CN115330795B - 布匹毛刺缺陷检测方法 - Google Patents
布匹毛刺缺陷检测方法 Download PDFInfo
- Publication number
- CN115330795B CN115330795B CN202211254987.0A CN202211254987A CN115330795B CN 115330795 B CN115330795 B CN 115330795B CN 202211254987 A CN202211254987 A CN 202211254987A CN 115330795 B CN115330795 B CN 115330795B
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- gray
- point
- points
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 54
- 230000007547 defect Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 239000004753 textile Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及布匹缺陷检测技术领域,具体涉及一种布匹毛刺缺陷检测方法。该方法包括:获得判断度;基于判断度将像素点分为单像素噪点和疑似噪点;将灰度图分为多个不同的子区域,其中每个子区域的背景灰度值不同;获得每个子区域的背景灰度特征值;基于背景灰度特征值得到判断范围,基于疑似噪点十六邻域内灰度值在判断范围内的像素点的数量判断疑似噪点为多像素噪点或者有用信息点;分别获取单像素噪点、多像素噪点和有用信息点对应的优化结构元;利用不同的优化结构元对灰度图进行处理得到去除噪点的灰度图;基于去除噪点的灰度图得到布匹的毛刺缺陷。本发明能够准确快速检测布匹中的毛刺缺陷。
Description
技术领域
本发明涉及布匹缺陷技术领域,具体涉及一种布匹毛刺缺陷检测方法。
背景技术
当代,随着机械化时代的到来,纺织品的发展也得到了质的提升,它存在我们生活中的方方面面,小到袜子、衣服,大到床单、沙发等等,纺织品都不可或缺,随着人们的生活水平逐步提升,人们对于纺织品的质量要求也逐步提高,特别是衣服、床单等生活用品,更是追寻精品,因而布匹的质量好坏直接影响成品的品质。在布匹生产中,存在最多的就是表面毛刺缺陷,该缺陷不仅影响成品的美观程度,还会对使用者的舒适感造成一定程度的影响。
图像处理是检测布匹毛刺的主要方法,但是在布匹图像中存在许多的噪声点,对毛刺的检测造成较大的影响,运用图像处理进行去噪时,又会误将部分细小毛刺去除,影响检测结果的准确性。
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布匹毛刺缺陷检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种布匹毛刺缺陷检测方法:获取布匹表面的灰度图,并利用语义分割对灰度图处理获得布匹的浅色区;
基于浅色区中每个像素邻域内像素点灰度值的方差,和每个像素点的灰度值与其邻域像素点灰度平均值的差值获得判断度;基于判断度将像素点分为单像素噪点和疑似噪点;将灰度图分为多个不同的子区域,其中每个子区域的背景灰度值不同;获得每个子区域的背景灰度特征值;基于背景灰度特征值得到判断范围,基于疑似噪点十六邻域内灰度值在判断范围内的像素点的数量判断疑似噪点为多像素噪点或者有用信息点;
分别获取单像素噪点、多像素噪点和有用信息点对应的优化结构元;利用不同的优化结构元对灰度图进行处理得到去除噪点的灰度图;基于去除噪点的灰度图得到布匹的毛刺缺陷。
优选地,利用语义分割对灰度图处理获得布匹的浅色区包括:构建语义分割网络;训练语义分割网络的数据集为灰度图中所有不同背景灰度区域的数据集;标签为n类,表示n个不同背景色区域;对灰度图所有像素点进行人工标注;不同背景色区域像素点值标注为不同的值;语义分割的loss函数为交叉熵损失函数。
优选地,判断度为:
其中,Sd为像素点的判断度,为一个像素点八邻域内第i个像素点的灰度值,h表示该像素点灰度值;/>表示该像素点八邻域内像素点的灰度值的方差。
优选地,基于判断度将像素点分为单像素噪点和疑似噪点包括:设定判断阈值,当判断度小于判断阈值时,像素点为单像素噪点;当判断度大于等于判断阈值时,像素点为疑似噪点。
优选地,基于背景灰度特征值得到判断范围,基于疑似噪点十六邻域内灰度值在判断范围内的像素点的数量判断疑似噪点为多像素噪点或者有用信息点包括:获得每个子区域的灰度直方图,灰度直方图中最大频数对应的灰度值为子区域的背景灰度特征值;第i子区域的背景灰度特征值,则第i个子区域的判断范围为/>;对于第i个子区域,获得一个疑似噪点十六邻域内灰度值在判断范围内的像素点的数量/>,若/>等于0、1或3,则该疑似噪点为多像素噪点;若/>等于2,且两个像素点不在一条直线上,则该疑似噪点为多像素噪点,多两个像素点在一条直线上,统计疑似噪点八邻域内不在该直线上的像素点中灰度值不等于背景灰度特征值/>的像素点的数量/>,若/>小于等于1,则该疑似噪点为线性信息点,否则为多像素噪点;若/>大于等于4,则该多像素噪点为块状信息点;其中有用信息点包括线性信息点和块状信息点。
优选地,分别获取单像素噪点、多像素噪点和有用信息点对应的优化结构元包括:
每个单像素噪点对应的结构元中心点的灰度值为每个单像素噪点八邻域内像素点的灰度值;每个多像素噪点对应的结构元中心点的灰度值为每个单像素噪点八邻域内灰度值最近接背景灰度值的像素点的灰度值;有用信息点分为线性信息点和块状信息点,其中线性信息点对应的结构元中心点的灰度值为线性信息点八邻域内灰度值与背景灰度值差别最大的像素点的灰度值;块状信息点对应的结构元中心点的灰度值为线性信息点八邻域内灰度值的平均值。
优选地,基于去除噪点的灰度图得到布匹的毛刺缺陷包括:对去除噪点的灰度图进行边缘检测得到布匹的毛刺缺陷。
本发明实施例至少具有如下有益效果:本发明使用灰度形态学操作,通过噪点灰度分布特征与布匹内点灰度分布特征之间的差异度分析,优化灰度形态学中结构元的取值规则,使用优化结构元对布匹灰度图像进行灰度形态学运算,进而去除噪声的同时不会丢失毛刺信息,提高毛刺检测的准确性。
现有技术检测毛刺,布匹图像中噪点影响因素较大,使得分析提取过程较为复杂,而通常的去噪方法会同时去除一些细小的毛刺,丢失有用信息,降低检测结果的准确性,本发明在去除噪点的同时,避免了丢失部分毛刺信息,提高检测精度。
本发明降低了布匹毛刺检测的复杂度,使得毛刺在图像中呈现的更加完整清晰,去除噪点的影响,为研究检测人员带来了便利,使得检测毛刺缺陷更加完善精确。
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为本发明实施例提供的一种布匹毛刺缺陷检测方法的方法流程图。
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布匹毛刺缺陷检测方法,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。
下面结合附图具体的说明本发明所提供的一种布匹毛刺缺陷检测方法的具体方案。
实施例
本发明的主要应用场景为:由于生产工艺或其他原因会导致生产出的布匹出现毛刺缺陷,因此需要对毛刺缺陷进行检测。
本发明的主要目的是: 本方法结合灰度形态学,通过分析布匹内点的灰度分布特征,优化灰度形态结构元的取值规则,进而在进行灰度形态学开运算时去除噪点的同时不丢失毛刺信息,提高了检测毛刺缺陷的准确性。
请参阅图1,其示出了本发明实施例提供的一种基于图像处理的眼底血管特征识别及提取方法的方法流程图,该方法包括以下步骤:
步骤S1,获取布匹表面的灰度图,并利用语义分割对灰度图处理获得布匹的浅色区。
通过工业相机拍摄获得布匹表面图片,为了方便灰度形态学操作,通过加权平均值法对该图像进行灰度化,得到布匹表面的灰度图,计算该图像的灰度分布直方图,选取最右侧波峰,将该波峰两侧波谷的值定义为浅色灰度范围的最大值与最小值,进而便可以通过语义分割将布匹图像的浅色区提取出来,浅色区的噪点表现较为清晰明确,易于提取灰度分布特征,因此只提取浅色区进行分析。
语义分割的DNN网络具体内容如下:
使用的数据集为灰度图中所有不同背景灰度区域的数据集;标签为n类(n表示背景色不同的n个区域),n个不同背景色区域。该方式为像素级分类,对图像所有像素点进行人工标注。不同背景色区域像素点值标注为不同的值(0,1,2…n)。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。提取背景灰度值在浅色灰度值范围内的浅色区。
步骤S2,基于浅色区中每个像素邻域内像素点灰度值的方差,和每个像素点的灰度值与其邻域像素点灰度平均值的差值获得判断度;基于判断度将像素点分为单像素噪点和疑似噪点;将灰度图分为多个不同的子区域,其中每个子区域的背景灰度值不同;获得每个子区域的背景灰度特征值;基于背景灰度特征值得到判断范围,基于疑似噪点16邻域内灰度值在判断范围内的像素点的数量判断疑似噪点为多像素噪点或者有用信息点;
浅色区中,噪点的表现效果较为突出,易于提取并分析其灰度特征,而布匹范围内的不同点的灰度分布特征与提取出的噪点的灰度分布具有不同的差异性,毛刺存在区域的像素点与其灰度特征相差较大,则认为是有用的信息点,需要将该像素点保留,而对于布匹区域内与噪点的灰度分布特征相差不大的像素点,将此类点定义为噪点,需要将其去除,进而根据这种差异度,便可以改变灰度形态学结构元的取值规则,达到在做开运算时,不同的差异度使用不同的取值规则,在去除噪点的同时,可以保留毛刺信息,为检测毛刺缺陷带来有益的效果。
噪点根据大小程度可以分为单像素噪点与多像素噪点,若八邻域内像素点的灰度值一致且中心像素点与八领域像素点灰度值相差过大,则将这类点定义为单像素噪点;若八领域内像素点的灰度值与中心点的灰度值相差各异,且5×5邻域内八邻域外异于背景灰度值的像素点较少,则将此类点定义为多像素噪点或有用信息点,因为还需要进一步的分析确定其为多像素噪点还是有用信息点,因此将此类点称为疑似噪点;单像素噪点表现为中心点灰度值与八邻域灰度值相差较大,且八邻域的各个像素点灰度值差异较小,基本为背景像素灰度值,而多像素噪点或有用信息点,其八邻域内表现为中心点灰度值与周围灰度值的大小各有差异,且5×5邻域内八领域外存在的异于背景灰度值的像素点分布较少,通过获取的浅色区噪点的灰度值分布特征,便可以将该特征映射在其他区域内,判断全区域内像素点是否为噪点。
计算过程:计算中心点与周围像素点的平均值的差值,以及八邻域像素点的灰度值的方差,若差值较大且方差几乎为零,则认为为单像素噪点,若差值不大且方差较大,则认为为多像素噪点或有用信息点,也即是疑似噪点。计算像素点的判断度:
其中,Sd为像素点的判断度,为一个像素点八邻域内第i个像素点的灰度值,h表示该像素点灰度值;/>表示该像素点八邻域内像素点的灰度值的方差。当/>小于判断阈值时,像素点为单像素噪点;当/>大于等于判断阈值时,像素点为疑似噪点。优选地判断阈值的取值为0.001。
表示中心点灰度值与八邻域没像素灰度值均值的差值,该值越大说明是噪点的可能性较大,/>为八邻域灰度值的方差,该方差越大,说明是多像素噪点或者有用信息点的可能性较大,即判断度Sd越小,是单像素噪点的可能性越大,判断阈值的取值可由实施者根据具体情况而定。
布匹内的点,部分点的灰度分布特征与噪点的灰度分布特征较为相似,差异程度较小,则认为该类点为噪点,需要去除该像素点,而部分点的灰度分布特征与噪点的灰度分布特征差异较大,则认为该点为有用的信息点,需要保留该点,因而可以根据灰度分布特征计算该点与噪点两者之间的差异度。
计算布匹的灰度图内所有像素点的判断度,若像素点的判断度的范围在单像素噪点判断度的范围内,则可以认为该像素点为单像素噪点,若判定为单像素噪点,则无需再对该点进行差异度,只需分析多像素噪点与有用信息点之间的差异度即可,也即是疑似噪点之间的差异度。
计算出所有像素点的判断度,判断度属于单像素噪点范围的像素点记为,不在该范围内的点则判断为疑似噪点,疑似噪点的八邻域灰度值分布特征区别不大,且均为多个像素点组合而成,无法通过判断度判断出该像素点为多像素噪点还是有用信息点,只能通过分析十六邻域圈内(5×5邻域内八领域外)的灰度值分布特征,进而计算得到两者之间的差异度。
多像素噪点的分布特征为数个像素点拼接而成,且像素点不会太多,分布范围较小,分布规律性不强,而有用信息点像素点的分布特征规律性较强,5×5邻域内像素点分布较多,且分布范围较大,因而多像素噪点的灰度值基本分布在八邻域内,在十六邻域圈内分布的异于背景的灰度值的像素点极少,基本没有或者一到两个像素点,通过统计十六邻域圈内异于背景的像素点个数的多少,以及此类像素点是否在同一直线上,便可以疑似噪点判断是多像素噪点还是有用信息点,判断为多像素噪点的记为,判断为有用信息点的记为Um,而在有用信息点中,分为块状信息点与线状信息点,它们分别与噪点的差异程度不同,通过十六邻域圈内的异于背景灰度值的像素点分布情况可以识别出为块性信息点/>或者为线性信息点/>,进而得出与多像素噪点的差异程度。
使用语义分割对布匹的灰度图分为n个不同背景灰度值的区域,分别计算不同背景灰度值区域的灰度分布直方图,逐个统计n个不同背景灰度值区域的灰度直方图中频数最大的灰度值,即灰度直方图中最高的峰值,用于表征不同背景灰度值区域的背景灰度值特征,记为;统计十六邻域圈内灰度值在该区域背景灰度值一定范围内的像素点个数/>,该范围可由实施者视情况而定,在此给出参考值/>,记为判断范围,因为布匹纺织的特殊性,一般布匹中的经纬线、花纹等都呈现一定的线性特征,因此可以根据5×5邻域内像素点之间的线性关系去判断是否为有用信息点,所以当/>等于0、1、3时,不会存在线性关系,则认为该点为多像素噪点,记为/>,若/>等于2时,有可能存在线性关系,因而计算该两个像素点是否在同一条直线上(直线为经过原点的八方向直线),不在一条直线上记为多像素噪点/>,在一条直线上时,统计八邻域内在该直线外异于背景灰度值的像素点个数/>,该值小于等于1时,认为该点为线性信息点,记为/>,若该值大于1,否则认为是多像素噪点,记为/>;当/>大于等于4时,则认为该点为块性信息点,记为/>,进而得出多像素噪点与有用信息点的不同差异。
为十六邻域圈内异于背景灰度值的像素点个数,/>为八领域内在十六邻域内两个像素点连接直线外异于背景灰度值的像素点个数,/>表示多像素噪点,/>表示线性信息点,/>表示块性信息点。
通过统计疑似噪点十六邻域圈内异于背景灰度值的像素点个数,根据个数以及特征的差异度,将像素点分为多像素的噪点与信息点。多像素噪点与有用信息点的灰度差异程度分析完成。
步骤S3,分别获取单像素噪点、多像素噪点和有用信息点对应的优化结构元;利用不同的优化结构元对灰度图进行处理得到去除噪点的灰度图;基于去除噪点的灰度图得到布匹的毛刺缺陷。
单像素噪点和多像素噪点都需要去除,留下有用信息点,根据噪点的不同特征,以及信息点的特征,对于灰度形态学的结构元选取不同的取值规则,便可以在去噪的同时,也可以保留信息点不缺失,进而达到较为不错的去噪效果。
在此,选取3×3的灰度形态学结构元,对于不同的噪点与信息点,给结构元中心点的取值规则给予不同的权重,遍历布匹里面的所有像素点,定位为不同的点使用不同的优化结构元,进而便可以去除噪点的同时保留有用的信息点。
其中,每个单像素噪点对应的结构元中心点的灰度值为每个单像素噪点八邻域内像素点的灰度值;每个多像素噪点对应的结构元中心点的灰度值为每个单像素噪点八邻域内灰度值最近接背景灰度值的像素点的灰度值;有用信息点分为线性信息点和块状信息点,其中线性信息点对应的结构元中心点的灰度值为线性信息点八邻域内灰度值与背景灰度值差别最大的像素点的灰度值;块状信息点对应的结构元中心点的灰度值为线性信息点八邻域内灰度值的平均值。
若为,将中心点取值为八邻域灰度值平均值,中心点灰度值就与周围灰度值变为一致,进而去除单像素噪点,若为/>,则将中心点取值为八领域内灰度值最接近背景灰度值的值,便可以将多像素噪点所在的像素点的灰度值均变为背景灰度值,进而去除多像素噪点,若为/>,将中心点取值为八邻域内与背景灰度值差别最大的灰度值,这样便提高的识别度,并且最大程度的保留了该信息,若为/>,则中心点取值为八邻域平均值,可以很好的保留块状信息。
使用优化结构元对布匹进行灰度形态学运算,不同特征的像素点用不同的优化结构元,便可可以去除噪点的同时,保留有用信息点。去除噪点的干扰后,对去除噪点的灰度图进行边缘检测,便可以清晰的得到毛刺缺陷,这样便可以对毛刺缺陷进行质量评价,进而对工厂的机械化设备进行针对性的改善,提高布匹的品质。
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。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 (3)
1.一种布匹毛刺缺陷检测方法,其特征在于,该方法包括:
获取布匹表面的灰度图,并利用语义分割对灰度图处理获得布匹的浅色区;
基于浅色区中每个像素邻域内像素点灰度值的方差,和每个像素点的灰度值与其邻域像素点灰度平均值的差值获得判断度;基于判断度将像素点分为单像素噪点和疑似噪点;将灰度图分为多个不同的子区域,其中每个子区域的背景灰度值不同;获得每个子区域的背景灰度特征值;基于背景灰度特征值得到判断范围,基于疑似噪点十六邻域内灰度值在判断范围内的像素点的数量判断疑似噪点为多像素噪点或者有用信息点;
分别获取单像素噪点、多像素噪点和有用信息点对应的优化结构元;利用不同的优化结构元对灰度图进行处理得到去除噪点的灰度图;基于去除噪点的灰度图得到布匹的毛刺缺陷;
所述基于背景灰度特征值得到判断范围,基于疑似噪点十六邻域内灰度值在判断范围内的像素点的数量判断疑似噪点为多像素噪点或者有用信息点包括:获得每个子区域的灰度直方图,灰度直方图中最大频数对应的灰度值为子区域的背景灰度特征值;第i子区域的背景灰度特征值,则第i个子区域的判断范围为/>;对于第i个子区域,获得一个疑似噪点十六邻域内灰度值在判断范围内的像素点的数量/>,若/>等于0、1或3,则该疑似噪点为多像素噪点;若/>等于2,且两个像素点不在一条直线上,则该疑似噪点为多像素噪点,多两个像素点在一条直线上,统计疑似噪点八邻域内不在该直线上的像素点中灰度值不等于背景灰度特征值/>的像素点的数量/>,若/>小于等于1,则该疑似噪点为线性信息点,否则为多像素噪点;若/>大于等于4,则该多像素噪点为块状信息点;其中有用信息点包括线性信息点和块状信息点;
所述分别获取单像素噪点、多像素噪点和有用信息点对应的优化结构元包括:
每个单像素噪点对应的结构元中心点的灰度值为每个单像素噪点八邻域内像素点的灰度值;每个多像素噪点对应的结构元中心点的灰度值为每个单像素噪点八邻域内灰度值最近接背景灰度值的像素点的灰度值;有用信息点分为线性信息点和块状信息点,其中线性信息点对应的结构元中心点的灰度值为线性信息点八邻域内灰度值与背景灰度值差别最大的像素点的灰度值;块状信息点对应的结构元中心点的灰度值为线性信息点八邻域内灰度值的平均值;
所述判断度为:
;
其中,Sd为像素点的判断度,为一个像素点八邻域内第i个像素点的灰度值,h表示该像素点灰度值;/>表示该像素点八邻域内像素点的灰度值的方差;
所述基于去除噪点的灰度图得到布匹的毛刺缺陷包括:对去除噪点的灰度图进行边缘检测得到布匹的毛刺缺陷。
2.根据权利要求1所述的一种布匹毛刺缺陷检测方法,其特征在于,所述利用语义分割对灰度图处理获得布匹的浅色区包括:构建语义分割网络;训练语义分割网络的数据集为灰度图中所有不同背景灰度区域的数据集;标签为n类,表示n个不同背景色区域;对灰度图所有像素点进行人工标注;不同背景色区域像素点值标注为不同的值;语义分割的loss函数为交叉熵损失函数。
3.根据权利要求1所述的一种布匹毛刺缺陷检测方法,其特征在于,所述基于判断度将像素点分为单像素噪点和疑似噪点包括:设定判断阈值,当判断度小于判断阈值时,像素点为单像素噪点;当判断度大于等于判断阈值时,像素点为疑似噪点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211254987.0A CN115330795B (zh) | 2022-10-13 | 2022-10-13 | 布匹毛刺缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211254987.0A CN115330795B (zh) | 2022-10-13 | 2022-10-13 | 布匹毛刺缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330795A CN115330795A (zh) | 2022-11-11 |
CN115330795B true CN115330795B (zh) | 2023-12-19 |
Family
ID=83914220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211254987.0A Active CN115330795B (zh) | 2022-10-13 | 2022-10-13 | 布匹毛刺缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330795B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984271B (zh) * | 2023-03-20 | 2023-06-30 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
CN116740057B (zh) * | 2023-08-11 | 2023-12-01 | 深圳市鹏基精密工业有限公司 | 一种圆柱形工件毛刺在线检测方法及*** |
CN117173187B (zh) * | 2023-11-03 | 2024-03-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测*** |
CN118014998B (zh) * | 2024-04-09 | 2024-06-11 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489337A (zh) * | 2020-04-08 | 2020-08-04 | 广东工业大学 | 一种自动光学检测伪缺陷去除方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
-
2022
- 2022-10-13 CN CN202211254987.0A patent/CN115330795B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489337A (zh) * | 2020-04-08 | 2020-08-04 | 广东工业大学 | 一种自动光学检测伪缺陷去除方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115330795A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及*** | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
Plissiti et al. | Automated detection of cell nuclei in pap smear images using morphological reconstruction and clustering | |
CN108319973B (zh) | 一种树上柑橘果实检测方法 | |
CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
CN116777941B (zh) | 一种基于机器视觉的型材轮廓检测方法及*** | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及*** | |
CN115311310B (zh) | 通过图割实现纺织品印花图案提取的方法 | |
CN110728302A (zh) | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 | |
CN114820631B (zh) | 一种抗纹理干扰的面料缺陷检测方法 | |
CN110310291A (zh) | 一种稻瘟病分级***及其方法 | |
CN115239718B (zh) | 一种基于图像处理的塑料制品缺陷检测方法与*** | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及*** | |
CN118212179A (zh) | 一种复杂背景的角度检测方法 | |
McFeely et al. | Shadow identification for digital imagery using colour and texture cues | |
CN112381084A (zh) | 断层图像的轮廓自动识别方法 | |
CN109165650B (zh) | 印花织物图像最小重复单元自动检测方法 | |
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 | |
CN114612384B (zh) | 一种运动护具外观材料缺陷检测方法及*** |
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 |