CN114693676B - 一种新材料纺织品漂白缺陷光学检测方法及装置 - Google Patents
一种新材料纺织品漂白缺陷光学检测方法及装置 Download PDFInfo
- Publication number
- CN114693676B CN114693676B CN202210603423.7A CN202210603423A CN114693676B CN 114693676 B CN114693676 B CN 114693676B CN 202210603423 A CN202210603423 A CN 202210603423A CN 114693676 B CN114693676 B CN 114693676B
- Authority
- CN
- China
- Prior art keywords
- image
- textile
- bleaching
- pixels
- acquiring
- 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
Links
- 239000004753 textile Substances 0.000 title claims abstract description 188
- 238000004061 bleaching Methods 0.000 title claims abstract description 139
- 230000007547 defect Effects 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000003287 optical effect Effects 0.000 title claims abstract description 37
- 239000000463 material Substances 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 32
- 239000000203 mixture Substances 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 22
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 8
- 239000000049 pigment Substances 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 241001270131 Agaricus moelleri Species 0.000 description 4
- 238000009987 spinning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002121 nanofiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷检测领域，具体涉及一种新材料纺织品漂白缺陷光学检测方法及装置，其中一种新材料纺织品漂白缺陷光学检测方法是一种利用光学手段获取可见光图像以此测试或分析新材料纺织品漂白缺陷的方法，该方法包括：利用光学手段，获取纺织品图像；基于灰度共生矩阵对所述纺织品图像中的像素进行分类，得到若干个像素类别；基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。提高了漂白缺陷检测精度。此外，本发明提供的一种新材料纺织品漂白缺陷光学检测方法及装置能够实现新材料检测、计量等。
Description
技术领域
本发明涉及缺陷检测领域，具体涉及一种新材料纺织品漂白缺陷光学检测方法及装置。
背景技术
现代纺织中，纺织新材料的研发，特别是纳米纤维的开发和使用，突破了传统意义上的纺织材料概念。纤维纺成纱线再进一步织成织物，也称纺织品，纺织品进行漂白、染色等工序加工成最终的成品。无论是生产纯白纺织品还是生产有色纺织品，都需要对纺织品进行漂白，而纺织品的漂白质量会影响纯白纺织品成品的质量以及有色纺织品的染色质量，因此对纺织品漂白质量的检测至关重要。
目前通常采用人工检查或图像处理的方式，人工检测漂白缺陷检测效率低下；普通的利用光学手段获取图像，再对图像进行处理的方式，仅能检测出较为明显的漂白缺陷，对于不明显的漂白不均缺陷、色素点缺陷漏检率高；且在自然光照下拍摄的图像，由于自然光照复杂，可能会造成图像中部分区域亮，部分区域暗，对漂白不均缺陷检测形成干扰，使得漂白缺陷误检率高。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种新材料纺织品漂白缺陷光学检测方法及装置，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种新材料纺织品漂白缺陷光学检测方法，该方法包括：
利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵；
基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别；
基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。
进一步地，基于像素的分布情况获取各像素类别的集中分布度，具体地，每个像素类别的集中分布度的获取具体为：
将纺织品图像转换为灰度图，对所述灰度图进行分块处理，得到若干个图像块；
对于每个图像块：获取图像块中该像素类别对应的像素数量与所述像素数量均值的差值，其中，根据各图像块中该像素类别对应的像素数量，得到所述像素数量均值；对图像块中该像素类别对应的像素数量进行数量扩增，得到扩增像素数量，获取图像块中像素总数量与所述扩增像素数量的比值；获取所述差值与所述比值的乘积；
基于各图像块对应的乘积，获取乘积均值，根据所述乘积均值获取所述集中分布度。
进一步地，根据所述乘积均值获取所述集中分布度：对所述乘积均值进行归一化处理，得到所述集中分布度。
进一步地，利用光学手段，获取纺织品图像，具体为：
设置多个单色光源，所述单色光源的颜色分别为红色、绿色和蓝色；
在各单色光源的照射下，获取单通道的纺织品的黑白图像；
基于获取的所有黑白图像，得到所述纺织品图像，所述纺织品图像为RGB图像。
进一步地，获取所述纺织品图像的纺织纹理方向，具体为：获取所述纺织品图像的灰度图，将所述灰度图转换为频谱图，基于所述频谱图获取所述纺织品图像的纺织纹理方向。
第二方面，本发明另一个实施例提供了一种新材料纺织品漂白缺陷光学检测装置，该装置包括：
图像处理模块，用于利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵；
像素分类模块，用于基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别；
缺陷检测模块，用于基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。
进一步地，所述缺陷检测模块包括：
分块单元，用于将纺织品图像转换为灰度图，对所述灰度图进行分块处理，得到若干个图像块；
第一计算单元，用于对于每个图像块：获取图像块中该像素类别对应的像素数量与所述像素数量均值的差值，其中，根据各图像块中该像素类别对应的像素数量，得到所述像素数量均值；对图像块中该像素类别对应的像素数量进行数量扩增，得到扩增像素数量，获取图像块中像素总数量与所述扩增像素数量的比值；获取所述差值与所述比值的乘积；
第二计算单元，用于基于各图像块对应的乘积，获取乘积均值，根据所述乘积均值获取所述集中分布度。
进一步地，所述第二计算单元包括：
归一化处理单元，用于对所述乘积均值进行归一化处理，得到所述集中分布度。
进一步地，所述图像处理模块包括：
光源设置单元，用于设置多个单色光源，所述单色光源的颜色分别为红色、绿色和蓝色；
黑白图像获取单元，用于在各单色光源的照射下，获取单通道的纺织品的黑白图像；
图像整合单元，用于基于获取的所有黑白图像，得到所述纺织品图像，所述纺织品图像为RGB图像。
进一步地，所述图像处理模块包括：
纹理方向获取单元，用于获取所述纺织品图像的灰度图，将所述灰度图转换为频谱图，基于所述频谱图获取所述纺织品图像的纺织纹理方向。
本发明实施例至少具有如下有益效果：
(1)本发明利用光学手段获取纺织品图像，具体地，设置多个单色光源，单色光源的颜色分别为红色、绿色和蓝色；在各单色光源的照射下，获取单通道的纺织品的黑白图像；整合获取的所有黑白图像，得到所述纺织品图像；基于上述纺织品图像的获取方式，既避免了拜耳阵列拍摄重复细节画面时的彩色干扰信息，又可以拍摄到未漂白的色素点，同时避免了自然光照对漂白不均缺陷检测的干扰。
(2)本发明提供一种新材料纺织品漂白缺陷光学检测方法及装置，其中一种新材料纺织品漂白缺陷光学检测方法是一种利用光学手段获取可见光图像以此测试或分析新材料纺织品漂白缺陷的方法，具体地，本发明基于灰度共生矩阵对所述纺织品图像中的像素进行分类，得到若干个像素类别；基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。因此，基于各类像素的分布特征，本发明可提高缺陷检测的准确率，检测出不明显的漂白不均缺陷。此外，本发明提供的一种新材料纺织品漂白缺陷光学检测方法及装置能够实现新材料检测、计量等。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明方法实施例的步骤流程图。
图2为本发明装置实施例的模块构成图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种新材料纺织品漂白缺陷光学检测方法及装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
纺织品漂白质量影响成品质量，因此，本发明的主要目的是：利用计算机视觉，对采集到的纺织品图像进行处理，分析纺织品图像的特征，检测纺织品漂白缺陷，进行纺织品漂白质量评价。
下面结合附图具体的说明本发明所提供的一种新材料纺织品漂白缺陷光学检测方法及装置的具体方案。
获取纺织品图像后，现有的图像处理方式一般为将纺织品图像转化为灰度图，基于像素的灰度值检测漂白缺陷。由于在噪声干扰下，像素灰度有波动，若漂白不均缺陷不明显，在噪声的干扰下，通过现有的图像处理方式如阈值分割无法将漂白不均缺陷检测出来。针对上述问题，本发明通过对灰度共生矩阵进行分析，通过对灰度共生矩阵进行二维高斯分布拟合，将像素点分成不同类别，对每个类别像素点进行缺陷的判别，获取可能存在缺陷的区域；该方式可提高漂白缺陷检测的准确率，检测出不明显的漂白不均缺陷。
请参阅图1，其示出了本发明一个实施例提供的一种新材料纺织品漂白缺陷光学检测方法的步骤流程图，该方法包括以下步骤：
利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵；
基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别；
基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。
下面对上述各个步骤进行具体展开：
步骤S1，利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵。
步骤S11，利用光学手段，获取纺织品图像，具体地：设置多个单色光源，所述单色光源的颜色分别为红色、绿色和蓝色；在各单色光源的照射下，获取单通道的纺织品的黑白图像；基于获取的所有黑白图像，得到所述纺织品图像，所述纺织品图像为RGB图像。
一方面，自然光照下拍摄的图像，由于自然光照复杂，可能会造成图像中部分区域亮，部分区域暗，对漂白不均缺陷检测形成干扰。另一方面，现有的相机多是通过CCD或CMOS传感器拍摄图像，CCD或CMOS传感器使用的是拜耳阵列，拜耳阵列模拟人眼对色彩的敏感程度，采用1红2绿1蓝的排列方式将灰度信息转换成彩色信息；采用这种技术的传感器实际每个像素仅有一种颜色信息，利用反马赛克算法进行插值计算，最终获得一张图像。拜耳阵列在拍摄具有重复细节（如纺织品）的画面时，容易产生彩色干扰信息，该问题是由于其规则的分布方式而造成的，其具体表现为在画面中产生难看的色带；同时由于CCD或CMOS传感器对某一个原色不敏感，可能会造成未漂白的色素点在拍摄图像中不显示。基于此，本发明给出一种新的获取纺织品图像的方式，具体地：
在检测台上方分别架设红色单色光源、绿色单色光源和蓝色单色光源。在检测台正上方放置相机，通过传送带将完成漂白工序的纺织品传送到检测台上，分别在每个单色光源的照射下，拍摄纺织品单色黑白图像，优选地，图像中仅包含纺织品，不包含背景区域；基于获取的所有黑白图像，得到所述纺织品图像，即根据三张纺织品单色黑白图像获取纺织品彩色图像：将红色单色光源照射下得到的纺织品黑白图像每个像素点的值作为彩色RGB图像对应像素点红色通道的值，将蓝色单色光源照射下得到的纺织品黑白图像每个像素点的值作为彩色RGB图像对应像素点蓝色通道的值，将绿色单色光源照射下得到的纺织品黑白图像每个像素点的值作为彩色RGB图像对应像素点绿色通道的值，得到最终的纺织品图像。
按照上述方式拍摄得到的纺织品图像既避免了拜耳阵列拍摄重复细节画面时的彩色干扰信息，又可以拍摄到未漂白的色素点，同时避免了自然光照对漂白不均缺陷检测的干扰。
步骤S12，获取所述纺织品图像的纺织纹理方向，具体地：获取所述纺织品图像的灰度图，将所述灰度图转换为频谱图，基于所述频谱图获取所述纺织品图像的纺织纹理方向。
纺织品上存在遍布整个纺织品图像的规则的线性纹理，可将纺织品纹理看作二维正弦波。将纺织品灰度图转化为频谱图，获取频谱图中的最亮的一对对称高亮点，计算高亮点相连形成的直线的方向。结合一对对称高亮点形成直线与空域中对应二维正弦波的波线方向垂直的特性，获取纺织纹理的方向。基于频谱图获取纺织纹理方向的具体过程为公知的，本发明不再详细说明。
步骤S13，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵：
基于纺织品灰度图，统计纺织品灰度图中出现的灰度，获取灰度最小值
以及灰度最大值
；以
到
之间每一个灰度值（包含
、
）作为灰度共生矩阵的灰度级别，获取所有像素在纺织纹理方向上的灰度共生矩阵，灰度共生矩阵为
大小的矩阵，用于表征纺织品纹理方向上不同灰度的像素对出现的次数。
步骤S2，基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别。
若纺织品不存在任何漂白缺陷，在不考虑噪声的情况下，纺织品每条纹理的灰度均相同，在获得的灰度共生矩阵中仅对角线有数值，其余部分均为0。但在噪声的干扰下，纺织品的纹理灰度呈现高斯分布的趋势，在获得的灰度共生矩阵中对角线及对角线周围有较大的数值，呈现二维高斯分布的趋势，在距离对角线较远的部分，数值为0，或数值非常小，此时为噪声，可以看作一个高度及宽度都非常小的二维高斯分布。
若纺织品上存在未漂白的色素点，其灰度与纺织品纹理灰度有较大差异，但由于色素点通常较小，在获得的灰度共生矩阵中距离对角线较远的部分存在数值，且数值非常小，与噪声特征相似；若纺织品上存在漂白不均缺陷，则不同区域纹理灰度不一致，在获得的灰度共生矩阵中不同的漂白不均缺陷区域的纹理灰度分布在对角线及对角线周围的不同位置，且每个漂白不均缺陷区域的纹理灰度都呈现二维高斯分布的趋势。
以灰度共生矩阵中的数值和对应的数值位置(数值位置的坐标)为样本数据，根据这些样本数据利用EM算法拟合二维高斯混合模型，对二维高斯混合模型进行拆分，可得到若干个子高斯模型，每个子高斯模型表示纺织品的不同特征，其对应的像素可能为纺织品纹理像素(构成纺织品纹理的像素)，可能为纺织品纹理像素以外的正常像素，可能为噪声像素，也可能为漂白异常像素(色素点对应像素)。其中，子高斯模型的个数为灰度共生矩阵中极大值的个数，记为K。
根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别。具体地，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，将灰度共生矩阵中的数值进行分类，得到若干个数值类别；每个数值类别中各数值对应的像素为一类像素，进而得到若干个像素类别。
根据概率密度公式计算灰度共生矩阵中每个数值属于每个子高斯模型的概率，根据概率大小将灰度共生矩阵中的数值进行分类，得到K个数值类别。若灰度共生矩阵中一个数值属于多个子高斯模型的概率最大且相等，则将该数值划分到多个子高斯模型对应的数值类别中。
根据每个数值类别中的数值和数值的坐标位置返回到纺织品灰度图中，获取每个数值类别对应图像中的所有像素点；因此，每个数值类别对应的像素为一类像素，进而完成对所述纺织品图像中的像素的分类，得到K个像素类别，每个像素类别中的像素可能为纺织品纹理像素，可能为纺织品纹理像素以外的正常像素，也可能为噪声像素或漂白异常像素。
步骤S3，基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。
纺织品纹理遍布整个图像，若纺织品无漂白不均缺陷，对应纺织品纹理像素的像素类别中的像素点也遍布整个图像，在各个图像块分布均匀；若存在漂白不均缺陷，对应均匀漂白区域的纺织品纹理像素的像素类别中的像素点可能分布在整个图像，但对应漂白不均匀区域的纺织品纹理像素的像素类别中的像素点集中在几个图像块；表示噪声像素或漂白异常像素类别的像素点可能分布在多个图像块中，但在每个图像块内噪声像素或漂白异常像素的像素数量较少。因此计算每个类别像素点在图像中的集中分布度。
步骤S31，基于像素的分布情况获取各像素类别的集中分布度；具体地，每个像素类别的集中分布度的获取具体为：
(1)将纺织品图像转换为灰度图，对所述灰度图进行分块处理，得到若干个图像块。
对灰度图进行分块处理，得到
个大小为
的图像块，优选地，实施例中图像块的大小为15*15。
(2)对于每个图像块：获取图像块中该像素类别对应的像素数量与所述像素数量均值的差值，其中，根据各图像块中该像素类别对应的像素数量，得到所述像素数量均值；对图像块中该像素类别对应的像素数量进行数量扩增，得到扩增像素数量，获取图像块中像素总数量与所述扩增像素数量的比值；获取所述差值与所述比值的乘积。
其中，为了避免所述差值为0，一个实施方式中，当所述差值小于预设阈值时，获取预设阈值与所述比值的乘积。另一个实施方式中，当所述差值小于预设阈值时，获取所述差值和预设阈值的和值，获取所述和值和所述比值的乘积。优选地，实施例中预设阈值为1。
(3)基于各图像块对应的乘积，获取乘积均值，根据所述乘积均值获取所述集中分布度；其中，根据所述乘积均值获取所述集中分布度具体为，对所述乘积均值进行归一化处理，得到所述集中分布度。
作为一个示例，每个像素类别的集中分布度的计算方式为：
若第
个像素类别对应的像素为纹理像素或纹理像素以外的正常像素，则每个图像块内第
个像素类别对应的像素的数量较多，但最多可能占整个图像块像素数量的一半，因此将第
个像素类别在每个图像块中的数量进行两倍数量扩增，获取扩增像素数量，计算图像块内像素总数量与扩增像素数量的比值，此时比值接近为1，集中分布度
的大小由
决定。
若第
个像素类别对应的像素为噪声像素或漂白异常像素，则每个图像块内第
个像素类别对应的像素的数量较少，此时
较小，但实际上噪声像素、漂白异常像素并不是遍布整个图像块的，而是在图像块内集中分布；只根据
计算集中分布度结果不准确，此时图像块内像素总数量与扩增像素数量的比值非常大，集中分布度
的大小由
决定。
步骤S32，基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。
根据集中分布度，可一定程度上将可能存在漂白不均、色素点缺陷对应的像素类别区分出来，具体地：若像素类别的集中分布度小于预设分布度阈值，则该像素类别对应像素在图像中分布均匀，不存在漂白缺陷，该像素类别的标签为正常；反之，该像素类别对应像素在图像中或图像块中集中分布，可能存在漂白缺陷，该像素类别的标签为疑似异常。优选地，预设分布度阈值的经验值为0.9。
标签为疑似异常的像素类别对应的像素为漂白缺陷疑似像素，基于漂白缺陷疑似像素获取漂白缺陷疑似区域。
一个实施方式中，对漂白缺陷疑似像素进行连通域分析，得到若干个漂白缺陷疑似区域。
另一个实施方式中，获取每个图像块中漂白缺陷疑似像素的像素占比，若像素占比小于预设占比阈值，则图像块内的漂白缺陷疑似像素构成漂白缺陷疑似区域，否则，图像块为漂白缺陷疑似区域。
基于先验，可知漂白不均匀区域面积较大，相应的像素数量较多；色素点对应区域较小，相应的像素数量较少。基于此，根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域：
若漂白缺陷疑似区域中的像素数量小于预设数量阈值，则该区域为噪声点构成的区域，纺织品不存在漂白不均匀缺陷，漂白工序合格；若漂白缺陷疑似区域中的像素数量大于等于预设数量阈值且小于图像块内像素总数量，则该区域为漂白缺陷区域，具体的为漂白异常像素构成的区域(色素点对应区域)，漂白工序不合格；若漂白缺陷疑似区域中的像素数量大于等于图像块内像素总数量，则该区域为漂白缺陷区域，具体的为漂白不均匀区域，漂白工序不合格。优选地，实施例中预设数量阈值为4。
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种新材料纺织品漂白缺陷光学检测装置，请参阅图2，其示出了本发明一个实施例提供的一种新材料纺织品漂白缺陷光学检测装置的模块构成图，该装置包括图像处理模块10、像素分类模块20和缺陷检测模块30，具体地：
图像处理模块10，用于利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵；
像素分类模块20，用于基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别；
缺陷检测模块30，用于基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域。
进一步地，所述图像处理模块10包括光源设置单元11、黑白图像获取单元12和图像整合单元13，具体地：
光源设置单元11，用于设置多个单色光源，所述单色光源的颜色分别为红色、绿色和蓝色；
黑白图像获取单元12，用于在各单色光源的照射下，获取单通道的纺织品的黑白图像；
图像整合单元13，用于基于获取的所有黑白图像，得到所述纺织品图像，所述纺织品图像为RGB图像。
进一步地，所述图像处理模块10还包括纹理方向获取单元14，其中，纹理方向获取单元用于获取所述纺织品图像的灰度图，将所述灰度图转换为频谱图，基于所述频谱图获取所述纺织品图像的纺织纹理方向。
进一步地，所述缺陷检测模块30包括分块单元31、第一计算单元32和第二计算单元33，具体地：
分块单元31，用于将纺织品图像转换为灰度图，对所述灰度图进行分块处理，得到若干个图像块；
第一计算单元32，用于对于每个图像块：获取图像块中该像素类别对应的像素数量与所述像素数量均值的差值，其中，根据各图像块中该像素类别对应的像素数量，得到所述像素数量均值；对图像块中该像素类别对应的像素数量进行数量扩增，得到扩增像素数量，获取图像块中像素总数量与所述扩增像素数量的比值；获取所述差值与所述比值的乘积；
第二计算单元33，用于基于各图像块对应的乘积，获取乘积均值，根据所述乘积均值获取所述集中分布度。
所述第二计算单元33还包括：归一化处理单元，用于对所述乘积均值进行归一化处理，得到所述集中分布度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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 (6)
1.一种新材料纺织品漂白缺陷光学检测方法，其特征在于，该方法包括：
利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵；
基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别；
基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域；
基于像素的分布情况获取各像素类别的集中分布度，具体地，每个像素类别的集中分布度的获取具体为：
将纺织品图像转换为灰度图，对所述灰度图进行分块处理，得到若干个图像块；
对于每个图像块：获取图像块中该像素类别对应的像素数量与所述像素数量均值的差值，其中，根据各图像块中该像素类别对应的像素数量，得到所述像素数量均值；对图像块中该像素类别对应的像素数量进行数量扩增，得到扩增像素数量，获取图像块中像素总数量与所述扩增像素数量的比值；获取所述差值与所述比值的乘积；
基于各图像块对应的乘积，获取乘积均值，根据所述乘积均值获取所述集中分布度；
根据所述乘积均值获取所述集中分布度：对所述乘积均值进行归一化处理，得到所述集中分布度。
2.如权利要求1所述的新材料纺织品漂白缺陷光学检测方法，其特征在于，利用光学手段，获取纺织品图像，具体为：
设置多个单色光源，所述单色光源的颜色分别为红色、绿色和蓝色；
在各单色光源的照射下，获取单通道的纺织品的黑白图像；
基于获取的所有黑白图像，得到所述纺织品图像，所述纺织品图像为RGB图像。
3.如权利要求2所述的新材料纺织品漂白缺陷光学检测方法，其特征在于，获取所述纺织品图像的纺织纹理方向，具体为：获取所述纺织品图像的灰度图，将所述灰度图转换为频谱图，基于所述频谱图获取所述纺织品图像的纺织纹理方向。
4.一种新材料纺织品漂白缺陷光学检测装置，其特征在于，该装置包括：
图像处理模块，用于利用光学手段，获取纺织品图像；获取所述纺织品图像的纺织纹理方向，基于所述纺织纹理方向获取所述纺织品图像的灰度共生矩阵；
像素分类模块，用于基于所述灰度共生矩阵中的数值和数值位置拟合得到二维高斯混合模型，获取构成所述二维高斯混合模型的若干子高斯模型，根据所述灰度共生矩阵中的数值属于各子高斯模型的概率，对所述纺织品图像中的像素进行分类，得到若干个像素类别；
缺陷检测模块，用于基于像素的分布情况获取各像素类别的集中分布度；基于所述集中分布度获取漂白缺陷疑似像素，进而获取漂白缺陷疑似区域；根据所述漂白缺陷疑似区域中的像素数量检测其是否为漂白缺陷区域；
所述缺陷检测模块包括：
分块单元，用于将纺织品图像转换为灰度图，对所述灰度图进行分块处理，得到若干个图像块；
第一计算单元，用于对于每个图像块：获取图像块中该像素类别对应的像素数量与所述像素数量均值的差值，其中，根据各图像块中该像素类别对应的像素数量，得到所述像素数量均值；对图像块中该像素类别对应的像素数量进行数量扩增，得到扩增像素数量，获取图像块中像素总数量与所述扩增像素数量的比值；获取所述差值与所述比值的乘积；
第二计算单元，用于基于各图像块对应的乘积，获取乘积均值，根据所述乘积均值获取所述集中分布度；
所述第二计算单元包括：
归一化处理单元，用于对所述乘积均值进行归一化处理，得到所述集中分布度。
5.如权利要求4所述的新材料纺织品漂白缺陷光学检测装置，其特征在于，所述图像处理模块包括：
光源设置单元，用于设置多个单色光源，所述单色光源的颜色分别为红色、绿色和蓝色；
黑白图像获取单元，用于在各单色光源的照射下，获取单通道的纺织品的黑白图像；
图像整合单元，用于基于获取的所有黑白图像，得到所述纺织品图像，所述纺织品图像为RGB图像。
6.如权利要求5所述的新材料纺织品漂白缺陷光学检测装置，其特征在于，所述图像处理模块包括：
纹理方向获取单元，用于获取所述纺织品图像的灰度图，将所述灰度图转换为频谱图，基于所述频谱图获取所述纺织品图像的纺织纹理方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210603423.7A CN114693676B (zh) | 2022-05-31 | 2022-05-31 | 一种新材料纺织品漂白缺陷光学检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210603423.7A CN114693676B (zh) | 2022-05-31 | 2022-05-31 | 一种新材料纺织品漂白缺陷光学检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114693676A CN114693676A (zh) | 2022-07-01 |
| CN114693676B true CN114693676B (zh) | 2022-08-19 |
Family
ID=82131284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210603423.7A Active CN114693676B (zh) | 2022-05-31 | 2022-05-31 | 一种新材料纺织品漂白缺陷光学检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114693676B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114792314B (zh) * | 2022-06-21 | 2022-09-02 | 南通永卓金属制品有限公司 | 基于激光束的金属丝网缺陷检测方法及人工智能*** |
| CN115049671A (zh) * | 2022-08-17 | 2022-09-13 | 南通东德纺织科技有限公司 | 基于计算机视觉的布匹表面缺陷检测方法及*** |
| CN115063424B (zh) * | 2022-08-18 | 2022-10-28 | 南通永安纺织有限公司 | 基于计算机视觉的纺织纱管纱线检测方法 |
| CN115115635B (zh) * | 2022-08-30 | 2022-11-15 | 江苏万喜登家居科技有限公司 | 用于纺织品漂白工艺的漂白质量识别方法 |
| CN116843688B (zh) * | 2023-09-01 | 2023-11-24 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445348A (zh) * | 2021-12-31 | 2022-05-06 | 扬州中卓泵业有限公司 | 基于光学手段的新材料水泵缺陷检测方法及*** |
| CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE60115314T2 (de) * | 2000-04-18 | 2006-08-03 | The University Of Hong Kong | Verfahren für die Auswertung von Bildern zur Defekterkennung |
| CN111815601B (zh) * | 2020-07-03 | 2021-02-19 | 浙江大学 | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 |
| CN112348773B (zh) * | 2020-09-28 | 2022-09-23 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
| CN114549497B (zh) * | 2022-02-28 | 2022-11-29 | 扬州市恒邦机械制造有限公司 | 基于图像识别的走台板表面缺陷检测方法及人工智能*** |
| CN114511471B (zh) * | 2022-04-18 | 2022-07-01 | 广州骏天科技有限公司 | 基于灰度共生矩阵的图像优化方法及*** |
-
2022
- 2022-05-31 CN CN202210603423.7A patent/CN114693676B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445348A (zh) * | 2021-12-31 | 2022-05-06 | 扬州中卓泵业有限公司 | 基于光学手段的新材料水泵缺陷检测方法及*** |
| CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114693676A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114693676B (zh) | 一种新材料纺织品漂白缺陷光学检测方法及装置 | |
| Guha et al. | Measurement of yarn hairiness by digital image processing | |
| Liyakat et al. | Yarn quality detection for textile industries using image processing | |
| CN106596073A (zh) | 一种检测光学***像质的方法和***及一种测试标板 | |
| KR101776355B1 (ko) | 광학 검사 파라미터를 설정하는 장치 및 방법 | |
| CN110189670A (zh) | 一种led显示屏幕缺陷检测方法 | |
| CN108414531A (zh) | 一种基于机器视觉的柔性薄膜缺陷检测装置及其检测方法 | |
| CN110186937A (zh) | 剔除灰尘影响的镜面物体表面二维缺陷检测方法及*** | |
| CN113777033A (zh) | 一种基于机器视觉的生条缺陷检测方法和装置 | |
| CN114445330A (zh) | 一种元器件外观缺陷的检测方法及*** | |
| 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 | |
| CN117152159B (zh) | 一种复杂布料印花瑕疵检测方法及*** | |
| US8526717B2 (en) | Rich color transition curve tracking method | |
| Park et al. | Automated defect inspection systems by pattern recognition | |
| CN117115171A (zh) | 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 | |
| CN112730407A (zh) | 一种利用线阵数字相机检测纱线毛羽指标的检测装置及检测方法 | |
| CN111272673A (zh) | 非纯色布匹色差检测***及检测方法 | |
| CN103927544A (zh) | 皮棉轧工质量的机器视觉分级方法 | |
| CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及*** | |
| JP7411155B2 (ja) | 色ムラ検査装置および色ムラ検査方法 | |
| US10789702B2 (en) | Systems and methods for analyzing a fabric article | |
| CN112630155A (zh) | 色差检测设备及色差检测方法 | |
| CN206292816U (zh) | 一种色织物组织的自动识别装置 | |
| CN215179567U (zh) | 色差检测设备 | |
| CN109211937A (zh) | 一种内衣弹性织带弯带缺陷的检测***及其检测方法 |
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 |