[發(fā)明專利]基于目標(biāo)檢測(cè)的紡織品質(zhì)量檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210433723.5
• 申請(qǐng)日: 2022-04-24
• 公開(kāi)（公告）號(hào): CN114549522B
• 公開(kāi)（公告）日: 2022-06-24
• 發(fā)明（設(shè)計(jì)）人: 楊美琴
• 申請(qǐng)（專利權(quán)）人: 啟東新朋萊紡織科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/187;G06T7/90;G06Q10/06;G06N3/04;G06K9/62;G06V10/764;G06V10/74;G06V10/82
• 代理公司: 杭州聚邦知識(shí)產(chǎn)權(quán)代理有限公司 33269
• 代理人: 周美鋒

本發(fā)明涉及紡織品異常檢測(cè)技術(shù)領(lǐng)域，具體涉及基于目標(biāo)檢測(cè)的紡織品質(zhì)量檢測(cè)方法，該方法首先利用相空間重構(gòu)濾波圖像對(duì)應(yīng)的灰度值序列，得到重構(gòu)矩陣和關(guān)聯(lián)維數(shù)，根據(jù)關(guān)聯(lián)維數(shù)對(duì)濾波圖像進(jìn)行評(píng)價(jià)得到質(zhì)量異常指標(biāo)。基于質(zhì)量異常指標(biāo)，篩選濾波圖像得到多張異常圖像。根據(jù)各像素點(diǎn)的顏色表征向量的差異得到異常類別和對(duì)應(yīng)的異常區(qū)域；將含有異常區(qū)域信息的紡織品圖像輸入神經(jīng)網(wǎng)絡(luò)模型中輸出各異常區(qū)域?qū)?yīng)的異常等級(jí)；根據(jù)各異常區(qū)域?qū)?yīng)的異常等級(jí)和面積對(duì)紡織品圖像進(jìn)行質(zhì)量評(píng)級(jí)，得到質(zhì)量評(píng)價(jià)指標(biāo)。本發(fā)明對(duì)紡織品圖像的質(zhì)量檢測(cè)，并對(duì)異常區(qū)域進(jìn)行異常等級(jí)劃分，達(dá)到了提高對(duì)紡織品質(zhì)量檢測(cè)的準(zhǔn)確性和效率的目的。

技術(shù)領(lǐng)域

本發(fā)明涉及紡織品異常檢測(cè)技術(shù)領(lǐng)域，具體涉及基于目標(biāo)檢測(cè)的紡織品質(zhì)量檢測(cè)方法。

背景技術(shù)

對(duì)紡織品質(zhì)量的把控是織造行業(yè)中至關(guān)重要的步驟。紡織品表面的瑕疵和缺陷等異常狀況會(huì)明顯影響織物的質(zhì)量及美觀，同時(shí)，也會(huì)影響紡織品的出售。盡管當(dāng)代紡織品機(jī)器設(shè)備生產(chǎn)的紡織品缺陷概率已經(jīng)降到最低，但是，生產(chǎn)過(guò)程中仍然不可能做到百分百的無(wú)缺陷，因此，對(duì)于紡織品的異常檢測(cè)是紡織品工業(yè)生產(chǎn)中極其重要的環(huán)節(jié)。

目前，多采用人工進(jìn)行紡織品表面異常缺陷的檢測(cè)，傳統(tǒng)人工對(duì)紡織品表面進(jìn)行異常檢測(cè)的方法具有檢測(cè)結(jié)果不準(zhǔn)確、工作量大且效率低等問(wèn)題。

發(fā)明內(nèi)容

為了解決上述技術(shù)問(wèn)題，本發(fā)明的目的在于提供基于目標(biāo)檢測(cè)的紡織品質(zhì)量檢測(cè)方法，所采用的技術(shù)方案具體如下：

采集紡織品圖像，濾波所述紡織品圖像得到濾波圖像；

獲取所述濾波圖像對(duì)應(yīng)的灰度值序列；利用相空間重構(gòu)所述灰度值序列，得到重構(gòu)矩陣；獲取所述重構(gòu)矩陣對(duì)應(yīng)的關(guān)聯(lián)維數(shù)，根據(jù)所述關(guān)聯(lián)維數(shù)對(duì)所述濾波圖像中各像素點(diǎn)之間的關(guān)聯(lián)性進(jìn)行評(píng)價(jià)得到濾波圖像的質(zhì)量異常指標(biāo)；基于所述質(zhì)量異常指標(biāo)，篩選所述濾波圖像得到多張異常圖像；

提取所述異常圖像中各像素點(diǎn)的RGB通道的差值作為像素點(diǎn)對(duì)應(yīng)的顏色表征向量；根據(jù)各像素點(diǎn)的顏色表征向量的差異將像素點(diǎn)分為兩個(gè)類別，兩個(gè)類別包括異常類別和正常類別；對(duì)所述異常類別進(jìn)行連通域分析得到多個(gè)異常區(qū)域；

將含有異常區(qū)域信息的所述紡織品圖像輸入神經(jīng)網(wǎng)絡(luò)模型中輸出各異常區(qū)域?qū)?yīng)的異常等級(jí)；獲取各所述異常區(qū)域的面積，根據(jù)各異常區(qū)域?qū)?yīng)的所述異常等級(jí)和所述面積對(duì)所述紡織品圖像進(jìn)行質(zhì)量評(píng)級(jí)，得到質(zhì)量評(píng)價(jià)指標(biāo)。

優(yōu)選的，所述根據(jù)所述關(guān)聯(lián)維數(shù)對(duì)所述濾波圖像中各像素點(diǎn)之間的關(guān)聯(lián)性進(jìn)行評(píng)價(jià)得到濾波圖像的質(zhì)量異常指標(biāo)，包括：

所述質(zhì)量異常指標(biāo)的計(jì)算公式為：

其中，為所述質(zhì)量異常指標(biāo)；為所述關(guān)聯(lián)維數(shù)；為模型參數(shù)；為可調(diào)參數(shù)。

優(yōu)選的，所述根據(jù)各像素點(diǎn)的顏色表征向量的差異將像素點(diǎn)分為兩個(gè)類別，包括：

任意選取兩個(gè)像素點(diǎn)作為初始的質(zhì)心點(diǎn)；根據(jù)各像素點(diǎn)與兩個(gè)所述初始的質(zhì)心點(diǎn)對(duì)應(yīng)的所述顏色表征向量的差值將所有所述像素點(diǎn)分為兩個(gè)初始類別；

計(jì)算各所述初始類別內(nèi)各像素點(diǎn)的所述顏色表征向量的第一均值，選取與所述第一均值距離最小的顏色表征向量對(duì)應(yīng)的像素點(diǎn)作為二次更新的質(zhì)心點(diǎn)；根據(jù)各像素點(diǎn)與兩個(gè)所述二次更新的質(zhì)心點(diǎn)對(duì)應(yīng)的所述顏色表征向量的差值將所有所述像素點(diǎn)分為兩個(gè)第二類別；

計(jì)算各所述第二類別內(nèi)各像素點(diǎn)的所述顏色表征向量的第二均值，選取與所述第二均值距離最小的顏色表征向量對(duì)應(yīng)的像素點(diǎn)作為三次更新的質(zhì)心點(diǎn)；根據(jù)各像素點(diǎn)與兩個(gè)所述三次更新的質(zhì)心點(diǎn)對(duì)應(yīng)的所述顏色表征向量的差值將所有所述像素點(diǎn)分為兩個(gè)第三類別；

直至再次更新質(zhì)心點(diǎn)時(shí)，質(zhì)心點(diǎn)不再發(fā)生變化，完成對(duì)像素點(diǎn)的分類。