CN116229438A - 一种纺纱质量视觉识别系统 - Google Patents
一种纺纱质量视觉识别系统 Download PDFInfo
- Publication number
- CN116229438A CN116229438A CN202310483434.0A CN202310483434A CN116229438A CN 116229438 A CN116229438 A CN 116229438A CN 202310483434 A CN202310483434 A CN 202310483434A CN 116229438 A CN116229438 A CN 116229438A
- Authority
- CN
- China
- Prior art keywords
- local area
- segmentation
- spinning
- value
- surface local
- 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
- 238000009987 spinning Methods 0.000 title claims abstract description 68
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 115
- 230000007547 defect Effects 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 5
- 239000004753 textile Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Spinning Methods And Devices For Manufacturing Artificial Fibers (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种纺纱质量视觉识别系统,该系统包括:图像预处理模块,用于获取纺纱表面灰度图像,对纺纱表面灰度图像进行分割得到表面局部区域;区域分析模块,用于根据任意表面局部区域的灰度值差异,确定任意表面局部区域的初始分割必要程度;图像分割模块,用于根据任意表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定任意表面局部区域的综合分割必要程度;根据表面局部区域的综合分割必要程度确定待分割区域,对待分割区域进行分割得到纺纱表面缺陷部分,获得质量检测结果。本发明解决了纺纱质量检测结果较不准确的问题,能够获得更加准确的纺纱质量检测结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种纺纱质量视觉识别系统。
背景技术
随着人们对健康的不断重视,进而使得对纺织产品的质量需求越来越高。对纺织品质量的把控是纺织行业的关键步骤,当纺织产品出现质量异常时,不仅会影响纺织产品的美观,严重的还会影响人们的健康。因此,对纺纱质量进行检测就显得尤为重要。现有常采用阈值分割的方法对纺纱图像进行分割处理获得缺陷部分,以达到对纺纱质量进行检测的目的,但是由于图像中的正常区域部分可能存在高亮背景,由于阈值选择的较不准确,使得缺陷分割结果较不准确,进而导致纺纱质量检测结果较不准确。
发明内容
为了解决纺纱质量检测结果较不准确技术问题,本发明的目的在于提供一种纺纱质量视觉识别系统,所采用的技术方案具体如下:
图像预处理模块,用于获取纺纱表面灰度图像,对纺纱表面灰度图像进行分割得到表面局部区域;
区域分析模块,用于根据任意表面局部区域的灰度值差异,确定任意表面局部区域的初始分割必要程度;
图像分割模块,用于根据任意表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定任意表面局部区域的综合分割必要程度;根据表面局部区域的综合分割必要程度确定待分割区域,对待分割区域进行分割得到纺纱表面缺陷部分,获得质量检测结果。
优选地,所述根据任意表面局部区域的灰度值差异,确定任意表面局部区域的初始分割必要程度具体为:
对于任意一个表面局部区域,根据表面局部区域内出现频率最大的两种像素点的灰度值之间的差异情况,确定表面局部区域的初始分割必要程度。
优选地,所述根据表面局部区域内出现频率最大的两种像素点的灰度值之间的差异情况,确定表面局部区域的初始分割必要程度,具体包括:
统计表面局部区域的灰度直方图,利用EM算法对灰度直方图进行两个单高斯模型的拟合操作,当无法获得拟合结果时,将初始表面局部区域的初始分割必要程度设置为第一预设值;
当能够获得拟合结果时,将拟合得到的两个单高斯模型对应的均值分别作为表面局部区域对应的两个优选灰度值;计算两个优选灰度值之间的差值绝对值,将峰值之间的差值绝对值与最大灰度值的比值记为第一比值;
分别获取两个优选灰度值对应的灰度值在表面局部区域中对应的像素点数量,计算两个像素点数量之间的差值绝对值,将数量之间的差值绝对值与表面局部区域中所有像素点的数量之间的比值记为第二比值;
根据所述第一比值和第二比值确定局部表面区域的初始分割必要程度,所述第一比值和第二比值均与初始分割必要程度呈正相关关系。
优选地,所述根据任意表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定任意表面局部区域的综合分割必要程度,具体包括:
将任意一个表面局部区域记为目标局部区域,将目标局部区域的邻域内任意一个表面局部区域记为选定局部区域;
计算目标局部区域的中心像素点与选定局部区域的中心像素点之间的距离,获取目标局部区域的初始分割必要程度与选定局部区域的初始分割必要程度中初始分割必要程度的最大值,对所述距离进行负相关映射,将负相关映射值与所述最大值的乘积记为选定局部区域的特征影响因子;
将目标局部区域的邻域内所有表面局部区域的特征影响因子的均值作为目标局部区域的综合分割必要程度。
优选地,所述根据表面局部区域的综合分割必要程度确定待分割区域具体为:
获取表面局部区域的综合分割必要程度的归一化值,将归一化值大于预设阈值的表面局部区域确定为待分割区域。
优选地,所述对纺纱表面灰度图像进行分割得到表面局部区域具体为:
将纺纱表面灰度图像均匀分割为面积相等的图像块,所述图像块为表面局部区域。
本发明实施例至少具有如下有益效果:
本发明首先对纺纱表面灰度图像进行分割得到表面局部区域,在后续能够针对每个表面局部区域分别进行特征分析,能够较为准确的分析每个局部的区域灰度变化特征,以及是否需要进行缺陷分割,使得缺陷分割结果较为准确。然后,根据表面局部区域的灰度值差异,确定表面局部区域的初始分割必要性,分别对表面局部区域内灰度值差异进行分析,初步从灰度差异方面分析了每个局部的区域进行分割的必要性大小。进一步的,根据表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定综合分割必要程度,综合考虑表面局部区域与其相邻的表面局部区域对应的灰度差异情况,即初始分割必要程度,同时结合了两者之间的距离关系,分析两者之间的影响大小,使得最终获得是否需要对表面局部区域进行分割的必要性大小更加准确,通过对每个局部的区域分别进行分析,确定待分割区域,能够准确的识别需要进行分割的部分,避免了纯高亮背景部分被误分割为缺陷部分,使得缺陷分割结果更加准确,进而使得纺纱质量检测结果更加准确。
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是本发明的一种纺纱质量视觉识别系统的系统框图。
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纺纱质量视觉识别系统,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纺纱质量视觉识别系统的具体方案。
实施例:
本发明实施例所针对的具体场景为:由于传统的阈值分割算法是针对图像全局的分割算法,而获取到的纺纱图像中存在高亮部分可能会因为阈值分割不准确的问题被识别为缺陷部分,因此,本发明实施例根据纺纱图像的局部特征对阈值分割算法进行改进,以获得更好的分割效果,得到更加准确的质量检测结果。
请参阅图1,其示出了本发明一个实施例提供的一种纺纱质量视觉识别系统的系统框图,该系统包括:图像预处理模块,区域分析模块和图像分割模块。
图像预处理模块,用于获取纺纱表面灰度图像,对纺纱表面灰度图像进行分割得到表面局部区域。
具体地,获取纺纱表面图像,并对纺纱表面图像进行灰度化处理,得到纺纱表面灰度图像。在本实施例中,利用均值灰度化的方法对纺纱表面图像进行处理,图像灰度化是为了简化图像,将图像从多通道转换为单通道,提高后续操作的运算效率。
进一步的,为了后续更加准确的分析每一个区域的细节特征,首先对纺纱表面灰度图像进行分块处理,即对纺纱表面灰度图像进行分割得到表面局部区域。具体地,将纺纱表面灰度图像均匀分割为面积相等的图像块,所述图像块为表面局部区域。
同时,需要说明的是,在对纺纱表面灰度图像进行均匀分割时,可以保证在纺纱表面灰度图像能够被均匀分割的前提下,选择图像块的尺寸大小,例如尺寸大小为10*10,实施者需要根据实际情况进行设置。
区域分析模块,用于根据任意表面局部区域的灰度值差异,确定任意表面局部区域的初始分割必要程度。
具体地,通过分别对纺纱表面灰度图像的表面局部区域进行分析,当该表面局部区域内存在较多的高亮背景部分或者较多的正常部分时,该表面局部区域内像素点的灰度值分布较为集中,就不需要对该表面局部区域进行缺陷分割。当表面局部区域内存在正常部分和缺陷部分时,该表面局部区域内像素点的灰度值分布会出现较为明显的双峰分布,进而需要对该表面局部区域进行缺陷分析处理。当表面局部区域内存在较多的高亮背景部分和缺陷部分时,该表面局部区域内像素点的灰度值分布也会出现双峰特征,进而也需要对该表面局部区域进行缺陷分析。
其中,当正常部分和缺陷部分同时存在于一个表面局部区域内时,两个不同的部分之间的灰度差异极大,当高亮背景部分和缺陷部分同时存在于一个表面局部区域内时,两个不同的部分之间的差异,相比正常部分和缺陷部分同时存在时对应的灰度差异是较小的,但是仍具有相对较大的差异。故可根据双峰对应的灰度值之间的差异情况进行分析表面局部区域是否需要进行分割。
对于任意一个表面局部区域,根据表面局部区域内出现频率最大的两种像素点的灰度值之间的差异情况,确定表面局部区域的初始分割必要程度。
具体地,统计表面局部区域的灰度直方图,利用EM算法对灰度直方图进行两个单高斯模型的拟合操作。其中,EM算法为最大期望算法,为公知技术,能够求解带有隐含变量的最大似然值,在此不再过多介绍。
需要说明的是,在本实施例中,针对每一个表面局部区域对应的灰度直方图,均进行两个单高斯模型的拟合操作。但是,当表面局部区域内存在较多的高亮背景部分或者较多的正常部分时,此时表面局部区域内像素点的灰度值分布较为集中,即呈现出单峰分布的特征,进而利用EM算法对该表面局部区域进行两个单高斯模型的拟合操作时,无法得到对应的拟合结果,进而不需要对该表面局部区域进行缺陷分割处理,进而也不需要进行后续的分割必要性的计算。
当无法获得拟合结果时,将初始表面局部区域的初始分割必要程度设置为第一预设值。在本实施例中,第一预设值的取值为0,即将无法得到拟合结果的表面局部区域对应的初始分割必要程度设置为0,实施者可根据具体实施场景对第一预设值的取值进行设置。
当能够获得拟合结果时,将拟合得到的两个单高斯模型对应的均值分别作为表面局部区域两个峰值对应的优选灰度值。当表面局部区域内存在正常部分和缺陷部分时,以及当表面局部区域内存在较多的高亮背景部分和缺陷部分,表面局部区域内像素点的灰度值分布均会出现双峰特征,故利用EM算法对表面局部区域进行两个单高斯模型的拟合操作时,能够获得两个单高斯模型,将两个单高斯模型对应的均值作为表面局部区域对应的灰度直方图中的两个峰值点对应的灰度值,即可以表征灰度直方图中双峰峰值点的灰度特征情况。
进一步的,基于表面局部区域对应的灰度直方图中双峰峰值点的灰度特征情况,分析表面局部区域进行缺陷分割的必要性。
具体地,计算两个优选灰度值之间的差值绝对值,将峰值之间的差值绝对值与最大灰度值的比值记为第一比值;分别获取两个优选灰度值对应的灰度值在表面局部区域中对应的像素点数量,即分别获取表面局部区域中灰度值与两个优选灰度值对应的灰度值相同的两个像素点数量,进而计算两个像素点数量之间的差值绝对值。
例如,假设其中一个峰值对应的优选灰度值为50,即在表面局部区域中获取所有灰度值为50的像素点数量记为第一像素点数量,另一个峰值对应的优选灰度值为180,在表面局部区域中获取所有灰度值为180的像素点数量记为第二像素点数量,进而计算第一像素点数量和第二像素点数量之间的差值绝对值。
将数量之间的差值绝对值与表面局部区域中所有像素点的数量之间的比值记为第二比值;根据所述第一比值和第二比值确定局部表面区域的初始分割必要程度,所述第一比值和第二比值均与初始分割必要程度呈正相关关系。
表面局部区域的初始分割必要程度的计算公式可以表示为:
其中,表示第i个表面局部区域的初始分割必要程度,表示第i个表面局部区域
对应的两个优选灰度值之间的差值绝对值,255为最大灰度值,表示第i个表面局部区域
对应的两个像素点数量之间的差值绝对值,表示第i个表面局部区域内包含的所有像素
点的总数量。
为第一比值,反映了表面局部区域内两种出现频率较高的灰度值之间差异的占
比情况,第一比值的取值越大,说明表面局部区域两个优选灰度值对应的灰度值之间的差
异较大,说明表面局部区域内部灰度差异较为明显,进而说明表面局部区域内存在缺陷部
分的可能性越大,越需要对该表面局部区域进行缺陷分割,即对应的初始分割必要程度取
值越大。
为第二比值,反映了表面局部区域内两种出现频率较高的灰度值对应的像素点
数量之间的差异占比情况,第二比值的取值越大,说明表面局部区域两个优选灰度值对应
的灰度值对应的像素点数量之间的差异较大,说明表面局部区域内存在缺陷部分的可能性
越大,越需要对该表面局部区域进行缺陷分割,即对应的初始分割必要程度取值越大。
表面局部区域的初始分割必要程度从灰度特征方面反映了表面局部区域需要进行缺陷分割的必要性大小,初始分割必要程度的取值越大,说明对应的表面局部区域内越可能存在缺陷部分,越需要对表面局部区域进行缺陷分割。初始分割必要程度取值越小,说明对应的表面局部区域内越不可能存在缺陷部分,对表面局部区域进行缺陷分割的必要性越小。
图像分割模块,用于根据任意表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定任意表面局部区域的综合分割必要程度;根据表面局部区域的综合分割必要程度确定待分割区域,对待分割区域进行分割得到纺纱表面缺陷部分,获得质量检测结果。
在对表面局部区域的灰度变化特征进行分析时,需要考虑表面局部区域与其周围的其他表面局部区域之间的互相影响。当表面局部区域与其周末的表面局部区域距离较近时,若表面局部区域内存在高亮背景部分,由于高亮背景部分可能存在渐变分布的特征,故相邻的两个表面局部区域之间的分割必要性可能会互相影响,基于此,需要综合周围表面局部区域的初始分割必要程度以及表面局部区域之间的距离,对表面局部区域的分割必要性进行进一步的分析。
具体地,将任意一个表面局部区域记为目标局部区域,将目标局部区域的邻域内任意一个表面局部区域记为选定局部区域;计算目标局部区域的中心像素点与选定局部区域的中心像素点之间的距离,获取目标局部区域的初始分割必要程度与选定局部区域的初始分割必要程度中初始分割必要程度的最大值,对所述距离进行负相关映射,将负相关映射值与所述最大值的乘积记为选定局部区域的特征影响因子;将目标局部区域的邻域内所有表面局部区域的特征影响因子的均值作为目标局部区域的综合分割必要程度。
在本实施例中,将第i个表面局部区域作为目标局部区域,将第i个表面局部区域的邻域内第j个表面局部区域作为选定局部区域,其中,邻域的范围为以目标局部区域为中心区域,尺寸大小为5*5的窗口范围,实施者可根据具体实时场景进行设置,邻域范围至少为8邻域。进一步的,目标局部区域的综合分割必要程度的计算公式可以表示为:
其中,表示第i个表面局部区域的综合分割必要程度,即表示目标局部区域的综
合分割必要程度;表示第i个表面局部区域的邻域内包含的表面局部区域的总数量,表
示第i个表面局部区域的初始分割必要程度;表示第i个表面局部区域的邻域内第j个表
面局部区域的初始分割必要程度,即表示选定局部区域的初始分割必要程度;表示第i
个表面局部区域与其邻域内第j个表面局部区域之间的距离;max( )表示求最大值的函数,
exp( )表示以自然常数e为底数的指数函数;表示第i个表面局部
区域的邻域内第j个表面局部区域的特征影响因子,即表示选定局部区域的特征影响因子。
在本实施例中,将表面局部区域质心所在的像素点作为表面局部区域的中心像素
点,实施者可根据具体实施场景进行选择,进而计算第i个表面局部区域的中心像素点与其
邻域内第j个表面局部区域的中心像素点之间的欧氏距离得到。
的取值越小,说明第i个表面局部区域与其邻域内的表面局部区域之间的距离
越小,进而说明第i个表面局部区域与其邻域内的表面局部区域之间的相关性越大,邻域内
的表面局部区域对第i个表面局部区域的分割效果影响越大,对应的综合分割必要程度的
取值越大。
若将第i个表面局部区域与其邻域内第j个表面局部区域作为一个整体进行局部
灰度特征分析,判断第i个表面局部区域最终的分割必要性大小,同样受到该整体部分的双
峰之间的差异情况的影响,故利用选择两者中的初始分割必要程度的较大值,
进而通过结合两个表面局部区域之间的距离,表征邻域内第j个表面局部区域对第i个表面
局部区域的分割必要性的影响程度。当邻域内第j个表面局部区域的分割必要性越大,与第
i个表面局部区域之间的距离越小时,其对第i个表面局部区域之间的影响程度越大,对应
的需要进行缺陷分割的必要性越大,对应的综合分割必要程度取值越大。
表面局部区域的综合分割必要程度从其邻域范围的表面局部区域之间的影响方面反映了表面局部区域进行缺陷分割的必要性大小。综合分割必要程度的取值越大,说明对应表面局部区域需要进行缺陷分割的必要性越大,综合分割必要程度的取值越小,说明对应表面局部区域需要进行缺陷分割的必要性越小。
通过分析表面局部区域自身的灰度差异特征,并结合表面局部区域与其邻域内表面局部区域之间的影响关系,获得综合分割必要程度,能够较为准确的表征局部区域内是否需要进行缺陷分割,从而避免存在较多高亮背景部分的正常区域被误分割为缺陷区域,防止出现分割误差。
最后,根据表面局部区域的综合分割必要程度确定待分割区域,对待分割区域进行分割得到纺纱表面缺陷部分,获得质量检测结果。具体地,获取表面局部区域的综合分割必要程度的归一化值,将归一化值大于预设阈值的表面局部区域确定为待分割区域。在本实施例中,预设阈值的取值为0.7,实施者可根据具体实施场景进行设置。
当表面局部区域的综合分割必要程度的归一化值大于0.7时,说明对该表面局部区域进行缺陷分割的必要性较大,故需要对该表面局部区域进行缺陷分割,即将该表面局部区域确定为待分割区域。当表面局部区域的综合分割必要程度的归一化值小于或等于0.7时,说明对该表面局部区域进行缺陷分割的必要性越小,故不需要对该表面局部区域进行缺陷分割,将该表面局部区域确定为非分割区域。
在本实施例中,利用阈值分割算法分别对待分割区域进行分割,最终得到纺纱表面灰度图像的纺纱表面缺陷部分,对应的纺纱质量品质为差品,实施者可根据具体实施情况选择合适的方法根据纺纱表面缺陷部分获取纺纱的质量评价,例如,获取纺纱表面灰度图像中纺纱表面缺陷部分的面积,当面积大于面积阈值时,纺纱的质量较差,面积阈值需根据纺纱表面灰度图像的面积大小进行设置,例如设置为纺纱表面灰度图像的面积的四分之一。在其他实施例中,还可以根据纺纱表面灰度图像中纺纱表面缺陷部分的面积对纺纱质量进行等级的划分,该方法为本领域技术人员公知技术,在此不再过多介绍。
本发明实施例,能够降低纺纱灰度图像中存在的高亮背景部分带来的分割影响,能够仅对图像中存在缺陷部分的区域进行分割处理,相较于直接进行阈值分割可以得到较为准确的缺陷分割结果,进而使得质量检测的结果也较为准确。
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;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 (6)
1.一种纺纱质量视觉识别系统,其特征在于,该系统包括:
图像预处理模块,用于获取纺纱表面灰度图像,对纺纱表面灰度图像进行分割得到表面局部区域;
区域分析模块,用于根据任意表面局部区域的灰度值差异,确定任意表面局部区域的初始分割必要程度;
图像分割模块,用于根据任意表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定任意表面局部区域的综合分割必要程度;根据表面局部区域的综合分割必要程度确定待分割区域,对待分割区域进行分割得到纺纱表面缺陷部分,获得质量检测结果。
2.根据权利要求1所述的一种纺纱质量视觉识别系统,其特征在于,所述根据任意表面局部区域的灰度值差异,确定任意表面局部区域的初始分割必要程度具体为:
对于任意一个表面局部区域,根据表面局部区域内出现频率最大的两种像素点的灰度值之间的差异情况,确定表面局部区域的初始分割必要程度。
3.根据权利要求2所述的一种纺纱质量视觉识别系统,其特征在于,所述根据表面局部区域内出现频率最大的两种像素点的灰度值之间的差异情况,确定表面局部区域的初始分割必要程度,具体包括:
统计表面局部区域的灰度直方图,利用EM算法对灰度直方图进行两个单高斯模型的拟合操作,当无法获得拟合结果时,将初始表面局部区域的初始分割必要程度设置为第一预设值;
当能够获得拟合结果时,将拟合得到的两个单高斯模型对应的均值分别作为表面局部区域对应的两个优选灰度值;计算两个优选灰度值之间的差值绝对值,将峰值之间的差值绝对值与最大灰度值的比值记为第一比值;
分别获取两个优选灰度值对应的灰度值在表面局部区域中对应的像素点数量,计算两个像素点数量之间的差值绝对值,将数量之间的差值绝对值与表面局部区域中所有像素点的数量之间的比值记为第二比值;
根据所述第一比值和第二比值确定局部表面区域的初始分割必要程度,所述第一比值和第二比值均与初始分割必要程度呈正相关关系。
4.根据权利要求1所述的一种纺纱质量视觉识别系统,其特征在于,所述根据任意表面局部区域与其相邻的表面局部区域之间的距离以及对应的初始分割必要程度,确定任意表面局部区域的综合分割必要程度,具体包括:
将任意一个表面局部区域记为目标局部区域,将目标局部区域的邻域内任意一个表面局部区域记为选定局部区域;
计算目标局部区域的中心像素点与选定局部区域的中心像素点之间的距离,获取目标局部区域的初始分割必要程度与选定局部区域的初始分割必要程度中初始分割必要程度的最大值,对所述距离进行负相关映射,将负相关映射值与所述最大值的乘积记为选定局部区域的特征影响因子;
将目标局部区域的邻域内所有表面局部区域的特征影响因子的均值作为目标局部区域的综合分割必要程度。
5.根据权利要求1所述的一种纺纱质量视觉识别系统,其特征在于,所述根据表面局部区域的综合分割必要程度确定待分割区域具体为:
获取表面局部区域的综合分割必要程度的归一化值,将归一化值大于预设阈值的表面局部区域确定为待分割区域。
6.根据权利要求1所述的一种纺纱质量视觉识别系统,其特征在于,所述对纺纱表面灰度图像进行分割得到表面局部区域具体为:
将纺纱表面灰度图像均匀分割为面积相等的图像块,所述图像块为表面局部区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483434.0A CN116229438B (zh) | 2023-05-04 | 2023-05-04 | 一种纺纱质量视觉识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483434.0A CN116229438B (zh) | 2023-05-04 | 2023-05-04 | 一种纺纱质量视觉识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229438A true CN116229438A (zh) | 2023-06-06 |
CN116229438B CN116229438B (zh) | 2023-07-21 |
Family
ID=86585795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483434.0A Active CN116229438B (zh) | 2023-05-04 | 2023-05-04 | 一种纺纱质量视觉识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229438B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830299A (zh) * | 2024-03-04 | 2024-04-05 | 湖南南源新材料有限公司 | 一种无纺布表面缺陷检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030188A (ja) * | 2002-06-25 | 2004-01-29 | Matsushita Electric Works Ltd | 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム |
JP2016126446A (ja) * | 2014-12-26 | 2016-07-11 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN106780496A (zh) * | 2016-11-17 | 2017-05-31 | 中国人民解放军信息工程大学 | 融合局部灰度不均匀和局部方差的水平集图像分割方法 |
CN107993237A (zh) * | 2017-11-28 | 2018-05-04 | 山东大学 | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 |
CN110009638A (zh) * | 2019-04-12 | 2019-07-12 | 重庆交通大学 | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 |
CN115082488A (zh) * | 2022-08-23 | 2022-09-20 | 南通浩盛汽车科技有限公司 | 汽车零件镀锌工艺中的表面羽痕控制方法及装置 |
CN115311270A (zh) * | 2022-10-11 | 2022-11-08 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
JP2022179433A (ja) * | 2021-05-19 | 2022-12-02 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及び画像処理方法 |
CN116030054A (zh) * | 2023-03-28 | 2023-04-28 | 南通得樽科技发展有限公司 | 一种饲料加工筛分质量评估方法 |
-
2023
- 2023-05-04 CN CN202310483434.0A patent/CN116229438B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030188A (ja) * | 2002-06-25 | 2004-01-29 | Matsushita Electric Works Ltd | 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム |
JP2016126446A (ja) * | 2014-12-26 | 2016-07-11 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN106780496A (zh) * | 2016-11-17 | 2017-05-31 | 中国人民解放军信息工程大学 | 融合局部灰度不均匀和局部方差的水平集图像分割方法 |
CN107993237A (zh) * | 2017-11-28 | 2018-05-04 | 山东大学 | 一种基于窄带约束的几何活动轮廓模型图像局部分割方法 |
CN110009638A (zh) * | 2019-04-12 | 2019-07-12 | 重庆交通大学 | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 |
JP2022179433A (ja) * | 2021-05-19 | 2022-12-02 | キヤノンメディカルシステムズ株式会社 | 画像処理装置及び画像処理方法 |
CN115082488A (zh) * | 2022-08-23 | 2022-09-20 | 南通浩盛汽车科技有限公司 | 汽车零件镀锌工艺中的表面羽痕控制方法及装置 |
CN115311270A (zh) * | 2022-10-11 | 2022-11-08 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
CN116030054A (zh) * | 2023-03-28 | 2023-04-28 | 南通得樽科技发展有限公司 | 一种饲料加工筛分质量评估方法 |
Non-Patent Citations (2)
Title |
---|
W. YUAN等: ""A Defect Detection Method for the Image With Intersecting Feature"", 《IEEE ACCESS》, vol. 8 * |
邓旋等: ""基于局部灰度差异的快速自适应活动轮廓模型分割腮腺导管"", 《南方医科大学学报》, vol. 38, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830299A (zh) * | 2024-03-04 | 2024-04-05 | 湖南南源新材料有限公司 | 一种无纺布表面缺陷检测方法及系统 |
CN117830299B (zh) * | 2024-03-04 | 2024-05-17 | 湖南南源新材料有限公司 | 一种无纺布表面缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116229438B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115082482A (zh) | 一种金属表面缺陷检测方法 | |
US7366330B2 (en) | Method, apparatus, and program for detecting faces | |
CN115330800B (zh) | 基于图像处理的放疗靶区自动分割方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN116229438B (zh) | 一种纺纱质量视觉识别系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN115330799B (zh) | 一种仪表自动化故障诊断方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN117557566B (zh) | 基于图像特征的电子烟发热丝质量智能检测方法 | |
KR20110014758A (ko) | 지문인식 시스템 및 위조지문 식별방법 | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN115861318B (zh) | 一种棉花加工生产质量检测方法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
CN115311263B (zh) | 一种纺织印花缺陷的检测方法及系统 | |
CN112085683B (zh) | 一种显著性检测中的深度图可信度检测方法 | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及系统 | |
CN116128877B (zh) | 一种基于温度检测的排汽回收智能监测系统 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Visual Recognition System for Spinning Quality Effective date of registration: 20231009 Granted publication date: 20230721 Pledgee: Shandong Gaotang Rural Commercial Bank Co.,Ltd. Pledgor: SHANDONG TRANSCEND TEXTILE Co.,Ltd. Registration number: Y2023980060348 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |