CN116091465A - 一种基于三维扫描的织物起毛起球等级自动评定方法 - Google Patents

一种基于三维扫描的织物起毛起球等级自动评定方法 Download PDF

Info

Publication number
CN116091465A
CN116091465A CN202310103633.4A CN202310103633A CN116091465A CN 116091465 A CN116091465 A CN 116091465A CN 202310103633 A CN202310103633 A CN 202310103633A CN 116091465 A CN116091465 A CN 116091465A
Authority
CN
China
Prior art keywords
fabric
pilling
fuzzing
image
dimensional
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
CN202310103633.4A
Other languages
English (en)
Inventor
徐平华
葛苏敏
黄舒敏
徐明慧
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.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
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 Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202310103633.4A priority Critical patent/CN116091465A/zh
Publication of CN116091465A publication Critical patent/CN116091465A/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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10008—Still image; Photographic image from scanner, fax or copier
    • 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
    • G06T2207/10012—Stereo images
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种基于三维扫描的织物起毛起球等级自动评定方法，包括如下步骤：(1)试样毛羽效应设计；(2)三维空间形态获取；(3)图像预处理：通过图像预处理，获得清晰的起毛起球图像，实现毛球与织物基准面的分离；(4)起毛起球特征提取与分析：对于预处理得到的图像进行图像分析，通过边缘检测等处理提取织物表面起毛起球特征，并分析表面起毛起球的特征；(5)起毛起球等级分类与评定；本发明通过图像分析技术对起毛起球织物三维扫描图像进行分割、图像增强等处理，获取织物毛球特征数据，并根据数据对织物起球的等级进行分类，再通过支持向量机对其进行训练，最终实现客观评定织物起球等级的目的。

Description

一种基于三维扫描的织物起毛起球等级自动评定方法
技术领域
本发明属于织物评价领域，具体涉及了一种基于三维扫描的织物起毛起球等级自动评定方法。
背景技术
在纺织工业中经常要对服装的一些性能进行检测，其中一个重要的指标就是织物的起毛起球等级。对于起毛起球等级的评定，常用的方法是主观评定法。这个方法是让评测人员肉眼观察织物表面的起毛起球情况，然后根据标准样品的照片得出起毛起球的等级。该方法检测消耗的时间长、效率低、稳定性差，容易受到研究人员的主观影响。因此，近年来人们做了大量关于起毛起球客观评定方法的研究。
通常研究人员会选择提取织物的二维图像对织物等级进行研究。这种方法在图像获取时比较困难，因为后续是通过灰度信息进行处理的，因此对光照条件的要求较高，但只要获取了清晰的图像，后续的处理较为简单。随着三维信息采集技术、建模技术的快速发展，在织物起毛起球的研究领域中也出现了一些通过采集织物三维坐标等数据对其进行客观等级评定的研究。通过三维仪器的扫描，人们可以克服光照、纹理等因素对织物图像造成的不利影响，在短时间内采集到织物的空间点云，而且测量精度高，不受织物复杂外观的影响。
起毛起球的实现通常有马丁代尔法、圆轨迹法、箱式起毛起球法等。图像预处理的方法有中值滤波去噪、top-hat变换、灰度变换等。图像分割的处理方法有Otsu法、高斯建模、边缘流、区域生长法、模板匹配等。特征提取一般包括毛球个数、毛球大小、毛球总面积、毛球平均面积、不匀率等。
通常的评价方法包括以下两类
(1)基于二维图像的频率域检测与评价
在空间域对起毛起球进行检测的步骤可以分为：1)起毛起球；2)图像采集；3)频率域处理；4)图像分割；5特征提取。2002年，JM Carstensen研制了针织物起毛起球性能的数字图像分析系统。作者用傅里叶变换提取参数，实现了对起毛起球性能的客观评级。2005年，Soo Chang Kim通过弱化织物表面的周期性的花纹，来增强毛球信息，然后提取毛球的覆盖率作为毛球分级评定参数。2010年，周圆圆、潘如如等先去除了织物表面的纹理信息，避免其对后续图像处理产生不利影响，然后用增强的Otsu法分割出织物毛球。2011年，高卫东用最优Gabor滤波器对图像增强，然后通过Otsu法对图像表面的毛球进行分割，提取毛球总面积，并建立起其与起毛起球等级之间的相对关系，以此来实现客观评级。2016年，张俊平主要用分水岭阈值进行分割，然后重构图像。崔新辉在用Gabor变换进行滤除和采用Ostu算法分割前，采用改进的Hough变换算法截取了织物起毛起球区域，利用小波多分辨分析对织物起毛起球的图像进行非纹理去噪处理，最后提取了毛球信息，对毛球进行了等级评定。汪亚明用不同方法去除织物起毛起球图像中不同的噪点。先用小波变换去除因光照不匀、织物不平等导致的噪点，然后利用Gabor去除纹理噪点。2018年卢开新通过傅里叶变换等获取标准样照，用OK-AC1360CCD照相机采集织物图像，利用高斯拟合阈值等方法去除噪点，获得织物毛球数据并运用最小距离法求取与标准样照特征参数量间的距离，确定起毛起球的等级。
基于频率域额图像处理，可以运用傅里叶变换等技术手段滤除织物纹理信息对图像起毛起球判定的影响，可以适应市场上各种纹理图案的面料的等级评定，应用范围将广。
(2)基于三维扫描图像的检测与评级
利用三维图像对织物进行起毛起球检测的算法流程有：1、起毛起球；2、三维图像采集；3、三维数据处理；4、特征提取。三维图像采集可以通过三维激光扫描仪、双目立体视觉相机等。三维数据处理可以通过阈值分割、傅里叶变换、小波变换等。
Kim[在2006年首次用二维图像和三维图像结合的方式对织物起毛起球性能进行客观评价。作者发现三维测量方式更适合厚型且容易起毛的织物，二维图像更适合处理薄形且表面光滑的织物。2013年，徐步高用种子生长法检测局部最大深度来提取毛球高度、密度等特征，然后进行客观等级评定。2013年，余十平、龙海如用Xystum三维立体扫描仪获取针织物表面坐标数据，通过手动确定阈值分离毛球，并得出毛球的个数、面积和体积等特征值，实现了自动检测针织物起毛起球的特征值。并运用最小距离分类法对试样进行级别评定。2016年，余灵婕通过获取织物表面及绒毛的深度信息，建立织物基准面，实现绒毛和织物本体的分离，然后把绒毛覆盖率、覆盖体积、粗糙度、绒毛最大高度和绒毛集中高度等参数作为等级研究的标准，最终实现自动评级。2018年，章玉铭、徐步高用立体视觉系统采集三维图像，通过提取织物的起毛起球特征来量化织物磨损的程度，然后通过建立起毛起球参数与主观等级间的多线回归模型，得出起毛起球参数与主观等级之间的关系，以此来实现客观评级。
综上所述，基于二维图像的处理受环境光、背景光等照明条件的影响，且物体表面本身的光学特性也会对测量产生干扰。此外，为了増强织物表面毛球成像的清晰程度，需要不断调节亮度、对比度，然后一系列的预处理，如高斯去噪，过程非常繁琐。一般的三维扫描方法，采集的设备大多复杂或者昂贵，移动不方便，对于场地依赖性较强。
发明内容
本发明的目的在于提供一种基于三维扫描的织物起毛起球等级自动评定方法，通过图像分析技术对起毛起球织物三维扫描图像进行分割、图像增强等处理，获取织物毛球特征数据，并根据数据对织物起球的等级进行分类，再通过支持向量机对其进行训练，最终实现客观评定织物起球等级的目的。
为了解决上述技术问题，采用如下技术方案：
一种基于三维扫描的织物起毛起球等级自动评定方法：其特征在于包括如下步骤：
(1)试样毛羽效应设计：选用常见的织物，设计覆盖1～5等级的起毛起球效应的试验样品；
(2)三维空间形态获取：用手持式三维扫描仪对织物进行精细扫描，获取织物清晰的三维扫描图像，并将获得三维信息转为二维图像；
(3)图像预处理：通过图像预处理，获得清晰的起毛起球图像，实现毛球与织物基准面的分离；
(4)起毛起球特征提取与分析：对于预处理得到的图像进行图像分析，通过边缘检测等处理提取织物表面起毛起球特征，并分析表面起毛起球的特征；
(5)起毛起球等级分类与评定：(a)起毛起球等级分类；(b)起毛起球等级评定；
优选后，所述步骤(2)织物三维点云数据采集：首先将织物平整放置在转台的中心位置，将三维扫描仪的USB插口插在电脑主机上，再连接三维扫描仪的电源，打开EXScanPro软件，选择精细扫描模式，然后点击新建工程，依次选择非纹理扫描与标志点拼接模式，将扫描精度调整到高细节；进入扫描界面，点击扫描后开始扫描，扫描时先扫描面料正面，然后稍微倾斜一些角度，以获取更多更全面数据为准，扫描后保存asc等格式。
优选后，在进入扫描界面后，先设置扫描亮度，浅色面料亮度调低，深色面料亮度调高；在预览模式下调好扫描亮度，然后再点击扫描。
优选后，所述步骤(3)图像预处理：通过EXScan Pro软件的处理，在生成点云后，保存数据，导出所需图像；使用ellipse函数将所需扫描图像截取出来，进行降噪和增强处理；选用线性变换，公式为：
f(x)＝kx+b                        (1)
以0.05为步径，得到了不同参数下的线性变换图像，设定参数为0.3—0.8。
优选后，所述步骤(4)起毛起球特征提取：先将线性变换得到的图像进行灰度二值化处理，再用Canny算子检测边缘，然后对检测出来的区域进行孔洞填充，最后通过检测连通区域实现起毛起球数量的检测。
优选后，所述步骤(4)起毛起球特征分析：将提取的特征参数：毛球数量、毛球的覆盖率和毛球平均面积量化处理。
优选后，所述毛球覆盖率的计算公式如下：
Figure BDA0004074064890000051
S＝S1+S2                         (3)
其中K表示覆盖率，S1表示毛球面积,S2表示织物底层面积，S表示织物总面积。
优选后，所述毛球平均面积的算法如下：
Figure BDA0004074064890000052
其中
Figure BDA0004074064890000053
表示毛球平均面积，S1表示毛球面积，N表示毛球数量。
优选后，所述步骤(5)a：根据得到的各个织物的毛球数量、覆盖率、毛球平均面积的数据，得出起毛起球等级与上述数据间的关系：
对于连通区域来说，1级的连通区域的数量都大于140，2级的在110——140之间，3级的在70——110之间，4级的在40——70之间，5级的低于40。
优选后，所述步骤(5)b：通过交叉验证方法对样本织物进行训练，生成相应的SVM模型并得出准确率，导出代码后，再用测试织物样本进行测试，得出测试样本准确率。
由于采用上述技术方案，具有以下有益效果：
(1)降低对起毛起球等级评定的时间和成本。主观评定起毛起球等级时，为保证准确度和可信度，通常需要专门的测试人员来评定，精度低(0.5级为一档)，再现性不可控，耗费的人工成本大，本方法实现自动评级，评级精度达到0.1级，可重复，再现性100％。
(2)不受织物色彩、花型、纹理等影响的同时，保证评定等级的稳定性。现有方法采集织物外观图像，图像是由色彩、花型、纹理和起球形态综合映射而成，在分析过程中受到表面性状的影响；本方法通过三维扫描，直接获取到起球形态，直观反映了摩擦后的外观效果，不受织物本身纹理、表面花型和颜色的干扰。
(3)本发明采用手持式的激光扫描仪，非常轻便，移动方便，不受光照影响，可以适应各种场地，而且扫描的速度快，精度高，不受织物本身的花型、颜色、纹理的影响，抗干扰性强。有效规避织物色彩、花型、纹理等信息的干扰。
(4)本发明实现毛球的准确定位。通过对毛球的边缘进行检测，定位毛球在织物表面的位置。
(5)本发明实现客观等级的评定。通过将扫描得到的三维图像转成二维图像，然后对二维图像进行处理，降低评价起毛起球等级的难度。
附图说明
下面结合附图对本发明作进一步说明：
图1为实现织物起毛起球评级的流程图；
图2为三维信息映射至二维图像及预处理的原图(a)；
图3为三维信息映射至二维图像及预处理的截取区域图(b)；
图4为三维信息映射至二维图像及预处理的掩膜操作图(c)；
图5为三维信息映射至二维图像及预处理的图像切割图(d)；
图6为不同变换参数下的图像处理效果图(a)，参数k为0.75；
图7为不同变换参数下的图像处理效果图(b)，参数k为0.8；
图8为不同变换参数下的图像处理效果图(c)，参数k为0.85；
图9为特征提取图像毛球区域预处理过程的二值化图(a)；
图10为特征提取图像毛球区域预处理过程的canny算子边缘检测图(b)；
图11为特征提取图像毛球区域预处理过程的孔洞填充图(c)；
图12为织物底层的面积计算图；
图13为毛球区域与周边区域面积计算图；
图14为样本评级结果散点图；
图15为判定概率矩阵图。
具体实施方式
本发明旨在一种基于三维扫描的织物起毛起球等级自动评定方法，通过图像分析技术对起毛起球织物三维扫描图像进行分割、图像增强等处理，获取织物毛球特征数据，并根据数据对织物起球的等级进行分类，再通过支持向量机对其进行训练，最终实现客观评定织物起球等级的目的。
结合附图1至图15，通过具体实施例对本发明作进一步说明：
一种基于三维扫描的织物起毛起球等级自动评定方法，于包括如下步骤：
(1)试样毛羽效应设计。
选用常见的织物，设计覆盖1～5等级的起毛起球效应的试验样品；
(2)三维空间形态获取。
用手持式三维扫描仪对织物进行精细扫描，获取织物清晰的三维扫描图像，并将获得三维信息转为二维图像；
其中，织物三维点云数据采集过程为：三维点云数据的采集是进行织物表面重建的重要基础，它决定了后续重建、分析与测量的精度。在采集三维点云数据时，首先将织物平整放置在转台的中心位置，EinScan Pro 2X Plus 2020扫描仪的USB插口插在电脑主机上，再连接三维扫描仪的电源，打开EXScan Pro软件，选择精细扫描模式，然后点击新建工程；由于本发明不研究面料的花型、色彩、纹理等，故依次选择非纹理扫描与标志点拼接模式，将扫描精度调整到高细节；进入扫描界面，左上角有小图，可以选择扫描亮度，浅色面料亮度调低，深色面料亮度调高，在预览模式下调好扫描亮度，然后再点击扫描；扫描时先扫描面料正面，然后稍微倾斜一些角度，以获取更多更全面数据为准，扫描后保存asc等格式。
(3)图像预处理。
通过图像预处理，获得清晰的起毛起球图像，实现毛球与织物基准面的分离；
其中，通过EXScan Pro软件的处理，在生成点云后，保存数据，导出所需图像；使用ellipse函数将所需扫描图像截取出来，进行降噪和增强处理；选用线性变换，公式为：
f(x)＝kx+b                        (1)
以0.05为步径，得到了不同参数下的线性变换图像，设定参数为0.3—0.8。通过对比可以发现当设定参数为0.3—0.8时，可以明显发现织物表面的毛球信息更为突出，且背景信息滤除好，干扰少。
(4)起毛起球特征提取与分析。
对于预处理得到的图像进行图像分析，通过边缘检测等处理提取织物表面起毛起球特征，并分析表面起毛起球的特征；
起毛起球特征提取：先将线性变换得到的图像进行灰度二值化处理，再用Canny算子检测边缘，然后对检测出来的区域进行孔洞填充，最后通过检测连通区域实现起毛起球数量的检测。
起毛起球特征分析：为了将起毛起球后的织物与等级建立起相应的联系，需要对织物起毛起球的特征进行统计分析，将提取的特征参数：毛球数量、毛球的覆盖率和毛球平均面积量化处理。
毛球覆盖率的计算公式如下：
Figure BDA0004074064890000081
S＝S1+S2                         (3)
其中K表示覆盖率，S1表示毛球面积,S2表示织物底层面积，S表示织物总面积。
不同面料形成的毛球大小会有差异，且同种面料起毛起球等级不同时，毛球的大小也会有差异，一般来说，等级越低时毛球越小，等级越高时毛球越大。因为毛球在不断的摩擦中，会粘连到一起，形成更大的毛球。因此本文通过对毛球面积和毛球数量进行相除，获得了毛球平均面积。所述毛球平均面积的算法如下：
Figure BDA0004074064890000091
其中
Figure BDA0004074064890000092
表示毛球平均面积，S1表示毛球面积，N表示毛球数量。
(5)起毛起球等级分类与评定：
(a)起毛起球等级分类：根据得到的各个织物的毛球数量、覆盖率、毛球平均面积的数据，得出起毛起球等级与上述数据间的关系：
对于连通区域来说，1级的连通区域的数量都大于140，2级的在110——140之间，3级的在70——110之间，4级的在40——70之间，5级的低于40。
(b)起毛起球等级评定：通过交叉验证方法对样本进行训练，生成相应的SVM模型并得出准确率，导出代码后，再用测试样本进行测试，得出测试样本准确率。交叉验证的主要思想是将原始数据分为训练组和测试组，其目的是为了得到可靠稳定的模型。本发明采用10-fold交叉训练法，即折叠10次。将得到的100组特征值作为全样本集，分成10个子数据集，然后用随机抽取其中的7组数据借助支持向量机进行训练，建立起数据模型，再对剩余的3组数据进行测试，判定其起毛起球等级。随机挑选数据进行测试，得到得出的SVM最大准确率可达98.6％。
以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。

Claims (10)

1.一种基于三维扫描的织物起毛起球等级自动评定方法：其特征在于包括如下步骤：
(1)试样毛羽效应设计：选用常见的织物，设计覆盖1～5等级的起毛起球效应的试验样品；
(2)三维空间形态获取：用手持式三维扫描仪对织物进行精细扫描，获取织物清晰的三维扫描图像，并将获得三维信息转为二维图像；
(3)图像预处理：通过图像预处理，获得清晰的起毛起球图像，实现毛球与织物基准面的分离；
(4)起毛起球特征提取与分析：对于预处理得到的图像进行图像分析，通过边缘检测等处理提取织物表面起毛起球特征，并分析表面起毛起球的特征；
(5)起毛起球等级分类与评定：(a)起毛起球等级分类；(b)起毛起球等级评定。
2.根据权利要求1所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述步骤(2)织物三维点云数据采集：首先将织物平整放置在转台的中心位置，将三维扫描仪的USB插口插在电脑主机上，再连接三维扫描仪的电源，打开EXScan Pro软件，选择精细扫描模式，然后点击新建工程，依次选择非纹理扫描与标志点拼接模式，将扫描精度调整到高细节；进入扫描界面，点击扫描后开始扫描，扫描时先扫描面料正面，然后稍微倾斜一些角度，以获取更多更全面数据为准，扫描后保存asc等格式。
3.根据权利要求2所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：在进入扫描界面后，先设置扫描亮度，浅色面料亮度调低，深色面料亮度调高；在预览模式下调好扫描亮度，然后再点击扫描。
4.根据权利要求1所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述步骤(3)图像预处理：通过EXScan Pro软件的处理，在生成点云后，保存数据，导出所需图像；使用ellipse函数将所需扫描图像截取出来，进行降噪和增强处理；选用线性变换，公式为：
f(x)＝kx+b                        (1)
以0.05为步径，得到了不同参数下的线性变换图像，设定参数为0.3—0.8。
5.根据权利要求1所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述步骤(4)起毛起球特征提取：先将线性变换得到的图像进行灰度二值化处理，再用Canny算子检测边缘，然后对检测出来的区域进行孔洞填充，最后通过检测连通区域实现起毛起球数量的检测。
6.根据权利要求1所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述步骤(4)起毛起球特征分析：将提取的特征参数：毛球数量、毛球的覆盖率和毛球平均面积量化处理。
7.根据权利要求6所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述毛球覆盖率的计算公式如下：
S＝S1+S2                         (3)
其中K表示覆盖率，S1表示毛球面积,S2表示织物底层面积，S表示织物总面积。
8.根据权利要求6所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述毛球平均面积的算法如下：
其中表示毛球平均面积，S1表示毛球面积，N表示毛球数量。
9.根据权利要求6所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述步骤(5)a：根据得到的各个织物的毛球数量、覆盖率、毛球平均面积的数据，得出起毛起球等级与上述数据间的关系：
对于连通区域来说，1级的连通区域的数量都大于140，2级的在110——140之间，3级的在70——110之间，4级的在40——70之间，5级的低于40。
10.根据权利要求1所述的一种基于三维扫描的织物起毛起球等级自动评定方法，其特征在于：所述步骤(5)b：通过交叉验证方法对样本织物进行训练，生成相应的SVM模型并得出准确率，导出代码后，再用测试织物样本进行测试，得出测试样本准确率。
CN202310103633.4A 2023-02-01 2023-02-01 一种基于三维扫描的织物起毛起球等级自动评定方法 Pending CN116091465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310103633.4A CN116091465A (zh) 2023-02-01 2023-02-01 一种基于三维扫描的织物起毛起球等级自动评定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310103633.4A CN116091465A (zh) 2023-02-01 2023-02-01 一种基于三维扫描的织物起毛起球等级自动评定方法

Publications (1)

Publication Number Publication Date
CN116091465A true CN116091465A (zh) 2023-05-09

Family

ID=86199045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310103633.4A Pending CN116091465A (zh) 2023-02-01 2023-02-01 一种基于三维扫描的织物起毛起球等级自动评定方法

Country Status (1)

Country Link
CN (1) CN116091465A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577350A (zh) * 2023-07-13 2023-08-11 北京航空航天大学杭州创新研究院 物料表面毛球点云采集装置和物料表面毛球数据采集方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577350A (zh) * 2023-07-13 2023-08-11 北京航空航天大学杭州创新研究院 物料表面毛球点云采集装置和物料表面毛球数据采集方法

Similar Documents

Publication Publication Date Title
CN109255757B (zh) 一种机器视觉自然放置葡萄串果梗区域分割方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
Lingayat et al. A computer based feature extraction of lung nodule in chest x-ray image
CN111598856B (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统
TW200307810A (en) Method and apparatus for determining the sex of a fertilized egg
CN1793844A (zh) 纺织品色牢度色差评级测试方法和装置
CN110097537B (zh) 一种基于三维纹理特征的肉质定量分析评价方法
JP2000510266A (ja) 悪性腫瘍に関連した変化を自動的に検出する方法および装置
CN109886170B (zh) 一种钉螺智能检测识别与统计系统
CN110211128B (zh) 基于遥感影像和dem的黄土高原梯田提取方法
CN109035227A (zh) 对ct图像进行肺部肿瘤检测与诊断的系统
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
Tang et al. A novel approach for fracture skeleton extraction from rock surface images
CN116091465A (zh) 一种基于三维扫描的织物起毛起球等级自动评定方法
CN117408995A (zh) 基于多特征融合的电源适配器外观质量检测方法
CN107633507A (zh) 基于轮廓检测和特征匹配的lcd缺陷检测方法
CN113192015A (zh) 基于深度信息的表面缺陷检测方法和系统
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN116434206A (zh) 一种基于机器视觉技术的棉花质量性状检测方法
CN110288616A (zh) 一种基于分形和rpca分割眼底图像中硬性渗出的方法
Chen et al. Automated measurement of vessel properties in birch and poplar wood
CN113298795A (zh) 一种页岩油气储层孔隙精细分类提取方法及装置
CN102163343B (zh) 基于互联网图像的三维模型最佳视角自动获取方法
CN112070741B (zh) 一种基于图像显著性区域提取方法的大米垩白度检测系统
CN105678795B (zh) 一种现场鞋印图像检验方法

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