CN117173162B - 一种纺织品瑕疵检测方法及系统 - Google Patents

Abstract

本发明涉及纺织品瑕疵检测技术领域，具体涉及一种纺织品瑕疵检测方法及系统。方法包括：将纺织品的表面图像转换为灰度图像，对灰度图像进行划分获得各竹节待测定区；基于各竹节待测定区的毛羽像素点的数量和各像素点在R、G、B三个通道对应的值，得到各竹节待测定区的毛羽浓密度；基于各竹节待测定区的质心和与其相邻的各竹节待测定区的质心之间的欧氏距离、各竹节待测定区对应的对比度、各竹节待测定区内的边缘线数量以及角点数量，计算各竹节待测定区的捻度松弛度；基于毛羽浓密度和捻度松弛度，得到竹节瑕疵显著度，进而判断竹节瑕疵严重程度。本发明能够快速准确地对纺织品上的竹节瑕疵进行自动化检测。

Description

一种纺织品瑕疵检测方法及系统

技术领域

本发明涉及纺织品瑕疵检测技术领域，具体涉及一种纺织品瑕疵检测方法及系统。

背景技术

纺织品作为人们日常生活中的不可缺少的物品，其质量好坏直接影响到人们的生活质量。为了保证纺织品的质量，一般情况下，纺织品在生产完成后需要经过瑕疵检测，目前纺织品瑕疵的检测方法主要分为三类：模型法、光谱法和统计法。织物纹理通常由随机和规则的纹理组成，模型法通过对无瑕图像训练得到能够反映该纹理的特点的模型的参数值，根据计算得到的模型检查待检测织物图像是否符合要求，但结果受环境、噪声等的影响较大；光谱法应用最为广泛，将空间域中织物难以分离的纹理转为变换域进行滤波，或以无瑕图像为样本使用最优化理论完成对瑕疵图像的重建，效果良好但受模型影响较大；统计法使用像素点的统计特征完成疵点检测，方便快捷，但目前效果较好的主要是基于深度学习算法，通过多层网络叠加自动学习图像中的特征，配合池化等手段可以适应多尺度、方向的图像的特征提取，但训练成本过高，维护成本高昂。因此，如何使用少量的样本即可对同类纺织品是否含有竹节瑕疵进行准确的判断是个需要解决的问题。

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瑕疵检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明提供了一种纺织品瑕疵检测方法，该方法包括以下步骤：

获取待检测的纺织品的表面图像，所述表面图像为RGB图像；

将所述表面图像转换为灰度图像，采用最大类间方差法对所述灰度图像进行划分，获得各竹节待测定区；将各竹节待测定区灰度值大于预设阈值的像素点作为对应竹节待测定区的毛羽像素点，基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到各竹节待测定区的毛羽浓密度；

基于各竹节待测定区对应的灰度共生矩阵，获得各竹节待测定区对应的对比度；统计各竹节待测定区内的边缘线数量和角点数量，基于各竹节待测定区的质心和与其相邻的各竹节待测定区的质心之间的欧氏距离、各竹节待测定区对应的对比度、各竹节待测定区内的边缘线数量以及角点数量，计算各竹节待测定区的捻度松弛度；

基于所述各竹节待测定区的毛羽浓密度和所述各竹节待测定区的捻度松弛度，得到各竹节待测定区对应的竹节瑕疵显著度；基于所述竹节瑕疵显著度，判断待检测的纺织品的竹节瑕疵严重程度。

第二方面，本发明提供了一种纺织品瑕疵检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种纺织品瑕疵检测方法。

优选的，所述采用最大类间方差法对所述灰度图像进行划分，获得各竹节待测定区，包括：

将所述灰度图像中灰度值大于第一灰度阈值的像素点划分出来，获得多个连通域，将每个连通域作为一个竹节待测定区。

优选的，所述基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到各竹节待测定区的毛羽浓密度，包括：

对于任一竹节待测定区：

统计该竹节待测定区内像素点的总个数；

对于该竹节待测定区内的任一像素点：基于该像素点在R、G、B三个通道对应的值，获得该像素点在R、G、B三个通道的最小值；

基于该竹节待测定区各像素点的灰度值，计算该竹节待测定区内所有像素点的灰度值的均值；

根据该竹节待测定区的毛羽像素点的数量、该竹节待测定区内像素点的总个数和该竹节待测定区各像素点在R、G、B三个通道的最小值和该竹节待测定区内所有像素点的灰度值的均值，计算该竹节待测定区的毛羽浓密度。

优选的，采用如下公式计算该竹节待测定区的毛羽浓密度：

其中，为该竹节待测定区的毛羽浓密度，/>为该竹节待测定区内像素点的总个数，/>为该竹节待测定区毛羽像素点的数量，/>为该竹节待测定区内所有像素点的灰度值的均值，/>为该竹节待测定区第i个像素点在R通道对应的值，/>为该竹节待测定区第i个像素点在G通道对应的值，/>为该竹节待测定区第i个像素点在B通道对应的值，为该竹节待测定区第i个像素点在R、G、B三个通道的最小值。

优选的，采用如下公式计算各竹节待测定区的捻度松弛度：

其中，为任一竹节待测定区的捻度松弛度，/>为该竹节待测定区的质心和与该竹节待测定区相邻的第/>个竹节待测定区的质心之间的欧氏距离，/>为与该竹节待测定区相邻的竹节待测定区的数量，/>为该竹节待测定区内的边缘线的数量，/>为该竹节待测定区内角点的数量，/>为该竹节待测定区对应的对比度。

优选的，所述基于所述各竹节待测定区的毛羽浓密度和所述各竹节待测定区的捻度松弛度，得到各竹节待测定区对应的竹节瑕疵显著度，包括：

对于任一竹节待测定区：

计算该竹节待测定区的毛羽浓密度和毛羽浓密度比例系数的乘积，记为第一指标；计算该竹节待测定区的捻度松弛度和捻度松弛度比例系数的乘积，记为第二指标；将所述第一指和所述第二指标的乘积作为该竹节待测定区对应的竹节瑕疵显著度。

优选的，所述基于所述竹节瑕疵显著度，判断待检测的纺织品的竹节瑕疵严重程度，包括：

当竹节待测定区对应的竹节瑕疵显著度大于等于竹节瑕疵显著度阈值时，判定对应竹节待测定区存在竹节瑕疵；当竹节待测定区对应的竹节瑕疵显著度小于竹节瑕疵显著度阈值时，判定对应竹节待测定区不存在竹节瑕疵；

统计待检测的纺织品上存在竹节瑕疵的竹节待测定区的数量；

当所述存在竹节瑕疵的竹节待测定区的数量小于等于第一数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为1级；当所述存在竹节瑕疵的竹节待测定区的数量大于第一数量阈值且小于第二数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为2级；当所述存在竹节瑕疵的竹节待测定区的数量大于等于第二数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为3级；所述第一数量阈值小于第二数量阈值。

本发明具有如下有益效果：

本发明考虑到毛羽浓密度表征待检测纺织品上纱线的整齐度，毛羽浓密度越大，说明待检测纺织品越可能是由节粗的纱线编织而成，待检测纺织品越可能存在竹节瑕疵，因此基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到了各竹节待测定区的毛羽浓密度；又考虑到捻度松弛度表征待检测纺织品上纱线的松弛程度，捻度松弛度越大，说明待检测纺织品上的纱线越松弛，待检测纺织品越可能存在竹节瑕疵，因此基于各竹节待测定区的质心和与其相邻的各竹节待测定区的质心之间的欧氏距离、各竹节待测定区对应的对比度、各竹节待测定区内的边缘线数量以及角点数量，计算了各竹节待测定区的捻度松弛度；然后基于各竹节待测定区的毛羽浓密度和捻度松弛度对待检测的纺织品的竹节瑕疵严重程度进行了判断，全面地对待检测纺织品进行了评价，提高了纺织品上竹节瑕疵的检测精度。本发明提供的方法基于纺织品的表面图像自动判断纺织品上是否含有竹节瑕疵，不需要大量的训练，方便快捷，能够快速判断纺织品是否存在竹节瑕疵，检测效率较高。

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为本发明提供的一种纺织品瑕疵检测方法的流程图。

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瑕疵检测方法及系统进行详细说明如下。

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瑕疵检测方法及系统的具体方案。

一种纺织品瑕疵检测方法实施例：

本实施例提出了一种纺织品瑕疵检测方法，如图1所示，本实施例的一种纺织品瑕疵检测方法包括以下步骤：

步骤S1，获取待检测的纺织品的表面图像。

在纺织品生产的过程中，竹节瑕疵在纺织品上普遍存在。竹节瑕疵产生的主要原因为梳棉工序的棉卷喂入是湿花，喂入的丝束纤维、油脂易黏污针布，锡林与道夫隔距不正或过小，针布表面不平整及针布衰退等，因此当某纺织品上出现竹节瑕疵，则会影响产品的美观性和实用性，降低产品的合格率，为了提高产品的合格率，降低给企业带来的损失，当纺织品生产完成后需要立即对其进行质量检测，判断纺织品表面的瑕疵严重程度，若织品表面的瑕疵严重程度较大，则不能出厂，需要重新进行加工处理，以提高产品的合格率。

将生产完成的待检测纺织品布料平铺，将配备显微镜镜头的CCD相机固定在纺织品上方，使用传送带将布料不同位置依次向前传送，相机俯视拍摄纺织品，得到待检测的纺织品的图像，待检测的纺织品的图像为RGB图像。考虑到图像在采集的过程中可能会受到噪声等环境因素的影响，降低成像质量，因此需要对采集的待检测的纺织品的图像进行去噪，本实施例使用双边滤波对待检测的纺织品的图像进行去噪，将去噪后的图像记为待检测的纺织品的表面图像，其中，使用双边滤波对图像进行去噪为现有技术，此处不再赘述。

步骤S2，将所述表面图像转换为灰度图像，采用最大类间方差法对所述灰度图像进行划分，获得各竹节待测定区；将各竹节待测定区灰度值大于预设阈值的像素点作为对应竹节待测定区的毛羽像素点，基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到各竹节待测定区的毛羽浓密度。

纺织品是由经纱和纬纱相互交错编织而成，其上方整齐的排列着多个经纬交织区，即经纱和纬纱重叠的区域，不同的经纬交织区之间存在颜色较深的较规则的间隔，这些经纬交织区依次紧密排列，形成完整的纺织品。将待检测的纺织品的表面图像转换为灰度图像，使用最大类间方差法对灰度图像进行划分，将灰度值大于第一灰度阈值的部分作为前景划分出来，这些部分即对应图像中的各经纬交织区，一个经纬交织区为一个子区域，这些子区域离散分布在图像上，将每个子区域记为一个竹节待测定区，即每个经纬交织区为一个竹节待测定区。第一灰度阈值实施者根据具体情况自行设定。最大类间方差法为现有技术，此处不再赘述。

竹节瑕疵所在的经纬交织区由连续出现的节粗的纱线编织而成，因此对应的竹节待测定区也较为膨大，对应的区域内含有的像素点数量较多。毛羽是伸出纱线主体的纤维端或纤维圈，是影响纱线外观和风格的一个重要指标，竹节瑕疵所在的经纬交织区的外观相对于无瑕疵的纺织品对应的经纬纺织区呈现毛羽大的特征；当毛羽浓密时，会导致针织布面不清晰，像笼罩了一层薄薄的雾；毛羽为分散的许多单根纤维，在日常光下颜色更为透亮，毛羽大的经纬纺织区整体也较亮。因此本实施例接下来对每个竹节待测定区的毛羽情况进行单独分析。

对于任一竹节待测定区：

对该竹节待测定区采用最大类间方差法，将灰度值大于第二灰度阈值的像素点作为前景划分出来，该部分像素点即对应竹节待测定区内的毛羽上的像素点，该部分即对应竹节待测定区内的毛羽，第二灰度阈值实施者根据具体情况自行设定；统计该竹节待测定区的毛羽像素点的数量，若该竹节待测定区内像素点的总数量较多且毛羽像素点的数量也较多，则说明该竹节待测定区中毛羽较浓密；根据暗通道算法，有雾的区域中像素点对应的R、G、B三个通道的值至少会有一个颜色通道具有很低的值，而无雾区域不存在这样的特征，毛羽的存在会使竹节待测定区内呈现出烟雾笼罩的特征，因此毛羽像素点对应的值较小；基于此，本实施例基于该竹节待测定区的毛羽像素点的数量和该竹节待测定区各像素点在R、G、B三个通道的最小值，计算该竹节待测定区的毛羽浓密度，即：

其中，为该竹节待测定区的毛羽浓密度，/>为该竹节待测定区内像素点的总个数，/>为该竹节待测定区毛羽像素点的数量，/>为该竹节待测定区内所有像素点的灰度值的均值，/>为该竹节待测定区第i个像素点在R通道对应的值，/>为该竹节待测定区第i个像素点在G通道对应的值，/>为该竹节待测定区第i个像素点在B通道对应的值，为该竹节待测定区第i个像素点在R、G、B三个通道的最小值；该竹节待测定区内所有像素点的灰度值的均值/>是基于该竹节待测定区内各像素点的灰度值计算得到的。

该竹节待测定区内包含的像素点数量越多、毛羽对应的区域越大、所有像素点的灰度均值越大、每个像素点对应的R、G、B三个通道的最小值越小时，该竹节待测定区的毛羽浓密度越大，即该竹节待测定区越可能为竹节瑕疵；该竹节待测定区内包含的像素点数量越少、毛羽对应的区域越小、所有像素点的灰度均值越小、每个像素点对应的R、G、B三个通道的最小值越大时，该竹节待测定区的毛羽浓密度/>越小，即该竹节待测定区越可能为正常区域，越不可能存在竹节瑕疵。

至此，采用上述方法，能够得到各竹节待测定区的毛羽浓密度。

步骤S3，基于各竹节待测定区对应的灰度共生矩阵，获得各竹节待测定区对应的对比度；统计各竹节待测定区内的边缘线数量和角点数量，基于各竹节待测定区的质心和与其相邻的各竹节待测定区的质心之间的欧氏距离、各竹节待测定区对应的对比度、各竹节待测定区内的边缘线数量以及角点数量，计算各竹节待测定区的捻度松弛度。

在纺织品加工过程中，为了增加纱线的抱合力、耐磨性和抗疲劳性能，在纱线互相交织编织纺织品之前，会对纱线加捻，增大纱线的捻度；当捻度较小时，即绳线强度的每英寸线所绕的圈数较少时，纱线状态较为松弛，反之纱线状态较为紧绷。竹节瑕疵所在的竹节待测定区相对于无瑕疵的纺织品对应的经纬纺织区呈现捻度小的特征。当纱线处于较为紧绷的状态时，其对应的图像中纹理的沟壑较深，各沟壑对应的纹理也较繁杂。

对于任一竹节待测定区：

获取该竹节待测定区的灰度共生矩阵，基于该竹节待测定区的灰度共生矩阵获得该竹节待测定区对应的对比度，对比度反映了图像的清晰度和纹理沟纹深浅的程度，纹理的沟壑越深，对应的对比度越大，即纱线状态越紧绷，捻度越大。采用canny边缘检测算子获取待检测的纺织品的表面图像中的边缘图像，边缘图像为二值图像，捻度越大的竹节待测定区内边缘线的数量也越多，因此，竹节待测定区内的边缘线的数量能够在一定程度上表征对应竹节待测定区内捻度松弛度；当竹节待测定区的捻度较大时，对应的纱线也较为紧绷，形态更加笔直，对应的角点数量较少，因此，竹节待测定区内角点的数量也能够在一定程度上表征对应竹节待测定区内捻度松弛度；获取该竹节待测定区内的各边缘线，统计该竹节待测定区内的边缘线的数量，分别对该竹节待测定区内的每条边缘线进行Harris角点检测，统计该竹节待测定区内角点的数量；纺织物的各经纬交织区域在每行中依次整齐排列，相邻行中交错排布，因此每个经纬交织区周围由多个其它的经纬交织区包围而成，即每个竹节待测定区有多个相邻的竹节待测定区，竹节瑕疵所在的竹节待测定区较为膨大，因此竹节瑕疵所在的竹节待测定区的质心和与竹节瑕疵所在的竹节待测定区相邻的竹节待测定区的质心之间的欧氏距离较远；基于此，本实施例基于该竹节待测定区的质心和与该竹节待测定区相邻的各竹节待测定区的质心之间的欧氏距离、该竹节待测定区对应的对比度、该竹节待测定区内的边缘线数量以及角点数量，计算该竹节待测定区的捻度松弛度，即：

其中，为该竹节待测定区的捻度松弛度，/>为该竹节待测定区的质心和与该竹节待测定区相邻的第/>个竹节待测定区的质心之间的欧氏距离，/>为与该竹节待测定区相邻的竹节待测定区的数量，/>为该竹节待测定区内的边缘线的数量，/>为该竹节待测定区内角点的数量，/>为该竹节待测定区对应的对比度。

当该竹节待测定区内包含的边缘线的数量越少、角点数量越多、对应的对比度越小、该竹节待测定区的质心与相邻的竹节待测定区的质心的欧氏距离越远时，该竹节待测定区的捻度松弛度越大，即该竹节待测定区越可能存在竹节瑕疵；当该竹节待测定区内包含的边缘线的数量越多、角点数量越少、对应的对比度越大、该竹节待测定区的质心与相邻的竹节待测定区的质心的欧氏距离越近时，该竹节待测定区的捻度松弛度/>越小，即该竹节待测定区越可能为正常区域，越不可能存在竹节瑕疵。

至此，采用上述方法，能够得到各竹节待测定区的捻度松弛度。

步骤S4，基于所述各竹节待测定区的毛羽浓密度和所述各竹节待测定区的捻度松弛度，得到各竹节待测定区对应的竹节瑕疵显著度；基于所述竹节瑕疵显著度，判断待检测的纺织品的竹节瑕疵严重程度。

在上述步骤中获得了各竹节待测定区的毛羽浓密度和各竹节待测定区的捻度松弛度，毛羽浓密度表征竹节待测定区内纱线的整齐度，毛羽浓密度越大，说明对应区域越可能是由节粗的纱线编织而成，对应区域为竹节瑕疵的概率越大；捻度松弛度表征竹节待测定区内纱线的松弛程度，捻度松弛度越大，说明对应区域的纱线越松弛，对应区域为竹节瑕疵的概率越大；因此，毛羽浓密度和捻度松弛度能够反映竹节待测定区竹节瑕疵的显著度，本实施例基于各竹节待测定区的毛羽浓密度和捻度松弛度，计算各竹节待测定区对应的竹节瑕疵显著度，即：

其中，为任一竹节待测定区对应的竹节瑕疵显著度，/>为毛羽浓密度比例系数，/>为捻度松弛度比例系数；当该竹节待测定区的毛羽浓密度和捻度松弛度都越大时，该竹节待测定区对应的竹节瑕疵显著度越大，即该竹节待测定区越可能存在竹节瑕疵；当该竹节待测定区的毛羽浓密度和捻度松弛度都越小时，该竹节待测定区对应的竹节瑕疵显著度越小，即该竹节待测定区越可能为正常区域，越不可能存在竹节瑕疵。本实施例中设置/>的值为0.4，/>的值为0.6，在具体应用中，实施者可自行设置/>和/>的值。至此，采用上述方法能够得到各竹节待测定区对应的竹节瑕疵显著度。

采用上述步骤获取k张含有竹节瑕疵和不含有竹节瑕疵的样本纺织品图像，每张样本纺织品图像中的各竹节待测定区均可得到一个对应的竹节瑕疵显著度，人工将这些竹节待测定区进行分类，分别对应竹节瑕疵和非竹节瑕疵标签，将竹节瑕疵标签对应的竹节待测定区的竹节瑕疵显著度的最小值记为，将非竹节瑕疵标签对应的竹节待测定区的竹节瑕疵显著度的最大值记为/>，计算/>和/>的平均值，记为/>，将/>作为划分每个竹节待测定区是否为竹节瑕疵的阈值，记为竹节瑕疵显著度阈值，本实施例中k的值为20，在具体应用中，实施者可自行设置k的值。

当待检测的纺织品上的某个竹节待测定区对应的竹节瑕疵显著度大于等于竹节瑕疵显著度阈值时，判定该竹节待测定区存在竹节瑕疵；当待检测的纺织品上的某个竹节待测定区对应的竹节瑕疵显著度小于竹节瑕疵显著度阈值/>时，判定该竹节待测定区不存在竹节瑕疵。

统计待检测的纺织品上的存在竹节瑕疵的竹节待测定区的数量，并记为；待检测的纺织品上的存在竹节瑕疵的竹节待测定区的数量越多，说明待检测的纺织品上的竹节瑕疵越严重；设置第一数量阈值/>和第二数量阈值/>，其中第一数量阈值小于第二数量阈值；当待检测的纺织品上的存在竹节瑕疵的竹节待测定区的数量/>小于等于第一数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为1级，此时认为待检测的纺织品上无竹节瑕疵，可以正常销售；当待检测的纺织品上的存在竹节瑕疵的竹节待测定区的数量/>大于第一数量阈值且小于第二数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为2级，此时认为待检测的纺织品有轻微的竹节瑕疵，该纺织品可以作为次等品进行销售；当待检测的纺织品上的存在竹节瑕疵的竹节待测定区的数量/>大于等于第二数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为3级，此时认为待检测的纺织品竹节瑕疵较严重，该纺织品为瑕疵品不允许销售，需要重新进行加工。本实施例中/>的值为3，/>的值为7，在具体应用中，实施者可自行设置。

本实施例考虑到毛羽浓密度表征待检测纺织品上纱线的整齐度，毛羽浓密度越大，说明待检测纺织品越可能是由节粗的纱线编织而成，待检测纺织品越可能存在竹节瑕疵，因此基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到了各竹节待测定区的毛羽浓密度；又考虑到捻度松弛度表征待检测纺织品上纱线的松弛程度，捻度松弛度越大，说明待检测纺织品上的纱线越松弛，待检测纺织品越可能存在竹节瑕疵，因此基于各竹节待测定区的质心和与其相邻的各竹节待测定区的质心之间的欧氏距离、各竹节待测定区对应的对比度、各竹节待测定区内的边缘线数量以及角点数量，计算了各竹节待测定区的捻度松弛度；然后基于各竹节待测定区的毛羽浓密度和捻度松弛度对待检测的纺织品的竹节瑕疵严重程度进行了判断，全面地对待检测纺织品进行了评价，提高了纺织品上竹节瑕疵的检测精度。本实施例提供的方法基于纺织品的表面图像自动判断纺织品上是否含有竹节瑕疵，不需要大量的训练，方便快捷，能够快速判断纺织品是否存在竹节瑕疵，检测效率较高。

一种纺织品瑕疵检测系统实施例：

本实施例一种纺织品瑕疵检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种纺织品瑕疵检测方法。

由于一种纺织品瑕疵检测方法已经在一种纺织品瑕疵检测方法实施例中进行了说明，所以本实施例不再对一种纺织品瑕疵检测方法进行赘述。

需要说明的是：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 (5)

1.一种纺织品瑕疵检测方法，其特征在于，该方法包括以下步骤：

获取待检测的纺织品的表面图像，所述表面图像为RGB图像；

将所述表面图像转换为灰度图像，采用最大类间方差法对所述灰度图像进行划分，获得各竹节待测定区；将各竹节待测定区灰度值大于预设阈值的像素点作为对应竹节待测定区的毛羽像素点，基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到各竹节待测定区的毛羽浓密度；

基于各竹节待测定区对应的灰度共生矩阵，获得各竹节待测定区对应的对比度；统计各竹节待测定区内的边缘线数量和角点数量，基于各竹节待测定区的质心和与其相邻的各竹节待测定区的质心之间的欧氏距离、各竹节待测定区对应的对比度、各竹节待测定区内的边缘线数量以及角点数量，计算各竹节待测定区的捻度松弛度；

基于所述各竹节待测定区的毛羽浓密度和所述各竹节待测定区的捻度松弛度，得到各竹节待测定区对应的竹节瑕疵显著度；基于所述竹节瑕疵显著度，判断待检测的纺织品的竹节瑕疵严重程度；

所述基于各竹节待测定区的毛羽像素点的数量和各竹节待测定区各像素点在R、G、B三个通道对应的值，得到各竹节待测定区的毛羽浓密度，包括：

对于任一竹节待测定区：

统计该竹节待测定区内像素点的总个数；

对于该竹节待测定区内的任一像素点：基于该像素点在R、G、B三个通道对应的值，获得该像素点在R、G、B三个通道的最小值；

基于该竹节待测定区各像素点的灰度值，计算该竹节待测定区内所有像素点的灰度值的均值；

根据该竹节待测定区的毛羽像素点的数量、该竹节待测定区内像素点的总个数和该竹节待测定区各像素点在R、G、B三个通道的最小值和该竹节待测定区内所有像素点的灰度值的均值，计算该竹节待测定区的毛羽浓密度；

用如下公式计算该竹节待测定区的毛羽浓密度：

其中，为该竹节待测定区的毛羽浓密度，/>为该竹节待测定区内像素点的总个数，/>为该竹节待测定区毛羽像素点的数量，/>为该竹节待测定区内所有像素点的灰度值的均值，为该竹节待测定区第i个像素点在R通道对应的值，/>为该竹节待测定区第i个像素点在G通道对应的值，/>为该竹节待测定区第i个像素点在B通道对应的值，/>为该竹节待测定区第i个像素点在R、G、B三个通道的最小值；

采用如下公式计算各竹节待测定区的捻度松弛度：

其中，为任一竹节待测定区的捻度松弛度，/>为该竹节待测定区的质心和与该竹节待测定区相邻的第/>个竹节待测定区的质心之间的欧氏距离，/>为与该竹节待测定区相邻的竹节待测定区的数量，/>为该竹节待测定区内的边缘线的数量，/>为该竹节待测定区内角点的数量，/>为该竹节待测定区对应的对比度。

2.根据权利要求1所述的一种纺织品瑕疵检测方法，其特征在于，所述采用最大类间方差法对所述灰度图像进行划分，获得各竹节待测定区，包括：

将所述灰度图像中灰度值大于第一灰度阈值的像素点划分出来，获得多个连通域，将每个连通域作为一个竹节待测定区。

3.根据权利要求1所述的一种纺织品瑕疵检测方法，其特征在于，所述基于所述各竹节待测定区的毛羽浓密度和所述各竹节待测定区的捻度松弛度，得到各竹节待测定区对应的竹节瑕疵显著度，包括：

对于任一竹节待测定区：

计算该竹节待测定区的毛羽浓密度和毛羽浓密度比例系数的乘积，记为第一指标；计算该竹节待测定区的捻度松弛度和捻度松弛度比例系数的乘积，记为第二指标；将所述第一指和所述第二指标的乘积作为该竹节待测定区对应的竹节瑕疵显著度。

4.根据权利要求1所述的一种纺织品瑕疵检测方法，其特征在于，所述基于所述竹节瑕疵显著度，判断待检测的纺织品的竹节瑕疵严重程度，包括：

当竹节待测定区对应的竹节瑕疵显著度大于等于竹节瑕疵显著度阈值时，判定对应竹节待测定区存在竹节瑕疵；当竹节待测定区对应的竹节瑕疵显著度小于竹节瑕疵显著度阈值时，判定对应竹节待测定区不存在竹节瑕疵；

统计待检测的纺织品上存在竹节瑕疵的竹节待测定区的数量；

当所述存在竹节瑕疵的竹节待测定区的数量小于等于第一数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为1级；当所述存在竹节瑕疵的竹节待测定区的数量大于第一数量阈值且小于第二数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为2级；当所述存在竹节瑕疵的竹节待测定区的数量大于等于第二数量阈值时，判定待检测的纺织品的竹节瑕疵严重程度为3级；所述第一数量阈值小于第二数量阈值。

5.一种纺织品瑕疵检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-4任一项所述的一种纺织品瑕疵检测方法。