CN107895363A - 基于模板特征的纺织品瑕疵检测方法 - Google Patents

基于模板特征的纺织品瑕疵检测方法 Download PDF

Info

Publication number
CN107895363A
CN107895363A CN201711041790.8A CN201711041790A CN107895363A CN 107895363 A CN107895363 A CN 107895363A CN 201711041790 A CN201711041790 A CN 201711041790A CN 107895363 A CN107895363 A CN 107895363A
Authority
CN
China
Prior art keywords
image
template
textile
detection method
template characteristic
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.)
Pending
Application number
CN201711041790.8A
Other languages
English (en)
Inventor
梁久祯
顾程熙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN201711041790.8A priority Critical patent/CN107895363A/zh
Publication of CN107895363A publication Critical patent/CN107895363A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/36—Textiles
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Textile Engineering (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及纺织品检测技术领域，尤其是基于模板特征的纺织品瑕疵检测方法。该检测方法包括以下步骤，具体可分为训练与检测阶段。训练阶段主要涉及到图像周期大小确定以及分块，模板确定以及模板信息的获取；检测阶段主要涉及到利用训练阶段获取的模板特征对输入图像进行瑕疵检测。本发明提供了一种基于模板特征的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率，同时本方法对瑕疵类型具有普适性。

Description

基于模板特征的纺织品瑕疵检测方法
技术领域
本发明涉及纺织品检测技术领域，尤其是基于模板特征的纺织品瑕疵检测检测方法。
背景技术
纺织品的经济效益由其质量所决定，品质优秀的纺织品会带来收益，而含有瑕疵的残次品则会带来经济损失，传统的人工检测方式是根据检测人员的经验、纺织品的评分和评等标准对纺织品的质量进行评定。这种方式检测速度低，并且漏检率较高，因此需要发展快速、准确且无监督的纺织品瑕疵检测方法。
现今纺织品瑕疵检测针对的织物类型，可以分为两类：第一类是结构简单，不含有复杂的图案，多为纯色的纺织品；第二类则是有较为复杂的图案信息，且图案具有周期性。
对于第一类纯色纺织品图像的质量检测已经有了很多成熟的技术和算法，比较有代表性的有统计法、频谱法、训练法、结构法和模型法等。其中，统计法和谱方法无法针对瑕疵面积较大的纺织品图像进行检测；训练法需要大量地训练参数，所消耗的时间和成本都很高；结构法对样本图像纹理要求很高，对瑕疵类型没有普适性。在这些技术中，模型法能够将瑕疵检测问题转化为统计假设检验问题，利用有限的参数描述了图像中的一个像素与其相邻区域内像素的统计相关性，可以有效地描述纹理的结构特性和统计特性。
对于第二类含有周期基元图案的复杂纺织品图像的质量检测，成熟的技术相对较少，且现有的技术均需要训练样本的参数，所需的时间和成本极高，并且检测结果也一般。
发明内容
本发明要解决的技术问题是：为了解决现有的检测方法周期长、成本高且效果差的不足，本发明提供了一种基于局部最优分析的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率，同时本方法对瑕疵类型具有普适性。
本发明解决其技术问题所采用的技术方案是：
一种基于模板特征的纺织品瑕疵检测方法，包括以下步骤：
训练阶段：
1)输入含有周期变化图案的无瑕纺织品图像；
2)使用总变差模型去除图像纹理纹理特征；
3)确定图案的周期大小；
4)根据周期对图像进行分块；
5)确定模板；
6)获取模板特征；
检测阶段：
1)输入待检测纺织品图像；
2)使用总变差模型去除图像纹理纹理特征；
3)根据周期对图像进行分块；
4)引入模板信息；
5)根据模板校正分得的图像块；
6)比较校正后的图像块以及模板特征，得到最后检测结果。
具体地，所述确定图案的周期模板大小的方法是，在利用总变差模型去除图像纹理信息之后，在图像水平与垂直方向上分别求取图像均值，对求得的序列进行快速傅里叶变换。将傅里叶频谱中相应最大的点，作为单个周期大小。
具体地，所述确定模板的方法是，选取无瑕图像中k个(本方法中k设为200)无瑕的图像块，由于纺织品存在畸变拉伸的影响，分块之后图像块之间存在不一致性，选择一个图像块作为标准，其余图像块根据标准图像块进行校正。然后求取平均图像块作为瑕疵检测的模板。
具体地，所述图像校正方法是，两个图像块之间的差异可以通过变换其中一个图像块中部分行列顺序达到最小。对于本方法中涉及到的图像块的校正，考虑到两个图像块之间的差异是来源于纺织品本身的畸变，这种差异是局部性的，但是在均匀分块后会累积。可以通过改变图像块的行列来消除这种差异，于是，本方法使用了一种变换：
其中，B为模板，A为待校正的图像块，t为涉及的变换，p*,q*为移动的行列，p,q为使上式成立时移动的行列。于是，t(A)定义为：
其中，Tv,Th为两个矩阵，定义为：
根据矩阵间相乘规律，该变换可以看成是一个迭代的过程，p*与q*控制宽度为p*以及q*的部分与剩余的部分做位置上的调换，当结果与目标模板最为接近时，即式(1)达到最小时，完成校正过程。
具体地，所述模板特征提取方法是，对于选择的k个无瑕图像块，首先减少原图像的灰度级，在本方法中，灰度级减少为8个，即对于原图像块任意一点像素值P，变换完成之后，减少灰度级的做法可以达到简化检测过程的目的，而将简化后的图像灰度级定为8是符合人眼对灰度差的感知能力；其次，简化后的图像灰度范围为[0,7]，统计k个经变换后的图像块，每一块中的灰度分布。于是有：
其中，Nj(P*＝i)代表第j个图像块中，像素值等于i的像素个数。μ代表均值。计算这k个图像块中各像素值分布的均值，可以了解其大致的分布趋势。同时，计算：
计算各像素值分布的标准差，以得到每个像素值的分布范围，定义决策边界：
[μi-λ×σi,μi+λ×σi] (5)
本方法中，λ＝2.5。这种方法比通常情况下使用最大值以及最小值的阈值更具有鲁棒性。
具体地，所述比较校正后的图像块以及模板特征方法是，首先，对于每一个待测的图像块，进行校正以及减少灰度级操作(与训练内容一致)，得到其灰度分布，若像素分布在之前定义的决策范围内，则认为待测图像块是无瑕的，反之，则认为是瑕疵的；其次，在瑕疵块的定位基础上，由于先前定义了模板，将模板与检测出的瑕疵块，按照灰度级分层，总共可分为8层。然后将模板与待测块每一层比较，与模板不一致的认为是瑕疵，记为1，一致的认为是无瑕部分，记为0。最后将瑕疵块每个灰度层相加，并进行窗口大小为3×3的中值滤波优化结果。
本发明的有益效果是：本发明提供了一种基于模板特征的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率，同时本方法对瑕疵类型具有普适性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的检测方法流程框图；
图2是本发明的利用总变差模型纹理去除后的效果图；
图3是本发明的垂直方向与水平方向的像素均值曲线图；
图4是本发明的均值曲线图的快速傅里叶变换频谱图；
图5是本发明的图像校正方法图；
具体实施方式
现在结合附图对本发明作进一步详细的说明。
图1是本发明的检测方法流程框图；图2是本发明的利用总变差模型纹理去除后的效果图；图3是本发明的垂直方向与水平方向的像素均值曲线图；图4是本发明的均值曲线图的快速傅里叶变换频谱图；图5是本发明的图像校正方法图；
一种基于模板特征的纺织品瑕疵检测方法，整体框图如图1所示，左图为本方法的训练阶段，右图为本方法的测试阶段：
训练阶段：1)输入含有周期变化图案的无瑕纺织品图像；2)使用总变差模型去除图像纹理纹理特征；3)确定图案的周期大小；4)根据周期对图像进行分块；5)确定模板；6)获取模板特征；
检测阶段：1)输入待检测纺织品图像；2)使用总变差模型去除图像纹理纹理特征；3)根据周期对图像进行分块；4)引入模板信息；5)根据模板校正分得的图像块；6)比较校正后的图像块以及模板特征，得到最后检测结果。
对于绝大多数纺织品图像来说，包含有大量的纹理信息。这些纹理信息会对瑕疵检测造成一定程度的影响。总变差模型(Relative Total Variation)是为了消除纹理信息而被提出的。对纺织品图像使用总变差模型后的结果如图2所示，左侧为原图像，右侧为经过处理后的图像。可见，绝大多数的纹理信息被去除了。
确定待测纺织品图像分块模板的大小，对于一个含有基本图案，大小为M×N的纺织品图像I，要确定大小为r×c的基本图案，首先在水平方向与垂直方向上求取均值，其曲线如图3所示。左侧为水平方向上均值曲线，右侧为垂直方向上均值曲线，水平方向与垂直方向上的均值曲线呈现极强的周期性。利用快速傅里叶变换(FFT)可以对周期性曲线进行处理，找到响应最大的点作为图像的周期大小。如图4所示，根据绘制的周期--功率图可以看出，水平方向上在周期为16的时候响应最大(左图)，垂直方向上在周期为21响应最大(右图)，所以基本图案大小为16×21，即r＝16,c＝21。而且给出的图像为一张瑕疵图像，在水平方向上均值曲线120～140中间异常，然而使用该方法依然能够准确地求出周期大小，可以看出该方法在瑕疵面积较小时具有良好的鲁棒性。
对于本方法中涉及到的图像块的校正，其校正结果如图5所示。可以看出，样本区块一开始与目标区块并不一致，然而样本区块部分行列进行变换之后得到了校正后的区块，使其能与目标区块有良好的一致性。
应当理解,虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于模板特征的纺织品瑕疵检测方法，其特征是，包括以下步骤：
训练阶段：
1)输入含有周期变化图案的无瑕纺织品图像；
2)使用总变差模型去除图像纹理特征；
3)确定图案的周期大小；
4)根据周期对图像进行分块；
5)确定模板；
6)获取模板特征；
检测阶段：
1)输入待检测纺织品图像；
2)使用总变差模型去除图像纹理纹理特征；
3)根据周期对图像进行分块；
4)引入模板信息；
5)根据模板校正分得的图像块；
6)比较校正后的图像块以及模板特征，得到最后检测结果。
2.根据权利要求1所述的模板特征的纺织品瑕疵检测方法，其特征在于：所述确定图案的周期模板大小的方法是，在利用总变差模型去除图像纹理信息之后，在图像水平与垂直方向上分别求取图像均值，对求得的序列进行快速傅里叶变换。将水平方向与垂直方向上均值的傅里叶频谱中相应最大的点，作为单个周期大小。
3.根据权利要求1所述的模板特征的纺织品瑕疵检测方法，其特征在于：所述确定模板的方法是，选取无瑕图像中200个无瑕的图像块，由于纺织品存在畸变拉伸的影响，分块之后图像块之间存在不一致性，选择一个图像块作为标准，其余图像块根据标准图像块进行校正。然后求取平均图像块作为瑕疵检测的模板。
4.根据权利要求3所述的模板特征的纺织品瑕疵检测方法，其特征在于：所述图像校正方法是，两个图像块之间的差异可以通过变换其中一个图像块中部分行列顺序达到最小。
5.根据权利要求1所述的模板特征的纺织品瑕疵检测方法，其特征在于：所述模板特征提取方法是，对于选择的200个无瑕图像块，首先减少图像灰度级，本方法中将原图像256个灰度级减少至8个灰度级，然后再进行灰度级分布分析，获得决策边界。
6.根据权利要求1所述的模板特征的纺织品瑕疵检测方法，其特征在于：所述比较校正后的图像块以及模板特征方法是，对于每一个待测的图像块，求取其像素分布，与权利要求5中所述的决策边界进行比较，若在边界内，则认为是无瑕的，反之，则认为是瑕疵。同时，由于定义了统一模板，将模板按照灰度级分层，逐层与待测图像块比较，与模板不一致的认为是瑕疵，反之则认为是无瑕的。
CN201711041790.8A 2017-10-31 2017-10-31 基于模板特征的纺织品瑕疵检测方法 Pending CN107895363A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711041790.8A CN107895363A (zh) 2017-10-31 2017-10-31 基于模板特征的纺织品瑕疵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711041790.8A CN107895363A (zh) 2017-10-31 2017-10-31 基于模板特征的纺织品瑕疵检测方法

Publications (1)

Publication Number Publication Date
CN107895363A true CN107895363A (zh) 2018-04-10

Family

ID=61803403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711041790.8A Pending CN107895363A (zh) 2017-10-31 2017-10-31 基于模板特征的纺织品瑕疵检测方法

Country Status (1)

Country Link
CN (1) CN107895363A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949287A (zh) * 2019-03-15 2019-06-28 江南大学 一种基于自适应分割与模板校正的织物瑕疵检测方法
CN110544253A (zh) * 2019-09-12 2019-12-06 福州大学 基于图像金字塔和列模板的织物瑕疵检测方法
CN111325707A (zh) * 2018-12-13 2020-06-23 深圳中科飞测科技有限公司 一种图像处理方法和***、检测方法和***
CN111784691A (zh) * 2020-07-27 2020-10-16 泉州迈斯特新材料科技有限公司 一种纺织品瑕疵检测方法
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CZ308682B6 (cs) * 2019-03-29 2021-02-17 ŠKODA AUTO a.s. Způsob vyhodnocování měření lámavosti textilie metodou vzpěru

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871053A (zh) * 2014-02-25 2014-06-18 苏州大学 一种基于视觉显著性的布匹瑕疵检测方法
CN104458766A (zh) * 2014-12-31 2015-03-25 江南大学 一种基于结构纹理法的布匹表面瑕疵检测方法
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN106296689A (zh) * 2016-08-10 2017-01-04 常州信息职业技术学院 瑕疵检测方法、***及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871053A (zh) * 2014-02-25 2014-06-18 苏州大学 一种基于视觉显著性的布匹瑕疵检测方法
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104458766A (zh) * 2014-12-31 2015-03-25 江南大学 一种基于结构纹理法的布匹表面瑕疵检测方法
CN106296689A (zh) * 2016-08-10 2017-01-04 常州信息职业技术学院 瑕疵检测方法、***及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325707A (zh) * 2018-12-13 2020-06-23 深圳中科飞测科技有限公司 一种图像处理方法和***、检测方法和***
CN109949287A (zh) * 2019-03-15 2019-06-28 江南大学 一种基于自适应分割与模板校正的织物瑕疵检测方法
CZ308682B6 (cs) * 2019-03-29 2021-02-17 ŠKODA AUTO a.s. Způsob vyhodnocování měření lámavosti textilie metodou vzpěru
CN110544253A (zh) * 2019-09-12 2019-12-06 福州大学 基于图像金字塔和列模板的织物瑕疵检测方法
CN110544253B (zh) * 2019-09-12 2023-01-10 福州大学 基于图像金字塔和列模板的织物瑕疵检测方法
CN111784691A (zh) * 2020-07-27 2020-10-16 泉州迈斯特新材料科技有限公司 一种纺织品瑕疵检测方法
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置

Similar Documents

Publication Publication Date Title
CN107895363A (zh) 基于模板特征的纺织品瑕疵检测方法
CN106875373B (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
CN110046673B (zh) 基于多特征融合的无参考色调映射图像质量评价方法
US10789696B2 (en) Patch selection for neural network based no-reference image quality assessment
CN111242878B (zh) 基于布谷鸟搜索的矿井下图像增强方法
CN110472575B (zh) 一种基于深度学习和计算机视觉的串番茄成熟度检测方法
CN113313641A (zh) 一种自适应中值滤波的ct图像去噪方法
CN103164855B (zh) 一种结合反射光照的贝叶斯决策前景提取方法
CN114782562A (zh) 基于数据识别的服装布料浸染监测方法及人工智能***
CN111127383A (zh) 一种数码印花在线缺陷检测***及其实现方法
CN110443778A (zh) 一种检测工业品不规则缺陷的方法
CN116485785B (zh) 一种太阳能电池片的表面缺陷检测方法
CN107564000A (zh) 基于计算机视觉的猴头菇无损检测分级方法
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN111626335A (zh) 一种像素增强的神经网络的改进难例挖掘训练方法及***
CN109903275A (zh) 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法
CN116612110B (zh) 用于渐变印染效果的质量智能评估方法
CN112950479B (zh) 一种图像灰度区域拉伸算法
CN112019774B (zh) 一种红外高位宽数字图像的高质量显示方法
CN113902765B (zh) 基于全景分割的半导体自动分区方法
CN112070723B (zh) 一种素色机织物密度的自动识别方法
CN116797468A (zh) 基于软边重建的自校准深度曲线估计的低光照图像增强方法
CN113469998B (zh) 基于主观和客观特征融合的全参考图像质量评价方法
CN116824586B (zh) 图像处理方法及应用该方法的黑蒜生产质量在线检测***
CN111179224A (zh) 一种基于联合学习的航拍图像修复质量的无参考评价方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180410