CN111784691A - 一种纺织品瑕疵检测方法 - Google Patents
一种纺织品瑕疵检测方法 Download PDFInfo
- Publication number
- CN111784691A CN111784691A CN202010727983.4A CN202010727983A CN111784691A CN 111784691 A CN111784691 A CN 111784691A CN 202010727983 A CN202010727983 A CN 202010727983A CN 111784691 A CN111784691 A CN 111784691A
- Authority
- CN
- China
- Prior art keywords
- feature data
- texture feature
- textile
- image
- product
- 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
Links
- 239000004753 textile Substances 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 230000002950 deficient Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000004744 fabric Substances 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种纺织品瑕疵检测方法,将需要检测的纺织品装上生产机械,从而展开纺织品,在纺织品检测的前进方向上方分别设置两个检测摄像头,两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,得出间隔距离进行设置,确保两个检测摄像头能够拍摄到机织纺织品的同一块区域,在纺织品检测的前进方向上方分别设置两个检测摄像头,两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,能够两次对生产的纺织品进行检测,并且通过对比之前测定的有瑕疵区域进和无瑕疵区域的阈值从而进行判断纺织品质量,进一步提高了检测效率,同时降低了出错率。
Description
技术领域
本发明涉及纺织品加工技术领域,具体为一种纺织品瑕疵检测方法。
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。
现有的瑕疵检测方法不能够很好的检测生产出来的纺织品质量,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,为此,我们提出一种纺织品瑕疵检测方法。
发明内容
本发明的目的在于提供一种纺织品瑕疵检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种纺织品瑕疵检测方法,具体的包括以下步骤:
S1:将需要检测的纺织品装上生产机械,从而展开纺织品,在纺织品检测的前进方向上方分别设置两个检测摄像头,两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,得出间隔距离进行设置,确保两个检测摄像头能够拍摄到机织纺织品的同一块区域;
S2:通过检测摄像头抓拍100组运动过程中有瑕疵纺织品表面图像,计算机对输入待检测图案的纺织品图像进行处理,确定图案的周期模板大小,根据模板大小对图像进行分块,获得m×n大小的待矫正图像块,图像通过Markov随机场模型获得参数,获得的参数进行归一化处理,得到该图像中织物的纹理特征数据;
S3:通过检测摄像头拍摄100组合格纺织品表面图像,计算机对输入合格纺织品表面图像进行处理,确定图案的周期模板大小,根据模板大小对图像进行分块,获得m×n大小的待矫正图像块,图像通过Markov随机场模型获得参数,获得的参数进行归一化处理,得到该图像中织物的纹理特征数据;
S4:将通过检测摄像头拍摄的运动过程中有瑕疵纺织品表面图像和合格纺织品表面图像的纹理特征数据分别标记为有瑕疵区域进和无瑕疵区域,有瑕疵区域提取的纹理特征数据;
S5:通过检测摄像头拍摄100组运动过程中有瑕疵纺织品表面图像所产生的图像纹理特征数据的聚类中心,为相应瑕疵产品纹理特征数据的中间数据,所有该类瑕疵产品图像的纹理特征数据到相应瑕疵产品纹理特征数据的中间数据的距离的最大值为相应的瑕疵阈值,通过检测摄像头拍摄100组合格纺织品表面图像,提取的纹理特征数据,为所有合格产品图像纹理特征数据的聚类中心,为合格产品纹理特征数据中间数据,所有合格产品图像的纹理特征数据到所述合格产品纹理特征数据中间数据的距离的最大值为合格产品阈值;
S6:生产过程中的第一个检测摄像头对生产的纺织品表面进行拍摄,由于两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,则第一个摄像头拍摄到的图像通过计算机处理后与合格产品图像纹理特征数据进行对比分析,拍摄图像的纹理特征数据阈值不大于合格产品图像理特征数据的阈值则此时该产品被判定为合格产品,如果拍摄图像的纹理特征数据阈值大于合格产品图像理特征数据的阈值,则此时计算机将该产品纹理特征数据阈值与瑕疵产品纹理特征数据的阈值进行对比,如果对比不大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品;
S7:后续计算机启动第二个检测摄像头对生产的纺织品表面再次进行拍摄,进行二次判定,第二个摄像头拍摄到的图像通过计算机将该产品纹理特征数据阈值再次与瑕疵产品纹理特征数据的阈值进行对比,如果对比不大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品,则通过警报器进行报警提醒使用者注意此类情况,如果第二个摄像头拍摄到的图像通过计算机将该产品纹理特征数据阈值再次与瑕疵产品纹理特征数据的阈值进行对比,如果对比大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品,则表面出现新的瑕疵或者重大问题,则直接停机报警,避免更大损失。
与现有技术相比,本发明的有益效果是:
1.该发明通过检测摄像头拍摄100组运动过程中有瑕疵纺织品表面图像所产生的图像纹理特征数据的聚类中心,为相应瑕疵产品纹理特征数据的中间数据,所有该类瑕疵产品图像的纹理特征数据到相应瑕疵产品纹理特征数据的中间数据的距离的最大值为相应的瑕疵阈值,通过检测摄像头拍摄100组合格纺织品表面图像,提取的纹理特征数据,为所有合格产品图像纹理特征数据的聚类中心,为合格产品纹理特征数据中间数据,所有合格产品图像的纹理特征数据到所述合格产品纹理特征数据中间数据的距离的最大值为合格产品阈值,能够方便后续纺织品加工提供参照数据,提前发现问题,避免造成更大的损失;
2.该发明,在纺织品检测的前进方向上方分别设置两个检测摄像头,两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,能够两次对生产的纺织品进行检测,并且通过对比之前测定的有瑕疵区域进和无瑕疵区域的阈值从而进行判断纺织品质量,进一步提高了检测效率,同时降低了出错率。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明提供一种技术方案:一种纺织品瑕疵检测方法,具体的包括以下步骤:
S1:将需要检测的纺织品装上生产机械,从而展开纺织品,在纺织品检测的前进方向上方分别设置两个检测摄像头,两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,得出间隔距离进行设置,确保两个检测摄像头能够拍摄到机织纺织品的同一块区域;
S2:通过检测摄像头抓拍100组运动过程中有瑕疵纺织品表面图像,计算机对输入待检测图案的纺织品图像进行处理,确定图案的周期模板大小,根据模板大小对图像进行分块,获得m×n大小的待矫正图像块,图像通过Markov随机场模型获得参数,获得的参数进行归一化处理,得到该图像中织物的纹理特征数据;
S3:通过检测摄像头拍摄100组合格纺织品表面图像,计算机对输入合格纺织品表面图像进行处理,确定图案的周期模板大小,根据模板大小对图像进行分块,获得m×n大小的待矫正图像块,图像通过Markov随机场模型获得参数,获得的参数进行归一化处理,得到该图像中织物的纹理特征数据;
S4:将通过检测摄像头拍摄的运动过程中有瑕疵纺织品表面图像和合格纺织品表面图像的纹理特征数据分别标记为有瑕疵区域进和无瑕疵区域,有瑕疵区域提取的纹理特征数据;
S5:通过检测摄像头拍摄100组运动过程中有瑕疵纺织品表面图像所产生的图像纹理特征数据的聚类中心,为相应瑕疵产品纹理特征数据的中间数据,所有该类瑕疵产品图像的纹理特征数据到相应瑕疵产品纹理特征数据的中间数据的距离的最大值为相应的瑕疵阈值,通过检测摄像头拍摄100组合格纺织品表面图像,提取的纹理特征数据,为所有合格产品图像纹理特征数据的聚类中心,为合格产品纹理特征数据中间数据,所有合格产品图像的纹理特征数据到所述合格产品纹理特征数据中间数据的距离的最大值为合格产品阈值;
S6:生产过程中的第一个检测摄像头对生产的纺织品表面进行拍摄,由于两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,则第一个摄像头拍摄到的图像通过计算机处理后与合格产品图像纹理特征数据进行对比分析,拍摄图像的纹理特征数据阈值不大于合格产品图像理特征数据的阈值则此时该产品被判定为合格产品,如果拍摄图像的纹理特征数据阈值大于合格产品图像理特征数据的阈值,则此时计算机将该产品纹理特征数据阈值与瑕疵产品纹理特征数据的阈值进行对比,如果对比不大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品;
S7:后续计算机启动第二个检测摄像头对生产的纺织品表面再次进行拍摄,进行二次判定,第二个摄像头拍摄到的图像通过计算机将该产品纹理特征数据阈值再次与瑕疵产品纹理特征数据的阈值进行对比,如果对比不大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品,则通过警报器进行报警提醒使用者注意此类情况,如果第二个摄像头拍摄到的图像通过计算机将该产品纹理特征数据阈值再次与瑕疵产品纹理特征数据的阈值进行对比,如果对比大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品,则表面出现新的瑕疵或者重大问题,则直接停机报警,避免更大损失。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种纺织品瑕疵检测方法,其特征在于:具体的包括以下步骤:
S1:将需要检测的纺织品装上生产机械,从而展开纺织品,在纺织品检测的前进方向上方分别设置两个检测摄像头,两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,得出间隔距离进行设置,确保两个检测摄像头能够拍摄到机织纺织品的同一块区域;
S2:通过检测摄像头抓拍100组运动过程中有瑕疵纺织品表面图像,计算机对输入待检测图案的纺织品图像进行处理,确定图案的周期模板大小,根据模板大小对图像进行分块,获得m×n大小的待矫正图像块,图像通过Markov随机场模型获得参数,获得的参数进行归一化处理,得到该图像中织物的纹理特征数据;
S3:通过检测摄像头拍摄100组合格纺织品表面图像,计算机对输入合格纺织品表面图像进行处理,确定图案的周期模板大小,根据模板大小对图像进行分块,获得m×n大小的待矫正图像块,图像通过Markov随机场模型获得参数,获得的参数进行归一化处理,得到该图像中织物的纹理特征数据;
S4:将通过检测摄像头拍摄的运动过程中有瑕疵纺织品表面图像和合格纺织品表面图像的纹理特征数据分别标记为有瑕疵区域进和无瑕疵区域,有瑕疵区域提取的纹理特征数据;
S5:通过检测摄像头拍摄100组运动过程中有瑕疵纺织品表面图像所产生的图像纹理特征数据的聚类中心,为相应瑕疵产品纹理特征数据的中间数据,所有该类瑕疵产品图像的纹理特征数据到相应瑕疵产品纹理特征数据的中间数据的距离的最大值为相应的瑕疵阈值,通过检测摄像头拍摄100组合格纺织品表面图像,提取的纹理特征数据,为所有合格产品图像纹理特征数据的聚类中心,为合格产品纹理特征数据中间数据,所有合格产品图像的纹理特征数据到所述合格产品纹理特征数据中间数据的距离的最大值为合格产品阈值;
S6:生产过程中的第一个检测摄像头对生产的纺织品表面进行拍摄,由于两个检测摄像头的间隔距离根据布料前进速度和两个检测摄像头的拍摄时间差,则第一个摄像头拍摄到的图像通过计算机处理后与合格产品图像纹理特征数据进行对比分析,拍摄图像的纹理特征数据阈值不大于合格产品图像理特征数据的阈值则此时该产品被判定为合格产品,如果拍摄图像的纹理特征数据阈值大于合格产品图像理特征数据的阈值,则此时计算机将该产品纹理特征数据阈值与瑕疵产品纹理特征数据的阈值进行对比,如果对比不大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品;
S7:后续计算机启动第二个检测摄像头对生产的纺织品表面再次进行拍摄,进行二次判定,第二个摄像头拍摄到的图像通过计算机将该产品纹理特征数据阈值再次与瑕疵产品纹理特征数据的阈值进行对比,如果对比不大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品,则通过警报器进行报警提醒使用者注意此类情况,如果第二个摄像头拍摄到的图像通过计算机将该产品纹理特征数据阈值再次与瑕疵产品纹理特征数据的阈值进行对比,如果对比大于瑕疵产品纹理特征数据的阈值则被判定为瑕疵产品,则表面出现新的瑕疵或者重大问题,则直接停机报警,避免更大损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010727983.4A CN111784691A (zh) | 2020-07-27 | 2020-07-27 | 一种纺织品瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010727983.4A CN111784691A (zh) | 2020-07-27 | 2020-07-27 | 一种纺织品瑕疵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784691A true CN111784691A (zh) | 2020-10-16 |
Family
ID=72763556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010727983.4A Pending CN111784691A (zh) | 2020-07-27 | 2020-07-27 | 一种纺织品瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784691A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324354A (zh) * | 2021-12-29 | 2022-04-12 | 杭州信畅信息科技有限公司 | 一种基于机器视觉模板的纺织品瑕疵检测方法 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529051A (zh) * | 2013-11-01 | 2014-01-22 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
CN107966444A (zh) * | 2017-10-12 | 2018-04-27 | 常州信息职业技术学院 | 基于模板的纺织品瑕疵检测方法 |
-
2020
- 2020-07-27 CN CN202010727983.4A patent/CN111784691A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529051A (zh) * | 2013-11-01 | 2014-01-22 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN104949990A (zh) * | 2013-11-01 | 2015-09-30 | 南通大学 | 一种适用于机织纺织品的瑕疵在线检测方法 |
CN107966444A (zh) * | 2017-10-12 | 2018-04-27 | 常州信息职业技术学院 | 基于模板的纺织品瑕疵检测方法 |
CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324354A (zh) * | 2021-12-29 | 2022-04-12 | 杭州信畅信息科技有限公司 | 一种基于机器视觉模板的纺织品瑕疵检测方法 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
CN103529051B (zh) | 一种机织纺织品瑕疵自动在线检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN111784691A (zh) | 一种纺织品瑕疵检测方法 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN107966444B (zh) | 基于模板的纺织品瑕疵检测方法 | |
CN111861996A (zh) | 一种印花织物疵点检测方法 | |
CN102331425A (zh) | 基于缺陷增强的纺织品缺陷检测方法 | |
CN112132828A (zh) | 基于深度学习的薄膜瑕疵检测方法 | |
WO2022021774A1 (zh) | 一种基于灰度梯度法的圆纬编横条疵点在线检测方法 | |
CN104568956A (zh) | 基于机器视觉的带钢表面缺陷的检测方法 | |
CN104240252A (zh) | 一种机器视觉棒材高温钢坯表面裂纹检测算法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN114693652B (zh) | 基于高斯混合模型的织物缺陷检测方法 | |
CN111402225B (zh) | 一种布匹折叠误检疵点判别方法 | |
CN110940676B (zh) | 基于圆筒织布机的瑕疵检测方法及*** | |
Li et al. | Detection of small size defects in belt layer of radial tire based on improved faster r-cnn | |
CN115082460B (zh) | 一种织布生产线质量监控方法及*** | |
CN115294100A (zh) | 一种基于数据处理的织布机停车控制方法及*** | |
CN116482125A (zh) | 一种基于机器视觉的布匹缺陷处理方法 | |
CN110672635A (zh) | 一种布匹疵点检测装置及实时检测方法 | |
CN113554604B (zh) | 一种基于机器视觉的熔喷布缺陷区域检测方法 | |
CN113516628A (zh) | 一种基于机器视觉的浆纱撞筘检测方法 | |
CN115311264A (zh) | 用于纺织生产的织物瑕疵线条缺陷识别方法 |
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 |