CN118014998B - 基于机器视觉的床单布匹检测方法及系统 - Google Patents
基于机器视觉的床单布匹检测方法及系统 Download PDFInfo
- Publication number
- CN118014998B CN118014998B CN202410417202.XA CN202410417202A CN118014998B CN 118014998 B CN118014998 B CN 118014998B CN 202410417202 A CN202410417202 A CN 202410417202A CN 118014998 B CN118014998 B CN 118014998B
- Authority
- CN
- China
- Prior art keywords
- area
- edge
- abnormal
- damaged
- damaged area
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 187
- 238000005299 abrasion Methods 0.000 claims abstract description 32
- 230000004660 morphological change Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 description 10
- 239000007787 solid Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 238000009940 knitting Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009941 weaving Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉的床单布匹检测方法及系统。该方法首先确定床单布匹图像的边缘区域;根据边缘区域的不规则度和完整度,从边缘区域中筛选出异常受损区域;根据异常受损区域的形态变化和边缘明暗变化,从异常受损区域中筛选出初始磨损区域,对其进行膨胀,得到床单布匹图像的预测磨损区域。本发明通过边缘区域中的不规则度、完整度、形态变化和边缘明暗变化筛除背景样式区域和纹理区域,以确定预测磨损区域,提高确定床单布匹中磨损区域的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的床单布匹检测方法及系统。
背景技术
床单布匹的磨损是指织物之间或与其他物质之间反复摩擦,床单布匹逐渐磨损破损的现象。而床单布匹耐磨性的测试原理则是指床单布匹在机械力反复摩擦的作用下,抵抗磨损的能力。因为床单布匹在使用过程中,会受到各种不同的外界因素的作用,特别是经常与周围所接触的物体进行摩擦,造成床单布匹不同程度的磨损乃至损坏,影响其使用性能。检测床单布匹的耐磨性,可以提高纺织品的利用效率,是纺织产品质量的一个重要指标,所以在布匹的生产过程中,磨损检测是至关重要的。尽早发现并处理磨损区域对于确保产品质量和客户满意度至关重要。但是由于布匹的纹理、颜色和样式各不相同,因此确定磨损区域的方法也因布匹的特征而异。在布匹生产过程中,需要对布匹进行磨损测试,但是由于布匹可能存在细小的编织纹理,传统的通过边缘检测确定布匹磨损区域时,确定磨损区域的准确性较低。
发明内容
为了解决传统的通过边缘检测确定布匹磨损区域时,确定磨损区域的准确性较低的技术问题,本发明的目的在于提供基于机器视觉的床单布匹检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于机器视觉的床单布匹检测方法,该方法包括以下步骤:
获取床单布匹图像;确定所述床单布匹图像的边缘区域;
根据所述边缘区域的不规则度和完整度,确定边缘区域为床单布匹的纹理区域的第一可能性;基于所述第一可能性,从所述边缘区域中筛选出异常受损区域;
根据所述异常受损区域的形态变化和边缘明暗变化,确定异常受损区域为床单布匹的纹理区域的第二可能性;基于所述第二可能性,从所述异常受损区域中筛选出初始磨损区域;
对所述初始磨损区域进行膨胀,得到床单布匹图像的预测磨损区域。
优选的,所述根据所述边缘区域的不规则度和完整度,确定边缘区域为床单布匹的纹理区域的第一可能性,包括:
根据所述边缘区域的不规则度,确定边缘区域的毛刺程度;根据所述边缘区域的完整程度和毛刺程度,确定边缘区域为床单布匹的纹理区域的第一可能性。
优选的,所述毛刺程度的计算公式为:
其中,为第v个边缘区域的毛刺程度;/>为第v个边缘区域的边缘点数量;/>为第v个边缘区域的第i个边缘点的切线方向;/>为第v个边缘区域的第i-1个边缘点的切线方向;/>为第v个边缘区域的第i+1个边缘点的切线方向。
优选的,所述根据所述边缘区域的完整程度和毛刺程度,确定边缘区域为床单布匹的纹理区域的第一可能性,包括:
将边缘区域的边缘点数量作为边缘区域的完整程度;
将边缘区域的完整程度和毛刺程度的比值的归一化值,作为边缘区域为床单布匹的纹理区域的第一可能性。
优选的,所述根据所述异常受损区域的形态变化和边缘明暗变化,确定异常受损区域为床单布匹的纹理区域的第二可能性,包括:
根据所述异常受损区域的形态变化,确定异常受损区域的区域边缘特征;根据所述异常受损区域的边缘明暗变化,确定异常受损区域的明暗异常特征;结合所述异常受损区域的区域边缘特征和明暗异常特征,确定异常受损区域为床单布匹的纹理区域的第二可能性。
优选的,所述根据所述异常受损区域的形态变化,确定异常受损区域的区域边缘特征,包括:
获取异常受损区域的相邻边缘点之间的链码值;
将相邻边缘点的链码值的差值作为边缘点的形态变化值;计算每个异常受损区域的所有边缘点的形态变化值的均值,作为每个异常受损区域的区域边缘特征。
优选的,所述明暗异常特征的计算公式为:
;
其中,为第v个异常受损区域的明暗异常特征;/>为第v个边缘区域的边缘点数量;/>为第v个异常受损区域的第i个边缘点的八邻域内第n个像素点的灰度值;/>为第v个异常受损区域的第i个边缘点的八邻域内像素点的灰度均值。
优选的,所述第二可能性的计算公式为:
;
其中,为第v个异常受损区域为床单布匹的纹理区域的第二可能性;/>为归一化函数;/>为第v个异常受损区域的明暗异常特征;/>为第v个异常受损区域的临近异常受损区域的数量;/>为第v个异常受损区域的第k个临近异常受损区域的区域边缘特征;/>为第v个异常受损区域的区域边缘特征。
优选的,所述异常受损区域的临近异常受损区域的获取方法为:
以任意异常受损区域作为目标异常受损区域,获取目标异常受损区域与距离最近的异常受损区域的最短距离;
将每个异常受损区域对应的最短距离的均值作为半径,以异常受损区域的最小外接矩形的中心作为圆点,进行作圆,将异常受损区域对应的圆内的异常受损区域作为异常受损区域的临近异常受损区域。
第二方面,本发明一个实施例提供了一种基于机器视觉的床单布匹检测系统,包括存储器、处理器以及存储在所述存储器中并可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基于机器视觉的床单布匹检测方法。
本发明实施例至少具有如下有益效果:
由于在布匹存在磨损时,通过边缘检测确定磨损区域时存在布匹纹理和样式边缘等干扰边缘,会降低确定磨损区域的准确度。本发明首先确定床单布匹图像的边缘区域,进一步的根据边缘区域的不规则度和完整度,实现从床单布匹的样式纹理的边缘规则程度、磨损区域的形状补规则性以及毛糙特性,从边缘区域中筛选出异常受损区域,进一步的因为床单布匹是棉线编织而成,织物的编织密度越紧,颜色在床单布匹表面分布更均匀,故从其异常受损区域的形态变化和边缘明暗变化,可以再次对该区域是否为磨损区域进行分析,或者说可以对该区域是否为纹理区域进行分析,实现对异常受损区域的筛选,确定出初始磨损区域,最终实现确定出预测磨损区域。本发明通过边缘区域中的不规则度、完整度、形态变化和边缘明暗变化筛除背景样式区域和纹理区域,以确定预测磨损区域,提高确定床单布匹中磨损区域的准确度。
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所提供的基于机器视觉的床单布匹检测方法的方法流程图;
图2为本发明一个实施例所提供的存在磨损情况的床单布匹图像的示意图;
图3为本发明一个实施例所提供的对床单布匹图像进行边缘检测后的二值图像;
图4为本发明一个实施例所提供的仅含有异常受损区域的边缘的二值图像;
图5为本发明一个实施例所提供的异常受损区域的边缘点的8方向链码的示意图;
图6为本发明一个实施例所提供的仅含有出初始磨损区域的边缘的二值图像;
图7为本发明一个实施例所提供的使用框体进行标注后的床单布匹图像的示意图。
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基于机器视觉的床单布匹检测方法及系统,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。
本发明实施例提供了基于机器视觉的床单布匹检测方法及系统的具体实施方法,该方法适用于床单布匹检测的场景。该场景是在背景为纯色或者大部分背景为纯色且样式简单的布匹在发生机器磨损的情况下,布匹可能存在细小的编制纹理,仅通过边缘检测无法准确的确定布匹的磨损区域,所以需要根据布匹的磨损特征确定布匹的磨损区域。
下面结合附图具体的说明本发明所提供的基于机器视觉的床单布匹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基于机器视觉的床单布匹检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取床单布匹图像;确定所述床单布匹图像的边缘区域。
因为本发明实施例需要实现布匹生产过程中的图像采集,所以在布匹生产系统中添加摄像头。通过摄像头采集床单布匹图像,通过机器视觉对布匹图像的分析,确定由于机器摩擦原因产生的布匹磨损情况。需要说明的是,床单布匹图像为灰度图像。
请参阅图2,图2为存在磨损情况的床单布匹图像。
在床单布匹的生产过程中,布料经过机器设备的拉伸、压缩等工序时,可能会与机器部件产生摩擦,导致布匹表面受损,在床单布匹表面产生毛刺,磨损区域表面的纹理也会发生改变。对于背景为纯色或者大部分为纯色的布匹,磨损区域和正常区域的颜色变换不是很明显,而磨损区域出现的毛刺和不规则纹理相比与正常区域差异比较大,一般表现在床单布匹图像中则呈现出该区域梯度差异比较大。所以可以通过canny边缘检测算法对床单布匹图像进行边缘检测,进行磨损区域的初步确定,将边缘检测得到的区域作为边缘区域。请参阅图3,图3为对床单布匹图像进行边缘检测后的二值图像。
步骤S200,根据所述边缘区域的不规则度和完整度,确定边缘区域为床单布匹的纹理区域的第一可能性;基于所述第一可能性,从所述边缘区域中筛选出异常受损区域。
对于背景为纯色或者大部分背景为纯色且样式简单的布匹,对床单布匹图像进行边缘检测后,若图像中存在磨损,那么边缘区域中可能存在磨损区域的边缘以及布匹纹理边缘。需要通过边缘区域的边缘与布匹正常边缘之间的灰度差异对布匹纹理边缘进行筛选,从而确定磨损区域的位置。
通常情况下,床单布匹图像中若存在样式纹理图案,那么获取的样式纹理边缘通常比较光滑,并且样式或纹理具有明确的形状或者轮廓,获取的样式边缘一般比较完整,则对应的区域的边缘点数量通常比较多。这与磨损区域的边缘形态有所不同,后者一般呈现不规则,也即磨损区域一般呈现形状不规则性,毛糙的特征,边缘波动程度更大,磨损区域由于呈毛刺状,所以获取的边缘一般比较短,边缘的像素点数量也一般比较少。
进一步的,基于上述分析的特征对边缘区域进行初次筛选,筛选出异常受损区域。根据所述边缘区域的不规则度和完整度,确定边缘区域为床单布匹的纹理区域的第一可能性;基于所述第一可能性,从所述边缘区域中筛选出异常受损区域。其中,边缘区域为床单布匹的纹理区域的第一可能性的获取方法,更具体的:根据所述边缘区域的不规则度,确定边缘区域的毛刺程度;根据所述边缘区域的完整程度和毛刺程度,确定边缘区域为床单布匹的纹理区域的第一可能性。
其中,毛刺程度的计算公式为:
其中,为第v个边缘区域的毛刺程度;/>为第v个边缘区域的边缘点数量;/>为第v个边缘区域的第i个边缘点的切线方向;/>为第v个边缘区域的第i-1个边缘点的切线方向;/>为第v个边缘区域的第i+1个边缘点的切线方向。
使用边缘上当前边缘点与相邻边缘点的切线方向的方向差值确定边缘的毛刺程度。当相邻边缘点之间的差异越大时,则对应的该边缘区域对应的毛刺程度越大,边缘区域为磨损区域的概率越大,为床单布料正常纹理或者样式的概率则越小。
进一步的,根据所述边缘区域的完整程度和毛刺程度,确定边缘区域为床单布匹的纹理区域的第一可能性。
将边缘区域的边缘点数量作为边缘区域的完整程度;
将边缘区域的完整程度和毛刺程度的比值的归一化值,作为边缘区域为床单布匹的纹理区域的第一可能性。
该边缘区域为床单布匹的纹理区域的第一可能性的计算公式为:
;
其中,为第v个边缘区域为床单布匹的纹理区域的第一可能性;/>为归一化函数;/>为第v个边缘区域的毛刺程度;/>为第v个边缘区域的完整程度。
在边缘区域为床单布匹的纹理区域的第一可能性的计算公式中使用归一化指数函数,也即softmax函数作为归一化函数,在其他实施例中还可以使用其他归一化函数。边缘区域的边缘点数量作为边缘区域的完整程度,该完整程度越大,说明该边缘为样式边缘的可能性也比较大,毛刺程度反映了该边缘区域的边缘波动程度,该毛刺程度/>的取值越大,反映该边缘的波动程度越大,属于样式边缘的可能性也越小。
在得到边缘区域为床单布匹的纹理区域的第一可能性之后,基于第一可能性,从边缘区域中筛选出异常受损区域。更具体的:将第一可能性小于或等于预设第一阈值的边缘区域作为异常受损区域;将第一可能性大于预设第一阈值的边缘区域作为正常区域,也即正常区域更大概率为纹理样式区域,将纹理样式区域进行删除,仅保留异常受损区域。在本发明实施例中预设第一阈值的取值为0.8,在其他实施例中可由实施者根据实际情况调整该取值。
请参阅图4,图4为仅含有异常受损区域的边缘的二值图像。
步骤S300,根据所述异常受损区域的形态变化和边缘明暗变化,确定异常受损区域为床单布匹的纹理区域的第二可能性;基于所述第二可能性,从所述异常受损区域中筛选出初始磨损区域。
由于床单布匹是棉线编织而成,织物的编织密度越紧,颜色在床单布匹表面分布更均匀,织物编织密度越松,棉线之间的空隙增加,会导致床单布匹表面出现各种规律的纹理。由机器原因造成的布匹纹理,其机器沿着直线方向进行织造,该纹理边缘一般呈现为直线边缘线条。在布匹磨损的区域,确定的边缘则呈现不规则形态。
故对于任意异常受损区域,从其异常受损区域的形态变化和边缘明暗变化,可以再次对该区域是否为磨损区域进行分析,或者说可以对该区域是否为纹理区域进行分析。根据异常受损区域的形态变化和边缘明暗变化,确定异常受损区域为床单布匹的纹理区域的第二可能性,具体的:根据异常受损区域的形态变化,确定异常受损区域的区域边缘特征;根据异常受损区域的边缘明暗变化,确定异常受损区域的明暗异常特征;结合异常受损区域的区域边缘特征和明暗异常特征,确定异常受损区域为床单布匹的纹理区域的第二可能性。
其中,根据异常受损区域的形态变化,确定异常受损区域的区域边缘特征,在本发明实施例中可以通过异常受损区域的边缘点的链码值,来实现对异常受损区域的形态变化的体现。
具体的:获取异常受损区域的相邻边缘点之间的链码值;将相邻边缘点的链码值的差值作为边缘点的形态变化值;计算每个异常受损区域的所有边缘点的形态变化值的均值,作为每个异常受损区域的区域边缘特征。需要说明的是,每个异常受损区域都有各自对应的区域边缘特征。其中,像素点的链码值的获取方法为本领域技术人员的公知技术,在此不再赘述。在本发明实施例中通过8方向链码按逆时针顺序表示异常受损区域的边界。请参阅图5,图5为异常受损区域的边缘点的8方向链码的示意图。
该区域边缘特征的计算公式为:
;
其中,为v个异常受损区域的区域边缘特征;/>为第v个异常受损区域的边缘点数量;/>为第v个异常受损区域的第i+1个边缘点的链码值;/>为第v个异常受损区域的第第i个边缘点的链码值。
由于布匹大体呈现纯色背景,纹理边缘两侧的颜色通常比较统一,边缘周围的灰度波动相对较小。由于磨损区域毛刺比较多,获取的边缘周围的灰度波动比较大。
针对任意一个异常受损区域,根据异常受损区域的边缘明暗变化,确定异常受损区域的明暗异常特征。根据边缘上像素点周围3*3邻域的像素点灰度值确定该边缘周围的明暗异常特征,需要说明的是像素点的3*3邻域也即像素点的八邻域。
所述明暗异常特征的计算公式为:
;
其中,为第v个异常受损区域的明暗异常特征;/>为第v个边缘区域的边缘点数量;/>为第v个异常受损区域的第i个边缘点的八邻域内第n个像素点的灰度值;/>为第v个异常受损区域的第i个边缘点的八邻域内像素点的灰度均值。
由于床单布匹图像为灰度图像,故可以通过异常受损区域的边缘的灰度分布,确定异常受损区域的明暗异常特征。床单布匹的纹理或者样式,通常是较为均匀的,其明暗特征存在异常变化的概率较低,而异常受损区域,因为有毛刺或者是别的缺陷,其明暗特征通常是变化较为异常的。当异常受损区域的边缘明暗特征异常时,则对应的异常受损区域的明暗异常特征值越大,异常受损区域为床单布匹上磨损区域的概率越大,反之,则异常受损区域的明暗异常特征值越小,异常受损区域为床单布匹上磨损区域的概率越小。
在床单布匹图像中,特定区域被机器磨损后,形成了片状的磨损区域,获取的磨损区域的边缘也是成片存在,所以磨损区域应该聚集程度也比较高。
可以获取与异常受损区域距离较近的异常受损区域,获取两者之间的像素距离值,确定异常受损区域的临近异常受损区域,进而结合异常受损区域的区域边缘特征和明暗异常特征,确定异常受损区域为床单布匹的纹理区域的第二可能性。
异常受损区域的临近异常受损区域的获取方法为:以任意异常受损区域作为目标异常受损区域,获取目标异常受损区域与距离最近的异常受损区域的最短距离;其中,该距离为像素距离,即最短距离为10时,也即目标异常受损区域与距离最近的异常受损区域之间最小间隔10个像素点;将每个异常受损区域对应的最短距离的均值作为半径,以异常受损区域的最小外接矩形的中心作为圆点,进行作圆,将异常受损区域对应的圆内的异常受损区域作为异常受损区域的临近异常受损区域。若异常受损区域的临近异常受损区域数量越多,则说明该异常受损区域周围的边缘聚集程度越高。
结合所述异常受损区域的区域边缘特征和明暗异常特征,确定异常受损区域为床单布匹的纹理区域的第二可能性。
该第二可能性的计算公式为:
;
其中,为第v个异常受损区域为床单布匹的纹理区域的第二可能性;/>为归一化函数;/>为第v个异常受损区域的明暗异常特征;/>为第v个异常受损区域的临近异常受损区域的数量;/>为第v个异常受损区域的第k个临近异常受损区域的区域边缘特征;/>为第v个异常受损区域的区域边缘特征。
其中,第二可能性的计算公式中,表示临近异常受损区域的区域边缘特征与当前异常受损区域的区域边缘特征之间的差值,该差值越大,说明临近异常受损区域与当前异常受损区域的形态差异特征越明显;/>表示在当前异常受损区域周围的所属区域中,所有临近异常受损区域和当前异常受损区域的特征形态差异情况,的值越大,说明当前异常受损区域周围的所属区域中,异常受损区域之间的形态规律性越差;/>表示归一化函数,使得归一化后的数据区间为[0,1]。
基于所述第二可能性,从所述异常受损区域中筛选出初始磨损区域,具体的:将第二可能性小于或等于预设第二阈值的异常受损区域作为初始磨损区域,而第二可能性大于预设第二阈值的异常受损区域则为布匹纹理边缘。在本发明实施例中预设第二阈值的取值为0.8,在其他实施例中也可以由实施者根据实际情况调整该取值。请参阅图6,图6为仅含有出初始磨损区域的边缘的二值图像。
步骤S400,对所述初始磨损区域进行膨胀,得到床单布匹图像的预测磨损区域。
确定初始磨损区域之后,若某个区域中存在多个小段的初始磨损区域,其初始磨损区域之间的聚集度也比较高,则可以考虑获取这些小段初始磨损区域的包围圈的连通域作为该区域为整体的磨损区域。对于每个初始磨损区域进行膨胀处理,获取膨胀后的膨胀磨损区域,确定各膨胀磨损区域的最小外接矩形为预测磨损区域。需要说明的是,对区域进行膨胀处理为本领域技术人员的公知技术,在此不再进行赘述。
优选的,可以在床单布匹图像上将确定好的预测磨损区域使用框体进行标注,例如圆形或者方形。将标注好的床单布匹图像在机器视觉系统中的可视化显示设备上进行展示,以便工作人员查看。请参阅图7,图7为使用框体进行标注后的床单布匹图像的示意图。
综上所述,本发明涉及图像处理技术领域,该方法首先确定床单布匹图像的边缘区域;根据边缘区域的不规则度和完整度,从边缘区域中筛选出异常受损区域;根据异常受损区域的形态变化和边缘明暗变化,从异常受损区域中筛选出初始磨损区域,对其进行膨胀,得到床单布匹图像的预测磨损区域。本发明通过边缘区域中的不规则度、完整度、形态变化和边缘明暗变化筛除背景样式区域和纹理区域,以确定预测磨损区域,提高确定床单布匹中磨损区域的准确度。
本发明实施例还提出了基于机器视觉的床单布匹检测系统,包括存储器、处理器以及存储在所述存储器中并可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方法的步骤。由于基于机器视觉的床单布匹检测方法在上述给出了详细描述,不再赘述。
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。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。
Claims (3)
1.一种基于机器视觉的床单布匹检测方法,其特征在于,该方法包括以下步骤:
获取床单布匹图像;确定所述床单布匹图像的边缘区域;
根据所述边缘区域的不规则度和完整度,确定边缘区域为床单布匹的纹理区域的第一可能性;基于所述第一可能性,从所述边缘区域中筛选出异常受损区域;
根据所述异常受损区域的形态变化和边缘明暗变化,确定异常受损区域为床单布匹的纹理区域的第二可能性;基于所述第二可能性,从所述异常受损区域中筛选出初始磨损区域;
对所述初始磨损区域进行膨胀,得到床单布匹图像的预测磨损区域;
其中,所述根据所述边缘区域的不规则度和完整度,确定边缘区域为床单布匹的纹理区域的第一可能性,包括:
根据所述边缘区域的不规则度,确定边缘区域的毛刺程度;根据所述边缘区域的完整程度和毛刺程度,确定边缘区域为床单布匹的纹理区域的第一可能性;
其中,所述毛刺程度的计算公式为:
其中,为第v个边缘区域的毛刺程度;/>为第v个边缘区域的边缘点数量;/>为第v个边缘区域的第i个边缘点的切线方向;/>为第v个边缘区域的第i-1个边缘点的切线方向;为第v个边缘区域的第i+1个边缘点的切线方向;
其中,所述根据所述边缘区域的完整程度和毛刺程度,确定边缘区域为床单布匹的纹理区域的第一可能性,包括:
将边缘区域的边缘点数量作为边缘区域的完整程度;
将边缘区域的完整程度和毛刺程度的比值的归一化值,作为边缘区域为床单布匹的纹理区域的第一可能性;
其中,所述根据所述异常受损区域的形态变化和边缘明暗变化,确定异常受损区域为床单布匹的纹理区域的第二可能性,包括:
根据所述异常受损区域的形态变化,确定异常受损区域的区域边缘特征;根据所述异常受损区域的边缘明暗变化,确定异常受损区域的明暗异常特征;结合所述异常受损区域的区域边缘特征和明暗异常特征,确定异常受损区域为床单布匹的纹理区域的第二可能性;
其中,所述根据所述异常受损区域的形态变化,确定异常受损区域的区域边缘特征,包括:
获取异常受损区域的相邻边缘点之间的链码值;
将相邻边缘点的链码值的差值作为边缘点的形态变化值;计算每个异常受损区域的所有边缘点的形态变化值的均值,作为每个异常受损区域的区域边缘特征;
其中,所述明暗异常特征的计算公式为:
;
其中,为第v个异常受损区域的明暗异常特征;/>为第v个边缘区域的边缘点数量;为第v个异常受损区域的第i个边缘点的八邻域内第n个像素点的灰度值;/>为第v个异常受损区域的第i个边缘点的八邻域内像素点的灰度均值;
其中,所述第二可能性的计算公式为:
;
其中,为第v个异常受损区域为床单布匹的纹理区域的第二可能性;/>为归一化函数;/>为第v个异常受损区域的明暗异常特征;/>为第v个异常受损区域的临近异常受损区域的数量;/>为第v个异常受损区域的第k个临近异常受损区域的区域边缘特征;/>为第v个异常受损区域的区域边缘特征。
2.根据权利要求1所述的基于机器视觉的床单布匹检测方法,其特征在于,所述异常受损区域的临近异常受损区域的获取方法为:
以任意异常受损区域作为目标异常受损区域,获取目标异常受损区域与距离最近的异常受损区域的最短距离;
将每个异常受损区域对应的最短距离的均值作为半径,以异常受损区域的最小外接矩形的中心作为圆点,进行作圆,将异常受损区域对应的圆内的异常受损区域作为异常受损区域的临近异常受损区域。
3.一种基于机器视觉的床单布匹检测系统,包括存储器、处理器以及存储在所述存储器中并可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1~2中任意一项所述一种基于机器视觉的床单布匹检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417202.XA CN118014998B (zh) | 2024-04-09 | 2024-04-09 | 基于机器视觉的床单布匹检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417202.XA CN118014998B (zh) | 2024-04-09 | 2024-04-09 | 基于机器视觉的床单布匹检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118014998A CN118014998A (zh) | 2024-05-10 |
CN118014998B true CN118014998B (zh) | 2024-06-11 |
Family
ID=90944708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410417202.XA Active CN118014998B (zh) | 2024-04-09 | 2024-04-09 | 基于机器视觉的床单布匹检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014998B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
EP3876195A1 (en) * | 2020-03-04 | 2021-09-08 | TMT Machinery, Inc. | Image processor and method for evaluating dyeing quality of knit fabric |
CN114998227A (zh) * | 2022-05-20 | 2022-09-02 | 江苏博腾家用纺织品有限公司 | 基于图像处理的布匹印染缺陷检测方法及系统 |
CN115272946A (zh) * | 2022-09-30 | 2022-11-01 | 江苏三通科技有限公司 | 一种应用电子设备对共轨喷油器进行损伤识别的方法 |
CN115311289A (zh) * | 2022-10-12 | 2022-11-08 | 南通甜享纺织品有限公司 | 一种素色布匹油渍缺陷检测方法 |
CN115330795A (zh) * | 2022-10-13 | 2022-11-11 | 南通迅鹰纺织品有限公司 | 布匹毛刺缺陷检测方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
KR20230036675A (ko) * | 2021-09-08 | 2023-03-15 | 정수아 | Cnn 영상처리기법을 이용한 의류 원단의 불량검출 방법 |
CN116309537A (zh) * | 2023-04-24 | 2023-06-23 | 东莞市京品精密模具有限公司 | 一种极耳模具表面油污的缺陷检测方法 |
CN116485783A (zh) * | 2023-05-19 | 2023-07-25 | 浙江工商大学 | 一种改进的深度分离层聚合和空间增强注意力的布匹瑕疵检测方法 |
CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN117274248A (zh) * | 2023-11-20 | 2023-12-22 | 滨州三元家纺有限公司 | 一种布料印染瑕疵缺陷视觉检测方法 |
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 |
-
2024
- 2024-04-09 CN CN202410417202.XA patent/CN118014998B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
EP3876195A1 (en) * | 2020-03-04 | 2021-09-08 | TMT Machinery, Inc. | Image processor and method for evaluating dyeing quality of knit fabric |
KR20230036675A (ko) * | 2021-09-08 | 2023-03-15 | 정수아 | Cnn 영상처리기법을 이용한 의류 원단의 불량검출 방법 |
CN114998227A (zh) * | 2022-05-20 | 2022-09-02 | 江苏博腾家用纺织品有限公司 | 基于图像处理的布匹印染缺陷检测方法及系统 |
CN115272946A (zh) * | 2022-09-30 | 2022-11-01 | 江苏三通科技有限公司 | 一种应用电子设备对共轨喷油器进行损伤识别的方法 |
CN115311289A (zh) * | 2022-10-12 | 2022-11-08 | 南通甜享纺织品有限公司 | 一种素色布匹油渍缺陷检测方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN115330795A (zh) * | 2022-10-13 | 2022-11-11 | 南通迅鹰纺织品有限公司 | 布匹毛刺缺陷检测方法 |
CN116309537A (zh) * | 2023-04-24 | 2023-06-23 | 东莞市京品精密模具有限公司 | 一种极耳模具表面油污的缺陷检测方法 |
CN116485783A (zh) * | 2023-05-19 | 2023-07-25 | 浙江工商大学 | 一种改进的深度分离层聚合和空间增强注意力的布匹瑕疵检测方法 |
CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN117274248A (zh) * | 2023-11-20 | 2023-12-22 | 滨州三元家纺有限公司 | 一种布料印染瑕疵缺陷视觉检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的矿井岩石裂缝识别算法;隋鹏飞等;岛 科 技 大 学 学 报( 自然科学版);20221231;第43卷卷(第6期期);第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN118014998A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842007B (zh) | 一种基于图像处理的纺织品磨损缺陷检测方法 | |
CN113658133B (zh) | 一种基于图像处理的齿轮表面缺陷检测方法及系统 | |
CN114842016B (zh) | 一种基于计算机视觉的消防水带缺陷检测方法及系统 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN115311303B (zh) | 一种纺织品经纬缺陷检测方法 | |
CN115330784B (zh) | 一种布匹表面缺陷检测方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN114663435A (zh) | 一种纺织布料张力异常自动监测方法 | |
CN114529550A (zh) | 一种基于图像处理的纺织品色牢度检测方法及系统 | |
CN116523899A (zh) | 一种基于机器视觉的纺织品瑕疵检测方法及系统 | |
CN114677376A (zh) | 一种基于光照预处理的织带生产瑕疵测试方法及系统 | |
CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
CN116630309A (zh) | 一种布匹断纬瑕疵检测方法 | |
CN110942444B (zh) | 物体检测方法和装置 | |
CN118014998B (zh) | 基于机器视觉的床单布匹检测方法及系统 | |
CN113936001B (zh) | 一种基于图像处理技术的纺织品表面瑕疵点检测方法 | |
CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
CN116894840B (zh) | 纺纱打样机产品质量检测方法及系统 | |
CN117078676B (zh) | 基于图像处理的破碎锤外壳视觉检测方法 | |
CN117876971A (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN115471504B (zh) | 一种基于纺织物的线头自动识别方法 | |
CN116563276A (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 |
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 |