CN108133472A - 纺织物缺陷检测方法及纺织物缺陷检测装置 - Google Patents
纺织物缺陷检测方法及纺织物缺陷检测装置 Download PDFInfo
- Publication number
- CN108133472A CN108133472A CN201711217285.4A CN201711217285A CN108133472A CN 108133472 A CN108133472 A CN 108133472A CN 201711217285 A CN201711217285 A CN 201711217285A CN 108133472 A CN108133472 A CN 108133472A
- Authority
- CN
- China
- Prior art keywords
- sample
- offset
- image
- texture
- module
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种纺织物缺陷检测方法，利用CMOS摄像机采集纺织品的各种类型的缺陷部、和非缺陷部分及采集待测样品的图像信息，分别得到缺陷样本和无缺陷样本，并进行存储；利用非局部均值滤波对纹理图像进行纹理增强；计算获得纺织品图像的纹理轮廓图像；构造纹理轮廓图像的特征模型；将特征模型与无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；将瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。本技术方案实现了数字化缺陷检测，同时还进行了缺陷的分类存储，便于质量检测人员的数据分析。
Description
技术领域
本发明涉及纺织技术领域，特别涉及一种纺织物缺陷检测方法及纺织物缺陷检测装置。
背景技术
纺织品在生产过程中以及在进入市场之前必须经过疵点检测、密度、纱支、克重、纱线捻度、纱线强力、织物结构、织物厚度、线圈长度、织物覆盖系数等等的检验和测试，其中疵点检测是最为主要的部分。织物疵点的检测主要还是由人工视觉离线检测来完成，该方法存在检测速度低、验布结果受验布人员主观影响较大，误检率和漏检率高等缺点。
发明内容
本发明要解决的技术问题是提供一种利用计算机图像处理技术进行快速的疵点检测的纺织物缺陷检测方法及纺织物缺陷检测装置。
为了解决上述技术问题，本发明的技术方案为：
一种纺织物缺陷检测方法，包括步骤：
利用CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，并进行存储；
利用CMOS摄像机采集待测样品的图像信息，并进行图像预处理；
利用非局部均值滤波对纹理图像进行纹理增强；对纹理增强后的纺织品图像进行处理，计算获得纺织品图像的纹理轮廓图像；构造纹理轮廓图像的特征模型；
将所述特征模型与所述无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；
将所述瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。
优选地：计算获得纺织品图像的纹理轮廓图像的过程包括步骤：
先利用无抽样小波变换，得到W(x,y)；选择第i个子带的小波变换；
利用局部高斯平滑的方法预处理各子带小波系数，突出各子带纹理轮廓特征；
利用多通道梯度信息融合各子带纹理轮廓，获得纺织品图像的纹理轮廓图像。
优选地：利用CMOS摄像机采集待测样品的图像信息，并进行图像预处理的步骤包括：
利用CMOS摄像机采集待测样品的图像信息；
对所述图像信息进行图像切割，标号处理；
对所述图像信息进行去燥处理。
优选地，所述特征模型与所述无缺陷样本或所述缺陷样本进行匹配比对的过程包括：
将所述特征模型的图案与所述无缺陷样本中的图案进行匹配；
根据匹配结果计算搜索点与无缺陷样本中对应搜索点间的距离，记为偏移量；
当所述偏移量与平均偏移量的差值大于预设偏移量阈值时，确定所述搜索点为瑕疵点；所述平均偏移量为所述特征模型的图案中所有搜索点的偏移量总和的平均值；
将所述偏移量与平均偏移量进行比对。
优选地，所述将所述待测图案与所述无缺陷样本中的模板图案进行匹配，具体包括：在所述待测图案中所构成的新的搜索点集合中选取搜索点P1，并在所述模板图像中选取所述P1的对应点P2，根据所选取的P1和P2计算旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K；根据旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K将所述搜索点投影到与所述待测图案相同的模板图像中，得到匹配结果；具体的，根据P1和P2计算长度D和与水平方向夹角θ；
D＝(P1x-P2x)2+(P1y-P2y)2θ＝arctanP1y-P2yP1x-P2x
在所述待测图案和模板图像中选取三组对应点P11、P21、P12、P22、P13和P23，
则平移偏移量R为：Ry＝P11y-P21y Rx＝P11x-P21x
沿Y轴拉伸量K为：K＝P22y-P21yl1cos(arctan(P12x-P11xP12y-P11y)-Δθ)K＝P23y-P21yl2cos(arctan(P13x-P11xP13y-P11y)-Δθ)
其中，l1为P11和P12两点距离，l2为P13、P23两点距离；
l1＝(P11x-P12x)2+(P11y-P12y)2l2＝(P11x-P13x)2+(P11y-P13y)2
则所述Δθ为：Δθ＝arctan(P22y-P21y)l2cos(θ2)-(P23y-P21y)l1cos(θ1)(P23y-P21y)l1sin(θ1)-(P22y-P21y)l1sin(θ2)
其中，θ1＝arctan(P12x-P11xP12y-P11y)θ2＝arctan(P13x-P11xP13y-P11y)。
本发明还提出一种纺织物缺陷检测装置，包括
样本CMOS摄像机：利用CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，并进行存储，并采集待测样品的图像信息；
图像预处理模块：对所述待测样品的图像信息进行图像预处理；
图像增强建模模块：利用非局部均值滤波对纹理图像进行纹理增强，对纹理增强后的纺织品图像进行处理，计算获得纺织品图像的纹理轮廓图像，构造纹理轮廓图像的特征模型；
样本比对模块：将所述特征模型与所述无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；
瑕疵分类模块：将所述瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。
优选地：所述图像增强建模模块包括：
小波变换模块：利用无抽样小波变换，得到W(x,y)；选择第i个子带的小波变换；
小波系数预处理模块：利用局部高斯平滑的方法预处理各子带小波系数，突出各子带纹理轮廓特征；
纹理融合模块：利用多通道梯度信息融合各子带纹理轮廓，获得纺织品图像的纹理轮廓图像。
优选地：所述图像预处理模块包括：
采集模块：利用CMOS摄像机采集待测样品的图像信息；
切割模块：对所述图像信息进行图像切割，标号处理；
去燥模块：对所述图像信息进行去燥处理。
优选地：所述样本比对模块包括：
匹配模块：将所述特征模型的图案与所述无缺陷样本中的模板图案进行匹配；
偏移量计算模块：根据匹配结果计算搜索点与模板图案中对应搜索点间的距离，记为偏移量；
偏移量阈值计算模块：当所述偏移量与平均偏移量的差值大于预设偏移量阈值时，确定所述搜索点为瑕疵点；所述平均偏移量为所述特征模型的图案中所有搜索点的偏移量总和的平均值；
对比模块：将所述偏移量与平均偏移量进行比对。
优选地：所述将所述待测图案与所述无缺陷样本中的图案进行匹配，具体包括：在所述待测图案中所构成的新的搜索点集合中选取搜索点P1，并在所述模板图像中选取所述P1的对应点P2，根据所选取的P1和P2计算旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K；根据旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K将所述搜索点投影到与所述待测图案相同的模板图像中，得到匹配结果；具体的，根据P1和P2计算长度D和与水平方向夹角θ；
D＝(P1x-P2x)2+(P1y-P2y)2θ＝arctanP1y-P2yP1x-P2x
在所述待测图案和模板图像中选取三组对应点P11、P21、P12、P22、P13和P23，
则平移偏移量R为：Ry＝P11y-P21y Rx＝P11x-P21x
沿Y轴拉伸量K为：K＝P22y-P21yl1cos(arctan(P12x-P11xP12y-P11y)-Δθ)K＝P23y-P21yl2cos(arctan(P13x-P11xP13y-P11y)-Δθ)
其中，l1为P11和P12两点距离，l2为P13、P23两点距离；
l1＝(P11x-P12x)2+(P11y-P12y)2l2＝(P11x-P13x)2+(P11y-P13y)2
则所述Δθ为：Δθ＝arctan(P22y-P21y)l2cos(θ2)-(P23y-P21y)l1cos(θ1)(P23y-P21y)l1sin(θ1)-(P22y-P21y)l1sin(θ2)
其中，θ1＝arctan(P12x-P11xP12y-P11y)θ2＝arctan(P13x-P11xP13y-P11y)。
采用上述技术方案，由于采用了图像识别技术，通过对纺织物进行图像的纹理增强，分别构成缺陷样本和无缺陷样本，在通过将检测的样品图像与两种模型进行比对，对样品图像进行分类，区别模型是否为合格模型，并对确认的缺陷模型种类。本技术方案能够快速检测纺织物的质量，同时还利于生产的技术人员建立瑕疵品的数据库，便于数据分析，以提升产品质量。
附图说明
图1为本发明纺织物缺陷检测方法的流程图；
图2为图1中步骤S30的流程图；
图3为图1中步骤S20的流程图；
图4为图1中步骤S40的流程图；
图5为本发明纺织物缺陷检测装置的原理图；
图6为图5中的300模块的原理图；
图7为图5中的200模块的原理图；
图8为图5中的400模块的原理图。
图中，100-样本CMOS摄像机，200-图像预处理模块，300-图像增强建模模块，400-样本比对模块，500-瑕疵分类模块，210-采集模块，220-切割模块，230-去燥模块，310-小波变换模块，320-小波系数预处理模块，330-纹理融合模块，410-匹配模块，420-偏移量计算模块，430-偏移量阈值计算模块，440-对比模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1，本发明提出一种纺织物缺陷检测方法，包括步骤：
S10：利用CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，并进行存储；
S20：利用CMOS摄像机采集待测样品的图像信息，并进行图像预处理；
S30：:利用非局部均值滤波对纹理图像进行纹理增强；对纹理增强后的纺织品图像进行处理，计算获得纺织品图像的纹理轮廓图像；构造纹理轮廓图像的特征模型；
S40：将所述特征模型与所述无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；
S50：将所述瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。
采用上述技术方案，由于采用了图像识别技术，通过对纺织物进行图像的纹理增强，分别构成缺陷样本和无缺陷样本，在通过将检测的样品图像与两种模型进行比对，对样品图像进行分类，区别模型是否为合格模型，并对确认的缺陷模型种类。本技术方案能够快速检测纺织物的质量，同时还利于生产的技术人员建立瑕疵品的数据库，便于数据分析，以提升产品质量。
参照图2，具体地：计算获得纺织品图像的纹理轮廓图像的过程包括步骤：
S31：先利用无抽样小波变换，得到W(x,y)；选择第i个子带的小波变换；
S32：利用局部高斯平滑的方法预处理各子带小波系数，突出各子带纹理轮廓特征；
S33：利用多通道梯度信息融合各子带纹理轮廓，获得纺织品图像的纹理轮廓图像。
参照图3，具体地：利用CMOS摄像机采集待测样品的图像信息，并进行图像预处理的步骤包括：
S21：利用CMOS摄像机采集待测样品的图像信息；
S22：对所述图像信息进行图像切割，标号处理；
S23：对所述图像信息进行去燥处理。
参照图4，具体地，所述特征模型与所述无缺陷样本或所述缺陷样本进行匹配比对的过程包括：
S41：将所述特征模型的图案与所述无缺陷样本中的图案进行匹配；
S42根据匹配结果计算搜索点与无缺陷样本中对应搜索点间的距离，记为偏移量；
S43：当所述偏移量与平均偏移量的差值大于预设偏移量阈值时，确定所述搜索点为瑕疵点；所述平均偏移量为所述特征模型的图案中所有搜索点的偏移量总和的平均值；
S44：将所述偏移量与平均偏移量进行比对。
具体地，所述将所述待测图案与所述无缺陷样本中的模板图案进行匹配，具体包括：在所述待测图案中所构成的新的搜索点集合中选取搜索点P1，并在所述模板图像中选取所述P1的对应点P2，根据所选取的P1和P2计算旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K；根据旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K将所述搜索点投影到与所述待测图案相同的模板图像中，得到匹配结果；具体的，根据P1和P2计算长度D和与水平方向夹角θ；
D＝(P1x-P2x)2+(P1y-P2y)2θ＝arctanP1y-P2yP1x-P2x
在所述待测图案和模板图像中选取三组对应点P11、P21、P12、P22、P13和P23，
则平移偏移量R为：Ry＝P11y-P21y Rx＝P11x-P21x
沿Y轴拉伸量K为：K＝P22y-P21yl1cos(arctan(P12x-P11xP12y-P11y)-Δθ)K＝P23y-P21yl2cos(arctan(P13x-P11xP13y-P11y)-Δθ)
其中，l1为P11和P12两点距离，l2为P13、P23两点距离；
l1＝(P11x-P12x)2+(P11y-P12y)2l2＝(P11x-P13x)2+(P11y-P13y)2
则所述Δθ为：Δθ＝arctan(P22y-P21y)l2cos(θ2)-(P23y-P21y)l1cos(θ1)(P23y-P21y)l1sin(θ1)-(P22y-P21y)l1sin(θ2)
其中，θ1＝arctan(P12x-P11xP12y-P11y)θ2＝arctan(P13x-P11xP13y-P11y)。
参照图5，本发明还提出一种纺织物缺陷检测装置，包括
样本CMOS摄像机：利用CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，并进行存储，并采集待测样品的图像信息；
图像预处理模块200：对所述待测样品的图像信息进行图像预处理；
图像增强建模模块300：利用非局部均值滤波对纹理图像进行纹理增强，对纹理增强后的纺织品图像进行处理，计算获得纺织品图像的纹理轮廓图像，构造纹理轮廓图像的特征模型；
样本比对模块：将所述特征模型与所述无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；
瑕疵分类模块500：将所述瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。
参照图6，具体地：所述图像增强建模模块300包括：
小波变换模块310：利用无抽样小波变换，得到W(x,y)；选择第i个子带的小波变换；
小波系数预处理模块320：利用局部高斯平滑的方法预处理各子带小波系数，突出各子带纹理轮廓特征；
纹理融合模块330：利用多通道梯度信息融合各子带纹理轮廓，获得纺织品图像的纹理轮廓图像。
参照图7，具体地：所述图像预处理模块200包括：
采集模块210：利用CMOS摄像机采集待测样品的图像信息；
切割模块220：对所述图像信息进行图像切割，标号处理；
去燥模块230：对所述图像信息进行去燥处理。
参照8，具体地：所述样本比对模块包括：
匹配模块410：将所述特征模型的图案与所述无缺陷样本中的模板图案进行匹配；
偏移量计算模块420：根据匹配结果计算搜索点与模板图案中对应搜索点间的距离，记为偏移量；
偏移量阈值计算模块430：当所述偏移量与平均偏移量的差值大于预设偏移量阈值时，确定所述搜索点为瑕疵点；所述平均偏移量为所述特征模型的图案中所有搜索点的偏移量总和的平均值；
对比模块440：将所述偏移量与平均偏移量进行比对。
具体地：所述将所述待测图案与所述无缺陷样本中的图案进行匹配，具体包括：在所述待测图案中所构成的新的搜索点集合中选取搜索点P1，并在所述模板图像中选取所述P1的对应点P2，根据所选取的P1和P2计算旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K；根据旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K将所述搜索点投影到与所述待测图案相同的模板图像中，得到匹配结果；具体的，根据P1和P2计算长度D和与水平方向夹角θ；
D＝(P1x-P2x)2+(P1y-P2y)2θ＝arctanP1y-P2yP1x-P2x
在所述待测图案和模板图像中选取三组对应点P11、P21、P12、P22、P13和P23，
则平移偏移量R为：Ry＝P11y-P21y Rx＝P11x-P21x
沿Y轴拉伸量K为：K＝P22y-P21yl1cos(arctan(P12x-P11xP12y-P11y)-Δθ)K＝P23y-P21yl2cos(arctan(P13x-P11xP13y-P11y)-Δθ)
其中，l1为P11和P12两点距离，l2为P13、P23两点距离；
l1＝(P11x-P12x)2+(P11y-P12y)2l2＝(P11x-P13x)2+(P11y-P13y)2
则所述Δθ为：Δθ＝arctan(P22y-P21y)l2cos(θ2)-(P23y-P21y)l1cos(θ1)(P23y-P21y)l1sin(θ1)-(P22y-P21y)l1sin(θ2)
其中，θ1＝arctan(P12x-P11xP12y-P11y)θ2＝arctan(P13x-P11xP13y-P11y)。
本发明通过CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，建立样本，将采集到的图像进行进行纹理突出、去燥等处理。实现了数字化缺陷检测，同时还进行了缺陷的分类存储，便于质量检测人员的数据分析。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.一种纺织物缺陷检测方法，其特征在于：包括步骤：
利用CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，并进行存储；
利用CMOS摄像机采集待测样品的图像信息，并进行图像预处理；
利用非局部均值滤波对纹理图像进行纹理增强；对纹理增强后的纺织品图像进行处理，计算获得纺织品图像的纹理轮廓图像；构造纹理轮廓图像的特征模型；
将所述特征模型与所述无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；
将所述瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。
2.根据权利要求1所述的纺织物缺陷检测方法，其特征在于：计算获得纺织品图像的纹理轮廓图像的过程包括步骤：
先利用无抽样小波变换，得到W(x,y)；选择第i个子带的小波变换；
利用局部高斯平滑的方法预处理各子带小波系数，突出各子带纹理轮廓特征；
利用多通道梯度信息融合各子带纹理轮廓，获得纺织品图像的纹理轮廓图像。
3.根据权利要求1所述的纺织物缺陷检测方法，其特征在于：利用CMOS摄像机采集待测样品的图像信息，并进行图像预处理的步骤包括：
利用CMOS摄像机采集待测样品的图像信息；
对所述图像信息进行图像切割，标号处理；
对所述图像信息进行去燥处理。
4.根据权利要求1所述的图像的缺陷检测方法，其特征在于，所述特征模型与所述无缺陷样本或所述缺陷样本进行匹配比对的过程包括：
将所述特征模型的图案与所述无缺陷样本中的图案进行匹配；
根据匹配结果计算搜索点与无缺陷样本中对应搜索点间的距离，记为偏移量；
当所述偏移量与平均偏移量的差值大于预设偏移量阈值时，确定所述搜索点为瑕疵点；所述平均偏移量为所述特征模型的图案中所有搜索点的偏移量总和的平均值；
将所述偏移量与平均偏移量进行比对。
5.根据权利要求4所述的图像的缺陷检测方法，其特征在于，所述将所述待测图案与所述无缺陷样本中的模板图案进行匹配，具体包括：在所述待测图案中所构成的新的搜索点集合中选取搜索点P1，并在所述模板图像中选取所述P1的对应点P2，根据所选取的P1和P2计算旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K；根据旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K将所述搜索点投影到与所述待测图案相同的模板图像中，得到匹配结果；具体的，根据P1和P2计算长度D和与水平方向夹角θ；
D＝(P1x-P2x)2+(P1y-P2y)2θ＝arctanP1y-P2yP1x-P2x
在所述待测图案和模板图像中选取三组对应点P11、P21、P12、P22、P13和P23，
则平移偏移量R为：Ry＝P11y-P21y Rx＝P11x-P21x
沿Y轴拉伸量K为：K＝P22y-P21yl1cos(arctan(P12x-P11xP12y-P11y)-Δθ)K＝P23y-P21yl2cos(arctan(P13x-P11xP13y-P11y)-Δθ)
其中，l1为P11和P12两点距离，l2为P13、P23两点距离；
l1＝(P11x-P12x)2+(P11y-P12y)2l2＝(P11x-P13x)2+(P11y-P13y)2
则所述Δθ为：Δθ＝arctan(P22y-P21y)l2cos(θ2)-(P23 y-P21y)l1cos(θ1)(P23y-P21y)l1sin(θ1)-(P22y-P21y)l1sin(θ2)
其中，θ1＝arctan(P12x-P11xP12y-P11y)θ2＝arctan(P13 x-P11xP13y-P11y)。
6.一种纺织物缺陷检测装置，其特征在于：包括
样本CMOS摄像机：利用CMOS摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分，分别得到缺陷样本和无缺陷样本，并进行存储，并采集待测样品的图像信息；
图像预处理模块：对所述待测样品的图像信息进行图像预处理；
图像增强建模模块：利用非局部均值滤波对纹理图像进行纹理增强，对纹理增强后的纺织品图像进行处理，计算获得纺织品图像的纹理轮廓图像，构造纹理轮廓图像的特征模型；
样本比对模块：将所述特征模型与所述无缺陷样本进行匹配比对，偏移量与平均偏移量的差值大于预设阈值时，确定该特征模型为瑕疵模型；偏移量与平均偏移量的差值小于预设阈值时，确定该特征模型为合格模型；
瑕疵分类模块：将所述瑕疵模型与缺陷样本进行一对一匹配对比，并对瑕疵样本进行分类存储。
7.根据权利要求6所述的纺织物缺陷检测装置，其特征在于：所述图像增强建模模块包括：
小波变换模块：利用无抽样小波变换，得到W(x,y)；选择第i个子带的小波变换；
小波系数预处理模块：利用局部高斯平滑的方法预处理各子带小波系数，突出各子带纹理轮廓特征；
纹理融合模块：利用多通道梯度信息融合各子带纹理轮廓，获得纺织品图像的纹理轮廓图像。
8.根据权利要求6所述的纺织物缺陷检测装置，其特征在于：所述图像预处理模块包括：
采集模块：利用CMOS摄像机采集待测样品的图像信息；
切割模块：对所述图像信息进行图像切割，标号处理；
去燥模块：对所述图像信息进行去燥处理。
9.根据权利要求6所述的纺织物缺陷检测装置，其特征在于：所述样本比对模块包括：
匹配模块：将所述特征模型的图案与所述无缺陷样本中的模板图案进行匹配；
偏移量计算模块：根据匹配结果计算搜索点与模板图案中对应搜索点间的距离，记为偏移量；
偏移量阈值计算模块：当所述偏移量与平均偏移量的差值大于预设偏移量阈值时，确定所述搜索点为瑕疵点；所述平均偏移量为所述特征模型的图案中所有搜索点的偏移量总和的平均值；
对比模块：将所述偏移量与平均偏移量进行比对。
10.根据权利要求6所述的纺织物缺陷检测装置，其特征在于：所述将所述待测图案与所述无缺陷样本中的图案进行匹配，具体包括：在所述待测图案中所构成的新的搜索点集合中选取搜索点P1，并在所述模板图像中选取所述P1的对应点P2，根据所选取的P1和P2计算旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K；根据旋转偏移量Δθ、平移偏移量R和沿Y轴拉伸量K将所述搜索点投影到与所述待测图案相同的模板图像中，得到匹配结果；具体的，根据P1和P2计算长度D和与水平方向夹角θ；
D＝(P1x-P2x)2+(P1y-P2y)2θ＝arctanP1y-P2yP1x-P2x
在所述待测图案和模板图像中选取三组对应点P11、P21、P12、P22、P13和P23，
则平移偏移量R为：Ry＝P11y-P21y Rx＝P11x-P21x
沿Y轴拉伸量K为：K＝P22y-P21yl1cos(arctan(P12x-P11xP12y-P11y)-Δθ)K＝P23y-P21yl2cos(arctan(P13x-P11xP13y-P11y)-Δθ)
其中，l1为P11和P12两点距离，l2为P13、P23两点距离；
l1＝(P11x-P12x)2+(P11y-P12y)2l2＝(P11x-P13x)2+(P11y-P13y)2
则所述Δθ为：Δθ＝arctan(P22y-P21y)l2cos(θ2)-(P23 y-P21y)l1cos(θ1)(P23y-P21y)l1sin(θ1)-(P22y-P21y)l1sin(θ2)
其中，θ1＝arctan(P12x-P11xP12y-P11y)θ2＝arctan(P13 x-P11xP13y-P11y)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711217285.4A CN108133472A (zh) | 2017-11-28 | 2017-11-28 | 纺织物缺陷检测方法及纺织物缺陷检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711217285.4A CN108133472A (zh) | 2017-11-28 | 2017-11-28 | 纺织物缺陷检测方法及纺织物缺陷检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108133472A true CN108133472A (zh) | 2018-06-08 |
Family
ID=62389789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711217285.4A Pending CN108133472A (zh) | 2017-11-28 | 2017-11-28 | 纺织物缺陷检测方法及纺织物缺陷检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108133472A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862917A (zh) * | 2023-09-05 | 2023-10-10 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
| CN117893467A (zh) * | 2023-12-06 | 2024-04-16 | 江苏新丝路纺织科技有限公司 | 一种纺织品缺陷类型识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0843318A (ja) * | 1994-08-01 | 1996-02-16 | Kanebo Ltd | 布目欠点の検出方法及び装置 |
| CN101187640A (zh) * | 2006-11-15 | 2008-05-28 | 上海市纤维检验所 | 一种利用红外激光检测纺织品结构及染色缺陷的方法及装置 |
| CN102331425B (zh) * | 2011-06-28 | 2013-04-03 | 合肥工业大学 | 基于缺陷增强的纺织品缺陷检测方法 |
| CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
| CN103954627A (zh) * | 2014-04-21 | 2014-07-30 | 杭州电子科技大学 | 一种基于样本库字典基的电子元器件表面缺陷检测方法 |
| CN104483320A (zh) * | 2014-10-27 | 2015-04-01 | 中国计量学院 | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 |
| CN106780393A (zh) * | 2016-12-28 | 2017-05-31 | 辽宁师范大学 | 基于图像集的图像去噪方法 |
| CN106815830A (zh) * | 2016-12-13 | 2017-06-09 | 中国科学院自动化研究所 | 图像的缺陷检测方法 |
-
2017
- 2017-11-28 CN CN201711217285.4A patent/CN108133472A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0843318A (ja) * | 1994-08-01 | 1996-02-16 | Kanebo Ltd | 布目欠点の検出方法及び装置 |
| CN101187640A (zh) * | 2006-11-15 | 2008-05-28 | 上海市纤维检验所 | 一种利用红外激光检测纺织品结构及染色缺陷的方法及装置 |
| CN102331425B (zh) * | 2011-06-28 | 2013-04-03 | 合肥工业大学 | 基于缺陷增强的纺织品缺陷检测方法 |
| CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
| CN103954627A (zh) * | 2014-04-21 | 2014-07-30 | 杭州电子科技大学 | 一种基于样本库字典基的电子元器件表面缺陷检测方法 |
| CN104483320A (zh) * | 2014-10-27 | 2015-04-01 | 中国计量学院 | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 |
| CN106815830A (zh) * | 2016-12-13 | 2017-06-09 | 中国科学院自动化研究所 | 图像的缺陷检测方法 |
| CN106780393A (zh) * | 2016-12-28 | 2017-05-31 | 辽宁师范大学 | 基于图像集的图像去噪方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862917A (zh) * | 2023-09-05 | 2023-10-10 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
| CN116862917B (zh) * | 2023-09-05 | 2023-11-24 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
| CN117893467A (zh) * | 2023-12-06 | 2024-04-16 | 江苏新丝路纺织科技有限公司 | 一种纺织品缺陷类型识别方法 |
| CN117893467B (zh) * | 2023-12-06 | 2024-09-06 | 江苏新丝路纺织科技有限公司 | 一种纺织品缺陷类型识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069790B (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
| CN104268505B (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN108520274A (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
| CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN111223093A (zh) | 一种aoi缺陷检测方法 | |
| CN114170161A (zh) | 一种烟支外观缺陷检测方法及系统 | |
| CN112991271B (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| TWI707137B (zh) | 智能產線監測系統及監測方法 | |
| CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
| CN102854191A (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
| CN110689524B (zh) | 一种无参考在线图像清晰度评价方法与系统 | |
| CN107369155A (zh) | 一种基于机器视觉的布匹表面疵点检测方法及其系统 | |
| CN110544253B (zh) | 基于图像金字塔和列模板的织物瑕疵检测方法 | |
| CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 | |
| KR101782363B1 (ko) | 데이터 밸런싱을 통한 학습기반의 비전검사 방법 | |
| CN103221807A (zh) | 快速处理和检测幅材型材料中的不均匀因素 | |
| CN109345524A (zh) | 一种基于视觉的轴承外观缺陷检测系统 | |
| CN102621154A (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 | |
| CN115138059A (zh) | 一种引体向上的规范计数方法、系统及其存储介质 | |
| CN117974629B (zh) | 一种覆铜板产线在线缺陷检测方法、装置、存储介质及产品 | |
| KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
| CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
| CN108133472A (zh) | 纺织物缺陷检测方法及纺织物缺陷检测装置 | |
| He et al. | Research on Fabric defect detection based on deep fusion DenseNet-SSD network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180608 |
|
| RJ01 | Rejection of invention patent application after publication |