CN114612385B - 一种基于模板匹配的拉链布边缺陷识别方法 - Google Patents

一种基于模板匹配的拉链布边缺陷识别方法 Download PDF

Info

Publication number
CN114612385B
CN114612385B CN202210114993.XA CN202210114993A CN114612385B CN 114612385 B CN114612385 B CN 114612385B CN 202210114993 A CN202210114993 A CN 202210114993A CN 114612385 B CN114612385 B CN 114612385B
Authority
CN
China
Prior art keywords
selvedge
pixel points
defect
zipper
distance
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.)
Active
Application number
CN202210114993.XA
Other languages
English (en)
Other versions
CN114612385A (zh
Inventor
仲翔
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.)
Nantong Tongzhou Jindu Zipper Co ltd
Original Assignee
Nantong Tongzhou Jindu Zipper 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 Nantong Tongzhou Jindu Zipper Co ltd filed Critical Nantong Tongzhou Jindu Zipper Co ltd
Priority to CN202210114993.XA priority Critical patent/CN114612385B/zh
Publication of CN114612385A publication Critical patent/CN114612385A/zh
Application granted granted Critical
Publication of CN114612385B publication Critical patent/CN114612385B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/529—Depth or shape recovery from texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (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模板匹配的拉链布边缺陷识别方法，涉及人工智能领域。包括：建立纹理模板数据库：获取正常拉链布边的布边RGB图像，获取每行像素点的距离序列；计算位置分布规则度，将最大值对应像素点作为关键点对距离序列进行划分得到纹理模板；模板匹配：采集待检测布边图像，根据纹理模板对待检测布边图像进行滑动检测，得到缺陷区域以及对应的纹理模板；缺陷判断：计算待检测布边图像缺陷区域与纹理模板的颜色差异性；根据所述颜色差异性值判断待检测拉链布边的缺陷类型。本发明通过图像检测代替人工检测，提高检测效率的同时，保证了缺陷检测结果的可靠性。

Description

一种基于模板匹配的拉链布边缺陷识别方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于模板匹配的拉链布边缺陷识别方法。
背景技术
在拉链的生产过程中，拉链布边的品质检测和控制显得尤为重要。拉链布边存在破损、脱线、污染缺陷。涉及拉链布边缺陷检测的研究并没有将拉链布边单独分离出来对待，而是将其于拉链的其他部分一起检测，缺乏针对性。不仅如此，相关的研究对于拉链布边的缺陷检测没有对缺陷类型分类讨论，只包含了缺陷的某一类，而实际应用中可能会同时出现多类缺陷，导致缺乏普遍性。
大部分拉链生产企业采用半自动化加人工的检测方法，这种检测方法不仅效率低，而且由于个人主观判断因素，不能保证检测的可靠性。用图像检测代替人工检测的方法是一个很好的选择，但是将图像检测用于拉链产品的研究非常少，而且大多局限在研究检测拉链齿、拉头和限位码的缺陷方面，对于拉链布边的检测研究非常少。
由于拉链颜色的多样性，以及可能存在的布边缺陷的影响，导致通过阈值分割获取的布边不完整或出现分类错误的情况，影响后续对布边缺陷的识别和分类，进而影响布边缺陷检测的准确性。
发明内容
本发明提供一种基于模板匹配的拉链布边缺陷识别方法，以解决现有的问题，包括：
建立纹理模板数据库：获取正常拉链布边的布边RGB图像，获取每行像素点的距离序列；计算位置分布规则度，将最大值对应像素点作为关键点对距离序列进行划分得到纹理模板；模板匹配：采集待检测布边图像，根据纹理模板对待检测布边图像进行滑动检测，得到缺陷区域以及对应的纹理模板；缺陷判断：计算待检测布边图像缺陷区域与纹理模板的颜色差异性；根据所述颜色差异性值判断待检测拉链布边的缺陷类型。
根据本发明提出的技术手段，通过建立模板数据库，将拉链布边单独分离出来，对其进行针对性的缺陷检测，而不是将其于拉链的其他部分一起检测，将图像检测代替人工检测，提高检测效率的同时，保证了缺陷检测结果的可靠性，对拉链布边存在的破损、脱线、污染缺陷进行识别，并对缺陷类型分类讨论，具有普遍性。
本发明采用如下技术方案，一种基于模板匹配的拉链布边缺陷识别方法，包括：
建立纹理模板数据库：获取正常拉链布边的布边RGB图像，根据布边RGB图像中每行像素点的距离序列计算每行像素点的位置分布规则度，将所述位置分布规则度最大的像素点作为该行的关键像素点；获取每行像素点中关键像素点出现的序列规律，按照获取的序列规律对每行像素点的距离序列进行划分，将划分后的所有行像素点的距离序列中所有像素点构成的区域作为纹理模板。
模板匹配：获取待检测布边缺陷区域的RGB图像，根据纹理模板数据库中的纹理模板对待检测布边缺陷区域的RGB图像进行滑动检测，获得该待检测布边缺陷区域的RGB图像所对应的所有纹理模板。
缺陷判断：利用待检测布边缺陷区域的RGB图像中所有像素点的颜色通道值，及匹配成功的所有纹理模板中所有像素点的颜色通道值计算该待检测布边缺陷区域的RGB图像与纹理模板的颜色差异性；根据获取的颜色差异性值判断待检测布边缺陷区域的缺陷类型。
进一步的，一种基于模板匹配的拉链布边缺陷识别方法，所述布边RGB图像中每行像素点的距离序列的获取方法如下：
获取布边RGB图像中每个像素点的坐标值，得到所有像素点的坐标序列，根据每行像素点的坐标序列的一阶差分值得到每一行像素点的距离序列。
进一步的，一种基于模板匹配的拉链布边缺陷识别方法，获取每行像素点的距离序列之后，还包括：
将每行像素点的距离序列根据距离元素值的大小分为多个组，其中，每个组包含多个距离元素值，当其中一组中的距离元素值与其前一组或后一组距离元素值的差值小于阈值时，将该组中的距离元素值进行分配，得到每行像素点的最终距离序列，分配方法为：
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
与/>
Figure DEST_PATH_IMAGE008
分别为与/>
Figure DEST_PATH_IMAGE010
相邻的前一组和后一组距离元素数量，/>
Figure DEST_PATH_IMAGE012
与/>
Figure DEST_PATH_IMAGE014
分别为分配后与/>
Figure 775372DEST_PATH_IMAGE010
相邻的前一组和后一组距离元素数量，/>
Figure DEST_PATH_IMAGE016
为当前组距离元素值，/>
Figure DEST_PATH_IMAGE018
与/>
Figure DEST_PATH_IMAGE020
分别为与/>
Figure 386482DEST_PATH_IMAGE010
相邻的前一组和后一组距离元素值。
进一步的，一种基于模板匹配的拉链布边缺陷识别方法，计算每行像素点的位置分布规则度的表达式如下：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为每行像素点的数量，/>
Figure DEST_PATH_IMAGE026
为正常布边RGB图像的长度，/>
Figure DEST_PATH_IMAGE028
为该行对应每个像素点的位置分布规则度，/>
Figure DEST_PATH_IMAGE030
表示最终距离序列按照距离元素值可分为/>
Figure 864736DEST_PATH_IMAGE030
组，/>
Figure DEST_PATH_IMAGE032
表示每组中的距离元素数量，/>
Figure DEST_PATH_IMAGE034
表示最终距离序列中距离元素的个数。
进一步的，一种基于模板匹配的拉链布边缺陷识别方法，按照获取的序列规律对每行像素点的距离序列进行划分的方法为：
将每行像素点的最终距离序列中从起始像素点到关键点之间的距离序列作为一个循环区域，获取布边RGB图像中所有行像素点的最终距离序列的循环区域，将所有行像素点的最终距离序列的循环区域中所有像素点构成的区域作为纹理模板。
进一步的，一种基于模板匹配的拉链布边缺陷识别方法，计算该待检测布边缺陷区域的RGB图像与纹理模板的颜色差异性的方法为：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
为纹理模板的像素点的个数，/>
Figure DEST_PATH_IMAGE040
,/>
Figure DEST_PATH_IMAGE042
)为待检测布边RGB图像的缺陷区域中与纹理模板对应区域像素点的红色、绿色和蓝色对应的值，/>
Figure DEST_PATH_IMAGE044
,/>
Figure DEST_PATH_IMAGE046
)为纹理模板中像素点的红色、绿色和蓝色对应的值，/>
Figure DEST_PATH_IMAGE048
为所述颜色差异性。
进一步的，一种基于模板匹配的拉链布边缺陷识别方法，根据所述颜色差异性值判断待检测拉链布边的缺陷类型，包括：
当
Figure DEST_PATH_IMAGE050
时，待检测拉链布边为污染缺陷；
当
Figure DEST_PATH_IMAGE052
-/>
Figure DEST_PATH_IMAGE054
时，待检测拉链布边为破损缺陷；
当
Figure DEST_PATH_IMAGE056
时，待检测拉链布边为脱线缺陷。
本发明的有益效果是：根据本发明提出的技术手段，通过建立模板数据库，为后续的布边缺陷的识别和分类提供完整的布边模板图像，进而提高布边缺陷检测的准确性，通过图像检测代替人工检测，提高检测效率的同时，保证了缺陷检测结果的可靠性，将拉链布边单独分离出来，对其进行针对性的缺陷检测，对拉链布边存在的破损、脱线、污染缺陷进行识别，并对缺陷类型分类讨论，具有普遍性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于模板匹配的拉链布边缺陷识别方法结构示意图；
图2为本发明是实施例的另一种基于模板匹配的拉链布边缺陷识别方法结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
实施例1
如图1所示，给出了本发明实施例的一种基于模板匹配的拉链布边缺陷识别方法结构示意图，包括：
101.建立纹理模板数据库：获取正常拉链布边的布边RGB图像，根据布边RGB图像中每行像素点的距离序列计算每行像素点的位置分布规则度，将所述位置分布规则度最大的像素点作为该行的关键像素点；获取每行像素点中关键像素点出现的序列规律，按照获取的序列规律对每行像素点的距离序列进行划分，将划分后的所有行像素点的距离序列中所有像素点构成的区域作为纹理模板。
拉链的构成包括链齿、拉头、限位码和布边，其中链齿、拉头和限位码的材质相同，与布边的材质不同，且本发明识别拉链布边的缺陷，因此将拉链分为主体和布边两部分，其中主体包括链齿、拉头和限位码。布边与主体的颜色不同，将多张样本图像转换为样本灰度图，通过语义分割来识别拉链图像中的布边。
由于纹理模板是重复且规律的排列的，因此根据某一行的第一像素点的纵坐标得到坐标序列，是由一个或多个等差数列组成。等差数列具有相等的差值，因此，通过坐标序列的一阶差分值得到距离序列。
根据得到的距离序列来计算位置分布规则度。找到位置分布规则度最大值对应的颜色的像素点，即为纹理模板的关键点。
布边是由规则的纹理重复排列在一起的，因此通过纹理模板能够准确的表示布边的纹理，进而确定布边缺陷。由于纹理模板是重复且规律的排列的，因此，纹理模板中存在某个颜色的像素点，该像素点在布边RGB图像中反复出现且排布具有一定的规则，将该像素点记为关键点，通过确定关键点可以将布边RGB图像划分为多个形状和大小相同的区域，通过这些区域确定布边的纹理模板。
102.模板匹配：获取待检测布边缺陷区域的RGB图像，根据纹理模板数据库中的纹理模板对待检测布边缺陷区域的RGB图像进行滑动检测，获得该待检测布边缺陷区域的RGB图像所对应的所有纹理模板。
通过放置在传送带上的照相机采集传送带上的拉链RGB图像，通过上述步骤二中的语义分割获取布边RGB图像。通过上述步骤得到的布边的纹理模板，对布边RGB图像进行模板匹配，从而识别待检测布边RGB图像的缺陷类型。
103.缺陷判断：利用待检测布边缺陷区域的RGB图像中所有像素点的颜色通道值，及匹配成功的所有纹理模板中所有像素点的颜色通道值计算该待检测布边缺陷区域的RGB图像与纹理模板的颜色差异性；根据获取的颜色差异性值判断待检测布边缺陷区域的缺陷类型。
布边脱线缺陷区域与布边本身纹理的颜色相差较小；破损缺陷区域比布边本身纹理的颜色浅，对应的颜色值比布边本身纹理的颜色值小；而污染缺陷区域比布边本身纹理的颜色深，对应的颜色值比布边本身纹理的颜色值大。因此通过颜色差异性确定布边缺陷的类型。
根据本发明提出的技术手段，通过建立模板数据库，为后续的布边缺陷的识别和分类提供完整的布边模板图像，进而提高布边缺陷检测的准确性，通过图像检测代替人工检测，提高检测效率的同时，保证了缺陷检测结果的可靠性，将拉链布边单独分离出来，对其进行针对性的缺陷检测，对拉链布边存在的破损、脱线、污染缺陷进行识别，并对缺陷类型分类讨论，具有普遍性。
实施例2
201.采集正常拉链布边RGB图像，获取所述正常拉链布边RGB图像中每行像素点的距离序列。
拉链的构成包括链齿、拉头、限位码和布边，其中链齿、拉头和限位码的材质相同，与布边的材质不同，且本发明识别拉链布边的缺陷，因此将拉链分为主体和布边两部分，其中主体包括链齿、拉头和限位码。布边与主体的颜色不同，将多张样本图像转换为样本灰度图，通过语义分割来识别拉链图像中的布边。
大数定律给出了在样本数量很大时频率和平均值的稳定性，从理论上肯定了用算术平均值代替均值，用频率代替概率的合理性。因此本发明采集100张样本图像，通过语义分割获取布边RGB图像，通过多张布边RGB图像获取的纹理模板具有较强的稳定性和通用性。
该DNN网络的具体内容如下：
使用的数据集为采集的多张样本灰度图数据集。
标签为两类，布边区域和主体区域。该方式为像素级分类，对图像所有像素点进行人工标注。布边区域像素点值标注为1，主体区域像素点值标注为0。
网络的任务是分类，因此网络所用loss函数为交叉熵损失函数。
得到语义分割结果后，即为布边对应的二值遮罩，与原图进行相乘操作，实现布边图像的扣取，得到布边RGB图像。
获取所述布边RGB图像中每一行像素点的距离序列的方法为：
获取布边RGB图像中每个像素点的坐标值，得到所有像素点的坐标序列，根据每行像素点的坐标序列的一阶差分值得到每一行像素点的距离序列。
获取每一行像素点的距离序列之后，还包括：
将每行像素点的距离序列根据距离元素值的大小分为多个组，其中，每个组包含多个距离元素值，当其中一组中的距离元素值与其前一组或后一组距离元素值的差值小于阈值时，将该组中的距离元素值进行分配，得到每行像素点的最终距离序列。
在本实施例中：对于距离元素数量
Figure DEST_PATH_IMAGE058
的组，若距离元素值与其前一组或后一组距离元素值的差值小于阈值，即/>
Figure DEST_PATH_IMAGE060
或/>
Figure DEST_PATH_IMAGE062
，则将该组的距离元素数量按照一定的比例分配给相邻的前一组和后一组，按比例分配的规则为：
Figure DEST_PATH_IMAGE002A
Figure DEST_PATH_IMAGE004A
其中，
Figure 148081DEST_PATH_IMAGE006
与/>
Figure 550244DEST_PATH_IMAGE008
分别为与/>
Figure 484702DEST_PATH_IMAGE010
相邻的前一组和后一组距离元素数量，/>
Figure 478066DEST_PATH_IMAGE012
与/>
Figure 58826DEST_PATH_IMAGE014
分别为分配后与/>
Figure 61417DEST_PATH_IMAGE010
相邻的前一组和后一组距离元素数量，/>
Figure 788065DEST_PATH_IMAGE016
为当前组距离元素值，/>
Figure 483488DEST_PATH_IMAGE018
与/>
Figure 725114DEST_PATH_IMAGE020
分别为与/>
Figure 328134DEST_PATH_IMAGE010
相邻的前一组和后一组距离元素值。
对距离元素数量较少的组按比例分配后，得到新的距离序列，对新的距离序列重复上述步骤，直至没有元素数量小于
Figure DEST_PATH_IMAGE064
的组，此时的距离序列为最终距离序列。最终距离序列中共有/>
Figure DEST_PATH_IMAGE066
个距离元素，按照距离元素值可分为/>
Figure DEST_PATH_IMAGE068
组，每组的距离元素值为/>
Figure DEST_PATH_IMAGE070
，距离元素数量为/>
Figure DEST_PATH_IMAGE072
。
202.根据每行像素点的距离序列计算每行像素点的位置分布规则度，将所述位置分布规则度最大的像素点作为对应该行的关键点。
计算每行像素点的位置分布规则度的表达式如下：
Figure DEST_PATH_IMAGE022A
其中，
Figure 502763DEST_PATH_IMAGE024
为每行像素点的数量，/>
Figure 103509DEST_PATH_IMAGE026
为正常布边RGB图像的长度，/>
Figure 160326DEST_PATH_IMAGE028
为该行对应每个像素点的位置分布规则度，/>
Figure 504720DEST_PATH_IMAGE030
表示最终距离序列按照距离元素值可分为/>
Figure 205960DEST_PATH_IMAGE030
组，/>
Figure 977607DEST_PATH_IMAGE032
表示每组中的距离元素数量，/>
Figure 193824DEST_PATH_IMAGE034
表示最终距离序列中距离元素的个数。
203.获取每行像素点中关键像素点出现的序列规律，按照获取的序列规律对每行像素点的距离序列进行划分，将划分后的所有行像素点的距离序列中所有像素点构成的区域作为纹理模板。
根据每行的关键点将对应每行像素点的距离序列进行划分的方法为：
根据每行关键点对应的最终距离序列的规律性对其进行简化，将每行像素点的最终距离序列中从起始像素点到关键点之间的距离序列作为一个循环区域，获取正常拉链布边RGB图像中所有循环区域，得到纹理模板。
根据上述纹理模板的关键点，每一行的关键点对应的最终距离序列具有规律性，类似为
Figure DEST_PATH_IMAGE074
，因此可以将该最终距离序列用多个/>
Figure DEST_PATH_IMAGE076
表示，即简化为
Figure 171270DEST_PATH_IMAGE076
，则每行的关键点对应的最终距离序列均可以进行简化。得到某张布边RGB图像所有行的关键点对应的最终距离序列均的简化结果，该简化结果具有规律性，类似为
Figure DEST_PATH_IMAGE078
，判断后续的简化结果是否可以通过调整顺序，使其与前面的简化结果相同，如简化结果/>
Figure DEST_PATH_IMAGE080
可以通过调整顺序变为/>
Figure DEST_PATH_IMAGE082
，则和前面的简化结果/>
Figure 586071DEST_PATH_IMAGE082
相同；简化结果/>
Figure DEST_PATH_IMAGE084
，则和前面的简化结果/>
Figure DEST_PATH_IMAGE086
相同。对调整后的简化结果根据其规律性，可以进一步简化为
Figure DEST_PATH_IMAGE088
，则对应范围内地所有像素点组成布边的纹理模板。
204.采集待检测布边RGB图像，获取待检测布边RGB图像中所有像素点的颜色值。
布边存在的缺陷包括脱线缺陷、破损缺陷和污染缺陷，第一类是布边正常的样本图像， 第二类是布边有脱线缺陷的样本图像，第三类是布边有破损缺陷的样本图像，第四类是布边有污染缺陷的样本图像。其中脱线缺陷区域与布边本身纹理的颜色相差较小；破损缺陷区域比布边本身纹理的颜色浅，对应的颜色值比布边本身纹理的颜色值小；而污染缺陷区域比布边本身纹理的颜色深，对应的颜色值比布边本身纹理的颜色值大。因此通过颜色差异性确定布边缺陷的类型。
205.利用所述纹理模板对待检测布边RGB图像进行滑动检测，计算待检测布边RGB图像与纹理模板的颜色差异性；根据所述颜色差异性值判断待检测拉链布边的缺陷类型。
计算待检测布边RGB图像与纹理模板的颜色差异性的方法为：
Figure DEST_PATH_IMAGE036A
其中，
Figure 590936DEST_PATH_IMAGE038
为纹理模板的像素点的个数，/>
Figure 232133DEST_PATH_IMAGE040
,/>
Figure 918329DEST_PATH_IMAGE042
)为待检测布边RGB图像中与纹理模板对应区域像素点的红色、绿色和蓝色对应的值，/>
Figure 390899DEST_PATH_IMAGE044
,/>
Figure 832244DEST_PATH_IMAGE046
)为纹理模板中像素点的红色、绿色和蓝色对应的值，/>
Figure 23054DEST_PATH_IMAGE048
为所述颜色差异性。
根据所述颜色差异性值判断待检测拉链布边的缺陷类型，包括：
当
Figure 450624DEST_PATH_IMAGE050
时，待检测拉链布边为污染缺陷；
当
Figure 512121DEST_PATH_IMAGE052
-/>
Figure 62051DEST_PATH_IMAGE054
时，待检测拉链布边为破损缺陷；
当
Figure 301009DEST_PATH_IMAGE056
时，待检测拉链布边为脱线缺陷。
本实施例中，X的取值为30。
根据本发明提出的技术手段，通过建立模板数据库，为后续的布边缺陷的识别和分类提供完整的布边模板图像，进而提高布边缺陷检测的准确性，通过图像检测代替人工检测，提高检测效率的同时，保证了缺陷检测结果的可靠性，将拉链布边单独分离出来，对其进行针对性的缺陷检测，对拉链布边存在的破损、脱线、污染缺陷进行识别，并对缺陷类型分类讨论，具有普遍性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (3)

1.一种基于模板匹配的拉链布边缺陷识别方法，其特征在于，包括：
建立纹理模板数据库：获取正常拉链布边的布边RGB图像，根据布边RGB图像中每行像素点的距离序列计算每行像素点的位置分布规则度，将所述位置分布规则度最大的像素点作为该行的关键像素点；获取每行像素点中关键像素点出现的序列规律，按照获取的序列规律对每行像素点的距离序列进行划分，将划分后的所有行像素点的距离序列中所有像素点构成的区域作为纹理模板；
所述布边RGB图像中每行像素点的距离序列的获取方法如下：
获取布边RGB图像中每个像素点的坐标值，得到所有像素点的坐标序列，根据每行像素点的坐标序列的一阶差分值得到每一行像素点的距离序列；
获取每行像素点的距离序列之后，还包括：
将每行像素点的距离序列根据距离元素值的大小分为多个组，其中，每个组包含多个距离元素值，当其中一组中的距离元素值与其前一组或后一组距离元素值的差值小于阈值时，将该组中的距离元素值进行分配，得到每行像素点的最终距离序列，分配方法为：
Figure QLYQS_1
Figure QLYQS_2
其中，
Figure QLYQS_5
与/>
Figure QLYQS_7
分别为与/>
Figure QLYQS_11
相邻的前一组和后一组距离元素数量，/>
Figure QLYQS_4
与/>
Figure QLYQS_8
分别为分配后与/>
Figure QLYQS_10
相邻的前一组和后一组距离元素数量，/>
Figure QLYQS_12
为当前组距离元素值，/>
Figure QLYQS_3
与/>
Figure QLYQS_6
分别为与/>
Figure QLYQS_9
相邻的前一组和后一组距离元素值；
计算每行像素点的位置分布规则度的表达式如下：
Figure QLYQS_13
其中，
Figure QLYQS_14
为每行像素点的数量，/>
Figure QLYQS_15
为正常布边RGB图像的长度，/>
Figure QLYQS_16
为该行对应每个像素点的位置分布规则度，/>
Figure QLYQS_17
表示最终距离序列按照距离元素值可分为/>
Figure QLYQS_18
组，/>
Figure QLYQS_19
表示每组中的距离元素数量，/>
Figure QLYQS_20
表示最终距离序列中距离元素的个数；
按照获取的序列规律对每行像素点的距离序列进行划分的方法为：
将每行像素点的最终距离序列中从起始像素点到关键点之间的距离序列作为一个循环区域，获取布边RGB图像中所有行像素点的最终距离序列的循环区域，将所有行像素点的最终距离序列的循环区域中所有像素点构成的区域作为纹理模板；
模板匹配：获取待检测布边缺陷区域的RGB图像，根据纹理模板数据库中的纹理模板对待检测布边缺陷区域的RGB图像进行滑动检测，获得该待检测布边缺陷区域的RGB图像所对应的所有纹理模板；
缺陷判断：利用待检测布边缺陷区域的RGB图像中所有像素点的颜色通道值，及匹配成功的所有纹理模板中所有像素点的颜色通道值计算该待检测布边缺陷区域的RGB图像与纹理模板的颜色差异性；根据获取的颜色差异性值判断待检测布边缺陷区域的缺陷类型。
2.根据权利要求1所述的一种基于模板匹配的拉链布边缺陷识别方法，其特征在于，计算该待检测布边缺陷区域的RGB图像与纹理模板的颜色差异性的方法为：
Figure QLYQS_21
其中，
Figure QLYQS_22
为纹理模板的像素点的个数，/>
Figure QLYQS_23
,/>
Figure QLYQS_24
)为待检测布边RGB图像的缺陷区域中与纹理模板对应区域像素点的红色、绿色和蓝色对应的值，/>
Figure QLYQS_25
,/>
Figure QLYQS_26
)为纹理模板中像素点的红色、绿色和蓝色对应的值，/>
Figure QLYQS_27
为所述颜色差异性。
3.根据权利要求1所述的一种基于模板匹配的拉链布边缺陷识别方法，其特征在于，根据所述颜色差异性值判断待检测拉链布边的缺陷类型，包括：
当
Figure QLYQS_28
时，待检测拉链布边为污染缺陷；
当
Figure QLYQS_29
-/>
Figure QLYQS_30
时，待检测拉链布边为破损缺陷；
当
Figure QLYQS_31
时，待检测拉链布边为脱线缺陷。/>
CN202210114993.XA 2022-01-31 2022-01-31 一种基于模板匹配的拉链布边缺陷识别方法 Active CN114612385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210114993.XA CN114612385B (zh) 2022-01-31 2022-01-31 一种基于模板匹配的拉链布边缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210114993.XA CN114612385B (zh) 2022-01-31 2022-01-31 一种基于模板匹配的拉链布边缺陷识别方法

Publications (2)

Publication Number Publication Date
CN114612385A CN114612385A (zh) 2022-06-10
CN114612385B true CN114612385B (zh) 2023-06-13

Family

ID=81859109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210114993.XA Active CN114612385B (zh) 2022-01-31 2022-01-31 一种基于模板匹配的拉链布边缺陷识别方法

Country Status (1)

Country Link
CN (1) CN114612385B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311286A (zh) * 2022-10-12 2022-11-08 南通佳布鲁服装有限公司 一种染色纺织品的染色缺陷识别方法
CN116843689B (zh) * 2023-09-01 2023-11-21 山东众成菌业股份有限公司 一种菌盖表面破损检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781913A (zh) * 2019-09-11 2020-02-11 西安电子科技大学 一种拉链布带缺陷检测方法
CN113546402A (zh) * 2021-07-23 2021-10-26 广州偶游网络科技有限公司 智能鞋及智能穿戴设备
CN113706532A (zh) * 2021-10-28 2021-11-26 南通博纳纺织品有限公司 一种验布机的布匹缺陷位置的智能检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102305798B (zh) * 2011-08-02 2013-05-22 上海交通大学 基于机器视觉的玻璃缺陷的检测与分类方法
CN102799669B (zh) * 2012-07-17 2015-06-17 杭州淘淘搜科技有限公司 一种商品图像视觉质量的自动分级方法
TWI603074B (zh) * 2015-07-03 2017-10-21 元智大學 光學薄膜缺陷辨識方法及其系統
WO2018208791A1 (en) * 2017-05-08 2018-11-15 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN109712114A (zh) * 2018-11-30 2019-05-03 无锡维胜威信息科技有限公司 一种应用于拉链缺陷检测的***及其检测方法
CN113820326B (zh) * 2021-11-19 2022-02-15 佛山市煜丰机械有限公司 一种长码拉链的缺陷检测***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781913A (zh) * 2019-09-11 2020-02-11 西安电子科技大学 一种拉链布带缺陷检测方法
CN113546402A (zh) * 2021-07-23 2021-10-26 广州偶游网络科技有限公司 智能鞋及智能穿戴设备
CN113706532A (zh) * 2021-10-28 2021-11-26 南通博纳纺织品有限公司 一种验布机的布匹缺陷位置的智能检测方法

Also Published As

Publication number Publication date
CN114612385A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114612385B (zh) 一种基于模板匹配的拉链布边缺陷识别方法
CN108364281B (zh) 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法
CN106651899B (zh) 基于Adaboost的眼底图像微动脉瘤检测***
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN114820627B (zh) 一种基于光学手段的纺织品质量检测方法
CN108805862B (zh) 一种基于改进结构相似度的标签鉴别方法
CN110189383B (zh) 基于机器学习的中医舌色苔色定量分析方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN108563975B (zh) 一种基于深度学习的高密度人群人数估计方法
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及***
CN108090494A (zh) 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN106960196B (zh) 基于模板匹配和svm的工业视频小数字识别方法
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN113052859A (zh) 基于自适应种子点密度聚类超像素分割方法
CN115131348A (zh) 一种纺织品表面缺陷的检测方法及***
CN111766248A (zh) 一种基于彩色ccd的钢印在线检测***及方法
CN107292898B (zh) 一种基于hsv的车牌阴影检测和去除方法
CN103929629B (zh) 一种基于图像主要颜色的图像处理方法
CN113160136B (zh) 一种基于改进Mask R-CNN的木材缺陷识别和分割方法
CN114937042B (zh) 基于机器视觉的塑料制品质量评估方法
CN115082741B (zh) 基于图像处理的废旧纺织品分类方法
CN116543414A (zh) 多模型融合的舌质颜色分类及舌质红度和紫度量化方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置

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