CN116843688A - 一种纺织品质量视觉检测方法 - Google Patents
一种纺织品质量视觉检测方法 Download PDFInfo
- Publication number
- CN116843688A CN116843688A CN202311119538.XA CN202311119538A CN116843688A CN 116843688 A CN116843688 A CN 116843688A CN 202311119538 A CN202311119538 A CN 202311119538A CN 116843688 A CN116843688 A CN 116843688A
- Authority
- CN
- China
- Prior art keywords
- image
- textile
- image block
- 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
Links
- 239000004753 textile Substances 0.000 title claims abstract description 137
- 238000001514 detection method Methods 0.000 title abstract description 12
- 230000000007 visual effect Effects 0.000 title abstract description 6
- 230000007547 defect Effects 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 46
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000002950 deficient Effects 0.000 claims description 11
- 238000011179 visual inspection Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种纺织品质量视觉检测方法,包括:获取纺织品灰度图像;对纺织品灰度图像进行分块处理,获取纺织品灰度图像的主纹理方向;获取每个图像块的目标程度和规律性;根据图像块的目标程度和规律性得到图像块的异常程度,根据图像块的异常程度得到纺织品的缺陷区域。本发明避免了由于纺织物自身背景颜色复杂性而导致的缺陷检测困难的问题,减少干扰项的影响,可以更好地区分出纺织品上真正的缺陷。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种纺织品质量视觉检测方法。
背景技术
纺织品中的缺陷(如疵点、污渍、破洞等)会导致产品质量下降,影响外观和性能。纺织品质量检测可以保证可以帮助生产厂家确保产品的一致性和质量标准,及早检测和处理纺织品中的缺陷可以有效地减少残次品的产生,从而节约原材料和生产成本。视觉质量检测方法可以高效地检测和定位这些缺陷,对于保证产品质量、降低成本、提高用户满意度、推动生产自动化等方面具有重要的意义。
对于复杂颜色背景下的纺织品,由于布料本身各区域颜色的不同,会对纺织物纹理特征的提取和分析造成干扰。如果纺织物的背景颜色过于复杂,缺陷区域附近的灰度变化,与不同颜色背景边缘附近的灰度变化相似,均会导致在缺陷检测过程中难以对缺陷区域进行有效的区分。
发明内容
为了解决上述问题,本发明提供一种纺织品质量视觉检测方法,所述方法包括:
获取纺织品灰度图像;
对纺织品灰度图像进行分块处理,得到若干个图像块;获取每个图像块上边缘以及左侧边缘的局部高亮点;根据所有图像块上边缘以及左侧边缘的局部高亮点得到纺织品灰度图像的主纹理方向;将纺织品灰度图像的主纹理方向的垂直方向记为纺织品灰度图像的垂直纹理方向;
将任意一个图像块记为目标图像块,根据主纹理方向和垂直纹理方向得到沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列;根据沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列得到目标图像块的目标程度;获取沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值;根据沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值得到目标图像块的规律性;根据目标图像块的目标程度和目标图像块的规律性得到目标图像块的异常程度;
以此类推,获得所有图像块的异常程度,根据所有图像块的异常程度得到纺织品的缺陷区域。
优选的,所述对纺织品灰度图像进行分块处理,得到若干个图像块,包括的具体步骤如下:
预设图像块的大小为,图像块从纺织品灰度图像的左上角开始滑动,滑动步
长为,直至纺织品灰度图像的右下角停止,获取纺织品灰度图像中的所有图像块。
优选的,所述获取每个图像块上边缘以及左侧边缘的局部高亮点,包括的具体步骤如下:
对于纺织品灰度图像中的任意一个图像块,获取图像块的上边缘以及左侧边缘的
所有像素点,得到图像块上边缘像素点序列和图像块左侧边缘像素点序列;对于图像块上
边缘像素点序列中的第个像素点,若像素点在图像块上边缘像素点序列的位置关系
为,且的灰度值是最大值,并且的灰度值与中最小灰度值的差值大于预设参数,将像素点作为图像块上边缘
的局部高亮点,同理,得到图像块上边缘以及左侧边缘的所有局部高亮点。
优选的,所述根据所有图像块上边缘以及左侧边缘的局部高亮点得到纺织品灰度图像的主纹理方向,包括的具体步骤如下:
式中,表示纺织品灰度图像的主纹理方向;表示纺织品灰度图像的图像块的个
数;表示第个图像块上边缘的局部高亮点的个数;表示第个图像块左侧边缘的局部
高亮点的个数;表示纺织品灰度图像上所有局部高亮点的梯度方向的法向量方向均值;为反正切函数。
优选的,所述根据主纹理方向和垂直纹理方向得到沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列,包括的具体步骤如下:
记纺织品灰度图像的主纹理方向为,记垂直纹理方向为,对于纺织品灰度图
像的第个图像块,分别采取沿方向的直线与沿方向的直线与第个图像块相交,遍历
第个图像块,记沿方向的直线与第个图像块相交的第个像素点列中像素点序列为:,其中为第列像素点的个数;记沿方向的直线与第个图像块相交的第个
像素点列中像素点序列为:,同理,获得沿方向的直线与第个图像块相交的
所有像素点列;获得沿方向的直线与第个图像块相交的所有像素点列。
优选的,所述根据沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列得到目标图像块的目标程度,包括的具体步骤如下:
第个图像块的目标程度的计算表达式为:
式中,表示第个图像块的目标程度;表示沿方向的直线与第个图像块相
交的像素点列的个数;表示沿方向的直线与第个图像块相交的第个像素点列中像
素点个数;表示沿方向的直线与第个图像块相交的第个像素点列中所有
像素点的灰度值差值的方差,第个像素点列中每个像素点的灰度值差值是每个像素点
与相邻下一个像素点的灰度值的差值;表示沿方向的直线与第个图像块相交的第
个像素点列中像素点个数;表示沿方向的直线与第个图像块相交的第
个像素点列中所有像素点的灰度值差值的方差,第个像素点列中每个像素点的灰度值差
值是每个像素点与相邻下一个像素点的灰度值的差值;为取方差函数,其中,表示
主纹理方向,表示垂直纹理方向。
优选的,所述获取沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值,包括的具体步骤如下:
获取沿方向的直线与第个图像块相交的所有像素点列的局部高亮点,对于沿方向的直线与第个图像块相交的第像素点列中的第个局部高亮点,获取关于局
部高亮点中心对称的所有局部高亮点对,将局部高亮点对中每个局部高亮点与局部高
亮点的欧式距离的和记为局部高亮点对与局部高亮点的距离,将与局部高亮点的距离最小的预设参数个局部高亮点对作为局部高亮点的相邻高亮点对,将每
个相邻高亮点对中每个局部高亮点与局部高亮点的欧式距离的差值的绝对值记为局
部高亮点的邻域距离对称差值,共获得局部高亮点的个邻域距离对称差值,其
中,表示主纹理方向。
优选的,所述根据沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值得到目标图像块的规律性,包括的具体步骤如下:
对于沿方向的直线与第个图像块相交的第像素点列中的第个局部高亮点,将局部高亮点的所有邻域距离对称差值的均值记为局部高亮点的规律性,
同理,获得第个图像块的所有局部高亮点的规律性,取第个图像块的所有局部高亮点的
规律性的均值作为第个图像块的规律性,其中,表示主纹理方向。
优选的,所述根据目标图像块的目标程度和目标图像块的规律性得到目标图像块的异常程度,包括的具体步骤如下:
对于第个图像块,利用第个图像块的规律性对第个图像块的目标程度进行加
权得到第个图像块的异常程度,其计算表达式为:
式中,表示第个图像块的异常程度;表示第个图像块的规律性;表示第
个图像块的规律性;为线性归一化函数;表示以自然常数为底数的指数函数。
优选的,所述根据所有图像块的异常程度得到纺织品的缺陷区域,包括的具体步骤如下:
预设一个阈值,对于纺织品灰度图像的任意一个图像块,若图像块的异常程度大
于等于阈值,则图像块存在缺陷;同理,获得所有存在缺陷的图像块,根据图像块在纺织品
灰度图像上的位置,确定出纺织品缺陷位置。
本发明的技术方案的有益效果是:针对纺织物的背景颜色过于复杂,缺陷区域附近的灰度变化,与不同颜色背景边缘附近的灰度变化相似,均会导致在缺陷检测过程中难以对缺陷区域进行有效的区分的问题,本发明考虑缺陷区域与正常区域纹理特征的区别,计算纹理方向上的灰度变化以及不同区域的规律性差异,赋予了不同区域以不同的异常程度,多重颜色影响的基础上,避免了由于纺织物自身背景颜色复杂性而导致的缺陷检测困难的问题,减少干扰项的影响,可以更好地区分出纺织品上真正的缺陷。
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为本发明一种纺织品质量视觉检测方法的步骤流程图。
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一种纺织品质量视觉检测方法,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的一种纺织品质量视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种纺织品质量视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取纺织品灰度图像。
具体的,首先,使用高分辨率的数码相机或者扫描仪对纺织品表面进行图像采集得到纺织品图像;其次,对纺织品图像进行灰度化;最后,对灰度化后的纺织品图像进行预处理操作,得到纺织品灰度图像。
所述预处理操作包括去除噪声、图像增强;去除噪声采用中值滤波器的方法,图像增强采用直方图均衡化的方法;其中,中值滤波和直方图均衡化为现有技术,此处不做过多赘述。
至此,获得纺织品灰度图像。
步骤S002:对纺织品灰度图像进行分块处理,获取纺织品灰度图像的主纹理方向。
需要说明的时,对于复杂颜色背景下的纺织品,由于布料本身各区域颜色的不同,会对纺织品纹理特征的提取和分析造成干扰。因纺织品的背景颜色过于复杂,所以缺陷区域附近的灰度变化,与不同颜色背景边缘附近的灰度变化相似,均会导致在缺陷检测过程中难以对缺陷区域进行有效的区分;但纺织品中通常会存在诸多纹理特质,故对纺织品灰度图像进行分块处理,进而可结合不同区域的规律性特征,并利用纺织品灰度图像沿不同方向上的纹理特征的差异,对缺陷区域与正常区域进行区分。
预设一个参数,其中本实施例以例进行叙述,本实施例不进行具体限定,
其中根据具体实施情况而定。
具体的,预设图像块的大小为,实施者可根据实际情况进行调整,在此不进
行限定。图像块从纺织品灰度图像的左上角开始滑动,其滑动步长为,直至纺织品灰度图
像的右下角停止。其中,图像块的大小设置要结合纺织品灰度图像的大小,使的纺织品灰度
图像中的图像块为整数个,且图像块可将纺织品灰度图像完整划分。对于特殊情况为纺织
品灰度图像中的边界像素点无法构成图像块,则将边界像素点的图像块与其他图像块进行
叠加。至此,获取纺织品灰度图像中的所有图像块。
需要说明的是,由于纺织品灰度图像本身所具有的纹理特征,在同一颜色背景下,
表现为一条较长的灰度较高的像素点线与一条较长的灰度较低的像素点线交替出现的情
况,所以其在水平与垂直水平方向上会有不同的表现情况,计算水平与垂直水平方向
上的局部灰度极大值点的个数,其比值可以近似表示纺织品灰度图像的主纹理方向。
预设一个参数,其中本实施例以例进行叙述,本实施例不进行具体限定,其
中根据具体实施情况而定。
具体的,对于纺织品灰度图像中的任意一个图像块,获取该图像块上边缘以及左
侧边缘的所有像素点,得到图像块上边缘像素点序列和图像块左侧边缘像素点序列;对于
图像块上边缘像素点序列中的第x个像素点,若像素点在图像块上边缘像素点序列的
位置关系为,且的灰度值是最大值,并的灰度值与其中最小灰
度值的差值大于,则将像素点作为局部高亮点,同理得到该图像块上边缘以及左侧边缘
的所有局部高亮点。
需要说明的是,在得到各图像块上边缘以及左侧边缘的局部高亮点的个数之后,
由于局部高亮点的个数与纺织品灰度图像的纹理线在水平与垂直水平方向的截距成反
比,纺织品灰度图像的主纹理方向的应为各个图像块局部高亮点个数之和,沿水平与垂
直水平方向上的比值,但最终方向会出现两个不同的角度,可以利用局部高亮点的梯度方
向进行判断,最终主纹理方向的正负应与各局部高亮点的梯度的法向量方向一致。
具体的,根据所有图像块上边缘以及左侧边缘的局部高亮点个数得到纺织品灰度图像的主纹理方向,其计算表达式为:
式中,表示纺织品灰度图像的主纹理方向;表示纺织品灰度图像的图像块的个
数;表示第个图像块上边缘的局部高亮点的个数;表示第个图像块左侧边缘的局部
高亮点的个数;表示纺织品灰度图像上所有局部高亮点的梯度方向的法向量方向均值;为反正切函数;其中,加1防止分母为零。将纺织品灰度图像的主纹理方向的垂直方
向记为纺织品灰度图像的垂直纹理方向。
至此,获得纺织品灰度图像的主纹理方向。
步骤S003:获取每个图像块的目标程度和规律性。
需要说明的是,利用各个图像块内部像素点的灰度变化情况,初步得到各个图像块的目标程度,但只考虑灰度变化是否均匀,无法对缺陷区域与灰度发生变化的染色区域边界进行有效的区分,但由于纺织品本身所固有的纹理特征,必然会出现某些特征点的规律性质,故利用其块内体现纹理特征的像素点的位置信息,计算各个图像块的规律性,利用其对各个图像块进行更加准确的异常程度评价。
1.获取图像块的目标程度。
需要说明的是,由纺织品本身的特征,对于正常的图像块而言,其沿主纹理方向的灰度变化较小,而垂直于纹理方向上的灰度变化会呈现出类似周期函数的波动;而对于可能存在缺陷的图像块,其内部的灰度值会受到斑块的影响,灰度变化会掩盖原本的纹理变化,在沿着纹理方向与垂直于纹理方向的灰度变化差异较小。在获得了各图像块沿主纹理方向上和垂直于纹理方向上的像素点列之后,采用相邻像素点灰度值之差的来计算沿主纹理方向上和垂直于纹理方向上的灰度变化,这样的计算会在一定程度上平滑掉不同背景颜色下的像素点,造成的灰度方差较大的情况。考虑沿主纹理方向上和垂直于纹理方向上像素点列的灰度变化差异,对于每个像素点列,计算每个像素点列上相邻像素点的灰度差的方差,以放大沿垂直于纹理方向上灰度变化情况,再利用各列像素点的个数作为权重,进而得到图像块内沿着纹理方向与垂直于纹理方向上灰度变化的程度值,其二者差的绝对值作为图像块的目标程度。
具体的,对于纺织品灰度图像的主纹理方向,记垂直纹理方向为,即;对于纺织品灰度图像的第个图像块,分别采取沿方向的直线与沿方向
的直线与第个图像块相交,遍历第个图像块,其中遍历步长为1个像素点,记沿方向的
直线与第个图像块相交的第个像素点列中像素点序列为:,其中为第列像
素点的个数;记沿方向的直线与该图像块相交的第个像素点列中像素点序列为:,其中为第列像素点的个数;则第个图像块的目标程度的计算表达式为:
式中,表示第个图像块的目标程度;表示沿方向的直线与第个图像块相
交的像素点列的个数;表示沿方向的直线与第个图像块相交的第个像素点列中像
素点个数;表示沿方向的直线与第个图像块相交的第个像素点列中所有
像素点的灰度值差值的方差,第个像素点列中每个像素点的灰度值差值是每个像素点
与相邻下一个像素点的灰度值的差值;表示沿方向的直线与第个图像块相交的第
个像素点列中像素点个数;表示沿方向的直线与第个图像块相交的第
个像素点列中所有像素点的灰度值差值的方差,第个像素点列中每个像素点的灰度值差
值是每个像素点与相邻下一个像素点的灰度值的差值;为取方差函数。
至此,获得图像块的目标程度。
2.获取图像块的规律性。
需要说明的是,获取图像块在纺织品灰度图像的主纹理方向所有的局部高亮点,分析这些点的位置分布,若图像块中出现与斑块或其他缺陷掩盖纹理的情况时,则图像块中局部高亮点的分布会出现紊乱,即对称位置的距离差会较大;所以对于图像块任意一个局部高亮点通过分析其邻近局部高亮点与其的位置关系,计算其四个方向对称位置对应的距离差,并在四个方向上的距离差取平均之后的值,作为该局部高亮点得规律性,进而获得图像块所有局部高亮点的规律性,取其均值作为图像块的规律性,其值越大,说明为异常区域的可能性越小。
预设一个参数,其中本实施例以例进行叙述,本实施例不进行具体限定,其
中根据具体实施情况而定。
具体的,通过步骤S002中的局部高亮点方法,得到沿方向的直线与第个图像块
相交的所有像素点列的局部高亮点,对于沿方向的直线与第个图像块相交的第像素点
列中的第个局部高亮点,获取关于局部高亮点中心对称的所有局部高亮点对,将
局部高亮点对中每个局部高亮点与局部高亮点的欧式距离的和记为局部高亮点对与
局部高亮点的距离,将与局部高亮点的距离最小的个局部高亮点对作为局部高
亮点的相邻高亮点对,将每个相邻高亮点对中每个局部高亮点与局部高亮点的欧
式距离的差值的绝对值记为局部高亮点的邻域距离对称差值,共获得局部高亮点
的个邻域距离对称差值。
将局部高亮点的所有邻域距离对称差值的均值记为局部高亮点的规律
性,同理,获得第个图像块的所有局部高亮点的规律性,取其均值作为第个图像块的规律
性。
至此,获得图像块的规律性。
步骤S004:根据图像块的目标程度和规律性得到图像块的异常程度,根据图像块的异常程度得到纺织品的缺陷区域。
具体的,对于第个图像块,利用第个图像块的规律性对第个图像块的目标程度
进行加权得到第个图像块的异常程度,其计算表达式为:
式中,表示第个图像块的异常程度;表示第个图像块的规律性;表示第
个图像块的规律性;为线性归一化函数;表示以自然常数为底数的指数函数。
同理,获得纺织品灰度图像的所有图像块的异常程度。
预设一个阈值,其中本实施例以例进行叙述,本实施例不进行具体限定,
其中根据具体实施情况而定。
根据纺织品灰度图像的所有图像块的异常程度,对于纺织品灰度图像的任意一个
图像块,其异常程度大于等于阈值,则该图像块存在缺陷;同理,获得所有存在缺陷的图像
块,根据图像块在纺织品灰度图像上的位置,确定出纺织品缺陷位置。
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 (10)
1.一种纺织品质量视觉检测方法,其特征在于,该方法包括以下步骤:
获取纺织品灰度图像;
对纺织品灰度图像进行分块处理,得到若干个图像块;获取每个图像块上边缘以及左侧边缘的局部高亮点;根据所有图像块上边缘以及左侧边缘的局部高亮点得到纺织品灰度图像的主纹理方向;将纺织品灰度图像的主纹理方向的垂直方向记为纺织品灰度图像的垂直纹理方向;
将任意一个图像块记为目标图像块,根据主纹理方向和垂直纹理方向得到沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列;根据沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列得到目标图像块的目标程度;获取沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值;根据沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值得到目标图像块的规律性;根据目标图像块的目标程度和目标图像块的规律性得到目标图像块的异常程度;
以此类推,获得所有图像块的异常程度,根据所有图像块的异常程度得到纺织品的缺陷区域。
2.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述对纺织品灰度图像进行分块处理,得到若干个图像块,包括的具体步骤如下:
预设图像块的大小为,图像块从纺织品灰度图像的左上角开始滑动,滑动步长为,直至纺织品灰度图像的右下角停止,获取纺织品灰度图像中的所有图像块。
3.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述获取每个图像块上边缘以及左侧边缘的局部高亮点,包括的具体步骤如下:
对于纺织品灰度图像中的任意一个图像块,获取图像块的上边缘以及左侧边缘的所有像素点,得到图像块上边缘像素点序列和图像块左侧边缘像素点序列;对于图像块上边缘像素点序列中的第个像素点/>,若像素点/>在图像块上边缘像素点序列的位置关系为,且/>的灰度值是最大值,并且/>的灰度值与/>中最小灰度值的差值大于预设参数/>,将像素点/>作为图像块上边缘的局部高亮点,同理,得到图像块上边缘以及左侧边缘的所有局部高亮点。
4.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述根据所有图像块上边缘以及左侧边缘的局部高亮点得到纺织品灰度图像的主纹理方向,包括的具体步骤如下:
式中,表示纺织品灰度图像的主纹理方向;/>表示纺织品灰度图像的图像块的个数;表示第/>个图像块上边缘的局部高亮点的个数;/>表示第/>个图像块左侧边缘的局部高亮点的个数;/>表示纺织品灰度图像上所有局部高亮点的梯度方向的法向量方向均值;为反正切函数。
5.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述根据主纹理方向和垂直纹理方向得到沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列,包括的具体步骤如下:
记纺织品灰度图像的主纹理方向为,记垂直纹理方向为/>,对于纺织品灰度图像的第个图像块,分别采取沿/>方向的直线与沿/>方向的直线与第/>个图像块相交,遍历第/>个图像块,记沿/>方向的直线与第/>个图像块相交的第/>个像素点列中像素点序列为:,其中/>为第/>列像素点的个数;记沿/>方向的直线与第/>个图像块相交的第/>个像素点列中像素点序列为:/>,同理,获得沿/>方向的直线与第/>个图像块相交的所有像素点列;获得沿/>方向的直线与第/>个图像块相交的所有像素点列。
6.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述根据沿纺织品灰度图像的主纹理方向和垂直纹理方向的直线与目标图像块相交的所有像素点列得到目标图像块的目标程度,包括的具体步骤如下:
第个图像块的目标程度的计算表达式为:
式中,表示第/>个图像块的目标程度;/>表示沿/>方向的直线与第/>个图像块相交的像素点列的个数;/>表示沿/>方向的直线与第/>个图像块相交的第/>个像素点列中像素点个数;/>表示沿/>方向的直线与第/>个图像块相交的第/>个像素点列中所有像素点的灰度值差值/>的方差,第/>个像素点列中每个像素点的灰度值差值/>是每个像素点与相邻下一个像素点的灰度值的差值;/>表示沿/>方向的直线与第/>个图像块相交的第/>个像素点列中像素点个数;/>表示沿/>方向的直线与第/>个图像块相交的第/>个像素点列中所有像素点的灰度值差值/>的方差,第/>个像素点列中每个像素点的灰度值差值/>是每个像素点与相邻下一个像素点的灰度值的差值;/>为取方差函数,其中,/>表示主纹理方向,/>表示垂直纹理方向。
7.根据权利要求3所述一种纺织品质量视觉检测方法,其特征在于,所述获取沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值,包括的具体步骤如下:
获取沿方向的直线与第/>个图像块相交的所有像素点列的局部高亮点,对于沿/>方向的直线与第/>个图像块相交的第/>像素点列中的第/>个局部高亮点/>,获取关于局部高亮点/>中心对称的所有局部高亮点对,将局部高亮点对中每个局部高亮点与局部高亮点的欧式距离的和记为局部高亮点对与局部高亮点/>的距离,将与局部高亮点/>的距离最小的预设参数/>个局部高亮点对作为局部高亮点/>的相邻高亮点对,将每个相邻高亮点对中每个局部高亮点与局部高亮点/>的欧式距离的差值的绝对值记为局部高亮点/>的邻域距离对称差值,共获得局部高亮点/>的/>个邻域距离对称差值,其中,/>表示主纹理方向。
8.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述根据沿纺织品灰度图像的主纹理方向的直线与目标图像块相交的所有像素点列的局部高亮点的邻域距离对称差值得到目标图像块的规律性,包括的具体步骤如下:
对于沿方向的直线与第/>个图像块相交的第/>像素点列中的第/>个局部高亮点/>,将局部高亮点/>的所有邻域距离对称差值的均值记为局部高亮点/>的规律性,同理,获得第/>个图像块的所有局部高亮点的规律性,取第/>个图像块的所有局部高亮点的规律性的均值作为第/>个图像块的规律性,其中,/>表示主纹理方向。
9.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述根据目标图像块的目标程度和目标图像块的规律性得到目标图像块的异常程度,包括的具体步骤如下:
对于第个图像块,利用第/>个图像块的规律性对第/>个图像块的目标程度进行加权得到第/>个图像块的异常程度,其计算表达式为:
式中,表示第/>个图像块的异常程度;/>表示第/>个图像块的规律性;/>表示第/>个图像块的规律性;/>为线性归一化函数;/>表示以自然常数为底数的指数函数。
10.根据权利要求1所述一种纺织品质量视觉检测方法,其特征在于,所述根据所有图像块的异常程度得到纺织品的缺陷区域,包括的具体步骤如下:
预设一个阈值,对于纺织品灰度图像的任意一个图像块,若图像块的异常程度大于等于阈值/>,则图像块存在缺陷;同理,获得所有存在缺陷的图像块,根据图像块在纺织品灰度图像上的位置,确定出纺织品缺陷位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119538.XA CN116843688B (zh) | 2023-09-01 | 2023-09-01 | 一种纺织品质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119538.XA CN116843688B (zh) | 2023-09-01 | 2023-09-01 | 一种纺织品质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843688A true CN116843688A (zh) | 2023-10-03 |
CN116843688B CN116843688B (zh) | 2023-11-24 |
Family
ID=88172853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311119538.XA Active CN116843688B (zh) | 2023-09-01 | 2023-09-01 | 一种纺织品质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843688B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058130A (zh) * | 2023-10-10 | 2023-11-14 | 威海威信光纤科技有限公司 | 一种光纤拉丝表面涂覆质量视觉检测方法 |
CN117058256A (zh) * | 2023-10-12 | 2023-11-14 | 临沂大学 | 一种基于机器视觉的玫瑰酱褐变度检测方法 |
CN117095067A (zh) * | 2023-10-17 | 2023-11-21 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117274722A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
CN117274250A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市金三维实业有限公司 | 一种手表底盖磨损缺陷视觉检测方法 |
CN117274820A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及系统 |
CN117274261A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市诺凌电子有限公司 | 基于机器视觉的光伏储能电箱连接器缺陷检测方法 |
CN117576104A (zh) * | 2024-01-17 | 2024-02-20 | 山东世纪阳光科技有限公司 | 一种提纯过程中超滤膜健康状态视觉检测方法 |
CN117764952A (zh) * | 2023-12-25 | 2024-03-26 | 卡尔德线缆(东莞)有限公司 | 一种视觉机器人用高速线缆质量检测方法 |
CN118014998A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN113643276A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
CN114693676A (zh) * | 2022-05-31 | 2022-07-01 | 南通市通州翔鹏纺织品有限公司 | 一种新材料纺织品漂白缺陷光学检测方法及装置 |
CN115311303A (zh) * | 2022-10-12 | 2022-11-08 | 南通富兰妮纺织品有限公司 | 一种纺织品经纬缺陷检测方法 |
CN115311286A (zh) * | 2022-10-12 | 2022-11-08 | 南通佳布鲁服装有限公司 | 一种染色纺织品的染色缺陷识别方法 |
CN115861310A (zh) * | 2023-02-23 | 2023-03-28 | 深圳市富安娜艺术家居有限公司 | 一种床单表面纺织缺陷检测方法 |
CN116152262A (zh) * | 2023-04-24 | 2023-05-23 | 东莞市群安塑胶实业有限公司 | 一种离子性中间膜外观缺陷检测方法 |
CN116523899A (zh) * | 2023-06-05 | 2023-08-01 | 如皋市金轶纺织有限公司 | 一种基于机器视觉的纺织品瑕疵检测方法及系统 |
CN116664557A (zh) * | 2023-07-28 | 2023-08-29 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
-
2023
- 2023-09-01 CN CN202311119538.XA patent/CN116843688B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
CN113643276A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于统计分析的纺织物纹理缺陷自动检测方法 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
CN114693676A (zh) * | 2022-05-31 | 2022-07-01 | 南通市通州翔鹏纺织品有限公司 | 一种新材料纺织品漂白缺陷光学检测方法及装置 |
CN115311303A (zh) * | 2022-10-12 | 2022-11-08 | 南通富兰妮纺织品有限公司 | 一种纺织品经纬缺陷检测方法 |
CN115311286A (zh) * | 2022-10-12 | 2022-11-08 | 南通佳布鲁服装有限公司 | 一种染色纺织品的染色缺陷识别方法 |
CN115861310A (zh) * | 2023-02-23 | 2023-03-28 | 深圳市富安娜艺术家居有限公司 | 一种床单表面纺织缺陷检测方法 |
CN116152262A (zh) * | 2023-04-24 | 2023-05-23 | 东莞市群安塑胶实业有限公司 | 一种离子性中间膜外观缺陷检测方法 |
CN116523899A (zh) * | 2023-06-05 | 2023-08-01 | 如皋市金轶纺织有限公司 | 一种基于机器视觉的纺织品瑕疵检测方法及系统 |
CN116664557A (zh) * | 2023-07-28 | 2023-08-29 | 无锡市明通动力工业有限公司 | 一种风机叶片表面缺陷视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
于海鹏;刘一星;刘镇波;: "应用数字图像处理技术实现木材纹理特征检测", 计算机应用研究, no. 04 * |
沈晶;杨学志;: "一种新的基于纹理分水岭的纺织品缺陷检测方法", 中国图象图形学报, no. 10 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058130B (zh) * | 2023-10-10 | 2024-01-09 | 威海威信光纤科技有限公司 | 一种光纤拉丝表面涂覆质量视觉检测方法 |
CN117058130A (zh) * | 2023-10-10 | 2023-11-14 | 威海威信光纤科技有限公司 | 一种光纤拉丝表面涂覆质量视觉检测方法 |
CN117058256A (zh) * | 2023-10-12 | 2023-11-14 | 临沂大学 | 一种基于机器视觉的玫瑰酱褐变度检测方法 |
CN117058256B (zh) * | 2023-10-12 | 2024-01-12 | 临沂大学 | 一种基于机器视觉的玫瑰酱褐变度检测方法 |
CN117095067A (zh) * | 2023-10-17 | 2023-11-21 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117095067B (zh) * | 2023-10-17 | 2024-02-02 | 山东虹纬纺织有限公司 | 基于人工智能的纺织品色差检测方法 |
CN117274820A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及系统 |
CN117274820B (zh) * | 2023-11-20 | 2024-03-08 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及系统 |
CN117274250A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市金三维实业有限公司 | 一种手表底盖磨损缺陷视觉检测方法 |
CN117274250B (zh) * | 2023-11-20 | 2024-03-29 | 深圳市金三维实业有限公司 | 一种手表底盖磨损缺陷视觉检测方法 |
CN117274722A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
CN117274722B (zh) * | 2023-11-21 | 2024-01-26 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
CN117274261B (zh) * | 2023-11-22 | 2024-02-27 | 深圳市诺凌电子有限公司 | 基于机器视觉的光伏储能电箱连接器缺陷检测方法 |
CN117274261A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市诺凌电子有限公司 | 基于机器视觉的光伏储能电箱连接器缺陷检测方法 |
CN117764952A (zh) * | 2023-12-25 | 2024-03-26 | 卡尔德线缆(东莞)有限公司 | 一种视觉机器人用高速线缆质量检测方法 |
CN117764952B (zh) * | 2023-12-25 | 2024-05-14 | 卡尔德线缆(东莞)有限公司 | 一种视觉机器人用高速线缆质量检测方法 |
CN117576104A (zh) * | 2024-01-17 | 2024-02-20 | 山东世纪阳光科技有限公司 | 一种提纯过程中超滤膜健康状态视觉检测方法 |
CN117576104B (zh) * | 2024-01-17 | 2024-06-07 | 山东世纪阳光科技有限公司 | 一种提纯过程中超滤膜健康状态视觉检测方法 |
CN118014998A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及系统 |
CN118014998B (zh) * | 2024-04-09 | 2024-06-11 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116843688B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
Samarawickrama et al. | Matlab based automated surface defect detection system for ceremic tiles using image processing | |
CN114820631B (zh) | 一种抗纹理干扰的面料缺陷检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN115330784A (zh) | 一种布匹表面缺陷检测方法 | |
CN117274248B (zh) | 一种布料印染瑕疵缺陷视觉检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN114693686B (zh) | 一种用于床单布匹污渍检测的方法 | |
CN113643290A (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN118071739B (zh) | 基于图像增强的色母粒着色视觉检测方法 | |
CN116805314B (zh) | 一种建筑工程质量评估方法 | |
CN117237346B (zh) | 一种用于布匹表面的叠纱瑕疵检测方法 |
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 |