[發明專利]基于峰值閾值和混合特征的紡織品瑕疵檢測方法

有效

• 申請號: 201711188223.5
• 申請日: 2017-11-24
• 公開（公告）號: CN107967680B
• 公開（公告）日: 2019-07-09
• 發明（設計）人: 顏榴紅;莊麗華;賈靚
• 申請（專利權）人: 常州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于峰值閾值和混合特征的紡織品瑕疵檢測方法，其特征在于：包括訓練階段和測試階段兩個階段；訓練階段，根據一系列無瑕疵紡織品灰度圖像，以下簡稱無瑕圖像，計算圖格分割所需參數，而后對無瑕圖像進行圖格分割并計算測試階段瑕疵識別所需參數；測試階段，根據訓練階段得到的參數對一副紡織品圖像進行圖格分割并判斷圖格是否包含瑕疵，最后標記含有瑕疵的圖格；

所述訓練階段包括以下步驟：

步驟1：使用形態學成分分析方法計算訓練樣本卡通成分I_c，將I_c按索引所在的行與列進行分割，獲得訓練樣本圖格；

步驟2：根據步驟1中獲得的訓練樣本圖格，計算任意訓練樣本的理想行數和理想列數，以獲得閾值系數，重復上述步驟以計算得到所有訓練樣本的閾值系數；

步驟3：對于訓練樣本集中任一訓練樣本，根據步驟2中所計算的閾值系數，采用HOG特征提取方法計算圖格的特征向量，由特征向量計算距離矩陣，將距離矩陣經過傅里葉變換得到計算圖格周期；根據圖格周期計算圖格各特征的理想統計值；

所述測試階段包括以下步驟：

步驟4：測試樣本圖格分割，對一副給定的測試樣本，根據步驟2得到的閾值系數重復步驟1得到測試樣本圖格；

步驟5：瑕疵識別，按照步驟3的方法計算測試樣本的特征向量、圖格周期、圖格各特征的理想統計值以及理想統計值閾值，并將計算結果與理想統計值閾值進行比較，以識別有瑕疵的圖格；

其中，步驟1訓練樣本圖格分割具體包括以下步驟：

對于一個訓練樣本，使用形態學成分分析方法計算訓練樣本卡通成分I_c，使用閾值f_c·max(I_c)二值化I_c得到二值圖像I_tc，由Moore-Neighbor跟蹤算法獲取I_tc中對象的閉合邊緣，其中，f_c為閾值系數；對于每個具有閉合邊緣的對象，找出該對象行列索引的極值，如果該對象行索引極值之差的絕對值超過0.75·dim_x(I_tc)，或列索引極值之差的絕對值超過0.75·dim_y(I_tc)，則從I_tc中刪除該對象，其中，dim_x(I)表示二維圖像I的總行數，dim_y(I)表示I的總列數；統計I_tc每行和每列的背景像素個數，按行和列的索引分別排列背景像素個數構成背景像素的橫向投影和縱向投影和的峰值分別記為多重集和對和分別應用自適應聚類算法進行聚類，聚類中心分別保存為多重集和和有可能包含多個相近的聚類中心，這些相近聚類中心中的最小值被分別選為閾值和中不小于的峰值按所對應的行索引，記為S′_h；中不小于的峰值按所對應的列索引，記為S′_v；對于S′_h，將S′_h中元素做升序排列，行索引間距的多重集定義為具有行索引連續的穩定行間距的多重集定義如下：

其中x_i∈S′_h，i為數值連續的正整數，作為圖格分界集合S_h的初始值，其定義如下：

類似地，計算和S_v的初始值，定義如下：

根據理想行數和理想列數其中和分別表示具有最多元素的和對S_h和S_v進行擴展，即：從min(S_h)開始，以步長向I_tc行索引最小值1移動，即計算檢查是否存在滿足如果存在x′，則將x′添加進S_h，否則將x添加進S_h并保持S_h中元素升序排列，再次計算并重復上述步驟；類似地，從max(S_h)開始，以步長向I_tc行索引最大值dim_x(I_c)移動，即計算檢查是否存在滿足如果存在x′，則將x′添加進S_h，否則將x添加進S_h，再次計算并重復上述步驟；對S_v以步長做類似擴展；根據S_h與S_v分別包含的行與列索引，將I_c按這些索引所在的行與列進行分割，分割所得的區域定義為圖格，其定義如下：

其中且1≤i_c≤|S_v|-1，因此I_c分割出(|S_h|-1)·(|S_v|-1)個而i_r和i_c分別是以圖格為單位的行與列索引；

其中，步驟2計算閾值系數具體包括以下步驟：

對于訓練樣本集I₁,I₂…I_N和N′個f_c的可選值c₁,c₂…c_N′根據其中任意訓練樣本I_i(i＝1,2…N)，通過步驟1可計算N′個理想行數和N′個理想列數其中l＝1,2…N′；在I_i的多重集和多重集中出現次數最多元素所對應閾值系數f_c的取值分別記為c_h(i,l)和c_v(i,l)，定義如下：

對于I_i，如果c_h(i,l)與c_v(i,l)相同，則相應索引(i,l)保存在集合中，的定義如下：

對于每個即對于I_i，如果至少存在一個l′使得c_h(i,l′)≡c_v(i,l′)成立，則與med({c_l})距離最近的c_h(i,l′)參與f_c的計算，f_c的定義如下：

其中c_h(i,l)的索引表示取符合定義中的i值；

其中，步驟3計算測試階段參數具體包括以下步驟：

步驟3.1計算圖格周期，對于訓練樣本集I₁,I₂…I_N中的第個訓練樣本I_i，根據步驟2所計算的閾值系數對I_i重復步驟1可得S_h和S_v，根據S_h和S_v將I_i分割為m×n個圖格(m＝|S_h|-1，n＝|S_v |-1)；使用HOG特征提取方法計算I_i圖格的特征向量并使特征向量索引與其對應的圖格索引相同；計算與第i_r行中所有圖格的歐氏距離，按計算所涉及圖格的列索引升序排列，則可構成距離向量；對于將對應的距離向量按i_c升序排列得到第i_r行的n×n距離矩陣；對于將第i_r行對應的n×n距離矩陣按i_r升序排列得到I_i的行距離矩陣類似地，計算I_i的列距離矩陣對向量進行傅立葉變換，得到的周期與頻譜；根據的周期與頻譜，計算周期中位值和頻譜中位值，即圖像行周期和圖像行頻譜；類似地，構建I_i的列距離矩陣并計算圖像列周期和圖像列頻譜；根據I₁,I₂…I_N，可計算N個圖像行周期和對應的N個圖像行頻譜，計算圖像行頻譜中位值找出高于的圖像行頻譜所對應的圖像行周期，計算這些圖像行周期的中位值對圖像列周期和圖像列頻譜重復相同步驟得到圖像列頻譜中位值和圖像列周期中位值若或或則t取值為1，否則通過比較與相應的頻譜大小確定t的取值，即：若則t取否則t取其中，表示圖格理想行尺寸行數，表示圖格理想行尺寸列數；

步驟3.2計算圖格各特征的理想統計值，該步驟包括四個子步驟：步驟3.2.1計算特征統計值，步驟3.2.2計算特征統計值排序，步驟3.2.3計算穩定特征元素，步驟3.2.4計算理想統計值；

步驟3.2.1計算特征統計值，根據步驟3.1計算訓練樣本集I₁,I₂…I_N的圖格周期t，對于第i個訓練樣本I_i，根據步驟2分割I_i得到圖格通過|T|個輸入為二維灰度圖像矩陣且輸出為一維實向量的特征提取方法f₁，f₂…f_|T|計算I_i圖格的特征向量其中，T為特征提取方法名稱有序集合；基于f_j的特征向量長度定義為f_j的特征元素數F_j；根據假設條件和圖格周期t，I_i中的圖格與和的紋理相同而I_1,1，L_2,1…L_t,1的紋理均不相同，其中l₁，因此存在t類紋理不同的圖格并且第類圖格在第i_r行和第(i_r+l₁t)行的列索引相同，因此列索引相同的第k類圖格可按行列索引升序組成圖格矩陣；對于第k類圖格，最多存在t個圖格矩陣C₁,C₂…C_t，根據組成圖格矩陣的圖格，由下式計算第k類圖格基于f_j的I_i的特征統計值和

其中表示圖格L是第i_t個圖格矩陣的任意元素，表示基于f_j的圖格矩陣中所有元素的特征向量中第i_F個元素的多重集，其中且1≤i_F≤F_j，將opt替換為mean，std，max或min時，則定義相應的和

步驟3.2.2計算特征統計值排序，計算訓練樣本I₁,I₂…I_N之間基于f_j的的歐式距離平均值d(j)，其定義如下：

對于f₁，f₂…f_|T|，可得對應的d(1)，d(2)…d(|T|)；對于第k類圖格紋理和第j個特征提取方法f_j，根據I₁,I₂…I_N，步驟3.2.1可產生N個應用聚類算法對N個進行聚類，聚類算法類別參數設為t，得到t個類別中心對于根據下式計算離最近的類別中心所對應的類標簽u^*；

若其中表示t個聚類算法產生的類別中具有最多元素個數的類別中心，則交換索引(i,j,k)所確定的特征統計值和索引(i,j,k^*)所確定的特征統計值，其中k^*定義如下：

對于索引k和j的所有固定組合，對于每個重復上述u^*和的計算并判斷是否成立，若成立則重復k^*的計算并交換索引(i,j,k)所確定的特征統計值和索引(i,j,k^*)所確定的特征統計值；根據d(j)的定義，再次計算訓練樣本I₁,I₂…I_N之間基于f_j的的歐式距離平均值，得到對應f₁，f₂…f|_|T|的d′(1)，d′(2)…d′(|T|)；若d(j)≥d′(j)對于都成立，則保留上述特征統計值交換結果，否則將特征統計值排序恢復到步驟3.2.1結束時的狀態；

步驟3.2.3計算穩定特征元素，對于第k類圖格紋理和第j個特征提取方法f_j，根據上述步驟和I₁,I₂…I_N計算的N個的第個元素和的第i_F個元素可計算第k類圖格紋理基于f_j的特征向量第i_F個元素的穩定值s_(j,k)(i_F)，其定義如下：

將s_(j,k)(i_F)按索引i_F升序排列則得到第k類圖格紋理基于f_j的穩定值向量s_(j,k)；若參數n_f表示預定義的最小特征向量長度，那么當n_f<F_j成立時，應用自適應聚類算法對s_(j,k)(1)，s_(j,k)(2)…s_(j,k)(F_j)進行聚類，若將自適應聚類算法產生的類別按從1開始的正整數依次編號，第i_F個穩定值s_(j,k)(i_F)所屬類別編號記為L_s(i_F)，則這些編號定義集合L_s；若定義預設參數最小特征數則第k類圖格紋理基于f_j的特征向量第i_F個元素的穩定性定義如下：

表示將自適應聚類算法產生的類別按其元素數量降序排列得到的前n_f個類別的編號集合；將按索引i_F升序排列則得到第k類圖格紋理基于f_j的穩定性向量對于索引k和j的所有固定組合，重復上述的計算；

步驟3.2.4計算理想統計值，對于第k類圖格紋理和第j個特征提取方法f_j，根據上述步驟和I₁,I₂…I_N可計算和通過自適應聚類算法，可對向量進行聚類，若將自適應聚類算法產生的類別按從1開始的正整數依次編號且第i個向量所屬類別編號記為則這些編號定義集合對于第個類別，第k類圖格紋理基于f_j的理想統計值定義如下：

表示屬于第k類圖格紋理基于f_j的第i_u個子類圖格紋理的特征統計值中均值的平均值；對于索引k和j的所有固定組合，重復上述的計算；

步驟3.3計算各特征的理想統計值閾值，根據訓練樣本集和上述步驟，可計算基于第j個特征提取方法f_j的第k類圖格紋理的第i_u個子類圖格紋理的理想統計值對于任意訓練樣本由步驟2產生的任意圖格L，根據其特征向量f_j(L)按下式計算理想統計值索引k^*和

對于可能存在多個L其理想統計值索引滿足k^*＝k和這些圖格組成集合當成立時，可按下式計算基于第j個特征提取方法的第k類圖格紋理的第i_u個子類圖格紋理的最大距離即理想統計值閾值：

對于索引j，k和i_u的所有固定組合，重復上述的計算。

2.如權利要求1所述的基于峰值閾值和混合特征的紡織品瑕疵檢測方法，其特征在于：步驟5瑕疵識別具體包括：對測試樣本的任意圖格根據特征提取方法f₁，f₂…f_|T|計算特征向量對于f_j計算的特征向量根據步驟3.2和步驟3.3計算理想統計值索引k^*和和若則標記為有瑕疵，否則標記為無瑕疵；當所有圖格基于f_j的標記結束，檢查每個有瑕疵圖格L_l的8臨域內圖格的標記，若存在無瑕圖格則判斷是否成立，若成立則標記為有瑕疵并令且按下式計算2_l+1，繼續檢查內圖格的標記并重復上述步驟直至2_l+1為其中，

其中，閾值系數L₁表示基于f_j的標記結束得到的有瑕圖格；表示特征值距離；當動態閾值為時，全部有瑕圖格所包含像素的行列索引即為檢測結果。