CN116862917B - 一种纺织品表面质量检测方法及系统 - Google Patents
一种纺织品表面质量检测方法及系统 Download PDFInfo
- Publication number
- CN116862917B CN116862917B CN202311132800.4A CN202311132800A CN116862917B CN 116862917 B CN116862917 B CN 116862917B CN 202311132800 A CN202311132800 A CN 202311132800A CN 116862917 B CN116862917 B CN 116862917B
- Authority
- CN
- China
- Prior art keywords
- lbp
- image
- value
- obtaining
- quality
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title abstract description 12
- 239000004744 fabric Substances 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 56
- 239000000835 fiber Substances 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000036244 malformation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/10—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体涉及一种纺织品表面质量检测方法及系统，该方法获取起绒织物表面的灰度图像以得到增强图像，进而获取感兴趣区域图像；利用SIFT算法获取感兴趣区域图像中的多个极值点，获取增强图像中每个像素点的方向角，以获取每个极值点的LBP值，进而得到起伏角总体偏差和延展畸形指数；根据每个极值点的坐标和LBP值构建新特征函数；对新特征函数进行EMD分解得到多个IMF子信号，进而构建时频谱矩阵，计算时频谱矩阵的信息熵，结合信息熵、起伏角总体偏差和延展畸形指数得到绒面瑕疵指数，以确认起绒织物的质量。本发明提高了起绒织物表面的质量检测结果的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种纺织品表面质量检测方法及系统。
背景技术
起绒织物是指通过起绒方式进行整理，使织物表面具有绒层或绒状外形的织物。起绒是一种特殊的起毛加工处理工艺，对织物本身来讲，对织物进行起绒加工的目的在于改善织物的外观及设计风格，增加织物的经济价值；对人的穿着感受来讲，起绒加工的目的在于使织物表面增加绒质感和保暖性，让织物变得蓬松厚实、手感柔软，提高人的穿衣舒适度。
起绒织物由地组织和绒组织构成，绒组织主要在织物表面形成，绒组织的形成质量很大程度上取决于绒毛的分布状态，而通过对织物表面绒毛的检测具有随机性，以往的人力观察存在着较大的判断失误，因此目前采用计算机视觉技术可以提高检测的精确率。
目前，通过采集织物表面的绒毛图像，利用SIFT算法获取绒毛图像中绒毛特征，进而基于绒毛特征确认织物表面的质量，但是SIFT算法高度依赖局部区域的像素点的梯度，若区域的选取不合适，会导致计算出来的SIFT描述子有很大的误差，从而导致绒毛特征描述误差，降低检测精度。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种纺织品表面质量检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例中提供了一种纺织品表面质量检测方法，该方法包括以下步骤：
对起绒织物表面进行图像采集，得到起绒织物表面的灰度图像，对灰度图像进行增强得到增强图像；获取增强图像对应的感兴趣区域图像；
利用SIFT算法获取感兴趣区域图像中的多个极值点；在增强图像中，根据像素点周围的其他像素点的灰度值计算每个像素点的方向角；基于方向角获取每个极值点的LBP值，得到平均LBP值，利用每个极值点的LBP值与平均LBP值的差值计算突出纤维的起伏角总体偏差；将极值点的LBP值组成LBP序列，获取LBP序列中小于LBP阈值的LBP值组成局部LBP序列，结合LBP序列和局部LBP序列计算局部纤维的延展畸形指数；
以极值点的坐标为横坐标、对应的LBP值作为纵坐标分别构建LBP序列的第一特征函数和局部LBP序列的第二特征函数；利用小波变换分别获取第一特征函数的第一目标特征函数和第二特征函数的第二目标特征函数，将任意一个极值点的坐标同时输入第一目标特征函数和第二目标特征函数，得到对应极值点的LBP差值，以LBP差值为纵坐标、极值点的坐标为横坐标构建新特征函数；
对新特征函数进行EMD分解得到多个IMF子信号，获取每个IMF子信号的瞬时频率中值和瞬时幅值中值，以构建时频谱矩阵；计算时频谱矩阵的信息熵，结合信息熵、起伏角总体偏差和延展畸形指数得到绒面瑕疵指数，根据绒面瑕疵指数确认起绒织物的质量。
进一步的，所述感兴趣区域图像的获取方法，包括：
利用Soble算子获取增强图像的梯度图像，利用分水岭算法对梯度图像进行分割，得到突出纤维区域，根据所述突出纤维区域获得感兴趣区域掩膜；将感兴趣区域掩膜与增强图像相乘，得到感兴趣区域图像。
进一步的，所述根据像素点周围的其他像素点的灰度值计算每个像素点的方向角的方法，包括：
分别获取当前像素点的左邻像素点、右邻像素点、上邻像素点和下邻像素点，分别获取左邻像素点和右邻像素点的第一灰度值差值、上邻像素点和下邻像素点的第二灰度值差值，将以第二灰度值差值为分子、第一灰度值差值为分母的比值输入反正切函数，得到当前像素点的方向角。
进一步的，所述起伏角总体偏差的获取方法，包括：
计算每个极值点的LBP值与平均LBP值的差值平方，将差值平方的均值作为起伏角总体偏差。
进一步的，所述延展畸形指数的获取方法，包括：
利用DTW函数获取LBP序列和局部LBP序列的相似度作为延展畸形指数。
进一步的，所述绒面瑕疵指数的获取方法，包括：
获取以常数e为底数、起伏角总体偏差为幂指数的指数函数结果，将指数函数结果与延展畸形指数的相加结果乘以信息熵得到绒面瑕疵指数。
进一步的，所述根据绒面瑕疵指数确认起绒织物的质量的方法，包括：
设置优质阈值与容许阈值，所述优质阈值小于所述容许阈值；当绒面瑕疵指数小于优质阈值时，确认起绒织物为优质织物；当绒面瑕疵指数大于或等于优质阈值且小于或等于容许阈值时，确认起绒织物为合格织物；当绒面瑕疵指数小于容许阈值时，确认起绒织物为劣质织物。
进一步的，所述对灰度图像进行增强得到增强图像，包括：
利用直方图均衡化算法进行图像增强，获得所述增强图像。
进一步的，对灰度图像增强前还包括去噪处理。
第二方面，本发明实施例还提供了一种纺织品表面质量检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明实施例至少具有如下有益效果：通过对起绒织物表面进行图像采集，以获取突出纤维的感兴趣区域图像，由于SIFT算法是一种用来检测与描述图像中物体局部性特征的算法，该算法通过在尺度空间中寻找极值点并提取各个极值点的位置、尺度及旋转不变量，借以对物体的特征进行描述，因此利用SIFT算法获取感兴趣区域图像中的多个极值点，根据每个像素点的方向角计算每个极值点的LBP值，以通过分析分别获取突出纤维的起伏角总体偏差和局部纤维的延展畸形指数，用于表征起绒织物表面的分布状态；进而根据每个极值点的LBP值获取LBP序列和异常纤维对应的局部LBP序列，根据LBP序列和局部LBP序列的变化趋势构建新特征函数，用于准确度量起绒纤维的局部分布遮盖情况；对新特征函数进行HHT算法处理，以获取突出纤维对应的信息熵，然后通过结合突出纤维的起伏角总体偏差、局部纤维的延展畸形指数以及突出纤维对应的信息熵，获取更加严谨的质量检测结果。
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为本发明一个实施例提供的一种纺织品表面质量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表面质量检测方法及系统，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表面质量检测方法及系统的具体方案。
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表面质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，对起绒织物表面进行图像采集，得到起绒织物表面的灰度图像，对灰度图像进行增强得到增强图像；获取增强图像对应的感兴趣区域图像。
具体的，采用工业相机对起绒织物的表面进行图像采样，为减少采样时的背景干扰，将待测的起绒织物置于黑色背景中，得到起绒织物表面的彩色图像。将彩色图像进行灰度化，得到起绒织物表面的灰度图像，对灰度图像进行去噪，本方案中利用均值滤波对噪声进行滤除。由于绒毛外形细微，因此对去噪后的灰度图像进行图像增强，得到增强图像A，其中本方案中利用直方图均衡化进行图像增强。
需要说明的是，均值滤波和直方图均衡化均为公知技术，本方案不再赘述。
对起绒织物表面的增强图像A进行分析，起绒织物表面各处的绒毛分布形态各异，在增强图像A中，起绒织物表面的各处绒毛有的细长、有的稀疏、有的呈倒伏状，形态差异较大。从宏观上来说，绒毛是柔软细微的毛；从微观层面，绒毛由一根根起绒纤维构成，则本方案以起绒的纤维对绒毛特征进行细化。
由于分水岭算法对微弱边缘有着良好的响应，本方案利用分水岭算法进行增强图像进行图像分割以凸显多余的起绒织物表面的突出纤维：首先利用OTSU算法对增强图像A进行二值化，得到二值图像；利用Sobel算子对二值图像进行卷积运算，输出梯度图像；采用分水岭算法对梯度图像进行图像分割，得到起绒织物表面的分水岭图像B。分水岭图像B大概的凸显了突出纤维的位置，为精确识别与划分，根据分水岭图像中每条边缘线的长度，得到平均长度，将平均长度作为纤维长度均值，将长度比平均长度高的边缘线作为突出纤维，将分水岭图像B中的突出纤维作为感兴趣区域掩膜，用该感兴趣区域掩膜与增强图像A相乘得到感兴趣区域图像R，其中感兴趣区域图像中突出纤维对应像素点的灰度值保持不变，其他像素点的灰度值为0。
需要说明的是，OTSU算法、Sobel算子和分水岭算法都是公知技术，在这里不多赘述。
步骤S002，利用SIFT算法获取感兴趣区域图像中的多个极值点；在增强图像中，根据像素点周围的其他像素点的灰度值计算每个像素点的方向角；基于方向角获取每个极值点的LBP值，得到平均LBP值，利用每个极值点的LBP值与平均LBP值的差值计算突出纤维的起伏角总体偏差；将极值点的LBP值组成LBP序列，获取LBP序列中大于LBP阈值的LBP值组成局部LBP序列，结合LBP序列和局部LBP序列计算局部纤维的延展畸形指数。
具体的，为完成对极细微的起绒纤维的特征分析，利用SIFT算法获取感兴趣区域图像R中的多个极值点，将这些极值点作为起绒纤维的特征描述子，且这些极值点具有特征不变性的特点。
利用极值点对起绒纤维的特征进行分析：
首先，对于增强图像A中的每个像素点，根据像素点周围的其他像素点的灰度值计算每个像素点的方向角，则方向角的计算公式为：
其中，为增强图像中坐标为/>的像素点的方向角；/>为增强图像中坐标为/>的像素点的灰度值；/>为增强图像中坐标为的像素点的灰度值；/>为增强图像中坐标为/>的像素点的灰度值；/>为增强图像中坐标为/>的像素点的灰度值；/>为反正切函数。
通过分析像素点周围的其他像素点之间的灰度值差值，来反映对应像素点周围的灰度值变化，因此方向角体现了对应位置处的纤维方向。
然后，基于增强图像中每个像素点的方向角获取每个极值点的LBP值：任取一个极值点G，以G为中心选取3*3邻域进行分析，获取3*3邻域中方向角小于或等于极值点G的方向角的像素点，并令其的标记值为0，否则令标记值为1，对极值点G的标记值进行统计，得到八位的二进制数，将二进制数换算成10进制的数字，该数字即为极值点G的LBP值。
需要说明的是，LBP值的获取方法为公知技术，本方案不再详细赘述。
最后，考虑到纤维分布方向与织物性能的关系，即若某处织物表面的起绒纤维稀疏、杂乱、不规则，则起绒织物在该处的保暖性能会受很大影响，因此根据每个极值点的LBP值获取起绒织物表面中突出纤维的起伏角总体偏差，以用于描述来对起绒织物表面的多余纤维，则起伏角总体偏差的获取方法为：根据所有极值点的LBP值计算平均LBP值，计算每个极值点的LBP值与平均LBP值的差值平方，将差值平方的均值作为起伏角总体偏差。
需要说明的是，的值越大，起绒织物表面中的突出纤维的起伏程度越大，起绒织物表面上多余的突出纤维的分布方向越凌乱、越不规则，进而说明起绒织物的质量越差。
进一步的，若起绒织物的某处所对应的部分多余的突出纤维的方向过于偏离，那么该起绒织物从美观性上讲都是不合格的，因此本方案采用局部纤维的延展畸形指数这一特性进行突出纤维的特征分析：将每个极值点的LBP值按照在增强图像中的位置，从上到下、从左到右的方式组成LBP序列S；基于先验取LBP阈值，在LBP序列S中提取大于LBP阈值/>的LBP值，以组成局部LBP序列M，局部LBP序列M中每个LBP值对应的极值点的位置处的起伏角度及变化方向与其他位置相差甚远，故将局部LBP序列M对应的极值点作为异常方向的起绒纤维的特征描述子；对LBP序列S和局部LBP序列M使用动态时间规整算法（DTW）以获取局部纤维的延展畸形指数/>，则延展畸形指数/>的计算公式为，其中DTW算法为公知技术，本方案不再赘述。
需要说明的是，的值越大，说明突出纤维中存在异常方向的纤维与感兴趣区域中其他突出纤维的方向差异越大，突出纤维中存在异常方向的纤维越影响美观，则起绒织物的质量越差。
步骤S003，以极值点的坐标为横坐标、对应的LBP值作为纵坐标分别构建LBP序列的第一特征函数和局部LBP序列的第二特征函数；利用小波变换分别获取第一特征函数的第一目标特征函数和第二特征函数的第二目标特征函数，将任意一个极值点的坐标同时输入第一目标特征函数和第二目标特征函数，得到对应极值点的LBP差值，以LBP差值为纵坐标、极值点的坐标为横坐标构建新特征函数。
具体的，由于起绒织物表面的起绒纤维在局部的覆盖状况也是影响织物质量的重要因素，即覆盖的不全面、有长短绒和触感不柔顺，对应起绒织物的质量就低，因此本方案采用局部起绒遮覆不均性这一量度对起绒纤维的局部分布遮盖情况进行描述：为清晰的对局部遮盖情况进行分析，将总体上表征各个纤维变化情况的LBP序列用第一特征函数进行描述，即以各个极值点的坐标/>作为横坐标、对应的LBP值/>作为纵坐标构建第一特征函数，用于进行遮覆性方向的考虑；同理，将表征异常方向纤维的局部LBP序列M用第二特征函数/>进行描述，其中，/>是横坐标，也表示异常方向的极值点的坐标，/>是纵坐标，表示异常方向的极值点的LBP值。
为方便第一特征函数和第二特征函数/>的比较，利用小波变换分别将第一特征函数/>转换为第一目标特征函数/>，第二特征函数转换为第二目标特征函数/>，其中，小波变换是公知技术，在这里不多赘述。由于第一目标特征函数和第二目标特征函数的纵坐标表示的是极值点的LBP值，也就是起绒纤维的描述子在方向角的变化程度，因此将每个极值点的坐标分别输入第一目标特征函数和第二目标特征函数中，以统计每个极值点的纵坐标在这两个目标特征函数中的差异，将差异表示为：/>，其中/>为极值点/>的LBP差值，为极值点/>的坐标。
基于差异的表示方法，获取每个极值点的LBP差值，然后以LBP差值为纵坐标、极值点的坐标/>为横坐标构建新特征函数/>，该新特征函数描述了异常方向的极值点与整体极值点在方向角的变化程度的差异。
步骤S004，对新特征函数进行EMD分解得到多个IMF子信号，获取每个IMF子信号的瞬时频率中值和瞬时幅值中值，以构建时频谱矩阵；计算时频谱矩阵的信息熵，结合信息熵、起伏角总体偏差和延展畸形指数得到绒面瑕疵指数，根据绒面瑕疵指数确认起绒织物的质量。
具体的，为详细针对异常方向的极值点的方向角的瞬时变化差异进行分析，对新特征函数采用HHT算法进行处理，即对新特征函数/>进行EMD分解，由此获取一系列的IMF子信号并输出，EMD分解是公知技术，在这里不多赘述。分析每个IMF子信号，利用希尔伯特变换获取IMF子信号的瞬时频率和幅值，取每个IMF子信号的瞬时频率中值/>，用于表征对应IMF子信号的瞬时频率，取每个IMF子信号的幅值中值/>，用于表征对应IMF子信号的信号周期中的瞬时幅值，其中，希尔伯特变换是公知技术，在这里不多赘述。每个IMF子信号的瞬时频率中值和瞬时幅值中值构建时频谱，基于时频谱获取时频谱矩阵/>，时频谱矩阵的频谱信息表现了表征异常起绒纤维的极值点的LBP差值对应IMF子信号的频率-幅值的相关关系，时频谱矩阵的获取方法为公知技术，本方案不再赘述。
由于信息熵可进行非平稳程度、混乱程度的度量，因此对时频谱矩阵采用信息熵进行分析：由于时频谱矩阵中频率-幅值的对应关系变化不大，计算的信息熵的变化更是微小不计，因此采用划分区域的模式对时频谱矩阵进行细化讨论，即将时频谱矩阵按照从上到下、从左到右的空间顺序，平均划分为4个部分，计算每个部分的信息熵相加得到时频谱矩阵的信息熵/>，其中，信息熵的计算过程是公知技术，在这里不多赘述。
时频谱矩阵的信息熵从覆盖方向的层面上说明了遮覆不均程度，以结合起伏角总体偏差/>和延展畸形指数/>对局部起绒遮覆不均性/>进行计算：
起伏角总体偏差越大，说明突出纤维越大，对应起绒遮覆越差，则局部起绒遮覆不均性/>越大；延展畸形指数/>越大，说明起绒质量越差，对应局部起绒遮覆不均性越大；/>的值越大，说明突出处的起绒纤维在局部的分布越混乱、分散，局部起绒纤维越参差不齐，整齐程度越低，织物的质量越差。
将局部起绒遮覆不均性作为起绒织物的绒面瑕疵指数，基于先验取优质阈值与容许阈值/>，若绒面瑕疵指数小于优质阈值/>，则将对应起绒织物定义为优质织物；若绒面瑕疵指数在/>范围内，则将对应起绒织物定义为合格织物；其他情况下，将起绒织物定义为劣质织物，进而完成对起绒织物表面的质量检测工作。
综上所述，本发明实施例获取起绒织物表面的灰度图像以得到增强图像，进而获取感兴趣区域图像；利用SIFT算法获取感兴趣区域图像中的多个极值点，获取增强图像中每个像素点的方向角，以获取每个极值点的LBP值，进而得到起伏角总体偏差和延展畸形指数；根据每个极值点的坐标和LBP值构建新特征函数；对新特征函数进行EMD分解得到多个IMF子信号，获取每个IMF子信号的瞬时频率中值和瞬时幅值中值，以构建时频谱矩阵；计算时频谱矩阵的信息熵，结合信息熵、起伏角总体偏差和延展畸形指数得到绒面瑕疵指数，以确认起绒织物的质量。本发明提高了起绒织物表面的质量检测结果的准确性。
基于与上述方法相同的发明构思，本发明实施例还提供了一种纺织品表面质量检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种纺织品表面质量检测方法中任意一项所述方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (9)
1.一种纺织品表面质量检测方法，其特征在于，该方法包括以下步骤：
对起绒织物表面进行图像采集，得到起绒织物表面的灰度图像，对灰度图像进行增强得到增强图像；获取增强图像对应的感兴趣区域图像；
利用SIFT算法获取感兴趣区域图像中的多个极值点；在增强图像中，根据像素点周围的其他像素点的灰度值计算每个像素点的方向角；基于方向角获取每个极值点的LBP值，得到平均LBP值，利用每个极值点的LBP值与平均LBP值的差值计算突出纤维的起伏角总体偏差；将极值点的LBP值组成LBP序列，获取LBP序列中小于LBP阈值的LBP值组成局部LBP序列，结合LBP序列和局部LBP序列计算局部纤维的延展畸形指数；
以极值点的坐标为横坐标、对应的LBP值作为纵坐标分别构建LBP序列的第一特征函数和局部LBP序列的第二特征函数；利用小波变换分别获取第一特征函数的第一目标特征函数和第二特征函数的第二目标特征函数，将任意一个极值点的坐标同时输入第一目标特征函数和第二目标特征函数，得到对应极值点的LBP差值，以LBP差值为纵坐标、极值点的坐标为横坐标构建新特征函数；
对新特征函数进行EMD分解得到多个IMF子信号，获取每个IMF子信号的瞬时频率中值和瞬时幅值中值，以构建时频谱矩阵；计算时频谱矩阵的信息熵，结合信息熵、起伏角总体偏差和延展畸形指数得到绒面瑕疵指数，根据绒面瑕疵指数确认起绒织物的质量；
所述根据绒面瑕疵指数确认起绒织物的质量的方法，包括：
设置优质阈值与容许阈值，所述优质阈值小于所述容许阈值；当绒面瑕疵指数小于优质阈值时，确认起绒织物为优质织物；当绒面瑕疵指数大于或等于优质阈值且小于或等于容许阈值时，确认起绒织物为合格织物；当绒面瑕疵指数小于容许阈值时，确认起绒织物为劣质织物。
2.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，所述感兴趣区域图像的获取方法，包括：
利用Soble算子获取增强图像的梯度图像，利用分水岭算法对梯度图像进行分割，得到突出纤维区域，根据所述突出纤维区域获得感兴趣区域掩膜；将感兴趣区域掩膜与增强图像相乘，得到感兴趣区域图像。
3.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，所述根据像素点周围的其他像素点的灰度值计算每个像素点的方向角的方法，包括：
分别获取当前像素点的左邻像素点、右邻像素点、上邻像素点和下邻像素点，分别获取左邻像素点和右邻像素点的第一灰度值差值、上邻像素点和下邻像素点的第二灰度值差值，将以第二灰度值差值为分子，第一灰度值差值为分母的比值输入反正切函数，得到当前像素点的方向角。
4.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，所述起伏角总体偏差的获取方法，包括：
计算每个极值点的LBP值与平均LBP值的差值平方，将差值平方的均值作为起伏角总体偏差。
5.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，所述延展畸形指数的获取方法，包括：
利用DTW函数获取LBP序列和局部LBP序列的相似度作为延展畸形指数。
6.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，所述绒面瑕疵指数的获取方法，包括：
获取以常数e为底数、起伏角总体偏差为幂指数的指数函数结果，将指数函数结果与延展畸形指数的相加结果乘以信息熵得到绒面瑕疵指数。
7.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，所述对灰度图像进行增强得到增强图像，包括：
利用直方图均衡化算法进行图像增强，获得所述增强图像。
8.如权利要求1所述的一种纺织品表面质量检测方法，其特征在于，对灰度图像增强前还包括去噪处理。
9.一种纺织品表面质量检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述一种纺织品表面质量检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311132800.4A CN116862917B (zh) | 2023-09-05 | 2023-09-05 | 一种纺织品表面质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311132800.4A CN116862917B (zh) | 2023-09-05 | 2023-09-05 | 一种纺织品表面质量检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116862917A CN116862917A (zh) | 2023-10-10 |
| CN116862917B true CN116862917B (zh) | 2023-11-24 |
Family
ID=88225369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311132800.4A Active CN116862917B (zh) | 2023-09-05 | 2023-09-05 | 一种纺织品表面质量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862917B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152158B (zh) * | 2023-11-01 | 2024-02-13 | 海门市缔绣家用纺织品有限公司 | 基于人工智能的纺织品疵点检测方法及系统 |
| CN117291925B (zh) * | 2023-11-27 | 2024-01-26 | 巴苏尼制造(江苏)有限公司 | 基于图像特征的纺织品表面缺陷检测系统 |
| CN117853765B (zh) * | 2024-01-11 | 2024-08-16 | 湖北大学 | 一种表面瑕疵检测方法、系统、设备及终端 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3841761A (en) * | 1973-10-24 | 1974-10-15 | Neotec Corp | Method and apparatus for detecting faults in fabric |
| JPH10168742A (ja) * | 1996-12-06 | 1998-06-23 | Toyota Central Res & Dev Lab Inc | ファブリックの起毛状態評価方法 |
| JP2002258522A (ja) * | 2001-03-01 | 2002-09-11 | Ricoh Co Ltd | 画像形成方法、それに用いられるトナー及び感光体 |
| JP2005165482A (ja) * | 2003-12-01 | 2005-06-23 | Tokushima Ken | 欠陥検出方法 |
| CN1889124A (zh) * | 2005-06-27 | 2007-01-03 | 清华同方威视技术股份有限公司 | 一种辐射成像中图像信息增强的方法 |
| KR20080056981A (ko) * | 2006-12-19 | 2008-06-24 | 재단법인 포항산업과학연구원 | 화상처리에 의한 섬유제품 검사방법 |
| CN104751443A (zh) * | 2014-12-12 | 2015-07-01 | 郑州轻工业学院 | 基于多光谱技术棉花疵点检测与识别方法 |
| CN105683704A (zh) * | 2013-10-31 | 2016-06-15 | 3M创新有限公司 | 材料的多尺度均匀度分析 |
| CN107016664A (zh) * | 2017-01-18 | 2017-08-04 | 华侨大学 | 一种大圆机的坏针瑕疵检测方法 |
| CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
| CN108133472A (zh) * | 2017-11-28 | 2018-06-08 | 长乐万达纺织机械有限公司 | 纺织物缺陷检测方法及纺织物缺陷检测装置 |
| CN108986065A (zh) * | 2018-04-19 | 2018-12-11 | 三明学院 | 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质 |
| CN109685766A (zh) * | 2018-11-23 | 2019-04-26 | 江苏大学 | 一种基于区域融合特征的布匹瑕疵检测方法 |
| CN109727230A (zh) * | 2018-11-30 | 2019-05-07 | 西安工程大学 | 一种绒毛织物表面质量测量装置以及测量方法 |
| CN110349132A (zh) * | 2019-06-25 | 2019-10-18 | 武汉纺织大学 | 一种基于光场相机深度信息提取的织物瑕疵检测方法 |
| CN112508917A (zh) * | 2020-12-11 | 2021-03-16 | 中山紫菜网络科技有限公司 | 基于深度神经网络的纺织面料的绒毛检测方法 |
| CN114723704A (zh) * | 2022-04-01 | 2022-07-08 | 南通百杭纺织品有限公司 | 一种基于图像处理的纺织品质量评估方法 |
| CN114842007A (zh) * | 2022-07-04 | 2022-08-02 | 南通东德纺织科技有限公司 | 一种基于图像处理的纺织品磨损缺陷检测方法 |
| 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 |
| EP4160524A1 (en) * | 2021-10-01 | 2023-04-05 | AQC Industry | Method for detecting at least one defect on a support, device and computer program associated |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100590450B1 (ko) * | 2003-10-29 | 2006-06-19 | 재단법인서울대학교산학협력재단 | 입체상을 사용한 보풀 측정방법 및 이를 이용한 보풀측정기 |
-
2023
- 2023-09-05 CN CN202311132800.4A patent/CN116862917B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3841761A (en) * | 1973-10-24 | 1974-10-15 | Neotec Corp | Method and apparatus for detecting faults in fabric |
| JPH10168742A (ja) * | 1996-12-06 | 1998-06-23 | Toyota Central Res & Dev Lab Inc | ファブリックの起毛状態評価方法 |
| JP2002258522A (ja) * | 2001-03-01 | 2002-09-11 | Ricoh Co Ltd | 画像形成方法、それに用いられるトナー及び感光体 |
| JP2005165482A (ja) * | 2003-12-01 | 2005-06-23 | Tokushima Ken | 欠陥検出方法 |
| CN1889124A (zh) * | 2005-06-27 | 2007-01-03 | 清华同方威视技术股份有限公司 | 一种辐射成像中图像信息增强的方法 |
| KR20080056981A (ko) * | 2006-12-19 | 2008-06-24 | 재단법인 포항산업과학연구원 | 화상처리에 의한 섬유제품 검사방법 |
| CN105683704A (zh) * | 2013-10-31 | 2016-06-15 | 3M创新有限公司 | 材料的多尺度均匀度分析 |
| CN104751443A (zh) * | 2014-12-12 | 2015-07-01 | 郑州轻工业学院 | 基于多光谱技术棉花疵点检测与识别方法 |
| CN107016664A (zh) * | 2017-01-18 | 2017-08-04 | 华侨大学 | 一种大圆机的坏针瑕疵检测方法 |
| CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
| CN108133472A (zh) * | 2017-11-28 | 2018-06-08 | 长乐万达纺织机械有限公司 | 纺织物缺陷检测方法及纺织物缺陷检测装置 |
| CN108986065A (zh) * | 2018-04-19 | 2018-12-11 | 三明学院 | 一种经编织物瑕疵融合滤波检测方法、装置、设备和存储介质 |
| CN109685766A (zh) * | 2018-11-23 | 2019-04-26 | 江苏大学 | 一种基于区域融合特征的布匹瑕疵检测方法 |
| CN109727230A (zh) * | 2018-11-30 | 2019-05-07 | 西安工程大学 | 一种绒毛织物表面质量测量装置以及测量方法 |
| CN110349132A (zh) * | 2019-06-25 | 2019-10-18 | 武汉纺织大学 | 一种基于光场相机深度信息提取的织物瑕疵检测方法 |
| CN112508917A (zh) * | 2020-12-11 | 2021-03-16 | 中山紫菜网络科技有限公司 | 基于深度神经网络的纺织面料的绒毛检测方法 |
| EP4160524A1 (en) * | 2021-10-01 | 2023-04-05 | AQC Industry | Method for detecting at least one defect on a support, device and computer program associated |
| CN114723704A (zh) * | 2022-04-01 | 2022-07-08 | 南通百杭纺织品有限公司 | 一种基于图像处理的纺织品质量评估方法 |
| CN114842007A (zh) * | 2022-07-04 | 2022-08-02 | 南通东德纺织科技有限公司 | 一种基于图像处理的纺织品磨损缺陷检测方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| LBPV算法在织物瑕疵检测中的应用;项明;姚雪存;江有福;;丝绸(第02期);全文 * |
| Textile Solid Waste Recognition with Multiple Material Features;Yuan Gou等;《2022 7th International Conference on Communication, Image and Signal Processing (CCISP)》;全文 * |
| 基于机器视觉的织布瑕疵在线检测;虞祖耀;王洪元;张继;;计算机工程与设计(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116862917A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116862917B (zh) | 一种纺织品表面质量检测方法及系统 | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| CN105740829A (zh) | 一种基于扫描线处理的指针式仪表自动读数方法 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
| CN102930576A (zh) | 一种基于特征流的抽象线条画生成方法 | |
| CN112884746B (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
| CN116912256B (zh) | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 | |
| CN115017707B (zh) | 一种基于像素法的2.5维编织复合材料建模方法 | |
| Li et al. | Sublingual vein extraction algorithm based on hyperspectral tongue imaging technology | |
| CN103942526B (zh) | 一种离散数据点集的线特征提取方法 | |
| CN115937231A (zh) | 一种频谱结构约束的红外图像迭代去噪方法及系统 | |
| CN102509273B (zh) | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 | |
| CN105488798B (zh) | 基于点集对比的sar图像相似性度量方法 | |
| CN108932468B (zh) | 一种适用于心理学的面部识别方法 | |
| Yi et al. | Illumination normalization of face image based on illuminant direction estimation and improved retinex | |
| CN112381731B (zh) | 一种基于图像去噪的单帧条纹图像相位分析方法及系统 | |
| CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
| Zhang et al. | Retinal vessel segmentation using Gabor filter and textons | |
| CN114387209A (zh) | 眼底结构特征确定的方法、装置、介质和设备 | |
| CN113658238A (zh) | 一种基于改进特征检测的近红外静脉图像高精度匹配方法 | |
| Shi et al. | Objective evaluation of fabric wrinkles based on 2-D Gabor transform | |
| CN107016663B (zh) | 一种基于改进l0梯度的织物沾水区域分割方法 | |
| CN118522656B (zh) | 一种清洗刻蚀机的智能化清洗方法及系统 | |
| Watier | Measures of angularity in digital images |
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 |