[发明专利]基于模板特征的纺织品瑕疵检测方法

说明书

技术领域

本发明涉及纺织品检测技术领域，尤其是基于模板特征的纺织品瑕疵检测检测方法。

背景技术

纺织品的经济效益由其质量所决定，品质优秀的纺织品会带来收益，而含有瑕疵的残次品则会带来经济损失，传统的人工检测方式是根据检测人员的经验、纺织品的评分和评等标准对纺织品的质量进行评定。这种方式检测速度低，并且漏检率较高，因此需要发展快速、准确且无监督的纺织品瑕疵检测方法。

现今纺织品瑕疵检测针对的织物类型，可以分为两类：第一类是结构简单，不含有复杂的图案，多为纯色的纺织品；第二类则是有较为复杂的图案信息，且图案具有周期性。

对于第一类纯色纺织品图像的质量检测已经有了很多成熟的技术和算法，比较有代表性的有统计法、频谱法、训练法、结构法和模型法等。其中，统计法和谱方法无法针对瑕疵面积较大的纺织品图像进行检测；训练法需要大量地训练参数，所消耗的时间和成本都很高；结构法对样本图像纹理要求很高，对瑕疵类型没有普适性。在这些技术中，模型法能够将瑕疵检测问题转化为统计假设检验问题，利用有限的参数描述了图像中的一个像素与其相邻区域内像素的统计相关性，可以有效地描述纹理的结构特性和统计特性。

对于第二类含有周期基元图案的复杂纺织品图像的质量检测，成熟的技术相对较少，且现有的技术均需要训练样本的参数，所需的时间和成本极高，并且检测结果也一般。

发明内容

本发明要解决的技术问题是：为了解决现有的检测方法周期长、成本高且效果差的不足，本发明提供了一种基于局部最优分析的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率，同时本方法对瑕疵类型具有普适性。

本发明解决其技术问题所采用的技术方案是：

一种基于模板特征的纺织品瑕疵检测方法，包括以下步骤：

训练阶段：

1)输入含有周期变化图案的无瑕纺织品图像；

2)使用总变差模型去除图像纹理纹理特征；

3)确定图案的周期大小；

4)根据周期对图像进行分块；

5)确定模板；

6)获取模板特征；

检测阶段：

1)输入待检测纺织品图像；

2)使用总变差模型去除图像纹理纹理特征；

3)根据周期对图像进行分块；

4)引入模板信息；

5)根据模板校正分得的图像块；

6)比较校正后的图像块以及模板特征，得到最后检测结果。

具体地，所述确定图案的周期模板大小的方法是，在利用总变差模型去除图像纹理信息之后，在图像水平与垂直方向上分别求取图像均值，对求得的序列进行快速傅里叶变换。将傅里叶频谱中相应最大的点，作为单个周期大小。

具体地，所述确定模板的方法是，选取无瑕图像中k个(本方法中k设为200)无瑕的图像块，由于纺织品存在畸变拉伸的影响，分块之后图像块之间存在不一致性，选择一个图像块作为标准，其余图像块根据标准图像块进行校正。然后求取平均图像块作为瑕疵检测的模板。

具体地，所述图像校正方法是，两个图像块之间的差异可以通过变换其中一个图像块中部分行列顺序达到最小。对于本方法中涉及到的图像块的校正，考虑到两个图像块之间的差异是来源于纺织品本身的畸变，这种差异是局部性的，但是在均匀分块后会累积。可以通过改变图像块的行列来消除这种差异，于是，本方法使用了一种变换：

其中，B为模板，A为待校正的图像块，t为涉及的变换，p*,q*为移动的行列，p,q为使上式成立时移动的行列。于是，t(A)定义为：

其中，T_v,T_h为两个矩阵，定义为：

根据矩阵间相乘规律，该变换可以看成是一个迭代的过程，p*与q*控制宽度为p*以及q*的部分与剩余的部分做位置上的调换，当结果与目标模板最为接近时，即式(1)达到最小时，完成校正过程。

具体地，所述模板特征提取方法是，对于选择的k个无瑕图像块，首先减少原图像的灰度级，在本方法中，灰度级减少为8个，即对于原图像块任意一点像素值P，变换完成之后，减少灰度级的做法可以达到简化检测过程的目的，而将简化后的图像灰度级定为8是符合人眼对灰度差的感知能力；其次，简化后的图像灰度范围为[0,7]，统计k个经变换后的图像块，每一块中的灰度分布。于是有：