CN116342583A - 一种用于纺纱生产加工的抗起球性能检测方法 - Google Patents

一种用于纺纱生产加工的抗起球性能检测方法 Download PDF

Info

Publication number
CN116342583A
CN116342583A CN202310537773.2A CN202310537773A CN116342583A CN 116342583 A CN116342583 A CN 116342583A CN 202310537773 A CN202310537773 A CN 202310537773A CN 116342583 A CN116342583 A CN 116342583A
Authority
CN
China
Prior art keywords
pixel point
target
preset
pixel
gray
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
Application number
CN202310537773.2A
Other languages
English (en)
Other versions
CN116342583B (zh
Inventor
侯芝富
姜兆辉
宋圣山
郭增革
蒲丛丛
丁作伟
宋新华
尹娜
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.)
SHANDONG TRANSCEND TEXTILE CO Ltd
Original Assignee
SHANDONG TRANSCEND TEXTILE CO Ltd
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 SHANDONG TRANSCEND TEXTILE CO Ltd filed Critical SHANDONG TRANSCEND TEXTILE CO Ltd
Priority to CN202310537773.2A priority Critical patent/CN116342583B/zh
Publication of CN116342583A publication Critical patent/CN116342583A/zh
Application granted granted Critical
Publication of CN116342583B publication Critical patent/CN116342583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种用于纺纱生产加工的抗起球性能检测方法，该方法包括：获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像；对目标摩擦图像中的每个像素点进行邻域灰度差异分析处理；对目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理；根据目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定像素点对应的毛球凸起指标；目标摩擦图像中的像素点对应的毛球边缘指标；确定毛球边缘像素点集合和目标毛球区域集合；判断待检测纺织品的抗起球性能是否合格。本发明通过对目标摩擦图像进行数据处理，提高了对纺纱生产加工生成的纺织品进行抗起球性能检测的效率，主要应用于抗起球性能检测。

Description

一种用于纺纱生产加工的抗起球性能检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用于纺纱生产加工的抗起球性能检测方法。
背景技术
由纺纱生产加工生成的纺织品（如，衣服）在穿着、洗涤或者进行其他运动的过程中，纺织品里面的纤维往往会受到外界给它们的力的作用，从而形成一定程度的相互纠缠和纠结，最终形成毛球，这种现象称之为“起球”现象，是比较常见的缺陷现象。由于纺织品起球后，既破坏了纺织品的外观，又降低了纺织品的使用性。因此，对纺纱生产加工生成的纺织品进行抗起球性能检测尤为重要。目前，对纺纱生产加工生成的纺织品进行抗起球性能检测时，通常采用的方式为：基于纺织品的摩擦图像，对纺织品进行起球缺陷检测，得到毛球区域，并根据毛球区域，判断纺织品的抗起球性能。其中，摩擦图像可以是对纺织品进行摩擦后的图像。毛球区域又叫起球区域。现有基于物品图像，对物品进行缺陷检测的常用方法为：基于物品图像，采用神经网络，对物品进行缺陷检测。
然而，当基于摩擦图像，采用神经网络，对纺织品进行起球缺陷检测时，经常会存在如下技术问题：
训练神经网络时，往往需要大量标注了毛球区域的摩擦图像，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，往往导致对纺织品进行起球缺陷检测的效率低下，从而往往导致对纺纱生产加工生成的纺织品进行抗起球性能检测的效率低下。
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。
为了解决对纺纱生产加工生成的纺织品进行抗起球性能检测的效率低下的技术问题，本发明提出了一种用于纺纱生产加工的抗起球性能检测方法。
本发明提供了一种用于纺纱生产加工的抗起球性能检测方法，该方法包括：
获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像；
对所述目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到所述像素点对应的邻域灰度差异；
对所述目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到所述像素点对应的目标杂乱系数；
根据所述目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定所述像素点对应的毛球凸起指标；
根据所述目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定所述像素点对应的毛球边缘指标；
根据所述目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合；
基于所述毛球边缘像素点集合，确定目标毛球区域集合；
根据所述目标毛球区域集合，判断所述待检测纺织品的抗起球性能是否合格。
进一步地，所述对所述目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到所述像素点对应的邻域灰度差异，包括：
对所述像素点对应的灰度值与所述像素点对应的预设邻域中所有邻域像素点对应的灰度值的差值平方的均值进行归一化，得到所述像素点对应的邻域灰度差异。
进一步地，所述对所述目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到所述像素点对应的目标杂乱系数，包括：
对所述目标摩擦图像中的每个像素点对应的预设滑窗中所有像素点对应的灰度值的变异系数进行归一化，得到所述目标摩擦图像中的每个像素点对应的目标杂乱系数。
进一步地，所述根据所述目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定所述像素点对应的毛球凸起指标，包括：
确定所述目标摩擦图像中的每个像素点对应的预设窗口中每行参考像素点对应的灰度采样矩阵，其中，参考像素点是预设窗口中的像素点；
将每行参考像素点对应的灰度采样矩阵中的每行灰度值中所有灰度值的均值，确定为每行灰度值对应的第一灰度均值；
对于每行参考像素点对应的灰度采样矩阵中的每行灰度值中的每个灰度值，将所述灰度值与该行灰度值对应的第一灰度均值的差值的绝对值，确定为所述灰度值对应的第一灰度差异；
将每行参考像素点对应的灰度采样矩阵中各个行灰度值中各个灰度值对应的第一灰度差异的累加和，确定为该行参考像素点对应的第一横向混乱度；
将所述目标摩擦图像中的每个像素点对应的预设窗口中的各行参考像素点的第一横向混乱度的累加和，确定为所述目标摩擦图像中的每个像素点对应的整体横向混乱度；
确定所述目标摩擦图像中的每个像素点对应的整体纵向混乱度；
根据第一预设权重、第二预设权重、所述目标摩擦图像中的每个像素点对应的整体横向混乱度和整体纵向混乱度，确定所述像素点对应的毛球凸起指标，其中，整体横向混乱度和整体纵向混乱度均与毛球凸起指标呈正相关，第一预设权重和第二预设权重分别是整体横向混乱度和整体纵向混乱度的权重。
进一步地，所述确定所述目标摩擦图像中的每个像素点对应的预设窗口中每行参考像素点对应的灰度采样矩阵，包括：
在该行参考像素点中每次以预设数量个参考像素点为滑动间隔滑动一次预设采样滑窗；
当该行参考像素点中的第一个参考像素点位于预设采样滑窗的末端时，判定第一次滑动结束；
当该行参考像素点中的最后一个参考像素点位于预设采样滑窗的始端时，判定最后一次滑动结束；
将每次滑动结束时预设采样滑窗中所有参考像素点对应的灰度值，组合为该行参考像素点对应的灰度采样矩阵包括的一行灰度值。
进一步地，所述根据所述目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定所述像素点对应的毛球边缘指标，包括：
根据所述像素点对应的邻域灰度差异，确定所述像素点对应的边缘度量指标；
根据所述像素点对应的预设目标邻域和邻域灰度差异，确定所述像素点对应的相似面积指标；
将所述像素点对应的边缘度量指标和相似面积指标的乘积，确定为所述像素点对应的毛球边缘面积指标；
根据所述像素点对应的毛球边缘面积指标、目标杂乱系数和毛球凸起指标，确定所述像素点对应的毛球边缘指标，其中，毛球边缘面积指标、目标杂乱系数和毛球凸起指标均与毛球边缘指标呈正相关。
进一步地，所述根据所述像素点对应的邻域灰度差异，确定所述像素点对应的边缘度量指标，包括：
当所述像素点对应的邻域灰度差异大于或等于预设差异阈值时，将第一预设度量指标，确定为所述像素点对应的边缘度量指标；
当所述像素点对应的邻域灰度差异小于预设差异阈值时，将第二预设度量指标，确定为所述像素点对应的边缘度量指标，其中，第二预设度量指标小于第一预设度量指标。
进一步地，所述根据所述像素点对应的预设目标邻域和邻域灰度差异，确定所述像素点对应的相似面积指标，包括：
从所述像素点对应的预设目标邻域中筛选出与所述像素点对应的邻域灰度差异相等的邻域像素点，作为相似像素点；
若相似像素点对应的预设目标邻域中存在第一像素点，则将第一像素点确定为相似像素点，重复相似像素点确定步骤，直至所有相似像素点对应的预设目标邻域中不存在第一像素点，其中，第一像素点是相似像素点对应的预设目标邻域中与该相似像素点对应的邻域灰度差异相等的邻域像素点；
将得到的所有相似像素点的数量与预设基数的和，确定为所述像素点对应的相似面积指标。
进一步地，所述根据所述目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合，包括：
根据所述目标摩擦图像中的像素点对应的毛球边缘指标，对所述目标摩擦图像中的像素点进行聚类，得到目标像素点类别集合；
将所述目标像素点类别集合中的每个目标像素点类别中所有像素点对应的毛球边缘指标的均值，确定为所述目标像素点类别对应的第一边缘指标；
将所述目标像素点类别集合中第一边缘指标最大的目标像素点类别，确定为毛球边缘像素点类别；
将所述毛球边缘像素点类别中的毛球边缘像素点，组合为毛球边缘像素点集合。
进一步地，所述根据所述目标毛球区域集合，判断所述待检测纺织品的抗起球性能是否合格，包括：
将第一数量与第二数量的比值，确定为起球指标，其中，所述第一数量是所述目标毛球区域集合中像素点的数量，所述第二数量是所述目标摩擦图像中像素点的数量；
当所述起球指标大于预设起球阈值时，判定所述待检测纺织品的抗起球性能不合格；
当所述起球指标小于或等于预设起球阈值时，判定所述待检测纺织品的抗起球性能合格。
本发明具有如下有益效果：
本发明的一种用于纺纱生产加工的抗起球性能检测方法，通过对目标摩擦图像进行数据处理，解决了对纺纱生产加工生成的纺织品进行抗起球性能检测的效率低下的技术问题，提高了对纺纱生产加工生成的纺织品进行抗起球性能检测的效率。首先，对纺织品进行抗起球性能检测时，由于成本时效等多种因素一般不会让纺织品被穿着一段时间后，再检查纺织品的起球情况，往往是对纺织品进行摩擦，以模拟纺织品在穿着、洗涤或者进行其他运动时的过程。因此获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像，可以便于后续通过分析目标摩擦图像的起球情况，判断待检测纺织品的抗起球性能。然后，由于起球的毛球边缘像素点与其他像素点的灰度差异往往不同，因此确定像素点对应的邻域灰度差异，可以便于后续判断像素点是否为毛球边缘像素点。接着，由于毛球边缘像素点处的毛球毛羽往往比较杂乱，因此确定像素点对应的目标杂乱系数，可以便于后续判断像素点是否为毛球边缘像素点。再者，基于像素点对应的预设窗口中的灰度值分布，可以提高像素点对应的毛球凸起指标确定的准确度。继续，综合考虑像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，可以提高像素点对应的毛球边缘指标确定的准确度。之后，基于像素点对应的毛球边缘指标，确定毛球边缘像素点集合，可以提高毛球边缘像素点集合确定的准确度。而后，基于毛球边缘像素点集合，可以提高目标毛球区域集合确定的准确度。最后，可以根据目标毛球区域集合，判断待检测纺织品的抗起球性能是否合格，实现了对待检测纺织品的抗起球性能检测。因此本发明通过对目标摩擦图像进行数据处理，实现了对纺纱生产加工生成的纺织品的抗起球性能检测，并且本发明不需进行神经网络的训练，从而可以提高对纺纱生产加工生成的纺织品进行抗起球性能检测的效率。
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为根据本发明的一种用于纺纱生产加工的抗起球性能检测方法的流程图；
图2为根据本发明的灰度采样矩阵确定过程示意图。
其中，附图标记包括：第一滑窗201、某行参考像素点202、第二滑窗203、第三滑窗204和第四滑窗205。
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。
本发明提供了一种用于纺纱生产加工的抗起球性能检测方法，该方法包括以下步骤：
获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像；
对目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到像素点对应的邻域灰度差异；
对目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到像素点对应的目标杂乱系数；
根据目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定像素点对应的毛球凸起指标；
根据目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定像素点对应的毛球边缘指标；
根据目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合；
基于毛球边缘像素点集合，确定目标毛球区域集合；
根据目标毛球区域集合，判断待检测纺织品的抗起球性能是否合格。
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一种用于纺纱生产加工的抗起球性能检测方法的一些实施例的流程。该用于纺纱生产加工的抗起球性能检测方法，包括以下步骤：
步骤S1，获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像。
在一些实施例中，可以获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像。
其中，待检测纺织品可以是由纺纱生产加工生成的、待进行抗起球性能检测的纺织品。未进行摩擦的待检测纺织品的表面的颜色可以是纯色。抗起球性能可以表征对纺织品进行摩擦时，纺织品不易起球的程度。目标摩擦图像可以是对待检测纺织品进行摩擦后，采集的待检测纺织品的表面图像。
需要说明的是，由纺纱生产加工生成的纺织品（如，衣服）在穿着、洗涤或者进行其他运动的过程中，纺织品里面的纤维往往会受到外界给它们的力的作用，从而形成一定程度的相互纠缠和纠结，最终形成毛球，这种现象称之为“起球”现象，是比较常见的缺陷现象。其中，纺织品里面的纤维的颜色往往是白色的。对纺织品进行抗起球性能检测时，由于成本时效等多种因素一般不会让纺织品被穿着一段时间后，再检查纺织品的起球情况，往往是对纺织品进行摩擦，以模拟纺织品在穿着、洗涤或者进行其他运动时的过程。因此获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像，可以便于后续通过分析目标摩擦图像的起球情况，判断待检测纺织品的抗起球性能。
作为示例，本步骤可以包括以下步骤：
第一步，采用人工的方式，对待检测纺织品进行摩擦，得到摩擦纺织品。
第二步，通过CCD（Charge Coupled Device，电荷耦合器件）相机，采集摩擦纺织品的表面图像，作为初始图像。
其中，初始图像可以是RGB图像。
第三步，对初始图像进行图像预处理，得到目标摩擦图像。
其中，目标摩擦图像可以是对初始图像进行图像预处理后，得到的图像。图像预处理可以包括但不限于：去噪处理、灰度化和图像增强。
例如，首先可以采用非局部均值滤波，对初始图像进行去噪处理，得到去噪图像。接着，可以对去噪图像进行灰度化，得到目标摩擦图像。
步骤S2，对目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到像素点对应的邻域灰度差异。
在一些实施例中，可以对上述目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到上述像素点对应的邻域灰度差异。
需要说明的是，由于起球的毛球边缘像素点与其他像素点的灰度差异往往不同，因此确定像素点对应的邻域灰度差异，可以便于后续判断像素点是否为毛球边缘像素点，其中，毛球边缘像素点可以是毛球区域（起球区域）的边缘像素点。
作为示例，可以对上述像素点对应的灰度值与上述像素点对应的预设邻域中所有邻域像素点对应的灰度值的差值平方的均值进行归一化，得到上述像素点对应的邻域灰度差异。其中，预设邻域可以是预先设置的邻域。例如，预设邻域可以是八邻域。邻域像素点可以是邻域中的像素点。
例如，确定目标摩擦图像中的像素点对应的邻域灰度差异对应的公式可以为：
Figure SMS_1
其中，
Figure SMS_4
是目标摩擦图像中第i个像素点对应的邻域灰度差异。n是预设邻域中邻域 像素点的数量。比如，若预设邻域为八邻域，则n为8。
Figure SMS_8
是目标摩擦图像中第i个像素点对应 的灰度值。
Figure SMS_11
是目标摩擦图像中第i个像素点对应的预设邻域中第j个邻域像素点对应的灰 度值。
Figure SMS_5
是目标摩擦图像中第i个像素点对应的灰度值与第i个像素点对应的 预设邻域中所有邻域像素点对应的灰度值的差值平方的均值。i是目标摩擦图像中像素点 的序号。j是预设邻域中邻域像素点的序号。
Figure SMS_6
可以实现对
Figure SMS_9
的归一化。比如，
Figure SMS_12
可以是
Figure SMS_3
，其中，
Figure SMS_7
可以是自然常数的
Figure SMS_10
次方。
Figure SMS_13
可以实现对
Figure SMS_2
的归一化。
需要说明的是，
Figure SMS_14
可以表征第j个邻域像素点与第i个像素点之间的灰度差 异，并且平方可以放大第j个邻域像素点与第i个像素点之间的灰度差异，可以提高对第j个 邻域像素点与第i个像素点之间的灰度差异进行检测的灵敏度。
Figure SMS_15
可以表征第 i个像素点与预设邻域之间的平均灰度差异。由于毛球凸起往往导致毛球边缘像素点与预 设邻域之间的灰度差异，相较于其他像素点与预设邻域之间的灰度差异比较大，因此
Figure SMS_16
越大时，往往说明第i个像素点与预设邻域之间的灰度差异越大，往往说明 第i个像素点越可能是毛球边缘像素点。其次，
Figure SMS_17
可以实现对
Figure SMS_18
的归一化，可以 便于后续的处理。
步骤S3，对目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到像素点对应的目标杂乱系数。
在一些实施例中，可以对上述目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到上述像素点对应的目标杂乱系数。
需要说明的是，由于毛球边缘像素点处的毛球毛羽往往比较杂乱，因此确定像素点对应的目标杂乱系数，可以便于后续判断像素点是否为毛球边缘像素点。
作为示例，可以对上述目标摩擦图像中的每个像素点对应的预设滑窗中所有像素点对应的灰度值的变异系数进行归一化，得到上述目标摩擦图像中的每个像素点对应的目标杂乱系数。其中，像素点可以位于该像素点对应的预设滑窗的中心位置。预设滑窗可以是预先设置的滑窗。预设滑窗可以是5×5的滑动窗口。
例如，目标摩擦图像中的像素点对应的目标杂乱系数对应的公式可以为：
Figure SMS_19
其中，
Figure SMS_22
是目标摩擦图像中第i个像素点对应的目标杂乱系数。
Figure SMS_26
是目标摩擦图像 中第i个像素点对应的预设滑窗中所有像素点对应的灰度值的标准差。
Figure SMS_29
是目标摩擦图像中 第i个像素点对应的预设滑窗中所有像素点对应的灰度值的均值。
Figure SMS_23
是目标摩擦图像中第i 个像素点对应的预设滑窗中所有像素点对应的灰度值的变异系数。
Figure SMS_25
可以实现对
Figure SMS_28
的 归一化。比如，
Figure SMS_31
可以是
Figure SMS_20
，其中，
Figure SMS_24
可以是自然常数的
Figure SMS_27
次方。
Figure SMS_30
可以实现对
Figure SMS_21
的归一化。
需要说明的是，为了防止分母为0，可以令本方案的所有比值包括的分母加上一个 大于0并且小于0.1的数，比如可以取0.05。由于
Figure SMS_32
是第i个像素点对应的预设滑窗中所有像 素点对应的灰度值的变异系数，综合考虑了第i个像素点对应的预设滑窗中所有像素点对 应的灰度值的均值和标准差，因此
Figure SMS_33
可以比较准确的表征第i个像素点对应的预设滑窗中像 素点对应的灰度值的离散程度。由于毛球凸起往往导致毛球边缘像素点相较于其他像素点 对应的预设滑窗中像素点对应的灰度值的离散程度比较大。因此
Figure SMS_34
越大时，往往说明第i个 像素点对应的预设滑窗中像素点对应的灰度值的离散程度越大，往往说明第i个像素点处 的毛球毛羽越杂乱，往往说明第i个像素点越可能是毛球边缘像素点。其次，
Figure SMS_35
可以实现对
Figure SMS_36
的归一化，可以便于后续的处理。
步骤S4，根据目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定像素点对应的毛球凸起指标。
在一些实施例中，可以根据上述目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定上述像素点对应的毛球凸起指标。
其中，像素点可以位于该像素点对应的预设窗口的中心位置。预设窗口可以是预先设置的窗口。例如，预设窗口可以是5×5的窗口。
需要说明的是，基于像素点对应的预设窗口，可以提高像素点对应的毛球凸起指标确定的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，确定上述目标摩擦图像中的每个像素点对应的预设窗口中每行参考像素点对应的灰度采样矩阵。
其中，参考像素点可以是预设窗口中的像素点。即可以将预设窗口中的各个像素点，作为参考像素点。
例如，确定上述目标摩擦图像中的每个像素点对应的预设窗口中每行参考像素点对应的灰度采样矩阵可以包括以下子步骤：
第一子步骤，在该行参考像素点中每次以预设数量个参考像素点为滑动间隔滑动一次预设采样滑窗。
其中，该行参考像素点可以表征预设窗口中的一行参考像素点。预设数量可以是预先设置的数量。预设数量可以小于行参考像素点中参考像素点的数量。预设采样滑窗可以是预先设置的一维滑窗。预设采样滑窗的长度可以小于行参考像素点对应的长度。预设采样滑窗的长度可以大于1。如，若预设窗口的尺寸为5×5，则行参考像素点中参考像素点的数量可以为5；预设采样滑窗的长度可以是2、3或4，即预设采样滑窗的尺寸可以为1×2、1×3或1×4；预设数量可以是1。
第二子步骤，当该行参考像素点中的第一个参考像素点位于预设采样滑窗的末端时，判定第一次滑动结束。
其中，预设采样滑窗的末端可以是该预设采样滑窗在滑动方向下的末端。
第三子步骤，当该行参考像素点中的最后一个参考像素点位于预设采样滑窗的始端时，判定最后一次滑动结束。
其中，预设采样滑窗的始端可以是该预设采样滑窗在滑动方向下的始端。
第四子步骤，将每次滑动结束时预设采样滑窗中所有参考像素点对应的灰度值，组合为该行参考像素点对应的灰度采样矩阵包括的一行灰度值。
比如，如图2所示，预设采样滑窗可以是1×3的滑窗，某行参考像素点202中的参考 像素点对应的灰度值可以分别为11、12、13、14和15。第一滑窗201、第二滑窗203、第三滑窗 204和第四滑窗205可以是滑动至不同位置处的预设采样滑窗。预设采样滑窗在某行参考像 素点202中的滑动方向可以是从左到右。第一滑窗201可以是即将开始滑动的预设采样滑 窗。第二滑窗203可以是第一次滑动结束时的预设采样滑窗。第一次滑动结束时预设采样滑 窗中所有参考像素点对应的灰度值，组合的某行参考像素点202对应的灰度采样矩阵包括 的第一行灰度值可以为{11，12，13}。第三滑窗204可以是第二次滑动结束时的预设采样滑 窗。第二次滑动结束时预设采样滑窗中所有参考像素点对应的灰度值，组合的某行参考像 素点202对应的灰度采样矩阵包括的第二行灰度值可以为{12，13，14}。第四滑窗205可以是 第三次滑动结束时的预设采样滑窗。第三次滑动结束时预设采样滑窗中所有参考像素点对 应的灰度值，组合的某行参考像素点202对应的灰度采样矩阵包括的第三行灰度值可以为 {13，14，15}。某行参考像素点202对应的灰度采样矩阵可以为：
Figure SMS_37
。
第二步，将每行参考像素点对应的灰度采样矩阵中的每行灰度值中所有灰度值的均值，确定为每行灰度值对应的第一灰度均值。
第三步，对于每行参考像素点对应的灰度采样矩阵中的每行灰度值中的每个灰度值，将上述灰度值与该行灰度值对应的第一灰度均值的差值的绝对值，确定为上述灰度值对应的第一灰度差异。
第四步，将每行参考像素点对应的灰度采样矩阵中各个行灰度值中各个灰度值对应的第一灰度差异的累加和，确定为该行参考像素点对应的第一横向混乱度。
第五步，将上述目标摩擦图像中的每个像素点对应的预设窗口中的各行参考像素点的第一横向混乱度的累加和，确定为上述目标摩擦图像中的每个像素点对应的整体横向混乱度。
例如，确定目标摩擦图像中的像素点对应的整体横向混乱度对应的公式可以为：
Figure SMS_38
其中，
Figure SMS_40
是目标摩擦图像中第i个像素点对应的整体横向混乱度。
Figure SMS_44
是目标摩擦图 像中第i个像素点对应的预设窗口中参考像素点的行数。
Figure SMS_46
是目标摩擦图像中第i个像素点 对应的预设窗口中第k行参考像素点对应的第一横向混乱度。
Figure SMS_39
是目标摩擦图像中第i个像 素点对应的预设窗口中第k行参考像素点对应的灰度采样矩阵中灰度值的行数。
Figure SMS_42
是目标 摩擦图像中第i个像素点对应的预设窗口中第k行参考像素点对应的灰度采样矩阵中第a行 灰度值中灰度值的数量。
Figure SMS_45
是目标摩擦图像中第i个像素点对应的预设窗口中第k行参考 像素点对应的灰度采样矩阵中第a行灰度值中的第b个灰度值。
Figure SMS_48
是目标摩擦图像中第i个 像素点对应的预设窗口中第k行参考像素点对应的灰度采样矩阵中第a行灰度值对应的第 一灰度均值。
Figure SMS_41
是
Figure SMS_43
的绝对值。
Figure SMS_47
是目标摩擦图像中第i个像素点 对应的预设窗口中第k行参考像素点对应的灰度采样矩阵中第a行灰度值中的第b个灰度值 对应的第一灰度差异。i是目标摩擦图像中像素点的序号。k是预设窗口中参考像素点的行 号。a是第k行参考像素点对应的灰度采样矩阵中灰度值的行号。b是第a行灰度值中灰度值 的序号，也可以是第k行参考像素点对应的灰度采样矩阵中灰度值的列号。
需要说明的是，
Figure SMS_49
越大，往往说明第b个灰度值与第a行灰度值对应的第一 灰度均值之间的差异越大。
Figure SMS_50
越大，往往说明灰度采样矩阵中的第a行灰度值 中的灰度值之间的混乱程度越大。
Figure SMS_51
越大，往往说明第i个像素点对应的预设窗口中第k行 参考像素点对应的灰度采样矩阵中的灰度值之间的混乱程度越大。所以第i个像素点对应 的整体横向混乱度
Figure SMS_52
越大时，往往说明第i个像素点对应的预设窗口中的像素点在横向采 样时的灰度值分布的混乱程度越大，往往说明第i个像素点越可能是毛球边缘像素点。
第六步，确定上述目标摩擦图像中的每个像素点对应的整体纵向混乱度。
例如，可以参考整体横向混乱度的确定方式，确定像素点对应的整体纵向混乱度，具体可以包括以下子步骤：
第一子步骤，可以对目标摩擦图像中的每个像素点对应的预设窗口进行转置，得到每个像素点对应的转置窗口。
其中，转置窗口可以是进行转置后的预设窗口。
比如，可以将某个像素点对应的预设窗口中的每列参考像素点转置为一行参考像素点，并将这个像素点对应的预设窗口中的每行参考像素点转置为一列参考像素点，从而可以实现对预设窗口的转置（行列互换），可以将进行转置后的预设窗口作为转置窗口。
第二子步骤，可以像素点对应的转置窗口作为该像素点对应的预设窗口，执行步骤S4包括的作为示例包括的第一步至第五步，得到的该像素点对应的整体横向混乱度即为该像素点对应的整体纵向混乱度。
第七步，根据第一预设权重、第二预设权重、上述目标摩擦图像中的每个像素点对应的整体横向混乱度和整体纵向混乱度，确定上述像素点对应的毛球凸起指标。
其中，整体横向混乱度和整体纵向混乱度均可以与毛球凸起指标呈正相关。第一预设权重和第二预设权重可以分别是整体横向混乱度和整体纵向混乱度的权重。第一预设权重和第二预设权重可以是预先设置的权重。第一预设权重和第二预设权重的和可以为1。比如，第一预设权重和第二预设权重可以均为0.5。
例如，确定目标摩擦图像中的像素点对应的毛球凸起指标对应的公式可以为：
Figure SMS_53
其中，
Figure SMS_54
是目标摩擦图像中第i个像素点对应的毛球凸起指标。
Figure SMS_57
是第一预设权重。
Figure SMS_59
是目标摩擦图像中第i个像素点对应的整体横向混乱度。
Figure SMS_56
是第二预设权重。
Figure SMS_58
是目标摩 擦图像中第i个像素点对应的整体纵向混乱度。i是目标摩擦图像中像素点的序号。
Figure SMS_60
和
Figure SMS_61
均 与
Figure SMS_55
呈正相关。
需要说明的是，第i个像素点对应的整体横向混乱度
Figure SMS_62
越大时，往往说明第i个像素 点对应的预设窗口中的像素点在横向采样时的灰度值分布的混乱程度越大，往往说明第i 个像素点越可能是毛球边缘像素点。第i个像素点对应的整体纵向混乱度
Figure SMS_63
越大，往往说明 第i个像素点对应的预设窗口中的像素点在纵向采样时的灰度值分布的混乱程度越大，往 往说明第i个像素点越可能是毛球边缘像素点。因此第i个像素点对应的毛球凸起指标
Figure SMS_64
越 大，往往说明第i个像素点越可能是毛球边缘像素点。并且综合考虑
Figure SMS_65
和
Figure SMS_66
两个权重，可以 使
Figure SMS_67
的取值更加符合实际情况。
步骤S5，根据目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定像素点对应的毛球边缘指标。
在一些实施例中，可以根据上述目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定上述像素点对应的毛球边缘指标。
需要说明的是，综合考虑像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，可以提高像素点对应的毛球边缘指标确定的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述像素点对应的邻域灰度差异，确定上述像素点对应的边缘度量指标。
例如，根据上述像素点对应的邻域灰度差异，确定上述像素点对应的边缘度量指标可以包括以下子步骤：
第一子步骤，当上述像素点对应的邻域灰度差异大于或等于预设差异阈值时，将第一预设度量指标，确定为上述像素点对应的边缘度量指标。
其中，预设差异阈值可以是预先设置的阈值。比如，预设差异阈值可以是0.6。第一预设度量指标可以是预先设置的大于或等于1的指标。比如，第一预设度量指标可以是1。
第二子步骤，当上述像素点对应的邻域灰度差异小于预设差异阈值时，将第二预设度量指标，确定为上述像素点对应的边缘度量指标。
其中，第二预设度量指标可以小于第一预设度量指标。第二预设度量指标可以是预先设置的大于或等于0，并且小于1的指标。比如，第二预设度量指标可以是0。
需要说明的是，由于像素点对应的邻域灰度差异越大，往往说明像素点越可能是毛球边缘像素点。当像素点对应的邻域灰度差异大于或等于预设差异阈值时，往往说明像素点越可能是毛球边缘像素点，当像素点对应的邻域灰度差异小于预设差异阈值时，往往说明像素点越可能不是毛球边缘像素点，为这两种像素点设置不同的边缘度量指标，可以便于后续基于边缘度量指标，对像素点进行一次粗估的分类。
第二步，根据上述像素点对应的预设目标邻域和邻域灰度差异，确定上述像素点对应的相似面积指标。
其中，预设目标邻域可以是预先设置的邻域。像素点与预设目标邻域中的各个邻域像素点相邻。比如，预设目标邻域可以是八邻域。
例如，根据上述像素点对应的预设目标邻域和邻域灰度差异，确定上述像素点对应的相似面积指标可以包括以下子步骤：
第一子步骤，从上述像素点对应的预设目标邻域中筛选出与上述像素点对应的邻域灰度差异相等的邻域像素点，作为相似像素点。
第二子步骤，若相似像素点对应的预设目标邻域中存在第一像素点，则将第一像素点确定为相似像素点，重复相似像素点确定步骤，直至所有相似像素点对应的预设目标邻域中不存在第一像素点。
其中，第一像素点可以是相似像素点对应的预设目标邻域中与该相似像素点对应的邻域灰度差异相等的邻域像素点。
比如，相似像素点确定步骤可以为：若相似像素点对应的预设目标邻域中存在第一像素点，则将第一像素点确定为相似像素点。
第三子步骤，将得到的所有相似像素点的数量与预设基数的和，确定为上述像素点对应的相似面积指标。
其中，预设基数可以是预先设置的基数。比如，预设基数可以是1。
需要说明的是，当设置预设基数为1时，像素点对应的相似面积指标可以表征包括该像素点、以及与该像素点对应的邻域灰度差异相等的连续的像素点的总数量。
第三步，将上述像素点对应的边缘度量指标和相似面积指标的乘积，确定为上述像素点对应的毛球边缘面积指标。
需要说明的是，像素点对应的毛球边缘面积指标可以表征像素点对应的毛球边缘面积。若当像素点对应的邻域灰度差异大于或等于预设差异阈值时设置边缘度量指标为1、当像素点对应的邻域灰度差异小于预设差异阈值时设置边缘度量指标为0、以及预设基数为1，则当像素点越可能不是毛球边缘像素点时，像素点对应的毛球边缘面积指标为0；当像素点越可能是毛球边缘像素点时，像素点对应的毛球边缘面积指标可以表征包括该像素点、以及与该像素点对应的邻域灰度差异相等的连续的像素点的总数量。由于毛球边缘像素点往往不是孤立的像素点，因此像素点对应的毛球边缘面积指标越大，往往说明像素点越可能是毛球边缘像素点。
第四步，根据上述像素点对应的毛球边缘面积指标、目标杂乱系数和毛球凸起指标，确定上述像素点对应的毛球边缘指标。
其中，毛球边缘面积指标、目标杂乱系数和毛球凸起指标均与毛球边缘指标呈正相关。
例如，确定目标摩擦图像中的像素点对应的毛球边缘指标对应的公式可以为：
Figure SMS_68
其中，
Figure SMS_86
是目标摩擦图像中第i个像素点对应的毛球边缘指标。
Figure SMS_90
是目标摩擦图像 中第i个像素点对应的边缘度量指标。
Figure SMS_94
是目标摩擦图像中第i个像素点对应的相似面积指 标。
Figure SMS_70
是目标摩擦图像中第i个像素点对应的毛球边缘面积指标。
Figure SMS_74
是目标摩擦图像中第 i个像素点对应的归一化后的毛球边缘面积指标。
Figure SMS_78
可以实现对
Figure SMS_82
的归一化。
Figure SMS_71
是目标摩擦图像中第i个像素点对应的目标杂乱系数。
Figure SMS_73
是目标摩擦图像中第i个像素点 对应的毛球凸起指标。
Figure SMS_77
是自然常数的
Figure SMS_81
次方。
Figure SMS_85
可以实现 对
Figure SMS_89
的归一化。i是目标摩擦图像中像素点的序号。
Figure SMS_93
、
Figure SMS_96
和
Figure SMS_88
均与
Figure SMS_92
呈正相 关。比如，
Figure SMS_95
可以是
Figure SMS_97
，其中，
Figure SMS_72
可以是自然常数的
Figure SMS_76
次 方。
Figure SMS_80
可以实现对
Figure SMS_84
的归一化。
Figure SMS_69
可以是
Figure SMS_75
，其中，
Figure SMS_79
可以是自然常数的
Figure SMS_83
次 方。
Figure SMS_87
可以实现对
Figure SMS_91
的归一化。
需要说明的是，第i个像素点对应的毛球边缘面积指标
Figure SMS_98
越大，往往说明第i个 像素点越可能是毛球边缘像素点。第i个像素点对应的目标杂乱系数
Figure SMS_99
越大，往往说明第i 个像素点越可能是毛球边缘像素点。第i个像素点对应的毛球凸起指标
Figure SMS_100
越大，往往说明第 i个像素点越可能是毛球边缘像素点。因此第i个像素点对应的毛球边缘指标
Figure SMS_101
越大，往往 说明第i个像素点越可能是毛球边缘像素点。其次，
Figure SMS_102
和
Figure SMS_103
两次归一化，可以消除不同指标之间量纲的干扰。
步骤S6，根据目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合。
在一些实施例中，可以根据上述目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述目标摩擦图像中的像素点对应的毛球边缘指标，对上述目标摩擦图像中的像素点进行聚类，得到目标像素点类别集合。
其中，目标像素点类别可以是对目标摩擦图像中的像素点进行均值漂移聚类后，生成的类别。
需要说明的是，由于像素点对应的毛球边缘指标越大，像素点越可能是毛球边缘像素点，因此基于像素点对应的毛球边缘指标，对目标摩擦图像中的像素点进行聚类，可以提高毛球边缘像素点聚类的准确度。
例如，可以根据上述目标摩擦图像中的像素点对应的毛球边缘指标，对上述目标摩擦图像中的像素点进行均值漂移聚类，得到目标像素点类别集合，具体可以包括以下子步骤：
第一子步骤，从目标摩擦图像中随机选取多个位置的像素点作为中心点，以预设半径为核心的圆形滑动窗口开始迭代。
其中，预设半径的长度可以为10。
第二子步骤，在每次迭代中，圆形滑动窗口通过将中心点移向圆形滑动窗口内所有像素点对应的毛球边缘指标的均值，直到圆形滑动窗口内毛球边缘指标均值收敛为止，将均值漂移聚类结束后得到的类别，确定为目标像素点类别。
需要说明的是，传统均值漂移聚类往往是利用灰度均值作为度量方式，本发明用毛球边缘指标均值改进了传统均值漂移聚类的度量方式，可以准确的将毛球边缘像素点聚为一类，可以便于后续对待检测纺织品的抗起球性能是否合格进行判断。
第二步，将上述目标像素点类别集合中的每个目标像素点类别中所有像素点对应的毛球边缘指标的均值，确定为上述目标像素点类别对应的第一边缘指标。
第三步，将上述目标像素点类别集合中第一边缘指标最大的目标像素点类别，确定为毛球边缘像素点类别。
第四步，将上述毛球边缘像素点类别中的毛球边缘像素点，组合为毛球边缘像素点集合。
其中，毛球边缘像素点集合可以包括：毛球边缘像素点类别中的毛球边缘像素点。
需要说明的是，由于像素点对应的毛球边缘指标越大，像素点越可能是毛球边缘像素点，因此基于像素点对应的毛球边缘指标，从目标像素点类别集合中筛选出毛球边缘像素点类别，可以提高毛球边缘像素点类别确定的准确度。其次，基于筛选出的毛球边缘像素点类别，可以提高后续目标毛球区域集合确定的准确度。
可选地，根据上述目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合可以包括以下步骤：
第一步，对目标摩擦图像中的每个像素点对应的毛球边缘指标进行归一化，得到上述像素点对应的目标指标。
第二步，当目标摩擦图像中的像素点对应的目标指标大于或等于预设边缘阈值时，将像素点确定为毛球边缘像素点，得到毛球边缘像素点集合。
其中，预设边缘阈值可以是预先设置的认为像素点是毛球边缘像素点时，所设置的最小的目标指标。例如，预设边缘阈值可以是0.7。
步骤S7，基于毛球边缘像素点集合，确定目标毛球区域集合。
在一些实施例中，可以基于上述毛球边缘像素点集合，确定目标毛球区域集合。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述毛球边缘像素点集合，确定毛球边缘集合。
其中，毛球边缘集合中的毛球边缘可以由毛球边缘像素点集合中的多个毛球边缘像素点组成。
例如，首先可以根据毛球边缘像素点之间的距离，对毛球边缘像素点集合中的毛球边缘像素点进行分组，得到毛球边缘像素点组集合。其中，毛球边缘像素点组集合中的毛球边缘像素点组可以与毛球边缘集合中的毛球边缘一一对应。一个毛球边缘可以由一个毛球边缘像素点组中的毛球边缘像素点组成。比如，当两个毛球边缘像素点之间的距离小于或等于预设距离阈值时，可以将这两个毛球边缘像素点划分至同一个毛球边缘像素点组。预设距离阈值可以是预先设置的认为两个毛球边缘像素点属于同一个毛球边缘设置的阈值。如，预设距离阈值可以是0.5。接着，可以将毛球边缘像素点组集合中的每个毛球边缘像素点组中的毛球边缘像素点，组合为毛球边缘，得到毛球边缘集合。
第二步，根据上述毛球边缘集合，确定目标毛球区域集合。
其中，毛球边缘集合中的毛球边缘可以与目标毛球区域集合中的目标毛球区域一一对应。
例如，可以将毛球边缘集合中的每个毛球边缘围成的区域，确定为目标毛球区域。
步骤S8，根据目标毛球区域集合，判断待检测纺织品的抗起球性能是否合格。
在一些实施例中，可以根据上述目标毛球区域集合，判断上述待检测纺织品的抗起球性能是否合格，实现了对待检测纺织品的抗起球性能检测。
作为示例，本步骤可以包括以下步骤：
第一步，将第一数量与第二数量的比值，确定为起球指标。
其中，上述第一数量可以是上述目标毛球区域集合中像素点的数量。上述第二数量可以是上述目标摩擦图像中像素点的数量。
例如，确定起球指标对应的公式可以为：
Figure SMS_104
其中，B是起球指标。
Figure SMS_105
是第一数量。
Figure SMS_106
是第二数量。
需要说明的是，当起球指标越大时，往往说明目标毛球区域在目标摩擦图像中的占比越大，往往说明待检测纺织品的抗起球性能越差。
第二步，当上述起球指标大于预设起球阈值时，判定上述待检测纺织品的抗起球性能不合格。
其中，预设起球阈值可以是预先设置的认为纺织品的抗起球性能合格时，最大的起球指标。例如，预设起球阈值可以是0.2。
第三步，当上述起球指标小于或等于预设起球阈值时，判定上述待检测纺织品的抗起球性能合格。
综上，首先获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像，可以便于后续通过分析目标摩擦图像的起球情况，判断待检测纺织品的抗起球性能。接着，由于起球的毛球边缘像素点与其他像素点的灰度差异往往不同，因此确定像素点对应的邻域灰度差异，可以便于后续判断像素点是否为毛球边缘像素点。然后，综合考虑像素点对应的预设滑窗中所有像素点对应的灰度值的均值和标准差，对目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，可以提高目标杂乱系数确定的准确度。再者，综合考虑像素点对应的整体横向混乱度、整体纵向混乱度和两个权重，可以提高像素点对应的毛球凸起指标确定的准确度。继续，综合考虑像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，可以提高像素点对应的毛球边缘指标确定的准确度。之后，由于像素点对应的毛球边缘指标越大，像素点越可能是毛球边缘像素点，因此基于像素点对应的毛球边缘指标，对目标摩擦图像中的像素点进行均值漂移聚类，可以提高毛球边缘像素点聚类的准确度。而后，由于像素点对应的毛球边缘指标越大，像素点越可能是毛球边缘像素点，因此基于像素点对应的毛球边缘指标，从目标像素点类别集合中筛选出毛球边缘像素点类别，可以提高毛球边缘像素点类别确定的准确度。其次，基于筛选出的毛球边缘像素点类别，可以提高目标毛球区域集合确定的准确度。最后，可以根据目标毛球区域集合，判断待检测纺织品的抗起球性能是否合格，实现了对待检测纺织品的抗起球性能检测。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，包括以下步骤：
获取由纺纱生产加工生成的待检测纺织品的目标摩擦图像；
对所述目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到所述像素点对应的邻域灰度差异；
对所述目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到所述像素点对应的目标杂乱系数；
根据所述目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定所述像素点对应的毛球凸起指标；
根据所述目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定所述像素点对应的毛球边缘指标；
根据所述目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合；
基于所述毛球边缘像素点集合，确定目标毛球区域集合；
根据所述目标毛球区域集合，判断所述待检测纺织品的抗起球性能是否合格。
2.根据权利要求1所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述对所述目标摩擦图像中的每个像素点进行邻域灰度差异分析处理，得到所述像素点对应的邻域灰度差异，包括：
对所述像素点对应的灰度值与所述像素点对应的预设邻域中所有邻域像素点对应的灰度值的差值平方的均值进行归一化，得到所述像素点对应的邻域灰度差异。
3.根据权利要求1所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述对所述目标摩擦图像中的每个像素点进行毛球毛羽杂乱分析处理，得到所述像素点对应的目标杂乱系数，包括：
对所述目标摩擦图像中的每个像素点对应的预设滑窗中所有像素点对应的灰度值的变异系数进行归一化，得到所述目标摩擦图像中的每个像素点对应的目标杂乱系数。
4.根据权利要求1所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述根据所述目标摩擦图像中的每个像素点对应的预设窗口中的灰度值分布，确定所述像素点对应的毛球凸起指标，包括：
确定所述目标摩擦图像中的每个像素点对应的预设窗口中每行参考像素点对应的灰度采样矩阵，其中，参考像素点是预设窗口中的像素点；
将每行参考像素点对应的灰度采样矩阵中的每行灰度值中所有灰度值的均值，确定为每行灰度值对应的第一灰度均值；
对于每行参考像素点对应的灰度采样矩阵中的每行灰度值中的每个灰度值，将所述灰度值与该行灰度值对应的第一灰度均值的差值的绝对值，确定为所述灰度值对应的第一灰度差异；
将每行参考像素点对应的灰度采样矩阵中各个行灰度值中各个灰度值对应的第一灰度差异的累加和，确定为该行参考像素点对应的第一横向混乱度；
将所述目标摩擦图像中的每个像素点对应的预设窗口中的各行参考像素点的第一横向混乱度的累加和，确定为所述目标摩擦图像中的每个像素点对应的整体横向混乱度；
确定所述目标摩擦图像中的每个像素点对应的整体纵向混乱度；
根据第一预设权重、第二预设权重、所述目标摩擦图像中的每个像素点对应的整体横向混乱度和整体纵向混乱度，确定所述像素点对应的毛球凸起指标，其中，整体横向混乱度和整体纵向混乱度均与毛球凸起指标呈正相关，第一预设权重和第二预设权重分别是整体横向混乱度和整体纵向混乱度的权重。
5.根据权利要求4所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述确定所述目标摩擦图像中的每个像素点对应的预设窗口中每行参考像素点对应的灰度采样矩阵，包括：
在该行参考像素点中每次以预设数量个参考像素点为滑动间隔滑动一次预设采样滑窗；
当该行参考像素点中的第一个参考像素点位于预设采样滑窗的末端时，判定第一次滑动结束；
当该行参考像素点中的最后一个参考像素点位于预设采样滑窗的始端时，判定最后一次滑动结束；
将每次滑动结束时预设采样滑窗中所有参考像素点对应的灰度值，组合为该行参考像素点对应的灰度采样矩阵包括的一行灰度值。
6.根据权利要求1所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述根据所述目标摩擦图像中的每个像素点对应的邻域灰度差异、目标杂乱系数和毛球凸起指标，确定所述像素点对应的毛球边缘指标，包括：
根据所述像素点对应的邻域灰度差异，确定所述像素点对应的边缘度量指标；
根据所述像素点对应的预设目标邻域和邻域灰度差异，确定所述像素点对应的相似面积指标；
将所述像素点对应的边缘度量指标和相似面积指标的乘积，确定为所述像素点对应的毛球边缘面积指标；
根据所述像素点对应的毛球边缘面积指标、目标杂乱系数和毛球凸起指标，确定所述像素点对应的毛球边缘指标，其中，毛球边缘面积指标、目标杂乱系数和毛球凸起指标均与毛球边缘指标呈正相关。
7.根据权利要求6所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述根据所述像素点对应的邻域灰度差异，确定所述像素点对应的边缘度量指标，包括：
当所述像素点对应的邻域灰度差异大于或等于预设差异阈值时，将第一预设度量指标，确定为所述像素点对应的边缘度量指标；
当所述像素点对应的邻域灰度差异小于预设差异阈值时，将第二预设度量指标，确定为所述像素点对应的边缘度量指标，其中，第二预设度量指标小于第一预设度量指标。
8.根据权利要求6所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述根据所述像素点对应的预设目标邻域和邻域灰度差异，确定所述像素点对应的相似面积指标，包括：
从所述像素点对应的预设目标邻域中筛选出与所述像素点对应的邻域灰度差异相等的邻域像素点，作为相似像素点；
若相似像素点对应的预设目标邻域中存在第一像素点，则将第一像素点确定为相似像素点，重复相似像素点确定步骤，直至所有相似像素点对应的预设目标邻域中不存在第一像素点，其中，第一像素点是相似像素点对应的预设目标邻域中与该相似像素点对应的邻域灰度差异相等的邻域像素点；
将得到的所有相似像素点的数量与预设基数的和，确定为所述像素点对应的相似面积指标。
9.根据权利要求1所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述根据所述目标摩擦图像中的像素点对应的毛球边缘指标，确定毛球边缘像素点集合，包括：
根据所述目标摩擦图像中的像素点对应的毛球边缘指标，对所述目标摩擦图像中的像素点进行聚类，得到目标像素点类别集合；
将所述目标像素点类别集合中的每个目标像素点类别中所有像素点对应的毛球边缘指标的均值，确定为所述目标像素点类别对应的第一边缘指标；
将所述目标像素点类别集合中第一边缘指标最大的目标像素点类别，确定为毛球边缘像素点类别；
将所述毛球边缘像素点类别中的毛球边缘像素点，组合为毛球边缘像素点集合。
10.根据权利要求1所述的一种用于纺纱生产加工的抗起球性能检测方法，其特征在于，所述根据所述目标毛球区域集合，判断所述待检测纺织品的抗起球性能是否合格，包括：
将第一数量与第二数量的比值，确定为起球指标，其中，所述第一数量是所述目标毛球区域集合中像素点的数量，所述第二数量是所述目标摩擦图像中像素点的数量；
当所述起球指标大于预设起球阈值时，判定所述待检测纺织品的抗起球性能不合格；
当所述起球指标小于或等于预设起球阈值时，判定所述待检测纺织品的抗起球性能合格。
CN202310537773.2A 2023-05-15 2023-05-15 一种用于纺纱生产加工的抗起球性能检测方法 Active CN116342583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310537773.2A CN116342583B (zh) 2023-05-15 2023-05-15 一种用于纺纱生产加工的抗起球性能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310537773.2A CN116342583B (zh) 2023-05-15 2023-05-15 一种用于纺纱生产加工的抗起球性能检测方法

Publications (2)

Publication Number Publication Date
CN116342583A true CN116342583A (zh) 2023-06-27
CN116342583B CN116342583B (zh) 2023-08-04

Family

ID=86876183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310537773.2A Active CN116342583B (zh) 2023-05-15 2023-05-15 一种用于纺纱生产加工的抗起球性能检测方法

Country Status (1)

Country Link
CN (1) CN116342583B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596806A (zh) * 2023-07-14 2023-08-15 山东绿洲智能科技有限公司 一种用于视觉码垛机器人的组合码垛调控方法
CN116740653A (zh) * 2023-08-14 2023-09-12 山东创亿智慧信息科技发展有限责任公司 一种配电箱运行状态监测方法及系统
CN117522719A (zh) * 2024-01-05 2024-02-06 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117557569A (zh) * 2024-01-12 2024-02-13 吉林交通职业技术学院 一种道路路面施工质量检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050004956A1 (en) * 2003-07-02 2005-01-06 North Carolina State University Optical method for evaluating surface and physical properties of structures made wholly or partially from fibers, films, polymers or a combination thereof
CN101419706A (zh) * 2008-12-11 2009-04-29 天津工业大学 基于图像分析的针织物起毛起球评级方法
RU2013132261A (ru) * 2013-07-11 2015-01-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Ивановский государственный политехнический университет Способ определения показателей (характеристик) толщины, засоренности и ворсистости текстильных нитей и устройство для его осуществления
CN110120032A (zh) * 2019-04-10 2019-08-13 西安工程大学 基于相对总变差模型与mser的织物毛球等级评价方法
CN115170570A (zh) * 2022-09-07 2022-10-11 南通睿谷纺织科技有限公司 基于灰度游程矩阵的织物起毛起球检测方法
CN115330791A (zh) * 2022-10-13 2022-11-11 江苏东晨机械科技有限公司 一种零件毛刺检测方法
CN115984284A (zh) * 2023-03-21 2023-04-18 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050004956A1 (en) * 2003-07-02 2005-01-06 North Carolina State University Optical method for evaluating surface and physical properties of structures made wholly or partially from fibers, films, polymers or a combination thereof
CN101419706A (zh) * 2008-12-11 2009-04-29 天津工业大学 基于图像分析的针织物起毛起球评级方法
RU2013132261A (ru) * 2013-07-11 2015-01-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Ивановский государственный политехнический университет Способ определения показателей (характеристик) толщины, засоренности и ворсистости текстильных нитей и устройство для его осуществления
CN110120032A (zh) * 2019-04-10 2019-08-13 西安工程大学 基于相对总变差模型与mser的织物毛球等级评价方法
CN115170570A (zh) * 2022-09-07 2022-10-11 南通睿谷纺织科技有限公司 基于灰度游程矩阵的织物起毛起球检测方法
CN115330791A (zh) * 2022-10-13 2022-11-11 江苏东晨机械科技有限公司 一种零件毛刺检测方法
CN115984284A (zh) * 2023-03-21 2023-04-18 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘强;: "纺织品起球自动评级系统的研制", 轻工标准与质量, no. 01 *
张俊平;: "基于分水岭与阈值分割相结合的织物毛球检测", 杭州电子科技大学学报(自然科学版), no. 03 *
董康乐;陈姗;安少元;高鑫;: "基于图像处理的织物起毛起球分级研究", 纺织器材, no. 06 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596806A (zh) * 2023-07-14 2023-08-15 山东绿洲智能科技有限公司 一种用于视觉码垛机器人的组合码垛调控方法
CN116596806B (zh) * 2023-07-14 2023-09-19 山东绿洲智能科技有限公司 一种用于视觉码垛机器人的组合码垛调控方法
CN116740653A (zh) * 2023-08-14 2023-09-12 山东创亿智慧信息科技发展有限责任公司 一种配电箱运行状态监测方法及系统
CN117522719A (zh) * 2024-01-05 2024-02-06 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117522719B (zh) * 2024-01-05 2024-03-22 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117557569A (zh) * 2024-01-12 2024-02-13 吉林交通职业技术学院 一种道路路面施工质量检测方法及系统
CN117557569B (zh) * 2024-01-12 2024-04-02 吉林交通职业技术学院 一种道路路面施工质量检测方法及系统

Also Published As

Publication number Publication date
CN116342583B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN116342583B (zh) 一种用于纺纱生产加工的抗起球性能检测方法
CN114972357B (zh) 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN114842027A (zh) 基于灰度共生矩阵的织物疵点分割方法和系统
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN108038839B (zh) 一种流水生产线上双绞线绞距实时检测方法
CN115170570B (zh) 基于灰度游程矩阵的织物起毛起球检测方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN113628189A (zh) 一种基于图像识别的快速带钢划痕缺陷检测方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN116977358A (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN111724376B (zh) 一种基于纹理特征分析的纸病检测方法
CN115829984A (zh) 一种棉织品丝光处理缺陷识别方法
CN107610119A (zh) 基于直方图分解的带钢表面缺陷精准检测方法
CN116137036A (zh) 基于机器学习的基因检测数据智能处理系统
Arunkumar et al. Developing Ethiopian Yirgacheffe Coffee Grading Model using a Deep Learning Classifier
CN115205209A (zh) 一种基于弱监督学习的单色布匹瑕疵检测方法
CN114972194A (zh) 一种从不一致标签中检测缺陷的方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN115223164A (zh) 一种基于人工智能的甜瓜成熟度检测方法及系统
CN116152242A (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116757972B (zh) 一种抗光影噪声影响的织物缺陷检测方法
CN116758074B (zh) 一种多光谱食品图像智能增强方法
CN108596249B (zh) 图像特征提取及分类的方法和装置
Li et al. A two-scale attention model for intelligent evaluation of yarn surface qualities with computer vision

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Testing Pilling Resistance in Spinning Production and Processing

Effective date of registration: 20231009

Granted publication date: 20230804

Pledgee: Shandong Gaotang Rural Commercial Bank Co.,Ltd.

Pledgor: SHANDONG TRANSCEND TEXTILE Co.,Ltd.

Registration number: Y2023980060348