CN114878574A - 基于机器视觉的布匹缺陷检测方法、装置及*** - Google Patents
基于机器视觉的布匹缺陷检测方法、装置及*** Download PDFInfo
- Publication number
- CN114878574A CN114878574A CN202210346769.3A CN202210346769A CN114878574A CN 114878574 A CN114878574 A CN 114878574A CN 202210346769 A CN202210346769 A CN 202210346769A CN 114878574 A CN114878574 A CN 114878574A
- Authority
- CN
- China
- Prior art keywords
- row
- column
- membership
- cloth
- value
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 117
- 230000007547 defect Effects 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims description 19
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000009941 weaving Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种基于机器视觉的布匹缺陷检测方法、装置及***，涉及人工智能领域。主要包括：根据待检测布匹的表面图像的灰度图像中像素点的梯度方向获得像素点的隶属值；将行/列像素点的隶属值排列得到行/列隶属序列，并获得各行/列隶属序列对应的行/列步长序列；计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值，以结合排列熵获得行/列的异常值；将各行/列的异常值进行排列并拟合得到行/列异常曲线；将相邻两波谷之间的曲线部分作为一个波，获得波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
Description
技术领域
本申请涉及人工智能领域，具体涉及一种基于机器视觉的布匹缺陷检测方法、装置及***。
背景技术
在纺织工业中，质量控制起着尤为重要的作用，尤其是布匹的缺陷检测。布匹中最常见的缺陷为疵点，疵点不仅会影响布匹美观，还会严重影响布匹的质量等级。由布匹原料到成品布匹，需经过纺纱、织造、印染等多道工序，在每道工序的加工中，机械故障或者人员操作疏忽，均可能导致产品外观上的缺陷。
现有技术中对于疵点的检验过程在验布机上进行，通过检测人员观察布面，参照验布的标准寻找出布匹中存在的疵点。另一种针对布匹中存在的疵点的检验方法主要包括：利用计算机视觉获取布匹中的规则纹理，以获得纹理基元并通过自相关函数确定纹理基元的大小，最后利用纹理基元与提前构建的基元模板之间的差来突出疵点信息，最终获得布匹中存在的疵点并对布匹进行缺陷检测。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：人工验布是一种乏味而繁重的劳动，由于受到检测人员生理、心理和主观意愿等因素的影响以及劳动强度的限制，很难保证检测结果的高准确性和可靠性；基于基元模板的布匹的质量等级评价方法中，需要提前确定布匹的基元模板，而布匹的样式是多种多样的，因此需要针对不同布匹构建相应的模板，造成过程繁琐且不具有普适性。
发明内容
针对上述技术问题，本发明提供了一种基于机器视觉的布匹缺陷检测方法、装置及***。避免了人为验布的不确定性，降低了人员劳动程度，同时无需针对不同样式的布匹提前分别构建相应的模板基元，使得缺陷检测过程具有更强的普适性。
第一方面，本文发明实施例提出了一种基于机器视觉的布匹缺陷检测方法，包括：
获得待检测布匹的表面图像的灰度图像，并获得所述灰度图像中像素点的梯度方向。
根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值。
将同一行/列的像素点的所述隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列。
计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值。
根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/ 列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/列异常曲线。
将所述行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
在一个可行的实施例中，根据各行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，包括：
式中τi表示第i行/列的异常值，ψ为归一化参数，N表示灰度图像中行/列数，H(m)′表示第i行/列隶属序列的排列熵，σ2表示第i行/列步长序列的波动程度值。
在一个可行的实施例中，所述行/列隶属序列的排列熵的计算过程包括：
对行/列隶属序列嵌入一个维度为m的灰度窗口与一个灰度延迟L。以灰度延迟L为步长，对行隶属序列进行重构，得到对应的多个子序列，则行/列隶属序列的排列熵包括：
在一个可行的实施例中，所述方法还包括：对排列熵进行归一化处理，处理过程包括：
其中，H(m)′表示归一化后的排列熵。H(m)为归一化前的排列熵。m！为符号序列的总数量。
在一个可行的实施例中，根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值，包括：
计算像素点的梯度方向与水平方向夹角的余弦值
式中，T表示像素点梯度方向与水平方向夹角的余弦值，vp表示水平方向的单位向量，vq表示像素点的梯度方向。
当T＝0时，像素点隶属于纬纱，其隶属值为0。当T＝1时，像素点隶属于经纱，其隶属值为1。当T∈(0,1)时，像素点隶属于纬纱与经纱间空隙处的像素点，其隶属值为2。
在一个可行的实施例中，获得待检测布匹的表面图像前，还包括：调节布匹的运动速度以及图像采集的频率，直至所采集到的相邻布匹表面图像之间不存在重叠。
在一个可行的实施例中，像素点的梯度方向的获得方法包括：
利用Sobel算子获得像素点的水平梯度及竖直梯度，像素点的梯度方向为
其中g表示梯度幅值，gx表示像素点的水平梯度，gy表示像素点的竖直梯度。
在一个可行的实施例中，所述方法还包括：
将所有缺陷区间的缺陷程度的均值作为缺陷影响程度，当所述缺陷影响程度小于预设第二阈值时，待检测布匹为合格品，否则，待检测布匹为不合格品。
第二方面，本发明实施例提出了一种基于机器视觉的布匹缺陷检测装置，包括：
图像获取模块，获得待检测布匹的表面图像的灰度图像。
第一计算模块，用于获得所述灰度图像中像素点的梯度方向。
第二计算模块，根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值。
第三计算模块，将同一行/列的像素点的所述隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列。
第四计算模块，用于计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值。
异常曲线拟合模块，用于根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/列异常曲线。
缺陷区间获取模块，用于将所述行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
第三方面，本发明实施例提出了一种基于机器视觉的布匹缺陷检测***，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中基于机器视觉的布匹缺陷检测方法。
本发明实施例提供了一种基于机器视觉的布匹缺陷检测方法、装置及***，避免了人为验布的不确定性，降低了人员劳动程度，同时无需针对不同样式的布匹提前分别构建相应的模板基元，使得缺陷检测过程具有更强的普适性。
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是本发明实施例提供的一种基于机器视觉的布匹缺陷检测方法的流程示意图。
图2是本发明实施例提供的一种基于机器视觉的布匹缺陷检测装置的流程示意图。
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用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
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；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于机器视觉的布匹缺陷检测方法，如图1所示，包括：
步骤S101、获得待检测布匹的表面图像的灰度图像，并获得灰度图像中像素点的梯度方向。
步骤S102、根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值。
步骤S103、将同一行/列的像素点的隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列。
步骤S104、计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值。
步骤S105、根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/列异常曲线。
步骤S106、将行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
本发明的主要目的是:利用计算机视觉，对获取到的布匹表面灰度图像进行分析，根据布匹表面灰度图像各像素点之间的关系，计算该布匹表面周期性与均匀性，根据周期性与均匀性计算影响程度，通过缺陷的大小与类型进行影响程度的判断，最后根据影响程度对布匹进行质量分类。
在布匹生产过程中，需经过纺纱、织造、印染等多道工序，在每道工序的加工中，设定条件不当、机械故障或者人员操作疏忽等，均可能导致产品外观上的缺陷。不同种类的缺陷，其对布匹质量与修复难度的影响也不相同，常见的缺陷为破洞、油污、经纬线缺陷、疏密路等。而对于正常布匹，经纱和纬纱按照一定的交织规律均匀排列，布匹的纹理表面是均匀分布的，体现出具有一定的波动范围、分布均匀的纹理特征。
当布匹中有疵点出现时，布匹的组织结构发生变化，破坏了布匹表面纹理的周期性和均匀性，使得经纱和纬纱的排布的周期性被局部或者完全打乱，同时光照和噪声的影响会导致灰度发生一定的变化，仅采用灰度对均匀性与周期性进行判断会不准确。故本实施例中先获取像素点准确的特征信息，再根据像素点的特征信息计算周期性与均匀性，从而判断布匹的质量。
进一步的，步骤S101、获得待检测布匹的表面图像的灰度图像，并获得灰度图像中像素点的梯度方向。具体包括：
首先，获得待检测布匹的表面图像，所采集到的表面图像为RGB图像，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色。
可选的，由于图像采集设备周期性地采集布匹表面图像，同时布匹以一定的速度沿着固定方向运动，可以在采集布匹的表面图像之前，可以调节布匹的运动速度以及图像采集的频率，直至所采集到的相邻布匹表面图像之间不存在重叠，此时固定布匹的运动速度以及图像采集的频率表，如此，能够使得图像采集速度与布匹的运动速度相匹配，保证能够采集到所有布匹的表面图像，同时尽可能少的采集表面图像，可以节省图像存储空间且避免重复运算。
其次，将采集到的待检测布匹的表面图像转化为灰度图像，包括：将待检测布匹的表面图像中像素点在RGB三个通道中像素值的最大值，作为灰度图像中的像素点的灰度值。由于本实施例中主要解决的问题是对布匹中所存在的经纱和纬纱存在的异常进行检测，将表面图像转化为灰度图像能够在避免颜色影像的情况下，充分保留布匹的纹理信息，便于后续过程中对布匹中经纱和纬纱存在的异常进行分析。
然后，计算灰度图像中像素点的梯度方向，具体包括：利用Sobel算子获得像素点的水平梯度及竖直梯度，像素点的梯度方向为
其中g表示梯度幅值，gx表示像素点的水平梯度，gy表示像素点的竖直梯度。需要说明的是，Sobel算子是典型的基于一阶导数的边缘检测算子，是离散型的差分算子。该算子对噪声具有平滑作用，能很好的消除噪声的影响， Sobel算子包含横向模板及纵向模板，将之与图像作平面卷积，即可分别得出图像中像素点的水平梯度及竖直梯度。
需要说明的是，由于纱线上不同区域包含的纤维根数和表面状态不一样，反射回来的光线强度也不一样。纱线轴心线区域的纤维含量最多，纱线的厚度最大，则反射的光线最强，呈现的亮度最高；纱线的边缘部分包括的纤维量最少，纤维最薄，则反射的光线也最弱，呈现较低的亮度。布匹图像在纱线的轴心线、纱线其余部分以及纱线之间空隙处存在明显的亮度梯度，亮度由高到低的排列顺序依次为：纱线的轴心线、纱线的其余部分、纱线之间的空隙处。灰度图像中像素点的梯度方向能够反映布匹中纱线位置的更替。
进一步的，步骤S102、根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值。具体包括：
对于同一经纱或纬纱上的像素点，其梯度方向应垂直于经纱或纬纱的方向，故对于每一行像素点，即位于同一纬纱上的像素点，计算该行像素点的隶属值，
首先计算像素点的梯度方向与水平方向夹角的余弦值
式中，T表示像素点梯度方向与水平方向夹角的余弦值，vp表示水平方向的单位向量，vq表示像素点的梯度方向。
当T＝0时，表示该像素点与纬线方向垂直，即该像素点隶属于纬纱，该像素点的隶属值为0；当T＝1时，表示该像素点与纬线方向平行，即该像素点隶属于经纱，该像素点的隶属值为1；当T∈(0,1)时，表示该像素点与纬线方向即不垂直也不平行，即该像素点隶属于纬纱与经纱间空隙处的像素点，此时该像素点的隶属值为2。并以此分别获得灰度图像中各像素点的隶属值。
进一步的，步骤S103、将同一行/列的像素点的隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列。具体包括：
本实施例中步长序列中包含的值为隶属序列中的值连续出现的次数，例如，当本实施例中隶属序列为A＝(0,0,0,0,1,1,2,2,2,0,0,0,0),则隶属序列A的步长序列为B＝(4,2,3,4)。得到的步长序列能够反映隶属序列中隶属值的重复特性。
进一步的，步骤S104、计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值。具体包括：
首先，对行/列隶属序列嵌入一个维度为m的灰度窗口与一个灰度延迟L；以灰度延迟L为步长，对行/列隶属序列进行重构，得到对应的多个子序列。分别对各子序列中的元素进行排序，本发明实施例中按照升序排列，若两个元素的值相等，则按照该元素对应的角标进行排序；用符号序列表示对各子序列的元素排序后的位置索引结果，符号序列的数量为m！，即一个m 维的子序列X(i)被映射到m！个序列中的一种，并分别计算各符号序列出现的频率。
具体的，行/列隶属序列的排列熵为：
其中K表示子序列的总数量， pj表示第j个子序列在m！种全排列中的出现的概率，ln为自然对数。计算得到的排列熵的值越大，代表行隶属序列越混乱，该序列的周期性越差。
可选的，为了便于后续的计算，行/列隶属序列的排列熵进行归一化处理，归一化过程包括：
其中，H(m)′表示归一化后的排列熵；H(m)为归一化前的排列熵；m！为符号序列的总数量。
然后，计算步长序列的波动程度，包括：
式中σ2表示步长序列的波动程度，n表示步长序列中包含的元素个数，Da表示步长序列中第a个元素的值，
为序列步长序列中的均值，波动程度σ2的值越大，表示该行/列像素点存在缺陷的概率越大。
进一步的，步骤S105、根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/列异常曲线。具体包括：
当该布匹不存在缺陷时，其每一行每一列的排列熵与波动程度为一定值，不影响布匹的交织规律，当布匹存在缺陷时，排列熵与波动程度的值会变大，即对于正弦波的波峰波谷的值也会发生变化，放大与正常正弦波的差异，使其更容易检测，给人的感觉更直观。异常值的计算方法包括：
式中τi表示第i行/列的异常值，ψ为归一化参数，N表示灰度图像中行/列数，H(m)表示第i行/列隶属序列的排列熵，σ2表示第i行/列步长序列的波动程度值。
作为一个示例，本实施例中，ψ的值取0.1。
为了便于分析，将计算得到的离散值τi依次连成曲线，正常的布匹图像纹理表现出一定的均匀性和周期规律性。而大多数疵点是由于织造过程中经纬纱的细度、间隙、色泽和交织不规则造成的，在疵点形成的区域，由于疵点的存在，破坏了布匹纹理的周期性和均匀性，其纹理明显区别于规律性的正常布匹组织结构纹理，相应的疵点处图像也呈现出不规则的模式，在其曲线图上体现为疵点处的曲线发生变异。
进一步的，步骤S106、将行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。具体包括：
本实施例中选择相邻波谷之间的部分作为一个波，便于计算波的平均值，以便确定波与整个曲线相比较是否存在异常以及异常的程度。
具体的，计算波与曲线中所有波均值的差值，即：
其中Ec表示第c个波与均值的偏差，S表示波的个数，LS表示第S个波所占的行/列数。Es的值越大，表示该行/列区间为缺陷的概率越大，当Es≥E时，E为预设第一阈值，作为一个示例，本实施例中E＝5，即当波的差值大于等于5时，此波为缺陷区间。
具体的，缺陷区间在布匹中对应的位置存在缺陷，反之，当行/列的异常曲线中均不存在缺陷区间时，布匹中也就不存在缺陷。
可选的，可将所有缺陷区间的缺陷程度的均值作为缺陷影响程度，当缺陷影响程度小于预设第二阈值时，待检测布匹为合格品，否则，待检测布匹为不合格品。具体包括：
缺陷的存在破坏了布匹表面的均匀性与周期性，大大影响其使用价值，而对于不同的缺陷，可进行针对性的修复措施，从而改善布匹质量。
判定为缺陷的波的个数越多，第s个波与均值的偏差Es的值越大，此布匹的质量越低，修复难度越大。当行列相交区间均为缺陷区域时，此缺陷为破洞缺陷，当仅有行或列曲线存在缺陷时，此缺陷为经纬线缺陷。
将波与曲线中所有波均值的差值Es与预设第一阈值之间的差值作为缺陷程度ΔEs，并计算缺陷影响程度
式中G表示缺陷影响程度，v表示缺陷区间的个数，ΔEs表示第o 个缺陷的缺陷程度，ΔEs＝Es-E，
表示波的个数。
当缺陷影响程度小于预设第二阈值时，待检测布匹为合格品，否则，待检测布匹为不合格品。需要说明的是，实施者还可根据自身需求设定不同质量等级以及相应的阈值，作为一个示例，本实施例中将布匹划分为合格品以及不合格品。
本发明实施例提供了一种基于机器视觉的布匹缺陷检测装置，如图2所示，包括：
图像获取模块201，获得待检测布匹的表面图像的灰度图像。
第一计算模块202，用于获得灰度图像中像素点的梯度方向。
第二计算模块203，根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值。
第三计算模块204，将同一行/列的像素点的隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列。
第四计算模块205，用于计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值。
异常曲线拟合模块206，用于根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/ 列异常曲线。
缺陷区间获取模块207，用于将行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
其中，以上各模块的具体实现、相关说明及技术效果请参考具体实施方式中方法实施例部分。
基于与上述方法相同的发明构思，本实施例还提供了一种基于机器视觉的布匹缺陷检测***，本实施例中基于机器视觉的布匹缺陷检测***包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于机器视觉的布匹缺陷检测方法实施例中所描述的对布匹的质量进行评价。
由于基于机器视觉的布匹缺陷检测方法实施例中已经对布匹的质量进行评价的方法进行了说明，此处不再赘述。
综上所述，本发明实施例提供了一种基于机器视觉的布匹缺陷检测方法、装置及***，避免了人为验布的不确定性，降低了人员劳动程度，同时无需针对不同样式的布匹提前分别构建相应的模板基元，使得缺陷检测过程具有更强的普适性。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和***中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的布匹缺陷检测方法，其特征在于，包括：
获得待检测布匹的表面图像的灰度图像，并获得所述灰度图像中像素点的梯度方向；
根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值；
将同一行/列的像素点的所述隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列；
计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值；
根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/列异常曲线；
将所述行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
2.根据权利要求1所述的基于机器视觉的布匹缺陷检测方法，其特征在于，根据各行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，包括：
式中τi表示第i行/列的异常值，ψ为归一化参数，N表示灰度图像中行/列数，H(m)表示第i行/列隶属序列的排列熵，σ2表示第i行/列步长序列的波动程度值。
3.根据权利要求1所述的基于机器视觉的布匹缺陷检测方法，其特征在于，所述行/列隶属序列的排列熵的计算过程包括：
对行/列隶属序列嵌入一个维度为m的灰度窗口与一个灰度延迟L；以灰度延迟L为步长，对行隶属序列进行重构，得到对应的多个子序列，则行/列隶属序列的排列熵包括：
4.根据权利要求3所述的基于机器视觉的布匹缺陷检测方法，其特征在于，所述方法还包括：对排列熵进行归一化处理，处理过程包括：
其中，H(m)′表示归一化后的排列熵；H(m)为归一化前的排列熵；m！为符号序列的总数量。
5.根据权利要求1所述的基于机器视觉的布匹缺陷检测方法，其特征在于，根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值，包括：
计算像素点的梯度方向与水平方向夹角的余弦值
式中，T表示像素点梯度方向与水平方向夹角的余弦值，vp表示水平方向的单位向量，vq表示像素点的梯度方向；
当T＝0时，像素点隶属于纬纱，其隶属值为0；当T＝1时，像素点隶属于经纱，其隶属值为1；当T∈(0,1)时，像素点隶属于纬纱与经纱间空隙处的像素点，其隶属值为2。
6.根据权利要求1所述的基于机器视觉的布匹缺陷检测方法，其特征在于，获得待检测布匹的表面图像前，还包括：调节布匹的运动速度以及图像采集的频率，直至所采集到的相邻布匹表面图像之间不存在重叠。
7.根据权利要求1所述的基于机器视觉的布匹缺陷检测方法，其特征在于，像素点的梯度方向的获得方法包括：
利用Sobel算子获得像素点的水平梯度及竖直梯度，像素点的梯度方向为
其中g表示梯度幅值，gx表示像素点的水平梯度，gy表示像素点的竖直梯度。
8.根据权利要求1所述的基于机器视觉的布匹缺陷检测方法，其特征在于，所述方法还包括：
将所有缺陷区间的缺陷程度的均值作为缺陷影响程度，当所述缺陷影响程度小于预设第二阈值时，待检测布匹为合格品，否则，待检测布匹为不合格品。
9.一种基于机器视觉的布匹缺陷检测装置，其特征在于，
图像获取模块，获得待检测布匹的表面图像的灰度图像；
第一计算模块，用于获得所述灰度图像中像素点的梯度方向；
第二计算模块，根据像素点的梯度方向与水平方向夹角的余弦值，获得像素点的类型以获得像素点的隶属值；
第三计算模块，将同一行/列的像素点的所述隶属值进行排列，得到行/列隶属序列，并根据行/列隶属序列中隶属值连续重复出现的次数，分别获得各行/列隶属序列对应的行/列步长序列；
第四计算模块，用于计算行/列隶属序列的排列熵，并根据行/列步长序列中所包含的值的方差获得行/列步长序列的波动程度值；
异常曲线拟合模块，用于根据各行/列的行/列隶属序列的排列熵以及行/列步长序列的波动程度值，分别获得各行/列的异常值，并将各行/列的异常值进行/列排列并拟合得到行/列异常曲线；
缺陷区间获取模块，用于将所述行/列异常曲线中相邻两波谷之间的曲线部分作为一个波，将与所有波的均值的差值作为波的缺陷程度，并将缺陷程度大于预设第一阈值的波作为缺陷区间。
10.一种基于机器视觉的布匹缺陷检测***，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8中任一项所述的基于机器视觉的布匹缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346769.3A CN114878574A (zh) | 2022-03-31 | 2022-03-31 | 基于机器视觉的布匹缺陷检测方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346769.3A CN114878574A (zh) | 2022-03-31 | 2022-03-31 | 基于机器视觉的布匹缺陷检测方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114878574A true CN114878574A (zh) | 2022-08-09 |
Family
ID=82669916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210346769.3A Pending CN114878574A (zh) | 2022-03-31 | 2022-03-31 | 基于机器视觉的布匹缺陷检测方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114878574A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082460A (zh) * | 2022-08-18 | 2022-09-20 | 聊城市恒丰电子有限公司 | 一种织布生产线质量监控方法及*** |
| CN115115637A (zh) * | 2022-08-30 | 2022-09-27 | 南通市昊逸阁纺织品有限公司 | 基于图像金字塔思想的布匹缺陷检测方法 |
| CN115294116A (zh) * | 2022-10-08 | 2022-11-04 | 南通梦洁家纺有限公司 | 基于人工智能的纺织材料染色质量评估方法、装置及*** |
| CN115311298A (zh) * | 2022-10-12 | 2022-11-08 | 南通舒芯居纺织品有限公司 | 一种纺织品质量检测方法 |
| CN115311269A (zh) * | 2022-10-10 | 2022-11-08 | 南通爱唯家用纺织品有限公司 | 一种纺织品异常检测方法 |
| CN115861310A (zh) * | 2023-02-23 | 2023-03-28 | 深圳市富安娜艺术家居有限公司 | 一种床单表面纺织缺陷检测方法 |
| CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014160388A1 (en) * | 2013-03-14 | 2014-10-02 | Hrl Laboratories, Llc | Predicting system trajectories toward critical transitions |
| CN109447305A (zh) * | 2018-06-23 | 2019-03-08 | 四川大学 | 一种基于量子加权长短时记忆神经网络的趋势预测方法 |
| CN113586241A (zh) * | 2021-09-28 | 2021-11-02 | 丹华海洋工程装备(南通)有限公司 | 一种船舶柴油机转速故障检测方法 |
| CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
| CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
| CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
-
2022
- 2022-03-31 CN CN202210346769.3A patent/CN114878574A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014160388A1 (en) * | 2013-03-14 | 2014-10-02 | Hrl Laboratories, Llc | Predicting system trajectories toward critical transitions |
| CN109447305A (zh) * | 2018-06-23 | 2019-03-08 | 四川大学 | 一种基于量子加权长短时记忆神经网络的趋势预测方法 |
| CN113586241A (zh) * | 2021-09-28 | 2021-11-02 | 丹华海洋工程装备(南通)有限公司 | 一种船舶柴油机转速故障检测方法 |
| CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
| CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
| CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
Non-Patent Citations (4)
| Title |
|---|
| WANG XIANG ET AL: "Quantum weighted gated recurrent unit neural network and its application in performance degradation trend prediction of rotating machinery", 《NEUROCOMPUTING 》, pages 85 - 95 * |
| 刘备 等: "基于变分模态分解与多尺度排列熵的生物组织变性识别", 《物理学报》, pages 1 - 9 * |
| 刘洁 等: "序列影像的高置信度数字识别", 《测绘通报》, 31 December 2006 (2006-12-31), pages 11 - 14 * |
| 饶国强 等: "排列熵算法参数的优化确定方法研究", 《振动与冲击》, 31 December 2014 (2014-12-31), pages 188 - 193 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082460A (zh) * | 2022-08-18 | 2022-09-20 | 聊城市恒丰电子有限公司 | 一种织布生产线质量监控方法及*** |
| CN115082460B (zh) * | 2022-08-18 | 2022-11-11 | 聊城市恒丰电子有限公司 | 一种织布生产线质量监控方法及*** |
| CN115115637A (zh) * | 2022-08-30 | 2022-09-27 | 南通市昊逸阁纺织品有限公司 | 基于图像金字塔思想的布匹缺陷检测方法 |
| CN115115637B (zh) * | 2022-08-30 | 2022-12-06 | 南通市昊逸阁纺织品有限公司 | 基于图像金字塔思想的布匹缺陷检测方法 |
| CN115294116A (zh) * | 2022-10-08 | 2022-11-04 | 南通梦洁家纺有限公司 | 基于人工智能的纺织材料染色质量评估方法、装置及*** |
| CN115294116B (zh) * | 2022-10-08 | 2022-12-30 | 南通梦洁家纺有限公司 | 基于人工智能的纺织材料染色质量评估方法、装置及*** |
| CN115311269A (zh) * | 2022-10-10 | 2022-11-08 | 南通爱唯家用纺织品有限公司 | 一种纺织品异常检测方法 |
| CN115311298A (zh) * | 2022-10-12 | 2022-11-08 | 南通舒芯居纺织品有限公司 | 一种纺织品质量检测方法 |
| CN115861310A (zh) * | 2023-02-23 | 2023-03-28 | 深圳市富安娜艺术家居有限公司 | 一种床单表面纺织缺陷检测方法 |
| CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
| CN117455916B (zh) * | 2023-12-25 | 2024-03-15 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114878574A (zh) | 基于机器视觉的布匹缺陷检测方法、装置及*** | |
| Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
| Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN106373124B (zh) | 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN115311267B (zh) | 一种格纹织物异常检测方法 | |
| CN109949287A (zh) | 一种基于自适应分割与模板校正的织物瑕疵检测方法 | |
| CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及*** | |
| CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及*** | |
| CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
| CN115294116A (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及*** | |
| 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 | |
| CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
| Cardamone et al. | Digital image analysis for fabric assessment | |
| CN116309671A (zh) | 一种土工合成织物质量检测*** | |
| Saeidi et al. | Prioritization of textile fabric defects using ordered weighted averaging operator | |
| Lin | Tiny surface defect inspection of electronic passive components using discrete cosine transform decomposition and cumulative sum techniques | |
| JP2015197396A (ja) | 画像検査方法および画像検査装置 | |
| CN114693652B (zh) | 基于高斯混合模型的织物缺陷检测方法 | |
| CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测***及检测方法 | |
| CN115082460B (zh) | 一种织布生产线质量监控方法及*** | |
| CN116563276A (zh) | 一种化纤长丝在线缺陷检测方法及检测*** | |
| Georgieva et al. | Identification of surface leather defects. | |
| Jeffrey Kuo et al. | Self-organizing map network for automatically recognizing color texture fabric nature |
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 |