本发明属于纺织生产技术领域，涉及一种基于机器视觉的口罩带缺失检测方法。
背景技术：
口罩是生活中常见的空气过滤用品，其市场空间巨大。目前广泛应用的自动口罩生产设备可以完成口罩的自动化生产，但生产过程中难免会出现各种质量问题，如口罩表面存在毛发、污渍、异物，以及鼻梁条、口罩带的缺失等问题。这些存在质量问题的口罩，一旦流入市场，将会对企业的声誉产生较大的影响。
目前在口罩带缺失检测方面，主要是采用人工检测的方法对口罩进行离线检测。这种方法费时、费力并且效率极低，检测的结果易受检查人员技术素质、经验及疲劳程度等主观因素影响，缺乏准确性和规范化，难以保证产品质量。目前市场上还没有对口罩带缺失进行自动检测的方法，本发明基于机器视觉技术提出一种自动检测方法，可以代替人工检测，解决了人工检测劳动强度大、主观性强、检测效率低下等问题。
技术实现要素：
本发明的目的是提供一种基于机器视觉的口罩带缺失检测方法，解决了现有人工检测中存在的劳动强度大、主观性强、检测效率低下的问题。
本发明所采用的技术方案是，一种基于机器视觉的口罩带缺失检测方法，具体按以下步骤实施：
步骤1，采用面阵相机，采集传送带上的口罩图像；
步骤2，对步骤1中采集到的口罩图像进行姿态校正，使其成水平状态；
步骤3，提取步骤2调整后口罩图像的特征；
步骤4，采集无口罩带缺失和有口罩带缺失的口罩图像集作为训练集，建立基于支持向量SVM的口罩带缺失检测分类模型，并利用步骤3提取的口罩图像的特征，训练SVM模型；
步骤5，对于待检测的口罩图像依次按照步骤1-3进行处理，然后利用步骤4训练得到的SVM模型检测左、右口罩带是否缺失。
本发明的特点还在于，
步骤2中姿态校正，依次包括基于OSTU方法的口罩图像二值化、形态学处理、基于Canny的边缘检测、最小外接矩形的确定、口罩图像的旋转、口罩图像的裁切。
步骤2中姿态校正，具体为：
步骤2.1，采用OTSU二值化方法对步骤1采集的口罩图像进行二值化处理，形成二值化口罩图像；
步骤2.2，对步骤2.1得到的二值化口罩图像采用5×5大小的形态学元素，进行形态学闭运算；
步骤2.3，对步骤2.2形态学闭运算后的口罩图像，采用Canny边缘检测方法进行边缘检测，获得口罩图像的边缘轮廓；
步骤2.4，采用Graham's Scan凸包算法，对步骤2.3得到的口罩图像的边缘轮廓，求其最小外接矩形；
步骤2.5，根据步骤2.4的最小外接矩形，可以求得口罩图像相对于水平方向的倾斜角度，对步骤2.1采集的口罩图像按照该倾斜角度进行反向的旋转校正，使口罩图像成水平状态；
步骤2.6，对步骤2.5校正后的口罩图像，利用其对称性，在垂直方向的中间将其裁切为左、右两幅子图像，并将右边的子图像进行水平方向的翻转。
步骤3包括对口罩图像依次进行二值化增强处理、检测窗口大小的划分和基于局部二值模式LBP的口罩图像特征提取。
步骤3具体为：
骤3.1，对裁切得到的口罩子图像，进行Gamma校正，其中取Gamma值为2.2；
步骤3.2，对经过步骤3.1增强后的口罩子图像，划分为4×4个子区域，求取每个子区域的旋转不变的等价LBP模式下的特征，并将这16个子区域的特征串联起来作为提取的口罩图像特征。
步骤4中SVM模型的训练采用线性核函数。
本发明的有益效果是，本发明一种基于机器视觉的口罩带缺失检测方法，通过对待检测的口罩图像的采集与预处理，提取其多种图像特征，并通过分类器对口罩带的缺失进行自动判断，从而实现口罩基于图像识别的方法自动检测，解决了人工检测速度慢、劳动强度大、可靠性较低的问题，具有快速、自动化的特点，提高了检测的效率。
附图说明
图1是本发明一种基于机器视觉的口罩带缺失检测方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于机器视觉的口罩带缺失检测方法，其流程如图1所示，具体按照以下步骤实施：
步骤1，采用面阵相机，采集传送带上的口罩图像，设采集的口罩图像为I(x,y)，其中x、y为图像中像素的坐标。
步骤2，对步骤1中采集到的口罩图像进行姿态校正，包括基于OSTU方法的口罩图像二值化、形态学处理、基于Canny的边缘检测、最小外接矩形的确定、口罩图像的旋转、口罩图像的裁切。具体为：
步骤2.1，采用OTSU二值化方法对步骤1采集的口罩图像I(x,y)进行二值化处理，形成二值化口罩图像；
步骤2.2，对步骤2.1的二值化口罩图像采用5×5大小的形态学元素，进行形态学闭运算；
步骤2.3，对步骤2.2形态学闭运算后的口罩图像，采用Canny边缘检测方法进行边缘检测，获得口罩图像的边缘轮廓；
步骤2.4，采用Graham's Scan凸包算法，对步骤2.3得到的口罩图像的边缘轮廓，求其最小外接矩形；
步骤2.5，根据步骤2.4的最小外接矩形，可以求得口罩图像相对于水平方向的倾斜角度，对步骤2.1采集的口罩图像按照该倾斜角度进行反向的旋转校正，使口罩图像成水平状态；
步骤2.6，对步骤2.5校正后的口罩图像，利用其对称性，在垂直方向的中间将其裁切为左、右两幅子图像，并将右边的子图像进行水平方向的翻转，其目的是利用口罩图像的对称性将右边子图像中右口罩带的缺失判断，归为和左边子图像中左口罩带缺失判断一样的方法。
步骤3，口罩图像的特征提取，包括二值化增强处理、检测窗口大小的划分和基于局部二值模式LBP的口罩图像特征提取，具体为：
骤3.1，对裁切得到的口罩子图像，进行Gamma校正，其中取Gamma值为2.2；
步骤3.2，对经过步骤3.1增强后的口罩子图像，划分为4×4个子区域，求取每个子区域的旋转不变的等价LBP模式下的特征，并将这16个子区域的特征串联起来作为提取的口罩图像特征；
步骤4，采集无口罩带缺失和有口罩带缺失的口罩图像集作为训练集，建立基于支持向量SVM的口罩带缺失检测分类模型。
在训练集中，有口罩带缺失的图像标记为+1，无口罩带缺失时的标记为-1。在SVM模型的训练过程中，将步骤3提取的LBP特征作为SVM的输入，采用线性核函数，训练SVM。
步骤5，对于待检测的口罩图像，首先利用步骤2可以获得待检测口罩图像的左、右子图像；然后，利用步骤3获取每个子图像的LBP特征；最后，利用步骤4训练得到的SVM模型检测左、右口罩带是否缺失。
本发明的一种基于机器视觉的口罩带缺失检测方法，通过对待检测的口罩图像的采集与预处理，提取其多种图像特征，并通过分类器对口罩带的缺失进行自动判断。该方法具有计算简单、判断准确的特点，可以替代人工进行自动检测，能够提高检测效率和自动化程度。