CN116805312A - 一种基于图像处理的针织式面料质量检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，特别涉及一种基于图像处理的针织式面料质量检测方法，包括采集面料表面的第一图像数据，对第一图像数据进行预处理后得到第二图像数据，第二图像数据为面料表面的灰度图像数据；根据异常凸显模型获取第二图像数据中像素点的异常凸显特征值；通过异常凸显特征值利用经纬异常模型获取像素点的经纬纱异常特征值，以构建相应的第三图像数据，并对第三图像数据进行处理，利用分布差异模型得到像素点的分布差异指数，结合分布差异指数获取当前检测面料的质量因子，当质量因子大于质量阈值时，面料存在破损；提高了针织式面料质量检测的准确性。

Description

一种基于图像处理的针织式面料质量检测方法

技术领域

本发明涉及图像数据处理技术领域，特别涉及一种基于图像处理的针织式面料质量检测方法。

背景技术

针织面料是利用织针将纱线弯曲成圈并相互串套而形成的织物，针织面料具有较好的弹性，吸湿透气，舒适保暖等优势，广泛应用于服装面料及里料，家纺等产品中，受到广大消费者的喜爱。

针织面料加工工艺流程较为复杂，由于加工环境的随机异常影响，加工过程中纺织设备的故障以及相关操作人员操作不当导致最终生产得到的面料表面会出现不同程度的破损情况；随着市场消费者对针织纺织品要求的不断提高，破损的面料不利于销售。现有技术中利用图像处理方法检测针织纺织品如CN115937173A中，是基于图像中像素点的灰度特征，将图像进行分块，并根据分块后的灰度特征构建灰度特征图，之后结合图像中像素点的熵值和像素点的相关性计算权重融合重构为重构特征图，再利用重构特征图使用区域生长算法获取疵点，然而此方案在基于灰度特征进行处理时，受限于灰度级导致针织面料表面缺陷表征不明显，而导致检测精确度较差，且该方案使用了多个图像融合重构的重构特征图意味着存在更大的计算量，因此本方案提出了基于图像整体即像素点灰度密度的方式检测破损部分。

发明内容

为解决上述现有技术中针织面料产品检测存在误差的不足，本发明提供的一种基于图像处理的针织式面料质量检测方法，包括：

采集面料表面的第一图像数据，对所述第一图像数据进行预处理后得到第二图像数据，所述第二图像数据为所述面料表面的灰度图像数据；

根据异常凸显模型获取所述第二图像数据中像素点的异常凸显特征值；通过所述异常凸显特征值利用经纬异常模型获取各像素点的经纬纱异常特征值，以构建相应的第三图像数据，并对所述第三图像数据进行处理，利用分布差异模型得到像素点/>的分布差异指数，结合所述分布差异指数划分出所述面料表面的破损位置；

根据所述破损位置的分布，利用检测模型获取当前检测所述面料的质量因子，当所述质量因子大于质量阈值时，所述面料存在破损。

在一实施例中，第一图像数据通过CCD相机采集，所述第一图像数据为RGB颜色空间下的面料表面图像数据。

在一实施例中，所述预处理包括使用高斯滤波法对RGB三个不同颜色通道的第一图像数据进行处理后，利用加权平均法将RGB颜色空间下的图像转化为所述第二图像数据。

在一实施例中，根据异常凸显模型获取所述第二图像数据中像素点的异常凸显特征值，所述异常凸显模型为：

，

其中，为所述像素点/>的异常凸显特征值，/>是以所述像素点/>为中心的局部窗口中不同位置处的像素点数量，/>为所述像素点/>处的灰度特征值，/>为所述像素点/>处的灰度特征值，/>为在所述局部窗口中第/>个位置处的像素点，/>为第/>个位置处的像素点灰度特征值所在量化特征区间占比大小。

在一实施例中，所述量化特征区间通过划分灰度区间获得；第个位置处的像素点灰度特征值所在量化特征区间占比大小根据/>获取，其中，/>为第/>个像素点位置处灰度特征为/>对应的所述量化特征区间的像素点数量。

在一实施例中，利用经纬异常模型获取像素点的经纬纱异常特征值/>，所述经纬异常模型为：

，

其中，为经纬纱异常特征值，Z是所述像素点/>为中心的局部窗口；/>为所述局部窗口区域中行下标索引，/>为所述局部窗口中列下标索引；

当所述局部窗口中不同像素点的所述异常凸显特征值的差异变化较大，所述像素点处的所述经纬纱异常特征值也越大，则所述像素点/>对应面料位置经纱纬纱破损可能性越高。

在一实施例中，所述第三图像数据为经纬纱异常变化特征图像；对所述第三图像数据中的局部图像数据采用NSCT方法进行分解得到个方向尺度的子带异常特征图像；将不同方向尺度的所述子带异常特征图像中像素点使用归一化算法将子带异常特征值归一化至灰度区间上，并将不同方向尺度的子带异常特征值量化至量化特征区间，统计局部子带图像中落入所述量化特征区间的像素点个数，以构成子带异常特征图像直方图。

在一实施例中，利用分布差异模型得到像素点的分布差异指数，所述分布差异模型为：

，

其中，为分布差异指数，/>为像素点/>周围领域的像素点总个数，/>为像素点周围领域中第/>个位置处的像素点；/> 为第/>个位置处的子带异常特征图像直方图使用GMM拟合得到的概率密度函数，/>为所述子带异常特征图像直方图的个数，/>表示以像素点/>为中心的局部窗口中第/>个子带的子带异常特征图像直方图，/>表示以像素点/>为中心的局部窗口中第/>个子带的子带异常特征图像直方图；

为两个所述子带异常特征图像直方图数量距离，/>表示两个所述子带异常特征图像直方图中概率密度函数的分布差异情况。

在一实施例中，结合所述分布差异指数，利用OTSU方法对分布差异指数图像数据进行分割，获取所述分布差异指数图像数据中的所述破损位置。

在一实施例中，根据所述破损位置的分布，利用检测模型获取当前检测面料的质量因子，所述检测模型为：

，

其中，为破损区域的像素点个数；/>为所述第二图像数据中全部像素点的个数。

与现有技术相比，本发明提供的一种基于图像处理的针织式面料质量检测方法，通过结合不同区域像素点的灰度特征值差异变化特点，构造获取得到针织面料表面异常凸显特征值，并根据异常凸显特征值进一步得到了经纬纱异常特征值，对针织面料经纱和纬纱的异常变化情况进行凸显表征，有效地规避了传统基于灰度特征进行处理时，受限于灰度级导致针织面料表面缺陷表征不明显，而导致检测精确度较差的缺点；同时根据经纬纱异常特征的分布变化特点获取得到针织面料分布差异指数，结合分布差异指数可以对面料表面图像数据中的破损位置进行准确划分，再通过质量因子判断面料质量，提高了对针织面料表面图像检测的准确性。

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一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的一种基于图像处理的针织式面料质量检测方法的流程图；

图2为本发明提供的针织面料表面图像中存在破损的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

在本发明的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

如图1所示，本发明提供的一种基于图像处理的针织式面料质量检测方法，包括采集面料表面的第一图像数据，对所述第一图像数据进行预处理后得到第二图像数据，所述第二图像数据为所述面料表面的灰度图像数据；

根据异常凸显模型获取所述第二图像数据中像素点的异常凸显特征值；通过所述异常凸显特征值利用经纬异常模型获取各像素点的经纬纱异常特征值，以构建相应的第三图像数据，并对所述第三图像数据进行处理，利用分布差异模型得到像素点/>的分布差异指数，结合所述分布差异指数划分出所述面料表面的破损位置；

根据所述破损位置的分布，利用检测模型获取当前检测所述面料的质量因子，当所述质量因子大于质量阈值时，所述面料存在破损。

具体实施时，首先采集面料表面的第一图像数据，具体地，使用图像传感器对面料表面进行拍摄采集，由于CCD相机相较于CMOS相机具有成像质量清晰，图像细节保留完整的特点，为了避免采集获取得到的面料表面图像质量较差对后续质量检测精确性的影响，本实施例中，使用CCD相机对面料表面进行拍摄采集，得到面料表面的第一图像数据，第一图像数据为RGB颜色空间下的面料表面图像数据。

接着，对第一图像数据进行预处理后得到第二图像数据，具体地，使用高斯滤波法对RGB三个不同颜色通道的第一图像数据进行处理，可以避免采集工作环境中随机噪声对后续进一步质量检测精确度的影响；同时，为了避免后续对三个不同通道重复计算的影响，利用加权平均法将RGB颜色空间下的面料图像转化为第二图像数据，第二图像数据为面料表面的灰度图像数据。

如图2所示，当针织面料出现纺织加工的破损异常时，对应破损区域的像素点灰度特征值相较于正常无破损区域的像素点灰度特征值之间存在较大的差异，例如，当第一像素点位于针织面料表面的破损缺陷区域时，此时对应第一像素点/>的灰度特征值相对较小，而当第一像素点/>位于针织面料表面正常无破损区域时，此时第一像素点/>的灰度特征值相较大于破损缺陷区域的像素点的灰度特征值；因此，根据针织面料正常区域和破损区域像素点之间的灰度特征值的差异，利用异常凸显模型可以获取第二图像数据中像素点的异常凸显特征值。

以第一像素点为例，利用异常凸显模型可以获取第二图像数据中第一像素点/>的异常凸显特征值/>的大小，具体地，异常凸显模型为：

，

其中，为第一像素点/>的异常凸显特征值，/>是局部窗口中不同位置处的第二像素点数量，局部窗口可以是以第一像素点/>为中心的矩形，局部窗口的大小为/>，/>可以是大于0的常数，本实施例中，/>可以是7，亦可以是5、8、9或10等；/>为第一像素点/>处的灰度特征值，/>为第二像素点/>处的灰度特征值，/>为在局部窗口中第/>个位置处的像素点。

当第一像素点所处区域为针织面料的破损缺陷区域时，同为针织面料的破损缺陷区域的第二像素点/>的灰度特征值可能与第一像素点/>的灰度特征值不同，二者相差相对较小；同理，当第一像素点/>所处区域为针织面料的正常区域时，同为正常区域的第二像素点/>的灰度特征值可能与第一像素点/>的灰度特征值不同，二者相差相对较小；但当第一像素点/>所处区域为针织面料的破损缺陷区域时，正常区域的第二像素点/>的灰度特征值与第一像素点/>的灰度特征值相差较大。

为第/>个位置处的像素点灰度特征值所在量化特征区间占比大小，具体地，第二图像数据中最大灰度区间为0-255，将灰度区间根据间隔长度划分为不同的量化特征区间，本实施例中，间隔长度可以是15，则可以得到17个不同量化特征区间；第/>个位置处的像素点灰度特征值所在量化特征区间占比大小根据/>获取，/>为第/>个像素点位置处灰度特征为/>对应的量化特征区间的像素点数量。

当第一像素点对应的局部窗口中不同位置处的第二像素点，与第一像素点/>灰度特征值差异相差较大，且落入不同的量化特征区间的像素点数量越多，此时第/>个位置处的像素点灰度特征值所在量化特征区间占比大小/>数值也就越大；则说明第一像素点/>为针织表面的破损异常点可能性越高。

反之，当第一像素点对应的局部窗口中不同位置处的第二像素点，与第一像素点/>的灰度特征值相差较小时，第一像素点/>处的异常凸显特征值会随之相应减少，则说明第一像素点/>对应的针织表面的为正常区域的可能性越高。

然后，通过异常凸显特征值利用经纬异常模型获取各像素点的经纬纱异常特征值，具体地，经纬异常模型为：

，

其中，为经纬纱异常特征值，Z是第一像素点/>为中心的局部窗口；局部窗口的大小为/>，/>可以是大于0的常数，本实施例中，/>可以是7，亦可以是5、8、9或10等；/>为局部窗口区域中行下标索引，用于表示针织面料表面中纬纱变化情况；/>为所述局部窗口中列下标索引；用于表示针织面料中经纱变化情况。

根据上述经纬异常模型可以获取得到针织面料表面图像中第一像素点的经纬纱异常特征值/>；考虑到针织面料经纬纱纺织变化特点，以第一像素点/>为中心大小为/>的局部窗口区域中其他不同第二像素点沿经纬纱异常凸显特征值的差异变化较大时，此时第一像素点/>位置处的经纬纱异常特征值/>也相对越大，则说明第一像素点/>位置经纱纬纱出现破损异常的可能性较高。

而对于以第一像素点为中心大小为/>的局部窗口区域中其他不同第二像素点均可以根据上述经纬异常模型获取第二像素点对应的经纬纱异常特征值。

通过结合不同区域像素点的灰度特征值差异变化特点，构造获取得到面料表面图像数据的异常凸显特征值，并根据异常凸显特征值进一步得到了经纬纱异常特征值，对针织面料经纱和纬纱的异常变化情况进行凸显表征，有效地规避了传统基于灰度特征进行处理时，受限于灰度级导致针织面料表面缺陷表征不明显，而导致检测精确度较差的缺点。

根据经纬纱异常特征值可以构建相应的第三图像数据，第三图像数据为经纬纱异常变化特征图像，对于第三图像数据中的局部图像数据采用NSCT（非下采样轮廓波变换法，简称NSCT）进行分解处理，较佳地，以第一像素点为例，局部图像数据是以像素点/>为中心，大小为/>的局部窗口区域图像；非下采样轮廓波变换法是现有技术中将图像沿不同尺度和不同方向分解得到与原始图像尺寸大小相同的图像处理算法，在此不再赘述。

具体地，第三图像数据中的局部图像数据通过NSCT算法分解后得到个方向尺度的子带异常特征图像，子带异常特征图像中不同像素点位置均有其对应的子带异常特征值，为了便于进一步对比分析处理，使用归一化算法将不同方向尺度的子带异常特征图像中的像素点对应的子带异常特征值归一化到灰度区间上，灰度区间范围为/>。

如果局部图像数据存在破损异常的像素点，那么分解后得到的子带异常特征图像在不同方向尺度中的像素点的子带异常特征值的大小和分布情况相对于正常无破损区域会存在较大的变化情况。

具体地，将灰度区间根据间隔长度划分为不同的量化特征区间，本实施例中，间隔长度可以是15，则可以得到17个不同量化特征区间；将不同方向尺度的子带异常特征值量化至17个不同的量化特征区间中，统计子带异常特征图像中落入该量化特征区间的像素点个数，以构成相应的子带异常特征图像直方图；对于第个位置处的子带异常特征图像直方图使用GMM（高斯混合模型，简称GMM）拟合得到相应的概率密度函数/>。

然后，利用分布差异模型得到像素点的分布差异指数，分布差异模型为：

，

其中，为分布差异指数，/>为像素点/>周围领域的像素点总个数，/>为像素点周围领域中第/>个位置处的像素点；本实施例中，取/>，则表明像素点/>周围8领域的像素点个数，/>为像素点周围8领域中第/>个位置处的像素点；同理，/>还可以取9或10等数值，则表明像素点i周围9领域或周围10领域的像素点个数，/>为像素点周围9领域或10领域中第/>个位置处的像素点；

为第/>个位置处的子带异常特征图像直方图使用GMM拟合得到的概率密度函数，/>为子带异常特征图像直方图的个数，/>表示以像素点/>为中心的局部窗口中第/>个子带的子带异常特征图像直方图，/>表示以像素点/>为中心的局部窗口中第/>个子带的子带异常特征图像直方图；

为两个子带异常特征图像直方图数量距离，较佳地，通过对每个不同量化特征区间中的像素点数量进行做差对比，并累加求和得到两个子带异常特征图像直方图数量距离；

表示两个子带异常特征图像直方图中概率密度函数的分布差异情况，本实施例中，两个子带异常特征图像直方图中概率密度函数的分布差异情况通过使用相对熵进行计算，相对熵的计算方式是现有技术中常见的获取两个概率分布间差异的技术手段，在此不再赘述。

根据分布差异模型可以得到像素点位置处的针织面料分布差异指数/>的大小，当以像素点/>为中心，大小为/>的局部窗口图像分解后得到的子带异常特征图像直方图与周围邻域中的子带异常特征图像直方图的差异变化情况越大时，此时，不同直方图的量化特征区间中像素点数量分布情况会有较大的差异，同时其概率密度函数的特点也会呈现较大的差异，说明对应像素点/>处于针织面料的异常破损区域的可能性越高。

通过上述步骤对针织面料不同位置处的第二像素点均可以得到相应的针织面料分布差异指数的大小，且针织面料破损缺陷区域的像素点与正常区域像素点的分布差异指数存在较为明显的差异，此处，第二像素点代表针织面料不同位置处的像素点，至此可以由各像素点的分布差异指数构成分布差异指数图像数据。

由于分布差异指数图像数据相对于第二图像数据，即相对于灰度图像数据更能够表征针织面料破损差异特点，因此，结合像素点的分布差异指数以及各像素点的分布差异指数构成的分布差异指数图像数据，在分布差异指数图像数据上使用OTSU方法（大津法，简称OTSU）进行分割，可以准确有效地获取得到针织面料表面的破损缺陷位置及其分布情况。

其次，根据获取的针织面料的破损缺陷位置，以及破损位置的分布情况，利用检测模型获取当前检测面料的质量因子，检测模型为：

，

其中，为破损区域的像素点个数；/>为所述第二图像数据中全部像素点的个数。

当质量因子大于质量阈值时，认为此时检测的面料处于较为严重的破损损坏状态；本实施例中，质量阈值可以是0.6，亦可以是0.7、0.8、0.9或1.1等；反之，当质量因子小于质量阈值时，认为此时检测的面料处于正常状态。

与现有技术相比，本发明提供的一种基于图像处理的针织式面料质量检测方法，通过结合不同区域像素点的灰度特征值差异变化特点，构造获取得到针织面料表面的异常凸显特征值，并根据异常凸显特征值进一步得到了经纬纱异常特征值，对针织面料经纱和纬纱的异常变化情况进行凸显表征，有效地规避了传统基于灰度特征进行处理时，受限于灰度级导致针织面料表面缺陷表征不明显，而导致检测精确度较差的缺点；同时根据经纬纱异常特征的分布变化特点获取得到针织面料分布差异指数，结合分布差异指数可以对面料表面图像数据中的破损位置进行准确划分，再通过质量因子判断面料质量，提高了对针织面料表面图像检测的准确性，由此通过对表面图像检测的方式对针织式面料进行了质量检测。

另外，本领域技术人员应当理解，尽管现有技术中存在许多问题，但是，本发明的每个实施例或技术方案可以仅在一个或几个方面进行改进，而不必同时解决现有技术中或者背景技术中列出的全部技术问题。本领域技术人员应当理解，对于一个权利要求中没有提到的内容不应当作为对于该权利要求的限制。

本文中使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的；本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。

Claims (10)

1.一种基于图像处理的针织式面料质量检测方法，其特征在于：包括：

采集面料表面的第一图像数据，对所述第一图像数据进行预处理后得到第二图像数据，所述第二图像数据为所述面料表面的灰度图像数据；

根据异常凸显模型获取所述第二图像数据中像素点的异常凸显特征值；通过所述异常凸显特征值利用经纬异常模型获取各像素点的经纬纱异常特征值，以构建相应的第三图像数据，并对所述第三图像数据进行处理，利用分布差异模型得到像素点/>的分布差异指数，结合所述分布差异指数划分出所述面料表面的破损位置；

根据所述破损位置的分布，利用检测模型获取当前检测所述面料的质量因子，当所述质量因子大于质量阈值时，所述面料存在破损。

2.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：第一图像数据通过CCD相机采集，所述第一图像数据为RGB颜色空间下的面料表面图像数据。

3.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：所述预处理包括使用高斯滤波法对RGB三个不同颜色通道的第一图像数据进行处理后，利用加权平均法将RGB颜色空间下的图像转化为所述第二图像数据。

4.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：根据异常凸显模型获取所述第二图像数据中像素点的异常凸显特征值，所述异常凸显模型为：

，

其中，为所述像素点/>的异常凸显特征值，/>是以所述像素点/>为中心的局部窗口中不同位置处的像素点数量，/>为所述像素点/>处的灰度特征值，/>为所述像素点/>处的灰度特征值，/>为在所述局部窗口中第/>个位置处的像素点，/>为第/>个位置处的像素点灰度特征值所在量化特征区间占比大小。

5.根据权利要求4所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：所述量化特征区间通过划分灰度区间获得；第个位置处的像素点灰度特征值所在量化特征区间占比大小根据/>获取，其中，/>为第/>个像素点位置处灰度特征为/>对应的所述量化特征区间的像素点数量。

6.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：利用经纬异常模型获取像素点的经纬纱异常特征值/>，所述经纬异常模型为：

，

其中，为经纬纱异常特征值，Z是所述像素点/>为中心的局部窗口；/>为所述局部窗口区域中行下标索引，/>为所述局部窗口中列下标索引；

当所述局部窗口中不同像素点的所述异常凸显特征值的差异变化较大，所述像素点处的所述经纬纱异常特征值也越大，则所述像素点/>对应面料位置经纱纬纱破损可能性越高。

7.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：所述第三图像数据为经纬纱异常变化特征图像；对所述第三图像数据中的局部图像数据采用NSCT方法进行分解得到个方向尺度的子带异常特征图像；将不同方向尺度的所述子带异常特征图像中像素点使用归一化算法将子带异常特征值归一化至灰度区间上，并将不同方向尺度的子带异常特征值量化至量化特征区间，统计局部子带图像中落入所述量化特征区间的像素点个数，以构成子带异常特征图像直方图。

8.根据权利要求7所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：利用分布差异模型得到像素点的分布差异指数，所述分布差异模型为：

，

其中，为分布差异指数，/>为像素点/>周围领域的像素点总个数，/>为像素点周围领域中第/>个位置处的像素点；/> 为第/>个位置处的子带异常特征图像直方图使用GMM拟合得到的概率密度函数，/>为所述子带异常特征图像直方图的个数，/>表示以像素点/>为中心的局部窗口中第/>个子带的子带异常特征图像直方图，/>表示以像素点/>为中心的局部窗口中第/>个子带的子带异常特征图像直方图；

为两个所述子带异常特征图像直方图数量距离，/>表示两个所述子带异常特征图像直方图中概率密度函数的分布差异情况。

9.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：结合所述分布差异指数，利用OTSU方法对分布差异指数图像数据进行分割，获取所述分布差异指数图像数据中的所述破损位置。

10.根据权利要求1所述的一种基于图像处理的针织式面料质量检测方法，其特征在于：根据所述破损位置的分布，利用检测模型获取当前检测面料的质量因子，所述检测模型为：

，

其中，为破损区域的像素点个数；/>为所述第二图像数据中全部像素点的个数。