CN116818664B - 一种基于视觉检测的地毯缺陷检测方法及系统 - Google Patents
一种基于视觉检测的地毯缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116818664B CN116818664B CN202310717962.8A CN202310717962A CN116818664B CN 116818664 B CN116818664 B CN 116818664B CN 202310717962 A CN202310717962 A CN 202310717962A CN 116818664 B CN116818664 B CN 116818664B
- Authority
- CN
- China
- Prior art keywords
- carpet
- image
- template
- model
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 135
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 230000000007 visual effect Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000011179 visual inspection Methods 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000007847 structural defect Effects 0.000 description 5
- 239000000835 fiber Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- -1 wool Substances 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及地毯缺陷检测技术领域,尤其是涉及一种基于视觉检测的地毯缺陷检测方法及系统,该方法包括以下步骤:S1、利用多相机模组对目标区域内地毯进行多角度同步拍摄;S2、获取首次拍摄得到的多张多角度图像,作为原始图像集;S3、利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测;S4、利用张紧装置对地毯进行伸拉,并利用多相机模组定时拍摄;S5、获取定时拍摄得到的多组定时图像集,并按拍摄时间标定次序。本发明可以获取更全面、丰富的地毯图像信息,提高缺陷检测的准确性和可靠性,配合定时拍摄的图像集构建不同时间点、不同张紧压力下的地毯模型,实现对地毯结构与性能的缺陷检测,能够更准确地检测地毯的缺陷。
Description
技术领域
本发明涉及地毯缺陷检测技术领域,尤其是涉及一种基于视觉检测的地毯缺陷检测方法及系统。
背景技术
地毯是一种用来覆盖地面的软质材料。它通常由纤维制成,例如羊毛、尼龙、聚酯纤维或聚丙烯纤维等。地毯可以给房间增添温暖和舒适感,同时还能起到减少噪音、隔热和美化空间的作用。
地毯加工生产中可能存在的缺陷包括:颜色不均匀:地毯表面颜色的分布不均匀,可能出现色差或斑点。纹理错位:地毯的纹理图案在制造过程中没有正确对齐,导致图案错位或不连续。线头松散:地毯边缘或缝线处的线头未经牢固固定,容易出现松散或脱落。破损:地毯纤维损坏或断裂,可能导致裂纹、洞眼或破洞。尺寸偏差:地毯的尺寸与设计要求不符,可能存在过大或过小的尺寸偏差。这些缺陷可能由于制造过程中的不良操作、材料质量问题或设备故障等原因引起。对于地毯制造商和消费者而言,及时发现和解决这些缺陷是重要的,以确保地毯的品质和性能符合预期。
目前的地毯缺陷检测方法主要包括视觉检测、红外检测和X射线检测等。视觉检测方法可以通过图像处理和机器学习技术来分析地毯图像,检测颜色、纹理、形状等缺陷,但对于一些隐蔽缺陷和细微缺陷的检测有限。红外检测可用于检测地毯中的温度异常,但对于其他缺陷类型的检测能力有限。X射线检测可用于检测地毯内部结构缺陷,但设备昂贵且辐射问题存在。
现有技术还需要改进的地方包括增强对隐蔽缺陷和细微缺陷的检测能力、提高检测速度和自动化程度、降低成本和辐射风险等。
发明内容
基于此,有必要针对上述技术问题,提供一种基于视觉检测的地毯缺陷检测方法及系统。
第一方面,本发明提供了一种基于视觉检测的地毯缺陷检测方法,该方法包括以下步骤:
S1、利用多相机模组对目标区域内地毯进行多角度同步拍摄;
S2、获取首次拍摄得到的多张多角度图像,作为原始图像集;
S3、利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测;
S4、利用张紧装置对地毯进行伸拉,并利用多相机模组定时拍摄;
S5、获取定时拍摄得到的多组定时图像集,并按拍摄时间标定次序;
S6、分别利用原始图像集与定时图像集构建不同时间点的地毯模型;
S7、分析计算地毯模型变化,对地毯结构与性能进行缺陷检测;
S8、综合分析地毯的缺陷检测结果,输出地毯质量评估报告。
在其中一个实施例中,利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测包括以下步骤:
S31、抽取原始图像集中由主视角相机拍摄得到的主视图像;
S32、对主视图像进行预处理,并对地毯外轮廓进行识别与分割;
S33、获取分割出的地毯实测图像,并获取地毯样板图像与样板参数;
S34、依据样板参数对地毯实测图像的尺寸参数进行检测;
S35、分别对地毯实测图像与地毯样板图像进行网格划分,利用分级检测定位的方式对地毯颜色及纹理进行检测。
在其中一个实施例中,分别对地毯实测图像与地毯样板图像进行网格划分,利用分级检测定位的方式对地毯颜色及纹理进行检测包括以下步骤:
S351、分别以地毯实测图像与地毯样板图像的中点为坐标原点,对地毯进行一层网格划分,划分m*m个子区域,并按照坐标进行编号;
S352、利用彩色图像分割算法对实测子区域图像与样板子区域图像进行边缘检测与区域分割,并提取各个分割区域的RGB值;
S353、将实测子区域图像内各个分割区域的RGB值与样板子区域图像内各个分割区域的RGB值进行对比,若RGB比值大于色彩阈值,则判定该分割区域为颜色缺陷区域,并统计地毯实测图像内所有颜色缺陷区域的数量以及所有分割区域RGB比值的平均值,作为颜色参数;
S354、提取样板子区域图像内各分割区域边缘的特征点,作为该样板子区域图像的样板特征点集,再提取实测子区域图像内各分割区域边缘的特征点,作为该实测子区域的实测特征点集;
S355、依据样板特征点集与实测特征点集,进行实测子区域图像纹理的初级缺陷检测,判断该实测子区域图像是否存在局部缺陷;
S356、对存在局部缺陷的实测子区域图像进行二层网格划分,并对块区域的纹理进行二级缺陷检测,将检测结果作为纹理参数。
在其中一个实施例中,依据样板特征点集与实测特征点集,进行实测子区域图像纹理的初级缺陷检测,判断该实测子区域图像是否存在局部缺陷包括以下步骤:
S3551、利用组合数学模型计算样板特征点集与实测特征点集中所有特征点的判断指标与欧氏距离,并将计算结果组建为集合S;
S3552、对集合S中的欧氏距离值按由小至大的顺序进行排序,若欧氏距离值小于预设的距离阈值,且该特征点的判断指标为0,则确定实测特征点集中特征点i与样板特征点集中对应特征点j为相同特征点对,否则,继续对下一个欧氏距离值进行判断,直至找到一对相同特征点对,若欧氏距离值大于预设的距离阈值,则不存在相同特征点对;
S3553、对实测特征点集中所有特征点进行相同特征点的搜索,记录所有相同特征点对的数量,计算实测子区域图像与样板子区域图像的相似度值,若相似度值大于预设近似值,则判定该实测子区域图像不存在缺陷,若相似度值小于预测近似值,则对该实测子区域图像进行二级缺陷检测,相似度计算公式为:
式中,F表示相似度,g表示相同特征点对的数量。
在其中一个实施例中,组合数学模型的计算公式为:
式中,S表示集合S,表示实测特征点集中特征点i与样板特征点集中特征点j是否对应的判断指标,若两个特征点相对应,则该值为0,d表示特征点的类型,包括端点与交叉点;M表示实测特征点集中所有特征点的数量;N表示样板特征点集中所有特征点的数量;a ij 表示实测特征点集中特征点i与样板特征点集中对应特征点j之间的欧氏距离;(x,y)表示特征点的位置坐标。
在其中一个实施例中,对存在局部缺陷的实测子区域图像进行二层网格划分,并对块区域的纹理进行二级缺陷检测,将检测结果作为纹理参数包括以下步骤:
S3561、将实测子区域图像及样板子区域图像进行二层网格划分,划分为n*n个块区域,并按照坐标进行编号;
S3562、重新对每个实测块区域图像与样板块区域图像内存在的特征点进行提取与统计,分别记作实测块特征集与样板块特征集;
S3563、再次利用组合数学模型计算实测块特征集与样板块特征集之间的判断指标与欧氏距离,将计算结果组建为集合U,并在集合U中依次寻找精准特征点对,最终计算精准特征点对的相似度值;
S3564、若实测块区域图像内的精准特征点对的相似度值小于等于精准近似值,则判定该实测块区域存在纹理缺陷,并记录坐标编号,若实测块区域图像内的精准特征点对的相似度值大于精准近似值,则判定该实测块区域不存在纹理缺陷;
S3565、统计地毯实测图像中存在的缺陷数量及其坐标编号,作为该地毯的纹理参数。
在其中一个实施例中,分别利用原始图像集与定时图像集构建不同时间点的地毯模型包括以下步骤:
S61、分别提取原始图像集与多组定时图像集中由四目立体相机拍摄得到的四张地毯倾斜图像;
S62、对四张地毯倾斜图像进行立体匹配获取视差图,依据视差图将地毯倾斜图像中的像素点转换为三维空间中的点云数据;
S63、将四个视角的点云数据进行融合,得到地毯点云模型;
S64、将地毯点云模型中的点云数据进行网格化转换为地毯模型;
S65、将由原始图像集构建的地毯模型作为原始地毯模型,由不同时间点的定时图像集构建的地毯模型作为形变地毯模型。
在其中一个实施例中,分析计算地毯模型变化,对地毯结构与性能进行缺陷检测包括以下步骤:
S71、将原始地毯模型与形变地毯模型导入统一参考坐标系,并对原始地毯模型与不同时间点的形变地毯模型进行点云配准;
S72、提取地毯模型在不同时间点、不同张紧压力下的特征变化;
S73、依据地毯模型的特征变化效果,构建原始地毯模型与T个形变地毯模型按时间变化的动态可视化展示动画;
S74、将原始地毯模型随时间与张紧压力变化的特征变化值作为地毯的结构与性能参数。
在其中一个实施例中,提取地毯模型在不同时间点、不同张紧压力下的特征变化包括以下步骤:
S721、获取原始地毯模型及多个不同时间点的形变地毯模型之间的表面曲率与法向量变化,作为形状变化特征;
S722、分析原始地毯模型及多个不同时间点的形变地毯模型之间的点云数据的位移向量,作为位移变化特征;
S723、计算原始地毯模型及多个不同时间点的形变地毯模型的网格模型的扭曲度与拉伸度,作为形变变化特征。
第二方面,本发明还提供了一种基于视觉检测的地毯缺陷检测系统,该系统包括以下组成:
多相机模组,用于提供主视角与四视角视觉向对处于目标区域的地毯进行全方位的拍摄,获取高精度的多角度地毯图像;
地毯检测平台,用于实现地毯的输送与定位,将地毯放置在拍摄的目标区域,提供高清高亮的拍摄环境;
地毯张紧装置,用于对地毯两侧进行夹紧拉伸,线性改变张紧拉力对地毯进行线性伸张;
数据处理系统,用于获取多相机模组拍摄的图像集并进行图像数据的缓存与存储,记录地毯检测图像数据与缺陷记录;
核心运算系统,用于对地毯进行综合运算,利用主视角图像进行地毯尺寸、颜色及纹理的缺陷检测,利用四目图像集进行地毯结构与性能的缺陷检测,并根据检测结果输出综合检测报告。
本发明的有益效果为:
1、通过设定多相机模组对地毯进行多角度拍摄,可以获取更全面、丰富的地毯图像信息,提高缺陷检测的准确性和可靠性,配合定时拍摄的图像集构建不同时间点、不同张紧压力下的地毯模型,可以分析地毯的变化情况,实现对地毯结构与性能的缺陷检测,利用动态的分析方式能够更准确地检测地毯的缺陷,包括隐蔽的和时间依赖性的缺陷,从而有效提高地毯缺陷检测的精确性,进而提供全面的地毯质量信息,帮助制造商和消费者做出准确的决策。
2、通过对地毯实测图像与地毯样板图像进行网格化处理,利用分级检测定位的方式对地毯尺寸、颜色及纹理进行检测,能够对地毯颜色和纹理进行更加精细和准确的检测,每个网格区域可以进行独立的颜色和纹理分析,提高了检测的精度和可靠性,并且能够捕捉到地毯图像中的细微差异和纹理变化,即使是小尺寸的缺陷或纹理错位也能够被准确地检测出来,提高了对地毯质量的评估能力,另外通过网格划分可以对地毯图像中的不同区域进行定位,从而能够准确地确定地毯中存在缺陷的具体位置。这有助于制造商或质检人员快速定位和处理缺陷。
3、通过构建地毯三维模型,利用不同时间点下三维模型的变化实现地毯的动态缺陷检测,能够实时监测地毯在不同时间点下的变化,通过对比地毯三维模型的差异,能够快速、准确地检测地毯的动态缺陷,相比传统的静态缺陷检测方法,动态检测能够更全面地评估地毯的质量和性能,并且可以提前发现潜在的结构缺陷或性能退化问题,有助于制造商在地毯生产过程中及时调整或修复,避免质量问题扩大化,提高地毯的可靠性和耐久性;此外,还有助于制造商和质检人员更全面地评估地毯的质量,改进生产工艺和材料选择。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于视觉检测的地毯缺陷检测方法的流程图;
图2是根据本发明实施例的一种基于视觉检测的地毯缺陷检测系统的系统框图。
附图标号:1、多相机模组;2、地毯检测平台;3、地毯张紧装置;4、数据处理系统;5、核心运算系统。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,在一个实施例中,提供了一种基于视觉检测的地毯缺陷检测方法,该方法包括以下步骤:
S1、利用多相机模组对目标区域内地毯进行多角度同步拍摄。
在本发明的描述中,多相机模组由一个主视角相机和四目视觉相机组成。主视角相机通常是一个常规的摄像机,用于拍摄目标区域的主要视角图像。而四目视觉相机由四个相机组成,被安置在不同的位置和角度,以捕捉目标区域的多个视角。
利用多相机模组进行同步拍摄,可以获取不同视角下的图像,从而可以进行三维感知和重建。通过对多个角度的图像进行立体视觉处理,可以生成地毯的三维模型,提供更加立体的信息,有助于分析地毯的几何结构和形状。
S2、获取首次拍摄得到的多张多角度图像,作为原始图像集。
S3、利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测。
在本发明的描述中,利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测包括以下步骤:
S31、抽取原始图像集中由主视角相机拍摄得到的主视图像。
S32、对主视图像进行预处理,并对地毯外轮廓进行识别与分割。
具体的,对主视图像进行预处理,以提高后续轮廓识别和分割的准确性。预处理步骤可以包括图像去噪、亮度和对比度调整、颜色空间转换等。这些处理可以帮助消除图像中的噪声、增强地毯轮廓的对比度,并使后续处理更加稳定和可靠。
应用边缘检测算法来识别地毯的轮廓,基于边缘检测结果,采用适当的轮廓识别与分割算法,提取出地毯的外轮廓。常用的方法包括基于边缘的轮廓提取、基于阈值的轮廓分割、基于区域生长的轮廓提取等。这些算法可以根据边缘连接和形状特征来识别和分割出地毯的外轮廓。
S33、获取分割出的地毯实测图像,并获取地毯样板图像与样板参数。
S34、依据样板参数对地毯实测图像的尺寸参数进行检测。
具体的,从样板库中获取地毯样板图像,并提取出样板的样板参数。样板参数包括地毯的长度、宽度、面积等信息,用于作为参考来对比地毯实测图像的尺寸。通过比较地毯实测图像的尺寸参数与样板参数,进行尺寸的检测。包括地毯长度和宽度的测量,并与样板的尺寸进行对比。
S35、分别对地毯实测图像与地毯样板图像进行网格划分,利用分级检测定位的方式对地毯颜色及纹理进行检测。
在本发明的描述中,分别对地毯实测图像与地毯样板图像进行网格划分,利用分级检测定位的方式对地毯颜色及纹理进行检测包括以下步骤:
S351、分别以地毯实测图像与地毯样板图像的中点为坐标原点,对地毯进行一层网格划分,划分m*m个子区域,并按照坐标进行编号。
S352、利用彩色图像分割算法对实测子区域图像与样板子区域图像进行边缘检测与区域分割,并提取各个分割区域的RGB值。
具体的,彩色图像分割算法是将彩色图像分割成具有相似颜色与纹理的区域的过程。其算法包括:
基于阈值的分割,将图像的像素按照颜色分布进行阈值分割,将像素分配到不同的区域。常见的方法包括全局阈值法、自适应阈值法和多阈值法。
基于区域生长的分割:从种子像素开始,将具有相似颜色或纹理的像素逐步合并成为一个区域。合并的标准可以是像素的颜色相似性、灰度距离或纹理特征等。
以下是一些常用的彩色图像分割算法:
S353、将实测子区域图像内各个分割区域的RGB值与样板子区域图像内各个分割区域的RGB值进行对比,若RGB比值大于色彩阈值,则判定该分割区域为颜色缺陷区域,并统计地毯实测图像内所有颜色缺陷区域的数量以及所有分割区域RGB比值的平均值,作为颜色参数。
S354、提取样板子区域图像内各分割区域边缘的特征点,作为该样板子区域图像的样板特征点集,再提取实测子区域图像内各分割区域边缘的特征点,作为该实测子区域的实测特征点集。
S355、依据样板特征点集与实测特征点集,进行实测子区域图像纹理的初级缺陷检测,判断该实测子区域图像是否存在局部缺陷。
在本发明的描述中,依据样板特征点集与实测特征点集,进行实测子区域图像纹理的初级缺陷检测,判断该实测子区域图像是否存在局部缺陷包括以下步骤:
S3551、利用组合数学模型计算样板特征点集与实测特征点集中所有特征点的判断指标与欧氏距离,并将计算结果组建为集合S。
其中,组合数学模型的计算公式为:
式中,S表示集合S,表示实测特征点集中特征点i与样板特征点集中特征点j是否对应的判断指标,若两个特征点相对应,则该值为0,d表示特征点的类型,包括端点与交叉点,M表示实测特征点集中所有特征点的数量,N表示样板特征点集中所有特征点的数量,a ij 表示实测特征点集中特征点i与样板特征点集中对应特征点j之间的欧氏距离,(x,y)表示特征点的位置坐标。
S3552、对集合S中的欧氏距离值按由小至大的顺序进行排序,若欧氏距离值小于预设的距离阈值,且该特征点的判断指标为0,则确定实测特征点集中特征点i与样板特征点集中对应特征点j为相同特征点对,否则,继续对下一个欧氏距离值进行判断,直至找到一对相同特征点对,若欧氏距离值大于预设的距离阈值,则不存在相同特征点对。
S3553、对实测特征点集中所有特征点进行相同特征点的搜索,记录所有相同特征点对的数量,计算实测子区域图像与样板子区域图像的相似度值,若相似度值大于预设近似值,则判定该实测子区域图像不存在缺陷,若相似度值小于预测近似值,则对该实测子区域图像进行二级缺陷检测,相似度计算公式为:
式中,F表示相似度,g表示相同特征点对的数量。
S356、对存在局部缺陷的实测子区域图像进行二层网格划分,并对块区域的纹理进行二级缺陷检测,将检测结果作为纹理参数。
在本发明的描述中,对存在局部缺陷的实测子区域图像进行二层网格划分,并对块区域的纹理进行二级缺陷检测,将检测结果作为纹理参数包括以下步骤:
S3561、将实测子区域图像及样板子区域图像进行二层网格划分,划分为n*n个块区域,并按照坐标进行编号。
S3562、重新对每个实测块区域图像与样板块区域图像内存在的特征点进行提取与统计,分别记作实测块特征集与样板块特征集。
S3563、再次利用组合数学模型计算实测块特征集与样板块特征集之间的判断指标与欧氏距离,将计算结果组建为集合U,并在集合U中依次寻找精准特征点对,最终计算精准特征点对的相似度值。
S3564、若实测块区域图像内的精准特征点对的相似度值小于等于精准近似值,则判定该实测块区域存在纹理缺陷,并记录坐标编号,若实测块区域图像内的精准特征点对的相似度值大于精准近似值,则判定该实测块区域不存在纹理缺陷。
S3565、统计地毯实测图像中存在的缺陷数量及其坐标编号,作为该地毯的纹理参数。
S4、利用张紧装置对地毯进行伸拉,并利用多相机模组定时拍摄。
在本发明的描述中,安装张紧装置并调整合适的张力,使地毯在伸拉过程中保持均匀的张力。准备好多相机模组,包括主视角相机和四目视觉相机,确保它们能够同步拍摄,并设置好适当的拍摄参数。通过设置定时器或控制软件,实现多相机模组在固定的时间间隔内进行拍摄。可以根据需要设置拍摄频率,例如每隔一段时间拍摄一张图片。
S5、获取定时拍摄得到的多组定时图像集,并按拍摄时间标定次序。
S6、分别利用原始图像集与定时图像集构建不同时间点的地毯模型。
在本发明的描述中,分别利用原始图像集与定时图像集构建不同时间点的地毯模型包括以下步骤:
S61、分别提取原始图像集与多组定时图像集中由四目立体相机拍摄得到的四张地毯倾斜图像。
S62、对四张地毯倾斜图像进行立体匹配获取视差图,依据视差图将地毯倾斜图像中的像素点转换为三维空间中的点云数据。
根据相机参数和视差图,将每个像素点的视差值转换为三维空间中的点坐标。使用三角测量法或其他的立体视觉算法,将视差值转换为深度值,并结合相机参数计算出三维坐标。对得到的点云数据进行处理和滤波,去除噪点和无效数据,并进行点云的配准、重建等操作,以得到更准确的地毯三维模型。
S63、将四个视角的点云数据进行融合,得到地毯点云模型。
S64、将地毯点云模型中的点云数据进行网格化转换为地毯模型。
S65、将由原始图像集构建的地毯模型作为原始地毯模型,由不同时间点的定时图像集构建的地毯模型作为形变地毯模型。
S7、分析计算地毯模型变化,对地毯结构与性能进行缺陷检测。
在本发明的描述中,分析计算地毯模型变化,对地毯结构与性能进行缺陷检测包括以下步骤:
S71、将原始地毯模型与形变地毯模型导入统一参考坐标系,并对原始地毯模型与不同时间点的形变地毯模型进行点云配准。
S72、提取地毯模型在不同时间点、不同张紧压力下的特征变化。
在本发明的描述中,提取地毯模型在不同时间点、不同张紧压力下的特征变化包括以下步骤:
S721、获取原始地毯模型及多个不同时间点的形变地毯模型之间的表面曲率与法向量变化,作为形状变化特征。
S722、分析原始地毯模型及多个不同时间点的形变地毯模型之间的点云数据的位移向量,作为位移变化特征。
S723、计算原始地毯模型及多个不同时间点的形变地毯模型的网格模型的扭曲度与拉伸度,作为形变变化特征。
S73、依据地毯模型的特征变化效果,构建原始地毯模型与T个形变地毯模型按时间变化的动态可视化展示动画。
S74、将原始地毯模型随时间与张紧压力变化的特征变化值作为地毯的结构与性能参数。
S8、综合分析地毯的缺陷检测结果,输出地毯质量评估报告。
在本发明的描述中,在综合分析地毯的缺陷检测结果之后,生成地毯质量评估报告,该报告提供了对地毯质量的综合评估和详细描述。以下是一些包含在地毯质量评估报告中的内容:
地毯尺寸评估:对地毯尺寸进行测量和比对,包括长度、宽度和厚度等方面的评估,以判断地毯是否符合规格要求。
颜色缺陷评估:根据颜色检测的结果,评估地毯的颜色是否均匀、饱满,并与地毯样板的颜色进行对比,判断是否存在颜色缺陷。
纹理缺陷评估:根据纹理检测的结果,评估地毯的纹理是否清晰、连续,并与地毯样板的纹理进行对比,判断是否存在纹理缺陷。
结构缺陷评估:根据地毯模型分析的结果,评估地毯的结构是否完整、均匀,并检测地毯中是否存在结构性缺陷,如断裂、断纱、松散等问题。
性能缺陷评估:根据地毯性能检测的结果,评估地毯的性能指标,如耐磨性、耐拉性等,判断是否存在性能缺陷。
综合评估与建议:根据以上评估结果,对地毯的整体质量进行综合评估,并提供相关建议,如维修、更换或改进措施,以提高地毯的质量和性能。
请参阅图2,在另一个实施例中,还提供了一种基于视觉检测的地毯缺陷检测系统,该系统包括以下组成:
多相机模组1,用于提供主视角与四视角视觉向对处于目标区域的地毯进行全方位的拍摄,获取高精度的多角度地毯图像。
地毯检测平台2,用于实现地毯的输送与定位,将地毯放置在拍摄的目标区域,提供高清高亮的拍摄环境。
地毯张紧装置3,用于对地毯两侧进行夹紧拉伸,线性改变张紧拉力对地毯进行线性伸张。
数据处理系统4,用于获取多相机模组1拍摄的图像集并进行图像数据的缓存与存储,记录地毯检测图像数据与缺陷记录。
核心运算系统5,用于对地毯进行综合运算,利用主视角图像进行地毯尺寸、颜色及纹理的缺陷检测,利用四目图像集进行地毯结构与性能的缺陷检测,并根据检测结果输出综合检测报告。
综上所述,借助于本发明的上述技术方案,通过设定多相机模组对地毯进行多角度拍摄,可以获取更全面、丰富的地毯图像信息,提高缺陷检测的准确性和可靠性,配合定时拍摄的图像集构建不同时间点、不同张紧压力下的地毯模型,可以分析地毯的变化情况,实现对地毯结构与性能的缺陷检测,利用动态的分析方式能够更准确地检测地毯的缺陷,包括隐蔽的和时间依赖性的缺陷,从而有效提高地毯缺陷检测的精确性,进而提供全面的地毯质量信息,帮助制造商和消费者做出准确的决策。通过对地毯实测图像与地毯样板图像进行网格化处理,利用分级检测定位的方式对地毯尺寸、颜色及纹理进行检测,能够对地毯颜色和纹理进行更加精细和准确的检测,每个网格区域可以进行独立的颜色和纹理分析,提高了检测的精度和可靠性,并且能够捕捉到地毯图像中的细微差异和纹理变化,即使是小尺寸的缺陷或纹理错位也能够被准确地检测出来,提高了对地毯质量的评估能力,另外通过网格划分可以对地毯图像中的不同区域进行定位,从而能够准确地确定地毯中存在缺陷的具体位置。这有助于制造商或质检人员快速定位和处理缺陷。通过构建地毯三维模型,利用不同时间点下三维模型的变化实现地毯的动态缺陷检测,能够实时监测地毯在不同时间点下的变化,通过对比地毯三维模型的差异,能够快速、准确地检测地毯的动态缺陷,相比传统的静态缺陷检测方法,动态检测能够更全面地评估地毯的质量和性能,并且可以提前发现潜在的结构缺陷或性能退化问题,有助于制造商在地毯生产过程中及时调整或修复,避免质量问题扩大化,提高地毯的可靠性和耐久性;此外,还有助于制造商和质检人员更全面地评估地毯的质量,改进生产工艺和材料选择。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (7)
1.一种基于视觉检测的地毯缺陷检测方法,其特征在于,该方法包括以下步骤:
S1、利用多相机模组对目标区域内地毯进行多角度同步拍摄;
S2、获取首次拍摄得到的多张多角度图像,作为原始图像集;
S3、利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测;
S4、利用张紧装置对地毯进行伸拉,并利用多相机模组定时拍摄;
S5、获取定时拍摄得到的多组定时图像集,并按拍摄时间标定次序;
S6、分别利用原始图像集与定时图像集构建不同时间点的地毯模型;
S7、分析计算地毯模型变化,对地毯结构与性能进行缺陷检测;
S8、综合分析地毯的缺陷检测结果,输出地毯质量评估报告;
所述利用原始图像集对地毯尺寸、颜色及纹理进行缺陷检测包括以下步骤:
S31、抽取所述原始图像集中由主视角相机拍摄得到的主视图像;
S32、对所述主视图像进行预处理,并对地毯外轮廓进行识别与分割;
S33、获取分割出的地毯实测图像,并获取地毯样板图像与样板参数;
S34、依据所述样板参数对所述地毯实测图像的尺寸参数进行检测;
S35、分别对所述地毯实测图像与所述地毯样板图像进行网格划分,利用分级检测定位的方式对地毯颜色及纹理进行检测;
所述分别利用原始图像集与定时图像集构建不同时间点的地毯模型包括以下步骤:
S61、分别提取所述原始图像集与多组所述定时图像集中由四目立体相机拍摄得到的四张地毯倾斜图像;
S62、对四张所述地毯倾斜图像进行立体匹配获取视差图,依据所述视差图将所述地毯倾斜图像中的像素点转换为三维空间中的点云数据;
S63、将四个视角的所述点云数据进行融合,得到地毯点云模型;
S64、将所述地毯点云模型中的点云数据进行网格化转换为地毯模型;
S65、将由所述原始图像集构建的地毯模型作为原始地毯模型,由不同时间点的所述定时图像集构建的地毯模型作为形变地毯模型;
所述分析计算地毯模型变化,对地毯结构与性能进行缺陷检测包括以下步骤:
S71、将所述原始地毯模型与所述形变地毯模型导入统一参考坐标系,并对所述原始地毯模型与不同时间点的所述形变地毯模型进行点云配准;
S72、提取地毯模型在不同时间点、不同张紧压力下的特征变化;
S73、依据地毯模型的特征变化效果,构建所述原始地毯模型与T个所述形变地毯模型按时间变化的动态可视化展示动画;
S74、将所述原始地毯模型随时间与张紧压力变化的特征变化值作为地毯的结构与性能参数。
2.根据权利要求1所述的一种基于视觉检测的地毯缺陷检测方法,其特征在于:所述分别对所述地毯实测图像与所述地毯样板图像进行网格划分,利用分级检测定位的方式对地毯颜色及纹理进行检测包括以下步骤:
S351、分别以所述地毯实测图像与所述地毯样板图像的中点为坐标原点,对地毯进行一层网格划分,划分m*m个子区域,并按照坐标进行编号;
S352、利用彩色图像分割算法对实测子区域图像与样板子区域图像进行边缘检测与区域分割,并提取各个分割区域的RGB值;
S353、将所述实测子区域图像内各个分割区域的RGB值与所述样板子区域图像内各个分割区域的RGB值进行对比,若RGB比值大于色彩阈值,则判定该分割区域为颜色缺陷区域,并统计所述地毯实测图像内所有颜色缺陷区域的数量以及所有分割区域RGB比值的平均值,作为颜色参数;
S354、提取所述样板子区域图像内各分割区域边缘的特征点,作为该样板子区域图像的样板特征点集,再提取所述实测子区域图像内各分割区域边缘的特征点,作为该实测子区域的实测特征点集;
S355、依据所述样板特征点集与所述实测特征点集,进行所述实测子区域图像纹理的初级缺陷检测,判断该实测子区域图像是否存在局部缺陷;
S356、对存在局部缺陷的所述实测子区域图像进行二层网格划分,并对块区域的纹理进行二级缺陷检测,将检测结果作为纹理参数。
3.根据权利要求2所述的一种基于视觉检测的地毯缺陷检测方法,其特征在于:所述依据所述样板特征点集与所述实测特征点集,进行所述实测子区域图像纹理的初级缺陷检测,判断该实测子区域图像是否存在局部缺陷包括以下步骤:
S3551、利用组合数学模型计算所述样板特征点集与所述实测特征点集中所有特征点的判断指标与欧氏距离,并将计算结果组建为集合S;
S3552、对所述集合S中的欧氏距离值按由小至大的顺序进行排序,若欧氏距离值小于预设的距离阈值,且该特征点的判断指标为0,则确定实测特征点集中特征点i与样板特征点集中对应特征点j为相同特征点对,否则,继续对下一个欧氏距离值进行判断,直至找到一对相同特征点对,若欧氏距离值大于预设的距离阈值,则不存在相同特征点对;
S3553、对所述实测特征点集中所有特征点进行相同特征点的搜索,记录所有所述相同特征点对的数量,计算所述实测子区域图像与所述样板子区域图像的相似度值,若相似度值大于预设近似值,则判定该实测子区域图像不存在缺陷,若相似度值小于预测近似值,则对该实测子区域图像进行二级缺陷检测,相似度计算公式为:
;
式中,F表示相似度;
g表示相同特征点对的数量;
M表示实测特征点集中所有特征点的数量;
N表示样板特征点集中所有特征点的数量。
4.根据权利要求3所述的一种基于视觉检测的地毯缺陷检测方法,其特征在于:所述组合数学模型的计算公式为:
;
式中,S表示集合S;
表示实测特征点集中特征点i与样板特征点集中特征点j是否对应的判断指标,若两个特征点相对应,则该值为0;
d表示特征点的类型,包括端点与交叉点;
M表示实测特征点集中所有特征点的数量;
N表示样板特征点集中所有特征点的数量;
a ij 表示实测特征点集中特征点i与样板特征点集中对应特征点j之间的欧氏距离;
(x,y)表示特征点的位置坐标。
5.根据权利要求4所述的一种基于视觉检测的地毯缺陷检测方法,其特征在于:所述对存在局部缺陷的所述实测子区域图像进行二层网格划分,并对块区域的纹理进行二级缺陷检测,将检测结果作为纹理参数包括以下步骤:
S3561、将所述实测子区域图像及所述样板子区域图像进行二层网格划分,划分为n*n个块区域,并按照坐标进行编号;
S3562、重新对每个实测块区域图像与样板块区域图像内存在的特征点进行提取与统计,分别记作实测块特征集与样板块特征集;
S3563、再次利用所述组合数学模型计算所述实测块特征集与所述样板块特征集之间的判断指标与欧氏距离,将计算结果组建为集合U,并在集合U中依次寻找精准特征点对,最终计算所述精准特征点对的相似度值;
S3564、若所述实测块区域图像内的精准特征点对的相似度值小于等于精准近似值,则判定该实测块区域存在纹理缺陷,并记录坐标编号,若所述实测块区域图像内的精准特征点对的相似度值大于精准近似值,则判定该实测块区域不存在纹理缺陷;
S3565、统计所述地毯实测图像中存在的缺陷数量及其坐标编号,作为该地毯的纹理参数。
6.根据权利要求5所述的一种基于视觉检测的地毯缺陷检测方法,其特征在于:所述提取地毯模型在不同时间点、不同张紧压力下的特征变化包括以下步骤:
S721、获取所述原始地毯模型及多个不同时间点的所述形变地毯模型之间的表面曲率与法向量变化,作为形状变化特征;
S722、分析所述原始地毯模型及多个不同时间点的所述形变地毯模型之间的点云数据的位移向量,作为位移变化特征;
S723、计算所述原始地毯模型及多个不同时间点的所述形变地毯模型的网格模型的扭曲度与拉伸度,作为形变变化特征。
7.一种基于视觉检测的地毯缺陷检测系统,用于实现权利要求1-6中任一项所述一种基于视觉检测的地毯缺陷检测方法,其特征在于:该系统包括以下组成:
多相机模组,用于提供主视角与四视角视觉向对处于目标区域的地毯进行全方位的拍摄,获取高精度的多角度地毯图像;
地毯检测平台,用于实现地毯的输送与定位,将地毯放置在拍摄的目标区域,提供高清高亮的拍摄环境;
地毯张紧装置,用于对地毯两侧进行夹紧拉伸,线性改变张紧拉力对地毯进行线性伸张;
数据处理系统,用于获取所述多相机模组拍摄的图像集并进行图像数据的缓存与存储,记录地毯检测图像数据与缺陷记录;
核心运算系统,用于对地毯进行综合运算,利用主视角图像进行地毯尺寸、颜色及纹理的缺陷检测,利用四目图像集进行地毯结构与性能的缺陷检测,并根据检测结果输出综合检测报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310717962.8A CN116818664B (zh) | 2023-06-16 | 2023-06-16 | 一种基于视觉检测的地毯缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310717962.8A CN116818664B (zh) | 2023-06-16 | 2023-06-16 | 一种基于视觉检测的地毯缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116818664A CN116818664A (zh) | 2023-09-29 |
CN116818664B true CN116818664B (zh) | 2024-03-12 |
Family
ID=88113915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310717962.8A Active CN116818664B (zh) | 2023-06-16 | 2023-06-16 | 一种基于视觉检测的地毯缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116818664B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609037A (zh) * | 2019-07-12 | 2019-12-24 | 北京旷视科技有限公司 | 产品缺陷检测系统及方法 |
CN111507976A (zh) * | 2020-04-28 | 2020-08-07 | 浙江省北大信息技术高等研究院 | 基于多角度成像的缺陷检测方法及系统 |
CN112381827A (zh) * | 2021-01-15 | 2021-02-19 | 中科慧远视觉技术(北京)有限公司 | 基于视觉图像的快速高精度缺陷检测方法 |
WO2022199545A1 (zh) * | 2021-03-23 | 2022-09-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN115689990A (zh) * | 2022-08-26 | 2023-02-03 | 常州星宇车灯股份有限公司 | 一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备 |
CN115953348A (zh) * | 2023-01-09 | 2023-04-11 | 江苏多来运纺织有限公司 | 一种基于视觉检测的地毯缺陷检测方法及系统 |
-
2023
- 2023-06-16 CN CN202310717962.8A patent/CN116818664B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609037A (zh) * | 2019-07-12 | 2019-12-24 | 北京旷视科技有限公司 | 产品缺陷检测系统及方法 |
CN111507976A (zh) * | 2020-04-28 | 2020-08-07 | 浙江省北大信息技术高等研究院 | 基于多角度成像的缺陷检测方法及系统 |
CN112381827A (zh) * | 2021-01-15 | 2021-02-19 | 中科慧远视觉技术(北京)有限公司 | 基于视觉图像的快速高精度缺陷检测方法 |
WO2022199545A1 (zh) * | 2021-03-23 | 2022-09-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN115689990A (zh) * | 2022-08-26 | 2023-02-03 | 常州星宇车灯股份有限公司 | 一种基于机器视觉的地毯灯杂光缺陷智能检测算法及设备 |
CN115953348A (zh) * | 2023-01-09 | 2023-04-11 | 江苏多来运纺织有限公司 | 一种基于视觉检测的地毯缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116818664A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN108090894B (zh) | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN110110646B (zh) | 一种基于深度学习的手势图像关键帧提取方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
JP2014503789A (ja) | タイヤのトレッドデザインを形成する基本的パターンを識別すると共に規定する方法 | |
WO2008030297A1 (en) | Apparatus and methods for two-dimensional and three-dimensional inspection of a workpiece | |
WO2008051364A2 (en) | Method for using image depth information | |
CN107966444B (zh) | 基于模板的纺织品瑕疵检测方法 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN111353997B (zh) | 一种基于条纹投影的实时三维面型缺陷检测方法 | |
CN109813725A (zh) | 一种大尺寸胶水缺陷检测方法 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN113989353A (zh) | 一种猪只背膘厚度测定方法及系统 | |
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 | |
CN116818664B (zh) | 一种基于视觉检测的地毯缺陷检测方法及系统 | |
CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
CN117576014A (zh) | 陶瓷基板质量检测方法、系统、电子设备及存储介质 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN112669321B (zh) | 一种基于特征提取及算法分类的喷砂不均检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |