织物疵点的检测方法和系统 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及数字图像处理及缺陷检测技术领域，具体涉及一种织物疵点的检测方法和系统，尤其涉及一种基于周期分割和模板减法的格子布色织物的疵点检测方法和系统。背景技术：2.随着数字图像处理技术的快速发展，计算机视觉技术已在工业瑕疵检测领域广泛应用。近些年模式识别、人工智能和图像处理等应用理论和技术得到大力发展，二维傅里叶变换、小波变换、人工神经网络和贝叶斯模型分类等算法被应用至织物的纹理表征与疵点识别，然而多数的现有算法只针对于白坯布，对于具有花纹周期的格子布色织物的适用仍具有难度，仍处于实验探索阶段。3.格子布具有两种或以上色彩的纱线交织而成，底层的纱线染色情况以及交织部分的结合密度的稀疏情况都会影响呈现出的织物纹理与色彩均匀情况。4.由此可见，为了能够建成相关系统并适用于工业实际生产，能否基于现有技术中的不足，提供一种改进的织物疵点的检测技术，有效解决现有的检测技术中无法检测具有花纹周期的格子布色织物的疵点的问题，实现质量稳定、检测准确、节约成本，成为本领域技术人员亟待解决的技术难题。技术实现要素：5.发明所要解决的课题6.本发明的目的是在于克服现有技术的缺陷，提供一种织物疵点的检测方法和系统，有效解决现有的检测技术中无法检测具有花纹周期的格子布色织物的疵点的问题。7.用于解决课题的方法8.本发明第一方面涉及一种织物疵点的检测方法，包括以下步骤：9.周期匹配步骤，采集制作多张织物的检测图像，基于直方图匹配法检测织物的花纹的位置周期，获得检测图像的纵向周期位置的匹配结果；10.变换滤波步骤，通过二维离散傅里叶变换将检测图像转换至频域，经过滤波器过滤操作分离高频噪声对检测图像的干扰，以减弱织物纹理的规律性特征；11.分块去边步骤，按照所述匹配结果，对检测图像的周期单元区域进行分块与去边，划分出检测图像的单元格；12.提取滤波步骤，对于所述单元格内的纹理周期进行提取与均值滤波操作，进一步优化噪声干扰；13.特征提取步骤，按所述单元格自动生成均值模板，以检测图像与均值模板作减法差值运算，提取疵点特征的信息情况；14.分割二值步骤，采用最大熵阈值分割法对所述减法差值运算的结果进行二值化操作，以增强疵点特征的信息情况；15.形态处理步骤，对疵点特征进行形态学操作处理以整合疵点信息，并除去部分噪点的干扰情况后得到疵点特征图像；16.轮廓识别步骤，通过连通域轮廓识别法检测经所述疵点特征图像，确定疵点的轮廓大小以及所在位置，作为疵点检测结果在检测图像上输出。17.优选地，在周期匹配步骤中，以直方图相关性系数作为匹配依据来基于直方图匹配法检测织物的花纹的位置周期。18.优选地，在变换滤波步骤中，滤波器为高斯低通滤波器。19.优选地，在提取滤波步骤中，采用自相关函数识别所述单元格内的纹理周期来对于所述单元格内的纹理周期进行提取与均值滤波操作。20.优选地，在特征提取步骤中，通过计算灰度均值来按所述单元格自动生成均值模板。21.优选地，在分割二值步骤中，通过计算概率分布熵来实行最大熵阈值分割法。22.本发明第二方面涉及一种织物疵点的检测系统，包括：23.周期匹配单元，采集制作多张织物的检测图像，基于直方图匹配法检测织物的花纹的位置周期，获得检测图像的纵向周期位置的匹配结果；24.变换滤波单元，通过二维离散傅里叶变换将检测图像转换至频域，经过滤波器过滤操作分离高频噪声对检测图像的干扰，以减弱织物纹理的规律性特征；25.分块去边单元，按照所述匹配结果，对检测图像的周期单元区域进行分块与去边，划分出检测图像的单元格；26.提取滤波单元，对于所述单元格内的纹理周期进行提取与均值滤波操作，进一步优化噪声干扰；27.特征提取单元，按所述单元格自动生成均值模板，以检测图像与均值模板作减法差值运算，提取疵点特征的信息情况；28.分割二值单元，采用最大熵阈值分割法对所述减法差值运算的结果进行二值化操作，以增强疵点特征的信息情况；29.形态处理单元，对疵点特征进行形态学操作处理以整合疵点信息，并除去部分噪点的干扰情况后得到疵点特征图像；30.轮廓识别单元，通过连通域轮廓识别法检测经所述疵点特征图像，确定疵点的轮廓大小以及所在位置，作为疵点检测结果在检测图像上输出。31.发明的效果32.根据本发明所涉及的织物疵点的检测方法和系统，有效解决了现有的检测技术中对检测图像要求质量过高的技术难题，实现质量稳定、检测准确、节约成本。附图说明33.图1为本发明的第一实施方式的织物疵点的检测方法的步骤图。34.图2为第一实施方式中图像直方图匹配位置的示意图。35.图3为第一实施方式中高斯滤波器的参数模型的示意图。36.图4为第一实施方式中滤波结果的示意图。37.图5为第一实施方式中图像周期单元分割结果的示意图。38.图6为第一实施方式中周期单元去边操作像素区域的示意图。39.图7为第一实施方式中单元周期内均值滤波结果的示意图。40.图8为第一实施方式中生成均值模板的示意图。41.图9为第一实施方式中图像减法结果的示意图。42.图10为第一实施方式中最大熵阈值分割结果的示意图。43.图11为第一实施方式中形态学操作结果图像的示意图。44.图12为第一实施方式中最终结果输出的示意图。45.图13为本发明的第二实施方式的织物疵点的检测系统的示意图。具体实施方式46.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。47.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。48.图1为本发明的第一实施方式的疵点的检测方法的步骤图。如图1所示，疵点的检测方法包括以下步骤。周期匹配步骤s1，在该步骤中，采集制作多张织物的检测图像，基于直方图匹配法检测织物的花纹的位置周期，获得检测图像的纵向周期位置的匹配结果。变换滤波步骤s2，在该步骤中，通过二维离散傅里叶变换将检测图像转换至频域，经过滤波器过滤操作分离高频噪声对检测图像的干扰，以减弱织物纹理的规律性特征。分块去边步骤s3，在该步骤中，按照所述匹配结果，对检测图像的周期单元区域进行分块与去边，划分出检测图像的单元格。提取滤波步骤s4，在该步骤中，对于所述单元格内的纹理周期进行提取与均值滤波操作，进一步优化噪声干扰。特征提取步骤s5，在该步骤中，按所述单元格自动生成均值模板，以检测图像与均值模板作减法差值运算，提取疵点特征的信息情况。分割二值步骤s6，在该步骤中，采用最大熵阈值分割法对所述减法差值运算的结果进行二值化操作，以增强疵点特征的信息情况。形态处理步骤步骤s7，在该步骤中，对疵点特征进行形态学操作处理以整合疵点信息，并除去部分噪点的干扰情况后得到疵点特征图像。轮廓识别步骤s8，在该步骤中，通过连通域轮廓识别法检测经所述疵点特征图像，确定疵点的轮廓大小以及所在位置，作为疵点检测结果在检测图像上输出。49.更具体的，周期匹配步骤s1的具体执行方法如下。50.首先以无瑕的布匹作为制作模板的样本，从一个完整的纵向周期位置开始，采集制作连续的多张不同位置的等间距像素间隔图像作为匹配模板，使采集图像的像素大小横向和纵向都满足n个周期。51.对输入图像位置周期模板的匹配。方法为：对图像进行四角区域位置的样本提取。提取输入图像八个角点位置和第i个模板八个角点位置，将得到的如图2所示的16个区域。再对提取的区域进行边界裁剪，纵向位置满足最小周期单元的尺寸大小，横向位置去除边界各25像素以减少边界误差，使其像素大小为300px*250px，进行直方图相似度对比，其中(i＝1,2,3…n)，n为模板个数，本实施方式中，n＝50。52.以直方图相关性系数作为模板匹配的依据，其公式如下：[0053][0054][0055]式中d(h1,h2)表示直方图h1与h2的相关系数，n是直方图的bin个数，是均值。[0056]相似度对比方法为：图像bgr三通道特征值经转换至hsv色彩空间后，计算样本和模板的相应直方图并归一化到相同尺度空间，以统计学中的相关系数公式，计算相关性，取16个区域对应位置二者匹配的8组数据结果值，去除其中的最大最小值并加权平均，以相似度最大值模板作为检测图像的模板。[0057]为防止可能存在的区域内疵点影响判定结果，取8区域值去除其中的最大最小值并加权平均，得到最终的对应纵向周期位置匹配数值结果，寻求相似度最大值模板作为检测图像的位置识别结果。[0058]更具体的，变换滤波步骤s2的具体执行方法如下。[0059]首先，将检测图像经过二维离散傅里叶变换至频域，设置滤波器对信息内容进行滤波分离干扰。[0060]二维离散傅里叶变换(dft)公式为:[0061][0062]eix＝cosx+isinxꢀꢀ(4)[0063]计算式(3)中，f(k,l)表示f(i,j)的傅里叶变换，f是空间域的图像值，f是频域的图像值。计算式(4)为欧拉公式。[0064]其次，设置高斯低通滤波器，参数模型如图3所示，过滤图像中呈周期性规律的高频信息，增强图像低频的不规律信息，削弱织物纹理对疵点信息的干扰判断，处理结果如图4所示。[0065]通过高斯低通滤波器对频域图像进行滤波去除高频噪声，其传输函数定义为:[0066][0067]其中，d0是截止频率，d(u,v)是距频率矩形中心的距离。高斯滤波器的宽度由参数d0表征，决定了平滑程度，且d0越大，高斯滤波器的频带就越宽，平滑程度就越好。[0068]更具体的，分块去边步骤s3的具体执行方法如下。[0069]按照步骤一中匹配到的模板的周期，划分被检查图像周期，结果如图5所示。[0070]再对分割后单元的四周交界处进行去边处理。[0071]图像中间部分的完整周期区域，如图6所示，以300px*300px的采集图像周期单元格像素为例，将其裁剪至270px*270px的单色格区域以去除区域边界。[0072]图像上下位置的不完整周期区域，以实际分割像素大小为基础，边界各去除15px像素区域，若不完整周期的纵向像素大小不大于30px，则忽略这部分不完整周期。[0073]更具体的，提取滤波步骤s4的具体执行方法如下。[0074]取匹配模板上任意一组不重复的最小周期单元图像，以式3离散序列相关性计算公式为前提，采用自相关函数识别最小周期单元块内织物纹理的周期情况。[0075]离散序列的相关性定义公式为：[0076][0077]式中，r(n)为互相关函数，反映向量x(k)和移位向量y(k)之间的相似性，形式为滞后的函数，n为参变量。按照横向和纵向纹理周期大小，设置均值滤波核的参数，进行均值滤波操作，淡化织物纹理周期并均匀周期单元块内色差减，处理后的检测图像如图7所示。[0078]更具体的，特征提取步骤s5的具体执行方法如下。[0079]为凸显疵点瑕疵的纹理信息，以及去除彩色背景的差异影响，以最小周期单元块内局部灰度统计量作为区域均值色彩与光照情况的描述，计算分割周期单元块内的像素灰度统计均值，自动生成该位置的均值模板图像，其效果如图8所示。[0080]图像周期单元单色格区域灰度均值由以下公式计算得出：[0081][0082][0083]式中，p(zk)为图像中灰度级zk出现的概率，nk是灰度zk在图像中出现的次数，mn是像素总数。m为图像像素的平均灰度值，k＝0,1,2,…,l-1表示数字图像中所有可能的灰度值情况，l为像素个数。[0084]图像像素灰度作减法差值运算：[0085]dst(i)c＝abs(src1(i)c-src2(i)c)ꢀꢀ(9)[0086]dst是输出距阵，src1、src2分别为两个输入距阵。[0087]根据式4计算公式，以检测图像与均值模板图像对应像素位置灰度作差，将差值结果取绝对值后作为灰度图像输出，生成疵点信息的特征图像，其结果如图9所示。[0088]更具体的，分割二值步骤s6的具体执行方法如下。[0089]采用最大熵阈值分割方法进行二值化处理，基于图像全局计算灰度的概率密度分布情况，寻求最佳分割阈值使前景和背景两部分熵值和最大，分割图像提取重点瑕疵区域的疵点特征，消除噪声等背景信息的干扰，其结果如图10所示。[0090]概率分布熵的计算公式为：[0091][0092][0093]式中，h(t)和h(b)分别为背景与前景概率分布熵计算公式，pn，1-pn[0094]分别是t为阈值分割的背景和前景像素的累积概率，其两者之和为1。分别是t为阈值分割的背景和前景像素的累积概率，其两者之和为1。为概率灰度分布。t为i∈{0，1，...，t}的分布，b为i∈{t+1，...，l-1}的分布。[0095]φ(t)为h(t)和h(b)的和，则[0096]φ(t)＝h(t)+h(b)ꢀꢀ(12)[0097]φ(t)表示图像的总熵值，阈值分割的门限值t为argtmaxφ(t)。[0098]此外，熵值的计算公式也可以定义为：[0099][0100]式中，估算的概率密度函数p(g)，指图像灰度中每一个灰度g所发生的概率，g＝i(u,v)为距阵第u行v列的灰度值，logb(x)表示以b为底，x的对数函数。h()总是大于0的正数，p(g)范围为[0,1]，对于任何底对数logb(x)总小于或等于0。[0101]更具体的，形态处理步骤s7的具体执行方法如下。[0102]对疵点信息进行形态学操作，整合区域内离散的疵点信息。提取疵点特征图像的结构元素作为操作核，对图像进行先膨胀后腐蚀的闭操作处理，联结部分相邻的分散信息，融合疵点的整体特征。[0103]再以连通域面积设定阈值，进行面积域滤波，本实例中设置面积连通域参数为150px，去除小于最小疵点特征连通域的噪点等细小区域干扰，结果如图11所示。[0104]更具体的，轮廓识别步骤s8的具体执行方法如下。[0105]对疵点轮廓进行识别检测，画出最小外接矩阵框，在彩色输入图像上进行标注，作为最终检测结果输出，如图12所示。[0106]采用了第一实施方式的织物疵点的检测方法，与以往的现有工艺相比，解决了现有的检测技术中对检测图像要求质量过高的技术难题，实现质量稳定、检测准确、节约成本。[0107](实施例)[0108]以下参照图2-图12，对本发明的一个实施例进行说明。[0109]步骤一、以无瑕的布匹作为制作模板的样本，采集制作连续的50张不同位置的等间距像素间隔图像作为匹配模板，使采集图像的像素大小横向和纵向都满足n个周期。实例中采集图像大小为3000px*1800px，最小周期单元大小为300px*300px，故模板图像横向包含10个最小周期单元，纵向包含至少5个完整最小周期单元。根据纵向600px为一个图像采集周期，因此从完整周期位置开始每间隔12px采集一次图像制作成为无瑕模板。[0110]对图像进行四角区域位置的样本提取。提取输入图像八个角点位置和第i个模板八个角点位置，将得到的16个区域。再对提取的区域进行边界裁剪，纵向位置满足最小周期单元300px的尺寸大小，横向位置去除边界各25像素以减少边界误差，使其像素大小为300px*250px，进行直方图相似度对比，其中(i＝1,2,3…n)，n为模板个数，本实例中，n＝50。[0111]根据计算式(1)进行计算，实例输入图像与第10个模板的8组区域计算结果分别为:0.985421,0.772881,0.982031,0.983192,0.977481,0.788631,0.975305,0.980612。去除最大和最小值作加权平均后的结果为：0.947875，此结果为50张模板匹配结果的最大值，故第10个模板图像为匹配的最优模板结果。[0112]步骤二、首先，将检测图像经过二维离散傅里叶变换至频域，并将滤波器函数与dft结果的乘积。[0113]接着，设置高斯低通滤波器，滤波器宽度参数d0为50，参数模型如图3所示，根据计算式(5)所定义的传输函数，过滤图像中呈周期性规律的高频信息，增强图像低频的不规律信息，削弱织物纹理对疵点信息的干扰判断，处理结果如图4所示。[0114]步骤三、首先，按照步骤一中匹配到的模板的周期，划分被检查图像周期，结果如图5所示。[0115]接着，再对分割后单元的四周交界处进行去边处理。图像中间部分的完整周期区域，如图6所示，以300px*300px的采集图像周期单元格像素为例，将其裁剪至270px*270px的单色格区域以去除区域边界。图像上下位置的不完整周期区域，以实际分割像素大小为基础，边界各去除15px像素区域，若不完整周期的纵向像素大小不大于30px，则忽略这部分不完整周期。[0116]步骤四、取匹配模板上任意一组不重复的最小周期单元图像，以计算式(6)的离散序列相关性计算公式为前提，采用自相关函数识别最小周期单元块内织物纹理的周期情况。[0117]在最小周期单元内计算像素间的相关系数，根据上式计算结果，以横坐标为像素位置，纵坐标为相关系数，可得到水平方向相隔区域内的极值坐标为：[0,1],[29,0.971],[58,0.967],[84,0.957],[113,0.959],[142,0.971]。[0118]同理以横坐标为相关系数，纵坐标为像素位置，可得到竖直方向相隔区域内的极值坐标为：[0119][1,0],[0.981,24],[0.982,48],[0.978,72],[0.976,96],[0.977,120]。[0120]由以上数据可得最小周期单元内，织物纹理周期情况以[29,24]大小为循环周期，，设置均值滤波核的大小参数为[29,24]，进行均值滤波操作，淡化织物纹理周期并均匀周期单元块内色差减，处理后的检测图像如图7所示。[0121]步骤五、以最小周期单元块内局部灰度统计量作为区域均值色彩与光照情况的描述，计算分割周期单元块内的像素灰度统计均值，自动生成该位置的均值模板图像，其效果如图8所示。图像像素灰度作减法差值运算采用上述计算式(9)。[0122]根据计算式(9)，以检测图像与均值模板图像对应像素位置灰度作差，将差值结果取绝对值后作为灰度图像输出，生成疵点信息的特征图像，其结果如图9所示。[0123]步骤六、采用最大熵阈值分割方法进行二值化处理，基于图像全局计算灰度的概率密度分布情况，寻求最佳分割阈值使前景和背景两部分熵值和最大。[0124]概率分布熵的计算公式采用上述计算式(10)、(11)、(12)。[0125]以上式为依据，寻找阈值分割的门限值t为argtmaxφ(t)。根据计算结果当t＝35时，前景熵值(frontentropy)为3.39518，背景熵值(backentropy)为2.47355，此时为最大熵值(maxentropy)为5.86873。[0126]以阈值t分割图像提取重点瑕疵区域的疵点特征，消除噪声等背景信息的干扰，其结果如图10所示。[0127]步骤七、对疵点信息进行形态学操作，整合区域内离散的疵点信息。提取疵点特征图像的结构元素作为操作核，设置为矩形内核形状尺寸大小为[50,50]，锚点位于中心点。对图像进行先膨胀后腐蚀的闭操作处理，联结部分相邻的分散信息，融合疵点的整体特征。[0128]再以连通域面积设定阈值，进行面积域滤波，本实例中设置面积连通域参数为150px，去除小于最小疵点特征连通域的噪点等细小区域干扰，结果如图11所示。[0129]步骤八、对疵点轮廓进行识别检测，画出最小外接矩阵框，在彩色输入图像上进行标注，作为最终检测结果输出，如图12所示。[0130]在采用了上述实施例中的模板匹配方法之后，检测便捷快速，不依赖于庞大的硬件系统体系，检测成本更为低廉，具有更高的识别效率和稳定性，能够改善图像全局光照不均匀而造成的特征值误差，且能够提取出疵点的特征轮廓信息，具有更为精确定位疵点位置区间的能力，克服了现有的检测技术中无法检测具有花纹周期的格子布色织物的疵点的缺点。[0131]图13为为本发明的第二实施方式的织物疵点的检测系统的示意图。如图13所示，检测系统包括以下部件。周期匹配单元1，对模板图像进行裁剪、分块、直方图均衡化，再对模板图像的灰度共生矩阵特征的统计值进行计算获得模板图像的特征值。变换滤波单元2，根据特征值计算单元1中获得的特征值，分块制作模板。检测图像处理单元3，在用相机拍摄检测图像之后，进行裁剪、分块、直方图均衡化，再对检测图像的灰度共生矩阵特征的统计值进行计算获得检测图像每一块的特征值。模板匹配单元4，对于已分块的检测图像的每一块，读入该块的模板信息，将该块的特征值传入模型判断该块是否为疵点块。[0132]由于第二实施方式的检测系统是与第一实施方式的检测方法相对应的检测系统，因此第一实施方式中的各种细节以及变化也同样适用于第二实施方式，在此不再赘述。[0133]产业应用性[0134]根据本发明所涉及的织物疵点的检测方法和系统，有效解决了现有的检测技术中无法检测具有花纹周期的格子布色织物的疵点的问题，实现质量稳定、检测准确、节约成本。[0135]以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!