGAN for fabric defect detection
CN113902695A (zh) 一种针对色织物裁片缺陷区域的检测方法
Wang et al. Real-time textile fabric flaw inspection system using grouped sparse dictionary
CN111915552A (zh) 一种太阳能电池内部缺陷检测方法
Rauf et al. Fabric weave pattern recognition and classification by machine learning
Yi et al. Attention-model guided image enhancement for robotic vision applications

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