[發明專利]一種基于無抽樣小波與Gumbel分布的織物缺陷檢測方法

有效

• 申請號: 201810043774.0
• 申請日: 2018-01-17
• 公開（公告）號: CN108399614B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 胡廣華;楊烈;黃俊鋒;王清輝;李靜蓉;徐志佳
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/30;G06T5/50;G06T3/40;G06T7/136
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于無抽樣小波與Gumbel分布的織物缺陷檢測方法，包括步驟：對輸入圖像進行多層無抽樣小波分解；根據小波分解所得的近似子圖和細節子圖，生成融合差分特征圖；采用Gumbel模型擬合特征圖中的灰度分布，利用MLE算法估計模型參數；將特征圖劃分成子圖塊，根據估計的模型參數計算每個子圖塊的似然估計值，得到似然值分布圖；閾值化似然值分布圖，得到二值化的檢測結果。本發明沒有直接將各子帶小波系數用作特征，避免了高維特征矢量的計算復雜性；特征融合步驟中考慮了低頻信息的影響，避免灰度變化平緩的缺陷被漏檢；將小波分析與Gumbel模型結合，把缺陷檢測問題轉化成假設檢驗問題，檢測精度高。

技術領域

本發明涉及基于機器視覺的織物表面缺陷檢測技術領域，特別涉及一種基于無抽樣小波分析與Gumbel分布模型的織物表面缺陷在線檢測方法。

背景技術

織物表面缺陷可導致相關產品的市場價值降低45％-65％，是影響紡織類產品質量的關鍵因素之一。長期以來，織物表面缺陷主要通過人工目視方式進行檢測。研究表明，人眼只能檢測出織物表面疵病的50-70％，精度不超過80％。其它缺點還包括效率低、可靠性差，工作勞動強度大等。因此，采用機器視覺技術進行織物表面缺陷的自動化檢測具有重要意義。但和其他檢測對象相比，織物由于具有復雜紋理背景，材料有彈性、易牽拉變形，且在線檢測要求實時性高等問題，成為視覺檢測領域的應用難點及研究熱點。

目前織物表面缺陷視覺檢測方法主要包括基于濾波的方法和基于特征比較的方法。基于濾波的方法旨在通過濾波操作消除織物背景中的紋理信息，將紋理缺陷檢測轉化成均勻背景下的缺陷分割問題。但是，由于織物表面紋理存在隨機性變動，實際應用中很難取得理想的濾波效果。基于特征的方法通過提取局部圖像塊的區域特征并與參考特征比較來確定該圖像塊是否包含缺陷，其中應用最為廣泛的是空間灰度共生矩陣(GLCM)、Gabor小波、離散小波變換(DWT)特征等。但是，GLCM和Gabor特征的計算量都很大；而DWT雖然效率高，但現有基于DWT的方法通常直接以各子帶小波細節系數為特征，沒有考慮近似系數所包含的低頻信息，因此對灰度變化平緩、邊緣特征不明顯的缺陷(如油污)檢測效果不佳。

另一方面，現有方法基本屬于有監督或半-監督檢測方法。其中，前者需要大量的缺陷樣本用于系統參數訓練和學習。但在實際應用中，由于現代生產設備性能的提高以及缺陷出現的不可預期性，要想獲取足夠多的典型缺陷樣本非常困難。其次，基于有監督方法的檢測系統通常泛化能力差，對沒有包含在訓練樣本庫中的“新”缺陷經常無能為力。另一方面，基于半-監督方法的系統雖然不需要事先采集缺陷樣本，但仍需若干無缺陷樣本用作“標準”模板圖像。檢測時，待測圖像的特征與“標準”模板特征進行對比，從而判斷缺陷是否存在并對其定位。然而，實際的生產環境中，光照變化、導輥張緊力的波動、材料固有的彈性形變，以及其他隨機性干擾，容易致使系統狀態出現漂移，造成待測圖像與“標準”模板圖像之間產生較大的配準偏差，如二者的相對偏轉角、位置偏移、伸縮變形量、分辨率、圖像灰度等方面的差異等。這些偏差將造成系統檢測精度嚴重下降甚至檢測失效，需要停機以重新進行參數調整和標定。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種基于無抽樣小波與Gumbel分布的織物缺陷檢測方法，具有檢測速度快、精度高，檢測結果穩定，適應性好的優點。

本發明的目的通過以下的技術方案實現：一種基于無抽樣小波與Gumbel分布的織物缺陷檢測方法，包括：

步驟1、對輸入的待測圖像進行多層無抽樣小波分解，每個分解層生成近似子圖和水平、垂直、對角三個方向的細節子圖各一幅。

步驟2、根據小波分解所得的近似子圖和細節子圖，計算小波子帶的差分特征，以此弱化紋理背景、突出缺陷信號。具體步驟為：