CN116523899A - 一种基于机器视觉的纺织品瑕疵检测方法及系统 - Google Patents
一种基于机器视觉的纺织品瑕疵检测方法及系统 Download PDFInfo
- Publication number
- CN116523899A CN116523899A CN202310655392.4A CN202310655392A CN116523899A CN 116523899 A CN116523899 A CN 116523899A CN 202310655392 A CN202310655392 A CN 202310655392A CN 116523899 A CN116523899 A CN 116523899A
- Authority
- CN
- China
- Prior art keywords
- contrast
- textile
- image
- pixel
- pixel points
- 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
Links
- 239000004753 textile Substances 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 78
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000004744 fabric Substances 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009941 weaving 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
Abstract
本发明涉及纺织品领域，提供一种基于机器视觉的纺织品瑕疵检测方法及系统，包括：得到纺织品灰度图像；计算每一个像素点的对比度；计算像素点的平滑度；获得重构后的对比度图；通过分水岭算法对重构后的对比度图进行分割，得到缺陷边缘；通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。本发明通过构建对比度分水岭分割方法，解决了传统基于灰度分水岭分割导致的过分割与边界破碎的情况，使得检测效果更好。
Description
技术领域
本发明涉及纺织品领域，具体涉及一种基于机器视觉的纺织品瑕疵检测方法及系统。
背景技术
在纺织工业中，质量控制起着尤为重要的作用，尤其是织物的疵点检测。瑕疵会严重影响纺织的质量，部分缺陷如双经双纬脏污等对纺织品的外观影响较大，对纺织品的强度影响较小；而缺经缺纬或断经断纬缺陷不仅对纺织品的外观影响较大，对纺织品的强度影响也较大，故此类缺陷需被及时分拣处理。人工验布是一种乏味而繁重的劳动，由于受到检测人员生理、心理和主观意愿等因素的影响以及劳动强度的限制，很难保证检测结果的高准确性和可靠性。
结构法基于纹理基元及其排列规则，对织物图像来说，实际织物中的纱线由于受织造张力影响和纱线的柔韧变形使得织物基本结构存在变形，从而使得纹理基元的抽取及排列规则的描述存在困难。另外，织物纹理多种多样也给利用结构法分析带来了困难。
发明内容
为了克服上述现有技术的缺点，本发明提供一种基于机器视觉的纺织品瑕疵检测方法及系统。
为达到上述目的，本发明采用如下技术方案，一种基于机器视觉的纺织品瑕疵检测方法，包括以下步骤：
对采集的纺织品表面图像进行预处理得到纺织品灰度图像；
对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算每一个像素点的对比度，得到对比度图；
通过每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度；
当像素点的邻域像素点的平滑度不是均小于或等于平滑度阈值时，该像素点的对比度保持不变；当像素点的邻域像素点的平滑度均小于或等于平滑度阈值时，将该像素点及其邻域像素点中的最大对比度作为该像素点的对比度，以此对所有像素点的对比度进行重构，得到重构后的对比度图；
通过分水岭算法对重构后的对比度图进行分割，得到缺陷边缘；
通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。
进一步的，所述的一种基于机器视觉的纺织品瑕疵检测方法，计算每一个像素点的对比度的方法为：根据每次滑窗构建的灰度共生矩阵计算滑窗图像的对比度，将该滑窗图像的对比度值作为滑窗中心像素点的对比度。
进一步的，所述的一种基于机器视觉的纺织品瑕疵检测方法，所述滑窗图像的对比度的表达式为：
式中：表示滑窗图像的对比度，/>表示滑窗内第/>个像素点的灰度值，/>表示滑窗内第/>个像素点的灰度值，/>表示像素点对出现的概率。
进一步的，所述的一种基于机器视觉的纺织品瑕疵检测方法，通过每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度的方法为：通过每一个像素点和其邻域像素点的对比度值计算对应窗口的平滑度，将该窗口平滑度作为该像素点的平滑度。
进一步的，所述的一种基于机器视觉的纺织品瑕疵检测方法，所述窗口平滑度的表达式为：
式中：G表示窗口平滑度，K表示窗口内像素点的个数，表示窗口内第k个像素点的对比度，k表示窗口内第k个像素点，/>表示超参数。
进一步的，所述的一种基于机器视觉的纺织品瑕疵检测方法，根据缺陷区域对纺织品瑕疵进行评价的方法为：通过缺陷区域计算缺陷对纺织品的影响程度，通过该影响程度值的大小判断纺织品是否合格；
所述缺陷对纺织品的影响程度的表达式为：
式中：表示缺陷对纺织品的影响程度，S表示缺陷区域个数，/>表示缺陷长度，L表示布匹边长，X表示缺陷区域中心点距纺织品中心点的距离，s表示第s个缺陷区域。
进一步的，所述的一种基于机器视觉的纺织品瑕疵检测方法，所述预处理包括：对纺织品表面图像进行语义分割得到0-1掩膜图像，通过0-1掩膜图像和纺织品表面图像得到分割出的纺织品图像，对分割出的纺织品图像进行灰度化处理得到纺织品灰度图像。
一种基于机器视觉的纺织品瑕疵检测系统，包括：
图像采集单元，采集纺织品表面图像；
图像处理单元，对图像采集单元采集的纺织品表面图像进行预处理得到纺织品灰度图像；对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算每一个像素点的对比度，得到对比度图；
图像重构单元，通过图像处理单元得到的每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度；当像素点的邻域像素点的平滑度不是均小于或等于平滑度阈值时，该像素点的对比度保持不变；当像素点的邻域像素点的平滑度均小于或等于平滑度阈值时，将该像素点及其邻域像素点中的最大对比度作为该像素点的对比度，以此对所有像素点的对比度进行重构，得到重构后的对比度图；
图像判断单元，通过分水岭算法对图像重构单元得到的重构后的对比度图进行分割，得到缺陷边缘；通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。
本发明的有益效果是：本发明有效降低劳动强度，提高生产效率，对提高产品合格率有着重要作用；本发明通过构建对比度分水岭分割方法，解决了传统基于灰度分水岭分割导致的过分割与边界破碎的情况，使得检测效果更好，同时为后续分类提供了依据。
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为本发明的一种基于机器视觉的纺织品瑕疵检测方法的实施例的流程示意图。
图2为本发明的一种基于机器视觉的纺织品瑕疵检测系统的实施例的结构示意图。
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。
实施例1
本发明的一种基于机器视觉的纺织品瑕疵检测方法的实施例，如图1所示，包括：
本发明所针对的具体场景为：在纱线经过编制生产成纺织品后，采集纺织品表面图像。
对采集的纺织品表面图像进行预处理得到纺织品灰度图像；
布置相机，采集纺织品表面图像，采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下：
使用的数据集为俯视采集的产品图像数据集，产品的样式为多种多样的。
需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于产品的标注为1。
网络的任务是分类，所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘，得到的图像中只含有产品图像，去除了背景的干扰。将获取到的图像转化为灰度图像。
至此，通过架设相机采集图像，采用DNN网络分类得到产品表面图像，并将图像转化得到产品表面灰度图像。
对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算每一个像素点的对比度，得到对比度图；
对于缺线断线缺陷，其为规则的纺织品图像的某些局部出现稀疏的纹理，主要是由于纺织过程中的缺线和不正常的压力或断线造成的。由于此类缺陷的结构与背景的结构不同，缺陷区域与背景区域的对比度较低，缺陷边缘呈现渐进的灰度变化。一般考虑到各区域内部像素的对比度比较接近，而相邻区域像素间的对比度差距比较大，所以可先计算一幅图像的对比度图，再寻找对比度图的分水岭。在对比度图中，小对比度值像素对应区域的内部，而大对比度值像素对应区域的边界，分水岭算法寻找大对比度值像素的位置，也就是寻找分割边界的位置。
本实施例要对纺织品进行较为准确的质量分拣需先计算得到较为准确的缺线区域，通过缺线缺陷的严重程度对产品进行等级划分，具体过程为：
构建灰度共生矩阵：在原灰度图上获取n×n大小的窗口，计算该滑窗图像的灰度共生矩阵，通过灰度共生矩阵计算其对比度，即：
式中：表示滑窗图像的对比度，/>表示滑窗内第/>个像素点的灰度值，/>表示滑窗内第/>个像素点的灰度值，/>表示像素点对出现的概率。
对比度是度量矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。对比度值大，纹理的沟纹越深，反差越大，效果越清晰；反之，对比度值小，则沟纹浅，效果模糊。
由于滑窗操作会导致图像边缘像素点无法计算，可能导致判断偏差，故对原图进行增维操作，方法为：原图大小为M×N,滑窗大小为n×n,增维后图像大小变为,增维元素为原图边缘像素点的灰度值，增维后图像四角像素点的灰度值用原图四角像素点的灰度值填充。
例如原图大小为16×18,滑窗大小为3×3,增维后图像大小变为18×20，增维处的元素为原16×18图像边缘像素点的灰度值。
将滑窗中计算得到的对比度的值赋予滑窗中心点，完成原图像中第一滑窗（第一个像素点）的对比度计算，此时滑窗移动一个像素形成另外一个小的窗口影像，再重复计算新的灰度共生矩阵和对比度。遍历增维后的图像，计算得到原图中所有像素点的对比度，即将原图转化为对比度图。
通过每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度；
分水岭算法的思想是从区域极小值开始，从低到高淹没整个地形，当处在不同的聚水盆中的水将要聚合时，修建大坝（由单像素点构成）。这个过程不断延续直到到达水位的最大值对应于图像中灰度级的最大值 。但对于纺织品的断线缺线分割，基于灰度梯度的分割结果会导致缺线缺陷边界破碎，致使判断结果出现偏差，过分割明显。和背景的纹理边缘相比，缺陷区域的纹理边缘应该对应着更大的尺度，故本实施例先获取对比度图，在对比度空间进行分水岭操作。又由于梯度噪声、量化误差及物体内部细密纹理的影响，在平坦区域内部可能会产生许多内部的“谷底”和“山峰”，经分水岭变换后形成小的区域，易导致过分割，使希望得到的正确轮廓被大量不相关轮廓所淹没，故本实施例通过去除伪局部极小值来抑制过分割。具体操作如下：
由于小对比度像素对应区域的内部，而大对比度像素对应区域的边界，故计算像素点与其邻域像素的平滑度。即以第p个像素点为中心点，计算其与邻域像素点所在窗口的平滑度，即：
式中：G表示平滑度，K表示窗口内像素点的个数，表示窗口内第k个像素点的对比度，k表示窗口内第k个像素点，/>表示超参数。
平滑度G的值越小，窗口内像素点的对比度差异越小，即局部的山峰和谷底越有可能为影响点。
将以第p个像素点为中心点的窗口的平滑度赋值给中心像素点，通过该操作方法可得到每个像素点的平滑度。
当像素点的邻域像素点的平滑度不是均小于或等于平滑度阈值时，该像素点的对比度保持不变；当像素点的邻域像素点的平滑度均小于或等于平滑度阈值时，将该像素点及其邻域像素点中的最大对比度作为该像素点的对比度，以此对所有像素点的对比度进行重构，得到重构后的对比度图；
平滑度G经验值取0.3，当以第p个像素点为中心点，邻域窗口内像素点的平滑度均小于或等于0.3时，将中心像素点的值进行修改，将邻域窗口中对比度最大值赋予中心像素点，若中心像素点的对比度值最大，不予以处理。
例如假设第p个像素点的邻域像素点的平滑度分别为，/>，/>，/>，/>，/>，/>，，第p个像素点的对比度为/>，其邻域像素点的对比度分别为/>，/>，/>，/>，/>，/>，/>，若/> ，则第p个像素点的对比度/>保持不变；若/> ，/> ，/> ，/> ， ，/> ，/> ，/> ，则令p个像素点的对比度
。
对整幅对比度图像进行迭代，去除局部极小值的像素点，重构后的对比度图像排除了局部极小值的干扰，即若存在缺陷，缺陷内部的像素点的对比度被重构后相似度更高，而缺陷边缘的对比度较大，被保留。
通过分水岭算法对重构后的对比度图进行分割，得到缺陷边缘；
常规分水岭算法是从局部极小值开始，此时会导致过分割，经过重构后，对比度分水岭法可以有效避免过分割，保留期望的分割边缘。
对重构后的对比度图通过分水岭分割，获得纺织品的缺陷边缘。
至此，通过构建对比度图，在对比度空间进行分水岭分割，通过重构对比度图像中的极小值点，获取最佳分割起始点，完成缺陷分割。
通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。
通过纺织品的缺陷边缘得到纺织品的缺陷区域。
对于断线缺陷，断线缺陷的长度、数量不同对纺织品质量的影响也不同，缺陷长度越长，缺陷数量越多，纺织品质量越差。故计算缺陷对纺织品质量的影响程度，即：
式中：表示影响程度，S表示缺陷区域个数，/>表示缺陷长度，L表示布匹边长，X表示缺陷区域中心点距纺织品中心点的距离，s表示第s个缺陷区域。
缺陷长度越长，数量越多，缺陷中心点越靠近纺织品中心点，该布匹质量越差。
实施者可根据自身需求设定对应的质量等级，根据的大小对纺织品质量进行不同等级的划分，分为一等品，二等品，三等品和不合格产品。
本发明有效降低劳动强度，提高生产效率，对提高产品合格率有着重要作用；本发明通过构建对比度分水岭分割方法，解决了传统基于灰度分水岭分割导致的过分割与边界破碎的情况，使得检测效果更好，同时为后续分类提供了依据。
实施例2
本发明的一种基于机器视觉的纺织品瑕疵检测系统的实施例，如图2所示，包括：
图像采集单元，采集纺织品表面图像；
将相机设置在纺织品正前方，使得摄像头正对纺织品，然后采集纺织品的表面图像。
图像处理单元，对图像采集单元采集的纺织品表面图像进行预处理得到纺织品灰度图像；对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算每一个像素点的对比度，得到对比度图；
对采集的纺织品表面图像进行语义分割得到0-1掩膜图像，通过0-1掩膜图像和纺织品表面图像得到分割出的纺织品图像，对分割出的纺织品图像进行灰度化处理得到纺织品灰度图像。对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算滑窗图像的对比度，即每一次滑窗可以得到一个灰度共生矩阵，该灰度共生矩阵对应一个滑窗图像的对比度，将该滑窗图像的对比度值作为滑窗中心像素点的对比度，即通过一次滑窗可以计算得到该滑窗中心像素点的对比度。通过该方法，可以得到每一个像素点的对比度，从而得到对比度图。
图像重构单元，通过图像处理单元得到的每一个像素点和其邻域像素点的对比度值计算对应窗口的平滑度，将该窗口平滑度作为该像素点的平滑度；当像素点的邻域像素点的平滑度不是均小于或等于平滑度阈值时，该像素点的对比度保持不变；当像素点的邻域像素点的平滑度均小于或等于平滑度阈值时，将该像素点及其邻域像素点中的最大对比度作为该像素点的对比度，以此对所有像素点的对比度进行重构，得到重构后的对比度图；
图像判断单元，通过分水岭算法对图像重构单元得到的重构后的对比度图进行分割，得到缺陷边缘；通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。
通过分水岭算法对重构后的对比度图进行分割，得到各个缺陷的缺陷边缘，由各缺陷边缘确定各缺陷区域，通过缺陷区域计算缺陷对纺织品的影响程度，根据该影响程度值的大小和纺织品等级阈值判断该纺织品是属于一等品、二等品、三等品还是不合格产品。
本发明有效降低劳动强度，提高生产效率，对提高产品合格率有着重要作用；本发明通过构建对比度分水岭分割方法，解决了传统基于灰度分水岭分割导致的过分割与边界破碎的情况，使得检测效果更好，同时为后续分类提供了依据。
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 (8)
1.一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，包括：
对采集的纺织品表面图像进行预处理得到纺织品灰度图像；
对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算每一个像素点的对比度，得到对比度图；
通过每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度；
当像素点的邻域像素点的平滑度不是均小于或等于平滑度阈值时，该像素点的对比度保持不变；当像素点的邻域像素点的平滑度均小于或等于平滑度阈值时，将该像素点及其邻域像素点中的最大对比度作为该像素点的对比度，以此对所有像素点的对比度进行重构，得到重构后的对比度图；
通过分水岭算法对重构后的对比度图进行分割，得到缺陷边缘；
通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。
2.根据权利要求1所述的一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，计算每一个像素点的对比度的方法为：根据每次滑窗构建的灰度共生矩阵计算滑窗图像的对比度，将该滑窗图像的对比度值作为滑窗中心像素点的对比度。
3.根据权利要求2所述的一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，所述滑窗图像的对比度的表达式为：
，
式中：表示滑窗图像的对比度，/>表示滑窗内第/>个像素点的灰度值，/>表示滑窗内第/>个像素点的灰度值，/>表示像素点对出现的概率。
4.根据权利要求1所述的一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，通过每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度的方法为：通过每一个像素点和其邻域像素点的对比度值计算对应窗口的平滑度，将该窗口平滑度作为该像素点的平滑度。
5.根据权利要求1所述的一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，所述窗口平滑度的表达式为：
，
式中：G表示窗口平滑度，K表示窗口内像素点的个数，表示窗口内第k个像素点的对比度，k表示窗口内第k个像素点，/>表示超参数。
6.根据权利要求1所述的一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，根据缺陷区域对纺织品瑕疵进行评价的方法为：通过缺陷区域计算缺陷对纺织品的影响程度，通过该影响程度值的大小判断纺织品是否合格；
所述缺陷对纺织品的影响程度的表达式为：
，
式中：表示缺陷对纺织品的影响程度，S表示缺陷区域个数，/>表示缺陷长度，L表示布匹边长，X表示缺陷区域中心点距纺织品中心点的距离，s表示第s个缺陷区域。
7.根据权利要求1所述的一种基于机器视觉的纺织品瑕疵检测方法，其特征在于，所述预处理包括：对纺织品表面图像进行语义分割得到0-1掩膜图像，通过0-1掩膜图像和纺织品表面图像得到分割出的纺织品图像，对分割出的纺织品图像进行灰度化处理得到纺织品灰度图像。
8.一种基于机器视觉的纺织品瑕疵检测系统，其特征在于，包括：
图像采集单元，采集纺织品表面图像；
图像处理单元，对图像采集单元采集的纺织品表面图像进行预处理得到纺织品灰度图像；对纺织品灰度图像进行滑窗处理，根据每次滑窗构建的灰度共生矩阵计算每一个像素点的对比度，得到对比度图；
图像重构单元，通过图像处理单元得到的每一个像素点和其邻域像素点的对比度值计算该像素点的平滑度；当像素点的邻域像素点的平滑度不是均小于或等于平滑度阈值时，该像素点的对比度保持不变；当像素点的邻域像素点的平滑度均小于或等于平滑度阈值时，将该像素点及其邻域像素点中的最大对比度作为该像素点的对比度，以此对所有像素点的对比度进行重构，得到重构后的对比度图；
图像判断单元，通过分水岭算法对图像重构单元得到的重构后的对比度图进行分割，得到缺陷边缘；通过缺陷边缘得到缺陷区域，根据缺陷区域对纺织品瑕疵进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310655392.4A CN116523899A (zh) | 2023-06-05 | 2023-06-05 | 一种基于机器视觉的纺织品瑕疵检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310655392.4A CN116523899A (zh) | 2023-06-05 | 2023-06-05 | 一种基于机器视觉的纺织品瑕疵检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523899A true CN116523899A (zh) | 2023-08-01 |
Family
ID=87408424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310655392.4A Pending CN116523899A (zh) | 2023-06-05 | 2023-06-05 | 一种基于机器视觉的纺织品瑕疵检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523899A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
| CN117173162A (zh) * | 2023-11-01 | 2023-12-05 | 南通杰元纺织品有限公司 | 一种纺织品瑕疵检测方法及系统 |
| CN117546887A (zh) * | 2024-01-12 | 2024-02-13 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
-
2023
- 2023-06-05 CN CN202310655392.4A patent/CN116523899A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
| CN116843688B (zh) * | 2023-09-01 | 2023-11-24 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
| CN117173162A (zh) * | 2023-11-01 | 2023-12-05 | 南通杰元纺织品有限公司 | 一种纺织品瑕疵检测方法及系统 |
| CN117173162B (zh) * | 2023-11-01 | 2024-02-13 | 南通杰元纺织品有限公司 | 一种纺织品瑕疵检测方法及系统 |
| CN117546887A (zh) * | 2024-01-12 | 2024-02-13 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
| CN117546887B (zh) * | 2024-01-12 | 2024-03-29 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116523899A (zh) | 一种基于机器视觉的纺织品瑕疵检测方法及系统 | |
| Li et al. | Deformable patterned fabric defect detection with fisher criterion-based deep learning | |
| CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
| Hanbay et al. | Fabric defect detection systems and methods—A systematic literature review | |
| Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
| CN111861996B (zh) | 一种印花织物疵点检测方法 | |
| CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
| CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
| CN105261003A (zh) | 一种基于织物自身结构进行疵点检测的方法 | |
| CN113724241B (zh) | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 | |
| Çelik et al. | Fabric defect detection using linear filtering and morphological operations | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN114782416B (zh) | 基于图像识别的纺织品质量检测方法及系统 | |
| CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
| CN115330784A (zh) | 一种布匹表面缺陷检测方法 | |
| CN115311265B (zh) | 基于纺织质量的织布机智能控制系统 | |
| Goyal | Automation in fabric inspection | |
| 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 | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN114998321A (zh) | 一种基于光学手段的纺织材料表面毛羽程度识别方法 | |
| CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN111402225B (zh) | 一种布匹折叠误检疵点判别方法 | |
| Talu et al. | CNN-based fabric defect detection system on loom fabric inspection | |
| CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
| CN114913180B (zh) | 一种棉布筘痕缺陷的智能检测方法 |
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 |