CN110570418A - 一种织唛缺陷检测方法和装置 - Google Patents
一种织唛缺陷检测方法和装置 Download PDFInfo
- Publication number
- CN110570418A CN110570418A CN201910866365.5A CN201910866365A CN110570418A CN 110570418 A CN110570418 A CN 110570418A CN 201910866365 A CN201910866365 A CN 201910866365A CN 110570418 A CN110570418 A CN 110570418A
- Authority
- CN
- China
- Prior art keywords
- woven label
- sample image
- image
- label sample
- defect detection
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本申请公开了一种织唛缺陷检测方法和装置,方法包括:获取待检测织唛样本图像;对待检测织唛样本图像赋予权重,得到新的织唛样本图像;基于新的织唛样本图像构造先验矩阵;将先验矩阵代入到预置目标函数中,对预置目标函数进行迭代优化;根据优化结果对新的织唛样本图像进行分割,得到分割后的织唛样本图像;将分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果,解决了现有的织唛缺陷检测为通过人眼来检测,受人为检测存在的不确定因素影响,导致准确度不高的技术问题。
Description
技术领域
本申请属于表面缺陷检测技术领域,尤其涉及一种织唛缺陷检测方法和装置。
背景技术
表面缺陷检测是现代制造业的一个组成部分,占据着不可或缺的位置,如钢板和纺织面料生产。在纺织行业,柔印纺织唛在其中的重要性更加凸显,织唛上面不仅记载着用料成分比例,还有保存方法洗涤方式,其质量检测就成为重中之重的工作。
由于织唛在生产工艺上的特殊性,为确保批量生产中产品的正确性,工业界采用的方法是先选取首次生产的样品对其进行缺陷检测,保证产品没有缺陷问题再进行批量生产,这种方式被称为织唛首件缺陷检测,简称为首检。目前,行业内对于纺织唛的缺陷检测主要依靠人眼,由于嘈杂的工厂环境,大量的检测工作以及对质量检测的高要求,还有强光下对眼睛的伤害,导致误检率和漏检率较高。柔性纺织唛产品中的缺陷,包括字符的漏印,错印、多印、少印、脏污还有划痕等,字符的种类繁多,不仅包括繁体汉字还有对应需求国家的语言,由于质检人员文化水平的限制,更加增大了误检、漏检的风险,导致检测准确度不高。
发明内容
本发明提供了一种织唛缺陷检测方法和装置,用于解决现有的织唛缺陷检测为通过人眼来检测,受人为检测存在的不确定因素影响,导致准确度不高的技术问题。
有鉴于此,本申请第一方面提供了一种织唛缺陷检测方法,包括:
获取待检测织唛样本图像;
对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像;
基于所述新的织唛样本图像构造先验矩阵;
将所述先验矩阵代入到预置目标函数中,对所述预置目标函数进行迭代优化;
根据优化结果对所述新的织唛样本图像进行分割,得到分割后的织唛样本图像;
将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
优选地,所述对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像,包括:
根据对所述待检测织唛样本图像进行非广义熵计算得到的熵值对所述待检测织唛样本图像赋值权重,得到新的织唛样本图像。
优选地,所述基于所述新的织唛样本图像构造先验矩阵,包括:
对所述新的织唛样本图像进行等块像素分块处理,得到多个等大小的像素块;
对所述多个像素块进行特征提取,得到一一对应的多个特征向量;
在所述多个特征向量中随机选择s个特征向量,对所述s个特征向量求均值,得到平均特征向量;
将所述平均特征向量作为候选参考特征向量,重复k次,得到k个候选参考特征向量,其中,s、k均为大于0的整数;
计算所述k个候选参考特征向量的均值,得到平均候选参考特征向量;
计算所述多个特征向量与平均候选参考特征向量之间的空间距离,构造先验知识;
根据所述先验知识构造所述先验矩阵。
优选地,所述将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果,之前还包括:
基于自适应阈值分割算法对所述分割后的织唛样本图像进行再次分割。
优选地,所述对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像,之前还包括:
对所述待检测织唛样本图像进行预处理。
优选地,所述将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果,包括:
将所述分割后的织唛样本图像与模板图像进行差分处理;
当所述差分处理得到的差分图像的像素值全为0时,缺陷检测结果为所述待检测织唛图像没有缺陷,当所述差分处理得到的差分图像的像素值不全为0时,缺陷检测结果为所述待检测织唛图像为缺陷图像,且差分图像中的像素值不为0的位置为缺陷具***置。
优选地,所述预置目标函数为其中,I为标准织唛图像,I′为所述新的织唛样本图像,W为所述先验矩阵,E为变量,λ用于平衡和两部分,且λ>0。
本申请第二方面提供了一种织唛缺陷检测装置,包括:
图像获取模块,用于获取待检测织唛样本图像;
权重模块,用于对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像;
第一构造先验矩阵模块,用于基于所述新的织唛样本图像构造先验矩阵;
迭代优化模块,用于将所述先验矩阵代入到预置目标函数中,对所述预置目标函数进行迭代优化;
优化分割模块,用于根据优化结果对所述新的织唛样本图像进行分割,得到分割后的织唛样本图像;
缺陷检测模块,用于将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
优选地,所述第一构造先验矩阵模块,包括:
像素分块模块,用于对所述新的织唛样本图像进行等块像素分块处理,得到多个等大小的像素块;
特征提取模块,用于对所述多个像素块进行特征提取,得到一一对应的多个特征向量;
第一求均值模块,用于在所述多个特征向量中随机选择s个特征向量,对所述s个特征向量求均值,得到平均特征向量;
重复模块,用于将所述平均特征向量作为候选参考特征向量,重复k次,得到k个候选参考特征向量,其中,s、k均为大于0的整数;
第二求均值模块,用于计算所述k个候选参考特征向量的均值,得到平均候选参考特征向量;
计算模块,用于计算所述多个特征向量与平均候选参考特征向量之间的空间距离,构造先验知识;
第二构造先验矩阵模块,用于根据所述先验知识构造所述先验矩阵。
优选地,还包括:
预处理模块,用于对所述待检测织唛样本图像进行预处理。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种织唛缺陷检测方法,包括:获取待检测织唛样本图像;对待检测织唛样本图像赋予权重,得到新的织唛样本图像;基于新的织唛样本图像构造先验矩阵;将先验矩阵代入到预置目标函数中,对预置目标函数进行迭代优化,根据优化结果对新的织唛样本图像进行分割,得到分割后的织唛样本图像;将分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。本申请通过对待检测织唛样本构建先验矩阵,将先验的纹理信息粗略的缺陷位置,加入到预置目标函数中,通过添加先验矩阵能够更准确、更快速地求出优化模型的最优解,从而更准确的检测出缺陷所在的位置,不需要依靠人眼来进行缺陷检测,避免了人工检测存在人为不确定因素影响检测的准确度问题,解决了织唛缺陷检测准确度不高的技术问题。
附图说明
图1为本申请提供的一种织唛缺陷检测方法的一个实施例的流程示意图;
图2为本申请提供的一种织唛缺陷检测方法的另一个实施例的流程示意图;
图3为本申请提供的一种织唛缺陷检测装置的一个实施例的结构示意图;
图4为本申请提供的一种织唛缺陷检测方法的构造先验矩阵的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种织唛缺陷检测方法的一个实施例,包括:
步骤101,获取待检测织唛样本图像。
需要说明的是,可以通过CCD相机采集纺织品上的织唛图像,得到织唛样本图像;由于可能会存在不符合要求的织唛样本图像,例如,模糊不清、质量不高的织唛样本图像,为了不影响织唛检测结果,可以对得到的织唛样本图像进行筛选,筛选掉模糊不清、质量不高的织唛样本图像,得到待检测织唛样本图像。
步骤102,对待检测织唛样本图像赋予权重,得到新的织唛样本图像。
需要说明的是,对待检测织唛样本图像赋予权重,得到新的织唛样本图像,这一步骤是为了让待检测织唛样本上存在的缺陷更加突出,为后续优化目标函数减少计算时间,以便更快的得到最优解。
步骤103,基于新的织唛样本图像构造先验矩阵。
需要说明的是,构造先验矩阵是为了有效的检测织唛样本图像上的缺陷,并且通过在目标函数中添加先验矩阵,使得目标函数更容易收敛,有利于快速获得最小值。
步骤104,将先验矩阵代入到预置目标函数中,对预置目标函数进行迭代优化。
需要说明的是,待检测织唛样本图像的缺陷为标准织唛图像与待检测织唛样本图像的差值,当待检测织唛样本图像没有缺陷时,目标函数取得最小值为0,当待检测织唛样本图像存在缺陷时,目标函数取得最小值的位置即为缺陷所在的位置,通过对预置目标函数反复迭代优化,得到最小值。
通过添加先验矩阵,使得目标函数更容易收敛,有利于快速获得最小值;通过添加先验矩阵,将先验的纹理信息粗略的缺陷位置,加入到预置目标函数中,通过添加此先验矩阵能够更准确、更快速地求出优化模型的最优解。
步骤105,根据优化结果对新的织唛样本图像进行分割,得到分割后的织唛样本图像。
需要说明的是,通过对预置目标函数反复迭代优化,得到最小值,基于最小值对新的织唛样本图像进行分割,得到分割后的织唛样本图像,从而将缺陷部分和非缺陷部分进行区分,以便于后续进行缺陷检测。
步骤106,将分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
需要说明的是,将分割后的织唛样本图像与模板图像进行匹配,得到的缺陷检测结果包括待检测织唛样本图像存在缺陷或待检测织唛样本图像不存在缺陷,其中模板图像为标准织唛图像去掉纹理之后的织唛图像。
目前对于纺织唛的缺陷检测主要依靠人眼,由于嘈杂的工厂环境,大量的检测工作以及对质量检测的高要求,还有强光下对眼睛的伤害,导致误检率和漏检率较高。柔性纺织唛产品中的缺陷,包括字符的漏印,错印、多印、少印、脏污还有划痕等,字符的种类繁多,不仅包括繁体汉字还有对应需求国家的语言,由于质检人员文化水平的限制,更加增大了误检、漏检的风险,导致检测准确度不高。
本申请通过对待检测织唛样本构建先验矩阵,将先验的纹理信息粗略的缺陷位置,加入到预置目标函数中,通过添加先验矩阵能够更准确、更快速地求出优化模型的最优解,从而更准确的检测出缺陷所在的位置,不需要依靠人眼来进行缺陷检测,避免了人工检测存在人为不确定因素影响检测的准确度问题,解决了织唛缺陷检测准确度不高的技术问题。
为了便于理解,请参阅图2,本申请提供的一种织唛缺陷检测方法的另一个实施例,包括:
步骤201,获取待检测织唛样本图像。
需要说明的是,可以通过CCD相机采集纺织品上的织唛图像,得到织唛样本图像;由于可能会存在不符合要求的织唛样本图像,例如,模糊不清、质量不高的织唛样本图像,为了不影响织唛检测结果,可以对得到的织唛样本图像进行筛选,筛选掉模糊不清、质量不高的织唛样本图像,得到待检测织唛样本图像。
步骤202,对待检测织唛样本图像进行预处理。
需要说明的是,对待检测织唛样本图像进行灰度二值化处理,得到灰度的待检测织唛样本图像,即预处理后的待检测织唛样本图像,通过对待检测织唛样本图像进行灰度二值化处理,可以减少计算量,有助于提高织唛检测速度。
步骤203,根据对预处理后的待检测织唛样本图像进行非广义熵计算得到的熵值对待检测织唛样本图像赋值权重,得到新的织唛样本图像。
需要说明的是,对预处理后的待检测织唛样本图像进行熵计算,通过具有高斯增益的非广义熵,可以准确度表示待检测织唛样本图像纹理中的相关性,通过熵值对待检测织唛样本图像赋予权重,在不需要人为干预的情况下将织唛样本图像上的特征准确的表示出来,有助于提高检测准确度。
假设预处理后的待检测织唛样本图像为x=[x1,x2,…,xN],熵计算公式如下所示:
其中,H=[H1,H2,…Hi,…,HN]为计算得到的熵值。根据计算得到的熵值进行权重计算,即:
ω=Hi/H
其中,ω=[ω1,ω2,…,ωN]为计算得到的权重,将ω作用到预处理后的待检测织唛样本图像x=[x1,x2,…,xN]上,得到新的织唛样本图像I′=[ω1x1,ω2x2,…,ωNxN]。
现有技术中通常直接采用纹理图像,并对纹理图像进行增强,使其特征信息更加的凸显,该方法对传统的周期性纹理纺织品有较好的检测效果,但是对于非周期性的柔性织唛的检测准确度较低。
为了解决上述问题,本实施例中通过对预处理后的织唛样本图像进行熵值计算,自适应赋予织唛样本区域纹理信息所占整体织唛样本的权重,通过区域熵值与整体织唛样本熵值的比得到准确的纹理分布规律,将得到的局部区域权重赋予到预处理后的待检测织唛样本图像中,得到带有准确纹理信息的新的织唛样本图像,因此构建的新的织唛样本图像进行后续的优化处理,解决了样本种类多,纹理信息复杂所导致的检测准确度不高的技术问题,对于周期性纹理的织唛样本图像和非周期性的柔性织唛样本图像的均有较高的检测结果。
步骤204,基于新的织唛样本图像构造先验矩阵。
需要说明的是,请参阅图4,基于新的织唛样本图像构造先验矩阵,具体步骤为:对新的织唛样本图像进行等块像素分块处理,得到n个等大小的像素块,例如,可以分块成10×10等大小的像素块;对得到的n个像素块分别进行特征提取,通过计算每个像素块相邻像素间的均值和方差,来提取特征,分别得到一一对应的n个特征向量,为g1,g2,…,gn,其中n为大于0的整数。
在得到的n个特征向量中随机选择s个特征向量,对这s个特征向量求均值,得到平均特征向量;
将该平均特征向量作为候选参考特征向量,该过程重复k次遍历整个新的织唛样本图像,得到k个候选参考特征向量,为m1,m2,…,mk,其中,n>s>0、s、k均为大于0的整数。
计算得到的k个候选参考特征向量的均值,得到平均候选参考特征向量计算n个特征向量与平均候选参考特征向量之间的空间距离,基于距离获得最优的候选参考特征向量m′,关系式具体如下所示:
计算每个像素块对应的特征向量与最优的候选参考特征向量m′之间的空间距离,以此构造先验知识,即:
其中,p=[p1,p2,…,pn]为构造的先验知识,根据先验知识构造先验矩阵W,即:
W=exp(-p)
构造先验矩阵是为了有效的检测织唛样本图像上的缺陷,并且通过在目标函数中添加先验矩阵,使得目标函数更容易收敛,有利于快速获得最小值。
步骤205,将先验矩阵代入到预置目标函数中,对预置目标函数进行迭代优化。
需要说明的是,本申请实施例中的预置目标函数为其中,I为标准织唛图像,即没有缺陷的织唛图像,I′为赋予权重后得到的新的织唛样本图像,W为基于新的织唛样本图像构造的先验矩阵,E是变量,为待检测织唛样本图像中有缺陷的部分,λ用于平衡和两部分,且λ>0。
通过添加先验矩阵W,使得目标函数更容易收敛,有利于快速获得最小值;通过添加先验矩阵W,将先验的纹理信息粗略的缺陷位置,作为正则项加入到由缺陷信息和正常信息构成的目标函数中,添加此约束项能够更准确、更快速地求出优化模型的最优解。
本申请实施例中通过采用最小二乘回归对目标函数进行优化迭代,由于目标函数是非凸的,需要将非凸的优化问题转换为凸优化问题,从而求解出最小值;通过非精确增广拉格朗日乘子法对新的织唛样本图像I′进行优化求解,得到新的织唛样本图像纹理特征的稀疏分量和低秩分量,其中,稀疏分量为缺陷部分,低秩分量为非缺陷部分。
待检测织唛样本图像的缺陷为标准织唛图像与待检测织唛样本图像的差值,当待检测织唛样本图像没有缺陷时,目标函数取得最小值为0,当待检测织唛样本图像存在缺陷时,目标函数取得最小值的位置即稀疏分量的位置,也为缺陷所在的位置,通过对预置目标函数反复迭代优化,得到最小值。
现有技术中常常忽略环境光对缺陷检测的影响,导致检测准确率不高,为了解决环境光的问题,本实施例中通过计算特征向量和最优的候选参考特征向量之间的距离,以此构造先验知识,根据先验知识构造先验矩阵,通过将先验矩阵与输入的待检测织唛样本图像进行比较,将光照影响的多余信息去除掉,从而解决了环境光对织唛缺陷检测的影响,有助于提高织唛样本图像的检测准确率。
步骤206,根据优化结果对新的织唛样本图像进行分割,得到分割后的织唛样本图像。
需要说明的是,通过对目标函数反复迭代优化,得到稀疏分量和低秩分量,对稀疏分量列去向量化,得到新的织唛样本图像的前景,对低秩分量列去向量化,得到新的织唛样本图像的背景,达到了对新的织唛样本图像进行分割的目的,从而将缺陷部分和非缺陷部分进行区分,以便于后续进行缺陷检测。
步骤207,基于自适应阈值分割算法对分割后的织唛样本图像进行再次分割。
需要说明的是,现有的检测方法通常对图像只进行一次分割,存在部分缺陷没有与背景完全分割出来的问题,影响检测结果,本申请实施例中采用两次分割方法,对分割后的织唛样本图像进行再次分割,可以将缺陷与背景更好的分割出来,从而进一步提高缺陷检测结果。
步骤208,将再次分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
需要说明的是,将再次分割后的织唛样本图像与模板图像进行差分处理,得到差分图像,当差分图像的像素值全为0时,缺陷检测结果为待检测织唛图像没有缺陷,当差分图像的像素值不全为0时,缺陷检测结果为待检测织唛图像为缺陷图像,且差分图像中的像素值不为0的位置为缺陷具***置。本申请实施例中采用的差分处理方法,方法简单,检测准确率高。
为了便于理解,请参阅图3,本申请提供的一种织唛缺陷检测装置的一个实施例,包括:
图像获取模块301,用于获取待检测织唛样本图像。
权重模块302,用于对待检测织唛样本图像赋予权重,得到新的织唛样本图像。
第一构造先验矩阵模块303,用于基于新的织唛样本图像构造先验矩阵。
迭代优化模块304,用于将先验矩阵代入到预置目标函数中,对预置目标函数进行迭代优化。
优化分割模块305,用于根据优化结果对新的织唛样本图像进行分割,得到分割后的织唛样本图像。
缺陷检测模块306,用于将分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
进一步地,第一构造先验矩阵模块303,包括:
像素分块模块307,用于对新的织唛样本图像进行等块像素分块处理,得到多个等大小的像素块。
特征提取模块308,用于对多个像素块进行特征提取,得到一一对应的多个特征向量。
第一求均值模块309,用于在多个特征向量中随机选择s个特征向量,对s个特征向量求均值,得到平均特征向量。
重复模块310,用于将平均特征向量作为候选参考特征向量,重复k次,得到k个候选参考特征向量,其中,s、k均为大于0的整数。
第二求均值模块311,用于计算k个候选参考特征向量的均值,得到平均候选参考特征向量。
计算模块312,用于计算多个特征向量与平均候选参考特征向量之间的空间距离,构造先验知识。
第二构造先验矩阵模块313,用于根据先验知识构造先验矩阵。
进一步地,还包括:
预处理模块314,用于对待检测织唛样本图像进行预处理。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种织唛缺陷检测方法,其特征在于,包括:
获取待检测织唛样本图像;
对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像;
基于所述新的织唛样本图像构造先验矩阵;
将所述先验矩阵代入到预置目标函数中,对所述预置目标函数进行迭代优化;
根据优化结果对所述新的织唛样本图像进行分割,得到分割后的织唛样本图像;
将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
2.根据权利要求1所述的织唛缺陷检测方法,其特征在于,所述对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像,包括:
根据对所述待检测织唛样本图像进行非广义熵计算得到的熵值对所述待检测织唛样本图像赋值权重,得到新的织唛样本图像。
3.根据权利要求1所述的织唛缺陷检测方法,其特征在于,所述基于所述新的织唛样本图像构造先验矩阵,包括:
对所述新的织唛样本图像进行等块像素分块处理,得到多个等大小的像素块;
对所述多个像素块进行特征提取,得到一一对应的多个特征向量;
在所述多个特征向量中随机选择s个特征向量,对所述s个特征向量求均值,得到平均特征向量;
将所述平均特征向量作为候选参考特征向量,重复k次,得到k个候选参考特征向量,其中,s、k均为大于0的整数;
计算所述k个候选参考特征向量的均值,得到平均候选参考特征向量;
计算所述多个特征向量与平均候选参考特征向量之间的空间距离,构造先验知识;
根据所述先验知识构造所述先验矩阵。
4.根据权利要求1所述的织唛缺陷检测方法,其特征在于,所述将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果,之前还包括:
基于自适应阈值分割算法对所述分割后的织唛样本图像进行再次分割。
5.根据权利要求1所述的织唛缺陷检测方法,其特征在于,所述对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像,之前还包括:
对所述待检测织唛样本图像进行预处理。
6.根据权利要求1所述的织唛缺陷检测方法,其特征在于,所述将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果,包括:
将所述分割后的织唛样本图像与模板图像进行差分处理;
当所述差分处理得到的差分图像的像素值全为0时,缺陷检测结果为所述待检测织唛图像没有缺陷,当所述差分处理得到的差分图像的像素值不全为0时,缺陷检测结果为所述待检测织唛图像为缺陷图像,且差分图像中的像素值不为0的位置为缺陷具***置。
7.根据权利要求1所述的织唛缺陷检测方法,其特征在于,所述预置目标函数为其中,I为标准织唛图像,I′为所述新的织唛样本图像,W为所述先验矩阵,E为变量,λ用于平衡和两部分,且λ>0。
8.一种织唛缺陷检测装置,其特征在于,包括:
图像获取模块,用于获取待检测织唛样本图像;
权重模块,用于对所述待检测织唛样本图像赋予权重,得到新的织唛样本图像;
第一构造先验矩阵模块,用于基于所述新的织唛样本图像构造先验矩阵;
迭代优化模块,用于将所述先验矩阵代入到预置目标函数中,对所述预置目标函数进行迭代优化;
优化分割模块,用于根据优化结果对所述新的织唛样本图像进行分割,得到分割后的织唛样本图像;
缺陷检测模块,用于将所述分割后的织唛样本图像与模板图像进行匹配,得到缺陷检测结果。
9.据权利要求8所述的织唛缺陷检测装置,其特征在于,所述第一构造先验矩阵模块,包括:
像素分块模块,用于对所述新的织唛样本图像进行等块像素分块处理,得到多个等大小的像素块;
特征提取模块,用于对所述多个像素块进行特征提取,得到一一对应的多个特征向量;
第一求均值模块,用于在所述多个特征向量中随机选择s个特征向量,对所述s个特征向量求均值,得到平均特征向量;
重复模块,用于将所述平均特征向量作为候选参考特征向量,重复k次,得到k个候选参考特征向量,其中,s、k均为大于0的整数;
第二求均值模块,用于计算所述k个候选参考特征向量的均值,得到平均候选参考特征向量;
计算模块,用于计算所述多个特征向量与平均候选参考特征向量之间的空间距离,构造先验知识;
第二构造先验矩阵模块,用于根据所述先验知识构造所述先验矩阵。
10.据权利要求8所述的织唛缺陷检测装置,其特征在于,还包括:
预处理模块,用于对所述待检测织唛样本图像进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866365.5A CN110570418B (zh) | 2019-09-12 | 2019-09-12 | 一种织唛缺陷检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866365.5A CN110570418B (zh) | 2019-09-12 | 2019-09-12 | 一种织唛缺陷检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570418A true CN110570418A (zh) | 2019-12-13 |
CN110570418B CN110570418B (zh) | 2022-01-11 |
Family
ID=68779895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910866365.5A Active CN110570418B (zh) | 2019-09-12 | 2019-09-12 | 一种织唛缺陷检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570418B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652319A (zh) * | 2020-06-09 | 2020-09-11 | 创新奇智(广州)科技有限公司 | 一种布匹缺陷检测方法及装置 |
CN114419039A (zh) * | 2022-03-28 | 2022-04-29 | 武汉市融科优品装饰材料有限公司 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
CN114663435A (zh) * | 2022-05-25 | 2022-06-24 | 启东新朋莱纺织科技有限公司 | 一种纺织布料张力异常自动监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390279A (zh) * | 2013-07-25 | 2013-11-13 | 中国科学院自动化研究所 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN106127776A (zh) * | 2016-06-28 | 2016-11-16 | 北京工业大学 | 基于多特征时空上下文机器人目标识别与运动决策方法 |
CN206474441U (zh) * | 2017-01-18 | 2017-09-08 | 东莞市麦仕满机电有限公司 | 一种可智能检测商标唛头(唛头、印唛)的剪折机 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
US20180173607A1 (en) * | 2016-12-19 | 2018-06-21 | Bank Of America Corporation | Software Defect Detection Tool |
CN108355987A (zh) * | 2018-01-08 | 2018-08-03 | 西安交通大学 | 一种基于分块模板匹配的电池丝印质量检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
-
2019
- 2019-09-12 CN CN201910866365.5A patent/CN110570418B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390279A (zh) * | 2013-07-25 | 2013-11-13 | 中国科学院自动化研究所 | 联合显著性检测与判别式学习的目标前景协同分割方法 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN106127776A (zh) * | 2016-06-28 | 2016-11-16 | 北京工业大学 | 基于多特征时空上下文机器人目标识别与运动决策方法 |
US20180173607A1 (en) * | 2016-12-19 | 2018-06-21 | Bank Of America Corporation | Software Defect Detection Tool |
CN206474441U (zh) * | 2017-01-18 | 2017-09-08 | 东莞市麦仕满机电有限公司 | 一种可智能检测商标唛头(唛头、印唛)的剪折机 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
CN108355987A (zh) * | 2018-01-08 | 2018-08-03 | 西安交通大学 | 一种基于分块模板匹配的电池丝印质量检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
YUBAO CHEN ET AL.: "Integrated diagnosis using information-gain-weighted radial basis function neural networks", 《COMPUTERS & INDUSTRIAL ENGINEERING》 * |
陈铁健: "智能制造装备机器视觉检测识别关键技术及应用研究", 《中国博士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652319A (zh) * | 2020-06-09 | 2020-09-11 | 创新奇智(广州)科技有限公司 | 一种布匹缺陷检测方法及装置 |
CN114419039A (zh) * | 2022-03-28 | 2022-04-29 | 武汉市融科优品装饰材料有限公司 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
CN114663435A (zh) * | 2022-05-25 | 2022-06-24 | 启东新朋莱纺织科技有限公司 | 一种纺织布料张力异常自动监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110570418B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN108363970B (zh) | 一种鱼种类的识别方法和*** | |
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN111160407B (zh) | 一种深度学习目标检测方法及*** | |
CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN116703911B (zh) | 一种led灯生产质量检测*** | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN109191430A (zh) | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN114627089A (zh) | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 | |
CN114565607B (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
CN109035285B (zh) | 图像边界确定方法及装置、终端及存储介质 | |
CN116523916B (zh) | 产品表面缺陷检测方法、装置、电子设备及存储介质 | |
Shabir et al. | Tyre defect detection based on GLCM and Gabor filter | |
Yahya et al. | Image enhancement background for high damage Malay manuscripts using adaptive threshold binarization | |
CN117115172B (zh) | 一种基于机器视觉的阿胶品质检测方法及*** | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN117291925B (zh) | 基于图像特征的纺织品表面缺陷检测*** |
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 | ||
GR01 | Patent grant |