一種素色布匹缺陷檢測和分類方法與流程

本發明涉及一種布匹的缺陷檢測方法，具體涉及一種素色布匹的缺陷檢測和分類方法，尤其是一種基于改進sift特征提取的布匹缺陷分類方法。

背景技術：

布匹的缺陷檢測是其生產過程中質量控制的重要環節。目前，國內絕大多數紡織服裝行業企業仍由人眼目測完成該項工作，然而該方法檢測速度慢，勞動強度大，檢測結果受檢驗人員的經驗、熟練程度以及一些主觀因素的影響，缺乏一致性和可靠性。同時，這種工作方式還會極大的損傷工人的視覺系統。由于人工檢測效率低且不是一種客觀一致的評判方法，檢測結果容易使行業上下游之間產生貿易糾紛和矛盾。在紡織工業里,缺陷的產生有多種因素。比如布匹生產的工序不對,紡線粗細不符合標準等等。根據布匹上出現缺陷的類型常常可以判斷生產過程中存在的問題,進而對機器的運行作進一步調整。因此,對布匹缺陷進行正確高效的分類,有著重要的現實意義。目前,在國內大多數紡織工廠中,布匹缺陷的分類主要由人工來完成,效率低,代價高。

目前，布匹缺陷檢測的技術主要有統計法、頻譜法、模型法、和學習方法。這些方法涉及復雜的特征統計和分析，計算量較大，很難滿足工業要求。

技術實現要素：

1、要解決的技術方案

為了解決存在的上述問題，提高企業生產效率，降低用人成本。本發明的目的是提供一種素色布匹缺陷檢測和分類方法，根據布匹上出現缺陷的類型，判斷生產過程中存在的問題,進而對機器的運行作進一步調整。

2、技術方案

為實現上述目的，本發明采用的技術方案是：一種素色布匹缺陷檢測和分類方法，其包括以下步驟：

(1)、采用工業相機采集相對運動中的布匹，獲取布匹灰度圖像；

(2)、將布匹灰度圖像進行中值濾波來抑制噪聲的干擾，對該預處理后的圖像進行快速傅里葉變換；

(3)、用兩個高斯濾波器構造一個帶阻濾波器，在頻域中把待檢測圖像與構造的濾波器進行卷積運算，然后進行傅里葉反變換重構原圖像；

(4)、對步驟(3)所得的圖像采用otsu算法尋找最優閾值，進行閾值二值化分割；

(5)、若有缺陷，在二值化后的圖像中，對取值為1的點以八聯通的方式進行標注聯通，使的分割出來的區域變得相互獨立；

(6)、對步驟(5)所得到的圖像采用形態學的方法對缺陷區域先膨脹再腐蝕，以消除各種干擾，使缺陷區域更加清晰；

(7)、對步驟(6)所得到的圖像進行基于面積特征篩選缺陷區域，求出缺陷區域的最小外接矩形，算出缺陷區域質心；

(8)、用改進的sift算法對步驟(7)所得到的缺陷區域進行特征抽取，抽取的特征作為分類器的輸入，判別缺陷的具體類型。

進一步的，在所述步驟(8)之前，對典型的缺陷圖像進行濾波和形態學處理，建立典型的布匹缺陷類型庫，用改進的sift算法對典型的布匹缺陷類型進行特征抽取，作為分類器的輸入進行訓練。

進一步的，在步驟(4)之后，若無缺陷，則繼續采集下一幀圖像。

進一步的，將判別出的布匹缺陷信息保存到計算機和云端數據庫中，便于分享。

3、有益效果

本發明所涉及的布匹缺陷和分類技術，首先針對研究對象具有一定紋理干擾的特點，用兩個高斯濾波器構造一個帶阻濾波器與待檢測圖像做卷積運算，提取缺陷分量后變換到時域，有效的抑制了背景中的紋理干擾。然后采用otsu算法尋找最優閾值，通過斑點檢測對二值化后的圖像進行分析，判別有無缺陷。如果有缺陷再對缺陷區域進行連通域處理、開閉運算、基于面積特征篩選等處理后對缺陷區域進行定位，輸出缺陷信息。最后，對形態學處理后的缺陷用改進的sift算法進行特征抽取，把抽取的特征作為線性分類器的輸入，判別缺陷的具體類型。本發明提出的布匹缺陷檢測和分類方法，提高了檢測效果、節約了人力成本、提高了檢測效率和產品可信度、并降低了誤檢率。通過特征抽取和分類的方法能判別典型缺陷的類型，根據布匹上出現缺陷的類型可以判斷生產過程中存在的問題,進而對機器的運行作進一步調整。如圖11-13所示的檢測結果表明，該方法能夠檢測出各種類型的缺陷，并且檢測準確率和速度都很高。

附圖說明

圖1是本發明實施中一種素色布匹缺陷檢測和分類方法流程圖；

圖2-7是實施例中采集的典型布匹缺陷以及其對應的形態學分析后的結果；

圖8-9是以圖4為例的缺陷檢測過程圖像；

圖10是缺陷區域特征匹配結果圖；

圖11-13是典型的布匹缺陷圖像檢測結果輸出圖像。

具體實施方式

下面結合流程圖和附圖對本發明作進一步描述，此處說明僅僅用以解釋本發明，并不用于限定本發明。

實施例：參見圖1所示，為一種素色布匹缺陷檢測和分類方法研究的流程圖。首先，對采集布匹的圖像進行預處理；然后構造兩個高斯濾波器，進行相減后構造一個帶阻濾波器來提取缺陷分量。對預處理后的圖像進行快速傅里葉變換，然后與構建好的濾波器進行卷積運算。對頻域濾波后的圖像進行傅里葉反變換后重構出具有顯著缺陷的圖像，對圖像利用otsu(大津算法)算法計算出最佳閾值，并采用所述閾值對圖像進行閾值分割；通過斑點檢測對二值化后的圖像進行分析，判別有無缺陷。對閾值分割的圖像進行形態學處理。對形態學圖像進行特征提取,提取后的特征向量作為神經網絡的輸入。通過已經訓練好的神經網絡分類器進行缺陷分類；最后布匹的缺陷信息被保存在計算機和云端數據庫中。

如圖2、4、6是本發明采集的典型布匹缺陷圖像，以下以圖4為例對檢測算法進行具體闡述。

首先對采集來的布匹圖像進行中值濾波，抑制隨機噪聲的同時能有效保護邊緣少受模糊。把中值濾波后的圖像進行fft變換得到i(x,y)。構造兩個高斯濾波器用兩個高斯濾波器構造一個適用于檢測對象的帶阻濾波器b(x,y,σ)。把待檢測到頻域圖像與構造的濾波器做卷積運算得l(x,y,σ)＝b(x,y,σ)*i(x,y)，其中x,y是空間坐標，σ表示空域中高斯主方向上的標準差。將卷積運算后的圖像進行重構得到背景紋理與缺陷區域區分明顯的灰度圖像。

通過otsu(大津算法)算法計算出最佳閾值，并采用所述閾值對圖像進行閾值分割；采用dog算法判別閾值分割后的圖像有無缺陷。

二維高斯函數的拉普拉斯變換為為避免非規范化的拉普拉斯相應出現衰減現象，對其規范化后然后將規范化后的高斯拉普拉斯進行卷積，在圖像的位置空間和尺度空間進行搜索，當某一像素點的3*3領域內達到極值時，可以判定圖像中存在缺陷，否則采集下一幅圖像檢測。

對含有卻像的二值圖像采用形態學的方法對缺陷區域先膨脹再腐蝕，以消除各種干擾，使缺陷區域更加清晰。

對典型的缺陷圖像進行濾波和形態學處理，建立典型的布匹缺陷類型庫，用改進的sift算法對典型的布匹缺陷類型進行特征抽取，作為分類器的輸入進行訓練。

用改進的sift算法對分割后的缺陷區域進行特征提取，具體方法為構建3*3的小區域，遍歷二值圖像的所有像素。算法公式為：

化簡得其中m為協方差矩陣，表現了像素點所有方向上的灰度強度變化率。

訓練好的分類器對接收到的缺陷特征與所述分類器數據庫中的各樣本進行匹配識別,并將識別結果輸出至決策模塊。

特征點匹配采用特征點的特征向量歐式最近距離來確定，特征向量歐式最近距離與事先設定的閾值進行比較，從而確定是否接受匹配。

歐式距離相似性度量公式：

其中vi是訓練模板中關鍵點的特征向量描述子，ri是缺陷圖像中關鍵點的特征向量描述子。

將布匹的缺陷信息保存到計算機和云端數據庫中，便于分享。