CN115330770B - 一种布匹区域类疵点识别方法 - Google Patents
一种布匹区域类疵点识别方法 Download PDFInfo
- Publication number
- CN115330770B CN115330770B CN202211248895.1A CN202211248895A CN115330770B CN 115330770 B CN115330770 B CN 115330770B CN 202211248895 A CN202211248895 A CN 202211248895A CN 115330770 B CN115330770 B CN 115330770B
- Authority
- CN
- China
- Prior art keywords
- area
- edge
- defective area
- defect
- defective
- 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
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种布匹区域类疵点识别方法,包括获取布匹的二值图像;对二值图像进行连通域检测,获取二值图像中的瑕疵区域;对瑕疵区域进行边缘检测获取瑕疵区域的边缘线,并获取瑕疵区域的最小外接矩形;获取瑕疵区域的远近系数;获取瑕疵区域的边缘化程度;获取瑕疵区域的外扩边缘灰度变化值;根据瑕疵区域的远近系数、边缘化程度和外扩边缘灰度变化值获取每个瑕疵区域的特征值;根据每个瑕疵区域的特征值将每个瑕疵区域分为脏污区域或破洞区域;本发明解决了相关技术中,在对布匹进行检验时存在的准确性和效率低下的技术问题。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种布匹区域类疵点识别方法。
背景技术
我国是纺织大国,也是全球最大的纺织服装生产加工基地,纺织服装面料产品的质量和人们的生活息息相关。在现代纺织生产中,质量的控制与检测非常重要,布匹的瑕疵检测是其中尤为关键的组成部分。在布匹织物的生产过程中,由于原材料和机器运转的因素影响,布匹表面会产生各种各样的缺陷。在一些过于细节的缺陷中,破洞和脏污的缺陷图像十分相似,但是两者对于布匹质量的影响程度差别较大;破洞对于布匹表面质量是造成使用质量影响的,而脏污在后续布匹漂洗过程中可进一步清除,故需要对其进行有效分辨。
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。然而,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,从而导致在对布匹缺陷检测时存在准确性和效率低下,以及无法普适的技术问题。
发明内容
本发明的目的是提供一种布匹区域类疵点识别方法,以解决相关技术中,在对布匹进行检验时存在的准确性和效率低下的技术问题;有鉴于此,本发明通过以下技术方案予以实现。
一种布匹区域类疵点识别方法 ,包括以下步骤:
获取布匹的灰度图像;对所述灰度图像进行二值化处理获取二值图像;
对所述二值图像进行连通域检测,获取所述二值图像中的全部瑕疵区域;
对每个所述瑕疵区域进行边缘检测获取所述瑕疵区域的边缘线,并获取每个所述瑕疵区域的最小外接矩形,并将每个瑕疵区域的最小外接矩形中心点作为每个瑕疵区域的中心点;
根据每个所述瑕疵区域的中心点到所述瑕疵区域的边缘线的距离获取每个瑕疵区域的中心点到边缘线的远近系数;
以每个瑕疵区域的中心点为圆心建立该瑕疵区域的扇形滑窗;所述扇形滑窗的半径大于所述瑕疵区域的中心点到边缘像素点的最大距离;将所述扇形滑窗沿圆心并按照固定角度进行转动,根据每转动一次所述扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量得到所述瑕疵区域的边缘化程度;依次获取每个瑕疵区域的边缘化程度;
对每个瑕疵区域的边缘线进行依次外扩获取多层外扩边缘;获取每层外扩边缘上像素点灰度值的平均值,根据每层外扩边缘上像素点灰度值的平均值获取每个瑕疵区域的外扩边缘灰度变化值;
根据每个瑕疵区域的中心点到边缘线的远近系数、边缘化程度和外扩边缘灰度变化值获取每个瑕疵区域的特征值,根据每个瑕疵区域的特征值将每个瑕疵区域分为脏污区域或破洞区域。
进一步地,对所述二值图像进行连通域检测,获取所述二值图像中的全部瑕疵区域的过程为:
使用种子填充法对所述二值图像进行连通域分析,获取所述二值图像中的全部连通域;
对每个所述连通域进行最小外接矩形框选;获取每个所述最小外接矩形的长和宽;
根据每个连通域的最小外接矩形的长和宽获取所述二值图像中的瑕疵区域。
进一步地,所述连通域的最小外接矩形的长和宽的比值小于3时,所述连通域为瑕疵区域。
进一步地,获取所述中心点到所述瑕疵区域的边缘线的远近系数的过程中还包括:
获取瑕疵区域的最小外接矩形的中心点到该瑕疵区域的边缘线上像素点的距离的最小值与最大值的比值;根据瑕疵区域的特征对所述最小值与最大值的比值进行赋值,获得所述瑕疵区域的远近系数。
进一步地,所述扇形滑窗的圆心角为15°,所述固定角度为1°。
进一步地,所述瑕疵区域的边缘化程度为扇形滑窗内包含的瑕疵区域的边缘线上像素点数量的极值与最大值的比值;所述极值为所述扇形滑窗内包含的瑕疵区域的边缘线上像素点数量的最大值与最小值的差值。
进一步地,所述瑕疵区域的每层外扩边缘通过所述瑕疵区域的边缘线和所述瑕疵区域的中心点到边缘线像素点的最大距离确定。
进一步地,每个所述瑕疵区域包含五层外扩边缘,获取所述瑕疵区域的五层外扩边缘的过成为:获取所述瑕疵区域的中心点到边缘像素点的最大距离,对所述瑕疵区域的边缘线向外延伸,获得所述瑕疵区域的第一层外扩边缘;对所述瑕疵区域的第一层外扩边缘的边缘线向外延伸,获得所述瑕疵区域的第二层外扩边缘;依次对所述瑕疵区域的每层外扩边缘的边缘线向外延伸,获得所述瑕疵区域的第三层外扩边缘、第四层外扩边缘和第五层外扩边缘。
进一步地,获取所述瑕疵区域的外扩边缘灰度变化值的过程为:
获取每个所述瑕疵区域的每层外扩边缘上像素点的灰度值的平均值;
获取每两层扩边缘上像素点的灰度值的平均值的差值,并根据每两层扩边缘上像素点的灰度值的平均值的差值获取所述瑕疵区域的外扩边缘灰度变化值。
进一步地,所述瑕疵区域的特征值通过下式确定:
式中,为瑕疵区域的特征值;为瑕疵区域的中心点到边缘线的远近系数;为瑕疵区域的边缘化程度;为瑕疵区域的外扩边缘灰度变化值。
与现有技术相比,本发明的有益效果是:
本发明提供了一种布匹区域类疵点识别方法,包括:获取布匹的二值图像;对二值图像进行连通域检测,获取二值图像中的瑕疵区域;由此可确定瑕疵区域,进一步地,对瑕疵区域进行边缘检测获取瑕疵区域的边缘线,并获取瑕疵区域的最小外接矩形;由此可根据瑕疵区域的最小外接矩形将布匹中的经线缺陷和纬线缺陷与瑕疵区域区分开来;根据瑕疵区域的最小外接矩形的中心点到瑕疵区域的边缘线的距离获取中心点到瑕疵区域的边缘线的远近系数,获取瑕疵区域的边缘化程度;获取瑕疵区域的外扩边缘灰度变化值;根据瑕疵区域的远近系数、边缘化程度和外扩边缘灰度变化值可获得每个瑕疵区域的特征值;进一步地,根据每个瑕疵区域的特征值将全部瑕疵区域区分为脏污区域或破洞区域,由此,可实现对布匹的区域类疵点的识别;本发明解决了相关技术中,在对布匹进行缺陷检测时存在准确性和效率低下,以及无法普适的技术问题。
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为本发明实施例提供的区域类疵点识别方法的流程示意图;
图2为本发明实施例提供的一个瑕疵区域的五层外扩边缘的示意图。
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。
本发明中的区域类疵点在布匹上是一个连通域,区域类疵点包括脏污疵点和破洞疵点,为了使本领域的技术人员更清楚的理解本发明的技术,本发明的中用瑕疵区域表示区域类疵点,以破洞区域表示破洞疵点,以脏污区域表示脏污疵点。
本实施例提供了一种布匹区域类疵点识别方法,如图1所示,所述方法包括:
S101,采集布匹区域图像,所述布匹区域图像进行边缘检测获取布匹图像;
需要说明的是,本实施例的布匹的灰度图像是在布匹检测装置上获取的,所述检测装置安装于布匹的正上方,所述检测装置上安装有图像采集单元,所述图像采集单元用于采集布匹区域图像;本实施例中使用所Canny边缘检测算法完成对所述布匹区域图像中布匹图像的获取;
先对所述灰布匹图像进行平滑滤波处理去除所述布匹图像椒盐噪声和高斯噪声,以弱化布匹表面纹理特征;然后对所述布匹图像进行灰度化处理,最后使用拉普拉斯算子对所述灰度图像进行锐化处理,使所述灰度图像中的边缘更加清晰;由此获得所述布匹图像的灰度图像;
对所述灰度图像进行二值化处理,获取二值图像;所述二值图像中的瑕疵区域为黑色,背景为白色;本实施例为了便于后续的分析,进一步对所述二值图像进行反色操作,使得瑕疵区域变为白色,背景区域变为黑色;
先以所述二值图像的左下顶点为坐标原点,水平方向为轴,竖直方向为轴建立坐标系;然后对所述二值图像进行连通域分析,所述连通域分析过程为,使用种子填充法对所述二值图像进行连通域分析获取所述二值图像中的每一个连通域;将每个所述连通域进行最小外接矩形框选;本实施例采用等间隔旋转搜索方法对每个所述连通域进行最小外接矩形框选,即将每个所述连通域90°范围内等间隔地旋转,每旋转一次记录最小外接矩形的面积,直至获得每个所述连通域的最小外接矩形;标记每个最小外接矩形的长为,宽为,且;对每个所述连通域进一步分析,根据国家布匹质量的相关疵点过检要求可知,对于每个所述连通域,若存在长度,可认为该连通域为疵点;其中 为连通域的最小外接矩形的长,为布匹真实长度与该布匹图像的横向像素数量的比值,的单位为/像素;由此可确定布匹上是否存在瑕疵;如布匹上存在瑕疵,则需要对所述二值图像中的连通域进一步分析; 根据每个所述连通域的外接最小矩形的长和宽,确定连通域为瑕疵区域;所述瑕疵区域通过下式确定:
式中,为连通域的最小外接矩形的长和宽的比值;为连通域的最小外接矩形的长,表示长;为连通域的最小外接矩形的宽,表示宽;
当所述连通域的最小外接矩形的长和宽的比值小于3时所述连通域为瑕疵区域,由此获得所述二值图像中的全部瑕疵区域;所述瑕疵区域包含脏污区域和破洞区域;
需要说明的是,本实施例中根据连通域的最小外接矩形的长和宽的比值确定了瑕疵连通域;判断依据是本实施例中认为瑕疵连通域不同于布匹中的经线和纬线缺陷,因此将通域的最小外接矩形的长和宽的比值小于3时所述连通域为瑕疵区域;
S102,获取每个所述瑕疵区域的边缘线和最小外接矩形的中心点;根据所述中心点到所述边缘线上像素点的距离获取区所述中心点到所述瑕疵区域的边缘线的远近程度;所述中心点到所述边缘线上像素点的距离通过下式确定:
式中,为中心点到缘线上像素点的距离;表示中心点的坐标;表示边缘线上像素点的坐标;
通过上式可获得所述中心点到所述边缘线上每个像素点的距离;获取所述中心点到所述边缘线上每个像素点的距离的最大值和最小值,则所述中心点到所述瑕疵区域的边缘线的远近程度通过下式确定:
式中,为中心点到所述瑕疵区域的边缘线的远近程度;为中心点到边缘线上每个像素点的距离的最小值;为中心点到边缘线上每个像素点的距离的最大值;
获得了每个瑕疵区域的远近程度后;为了更清楚地说明本实施例的技术方案,此处需要对所述远近程度进行赋值,获得瑕疵区域的远近系数;所述远近系数通过下式确定:
式中,为瑕疵区域的远近系数;为瑕疵区域的远近程度;
由此可获得每个所述瑕疵区域的远近系数;
需要说明的是,本实施例中获取了瑕疵区域边缘线的远近程度之后,将瑕疵区域边缘线的远近程度进行赋值获得了两种远近系数,由此在保证识别的准确性的同时进一步简化计算量;
S103,以所述中心点为圆心设定扇形滑窗,所述扇形滑窗为的圆心角为15°;将所述扇形滑窗以所述中心点为圆心按照步长为1°滑动一周;所述扇形滑窗每滑行一次获取所述扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量;先获取扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量的极值,所述极值为扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量的最大值与最小值的差值;根据所述边缘线上像素点的数量获取所述瑕疵区域的边缘化程度;所述瑕疵区域的边缘化程度通过下式确定:
式中, 为瑕疵区域的边缘化程度; 为扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量的极值,表示极值;为扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量的最大值,表示最大值;
由此可获得每个所述瑕疵区域的边缘化程度;
S104,通过每个瑕疵区域的边缘线对每个瑕疵区域进行多次外扩获取多层外扩边缘;每个所述瑕疵区域包含五层外扩边缘,如图2所示,获取所述瑕疵区域的五层外扩边缘的过成为:获取所述瑕疵区域的中心点到边缘像素点的最大距离,对所述瑕疵区域的边缘线向外延伸,获得所述瑕疵区域的第一层外扩边缘;对所述瑕疵区域的第一层外扩边缘的边缘线向外延伸,获得所述瑕疵区域的第二层外扩边缘;依次对所述瑕疵区域的每层外扩边缘的边缘线向外延伸,获得所述瑕疵区域的第三层外扩边缘、第四层外扩边缘和第五层外扩边缘;其中为瑕疵区域的最小外接矩形的中心点到该瑕疵区域的边缘线的最大距离;
获取每个所述瑕疵区域的每层外扩边缘上像素点的灰度值的平均值;依次获取外层外扩边缘像素点的灰度值的平均值与次外层外扩边缘上像素点的灰度值的平均值的差值;所述灰度值的平均值的差值通过下式确定:
式中,为第层外扩边缘上像素点的灰度值的平均值与第层外扩边缘上像素点的灰度值的平均值的差值;为第层外扩边缘上像素点的灰度值的平均值;第层外扩边缘上像素点的灰度值的平均值;
对所述全部的灰度值的平均值的差值进行赋值,获取所述瑕疵区域的外扩边缘灰度变化值;所述对全部的灰度值的平均值的差值的赋值过程如下:
式中,为瑕疵区域的外扩边缘灰度变化值;为第组;
由此可获得瑕疵区域的外扩边缘灰度变化值,所述外扩边缘灰度变化值为1或-1,外扩边缘灰度变化值反映了瑕疵区域的外层像素点的灰度值的变化程度,当所述外扩边缘灰度变化值等于1时,可以说明瑕疵区域外层像素点的灰度值是逐渐增大的,此特征符合脏污疵点的周围晕染区域像素点的灰度值的变化;当所述外扩边缘灰度变化值等于-1时,说明瑕疵区域外层像素点的灰度值变化不稳定,由于破洞疵点不存在周围晕染的情况,此特征符合破洞疵点外层像素点的灰度值的变化;由此可获得每个所述瑕疵区域的外扩边缘灰度变化值;
S105,根据每个所述瑕疵区域的远近系数、边缘化程度和外扩边缘灰度变化值获取每个所述瑕疵区域的特征值;所述瑕疵区域的特征值通过下式确定:
式中,为瑕疵区域的特征值;为瑕疵区域的远近系数,的取值为0或0.7;为瑕疵区域的边缘化程度;为瑕疵区域的外扩边缘灰度变化值;
需要说明的是,本实施例中通过瑕疵区域的远近系数、瑕疵区域的边缘化程度和瑕疵区域的外扩边缘灰度变化值的乘积来表示瑕疵区域的整体特征,所述整体特征通过瑕疵区域的特征值表示,根据瑕疵区域的特征值的大小可将全部瑕疵区域区分为脏污区域或破洞区域;根据瑕疵区域的远近系数、瑕疵区域的边缘化程度和瑕疵区域的外扩边缘灰度变化值可确定瑕疵区域的特征值,当所述瑕疵区域的特征值小于-0.21时,所述瑕疵区域为破洞区域;当所述瑕疵区域的特征值大于或等于-0.21时,所述瑕疵区域为脏污区域;由此完成对布匹瑕疵区域的识别。
综上,本发明的实施例提供了一种布匹区域类疵点识别方法,包括:获取布匹的二值图像;对二值图像进行连通域检测,获取二值图像中的瑕疵区域;对瑕疵区域进行边缘检测获取瑕疵区域的边缘线,并获取瑕疵区域的最小外接矩形;根据瑕疵区域的最小外接矩形的中心点到瑕疵区域的边缘线的距离获取中心点到瑕疵区域的边缘线的远近系数;获取瑕疵区域的边缘化程度;获取瑕疵区域的外扩边缘灰度变化值;根据瑕疵区域的远近系数、边缘化程度和外扩边缘灰度变化值获取每个瑕疵区域的特征值;根据每个瑕疵区域的特征值将全部瑕疵区域区分为脏污区域或破洞区域;解决了相关技术中,在对布匹进行缺陷检测时存在准确性和效率低下,以及无法普适的技术问题。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种布匹区域类疵点识别方法,其特征在于,包括以下步骤:
获取布匹的灰度图像;对所述灰度图像进行二值化处理获取二值图像;
对所述二值图像进行连通域检测,获取所述二值图像中的全部瑕疵区域;
对每个所述瑕疵区域进行边缘检测获取所述瑕疵区域的边缘线,并获取每个所述瑕疵区域的最小外接矩形,并将每个瑕疵区域的最小外接矩形中心点作为每个瑕疵区域的中心点;
根据每个所述瑕疵区域的中心点到所述瑕疵区域的边缘线的距离获取每个瑕疵区域的中心点到边缘线的远近系数;
以每个瑕疵区域的中心点为圆心建立该瑕疵区域的扇形滑窗;所述扇形滑窗的半径大于所述瑕疵区域的中心点到边缘像素点的最大距离;将所述扇形滑窗沿圆心并按照固定角度进行转动,根据每转动一次所述扇形滑窗内包含的瑕疵区域的边缘线上像素点的数量得到所述瑕疵区域的边缘化程度;依次获取每个瑕疵区域的边缘化程度;
对每个瑕疵区域的边缘线进行依次外扩获取多层外扩边缘;获取每层外扩边缘上像素点灰度值的平均值,根据每层外扩边缘上像素点灰度值的平均值获取每个瑕疵区域的外扩边缘灰度变化值;
根据每个瑕疵区域的中心点到边缘线的远近系数、边缘化程度和外扩边缘灰度变化值获取每个瑕疵区域的特征值,根据每个瑕疵区域的特征值将每个瑕疵区域分为脏污区域或破洞区域;
获取所述中心点到所述瑕疵区域的边缘线的远近系数的过程中还包括:
获取瑕疵区域的最小外接矩形的中心点到该瑕疵区域的边缘线上像素点的距离的最小值与最大值的比值;根据瑕疵区域的特征对所述最小值与最大值的比值进行赋值,获得所述瑕疵区域的远近系数;
所述扇形滑窗的圆心角为15°,所述固定角度为1°;
所述瑕疵区域的边缘化程度为扇形滑窗内包含的瑕疵区域的边缘线上像素点数量的极值与最大值的比值;所述极值为所述扇形滑窗内包含的瑕疵区域的边缘线上像素点数量的最大值与最小值的差值;
所述瑕疵区域的每层外扩边缘通过所述瑕疵区域的边缘线和所述瑕疵区域的中心点到边缘线像素点的最大距离确定;
每个所述瑕疵区域包含五层外扩边缘,获取所述瑕疵区域的五层外扩边缘的过成为:获取所述瑕疵区域的中心点到边缘像素点的最大距离 ,对所述瑕疵区域的边缘线向外延伸,获得所述瑕疵区域的第一层外扩边缘;对所述瑕疵区域的第一层外扩边缘的边缘线向外延伸,获得所述瑕疵区域的第二层外扩边缘;依次对所述瑕疵区域的每层外扩边缘的边缘线向外延伸,获得所述瑕疵区域的第三层外扩边缘、第四层外扩边缘和第五层外扩边缘;
获取所述瑕疵区域的外扩边缘灰度变化值的过程为:
获取每个所述瑕疵区域的每层外扩边缘上像素点的灰度值的平均值;
获取每两层扩边缘上像素点的灰度值的平均值的差值,并根据每两层扩边缘上像素点的灰度值的平均值的差值获取所述瑕疵区域的外扩边缘灰度变化值。
2.根据权利要求1所述的布匹区域类疵点识别方法,其特征在于,对所述二值图像进行连通域检测,获取所述二值图像中的全部瑕疵区域的过程为:
使用种子填充法对所述二值图像进行连通域分析,获取所述二值图像中的全部连通域;
对每个所述连通域进行最小外接矩形框选;获取每个所述最小外接矩形的长和宽;
根据每个连通域的最小外接矩形的长和宽获取所述二值图像中的瑕疵区域。
3.根据权利要求2所述的布匹区域类疵点识别方法,其特征在于,所述连通域的最小外接矩形的长和宽的比值小于3时,所述连通域为瑕疵区域。
4.根据权利要求1所述的布匹区域类疵点识别方法,其特征在于,所述瑕疵区域的特征值通过下式确定:
式中,为瑕疵区域的特征值;为瑕疵区域的中心点到边缘线的远近系数;为瑕疵区域的边缘化程度;为瑕疵区域的外扩边缘灰度变化值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248895.1A CN115330770B (zh) | 2022-10-12 | 2022-10-12 | 一种布匹区域类疵点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248895.1A CN115330770B (zh) | 2022-10-12 | 2022-10-12 | 一种布匹区域类疵点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330770A CN115330770A (zh) | 2022-11-11 |
CN115330770B true CN115330770B (zh) | 2023-04-18 |
Family
ID=83913861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248895.1A Active CN115330770B (zh) | 2022-10-12 | 2022-10-12 | 一种布匹区域类疵点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330770B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228752B (zh) * | 2023-05-06 | 2023-07-21 | 四川广安承平投资开发有限公司 | 一种表面瑕疵识别方法及处理机器人 |
CN117953032A (zh) * | 2023-12-12 | 2024-04-30 | 钛玛科(北京)工业科技有限公司 | 一种用于校正大幅宽材料的瑕疵缺陷尺寸标定方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5692647B2 (ja) * | 2011-05-19 | 2015-04-01 | 新日鐵住金株式会社 | 鋼管内面検査方法、及び鋼管内面検査装置 |
CN107301637B (zh) * | 2017-05-22 | 2020-08-11 | 南京理工大学 | 近矩形平面状工业产品表面瑕疵检测方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
CN114881960A (zh) * | 2022-04-29 | 2022-08-09 | 南通百杭纺织品有限公司 | 基于特征增强的布匹直线型缺陷检测方法和*** |
-
2022
- 2022-10-12 CN CN202211248895.1A patent/CN115330770B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115330770A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN111861996B (zh) | 一种印花织物疵点检测方法 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN115330784B (zh) | 一种布匹表面缺陷检测方法 | |
CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及*** | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN110858395A (zh) | 一种卷装长丝的污丝缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN111272768B (zh) | 一种陶瓷管检测方法 | |
CN117649412B (zh) | 一种铝材表面质量的检测方法 | |
CN116309416A (zh) | 一种零件表面视觉检测方法 | |
CN104392441A (zh) | 基于图像处理的高抗噪织物沾水等级检测评定方法 | |
CN116523899A (zh) | 一种基于机器视觉的纺织品瑕疵检测方法及*** | |
CN114782416A (zh) | 基于图像识别的纺织品质量检测方法及*** | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN112581474B (zh) | 一种基于正弦曲线扫描的工业部件视觉边缘检测方法 | |
CN110956619B (zh) | 一种曲面玻璃缺陷检测方法 | |
CN110857921A (zh) | 一种卷装长丝的毛丝缺陷检测方法 | |
JP2002365236A (ja) | 欠陥検査方法及び欠陥検査装置 |
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 |