CN116152189B - 一种图案织物瑕疵检测方法、***及检测终端机 - Google Patents
一种图案织物瑕疵检测方法、***及检测终端机 Download PDFInfo
- Publication number
- CN116152189B CN116152189B CN202310077952.2A CN202310077952A CN116152189B CN 116152189 B CN116152189 B CN 116152189B CN 202310077952 A CN202310077952 A CN 202310077952A CN 116152189 B CN116152189 B CN 116152189B
- Authority
- CN
- China
- Prior art keywords
- image
- fabric
- pattern
- foreground
- flaw detection
- 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 101
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 9
- KRTSDMXIXPKRQR-AATRIKPKSA-N monocrotophos Chemical compound CNC(=O)\C=C(/C)OP(=O)(OC)OC KRTSDMXIXPKRQR-AATRIKPKSA-N 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 241000566145 Otus Species 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000004753 textile Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
- 239000002759 woven fabric Substances 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图案织物瑕疵检测方法、***及检测终端机,涉及纺织工业技术领域,获取待检测织物图像以及模板图像,得到显著性图像以及前景点;基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域;对候选区域进行检测,判断有无瑕疵。其中本发明通过随机点群启发式寻优法以及线性插值法对算法效率进行优化。根据LAT得到的待检测图像和模板图像之间的映射关系,利用动态阈值方法获取显著性图像以及前景点。然后使用最小生成树算法以及DEVI评价指标对前景点进行聚类并获取候选区域。根据候选区域的灰度体积特征判定瑕疵本发明可以很好的检测图案织物的瑕疵,特别是对于小和不明显的瑕疵检测效果非常好。
Description
技术领域
本发明涉及纺织工业技术领域,尤其涉及一种图案织物瑕疵检测方法、***及检测终端机。
背景技术
织物是由细小柔长物通过交叉,绕结,连接构成的平软片块物。机织物是由存在交叉关系的纱线构成的。针织物是由存在绕结关系的纱线构成的。
一般织物上配置了图案,图案织物的色彩有三个基本的表现要素,表现要素主要涉及色相、明度和彩度。其中,色相是指色彩的相貌,它是区别一种色彩物质的名称。如:红、黄、蓝等及相互混调的色彩。明度是指色彩本身的明暗度,在无彩色上由白到灰至黑的整个过程都是明度。所以低明度色彩是指阴暗的颜色,明度色彩是明亮的颜色。在色相中,黄色明度最高,蓝色则最低。彩度是指色彩的纯度,浓度或饱和度,色彩越强则纯度越高。
由于织物图案的复杂性和多样性,会造成图案织物上具有一些瑕疵。目前对图案织物瑕疵的检测方式有的采用如申请号CN202110762582.7,公开了一种织物瑕疵检测方法,包括织物图像采集机构及电控制器,织物设置信息存贮单元,在织物图像采集机构的进布侧或出布侧或在织物图像采集机构处设置用于读取信息存贮单元织物信息的信息读取机构,信息读取机构、织物图像采集机构与电控制器连接,该方法包括以下步骤:(a)信息读取机构读取织物分类信息;(b)织物图像采集机构采集织物图像;(c)根据获取的织物分类,电控制器调取与该织物分类匹配的运算处理模板,将采集的织物图像进行运算处理,对织物瑕疵进行检测。可以看出该方案仅仅适合检测表现要素单一的图案织物,比如色相单一,彩度较低的图案。对于色相相互混调较为复杂的色彩,明度色彩较为明亮的颜色则检测效果不佳,无法到达瑕疵检测要求。而且还会造成图案织物上瑕疵检测不准确、检测效率低的问题。
发明内容
本发明提供一种图案织物瑕疵检测方法,方法是为了解决表现要素较为复杂的情况下,图案织物上瑕疵检测不准确、检测效率低的问题,能够对带图案的织物瑕疵进行有效的检测,并提高检测效率。
图案织物瑕疵检测方法包括:
步骤1:获取待检测织物图像以及模板图像,得到显著性图像以及前景点;
步骤2:基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域;
步骤3:对候选区域进行检测,判断有无瑕疵。
进一步需要说明的是,步骤1中还包括:定义晶格为待检测织物图像边长的子图d;
其中第i个晶格记为
所有的晶格构成对G的划分。
进一步需要说明的是,设oi(ri,i)是晶格的中心,则晶格仿射变换φi:(x,y)→(x′.′)定义为:
其中p,q∈[-0.1,0.1],,n∈[-1,1];
定义下式作为目标函数:
s.t.pi,qi∈[-0.1,0.1],mi,ni∈[-1.0,1.0]
计算得到所有晶格对应的p,q,m,n,则得到待检测图像和模板图像之间的映射关系,再通过做差和OTUS方法获取显著性图像和前景点。
进一步需要说明的是,步骤1还包括:使用随机点群法计算p,q,m,n;得到近似最优解;
挑选1/25的晶格,利用局部性原理,即相邻晶格之间形变存在相似性,计算仿射变换参数;
剩余晶格采用插值法计算。
进一步需要说明的是,步骤2中使用最小生成树迭代的对前景点的位置信息进行聚类。
进一步需要说明的是,步骤2定义评价指标:DEVI;定义方式如下:
其中πk表示第k棵树占据的面积,|Tk|是第k棵树前景点的个数,|B|是前景点的总个数;
定义得到最优的聚类结果后,得到候选区域Ck,即每棵树在显著性图像上所占据的区域。
进一步需要说明的是,步骤3还包括:通过下述公式计算候选区域体积:
瑕疵的判定方式如下:
Defects={Ck|(Ck)≥τ}
按照下式计算阈值τ:
τ=argminτ∑V<τpd(V)+∑V≥τpn(V)。
本发明还提供一种图案织物瑕疵检测***,***包括:图像获取模块、聚类解析模块以及图案检测模块;
图像获取模块用于获取待检测织物图像以及模板图像,得到显著性图像以及前景点;
聚类解析模块基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域;
图案检测模块用于对候选区域进行检测,判断有无瑕疵。
本发明还提供一种检测终端机,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,处理器执行所述程序时实现图案织物瑕疵检测方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明使用启发式算法RPG并且结合线性插值法。根据映射关系,通过动态阈值法获得显著性图像以及前景点。本发明还使用最小生成树算法并结合DEVI指标获取前景点的最优聚类,计算候选区域。最后,使用灰度体积滤波判断候选区域是否存在瑕疵。实现图案织物瑕疵检测,进而反映织物上图案的状态。进一步有效解决了传统织物上图案检测的不足,避免因图案复杂,颜色众多而导致检测不准以及检测效率低的问题。
本发明能够对图案织物的瑕疵进行检测,方便用户对图案织物上瑕疵的查阅,有效提升图案织物的检测效率。还能够对图案织物的数据高效率地收集、存储,并进行处理,使用多维空间描述图案织物的检测过程。提高图案织物瑕疵的检测质量和效能,及时发现在图案织物上的瑕疵,以提高图案织物的质量,满足后期使用要求,从而实现图案织物加工全过程监督、管理和控制的及时性和科学性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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的前提下,还可以根据这些附图获得其他的附图。
图1为图案织物瑕疵检测方法流程图;
图2为图案织物瑕疵检测方法步骤1示意图;
图3为图案织物瑕疵检测方法对步骤1的优化的示意图;
图4为图案织物瑕疵检测方法步骤2最小生成树聚类的示意图;
图5为图案织物瑕疵检测方法步骤3体积滤波的示意图。
具体实施方式
本发明提供的图案织物瑕疵检测方法可以基于人工智能技术对关联的数据进行获取和处理。其中,图案织物瑕疵检测方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。检测方法还具有机器学习功能,其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本发明涉及的图案织物瑕疵检测方法使用晶格放射变换(LAT)计算待检测图像和对应模板图像之间的映射关系。获取这一映射关系可以有效的减少织物形变对瑕疵检测的不良影响。为了提升LAT算法的效率,本发明使用启发式算法RPG并且结合线性插值法。根据映射关系,通过动态阈值法获得显著性图像以及前景点。本发明还使用最小生成树算法并结合DEVI指标获取前景点的最优聚类,计算候选区域。最后,使用灰度体积滤波判断候选区域是否存在瑕疵。实现图案织物瑕疵检测,进而反映织物上图案的状态。进一步有效解决了传统织物上图案检测的不足,避免因图案复杂,颜色众多而导致检测不准以及检测效率低的问题。
图案织物瑕疵检测方法应用于一个或者多个检测终端机中,所述检测终端机是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
检测终端机可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、交互式网络电视(Internet Protocol Television,IPTV)等。
检测终端机所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
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。
请参阅图1至5所示是一具体实施例中图案织物瑕疵检测方法的流程图及其示意图,具体步骤包括:
S101:为了提升图案织物瑕疵检测效果,获取待检测图像(G)以及模板图像(T),输出显著性图像以及前景点。
本发明中,定义晶格为待检测织物图像边长的子图d;其中第i个晶格记为
所有的晶格正好构成对G的划分。假设oi(ri,ci)是晶格的中心,则晶格仿射变换φi:(x,y)→(x′.y′)为:
其中p,q∈[-0.1,0.1],m,n∈[-1,1]。
为了求解p,q,m,n,基于下式作为目标函数:
s.t.pi,qi∈[-0.1,0.1],mi,ni∈[-1.0,1.0]
计算得到所有晶格对应的p,q,m,n,则可以得到待检测图像和模板图像之间的映射关系,进而通过做差和OTUS方法获取显著性图像和前景点。
作为本发明的一种实施例,OTUS方法也就是最大类间方差算法,可以涉及如下步骤:
1.假设待检测图像有L个灰度级,即[1,2,3,...L],灰度级为i的像素点有ni个,那么总的像素点个数N=n1+n2+...+nl。那么一个像素点灰度级为i的概率为:
2.假设通过一个灰度级k将这些像素点划分为两类C0和C1,是C0,二值化为0。/>是C1,二值化为255。Otsu算法就是自动的找到这个算法认为的最优的阈值k。
3.C0和C1两类,每一类出现的概率以及各类的平均灰度级分别由下面的式子给出:
其中:
是1到k的平均灰度级。
是整幅图的平均灰度级。
4.容易验证:
ω0μ0+ω1μ1=μT,ω0+ω1=1
5.C0和C1各自的类内方差如下:
6.所以整幅图片的类内方差,两个类的类间方差,图片的总方差,分别如下:
跟据4.中两个等式,可以将化简为ω0ω1(μ1-μ0)2
7.因为与k无关。/>是二阶统计(类方差),而/>是一阶统计(类均值)。
所以即类间方差是最简单的判断k选取好坏的评判标准。
8.所以Otus算法遍历k,最后选取使最大的k作为阈值。
通过选取的k来获取显著性图像和前景点。
作为S101的优化:能够更快的求解所有晶格的p,q,m,n,本发明还包括如下步骤:
其一是使用随机点群法(RPG)计算p,q,m,n。这是一种启发式算法,可以快速求解近似最优解。
其次,本发明利用形变的局部性原理,即相邻晶格之间形变存在相似性,这里只挑选1/25的晶格计算仿射变换参数,剩余晶格采用插值法计算。
步骤2:基于前景点的位置信息,解析出前景点的聚类结果。本发明使用最小生成树迭代的对前景点进行聚类,为了确定最佳的聚类结果,我们定义了新的评价指标:DEVI,具体计算方式如下:
其中πk表示第k棵树占据的面积,|Tk|是第k棵树前景点的个数,|B|是前景点的总个数。
得到最优的聚类结果后,就可以据此得到候选区域Ck,即每棵树在显著性图像上所占据的区域。
步骤3:对候选区域进行检测,判断织物图像有无瑕疵。本发明使用体积滤波方法计算候选区域的体积,具体计算方式如下:
进而织物图像的瑕疵判定通过如下方式计算:
Defects={Ck|V(Ck)≥τ}
按照下式计算阈值τ:
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
这样,本发明能够对图案织物的瑕疵进行检测,方便用户对图案织物上瑕疵的查阅,有效提升图案织物的检测效率。还能够对图案织物的数据高效率地收集、存储,并进行处理,使用多维空间描述图案织物的检测过程。提高图案织物瑕疵的检测质量和效能,及时发现在图案织物上的瑕疵,以提高图案织物的质量,满足后期使用要求,从而实现图案织物加工全过程监督、管理和控制的及时性和科学性。
以下是本公开实施例提供的图案织物瑕疵检测***的实施例,该***与上述各实施例的图案织物瑕疵检测方法属于同一个发明构思,在图案织物瑕疵检测***的实施例中未详尽描述的细节内容,可以参考上述图案织物瑕疵检测方法的实施例。
***包括:图像获取模块、聚类解析模块以及图案检测模块;
图像获取模块用于获取待检测织物图像以及模板图像,得到显著性图像以及前景点;
聚类解析模块基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域;
图案检测模块用于对候选区域进行检测,判断有无瑕疵。
本发明能够基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域,以此丰富图案织物的检测精度,满足检测需要。还涉及到随机点群启发式寻优法(RPG)以及线性插值法对算法效率进行优化。根据LAT得到的待检测图像和模板图像之间的映射关系,利用动态阈值(OTSU)方法获取显著性图像以及前景点。然后使用最小生成树(MST)算法以及DEVI评价指标对前景点进行聚类并获取候选区域。最后根据候选区域的灰度体积特征判定瑕疵。本发明可以很好的检测图案织物的瑕疵,特别是对于小和不明显的瑕疵检测效果较好。这样,通过上述检测方法满足带图案的织物瑕疵检测要求,丰富***对图案织物瑕疵检测处理方式,减少了人工耗费,提高了处理效率。从而对候选区域进行检测,判断织物图像有无瑕疵,当然本发明还可以再次进行适当调整或者优化,从而满足具有不同图案织物的检测要求。保证了检测的可靠性。
本发明提供的图案织物瑕疵检测方法和***中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明提供的图案织物瑕疵检测方法和***中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
在本发明的实施例中,可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电力服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(示例性的讲利用因特网服务提供商来通过因特网连接)。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种图案织物瑕疵检测方法,其特征在于,方法包括:
步骤1:获取待检测织物图像以及模板图像,得到显著性图像以及前景点;
定义晶格为待检测织物图像边长的子图;
其中第个晶格记为/>;
所有的晶格构成对的划分;
设是晶格/>的中心,则晶格仿射变换 />定义为:
其中;
定义下式作为目标函数:
计算得到所有晶格对应的 ,则得到待检测图像和模板图像之间的映射关系,再通过做差和OTUS方法获取显著性图像和前景点;
步骤2:基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域;
使用最小生成树迭代的对前景点的位置信息进行聚类;
定义评价指标:DEVI;定义方式如下:
其中表示第/>棵树占据的面积,/>是第/>棵树前景点的个数,/>是前景点的总个数;
定义得到最优的聚类结果后,得到候选区域,即每棵树在显著性图像上所占据的区域;
步骤3:对候选区域进行检测,判断织物图像有无瑕疵。
2.根据权利要求1所述的图案织物瑕疵检测方法,其特征在于,
步骤3还包括:通过下述公式计算候选区域体积:
瑕疵的判定方式如下:
按照下式计算阈值:
。
3.一种图案织物瑕疵检测***,其特征在于,***采用如权利要求1至2任意一项所述的图案织物瑕疵检测方法;
***包括:图像获取模块、聚类解析模块以及图案检测模块;
图像获取模块用于获取待检测织物图像以及模板图像,得到显著性图像以及前景点;
聚类解析模块基于前景点的位置信息,解析出前景点的聚类结果,根据聚类结果后,得到候选区域;
图案检测模块用于对候选区域进行检测,判断有无瑕疵。
4.一种检测终端机,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至2任一项所述图案织物瑕疵检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077952.2A CN116152189B (zh) | 2023-01-31 | 2023-01-31 | 一种图案织物瑕疵检测方法、***及检测终端机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077952.2A CN116152189B (zh) | 2023-01-31 | 2023-01-31 | 一种图案织物瑕疵检测方法、***及检测终端机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152189A CN116152189A (zh) | 2023-05-23 |
CN116152189B true CN116152189B (zh) | 2023-12-19 |
Family
ID=86373068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310077952.2A Active CN116152189B (zh) | 2023-01-31 | 2023-01-31 | 一种图案织物瑕疵检测方法、***及检测终端机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152189B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1653461A (zh) * | 2002-05-09 | 2005-08-10 | 凯斯特无线有限公司 | 能够通过个人装置进行电子交易的方法和*** |
CN101470776A (zh) * | 2007-06-27 | 2009-07-01 | 弗·哈夫曼-拉罗切有限公司 | 用于比对大分子中的结合位点容积的***和方法 |
CN101818399A (zh) * | 2010-05-11 | 2010-09-01 | 浙江理工大学 | 一种双色格子织物的色花排列方法 |
CN103988204A (zh) * | 2011-12-13 | 2014-08-13 | 国际商业机器公司 | 医学图像检索方法、设备和计算机程序 |
WO2015034048A1 (ja) * | 2013-09-05 | 2015-03-12 | アルプス電気株式会社 | 3次元形状計測方法及び3次元形状計測装置 |
CN107016412A (zh) * | 2017-03-29 | 2017-08-04 | 北京北昂科技有限公司 | 基于外观和运动连续***叉验证的自适应模板更新策略 |
CN107945191A (zh) * | 2016-10-11 | 2018-04-20 | 中国测绘科学研究院 | 一种随机点群目标外轮廓提取及目标简化方法 |
CN109416928A (zh) * | 2016-06-07 | 2019-03-01 | 伊路米纳有限公司 | 用于进行二级和/或三级处理的生物信息学***、设备和方法 |
CN109949287A (zh) * | 2019-03-15 | 2019-06-28 | 江南大学 | 一种基于自适应分割与模板校正的织物瑕疵检测方法 |
CN110992427A (zh) * | 2019-12-19 | 2020-04-10 | 深圳市华汉伟业科技有限公司 | 一种形变物体的三维位姿估计方法及定位抓取*** |
CN112396108A (zh) * | 2020-11-19 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 业务数据评估方法、装置、设备及计算机可读存储介质 |
CN112410980A (zh) * | 2020-11-11 | 2021-02-26 | 华纺股份有限公司 | 一种立体绉组织面料及其染整方法 |
CN114998290A (zh) * | 2022-06-20 | 2022-09-02 | 佛山技研智联科技有限公司 | 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 |
-
2023
- 2023-01-31 CN CN202310077952.2A patent/CN116152189B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1653461A (zh) * | 2002-05-09 | 2005-08-10 | 凯斯特无线有限公司 | 能够通过个人装置进行电子交易的方法和*** |
CN101470776A (zh) * | 2007-06-27 | 2009-07-01 | 弗·哈夫曼-拉罗切有限公司 | 用于比对大分子中的结合位点容积的***和方法 |
CN101818399A (zh) * | 2010-05-11 | 2010-09-01 | 浙江理工大学 | 一种双色格子织物的色花排列方法 |
CN103988204A (zh) * | 2011-12-13 | 2014-08-13 | 国际商业机器公司 | 医学图像检索方法、设备和计算机程序 |
WO2015034048A1 (ja) * | 2013-09-05 | 2015-03-12 | アルプス電気株式会社 | 3次元形状計測方法及び3次元形状計測装置 |
CN109416928A (zh) * | 2016-06-07 | 2019-03-01 | 伊路米纳有限公司 | 用于进行二级和/或三级处理的生物信息学***、设备和方法 |
CN107945191A (zh) * | 2016-10-11 | 2018-04-20 | 中国测绘科学研究院 | 一种随机点群目标外轮廓提取及目标简化方法 |
CN107016412A (zh) * | 2017-03-29 | 2017-08-04 | 北京北昂科技有限公司 | 基于外观和运动连续***叉验证的自适应模板更新策略 |
CN109949287A (zh) * | 2019-03-15 | 2019-06-28 | 江南大学 | 一种基于自适应分割与模板校正的织物瑕疵检测方法 |
CN110992427A (zh) * | 2019-12-19 | 2020-04-10 | 深圳市华汉伟业科技有限公司 | 一种形变物体的三维位姿估计方法及定位抓取*** |
CN112410980A (zh) * | 2020-11-11 | 2021-02-26 | 华纺股份有限公司 | 一种立体绉组织面料及其染整方法 |
CN112396108A (zh) * | 2020-11-19 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 业务数据评估方法、装置、设备及计算机可读存储介质 |
CN114998290A (zh) * | 2022-06-20 | 2022-09-02 | 佛山技研智联科技有限公司 | 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Fabric defect detection algorithm based on residual energy distribution and Gabor feature;Wenning Qin;《The Visual Computer》;3-7 * |
基于体积特征的织物瑕疵检测方法;李锋;《网络安全技术与应用》(第7期);52-55 * |
基于结构相似性与模板校正的织物瑕疵检测方法;杨达;《智能***学报》;第15卷(第3期);475-483 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152189A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
US7995058B2 (en) | Method and system for identifying illumination fields in an image | |
CN104573625B (zh) | 数据处理***及其生成设备、和面部检测方法 | |
CN103824059B (zh) | 一种基于视频图像序列的人脸表情识别方法 | |
US20180082178A1 (en) | Information processing device | |
CN109978890A (zh) | 基于图像处理的目标提取方法、装置及终端设备 | |
CN107832677A (zh) | 基于活体检测的人脸识别方法及*** | |
CN101599175B (zh) | 确定拍摄背景发生改变的检测方法及图像处理设备 | |
CN105493141B (zh) | 非结构化道路边界检测 | |
CN112489143A (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
CN104854620A (zh) | 图像处理装置、图像处理***和程序 | |
WO2018010386A1 (zh) | 元件反件检测方法和*** | |
CN109508581A (zh) | 身体信息分析装置及其腮红分析方法 | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
WO2019011342A1 (zh) | 布料识别的方法、设备、电子设备及储存介质 | |
CN109920018A (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
CN110298893A (zh) | 一种行人衣着颜色识别模型的生成方法及装置 | |
CN109610132A (zh) | 衣物洗涤方法、装置和控制器 | |
CN106951891A (zh) | 光斑检测方法和装置 | |
CN116152189B (zh) | 一种图案织物瑕疵检测方法、***及检测终端机 | |
CN113435353A (zh) | 基于多模态的活体检测方法、装置、电子设备及存储介质 | |
CN106599889A (zh) | 一种识别字符的方法和装置 | |
CN212846839U (zh) | 织品信息媒合*** | |
CN115272923A (zh) | 一种基于大数据平台的智能识别方法和*** | |
CN108647600A (zh) | 人脸识别方法、设备及计算机可读存储介质 |
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 |