CN116309671B - 一种土工合成织物质量检测系统 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，提出了一种土工合成织物质量检测系统，包括：获取表面灰度图像；对每个像素点设置滑动窗口得到灰度序列，根据灰度序列得到灰度序列的连续性，并基于此得到像素点的连续性；获得连续性图像，对连续性图像得到疑似缺陷区域，并得到疑似缺陷区域的宽度均值，获得连续标准图像，根据连续标准图像和连续性图像得到像素点为缺陷的可能性；根据像素点为缺陷的可能性对最大类间方差进行调整得到最佳分割阈值，根据最佳分割阈值得到缺陷区域完成土工合成织物质量的检测。本发明提高土工合成织物表面图像缺陷分割的准确性。

Description

一种土工合成织物质量检测系统

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种土工合成织物质量检测系统。

背景技术

土工合成织物是指，用合成纤维纺织或经胶结、热压针刺等无纺工艺制成的土木工程用卷材。在生产过程中由于机器设备、人为等各种原因生产出的土工合成织物会存在一些异物、杂质、孔洞和油污等缺陷，这些织物缺陷直接决定着产品的品质。现在土工合成织物生产厂多使用机器视觉对织物进行自动检测，其利用高速摄像机采集土工合成织物表面图像，分割图像内的缺陷区域。然而由于土工合成织物表面的缺陷往往十分微小，使得检测难度较大、检测精度较低。对织物进行自动检测时，传统的常用的Otsu图像分割算法，当目标区域和背景区域面积比例悬殊时，Otsu算法求取的分割阈值会偏向面积较大的区域，导致分割误差较大，因此需要提高分割精度。

发明内容

本发明提供一种土工合成织物质量检测系统，以解决检测难度较大、检测精度较低的问题，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土工合成织物质量检测系统，该系统包括：

图像采集模块，获取表面灰度图像；

像素点缺陷可能性获取模块，对表面灰度图像的每个像素点作为中心点得到一个滑动窗口，获得每个滑动窗口的四个灰度序列，将灰度序列分为若干序列段，得到每个灰度序列中序列段的数量和长度，根据序列段的数量和长度得到灰度序列的连续性；将每个滑动窗口四个灰度序列的连续性的最大值作为像素点的连续性；

将像素点的连续性替代灰度值得到连续性图像，对连续性图像分割得到疑似缺陷区域，获得疑似缺陷区域的骨架线，根据骨架线长度获得疑似缺陷区域的宽度均值；以宽度均值对连续性图像处理得到连续标准图像，根据连续标准图像和连续性图像的连续性差异得到像素点为缺陷的可能性；

缺陷区域获得模块，对于表面灰度图像的任意一个灰度级，将大于灰度级的像素点为缺陷的可能性的均值和小于等于灰度级的像素点为缺陷的可能性的均值的差值为权值得到每个灰度级的类间方差；根据类间方差得到最佳分割阈值，根据最佳分割阈值获得缺陷区域；

质量检测模块，根据缺陷区域的面积完成土工合成织物的质量检测。

优选的，所述灰度序列的获取方法为：

对于每个滑动窗口，以过中心点的行、列以及滑动窗口过中心点的两条对角线，四条线段上的像素点的灰度值构成灰度序列，灰度序列中的像素点按照滑动窗口上从左到右，从上到下的方式排序，先找到最左侧的像素点，然后按照直线进行遍历，对于列，从上到下进行遍历。

优选的，所述将灰度序列分为若干序列段的方法为：

对于每一个灰度序列进行遍历，将灰度序列中灰度值相同且相邻的记为一段，若不存在灰度值相同且相邻的就单独为一段。

优选的，所述以宽度均值对连续性图像处理得到连续标准图像的方法为：

以宽度均值为边长得到一个结构元素，利用该结构元素对连续性图像进行开运算得到连续标准图像。

优选的，所述根据连续标准图像和连续性图像的连续性差异得到像素点为缺陷的可能性的方法为：

式中，表示连续性图像D中第j个像素点的连续性，表示连续标准图像中第j个 像素点的连续性，e为自然常数，k为预设调整系数，表示线性归一化函数，表示第 j个像素点为缺陷的可能性。

优选的，所述将大于灰度级的像素点为缺陷的可能性的均值和小于等于灰度级的像素点为缺陷的可能性的均值的差值为权值得到每个灰度级的类间方差的方法为：

式中，表示灰度值小于等于灰度级v的像素点占所有像素点的比例，表 示灰度值大于灰度级v的像素点占所有像素点的比例，表示灰度值小于等于灰度级v 的像素点为缺陷的可能性的均值，表示灰度值大于灰度级v的像素点为缺陷的可能性 的均值，表示灰度值小于等于灰度级v的像素点的灰度均值，表示灰度值大于灰 度级v的像素点的灰度均值，表示第v个灰度级的类间方差。

本发明的有益效果是：本发明根据土工合成织物表面正常区域像素点灰度值变化的无序性和纤维丝的宽度特征初步识别各像素点为缺陷的可能性。且传统的Otsu图像分割算法，当目标区域和背景区域面积比例悬殊时，Otsu算法求取的分割阈值会偏向面积较大的区域，导致分割误差较大。由此根据各像素点为缺陷的可能性对Otsu算法中遍历阈值对应的类间方差赋予权重，获取更加准确的最大类间方差对应的分割阈值，提高土工合成织物表面图像缺陷分割的准确性。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种土工合成织物质量检测系统的流程示意图；

图2为出现异物的土工合成织物表面灰度图像。

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。

请参阅图1，其示出了本发明一个实施例提供的一种土工合成织物质量检测系统流程图，该系统包括：图像采集模块、像素点缺陷可能性获取模块、缺陷区域获得模块、质量检测模块。

图像采集模块，已知土工合成织物的制造方法种类多样，本实施例主要分析由短纤维随机排列制成的薄絮垫，经机械热粘技术而成的无纺土工织物。本实施例通过安装在自动流水生产线上方的高速摄像机俯视采集土工合成织物表面图像，照明方式为LED灯在上方照明，使采集的表面图像内土工合成织物表面光照均匀，对于得到的表面图像使用高斯滤波进行预处理后，将其灰度化得到表面灰度图像。

至此，获得了表面灰度图像。

像素点缺陷可能性获取模块，由于传统的Otsu图像分割算法，当目标区域和背景区域面积比例悬殊时，Otsu算法求取的分割阈值会偏向面积较大的区域，导致分割误差较大。因此本实施例通过分析土工合成织物表面特征，计算图像内每个像素点为缺陷的可能性，由此来校正Otsu算法求取的分割阈值，提高缺陷分割的精度。

具体的，由于选取的土工合成织物表面为短纤维丝无序交织、相互缠结在一起，因此表面灰度图像正常像素点的局部邻域内相邻像素点灰度值存在一定的差异，而表示异物、杂质、孔洞和油污等缺陷的像素点在局部邻域内相邻像素点灰度值相近，如图2所示。

首先，在表面灰度图像中以每个像素点为中心点设置大小的窗口记为滑动 窗口，在本实施例中令滑动窗口的大小为11，令滑动窗口在图像中逐个像素点进行遍历，若 滑动窗口出现表面灰度图不同的像素点，则将存在于表面灰度图的部分的均值作为剩余部 分的灰度值，将每个滑动窗口经过中心点的行、列、两对角线的像素点的灰度值分别记为一 个灰度序列，共得到四个灰度序列，灰度序列按照像素点从左到右从上到下排序，即先从最 左边的像素点开始按照线段顺序遍历，对于列从上到下遍历；将灰度序列中灰度值相同且 相邻的记为一段，若不存在灰度值相同且相邻的就单独为一段，例如灰度值23、23、24、24、 23、25这一灰度序列中，23、23为一段，24、24为一段，23单独为一段，25单独为一段，共有四 段，记每一段为序列段，获得每个灰度序列的序列段的数量和每个序列段的长度，根据序列 段的数量和长度得到灰度序列的连续性，公式如下：

式中，为灰度序列中序列段的数量，为灰度序列中第i个序列段的长度，e为自 然常数，k为调整系数，在本实施例中k为0.1，为灰度序列的连续性。

已知土工合成织物表面图像内缺陷像素点在某一方向像素点灰度值相同的连续 性较强，即灰度值连续相同的序列段的长度中存在较大值，而正常像素点在各方向上像 素点灰度值处于无序的变化状态，即灰度值连续相同的序列段的长度都较小。故越大， 说明连续性越好，即用归一化的为的权重，突显灰度序列中较长的序列段，则归一化加 权求和后的表示灰度序列上灰度值连续相同的序列段的长度特征。当灰度序列中 灰度值连续相同的序列段的数量B越多，说明灰度序列中灰度值无序变化频率越大，因此用 反比归一化的为的调整值，两者的乘积表示灰度序列上像素点的连续性。

进一步的，得到每个滑动窗口内灰度序列的连续性，将四个灰度序列中最大的连 续性作为滑动窗口中心点的连续性，同理获得表面灰度图像中所有像素点的连续性，将所 有像素点的连续性构成一个集合，记为，其中n为表面灰度图像中像素 点的个数。

由于土工合成织物表面会存在不被其它纤维丝交织缠结的独立较长的纤维丝，导 致此处像素点的连线性较大，影响缺陷识别。因此本方案根据纤维丝的细小特征，获取校正 系数对各像素点的连续性进行调整，获取准确的各像素点为缺陷的可能性。

具体的，已知纤维丝为土工合成织物的组成单位，则土工合成织物表面缺陷区域的宽度一定大于单纤维丝的宽度。故将集合得到的每个像素点的连续性替换每个像素点的灰度值得到连续性图像D，对于连续性图像D，使用K-means聚类算法对连续性图像D进行分割，聚类簇设置为2个，聚类距离为两个像素点连续性的差值，聚类后得到两个区域，分别对两个区域的连续性求均值得到每个区域的连续均值，将连续均值较大的区域记为疑似缺陷区域。对于疑似缺陷区域使用形态学细化操作获得疑似缺陷区域的单像素宽度的骨架线，根据骨架线长度获得疑似缺陷区域的宽度均值，公式如下：

式中，G表示疑似缺陷区域的面积，表示疑似缺陷区域的骨架线长度，表示对进行向下取整，F为疑似缺陷区域的宽度均值，宽度均值F应大于纤维丝宽度、小于缺陷区 域宽度。

使用的结构元素对连续性图像D进行形态学开运算，滤除宽度较小的连续性较大的纤维丝像素点，令其连续性减小，获得连续标准图像，根据连续性图像D和连续 标准图像像素点的连续性获得像素点为缺陷的可能性，公式如下：

式中，表示连续性图像D中第j个像素点的连续性，表示连续标准图像中第j个 像素点的连续性，e为自然常数，k为调整系数，在本实施例中k为0.1，表示线性归一 化函数，表示第j个像素点为缺陷的可能性。

为连续性图像D经过形态学开运算后第j个像素点连续性减少的值，当时，说明该像素点经过形态学开运算后连续性未减少，应为正常像素点或者 缺陷像素点，故令校正系数为1。而当，说明该像素点为形态学开运算滤除的连 续性较大的纤维丝像素点，越大，为纤维像素点的概率越大，故令校正系数为反 比归一化的。由此利用校正系数对图像内各像素点的连续性进行校正，两者 的乘积表示原始土工合成织物表面图像内各像素点为缺陷的可能性。

常规的织物缺陷检测会根据织物表面规律性纹理识别缺陷，但当前场景中的土工合成织物表面无规律性纹理，本实施例根据土工合成织物表面正常区域像素点灰度值变化的无序性和纤维丝的宽度特征初步识别各像素点为缺陷的可能性，为后续图像分割提供参数。

至此，获得了表面灰度图像中每个像素点为缺陷的可能性。

缺陷区域获得模块，由于部分缺陷边缘像素点会存在窗口内缺陷像素点较少的情 况，导致这些缺陷像素点的连续性较低，即其为缺陷的可能性较低，会被误分，因此本实 施例根据土工合成织物表面的异物、杂质、孔洞和油污等缺陷区域一般较暗的特征，获取精 准的分割阈值。

具体的，将每一个灰度级记为标准灰度级，统计大于标准灰度级和小于等于标准灰度级的像素点的比例，获得大于标准灰度级和小于等于标准灰度级的像素点缺陷可能性的均值，获得大于标准灰度级和小于等于标准灰度级的像素点的灰度均值，基于此计算每个灰度级的类间方差，公式如下：

式中，表示灰度值小于等于灰度级v的像素点占所有像素点的比例，表 示灰度值大于灰度级v的像素点占所有像素点的比例，表示灰度值小于等于灰度级v 的像素点为缺陷的可能性的均值，表示灰度值大于灰度级v的像素点为缺陷的可能性 的均值，表示灰度值小于等于灰度级v的像素点的灰度均值，表示灰度值大于灰 度级v的像素点的灰度均值，表示第v个灰度级的类间方差。

已知Otsu算法取遍历分割阈值的类间方差中的最大值，为最佳分割阈值。但由于 土工合成织物表面图像内的缺陷为暗区域，且面积微小，会导致Otsu算法求取的最佳分割 阈值偏向正常区域，即最佳分割阈值的灰度值偏大。而图像缺陷像素点为缺陷的可能性P值 较大，而正常像素点的P值较小，由此当为真正的最佳分割阈值确定时，会远大于，即此时的值最大。因此以为的权重，即令 最大类间方差对应的最佳分割阈值向缺陷区域偏移，获取真正的最佳分割阈值。

将获得的每个灰度级的类间方差，将最大类间方差对应的灰度级记为最佳分割阈值，令土工合成织物表面图像内灰度值小于等于v的像素点为基本缺陷区域，令灰度值大于v的像素点为正常区域。

传统的Otsu图像分割算法，当目标区域和背景区域面积比例悬殊时，Otsu算法求取的分割阈值会偏向面积较大的区域，导致分割误差较大。因此本方案根据土工合成织物表面正常区域像素点灰度值变化的无序性和纤维丝的宽度特征初步识别各像素点为缺陷的可能性，由此对Otsu算法中遍历阈值对应的类间方差赋予权重，获取更加准确的最大类间方差对应的分割阈值，提高阈值分割的准确性。

进一步的，由于Otsu算法不管图像中是否存在缺陷都会将图像分割，因此需要进一步识别分割的基本缺陷区域是否为真正的缺陷。

选取10张存在缺陷的土工合成织物表面图像，利用上述方式在每张图像中分割出 正常区域和基本缺陷区域，计算正常区域像素点灰度值均值减去基本缺陷区域像素点灰度 值均值的差值Q，取这10个差异的均值为，本实施例设置为阈值，实施者可根据 实际需求自行调整。故当表面灰度图像中分割出正常区域和基本缺陷区域内的系数点灰度 值均值的差值时，判断该图像内分割处的基本缺陷区域为真正的缺陷区域。

至此，得到表面灰度图像的缺陷区域。

质量检测模块，获得土工合成织物所有表面灰度图像的缺陷区域，根据缺陷区域的面积占比判断土工合成织物的质量：

式中，为缺陷区域的面积，为土工合成之物的总面积，为土工合成织物的质量 评价指标，在本实施例中设定阈值为0.95，当时，表明土工合成织物的质量较好， 反之，土工合成织物的质量较差。

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 (4)

1.一种土工合成织物质量检测系统，其特征在于，该系统包括以下模块：

图像采集模块，获取表面灰度图像；

像素点缺陷可能性获取模块，对表面灰度图像的每个像素点作为中心点得到一个滑动窗口，获得每个滑动窗口的四个灰度序列，将灰度序列分为若干序列段，得到每个灰度序列中序列段的数量和长度，根据序列段的数量和长度得到灰度序列的连续性；将每个滑动窗口四个灰度序列的连续性的最大值作为像素点的连续性；

将像素点的连续性替代灰度值得到连续性图像，对连续性图像分割得到疑似缺陷区域，获得疑似缺陷区域的骨架线，根据骨架线长度获得疑似缺陷区域的宽度均值；以宽度均值对连续性图像处理得到连续标准图像，根据连续标准图像和连续性图像的连续性差异得到像素点为缺陷的可能性；

缺陷区域获得模块，对于表面灰度图像的任意一个灰度级，将大于灰度级的像素点为缺陷的可能性的均值和小于等于灰度级的像素点为缺陷的可能性的均值的差值为权值得到每个灰度级的类间方差；根据类间方差得到最佳分割阈值，根据最佳分割阈值获得缺陷区域；

质量检测模块，根据缺陷区域的面积完成土工合成织物的质量检测；

所述灰度序列的获取方法为：

对于每个滑动窗口，以过中心点的行、列以及滑动窗口过中心点的两条对角线，四条线段上的像素点的灰度值构成灰度序列，灰度序列中的像素点按照滑动窗口上从左到右，从上到下的方式排序，先找到最左侧的像素点，然后按照直线进行遍历，对于列，从上到下进行遍历；

所述将大于灰度级的像素点为缺陷的可能性的均值和小于等于灰度级的像素点为缺陷的可能性的均值的差值为权值得到每个灰度级的类间方差的方法为：

式中，表示灰度值小于等于灰度级v的像素点占所有像素点的比例，/>表示灰度值大于灰度级v的像素点占所有像素点的比例，/>表示灰度值小于等于灰度级v的像素点为缺陷的可能性的均值，/>表示灰度值大于灰度级v的像素点为缺陷的可能性的均值，/>表示灰度值小于等于灰度级v的像素点的灰度均值，/>表示灰度值大于灰度级v的像素点的灰度均值，/>表示第v个灰度级的类间方差。

2.根据权利要求1所述的一种土工合成织物质量检测系统，其特征在于，所述将灰度序列分为若干序列段的方法为：

对于每一个灰度序列进行遍历，将灰度序列中灰度值相同且相邻的记为一段，若不存在灰度值相同且相邻的就单独为一段。

3.根据权利要求1所述的一种土工合成织物质量检测系统，其特征在于，所述以宽度均值对连续性图像处理得到连续标准图像的方法为：

以宽度均值为边长得到一个结构元素，利用该结构元素对连续性图像进行开运算得到连续标准图像。

4.根据权利要求1所述的一种土工合成织物质量检测系统，其特征在于，所述根据连续标准图像和连续性图像的连续性差异得到像素点为缺陷的可能性的方法为：

式中，表示连续性图像中第j个像素点的连续性，/>表示连续标准图像中第j个像素点的连续性，e为自然常数，k为预设调整系数，/>表示线性归一化函数，/>表示第j个像素点为缺陷的可能性。