[發明專利]一種基于積分圖算法的織物瑕疵檢測方法

有效

• 申請號: 201610180226.3
• 申請日: 2016-03-25
• 公開（公告）號: CN107240086B
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 董蓉;李勃;徐晨;周暉;湯敏;李洪鈞;羅磊
• 申請（專利權）人: 南通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 奚銘

1.一種基于積分圖算法的織物瑕疵檢測方法，其特征是利用積分圖算法將任意大小的圖像塊內的求和運算化簡為三次加法運算，以快速提取梯度能量特征用于瑕疵檢測，具體為：首先通過對無瑕疵模板進行圖像學習，統計其梯度能量特征分布，所得特征分布非對稱，采用核函數擬合特征分布，結合均值漂移法提取分布的峰值，再由峰值自適應求取閾值參數，所述閾值參數用于后續瑕疵的區分；然后，對待檢測圖像，通過積分圖算法求取每個像素點所在檢測窗口的梯度能量，結合所述閾值參數，判定當前像素點是否疵點，通過統計整幅圖像的疵點總數來判定當前圖像是否為瑕疵織物；

其中，梯度能量特征的提取方法為：首先求取原始圖像F(x,y)的梯度圖G(x,y)，再利用積分圖算法求取G(x,y)的梯度能量特征圖E(x,y)，對任意像素點(x,y)，其能量特征是以點(x,y)為中心的大小為dw*dh的窗口區域內的像素積分。

2.根據權利要求1所述的織物瑕疵檢測方法，其特征是利用積分圖算法求取G(x,y)的梯度能量特征圖E(x,y)的具體步驟為：

1)求取G(x,y)的積分圖I(x,y)

I(x,y)＝I(x-1,y)+I(x,y-1)-I(x-1,y-1)+G(x,y) (1)

2)根據積分圖的特性，對任意點(x,y)求取其梯度能量特征圖E(x,y)：

3.根據權利要求1或2所述的織物瑕疵檢測方法，其特征是具體步驟如下：

1)利用無瑕疵模板圖像，訓練學習用于瑕疵檢測的閾值參數

以無瑕疵織物的圖像建立訓練集，對各幅圖像，獲得圖像的梯度能量特征圖E_train(x,y)，采用核函數來擬合E_train(x,y)中的梯度能量分布，獲得核密度概率分布P(e)，利用均值漂移法迭代求取核密度概率分布P(e)的極值，獲得梯度能量分布的峰值所在位置，記為μ，根據峰值將能量分布分為左右兩部，分別計算兩部方差σ₁、σ₂，對訓練集中的同一類織物的每幅無瑕疵圖像均求取參數μ、σ₁、σ₂后，再對應取其平均值作為該類織物的最終瑕疵檢測過程中的閾值參數；

2)對每一張待檢測圖像，獲得其梯度能量特征圖E_test(x,y)，如果E_test(x,y)滿足下式則判定點(x,y)為疵點：

其中，為步驟1)中獲得的閾值參數，α為控制系數；

最后統計總疵點數，若大于設定的閾值T_d則判定該圖有瑕疵。

4.根據權利要求3所述的織物瑕疵檢測方法，其特征是核密度概率分布P(e)為：

其中，N為無瑕疵圖像的像素點總數，{e_n|n＝1、2、3…N}為無瑕疵圖像中每個點的梯度能量數據，b為核函數帶寬，c₀為歸一化系數，k(z)為高斯核輪廓函數，即k(z)＝exp(-z/2)，z≥0。

5.根據權利要求3所述的織物瑕疵檢測方法，其特征是閾值參數μ、σ₁、σ₂的具體計算方法為：

1)設定初始值μ⁰為當前無瑕疵模板圖像的梯度能量均值；

2)令μ¹＝m(μ⁰)+μ⁰，其中m(μ⁰)為μ⁰處的均值漂移量：

上式中，N為無瑕疵圖像的像素點總數，{e_n|n＝1、2、3…N}為無瑕疵圖像中每個點的梯度能量數據，b為核函數帶寬，函數g(z)＝-k’(z)，k(z)為高斯核輪廓函數；

3)若|μ¹-μ⁰|<ε，令參數μ＝μ¹，進行下一步，否則令μ⁰＝μ¹并回到上一步進行迭代，ε表示無窮小量；

4)根據式(6)計算閾值參數σ₁：

e_s∈{e_n|n＝1,2...N}且e_s≥μ (6)

其中，S為梯度能量分布圖峰值右側的像素點總數；

5)根據式(7)計算閾值參數σ₂

e_z∈{e_n|n＝1,2...N}且e_z≤μ(7)

其中，Z為梯度能量分布圖峰值左側的像素點總數。