专利名称：基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法
技术领域：
本发明属于纺织品检测与分类技术领域，涉及一种纺织纺织品瑕疵检测分类系统，具体涉及一种基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法。
背景技术：
纺织品作为人们日常生活中的不可缺少的物品，其质量好坏直接影响到人们的生活质量。而人们对于高生活质量的追求使得传统意义上纺织品的实用性、耐用性已经无法满足人们的要求，而时尚性、美观性更加受到人们的关注和追捧。为满足人们对于纺织品外观美观性的要求，防止纺织品中的瑕疵是关键，特别是对于有图案的纺织品，其瑕疵的存在会严重影响纺织品的美观性。通过对纺织品瑕疵的检测，能及时发现纺织品中存在的瑕疵并采取相应措施，从而有效减少纺织品的瑕疵数量，提高纺织的品质。为了提高纺织品瑕疵 检测的效率，纺织品瑕疵检测的方法受到越来越多的关注和研究，由此自动化检验系统应运而生。传统的纺织品瑕疵检测方法存在检测速度低、准确性差、人工检测劳动强度大的缺点。
发明内容
本发明的目的在于提供一种基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，该方法能够将布匹上的瑕疵进行检测并分类，具有检测速度快、分类明确、人工劳动强度低的优点。本发明所采用的技术方案是，基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，具体按照以下步骤实施步骤I、构建基于计算机视觉的纺织品在线检测系统的硬件平台基于计算机视觉的纺织品在线检测系统的硬件平台，包括有通过导线依次连接的计算机，双路线阵CCD摄像头以及相配套的图像采集卡；双路线阵CXD摄像头与图像采集卡之间采用Base模式下的Camera Link串行通信方式进行数据的高速传输，CCD摄像头采集的模拟信号经过图像采集卡转换成数字信号后传送给计算机进行处理；步骤2、利用图像采集卡采集数据用步骤I中构建的硬件平台中内的图像采集卡采集分辨率为2048X2048大小的RGB彩色织物图像；步骤3、对采集到的彩色织物图像进行预处理将步骤2中图像采集卡所采集到的彩色织物图像进行灰度转化和直方图均衡的预处理；步骤4、建立方法库，利用方法库检测布匹图像存在瑕疵并对图像瑕疵进行分割将Gabor滤波器组，Gauss平滑背景分析法和多尺度小波分析三种检测方法级联形成一个检测系统，即方法库；将步骤3预处理的彩色织物图像送入方法库，方法库中任何一种方法能够检测出来疵点，都认为被检测的布匹图像存在瑕疵；再利用模型阈值选取和自动最优阈值分割的方法对布匹图像疵点进行分割；步骤5、对布匹上的瑕疵区进行查找和定位用数学上的“四叉树”逻辑对经步骤4检测出的布匹图像上的瑕疵区域进行边缘查找和定位分析；步骤6、采集布匹瑕疵图像上的特征值；I)采用“共生灰度矩”从步骤5查找和定位的瑕疵图像中提取特征值，在每个含有瑕疵的子区域分四个方向提取特征值，这四个方向分别为0度、45度、90度、135度，每个方 向取四个特征值，一共采集十六个特征值；2)利用基于人类视觉感知特征的“Tamura纹理的特征”提取方法对瑕疵图像进行特征值的采集，采集六个特征值这六个特征值即为粗糙度、对比度、线性度、规整度、粗略度和方向度；连同I)中的16个特征值共22个特征值；步骤7、对采集到的所有特征值进行处理利用主成分分析即PCA分析，对步骤6中所采集到的22个特征值进行降维处理；步骤8，对布匹进上的瑕疵进行分类；使用“量化共轭BP神经网络算法”对经步骤7降维处理后的数据进行分类，即对瑕疵进行分类。本发明的特点还在于，步骤4具体按照以下步骤实施Gabor滤波器组滤波根据Gabor滤波的原理，如公式(I)所示，对经步骤3预处理的图像进行滤波处理
「, I
I γ J .(2πΧ ^
--， · ι| —~+Ψ
G(x，γ，ξ，η，σ，θ，λ，φ) 二 exp e 2σ_人 J
-J ， (I)X(x, y, ξ , η , θ ) = (X-ξ ) cos ( θ )-(y-η) sin( θ )，Y(χ, y, ξ , η , θ ) = (χ-ξ ) sin( θ )-(y-η) C0s ( θ )，其中，σ是函数的包络值，σ和中心频率f之间具有如下的线性关系σ = I/(a f), α是中心频率与带宽之间的比例；ξ，η是在χ轴，y轴上的空间平移量；λ是正弦波的波长；Y高斯函数的纵横比命是偏移度；Θ是复数调制部分函数的辐角；I)对Gabor滤波器进行四个尺度和六个方向的旋转，得到Gabor滤波器组；把步骤3中预处理后分辨率为512X512大小的图像16等分，经过16等分的图像经Gabor滤波器组处理,滤波输出均值；从图像滤波输出均值中找出最大均值和最小均值，主要是根据疵点区域幅度值与邻域幅度值不同的特性，确定出最大均值最小均值 MU1;
2)如公式(2)所示，用损失函数来衡量第i个通道的输出损失函数值
权利要求
1.基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，其特征在于，具体按照以下步骤实施 步骤I、构建基于计算机视觉的纺织品在线检测系统的硬件平台 基于计算机视觉的纺织品在线检测系统的硬件平台，包括有通过导线依次连接的计算机，双路线阵CCD摄像头以及相配套的图像采集卡； 双路线阵C⑶摄像头与图像采集卡之间采用Base模式下的Camera Link串行通信方式进行数据的高速传输，CCD摄像头采集的模拟信号经过图像采集卡转换成数字信号后传送给计算机进行处理； 步骤2、利用图像采集卡采集数据 用步骤I中构建的硬件平台中内的图像采集卡采集分辨率为2048X2048大小的RGB彩色织物图像； 步骤3、对采集到的彩色织物图像进行预处理 将步骤2中图像采集卡所采集到的彩色织物图像进行灰度转化和直方图均衡的预处理； 步骤4、建立方法库，利用方法库检测布匹图像存在瑕疵并对图像瑕疵进行分割 将Gabor滤波器组，Gauss平滑背景分析法和多尺度小波分析三种检测方法级联形成一个检测系统，即方法库； 将步骤3预处理的彩色织物图像送入方法库，方法库中任何一种方法能够检测出来疵点，都认为被检测的布匹图像存在瑕疵； 再利用模型阈值选取和自动最优阈值分割的方法对布匹图像疵点进行分割； 步骤5、对布匹上的瑕疵区进行查找和定位 用数学上的“四叉树”逻辑对经步骤4检测出的布匹图像上的瑕疵区域进行边缘查找和定位分析； 步骤6、采集布匹瑕疵图像上的特征值； 1)采用“共生灰度矩”从步骤5查找和定位的瑕疵图像中提取特征值，在每个含有瑕疵的子区域分四个方向提取特征值，这四个方向分别为0度、45度、90度、135度，每个方向取四个特征值，一共采集十六个特征值； 2)利用基于人类视觉感知特征的“Tamura纹理的特征”提取方法对瑕疵图像进行特征值的采集，采集六个特征值这六个特征值即为粗糙度、对比度、线性度、规整度、粗略度和方向度；连同I)中的16个特征值共22个特征值； 步骤7、对采集到的所有特征值进行处理 利用主成分分析即PCA分析，对步骤6中所采集到的22个特征值进行降维处理； 步骤8，对布匹进上的瑕疵进行分类； 使用“量化共轭BP神经网络算法”对经步骤7降维处理后的数据进行分类，即对瑕疵进行分类。
2.根据权利要求I所述的基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，其特征在于，所述的步骤4具体按照以下步骤实施 Gabor滤波器组滤波 根据Gabor滤波的原理，如公式(I)所示，对经步骤3预处理的图像进行滤波处理
3.根据权利要求I所述的基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，其特征在于，所述的步骤5具体按照以下步骤实施 1)将经步骤4处理的每个图像依据数学上的“四叉树”逻辑，把图像分为大小相等的四个子区域，每个子区域被冠以(00)，(01)，(10)，(11)的编码； 2)对于任何一个子区域，如(01)单元含有疵点信息，那么四叉树分解逻辑就继续在该区域即(01)单元进行细分，(01)单元所分的新的四个子区域分别被标记为(01，00)、(01，01)、(01，10)、(01，11);依此类推，在所有疵点的区域继续进行四等分细分; 3)根据具体的定位精度要求，设定具体的N组二进制码，N=l，2，3，4，…，；具有七组二进制码就能很好的定位相关的疵点信息。
全文摘要
本发明公开的一种基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，具体按照以下步骤实施1)构建基于模式识别和图像处理的设备；2)采集分辨率为2048×2048大小的RGB彩色织物图像；3)对采集的彩色织物图像进行预处理；4)建立方法库；5)对布匹上的瑕疵区进行查找和定位；6)采集布匹上瑕疵区的特征值；7)对采集的特征值进行处理；8)使用“量化共轭BP神经网络算法”对经步骤7降维后的数据进行分类。该方法能够将布匹上的瑕疵进行进行检测并分类，具有检测速度快、分类明确、人工劳动强度低的优点。
文档编号G06K9/54GK102879401SQ20121033034
公开日2013年1月16日 申请日期2012年9月7日 优先权日2012年9月7日
发明者景军锋, 李鹏飞, 李航, 张缓缓, 焦阳, 李江南 申请人:西安工程大学