CN116342495B - 基于图像处理的布匹缺陷检测方法 - Google Patents
基于图像处理的布匹缺陷检测方法 Download PDFInfo
- Publication number
- CN116342495B CN116342495B CN202310183215.0A CN202310183215A CN116342495B CN 116342495 B CN116342495 B CN 116342495B CN 202310183215 A CN202310183215 A CN 202310183215A CN 116342495 B CN116342495 B CN 116342495B
- Authority
- CN
- China
- Prior art keywords
- target
- gray
- gray value
- value sequence
- subarea
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 94
- 239000004744 fabric Substances 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 230000002175 menstrual effect Effects 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 208000019255 Menstrual disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的布匹缺陷检测方法,该方法包括:获取待检测布匹的表面灰度图像,对表面灰度图像进行分割;获取目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合;确定灰度值序列对应的灰度变化异常指标;确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标;确定目标子区域在预设方向上的灰度连续指标;确定目标子区域对应的异常方向;对目标子区域进行异常程度分析处理;对待检测布匹进行松经缺陷检测。本发明通过对表面灰度图像进行图像处理,提高了对布匹进行松经缺陷检测的效率,应用于对布匹进行缺陷检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的布匹缺陷检测方法。
背景技术
在布匹制造过程中,随着加工层次的增加,可能导致布匹在织边处出现明显的松线或紧线,此时布匹的表面往往会出现波纹或皱纹,布匹表面的这种缺陷就是松经缺陷。其中,明显的松线可以是比正常布匹中的经线或纬线更加松弛的经线或纬线。明显的紧线可以是比正常布匹中的经线或纬线更加紧绷的经线或纬线。目前,对布匹进行缺陷检测时,通常采用的方式为:通过神经网络,对布匹进行缺陷检测。
然而,当采用神经网络,对布匹进行松经缺陷检测时,经常会存在如下技术问题:
训练神经网络时,往往需要大量存在松经缺陷的布匹图像和无松经缺陷的布匹图像,这些图像的收集往往需要耗费大量的时间,并且训练神经网络的时间往往也较长,因此,往往导致对布匹进行松经缺陷检测的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对布匹进行松经缺陷检测的效率低下的技术问题,本发明提出了基于图像处理的布匹缺陷检测方法。
本发明提供了基于图像处理的布匹缺陷检测方法,该方法包括:
获取待检测布匹的表面灰度图像,对所述表面灰度图像进行分割,得到目标子区域集合;
对于所述目标子区域集合中的每个目标子区域,获取所述目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合;
根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定所述灰度值序列对应的灰度变化异常指标;
根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标;
根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定所述目标子区域在所述预设方向上的灰度连续指标;
根据每个目标子区域在各个预设方向上的灰度连续指标,确定所述目标子区域对应的异常方向;
在每个目标子区域对应的异常方向上,对所述目标子区域进行异常程度分析处理,得到所述目标子区域对应的目标异常程度指标;
根据所述目标子区域集合中的各个目标子区域对应的目标异常程度指标,对所述待检测布匹进行松经缺陷检测。
进一步地,所述获取所述目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合,包括:
设置方向为所述预设方向的目标滑动直线;
在所述目标子区域内滑动目标滑动直线,将目标滑动直线每次与所述目标子区域相交的像素点作为交点像素点,组成交点像素点序列,得到所述目标子区域在所述预设方向上的交点像素点序列集合;
当所述目标子区域在所述预设方向上的交点像素点序列集合中的交点像素点序列中交点像素点的数量大于或等于预设数量时,将交点像素点序列中的交点像素点对应的灰度值,组成灰度值序列,得到所述目标子区域在所述预设方向上的灰度值序列集合。
进一步地,所述根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定所述灰度值序列对应的灰度变化异常指标,包括:
将所述灰度值序列中每相邻的两个灰度值对应的参考灰度值的比值,确定为相邻的两个灰度值中的第一个灰度值对应的第一变化指标,得到所述灰度值序列对应的第一变化指标序列,其中,灰度值对应的参考灰度值是该灰度值与预先设置的灰度因子的和;
将所述灰度值序列对应的第一变化指标序列中的第一变化指标的方差,确定为所述灰度值序列对应的灰度变化异常指标。
进一步地,所述根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标,包括:
将相邻的两个灰度值序列对应的第一变化指标序列中相同位置处的第一变化指标的差值的绝对值,确定为第二变化指标,得到这两个灰度值序列中的第一个灰度值序列对应的第二变化指标序列;
将相邻的两个灰度值序列中的第一个灰度值序列对应的第二变化指标序列中的第二变化指标的均值,确定为这两个灰度值序列中的第一个灰度值序列对应的邻域差异指标。
进一步地,所述根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定所述目标子区域在所述预设方向上的灰度连续指标,包括:
将预先设置的第一权重和每个灰度值序列对应的灰度变化异常指标的乘积,确定为所述灰度值序列对应的第三变化指标;
将预先设置的第二权重和每个灰度值序列对应的邻域差异指标的乘积,确定为所述灰度值序列对应的第一差异指标;
将每个灰度值序列对应的第三变化指标和第一差异指标的和,确定为所述灰度值序列对应的第一异常程度;
对每个灰度值序列对应的第一异常程度进行负相关映射,得到所述灰度值序列对应的第一连续指标;
将所述目标子区域在所述预设方向上的灰度值序列集合中的各个灰度值序列对应的第一连续指标的均值,确定为所述目标子区域在所述预设方向上的灰度连续指标。
进一步地,所述根据每个目标子区域在各个预设方向上的灰度连续指标,确定所述目标子区域对应的异常方向,包括:
从所述目标子区域在各个预设方向上的灰度连续指标中筛选出最小的灰度连续指标,并将筛选出的最小灰度连续指标对应的预设方向,确定为所述目标子区域对应的异常方向。
进一步地,所述在每个目标子区域对应的异常方向上,对所述目标子区域进行异常程度分析处理,得到所述目标子区域对应的目标异常程度指标,包括:
将所述目标子区域在所述目标子区域对应的异常方向上的灰度值序列集合,确定为所述目标子区域对应的目标灰度值序列集合;
对于所述目标子区域对应的目标灰度值序列集合中的每个目标灰度值序列,将所述目标灰度值序列中每相邻的两个目标灰度值,组合为二元组,得到所述目标灰度值序列对应的二元组集合;
确定每个目标灰度值序列对应的二元组集合中的每种二元组在二元组集合中出现的频率,作为每种二元组对应的目标频率;
根据每个目标灰度值序列对应的二元组集合中的各种二元组对应的目标频率,确定所述目标灰度值序列对应的灰度差异熵;
对所述目标子区域对应的目标灰度值序列集合中的各个目标灰度值序列对应的灰度差异熵的均值进行归一化,得到所述目标子区域对应的目标异常程度指标。
进一步地,所述根据所述目标子区域集合中的各个目标子区域对应的目标异常程度指标,对所述待检测布匹进行松经缺陷检测,包括:
当所述目标子区域集合中存在目标异常程度指标大于预先设置的异常阈值的目标子区域时,判定所述待检测布匹存在松经缺陷;
当所述目标子区域集合中不存在目标异常程度指标大于异常阈值的目标子区域时,判定所述待检测布匹不存在松经缺陷。
本发明具有如下有益效果:
本发明的基于图像处理的布匹缺陷检测方法,本发明通过对表面灰度图像进行图像处理,解决了对布匹进行松经缺陷检测的效率低下的技术问题,提高了对布匹进行松经缺陷检测的效率。首先,由于表面灰度图像包含待检测布匹的表面信息,因此获取待检测布匹的表面灰度图像,可以便于后续对待检测布匹进行缺陷检测。其次,对表面灰度图像进行分割,得到目标子区域集合,可以便于后续对各个目标子区域进行分析处理。接着,由于松经缺陷是布匹在织边处出现明显的松线或紧线的缺陷,所以产生松经缺陷时,往往会导致某个方向上的异常更加明显。因此获取目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合,可以便于后续确定异常方向。然后,根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定灰度值序列对应的灰度变化异常指标。综合考虑灰度值序列中的各个灰度值,可以提高灰度变化异常指标确定的准确度。继续,根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标。综合考虑相邻的两个灰度值序列,可以提高邻域差异指标确定的准确度。再者,根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定目标子区域在预设方向上的灰度连续指标。综合考虑灰度变化异常指标和邻域差异指标,可以提高灰度连续指标确定的准确度。之后,根据每个目标子区域在各个预设方向上的灰度连续指标,确定目标子区域对应的异常方向。可以使后续进行缺陷检测时只需对目标子区域对应的异常方向进行分析处理,不需对其他预设方向进行分析处理,减少了计算量,减少了计算资源的占用,从而提高了计算效率。最后,在每个目标子区域对应的异常方向上,对目标子区域进行异常程度分析处理,并根据目标子区域集合中的各个目标子区域对应的目标异常程度指标,对待检测布匹进行松经缺陷检测。因此,本发明通过对表面灰度图像进行图像处理,可以实现对待检测布匹的松经缺陷检测,并且本发明不需要收集大量用于训练神经网络的图像,也不需要花费时间进行神经网络的训练,因此本发明提高了对布匹进行松经缺陷检测的效率。
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为根据本发明的基于图像处理的布匹缺陷检测方法的流程图;
图2为根据本发明的目标滑动直线在目标子区域内滑动的示意图。
其中,附图标记包括:目标子区域201、第一直线202和第二直线203。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了基于图像处理的布匹缺陷检测方法,该方法包括以下步骤:
获取待检测布匹的表面灰度图像,对表面灰度图像进行分割,得到目标子区域集合;
对于目标子区域集合中的每个目标子区域,获取目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合;
根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定灰度值序列对应的灰度变化异常指标;
根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标;
根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定目标子区域在预设方向上的灰度连续指标;
根据每个目标子区域在各个预设方向上的灰度连续指标,确定目标子区域对应的异常方向;
在每个目标子区域对应的异常方向上,对目标子区域进行异常程度分析处理,得到目标子区域对应的目标异常程度指标;
根据目标子区域集合中的各个目标子区域对应的目标异常程度指标,对待检测布匹进行松经缺陷检测。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的基于图像处理的布匹缺陷检测方法的一些实施例的流程。该基于图像处理的布匹缺陷检测方法,包括以下步骤:
步骤S1,获取待检测布匹的表面灰度图像,对表面灰度图像进行分割,得到目标子区域集合。
在一些实施例中,可以获取待检测布匹的表面灰度图像,对上述表面灰度图像进行分割,得到目标子区域集合。
其中,待检测布匹可以是待进行松经缺陷检测的纯色布匹。在布匹制造过程中,随着加工层次的增加,可能导致布匹在织边处出现明显的松线或紧线,此时布匹的表面往往会出现波纹或皱纹,布匹表面的这种缺陷就是松经缺陷。明显的松线可以是比正常布匹中的经线或纬线更加松弛的经线或纬线。明显的紧线可以是比正常布匹中的经线或纬线更加紧绷的经线或纬线。表面灰度图像可以是待检测布匹的表面图像的灰度图像。目标子区域集合中的各个目标子区域的尺寸可以相同。
需要说明的是,正常的未产生缺陷的纯色布匹的灰度往往比较均匀,各个位置处的灰度往往比较相近。由于表面灰度图像包含待检测布匹的表面信息,因此获取待检测布匹的表面灰度图像,可以便于后续对待检测布匹进行缺陷检测。其次,对表面灰度图像进行分割,得到目标子区域集合,可以便于后续对各个目标子区域进行松经缺陷检测,相较于直接对表面灰度图像进行是否存在松经缺陷的判断,本发明精确到目标子区域,可以使松经缺陷的检测更加精细。由于后续需要对目标子区域在多个预设方向上进行灰度变化分析,因此目标子区域的尺寸不易过小,目标子区域的高度和宽度至少要由3个像素点构成。
作为示例,本步骤可以包括以下步骤:
第一步,通过工业相机,采集待检测布匹的表面图像,作为初始表面图像。
其中,初始表面图像可以是RGB图像。采集待检测布匹的表面图像时,待检测布匹可以展平放置。
第二步,对初始表面图像进行灰度化,得到表面灰度图像。
第三步,对表面灰度图像进行等分,得到目标子区域集合。
例如,确定目标子区域对应的尺寸对应的公式可以为:
其中,M′是目标子区域对应的尺寸包括的宽度。N′是目标子区域对应的尺寸包括的高度。M是表面灰度图像对应的尺寸包括的宽度。N是表面灰度图像对应的尺寸包括的高度。m是预先设置的对表面灰度图像的宽进行等分的份数。n是预先设置的对表面灰度图像的高进行等分的份数。
需要说明的是,目标子区域集合中的各个目标子区域的宽度可以均为M′,目标子区域集合中的各个目标子区域的高度可以均为N′,可以使目标子区域集合中的各个目标子区域对应的尺寸相同,进而可以实现对表面灰度图像的等分。
步骤S2,对于目标子区域集合中的每个目标子区域,获取目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合。
在一些实施例中,对于上述目标子区域集合中的每个目标子区域,可以获取上述目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合。
其中,预设方向集合中的预设方向可以是预先设置的方向。例如,预设方向集合可以包括:0°方向、45°方向和90°方向。
需要说明的是,松经缺陷是布匹在织边处出现明显的松线或紧线的缺陷,当织边处出现明显的松线或紧线时,往往可能会加大经线或纬线之间的缝隙,由于缝隙与经线或纬线之间的灰度值往往存在差异,因此产生松经缺陷时,往往会导致经线或纬线方向发生灰度异常。并且当织边处出现明显的松线或紧线时,往往可能使经线或纬线的外侧形成类似于阴影一样的区域,往往会导致经线或纬线方向发生灰度异常。其次,由于布匹的经线与纬线相交,所以产生松经缺陷时,经线与纬线的交界处所在的方向往往也会发生灰度异常。对布匹进行松经缺陷时,可以只选取经线方向、纬线方向、经线与纬线的交界处所在的方向这三个具有代表性的方向,也可以设置更多个预设方向。因此获取目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合,可以便于后续对目标子区域在多个预设方向上进行分析处理,以便进行松经缺陷检测。获取表面灰度图像时,可以调整工业相机的拍摄角度,使初始表面图像中的经线方向处于水平方向,即0°方向,此时经线与纬线的交界处所在的方向往往可能是45°方向、纬线方向往往可能是90°方向。
作为示例,本步骤可以包括以下步骤:
第一步,设置方向为上述预设方向的目标滑动直线。
其中,目标滑动直线可以是预设方向所在的直线。
第二步,在上述目标子区域内滑动目标滑动直线,将目标滑动直线每次与上述目标子区域相交的像素点作为交点像素点,组成交点像素点序列,得到上述目标子区域在上述预设方向上的交点像素点序列集合。
其中,目标子区域在预设方向上的交点像素点序列集合中交点像素点的数量可以等于目标子区域中像素点的数量。
例如,当目标滑动直线滑动至目标子区域内的某个位置处时,此时目标滑动直线与目标子区域相交的像素点,可以组成一个交点像素点序列。
第三步,当上述目标子区域在上述预设方向上的交点像素点序列集合中的交点像素点序列中交点像素点的数量大于或等于预设数量时,将交点像素点序列中的交点像素点对应的灰度值,组成灰度值序列,得到上述目标子区域在上述预设方向上的灰度值序列集合。
其中,预设数量可以是3。
需要说明的是,由于后续需要对灰度值序列进行灰度变化分析,因此灰度值序列中灰度值的数量不易过少,因此灰度值序列中灰度值的数量可以是至少3个。
步骤S3,根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定灰度值序列对应的灰度变化异常指标。
在一些实施例中,可以根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定上述灰度值序列对应的灰度变化异常指标。
作为示例,本步骤可以包括以下步骤:
第一步,将上述灰度值序列中每相邻的两个灰度值对应的参考灰度值的比值,确定为相邻的两个灰度值中的第一个灰度值对应的第一变化指标,得到上述灰度值序列对应的第一变化指标序列。
其中,灰度值对应的参考灰度值可以是该灰度值与预先设置的灰度因子的和。灰度因子可以是预先设置的大于0的灰度值,主要为了防止分母为0。比如,灰度因子可以是0.01。相邻的两个灰度值中的第一个灰度值可以是这两个灰度值中序号较小的灰度值。
例如,确定每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的灰度值对应的第一变化指标对应的公式可以为:
其中,τabij是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j个灰度值对应的第一变化指标。a是目标子区域集合中目标子区域的序号。b是预设方向集合中预设方向的序号。i是灰度值序列集合中灰度值序列的序号。j是灰度值序列中灰度值的序号。是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j个灰度值。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j+1个灰度值。γ是预先设置的灰度因子。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j个灰度值对应的参考灰度值。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j+1个灰度值对应的参考灰度值。
需要说明的是,分母中的γ主要为了防止分母为0,分子中的γ主要为了减少分母中的γ带来的影响。可以表征相邻的两个像素点之间的灰度差异。/>越接近1,往往说明相邻的两个像素点之间的灰度值越相近。
第二步,将上述灰度值序列对应的第一变化指标序列中的第一变化指标的方差,确定为上述灰度值序列对应的灰度变化异常指标。
例如,确定灰度值序列对应的灰度变化异常指标对应的公式可以为:
其中,ycabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的灰度变化异常指标。a是目标子区域集合中目标子区域的序号。b是预设方向集合中预设方向的序号。i是灰度值序列集合中灰度值序列的序号。nabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中灰度值的数量。nabi-1是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的灰度值对应的第一变化指标的数量。τabij是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j个灰度值对应的第一变化指标。j是灰度值序列中灰度值的序号。τabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的灰度值对应的第一变化指标的均值。
需要说明的是,当灰度值序列对应的第一变化指标序列中的第一变化指标的方差越大时,往往说明第一变化指标序列中的第一变化指标之间的波动程度越大,往往说明灰度值序列中的灰度值之间的波动程度越大,往往说明灰度值序列对应的位置越可能产生了松经缺陷。
步骤S4,根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标。
在一些实施例中,可以根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标。
其中,相邻的两个灰度值序列中的第一个灰度值序列可以是这两个序列中序号较小的序列。灰度值序列集合中相邻的两个灰度值序列可以是在预设方向的垂直方向上相邻的两个灰度值序列。如图2所示,正方形可以表征目标子区域201内的像素点。预设方向可以为45°方向。目标滑动直线可以是45°方向所在的直线。黑色填充的正方形可以表征该目标滑动直线滑动至第一直线202处时,与目标子区域相交的像素点,组成第一灰度值序列。灰色填充的正方形可以表征该目标滑动直线滑动至第二直线203处时,与目标子区域相交的像素点,组成第二灰度值序列。第一灰度值序列和第二灰度值序列是相邻的两个灰度值序列。第一灰度值序列和第二灰度值序列中相同序号的灰度值对应的像素点可以互为八邻域内的像素点。当第一灰度值序列和第二灰度值序列中的灰度值序号相同时,第一灰度值序列和第二灰度值序列中的灰度值在目标子区域内的列号往往也相同。
作为示例,本步骤可以包括以下步骤:
第一步,将相邻的两个灰度值序列对应的第一变化指标序列中相同位置处的第一变化指标的差值的绝对值,确定为第二变化指标,得到这两个灰度值序列中的第一个灰度值序列对应的第二变化指标序列。
其中,相邻的两个灰度值序列对应的第一变化指标序列中相同位置处的第一变化指标可以是两个灰度值序列对应的第一变化指标序列中相同序号处的第一变化指标。
第二步,将相邻的两个灰度值序列中的第一个灰度值序列对应的第二变化指标序列中的第二变化指标的均值,确定为这两个灰度值序列中的第一个灰度值序列对应的邻域差异指标。
例如,确定灰度值序列对应的邻域差异指标对应的公式可以为:
其中,cyabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的邻域差异指标。a是目标子区域集合中目标子区域的序号。b是预设方向集合中预设方向的序号。i是灰度值序列集合中灰度值序列的序号。Ni是第i个灰度值序列中灰度值的数量和第i+1个灰度值序列中灰度值的数量中较少的数量。是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j个灰度值。j是灰度值序列中灰度值的序号。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j+1个灰度值。γ是预先设置的灰度因子。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i+1个灰度值序列中的第j+1个灰度值。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i+1个灰度值序列中的第j个灰度值。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列中的第j个灰度值对应的第一变化指标。/>是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i+1个灰度值序列中的第j个灰度值对应的第一变化指标。/>和/>可以是第i+1个灰度值序列和第i个灰度值序列对应的第一变化指标序列中相同位置处的第一变化指标。
需要说明的是,当预设方向不是0°方向或90°方向时,灰度值序列集合中的各个灰度值序列中的灰度值的数量往往不相同,所以Ni可以是第i个灰度值序列中灰度值的数量和第i+1个灰度值序列中灰度值的数量中较少的数量。可以表征相邻的两个灰度值序列中相同位置处的灰度变化情况,其值越小,往往说明这两个灰度值序列中相同位置处的灰度变化越小。因此当cyabi越大时,往往说明第i个灰度值序列和第i+1个灰度值序列之间的灰度变化情况越不相似,往往说明产生松经缺陷的可能性越大。
步骤S5,根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定目标子区域在预设方向上的灰度连续指标。
在一些实施例中,可以根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定上述目标子区域在上述预设方向上的灰度连续指标。
作为示例,本步骤可以包括以下步骤:
第一步,将预先设置的第一权重和每个灰度值序列对应的灰度变化异常指标的乘积,确定为上述灰度值序列对应的第三变化指标。
其中,第一权重可以是预先设置的权重。例如,第一权重可以是0.7。
第二步,将预先设置的第二权重和每个灰度值序列对应的邻域差异指标的乘积,确定为上述灰度值序列对应的第一差异指标。
其中,第二权重可以是预先设置的权重。第一权重和第二权重的和可以为1。例如,第二权重可以是0.3。
第三步,将每个灰度值序列对应的第三变化指标和第一差异指标的和,确定为上述灰度值序列对应的第一异常程度。
例如,确定灰度值序列对应的第一异常程度对应的公式可以为:
Kabi=μ1×ycabi+μ2×cyabi
其中,Kabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的第一异常程度。a是目标子区域集合中目标子区域的序号。b是预设方向集合中预设方向的序号。i是灰度值序列集合中灰度值序列的序号。μ1是第一权重。μ2是第二权重。ycabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的灰度变化异常指标。cyabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的邻域差异指标。
需要说明的是,当cyabi越大时,往往说明第i个灰度值序列和第i+1个灰度值序列之间的灰度变化情况越不相似,往往说明产生松经缺陷的可能性越大。当ycabi越大时,往往说明第一变化指标序列中的第一变化指标之间的波动程度越大,往往说明灰度值序列中的灰度值之间的波动程度越大,往往说明灰度值序列对应的位置越可能产生了松经缺陷。因此,Kabi越大时,往往说明越可能产生了松经缺陷。确定第一异常程度时,设置第一权重和第二权重,可以使第一异常程度的取值更加符合实际情况。
第四步,对每个灰度值序列对应的第一异常程度进行负相关映射,得到上述灰度值序列对应的第一连续指标。
例如,确定灰度值序列对应的第一连续指标对应的公式可以为:
Rabi=exp(-Kabi)
其中,Rabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的第一连续指标。a是目标子区域集合中目标子区域的序号。b是预设方向集合中预设方向的序号。i是灰度值序列集合中灰度值序列的序号。Kabi是目标子区域集合中的第a个目标子区域在预设方向集合中的第b个预设方向上的灰度值序列集合中的第i个灰度值序列对应的第一异常程度。exp(-Kabi)是自然常数的-Kabi次方,可以实现对Kabi的负相关映射。
需要说明的是,当Kabi越大时,往往说明灰度变化越大,往往说明灰度值序列越异常,往往说明第a个目标子区域在第b个预设方向上越不均匀,往往说明第a个目标子区域在第b个预设方向上的灰度越不连续,往往说明越可能产生了松经缺陷。因此,Rabi越大时,往往说明第a个目标子区域在第b个预设方向上的灰度越连续,往往说明产生松经缺陷的可能性越低。
第五步,将上述目标子区域在上述预设方向上的灰度值序列集合中的各个灰度值序列对应的第一连续指标的均值,确定为上述目标子区域在上述预设方向上的灰度连续指标。
步骤S6,根据每个目标子区域在各个预设方向上的灰度连续指标,确定目标子区域对应的异常方向。
在一些实施例中,可以根据每个目标子区域在各个预设方向上的灰度连续指标,确定上述目标子区域对应的异常方向。
作为示例,可以从上述目标子区域在各个预设方向上的灰度连续指标中筛选出最小的灰度连续指标,并将筛选出的最小灰度连续指标对应的预设方向,确定为上述目标子区域对应的异常方向。其中,目标子区域对应的异常方向可以是该目标子区域在各个预设方向中灰度连续指标最小的预设方向。
需要说明的是,当灰度连续指标越小时,往往说明目标子区域在预设方向上的灰度越不连续,往往说明越可能产生了松经缺陷。因此当预设方向上的灰度连续指标最小时,往往说明该预设方向的灰度相对其他预设方向最异常,可以作为异常方向,用于进行松经缺陷的判断。异常方向相对其他预设方向是最可能发生松经缺陷的方向,后续在目标子区域对应的异常方向上,对目标子区域进行松经缺陷检测,可以提高松经缺陷检测的准确度。
步骤S7,在每个目标子区域对应的异常方向上,对目标子区域进行异常程度分析处理,得到目标子区域对应的目标异常程度指标。
在一些实施例中,可以在每个目标子区域对应的异常方向上,对上述目标子区域进行异常程度分析处理,得到上述目标子区域对应的目标异常程度指标。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标子区域在上述目标子区域对应的异常方向上的灰度值序列集合,确定为上述目标子区域对应的目标灰度值序列集合。
第二步,对于上述目标子区域对应的目标灰度值序列集合中的每个目标灰度值序列,将上述目标灰度值序列中每相邻的两个目标灰度值,组合为二元组,得到上述目标灰度值序列对应的二元组集合。
例如,目标灰度值序列可以为{201,202,203,204}。该目标灰度值序列对应的二元组集合可以为{(201,202),(202,203),(203,204)}。
第三步,确定每个目标灰度值序列对应的二元组集合中的每种二元组在二元组集合中出现的频率,作为每种二元组对应的目标频率。
需要说明的是,相同的二元组可以认为是相同种类的二元组,不同的二元组可以认为是不同种类的二元组。
例如,目标灰度值序列对应的二元组集合中的每种二元组对应的目标频率对应的公式可以为:
其中,Paif是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应的二元组集合中的第f种二元组对应的目标频率。a是目标子区域集合中目标子区域的序号。f是二元组集合中二元组的种类序号。naif是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应的二元组集合中第f种二元组的数量。nai是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应的二元组集合中二元组的数量。由于i是灰度值序列集合中灰度值序列的序号,并且目标灰度值序列集合是目标子区域对应的异常方向上的灰度值序列集合,因此i还可以是目标灰度值序列集合中目标灰度值序列的序号。
需要说明的是,确定第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应的二元组集合中的第f种二元组对应的目标频率Paif,可以便于后续计算灰度差异熵。
第四步,根据每个目标灰度值序列对应的二元组集合中的各种二元组对应的目标频率,确定上述目标灰度值序列对应的灰度差异熵。
例如,确定目标灰度值序列对应的灰度差异熵对应的公式可以为:
其中,wai是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应灰度差异熵。Fai是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应的二元组集合中二元组的种数。Paif是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应的二元组集合中的第f种二元组对应的目标频率。logxPaif是以x为底Paif的对数。x是大于1的数,比如,x可以为10。a是目标子区域集合中目标子区域的序号。f是二元组集合中二元组的种类序号。由于i是灰度值序列集合中灰度值序列的序号,并且目标灰度值序列集合是目标子区域对应的异常方向上的灰度值序列集合,因此i还可以是目标灰度值序列集合中目标灰度值序列的序号。
需要说明的是,由于正常的未产生缺陷的纯色布匹的灰度往往比较均匀,各个位置处的灰度往往比较相近。然而当产生松经缺陷时,往往会导致异常方向上的灰度发生变化,因此,第i个目标灰度值序列对应灰度差异熵wai越大,往往说明越可能产生了松经缺陷。
第五步,对上述目标子区域对应的目标灰度值序列集合中的各个目标灰度值序列对应的灰度差异熵的均值进行归一化,得到上述目标子区域对应的目标异常程度指标。
例如,确定目标子区域对应的目标异常程度指标对应的公式可以为:
其中,La是目标子区域集合中的第a个目标子区域对应的目标异常程度指标。na是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中目标灰度值序列的数量。wai是目标子区域集合中的第a个目标子区域对应的目标灰度值序列集合中的第i个目标灰度值序列对应灰度差异熵。是自然常数的/>次方。可以实现对/>的归一化。
需要说明的是,可以表征目标区域在异常方向上的平均灰度变化。/>越大,往往说明第a个目标子区域越可能产生了松经缺陷。并且对/>进行归一化,可以便于后续的处理。
步骤S8,根据目标子区域集合中的各个目标子区域对应的目标异常程度指标,对待检测布匹进行松经缺陷检测。
在一些实施例中,可以根据上述目标子区域集合中的各个目标子区域对应的目标异常程度指标,对上述待检测布匹进行松经缺陷检测。
作为示例,本步骤可以包括以下步骤:
第一步,当上述目标子区域集合中存在目标异常程度指标大于预先设置的异常阈值的目标子区域时,判定上述待检测布匹存在松经缺陷。
其中,异常阈值可以是预先设置的目标子区域不存在松经缺陷时,最大的目标异常程度指标。例如,异常阈值可以是0.34。
第二步,当上述目标子区域集合中不存在目标异常程度指标大于异常阈值的目标子区域时,判定上述待检测布匹不存在松经缺陷。
需要说明的是,目标子区域对应的目标异常程度指标大于异常阈值时,往往说明该目标子区域存在松经缺陷。
综上,首先由于表面灰度图像包含待检测布匹的表面信息,因此获取待检测布匹的表面灰度图像,可以便于后续对待检测布匹进行缺陷检测。其次,对表面灰度图像进行分割,得到目标子区域集合,可以便于后续对各个目标子区域进行松经缺陷检测,相较于直接对表面灰度图像进行是否存在松经缺陷的判断,本发明精确到目标子区域,可以使松经缺陷的检测更加精细。接着,由于松经缺陷往往沿着某个方向产生灰度异常,因此获取目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合,可以便于后续对目标子区域在多个预设方向上进行分析处理,以便进行松经缺陷检测。接着,综合考虑灰度变化异常指标和邻域差异指标,可以提高灰度连续指标确定的准确度,可以便于后续确定目标子区域对应的异常方向。最后,对目标子区域进行异常程度分析处理,并根据目标子区域集合中的各个目标子区域对应的目标异常程度指标,对待检测布匹进行松经缺陷检测,可以实现对待检测布匹的松经缺陷检测,并且本发明不需要收集大量用于训练神经网络的图像,也不需要花费时间进行神经网络的训练,因此本发明提高了对布匹进行松经缺陷检测的效率。
以上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 (8)
1.一种基于图像处理的布匹缺陷检测方法,其特征在于,包括以下步骤:
获取待检测布匹的表面灰度图像,对所述表面灰度图像进行分割,得到目标子区域集合;
对于所述目标子区域集合中的每个目标子区域,获取所述目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合;
根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定所述灰度值序列对应的灰度变化异常指标;
根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标;
根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定所述目标子区域在所述预设方向上的灰度连续指标;
根据每个目标子区域在各个预设方向上的灰度连续指标,确定所述目标子区域对应的异常方向;
在每个目标子区域对应的异常方向上,对所述目标子区域进行异常程度分析处理,得到所述目标子区域对应的目标异常程度指标;
根据所述目标子区域集合中的各个目标子区域对应的目标异常程度指标,对所述待检测布匹进行松经缺陷检测。
2.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述获取所述目标子区域在预设方向集合中的每个预设方向上的灰度值序列集合,包括:
设置方向为所述预设方向的目标滑动直线;
在所述目标子区域内滑动目标滑动直线,将目标滑动直线每次与所述目标子区域相交的像素点作为交点像素点,组成交点像素点序列,得到所述目标子区域在所述预设方向上的交点像素点序列集合;
当所述目标子区域在所述预设方向上的交点像素点序列集合中的交点像素点序列中交点像素点的数量大于或等于预设数量时,将交点像素点序列中的交点像素点对应的灰度值,组成灰度值序列,得到所述目标子区域在所述预设方向上的灰度值序列集合。
3.根据权利要求2所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述根据每个目标子区域在每个预设方向上的灰度值序列集合中的每个灰度值序列中的各个灰度值,确定所述灰度值序列对应的灰度变化异常指标,包括:
将所述灰度值序列中每相邻的两个灰度值对应的参考灰度值的比值,确定为相邻的两个灰度值中的第一个灰度值对应的第一变化指标,得到所述灰度值序列对应的第一变化指标序列,其中,灰度值对应的参考灰度值是该灰度值与预先设置的灰度因子的和;
将所述灰度值序列对应的第一变化指标序列中的第一变化指标的方差,确定为所述灰度值序列对应的灰度变化异常指标。
4.根据权利要求3所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述根据每个目标子区域在每个预设方向上的灰度值序列集合中每相邻的两个灰度值序列,确定相邻的两个灰度值序列中的第一个灰度值序列对应的邻域差异指标,包括:
将相邻的两个灰度值序列对应的第一变化指标序列中相同位置处的第一变化指标的差值的绝对值,确定为第二变化指标,得到这两个灰度值序列中的第一个灰度值序列对应的第二变化指标序列;
将相邻的两个灰度值序列中的第一个灰度值序列对应的第二变化指标序列中的第二变化指标的均值,确定为这两个灰度值序列中的第一个灰度值序列对应的邻域差异指标。
5.根据权利要求2所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述根据每个目标子区域在每个预设方向上的灰度值序列集合中的各个灰度值序列对应的灰度变化异常指标和邻域差异指标,确定所述目标子区域在所述预设方向上的灰度连续指标,包括:
将预先设置的第一权重和每个灰度值序列对应的灰度变化异常指标的乘积,确定为所述灰度值序列对应的第三变化指标;
将预先设置的第二权重和每个灰度值序列对应的邻域差异指标的乘积,确定为所述灰度值序列对应的第一差异指标;
将每个灰度值序列对应的第三变化指标和第一差异指标的和,确定为所述灰度值序列对应的第一异常程度;
对每个灰度值序列对应的第一异常程度进行负相关映射,得到所述灰度值序列对应的第一连续指标;
将所述目标子区域在所述预设方向上的灰度值序列集合中的各个灰度值序列对应的第一连续指标的均值,确定为所述目标子区域在所述预设方向上的灰度连续指标。
6.根据权利要求2所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述根据每个目标子区域在各个预设方向上的灰度连续指标,确定所述目标子区域对应的异常方向,包括:
从所述目标子区域在各个预设方向上的灰度连续指标中筛选出最小的灰度连续指标,并将筛选出的最小灰度连续指标对应的预设方向,确定为所述目标子区域对应的异常方向。
7.根据权利要求2所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述在每个目标子区域对应的异常方向上,对所述目标子区域进行异常程度分析处理,得到所述目标子区域对应的目标异常程度指标,包括:
将所述目标子区域在所述目标子区域对应的异常方向上的灰度值序列集合,确定为所述目标子区域对应的目标灰度值序列集合;
对于所述目标子区域对应的目标灰度值序列集合中的每个目标灰度值序列,将所述目标灰度值序列中每相邻的两个目标灰度值,组合为二元组,得到所述目标灰度值序列对应的二元组集合;
确定每个目标灰度值序列对应的二元组集合中的每种二元组在二元组集合中出现的频率,作为每种二元组对应的目标频率;
根据每个目标灰度值序列对应的二元组集合中的各种二元组对应的目标频率,确定所述目标灰度值序列对应的灰度差异熵;
对所述目标子区域对应的目标灰度值序列集合中的各个目标灰度值序列对应的灰度差异熵的均值进行归一化,得到所述目标子区域对应的目标异常程度指标。
8.根据权利要求1所述的一种基于图像处理的布匹缺陷检测方法,其特征在于,所述根据所述目标子区域集合中的各个目标子区域对应的目标异常程度指标,对所述待检测布匹进行松经缺陷检测,包括:
当所述目标子区域集合中存在目标异常程度指标大于预先设置的异常阈值的目标子区域时,判定所述待检测布匹存在松经缺陷;
当所述目标子区域集合中不存在目标异常程度指标大于异常阈值的目标子区域时,判定所述待检测布匹不存在松经缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310183215.0A CN116342495B (zh) | 2023-02-28 | 2023-02-28 | 基于图像处理的布匹缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310183215.0A CN116342495B (zh) | 2023-02-28 | 2023-02-28 | 基于图像处理的布匹缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342495A CN116342495A (zh) | 2023-06-27 |
CN116342495B true CN116342495B (zh) | 2023-09-08 |
Family
ID=86878230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310183215.0A Active CN116342495B (zh) | 2023-02-28 | 2023-02-28 | 基于图像处理的布匹缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342495B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409313A (zh) * | 2021-08-18 | 2021-09-17 | 济宁联威车轮制造有限公司 | 基于计算机视觉的车轮焊缝表面缺陷检测方法 |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及系统 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8451504B2 (en) * | 2009-09-02 | 2013-05-28 | Xerox Corporation | Banding defect detection in digital imaging systems |
CN104820302B (zh) * | 2015-05-19 | 2018-05-18 | 合肥京东方光电科技有限公司 | 取向膜检测装置及方法 |
CN111044525B (zh) * | 2019-12-30 | 2021-10-29 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
-
2023
- 2023-02-28 CN CN202310183215.0A patent/CN116342495B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409313A (zh) * | 2021-08-18 | 2021-09-17 | 济宁联威车轮制造有限公司 | 基于计算机视觉的车轮焊缝表面缺陷检测方法 |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及系统 |
CN115439481A (zh) * | 2022-11-09 | 2022-12-06 | 青岛平电锅炉辅机有限公司 | 基于图像处理的除氧器焊接质量检测方法 |
Non-Patent Citations (1)
Title |
---|
《结合邻域信息的带钢表面明暗域缺陷图像配准》;魏玉兰 等;《东北大学学报(自然科学版)》;第31卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116342495A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
US5491627A (en) | Method and system for the detection of microcalcifications in digital mammograms | |
US5343390A (en) | Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs | |
US8340372B2 (en) | Image analysis | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
JPH08335271A (ja) | 画像診断支援装置の画像処理方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
EP3855389A1 (en) | Training data collection device, training data collection method, and program | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN109870730B (zh) | 一种用于x光机图像解析度测试体定检的方法及系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116342495B (zh) | 基于图像处理的布匹缺陷检测方法 | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
Fasahat et al. | A novel hybrid genetic and imperialist competitive algorithm for structure extraction of woven fabric images | |
CN109035245B (zh) | 基于灰度变化特征分析的无损射线底片灵敏度判别方法 | |
CN106910276A (zh) | 检测纸币新旧的方法及装置 | |
CN117495862B (zh) | 一种义齿耐磨性检测装置 | |
CN116228601B (zh) | 一种火车双向平煤的平煤效果视觉监控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |