CN103456021A - 一种基于形态学分析的布匹瑕疵检测方法 - Google Patents
一种基于形态学分析的布匹瑕疵检测方法 Download PDFInfo
- Publication number
- CN103456021A CN103456021A CN2013104377479A CN201310437747A CN103456021A CN 103456021 A CN103456021 A CN 103456021A CN 2013104377479 A CN2013104377479 A CN 2013104377479A CN 201310437747 A CN201310437747 A CN 201310437747A CN 103456021 A CN103456021 A CN 103456021A
- Authority
- CN
- China
- Prior art keywords
- flaw
- image
- value
- piece goods
- blemish
- 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
Images
Landscapes
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于形态学分析的布匹瑕疵检测方法,采用线阵相机对运动中的布匹进行图像采集,通过对布匹灰度图像进行,获取布匹相邻组织点间距,作为结构元素大小参考值;接着进行形态学闭操作,填充常规的织点缝隙,瑕疵处的织点数偏少且不规律,在亮度上被突显出来;最后,对图像进行二值化处理,其阈值的确定通过灰度幂次变换的γ训练选取进行控制,统计并标注二值瑕疵图,输出瑕疵信息,完成布匹的瑕疵检测过程。本发明方法结构更加准确简单,提高了计算速度;能够减弱背景亮度不均的干扰;便于实现自动检测。
Description
技术领域
本发明涉及一种织物的检测方法,具体涉及一种布匹的瑕疵检测方法,尤其是一种基于形态学分析的布匹瑕疵检测方法。
背景技术
在纺织品生产过程中,质量控制和检测是非常重要的,布匹瑕疵检测是其中尤为关键的组成部分。目前,大部分纺织企业的检测方式仍是人工检测,这种方式检测速度低,易受检测员主观因素的影响,误检、漏检的情况多有发生,并且国内劳动力成本越来越高,因而人工检测越来越满足不了现代制造企业的要求。以先进的自动检测技术代替人工检测,能很好地提高检测效率、减小劳动力、降低劳动强度和进一步提高布匹的质量。
目前,市场上有以比利时Barco公司的Cyclops验布***、以色列Evs公司的I-TEX2000验布***、瑞士Uster公司的Fabriscan布匹品质自动检测***等为主的布匹检测***。上述设备大多价格十分昂贵,国内的纺织企业多数难以承担。
现有技术中,布匹瑕疵检测方法大致分为3类:基于统计法、基于模型法和基于谱分析法。较为经典的方法有:基于统计的灰度共生矩方法、基于谱分析的傅里叶变换方法、小波变换方法、Gabor滤波器方法和基于模型的马尔科夫随机场方法。其中,常用的检测算法是基于谱分析的方法或与其他方法的结合,这些方法通过空间域与频域的转换,提取相关特征信息,但涉及频域的方法计算量较大,域间来回转换使部分信息的准确性难以保证。
随着线阵相机的发展,高速采集高分辨率图像成为可能,再加上空间域的直观性的优势,这为发展一些新的基于空间域的瑕疵检测方法提供了基础。
发明内容
本发明的发明目的是提供一种基于形态学分析的布匹瑕疵检测方法,以降低对布匹瑕疵进行自动检测的成本,替代国内普遍使用的人工检测手段。
为达到上述发明目的,本发明采用的技术方案是:一种基于形态学分析的布匹瑕疵检测方法,包括如下步骤:
(1)、采用线阵相机对运动中的布匹进行图像采集,获取位深度为8的布匹灰度图像;
(2)、将布匹灰度图像进行基本亮度拉伸、二值化处理,统计组织点分布数目,并计算出布匹相邻组织点间距r,作为结构元素大小参考值;
(3)、根据瑕疵类型选取结构元素,对于呈近似圆形的瑕疵,所述结构元素取为半径为r的圆盘结构,对于线型的瑕疵,所述结构元素取为边长为r的方形结构;
(4)、对原布匹灰度图像通过顶、底帽变换进行对比度拉伸,同时减弱环境光对图像的影响;
(5)、采用形态学中膨胀、腐蚀的方式对对比度拉伸后的灰度图像进行处理,先膨胀再腐蚀,以填充常规组织点间的暗色缝隙,与瑕疵处形成亮度上的对比;
(6)、对(5)所得图像用灰度幂次变换进行负片操作,使瑕疵部分成为亮色主体,同时训练调整灰度幂次变换中的 值,对灰度值进行拉伸压缩,直至同一环境亮度下完好部分与瑕疵部分灰度值分布于127.5两侧;
(7)、对(6)所得图像进行以127.5为阈值的二值化处理,并作结构元素大小为r的膨胀运算,对瑕疵进行凹陷填充;
(8)、在二值化处理后的图像中,对于取值为1的点利用八连通的方式进行标注连通,连通区域的数目即为瑕疵个数;统计每个连通区域内包含的像素之和为该瑕疵的面积,计算连通区域的质心为该瑕疵的中心位置,由此实现布匹瑕疵的检测。
上述技术方案中,首先对输入图像进行基本二值化操作,分析获取布匹相邻织点距离,为后续形态学处理提供结构元素大小;然后用顶帽变换的方式灰度值的拉伸,增强图像对比度,使其不局限于较小的灰度范围;接着进行形态学闭操作,填充常规的织点缝隙,瑕疵处的织点数偏少且不规律,在亮度上被突显出来;最后,对图像进行二值化处理,其阈值的确定通过灰度幂次变换中γ值的训练调整进行控制,统计并标注二值瑕疵图,输出瑕疵信息,完成布匹的瑕疵检测过程。
上述技术方案中,步骤(2)中,直接从空间域角度用几何方式,统计其组织点数,从而计算出相邻组织点间的距离,作为形态学结构元素大小的参考值。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
本发明从空间域角度通过对图像的结构分析采用数学形态学的方法解决了瑕疵检测这一复杂的现实问题。其难点在于形态学结构元素的大小的确定,结构元素的选取是保证形态学运算准确性的关键,本发明用线阵高清相机采集图像,布匹组织点结构清晰,利用几何知识便可计算出结构元素的取值参考值,而不用转换到频域来计算相关尺度参数,并且本方法结构更加准确简单,提高了计算速度;另本发明在进行对比度拉伸时,并不是使用一般的亮度变换,而是采用顶、底帽变换方式,因为在进行顶帽变换时能够减弱背景亮度不均的干扰;再者,本发明将二值化处理时的阈值的设定转化为灰度幂次变换时γ值的选取,不同图像阈值不同的原因是环境亮度改变影响图像灰度值,则从灰度角度来对这一变量进行控制,处理结果会更准确。
附图说明
图1是本发明实施例中基于形态学分析的布匹瑕疵检测方法流程图;
图2-图6是实施例中采集的常见不同环境亮度时布匹瑕疵样本图像;
图7-图12是以图4为例的瑕疵检测过程图像;
图13-16是常见的布匹瑕疵图像的检测结果输出图像。
具体实施方式
下面结合附图及实施例对本发明作进一步描述:
实施例一:参见图1所示,为基于形态学分析的布匹瑕疵检测方法研究的流程图。首先利用对采集的图像计算结构元素,用形态学方式增强对比度、闭操作填充组织点缝隙,进行压缩性负片运算后二值化,统计标记瑕疵输出相关信息。
如图2至图6是本发明采集的典型瑕疵图像,以下以图4为例对检测算法进行具体阐述:
1、计算结构元素大小
首先计算所采集布匹图像的相邻组织点间距,当布匹图像较大时,可以对布匹图像进行样本分割采集,如截取长为a=500、宽为b=200的大致均为分布于原图中的4块样本图像,如图7所示。
将样本图像进行线性亮度拉伸,使得图像灰度值覆盖于0~255,以127.5为阈值作二值化处理,则图像中组织点表现为白色亮点(值为1)。用八连通的方式对标记值为1的点标记连通分量,统计得500×200像素的各样本组织点分布数目平均值为n=1376,则计算出布匹相邻组织点间距的公式为 ,结果作为结构元素大小。
根据常见瑕疵类型选取结构元素,从结构上通常分为两类:一类是圆形度较高的破洞、污点等瑕疵,如图2、3、5,结构元素采用圆盘结构,圆盘半径取为r;另一类则是宽度较窄类似于线型的缺经、缺纬等瑕疵,如图4、11,此时结构元素选用方形结构,方形边长取为r。
2、原瑕疵图增强对比度
对所采集的原图像通过顶帽变换进行对比度拉伸,同时减弱环境光对图像亮暗不均的影响。相机所拍图像的灰度值较为集中,瑕疵与织点的像素值差距并没有足够大,如图4,其灰度值范围为47~186,即对比不明显,因而要增强对比度。常用的方式是线性亮度变换,将47~186按线性比例拉伸至0~255,但观察图像可知其亮度不均匀,线性亮度变换并不能减小环境亮度干扰。
本发明选用基于顶帽、底帽变换的形态学对比度拉伸变换。顶帽变换是将原图减去其开运算后的结果,对于背景不均匀的图像,当结构元素取到合适的值时,开运算得到背景,顶帽变换结果就是排除背景影响的图像。同理,底帽变换是将原图减去其闭运算后的结果。
上述两个变换可以一起使用用于增强对比度,称其为形态学对比度变换。
对缺经瑕疵图作此对比度拉伸的结果如图8所示。
3、组织点缝隙填充
采用膨胀、腐蚀的方式对对比度拉伸后的灰度图像进行处理,先膨胀再腐蚀,填充常规组织点间的暗色缝隙,与瑕疵处形成亮度上的对比。
对图8进行先腐蚀后膨胀,则能起到将灰度值很小即处于波谷的值向上拉伸,使波谷平缓的作用。总体来看,除了瑕疵处其他部分整体亮度偏亮,瑕疵被突出,如图9。
4、负片转换、二值化
对缝隙填充所得的图像用灰度幂次变换进行负片操作,使瑕疵部分成为亮色主体,同时训练调整幂次变换的γ值,对灰度值适当拉伸压缩,使得在同一环境亮度下图像的完好部分和瑕疵部分的灰度值分布于127.5两侧。
因为闭运算后所得图像图9,并不是只有瑕疵为暗色,其余有部分像素与瑕疵差距不大,此环境下要将暗色压缩至较窄范围,因此选用γ<1。γ具体数值的确定,采用对无瑕疵图像的训练,此缺经图像所处环境完好图像训练得临界值0.92,γ要尽量接近临界值,过小导致亮度压缩太过,产生漏检,取0.90,结果如图10。如图2、3的环境亮度下γ<1,此时需将暗色范围压缩,且γ值比图4更小;如图5、6的环境亮度下γ>1,此时需将亮色范围压缩。然后进行默认二值化,并作适当膨胀对瑕疵凹陷填充,去除边缘毛刺,如图11。
5、统计瑕疵信息并输出
经过二值化处理后,图像背景像素值为0(黑色),瑕疵像素值为1(白色),对于标记为1的点用八连通的方式进行标注连通,连通区域的数目即为瑕疵个数;统计每个连通区域内包含的像素之和为该瑕疵的面积,计算连通区域的质心为该瑕疵的中心位置。最后,输出瑕疵图像及上述瑕疵参数,如图12。
图7至图12直观地展现出缺经瑕疵的检测处理过程,其他常见瑕疵的检测结果如图13至图16所示。
Claims (3)
1.一种基于形态学分析的布匹瑕疵检测方法,其特征在于,包括如下步骤:
(1)、采用线阵相机对运动中的布匹进行图像采集,获取位深度为8的布匹灰度图像;
(2)、将布匹灰度图像进行基本亮度拉伸、二值化处理,统计组织点分布数目,并计算出布匹相邻组织点间距r,作为结构元素大小参考值;
(3)、根据瑕疵类型选取结构元素,对于呈近似圆形的瑕疵,所述结构元素取为半径为r的圆盘结构,对于线型的瑕疵,所述结构元素取为边长为r的方形结构;
(4)、对原布匹灰度图像通过顶、底帽变换进行对比度拉伸,同时减弱环境光对图像的影响;
(5)、采用形态学中膨胀、腐蚀的方式对对比度拉伸后的灰度图像进行处理,先膨胀再腐蚀,以填充常规组织点间的暗色缝隙,与瑕疵处形成亮度上的对比;
(6)、对(5)所得图像用灰度幂次变换进行负片操作,使瑕疵部分成为亮色主体,同时训练调整灰度幂次变换中的γ值,对灰度值进行拉伸压缩,直至同一环境亮度下完好部分与瑕疵部分灰度值分布于127.5两侧;
(7)、对(6)所得图像进行以127.5为阈值的二值化处理,并作结构元素大小为r的膨胀运算,对瑕疵进行凹陷填充;
(8)、在二值化处理后的图像中,对于取值为1的点利用八连通的方式进行标注连通,连通区域的数目即为瑕疵个数;统计每个连通区域内包含的像素之和为该瑕疵的面积,计算连通区域的质心为该瑕疵的中心位置,由此实现布匹瑕疵的检测。
2.根据权利要求1所述的基于形态学分析的布匹瑕疵检测方法,其特征在于:步骤(2)中,直接从空间域角度用几何方式统计其组织点数,从而计算出相邻组织点间的距离,作为形态学结构元素大小的参考值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310437747.9A CN103456021B (zh) | 2013-09-24 | 2013-09-24 | 一种基于形态学分析的布匹瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310437747.9A CN103456021B (zh) | 2013-09-24 | 2013-09-24 | 一种基于形态学分析的布匹瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103456021A true CN103456021A (zh) | 2013-12-18 |
CN103456021B CN103456021B (zh) | 2016-05-18 |
Family
ID=49738349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310437747.9A Active CN103456021B (zh) | 2013-09-24 | 2013-09-24 | 一种基于形态学分析的布匹瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103456021B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142349A (zh) * | 2014-07-28 | 2014-11-12 | 云南省机械研究设计院 | 一种检测外包装透明薄膜热封缺陷的方法 |
CN105354836A (zh) * | 2015-10-14 | 2016-02-24 | 合肥安晶龙电子股份有限公司 | 色选方法 |
CN106504251A (zh) * | 2016-09-22 | 2017-03-15 | 北京科技大学 | 一种基于图片处理的电子铝箔立方织构含量检测方法 |
CN107248158A (zh) * | 2017-07-20 | 2017-10-13 | 广东工业大学 | 一种图像处理的方法及*** |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN110400306A (zh) * | 2019-07-29 | 2019-11-01 | 恒天嘉华非织造有限公司 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
CN110458761A (zh) * | 2019-06-25 | 2019-11-15 | 千奥星科南京生物科技有限公司 | 一种脑部医学荧光视频图像修复方法 |
CN110579486A (zh) * | 2019-10-18 | 2019-12-17 | 东莞市庆颖智能自动化科技有限公司 | 半导体硅晶柱内部瑕疵影像检测设备及方法 |
CN113222882A (zh) * | 2020-01-21 | 2021-08-06 | 上海铼钠克数控科技股份有限公司 | 布匹接缝检测方法及装置、电子设备、存储介质 |
CN115311294A (zh) * | 2022-10-12 | 2022-11-08 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
CN116579672A (zh) * | 2023-07-15 | 2023-08-11 | 图南益(杭州)智能科技有限公司 | 一种布匹质量管控方法、***、电子设备和存储介质 |
Citations (4)
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 |
CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
CN102680478A (zh) * | 2012-04-25 | 2012-09-19 | 华南农业大学 | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 |
CN103175844A (zh) * | 2012-03-16 | 2013-06-26 | 沈阳理工大学 | 一种金属零部件表面划痕缺陷检测方法 |
-
2013
- 2013-09-24 CN CN201310437747.9A patent/CN103456021B/zh active Active
Patent Citations (4)
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 |
CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
CN103175844A (zh) * | 2012-03-16 | 2013-06-26 | 沈阳理工大学 | 一种金属零部件表面划痕缺陷检测方法 |
CN102680478A (zh) * | 2012-04-25 | 2012-09-19 | 华南农业大学 | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
HENRY Y.T. NGAN,GRANTHAM K.H. PANG,NELSON H.C. YUNG: "Automated fabric defect detection-A review", 《IMAGE AND VISION COMPUTING》 * |
HONG-GANG BU,JUN WANG,XIU-BAO HUANG: "Fabric defect detection based on multiple fractal features and support vector data description", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 * |
K.L.MARK,P.PENG,K.F.C. YIU: "Fabric defect detection using morphological filters", 《IMAGE AND VISION COMPUTING》 * |
王文杰: "瑕疵点检测算法研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142349A (zh) * | 2014-07-28 | 2014-11-12 | 云南省机械研究设计院 | 一种检测外包装透明薄膜热封缺陷的方法 |
CN105354836A (zh) * | 2015-10-14 | 2016-02-24 | 合肥安晶龙电子股份有限公司 | 色选方法 |
CN105354836B (zh) * | 2015-10-14 | 2018-08-28 | 合肥安晶龙电子股份有限公司 | 色选方法 |
CN106504251A (zh) * | 2016-09-22 | 2017-03-15 | 北京科技大学 | 一种基于图片处理的电子铝箔立方织构含量检测方法 |
CN106504251B (zh) * | 2016-09-22 | 2019-02-15 | 北京科技大学 | 一种基于图片处理的电子铝箔立方织构含量检测方法 |
CN107248158A (zh) * | 2017-07-20 | 2017-10-13 | 广东工业大学 | 一种图像处理的方法及*** |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109509187B (zh) * | 2018-11-05 | 2022-12-13 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN110458761A (zh) * | 2019-06-25 | 2019-11-15 | 千奥星科南京生物科技有限公司 | 一种脑部医学荧光视频图像修复方法 |
CN110400306A (zh) * | 2019-07-29 | 2019-11-01 | 恒天嘉华非织造有限公司 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
CN110579486A (zh) * | 2019-10-18 | 2019-12-17 | 东莞市庆颖智能自动化科技有限公司 | 半导体硅晶柱内部瑕疵影像检测设备及方法 |
CN113222882A (zh) * | 2020-01-21 | 2021-08-06 | 上海铼钠克数控科技股份有限公司 | 布匹接缝检测方法及装置、电子设备、存储介质 |
CN115311294A (zh) * | 2022-10-12 | 2022-11-08 | 启东金耀億华玻纤材料有限公司 | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 |
CN116579672A (zh) * | 2023-07-15 | 2023-08-11 | 图南益(杭州)智能科技有限公司 | 一种布匹质量管控方法、***、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103456021B (zh) | 2016-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103456021A (zh) | 一种基于形态学分析的布匹瑕疵检测方法 | |
CN102221559B (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN102158653B (zh) | 一种实时高动态范围数字图像获取装置及方法 | |
CN103063167B (zh) | 一种自动判断激光清洗效果的方法 | |
CN103698341B (zh) | 一种棉花轧工质量检测***及棉花轧工质量图像检测方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN102622763A (zh) | 阴影检测与消除方法 | |
CN102622602B (zh) | 一种棉花异性纤维图像在线分割方法及*** | |
CN104408709B (zh) | 一种线阵ccd相机图像灰度不匀快速矫正方法 | |
US11055839B2 (en) | Method for fast judging and optimizing light emitting quality of light guide plate based on image processing technology | |
CN105044128A (zh) | 基于光照背景差影法的水果表面缺陷检测方法 | |
CN103839271A (zh) | 一种基于最佳匹配的图像纹理合成方法 | |
CN110378887A (zh) | 屏幕缺陷检测方法、装置及***、计算机设备及介质 | |
CN107025891B (zh) | 一种显示模组缺陷快速修复方法及*** | |
CN103471974A (zh) | 一种图像法测定织物理论孔隙率的方法 | |
CN105184256B (zh) | 一种浪涌测试受试设备状态灯图像模式识别方法 | |
CN113362274B (zh) | 一种雨量监测计算方法 | |
Wang et al. | A background correction method for particle image under non-uniform illumination conditions | |
CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
CN104899863A (zh) | 一种模具保护器及其实现方法 | |
CN112488986A (zh) | 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及*** | |
CN103927544A (zh) | 皮棉轧工质量的机器视觉分级方法 | |
CN104165696A (zh) | 一种材料表面颜色特征在线自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Suzhou City, Jiangsu province 215137 Xiangcheng District Ji Road No. 8 Patentee after: Soochow University Address before: 215123 Suzhou City, Suzhou Province Industrial Park, No. love road, No. 199 Patentee before: Soochow University |