[發(fā)明專利]無(wú)紡布缺陷檢測(cè)與分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810535590.6
• 申請(qǐng)日: 2018-05-30
• 公開(kāi)（公告）號(hào): CN108765402B
• 公開(kāi)（公告）日: 2021-09-14
• 發(fā)明（設(shè)計(jì)）人: 撒繼銘;張佳慧;蔡碩
• 申請(qǐng)（專利權(quán)）人: 武漢理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/136;G06T5/00;G06K9/62
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 鄭勤振

本發(fā)明公開(kāi)了無(wú)紡布缺陷檢測(cè)與分類方法，解決無(wú)紡布破洞、油污、異物以及劃痕四種缺陷的自動(dòng)檢測(cè)與分類問(wèn)題。首先對(duì)無(wú)紡布缺陷圖像進(jìn)行檢測(cè)，利用優(yōu)化Gabor濾波器組對(duì)其進(jìn)行濾波，將濾波結(jié)果進(jìn)行融合，并利用自適應(yīng)閾值分割法對(duì)其進(jìn)行二值化，利用偽缺陷剔除算法排除噪聲干擾，從而準(zhǔn)確定位出缺陷在圖像中的位置；接著根據(jù)缺陷的位置，分割出圖像中的感興趣區(qū)域，基于感興趣區(qū)域提取由形狀特征、一階矩特征以及二階矩特征構(gòu)成的復(fù)合特征向量；再利用復(fù)合特征向量組以及一對(duì)一的設(shè)計(jì)策略訓(xùn)練SVM分類器；最后用訓(xùn)練好的分類器組對(duì)無(wú)紡布缺陷特征實(shí)現(xiàn)準(zhǔn)確分類。本發(fā)明具有對(duì)缺陷定位準(zhǔn)確和分類準(zhǔn)確率高的優(yōu)點(diǎn)，用于無(wú)紡布生產(chǎn)廠家布匹缺陷的檢測(cè)與分類。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識(shí)別領(lǐng)域，具體涉及無(wú)紡布缺陷檢測(cè)與分類方法，可用于對(duì)無(wú)紡布質(zhì)量檢測(cè)環(huán)節(jié)中采集到的缺陷圖像進(jìn)行識(shí)別。

背景技術(shù)

無(wú)紡布缺陷檢測(cè)作為一種有效的質(zhì)量保證手段目前主要通過(guò)人工來(lái)實(shí)現(xiàn)，工作量大且檢測(cè)效率不高。故采用自動(dòng)化的機(jī)器視覺(jué)檢測(cè)是一種合理的選擇，其能夠保證較高的檢測(cè)速度和檢測(cè)率。針對(duì)無(wú)紡布缺陷的檢測(cè)定位問(wèn)題，目前主要有基于Gabor濾波的方法。華中科技大學(xué)劉海平等人采用多方向多尺度的Gabor濾波器實(shí)現(xiàn)無(wú)紡布缺陷的檢測(cè)定位，檢測(cè)的準(zhǔn)確率較高，但是實(shí)時(shí)性較差。華中科技大學(xué)張渤等人采用單方向單尺度的Gabor濾波器實(shí)現(xiàn)無(wú)紡布缺陷的檢測(cè)定位，算法的實(shí)時(shí)性較好，但是缺陷信息損失較大，檢測(cè)的準(zhǔn)確率較差。針對(duì)無(wú)紡布缺陷的分類問(wèn)題，目前主要有基于人工神經(jīng)網(wǎng)絡(luò)的方法。華中科技大學(xué)張渤等人采用三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行無(wú)紡布缺陷的自動(dòng)分類，分類的準(zhǔn)確率可達(dá)到87.05％，但是神經(jīng)網(wǎng)絡(luò)算法對(duì)于訓(xùn)練樣本的數(shù)量要求較多，在實(shí)現(xiàn)時(shí)較困難。

發(fā)明內(nèi)容

本公開(kāi)一方面的目的在于提供一種無(wú)紡布缺陷檢測(cè)與分類方法，以對(duì)無(wú)紡布缺陷圖像中缺陷區(qū)域進(jìn)行快速定位并對(duì)缺陷類型進(jìn)行準(zhǔn)確分類，實(shí)現(xiàn)無(wú)紡布質(zhì)量檢測(cè)的自動(dòng)化。具體包括以下步驟：獲取無(wú)紡布圖像；對(duì)無(wú)紡布圖像進(jìn)行亮度補(bǔ)償和濾波去噪預(yù)處理，以消除光照不均對(duì)圖像造成的影響和濾除圖像采集過(guò)程中出現(xiàn)的噪聲；采用優(yōu)化Gabor濾波器組對(duì)預(yù)處理后的圖像進(jìn)行濾波操作，并將濾波后的圖像進(jìn)行融合，使缺陷信息集中到融合結(jié)果中；采用局部均值自適應(yīng)閾值分割法對(duì)融合結(jié)果圖進(jìn)行二值化，使缺陷區(qū)域與正常區(qū)域分離開(kāi)來(lái)；采用偽缺陷剔除算法對(duì)二值化結(jié)果圖中的孤立亮噪聲點(diǎn)進(jìn)行去除，使二值化圖像中只保留正確的缺陷區(qū)域，準(zhǔn)確實(shí)現(xiàn)缺陷的檢測(cè)定位；根據(jù)缺陷在圖像中的位置分割感興趣區(qū)域，基于感興趣區(qū)域提取缺陷特征；根據(jù)缺陷特征向量組訓(xùn)練SVM分類器并進(jìn)行參數(shù)優(yōu)化；用訓(xùn)練好的分類器對(duì)缺陷進(jìn)行分類識(shí)別。

在上述的無(wú)紡布缺陷檢測(cè)與分類方法，所述Gabor濾波器組優(yōu)化方法包括以下步驟：根據(jù)二維Gabor函數(shù)設(shè)計(jì)總共5尺度8方向上的40個(gè)Gabor濾波器；將8個(gè)方向分為4組正交方向，根據(jù)圖像一維熵的計(jì)算方法，計(jì)算每組正交方向?yàn)V波結(jié)果圖像的一維熵的和，將和最小值所對(duì)應(yīng)的正交方向組作為Gabor濾波器組的最優(yōu)方向選擇；針對(duì)最優(yōu)方向上每個(gè)尺度的濾波結(jié)果圖像計(jì)算其損失評(píng)價(jià)函數(shù)值，計(jì)算每組正交方向上損失評(píng)價(jià)函數(shù)值的和，將和最大值所對(duì)應(yīng)的尺度作為Gabor濾波器組的最優(yōu)尺度選擇；將Gabor濾波器的方向參數(shù)設(shè)置為最優(yōu)方向，尺度參數(shù)設(shè)置為最優(yōu)尺度，并只取其實(shí)部濾波器，完成優(yōu)化Gabor濾波器組的設(shè)計(jì)，并使用優(yōu)化Gabor濾波器組對(duì)無(wú)紡布圖像進(jìn)行濾波。

在上述的無(wú)紡布缺陷檢測(cè)與分類方法，將兩個(gè)正交方向上的濾波結(jié)果圖進(jìn)行加權(quán)融合，使缺陷的信息集中到融合結(jié)果圖中。

在上述的無(wú)紡布缺陷檢測(cè)與分類方法，所述缺陷特征包括形狀特征向量、一階矩特征向量及二階矩特征向量，將形狀特征向量、一階矩特征向量以及二階矩特征向量合并成一個(gè)復(fù)合特征向量，作為代表缺陷類別的特征。

在上述的無(wú)紡布缺陷檢測(cè)與分類方法，所述形狀特征向量包括參數(shù)：面積、周長(zhǎng)、方向角、圓形度、扁平度以及占空比。

在上述的無(wú)紡布缺陷檢測(cè)與分類方法，所述一階矩特征向量包括參數(shù)：灰度平均值、方差、傾斜度、峭度以及一維熵。