CN113936001A - 一种基于图像处理技术的纺织品表面瑕疵点检测方法 - Google Patents

一种基于图像处理技术的纺织品表面瑕疵点检测方法 Download PDF

Info

Publication number
CN113936001A
CN113936001A CN202111545882.6A CN202111545882A CN113936001A CN 113936001 A CN113936001 A CN 113936001A CN 202111545882 A CN202111545882 A CN 202111545882A CN 113936001 A CN113936001 A CN 113936001A
Authority
CN
China
Prior art keywords
fabric
image
neural network
silk
artificial neural
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
Application number
CN202111545882.6A
Other languages
English (en)
Other versions
CN113936001B (zh
Inventor
周兴华
范海宁
姜思炎
秦志磊
黄建强
杨茁筠
徐皓
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.)
Hangzhou Youhuasijie Culture And Art Development Co ltd
Original Assignee
Hangzhou Youhuasijie Culture And Art Development Co ltd
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 Hangzhou Youhuasijie Culture And Art Development Co ltd filed Critical Hangzhou Youhuasijie Culture And Art Development Co ltd
Priority to CN202111545882.6A priority Critical patent/CN113936001B/zh
Publication of CN113936001A publication Critical patent/CN113936001A/zh
Application granted granted Critical
Publication of CN113936001B publication Critical patent/CN113936001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D15/00—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used
    • D03D15/20—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the material of the fibres or filaments constituting the yarns or threads
    • D03D15/233—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the material of the fibres or filaments constituting the yarns or threads protein-based, e.g. wool or silk
    • D03D15/235—Cashmere or silk
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D15/00—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used
    • D03D15/50—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the properties of the yarns or threads
    • D03D15/54—Woven fabrics characterised by the material, structure or properties of the fibres, filaments, yarns, threads or other warp or weft elements used characterised by the properties of the yarns or threads coloured
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • D—TEXTILES; PAPER
    • D10—INDEXING SCHEME ASSOCIATED WITH SUBLASSES OF SECTION D, RELATING TO TEXTILES
    • D10B—INDEXING SCHEME ASSOCIATED WITH SUBLASSES OF SECTION D, RELATING TO TEXTILES
    • D10B2211/00—Protein-based fibres, e.g. animal fibres
    • D10B2211/01—Natural animal fibres, e.g. keratin fibres
    • D10B2211/04—Silk
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Textile Engineering (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种基于图像处理技术的纺织品表面瑕疵点检测方法，所述方法包括以下步骤：步骤1：利用人工神经网络对织物使用的丝线种类和色泽进行确定和分类，并利用人工神经网络技术对配色的方案数据进行提取和挑选；步骤2：根据预定编织方案进行编织；步骤3：采集织物图像，并利用Gabor滤波器对织物图像进行检测，对织物图像中的瑕疵点进行标记和分割。本发明通过利用奇对称Gabor滤波器和偶对称Gabor滤波器对织物图像进行瑕疵点检测，增加了瑕疵点检测的准确率，有利于对织物瑕疵出现原因进行分析，并进行修改，从而增加了织物的生产效率。

Description

一种基于图像处理技术的纺织品表面瑕疵点检测方法
技术领域
本发明涉及纺织工艺技术领域，尤其涉及一种基于图像处理技术的纺织品表面瑕疵点检测方法。
背景技术
随着时代的发展和科技的进步，现有的织锦工艺所带来的织物因为复杂的工艺在生产中耗费大量的时间，使得织物的生产数量不能满足市场的需求，其原因之一是因为织物在织造的过程中往往因为机器或人工的失误而造成织物成品中有着大量的瑕疵，且织物在设计的过程中，由于织物的着色程度的不同，从而导致织物设计与织物实体存在较多的差异。
在纺织行业，布匹的瑕疵检测是一个重要环节，而国内外大部分企业仍使用传统的人工进行检测。人工检测显然有很多局限性，工人长时间作业不利于健康，对企业来说，长期投入成本高、检测效率低、漏检率高。
在现有的织物瑕疵点检测技术领域中，常用的织物瑕疵点监测算法根据织物的表面特性分类可以分成三类：基于统计学特征的算法、基于神经网络的算法和基于频谱分析的算法。
基于统计学特征的算法包括：灰度统计法、分形维瑕疵点检测方法、形态学的算法和基于共生灰度矩特征的瑕疵点检测算法，这四种算法在实际的应用中均存在着很大的局限性，而基于频谱分析的检测算法成本较为昂贵而且不适合随机性纹理材料。
基于神经网络的织物瑕疵检测算法由于非参数影响的特性，在检测复杂织物瑕疵点的问题上已被证明有着良好的表现，且网络的训练计算过程也相对简单，但是在实际的运用过程中，往往会因为褶皱、光线等原因导致检测失误，从而导致检测准确率低下。
发明内容
为了现有技术存在的上述技术缺陷，本发明提供了一种基于图像处理技术的纺织品表面瑕疵点检测方法，可以有效解决背景技术中的问题。
为了解决上述技术问题，本发明提供的技术方案具体如下：
本发明实施例公开了一种基于图像处理技术的纺织品表面瑕疵点检测方法，包括以下步骤：
步骤1：利用人工神经网络对织物使用的丝线种类和色泽进行确定和分类，并利用人工神经网络技术对配色的方案数据进行提取和挑选；
步骤2：根据预定编织方案进行编织；
步骤3：采集织物图像，并利用Gabor滤波器对织物图像进行检测，对织物图像中的瑕疵点进行标记和分割。
人工神经网络技术是模拟人类大脑神经网络而建立的一种网络***，在人工智能技术当中，人工神经网络的规模较大，可以对主要的信息进行组织整理，并且对信息进行推理，从而找到解决问题的办法，同时，人工神经网络的适应能力较强，可以对各种信息类型进行综合整理，从而，在织锦工艺中，利用人工神经网络可以对织物所需要的丝线种类和色泽进行确定，从而达到织物所需的视觉和感觉效果。
在上述任一方案中优选的是，在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，包括以下步骤：
步骤1.1：将可选织物的参数输入至人工神经网络中形成数据库；
步骤1.2将待编织织物的参数输入至人工神经网络中，利用人工神经网络选择最相似的原料方案和加工步骤及所需原料；
步骤1.3：利用遗传算法模拟人工神经网络选择的方案的结果；
步骤1.4：利用计算机视觉技术对方案进行判断。
在上述任一方案中优选的是，在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，织物的参数包括：织物的整体风格、织物的颜色、织物的大小、织物的形状和织物的用途。
在上述任一方案中优选的是，在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，待编织织物的参数包括：丝线的粗糙度、丝线的染色难易程度、丝线的着色效果、丝线的光亮度、丝线的使用途径和丝线的粗细。
在上述任一方案中优选的是，在在利用计算机视觉技术对方案进行判断时，包括以下步骤：
利用3Dmax软件建立针织物的模型，并在针织物的表面赋予不同的特性，建模完成后将织物模型图像与织物设计图像进行对比，若预织物模型图像与织物设计图像相差大，则所选的丝线的种类和色泽不合格，则重新对丝线的种类和色泽进行挑选，直至预编织后的织物图像与织物参考图像一致为止。
在上述任一方案中优选的是，在针织物的表面赋予不同的特性时，赋予的特性包括:丝线的粗糙度、丝线的光亮度和丝线的染色效果。
遗传算法主要就是对生物进化过程的数据进行相关的计算，主要是将生物进化的过程转换成数据的形式，并根据得到的数据建立成数学模型。然后找到其中的问题，并根据问题所在，计算出解决问题的办法，在织锦工艺中，遗传算法可以对防止产品进行数据转换，并建立数学模型，对纺织产品进行推演和计算，根据输入的参数得到纺织产品的最终结果。
在上述任一方案中优选的是，在根据预定编织方案进行编织时，包括以下步骤：
步骤2.1：对生丝进行初步加工，具体的，首先进行缫丝，将生丝绞成绞状的丝线，再对生丝进行精练和酶练，然后对生丝进行染色；
步骤2.2：对生丝进行再次加工，具体的，首先对染色后的丝线进行抗丝和调丝，然后对丝线进行排花牵经，再进行穿综穿筘；
步骤2.3：对穿综穿筘后的丝线进行卷纬操作，完成后进行织造。
在上述任一方案中优选的是，在对编织好的织物进行检测时，包括以下步骤：
步骤3.1：对编制好的织物边缘处进行检查；
步骤3.2：对编织好的织物进行取样，并利用高清摄像头对样品进行表面图像采集，得到织物图像；
步骤3.3：对采集到的织物图像进行处理，得到处理后的织物图像；
步骤3.4：利用人工神经网络对处理后的织物图像进行识别和计算，并对瑕疵点进行标记。
在上述任一方案中优选的是，在对采集的图像进行处理时，包括以下步骤：
步骤一：利用中值滤波法对图像进行滤波处理，将图像中的无关噪声进行去除；
步骤二：对所获得的织物的表面图像进行灰度化处理，得到织物表面纹理的灰度化图像；
步骤三：对灰度化处理后的织物的表面图像进行数学形态学二值化处理；
步骤四：对灰度化处理与数学形态学二值化处理过后的图像，进行阈值化操作，将图像转换为二值图。
在上述任一方案中优选的是，在利用人工神经网络对图像进行识别和计算时，包括以下步骤：
步骤3.4.1：向人工神经网络中输入相同纹理织物的标准无瑕疵点图像和标准瑕疵点图像，并对图像进行处理；
步骤3.4.2：将处理后的标准无瑕疵点图像输入至奇对称Gabor滤波器中，将处理后的标准瑕疵点图像输入至偶对称Gabor滤波器中，利用奇对称Gabor滤波器和偶对称Gabor滤波器对标准无瑕疵点图像和标准瑕疵点图像进行空域滤波，并得到无瑕疵点图像和瑕疵点图像的滤波结果图像；
步骤3.4.3：根据标准无瑕疵点图像和标准瑕疵点图像的滤波结果图像求出阈值，并对滤波结果图像进行二值化操作，分别得到奇检测模板和偶检测模板；
步骤3.4.4：将奇检测模板和偶检测模板进行融合，并将织物图像输入至人工神经网络中，利用融合后的奇检测模板和偶检测模板对织物图像对织物图像进行检测，得到瑕疵点分割结果。
在上述任一方案中优选的是，在对滤波结果图像进行二值化处理时，采用Tophat运算方法；其中，Tophat运算的定义是图像A与图像B的开运算之差，其定义式为：B=A-（A○S）；其中A为处理前的图像，S为结构元素。
在上述任一方案中优选的是，在对瑕疵点图像进行分割时，包括以下步骤：
步骤3.4.4.1：将两组3×3的矩阵Gx与Gy与织物图像作卷积运算，分别得到两组梯度值分量；
步骤3.4.4.2：利用梯度值公式求出近似梯度值大小；
步骤3.4.4.3：将近似梯度值大小与阈值进行比较，得到瑕疵点的边缘。
在上述任一方案中优选的是，在对织物图像进行瑕疵点检测时，织物图像中瑕疵点的种类若织物图像的平均灰度值大于标准图像的灰度值，则说明织物图像中存在亮瑕疵点，若织物图像的平均灰度值小于标准图像的灰度值，则说明图像中存在暗瑕疵点。
在上述任一方案中优选的是，在利用人工神经网络对图像进行识别和计算时，选取的人工神经网络为卷积神经网络。
在上述任一方案中优选的是，织物瑕疵点检测定位***还包括：
图像采集模块，用于对织物进行表面图像采集，并对采集到的图像进行储存；
文件转换模块，用于对采集到的图像进行储存和标记，并记录图像在织物上的位置；
图像处理模块，用于对采集到的织物表面图像进行处理，并计算图像中每个点的灰度值；
瑕疵点检测模块，用于对经过处理后的图像进行瑕疵检测；
图像储存模块，用于储存瑕疵点的图像信息及位置信息；
图像显示模块，用于显示拍摄得到的图像和处理后的图像。
在上述任一方案中优选的是，所述瑕疵点监测模块的原理为：读入瑕疵图像和无瑕疵点图像，再查找标准图像中每行的最大灰度值和最小灰度值，并查找标准图像中每列的最大灰度值和最小灰度值，确定瑕疵点图像中非正常像素的概率，再利用瑕疵点图像的灰度直方图确定阈值，再将瑕疵点图像阈值化，并进行中值滤波，再输出瑕疵点检测结果。
与现有技术相比，本发明的有益效果：
1、本发明通过对织物进行三维建模，并利用人工神经网络和计算机视觉技术进行分析，使得织物的设计图更加贴近实物，使得织物更加美观。
2、本发明通过向人工神经网络输入织物的加工原料，且配合遗传算法进行推算，使得织物成品与设计图更加贴近，从而增加织物的美观度。
3、本发明通过利用奇对称Gabor滤波器和偶对称Gabor滤波器对织物图像进行瑕疵点检测，增加了瑕疵点检测的准确率，有利于对织物瑕疵出现原因进行分析，并进行修改，从而增加了织物的生产效率。
附图说明
附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明实施例所提供的一种基于图像处理技术的纺织品表面瑕疵点检测方法的结构示意图；
图2是本发明实施例所提供的一种基于图像处理技术的纺织品表面瑕疵点检测方法中的织物图像；
图3是本发明实施例所提供的一种基于图像处理技术的纺织品表面瑕疵点检测方法中的瑕疵点分割图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
请参阅图1，一种基于图像处理技术的纺织品表面瑕疵点检测方法，包括以下步骤：
步骤1：利用人工神经网络对织物使用的丝线种类和色泽进行确定和分类，并利用人工神经网络技术对配色的方案数据进行提取和挑选；
步骤2：根据预定编织方案进行编织；
步骤3：采集织物图像，并利用Gabor滤波器对织物图像进行检测，对织物图像中的瑕疵点进行标记和分割。
在本发明实施例所述的基于人工智能的织锦工艺中，人工神经网络技术是模拟人类大脑神经网络而建立的一种网络***，在人工智能技术当中，人工神经网络的规模较大，可以对主要的信息进行组织整理，并且对信息进行推理，从而找到解决问题的办法，同时，人工神经网络的适应能力较强，可以对各种信息类型进行综合整理，从而，在织锦工艺中，利用人工神经网络可以对织物所需要的丝线种类和色泽进行确定，从而达到织物所需的视觉和感觉效果。
在本发明实施例所述的基于人工智能的织锦工艺中，在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，包括以下步骤：
步骤1.1：将可选织物的参数输入至人工神经网络中形成数据库；
步骤1.2将待编织织物的参数输入至人工神经网络中，利用人工神经网络选择最相似的原料方案和加工步骤及所需原料；
步骤1.3：利用遗传算法模拟人工神经网络选择的方案的结果；
步骤1.4：利用计算机视觉技术对方案进行判断。
在本发明实施例所述的基于人工智能的织锦工艺中，在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，织物的参数包括：织物的整体风格、织物的颜色、织物的大小、织物的形状和织物的用途。
在本发明实施例所述的基于人工智能的织锦工艺中，在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，待编织织物的参数包括：丝线的粗糙度、丝线的染色难易程度、丝线的着色效果、丝线的光亮度、丝线的使用途径和丝线的粗细。
在本发明实施例所述的基于人工智能的织锦工艺中，在利用计算机视觉技术对方案进行判断时，包括以下步骤：
利用3Dmax软件建立针织物的模型，并在针织物的表面赋予不同的特性，建模完成后将织物模型图像与织物设计图像进行对比，若预织物模型图像与织物设计图像相差大，则所选的丝线的种类和色泽不合格，则重新对丝线的种类和色泽进行挑选，直至预编织后的织物图像与织物参考图像一致为止。
在本发明实施例所述的基于人工智能的织锦工艺中，在针织物的表面赋予不同的特性时，赋予的特性包括:丝线的粗糙度、丝线的光亮度和丝线的染色效果。
在本发明实施例所述的基于人工智能的织锦工艺中，在根据预定编织方案进行编织时，包括以下步骤：
步骤2.1：对生丝进行初步加工，具体的，首先进行缫丝，将生丝绞成绞状的丝线，再对生丝进行精练和酶练，然后对生丝进行染色；
步骤2.2：对生丝进行再次加工，具体的，首先对染色后的丝线进行抗丝和调丝，然后对丝线进行排花牵经，再进行穿综穿筘；
步骤2.3：对穿综穿筘后的丝线进行卷纬操作，完成后进行织造。
在本发明实施例所述的基于人工智能的织锦工艺中，在对编织好的织物进行检测时，包括以下步骤：
步骤3.1：对编制好的织物边缘处进行检查；
步骤3.2：对编织好的织物进行取样，并利用高清摄像头对样品进行表面图像采集，得到织物图像；
步骤3.3：对采集到的织物图像进行处理，得到处理后的织物图像；
步骤3.4：利用人工神经网络对处理后的织物图像进行识别和计算，并对瑕疵点进行标记。
在本发明实施例所述的基于人工智能的织锦工艺中，在对采集的图像进行处理时，包括以下步骤：
步骤一：利用中值滤波法对图像进行滤波处理，将图像中的无关噪声进行去除；
步骤二：对所获得的织物的表面图像进行灰度化处理，得到织物表面纹理的灰度化图像；
步骤三：对灰度化处理后的织物的表面图像进行数学形态学二值化处理；
步骤四：对灰度化处理与数学形态学二值化处理过后的图像，进行阈值化操作，将图像转换为二值图。
在本发明实施例所述的基于人工智能的织锦工艺中，在利用人工神经网络对图像进行识别和计算时，包括以下步骤：
步骤3.4.1：向人工神经网络中输入相同纹理织物的标准无瑕疵点图像和标准瑕疵点图像，并对图像进行处理；
步骤3.4.2：将处理后的标准无瑕疵点图像输入至奇对称Gabor滤波器中，将处理后的标准瑕疵点图像输入至偶对称Gabor滤波器中，利用奇对称Gabor滤波器和偶对称Gabor滤波器对标准无瑕疵点图像和标准瑕疵点图像进行空域滤波，并得到无瑕疵点图像和瑕疵点图像的滤波结果图像；
步骤3.4.3：根据标准无瑕疵点图像和标准瑕疵点图像的滤波结果图像求出阈值，并对滤波结果图像进行二值化操作，分别得到奇检测模板和偶检测模板；
步骤3.4.4：将奇检测模板和偶检测模板进行融合，并将织物图像输入至人工神经网络中，利用融合后的奇检测模板和偶检测模板对织物图像对织物图像进行检测，得到瑕疵点分割结果。
在本发明实施例所述的基于人工智能的织锦工艺中，在对滤波结果图像进行二值化处理时，采用Tophat运算方法；其中，Tophat运算的定义是图像A与图像B的开运算之差，其定义式为：B=A-（A○S）；其中A为处理前的图像，S为结构元素。
在本发明实施例所述的基于人工智能的织锦工艺中，在对瑕疵点图像进行分割时，包括以下步骤：
步骤3.4.4.1：将两组3×3的矩阵Gx与Gy与织物图像作卷积运算，分别得到两组梯度值分量；
步骤3.4.4.2：利用梯度值公式求出近似梯度值大小；
步骤3.4.4.3：将近似梯度值大小与阈值进行比较，得到瑕疵点的边缘，Gx=
Figure 373745DEST_PATH_IMAGE001
，Gy=
Figure 573783DEST_PATH_IMAGE002
，近似梯度值通过以下公式计算：G=
Figure DEST_PATH_IMAGE003
Figure 761223DEST_PATH_IMAGE003
；其中，G为近似梯度值；A为原始图像，对瑕疵点的边缘进行分割，可以更加准确的确定瑕疵点的边缘，从而确定瑕疵点的形状和大小，便于工作人员对瑕疵点出现原因进行分析。
在本发明实施例所述的基于人工智能的织锦工艺中，在对织物图像进行瑕疵点检测时，织物图像中瑕疵点的种类若织物图像的平均灰度值大于标准图像的灰度值，则说明织物图像中存在亮瑕疵点，若织物图像的平均灰度值小于标准图像的灰度值，则说明图像中存在暗瑕疵点，在利用人工神经网络对图像进行识别和计算时，选取的人工神经网络为卷积神经网络。
在本发明实施例所述的基于人工智能的织锦工艺中，还包括织物瑕疵点检测定位***，织物瑕疵点检测定位***包括：
图像采集模块，用于对织物进行表面图像采集，并对采集到的图像进行储存；
文件转换模块，用于对采集到的图像进行储存和标记，并记录图像在织物上的位置；
图像处理模块，用于对采集到的织物表面图像进行处理，并计算图像中每个点的灰度值；
瑕疵点检测模块，用于对经过处理后的图像进行瑕疵检测，所述瑕疵点监测模块的原理为：读入瑕疵图像和无瑕疵点图像，再查找标准图像中每行的最大灰度值和最小灰度值，并查找标准图像中每列的最大灰度值和最小灰度值，确定瑕疵点图像中非正常像素的概率，再利用瑕疵点图像的灰度直方图确定阈值，再将瑕疵点图像阈值化，并进行中值滤波，再输出瑕疵点检测结果；
图像储存模块，用于储存瑕疵点的图像信息及位置信息；
图像显示模块，用于显示拍摄得到的图像和处理后的图像。
实施例3
一种基于图像处理技术的纺织品表面瑕疵点检测方法，包括以下步骤：
步骤1：根据设计好的蜀锦山水画图案，利用人工神经网络提取到设计图中含有黄色、蓝色、紫色、黑色及其间色，再利用人工神经网络技术对丝线的染色方案进行筛选和提取，具体包括以下步骤：
步骤1.1：将可选织物的参数输入至人工神经网络中形成数据库，具体的，可用丝线的光泽度包括柔和、粗糙和光滑三种，可用丝线的粗细包括48NM、60NM、80NM和120NM四种；
步骤1.2将待编织织物的参数输入至人工神经网络中，利用人工神经网络选择最相似的原料方案和加工步骤及所需原料，其中，可选择的染料为12种，根据织物设计图筛选搭配出32中种可选择方案；
步骤1.3：利用遗传算法模拟人工神经网络选择的方案的结果；
步骤1.4：利用计算机视觉技术对方案进行判断，从32种可选择方案中选出最优搭配，其中，丝线选择为柔和的80NM丝线、粗糙的120NM丝线、柔和的48NM丝线节光滑的48NM丝线的搭配使用；
步骤2：根据预定编织方案进行编织，包括以下步骤：
步骤2.1：对生丝进行初步加工，具体的，首先进行缫丝，将生丝绞成绞状的丝线，再对生丝进行精练和酶练，然后对生丝进行染色；
步骤2.2：对生丝进行再次加工，具体的，首先对染色后的丝线进行抗丝和调丝，然后对丝线进行排花牵经，再进行穿综穿筘；
步骤2.3：对穿综穿筘后的丝线进行卷纬操作，完成后进行织造；
步骤3：采集织物图像，并利用Gabor滤波器对织物图像进行检测，对织物图像中的瑕疵点进行标记和分割；包括以下步骤：
步骤3.1：对编制好的织物边缘处进行检查；
步骤3.2：对编织好的织物进行取样，并利用高清摄像头对样品进行表面图像采集，得到织物图像；
步骤3.3：对采集到的织物图像进行处理，得到处理后的织物图像，如图2所示；
步骤3.4：利用人工神经网络对处理后的织物图像进行识别和计算，并对瑕疵点进行标记；在利用人工神经网络对图像进行识别和计算时，包括以下步骤：
步骤3.4.1：向人工神经网络中输入相同纹理织物的标准无瑕疵点图像和标准瑕疵点图像，并对图像进行处理；
步骤3.4.2：将处理后的标准无瑕疵点图像输入至奇对称Gabor滤波器中，将处理后的标准瑕疵点图像输入至偶对称Gabor滤波器中，利用奇对称Gabor滤波器和偶对称Gabor滤波器对标准无瑕疵点图像和标准瑕疵点图像进行空域滤波，并得到无瑕疵点图像和瑕疵点图像的滤波结果图像；
步骤3.4.3：根据标准无瑕疵点图像和标准瑕疵点图像的滤波结果图像求出阈值，并对滤波结果图像进行二值化操作，分别得到奇检测模板和偶检测模板，在对滤波结果图像进行二值化处理时，采用Tophat运算方法；其中，Tophat运算的定义是图像A与图像B的开运算之差，其定义式为：B=A-（A○S）；其中A为处理前的图像，S为结构元素；
步骤3.4.4：将奇检测模板和偶检测模板进行融合，并将织物图像输入至人工神经网络中，利用融合后的奇检测模板和偶检测模板对织物图像对织物图像进行检测，得到瑕疵点分割结果，图3为分割后的瑕疵点图像，在对瑕疵点图像进行分割时，包括以下步骤：
步骤3.4.4.1：将两组3×3的矩阵Gx与Gy与织物图像作卷积运算，分别得到两组梯度值分量；
步骤3.4.4.2：利用梯度值公式求出近似梯度值大小；
步骤3.4.4.3：将近似梯度值大小与阈值进行比较，得到瑕疵点的边缘，其中，Gx=
Figure 922077DEST_PATH_IMAGE001
，Gy=
Figure 190247DEST_PATH_IMAGE002
，近似梯度值通过以下公式计算：G=
Figure 120157DEST_PATH_IMAGE003
Figure 753264DEST_PATH_IMAGE003
；其中，G为近似梯度值；A为原始图像，在使用时，对瑕疵点的边缘进行分割，可以更加准确的确定瑕疵点的边缘，从而确定瑕疵点的形状和大小，便于工作人员对瑕疵点出现原因进行分析。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：包括以下步骤：
步骤1：利用人工神经网络对织物使用的丝线种类和色泽进行确定和分类，并利用人工神经网络技术对配色的方案数据进行提取和挑选；
步骤2：根据预定编织方案进行编织；
步骤3：采集织物图像，并利用Gabor滤波器对织物图像进行检测，对织物图像中的瑕疵点进行标记和分割。
2.根据权利要求1所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，包括以下步骤：
步骤1.1：将可选织物的参数输入至人工神经网络中形成数据库；
步骤1.2：将待编织织物的参数输入至人工神经网络中，利用人工神经网络选择最相似的原料方案和加工步骤及所需原料；
步骤1.3：利用遗传算法模拟人工神经网络选择的方案的结果；
步骤1.4：利用计算机视觉技术对方案进行判断。
3.根据权利要求2所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，织物的参数包括：织物的整体风格、织物的颜色、织物的大小、织物的形状和织物的用途。
4.根据权利要求3所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在利用人工神经网络技术对织物使用的丝线种类和色泽进行确定时，待编织织物的参数包括：丝线的粗糙度、丝线的染色难易程度、丝线的着色效果、丝线的光亮度、丝线的使用途径和丝线的粗细。
5.根据权利要求4所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在利用计算机视觉技术对方案进行判断时，包括以下步骤：
利用3Dmax软件建立针织物的模型，并在针织物的表面赋予不同的特性，建模完成后将织物模型图像与织物设计图像进行对比，若预织物模型图像与织物设计图像相差大，则所选的丝线的种类和色泽不合格，则重新对丝线的种类和色泽进行挑选，直至预编织后的织物图像与织物参考图像一致为止。
6.根据权利要求5所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在针织物的表面赋予不同的特性时，赋予的特性包括:丝线的粗糙度、丝线的光亮度和丝线的染色效果。
7.根据权利要求6所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在根据预定编织方案进行编织时，包括以下步骤：
步骤2.1：对生丝进行初步加工，进行缫丝，将生丝绞成绞状的丝线，再对生丝进行精练和酶练，然后对生丝进行染色；
步骤2.2：对生丝进行再次加工，对染色后的丝线进行抗丝和调丝，然后对丝线进行排花牵经，再进行穿综穿筘；
步骤2.3：对穿综穿筘后的丝线进行卷纬操作，完成后进行织造。
8.根据权利要求7所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在对编织好的织物进行检测时，包括以下步骤：
步骤3.1：对编制好的织物边缘处进行检查；
步骤3.2：对编织好的织物进行取样，并利用高清摄像头对样品进行表面图像采集，得到织物图像；
步骤3.3：对采集到的织物图像进行处理，得到处理后的织物图像；
步骤3.4：利用人工神经网络对处理后的织物图像进行识别和计算，并对瑕疵点进行标记。
9.根据权利要求8所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在利用人工神经网络对图像进行识别和计算时，包括以下步骤：
步骤3.4.1：向人工神经网络中输入相同纹理织物的标准无瑕疵点图像和标准瑕疵点图像，并对图像进行处理；
步骤3.4.2：将处理后的标准无瑕疵点图像输入至奇对称Gabor滤波器中，将处理后的标准瑕疵点图像输入至偶对称Gabor滤波器中，利用遗传算法对Gabor滤波器的最优参数进行计算，利用奇对称Gabor滤波器和偶对称Gabor滤波器对标准无瑕疵点图像和标准瑕疵点图像进行空域滤波，并得到无瑕疵点图像和瑕疵点图像的滤波结果图像；
步骤3.4.3：根据标准无瑕疵点图像和标准瑕疵点图像的滤波结果图像求出阈值，并对滤波结果图像进行二值化操作，分别得到奇检测模板和偶检测模板；
步骤3.4.4：将奇检测模板和偶检测模板进行融合，并将织物图像输入至人工神经网络中，利用融合后的奇检测模板和偶检测模板对织物图像对织物图像进行检测，得到瑕疵点分割结果。
10.根据权利要求9所述的基于图像处理技术的纺织品表面瑕疵点检测方法，其特征在于：在对瑕疵点图像进行分割时，包括以下步骤：
步骤3.4.4.1：将两组3×3的矩阵Gx与Gy与织物图像作卷积运算，分别得到两组梯度值分量；
步骤3.4.4.2：利用梯度值公式求出近似梯度值大小；
步骤3.4.4.3：将近似梯度值大小与阈值进行比较，得到瑕疵点的边缘。
CN202111545882.6A 2021-12-17 2021-12-17 一种基于图像处理技术的纺织品表面瑕疵点检测方法 Active CN113936001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111545882.6A CN113936001B (zh) 2021-12-17 2021-12-17 一种基于图像处理技术的纺织品表面瑕疵点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545882.6A CN113936001B (zh) 2021-12-17 2021-12-17 一种基于图像处理技术的纺织品表面瑕疵点检测方法

Publications (2)

Publication Number Publication Date
CN113936001A true CN113936001A (zh) 2022-01-14
CN113936001B CN113936001B (zh) 2022-03-04

Family

ID=79289214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545882.6A Active CN113936001B (zh) 2021-12-17 2021-12-17 一种基于图像处理技术的纺织品表面瑕疵点检测方法

Country Status (1)

Country Link
CN (1) CN113936001B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018826A (zh) * 2022-08-02 2022-09-06 南通市爱诺家用纺织品有限公司 一种基于图像识别的织物瑕疵检测方法及***
CN117132593A (zh) * 2023-10-25 2023-11-28 济宁华晟服装股份有限公司 一种抗周期纹理影响的布匹粗糙度检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1475944A (zh) * 2003-06-29 2004-02-18 浙江大学银河自动化有限公司 织物花形设计方法及数据存储装置
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN110349146A (zh) * 2019-07-11 2019-10-18 中原工学院 基于轻量级卷积神经网络的织物缺陷识别***的搭建方法
US20210095403A1 (en) * 2018-03-17 2021-04-01 Drexel University Topology optimization for modeling and prediction of complex fabric structures and properties

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1475944A (zh) * 2003-06-29 2004-02-18 浙江大学银河自动化有限公司 织物花形设计方法及数据存储装置
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
US20210095403A1 (en) * 2018-03-17 2021-04-01 Drexel University Topology optimization for modeling and prediction of complex fabric structures and properties
CN110349146A (zh) * 2019-07-11 2019-10-18 中原工学院 基于轻量级卷积神经网络的织物缺陷识别***的搭建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张牧等: "坯布疵点检测方法研究进展", 《机械设计》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018826A (zh) * 2022-08-02 2022-09-06 南通市爱诺家用纺织品有限公司 一种基于图像识别的织物瑕疵检测方法及***
CN115018826B (zh) * 2022-08-02 2022-12-13 南通市爱诺家用纺织品有限公司 一种基于图像识别的织物瑕疵检测方法及***
CN117132593A (zh) * 2023-10-25 2023-11-28 济宁华晟服装股份有限公司 一种抗周期纹理影响的布匹粗糙度检测方法
CN117132593B (zh) * 2023-10-25 2024-03-26 济宁华晟服装股份有限公司 一种抗周期纹理影响的布匹粗糙度检测方法

Also Published As

Publication number Publication date
CN113936001B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN113936001B (zh) 一种基于图像处理技术的纺织品表面瑕疵点检测方法
Zhu et al. Yarn-dyed fabric defect detection based on autocorrelation function and GLCM
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN108364291A (zh) 基于计算机视觉技术的原坯布快速检测方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN114742829B (zh) 一种人造丝缺陷检测的方法及***
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
Hu Computer technology for textiles and apparel
CN105631481B (zh) 基于遗传编程的铁谱磨粒复合特征构造方法
CN114998321A (zh) 一种基于光学手段的纺织材料表面毛羽程度识别方法
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
Pereira et al. Computer vision techniques for detecting yarn defects
Li et al. Yarn-dyed woven defect characterization and classification using combined features and support vector machine
CN113610843A (zh) 一种光纤编织层的实时缺陷识别***及其方法
CN111402225A (zh) 一种布匹折叠误检疵点判别方法
CN114782426B (zh) 基于人工智能***的针织布料断纱缺陷检测方法
Jeffrey Kuo et al. Self-organizing map network for automatically recognizing color texture fabric nature
CN109919028B (zh) 一种基于织物组织结构的柔性坐标系建立及形状识别方法
Kopaczka et al. Fully Automatic Faulty Weft Thread Detection using a Camera System and Feature-based Pattern Recognition.
Niles et al. A system for analysis, categorisation and grading of fabric defects using computer vision
Ramakrishnan et al. A Novel Fabric Defect Detection Network in textile fabrics based on DLT
CN115100481B (zh) 一种基于人工智能的纺织品定性分类方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Detecting Surface Flaw Points on Textiles Based on Image Processing Technology

Effective date of registration: 20230330

Granted publication date: 20220304

Pledgee: Hangzhou joint rural commercial bank Limited by Share Ltd. three pier sub branch

Pledgor: Hangzhou youhuasijie culture and Art Development Co.,Ltd.

Registration number: Y2023980036481