[发明专利]一种布匹折叠误检疵点判别方法

说明书

本发明涉及一种布匹折叠误检疵点判别方法，包括以下步骤：（1）输入一幅布匹图像及其经过预设的神经网络模型检测后得到的疵点信息；（2）基于疵点信息，对疵点进行误检预判断；（3）对布匹图像进行预处理；（4）对布匹图像进行灰度二值化处理；（5）选择二值化处理后的最大阴影区域；（6）以最大阴影区域与阴影面积阈值THsubgt;area/subgt;进行比较，进行疵点有效性判别。本发明使用了尺寸预判别和阴影检测方法，整体计算复杂度低，保证了自动布匹验布系统的实时性和疵点布匹数据集的准确性。

技术领域

本发明涉及机器视觉技术在纺织领域的应用，具体涉及一种布匹折叠误检疵点判别方法。

背景技术

在纺织生产领域，织物疵点的检测是评价织物质量优劣、评定档次等级的主要依据。一般根据缺陷影响程度、缺陷大小以及缺陷对后处理加工的要求进行评分，并对缺陷进行清除、修复或开剪，保证后处理加工产品的正品率，这对纺织生产企业具有重要的经济意义。

传统的人工验布存在速度慢、精度低的问题。人工验布对检验员有一定的技术要求和视力要求，长期视力集中，劳动强度大，容易导致检验员眼睛疲劳、患职业病。一般情况下，检测人员每小时只能检测出200个左右的疵点，并且容易出现漏检和误判，不能跟上织机生产速度的提高和织物宽度的不断增加的发展现状。因此，借助人工智能、计算机视觉等先进技术，对织物疵点进行智能检测无疑具有重要价值。基于机器视觉的自动验布系统的出现是企业需求与人工智能技术发展相结合的产物。它可以对获取的图像，采用神经网络等方法进行识别，实现高效的自动验布系统，打破了人工验布的瓶颈。

目前公开的专利中有不少针对布匹疵点检测的方法。传统的有基于图像处理、小波变换、傅里叶变换、GMM、神经网络等等的检测方法。申请号为CN201810881758.9的专利发明了一种利用分层梯度方向直方图和支持向量机的布匹疵点检测方法。该方法通过图像分块、分层梯度方向直方图特征提取、支持向量机模型训练、检测分类等判定图像疵点，具有较好的分类效果，有一定的鲁棒性，可应用于实际生产中。申请号为CN201811098348.3的专利发明了一种基于GMM和图像金字塔的布匹疵点检测方法，利用Laws纹理能量度量方法度量出图像的特征向量，用GMM分类器对其进行纹理缺陷识别，并进一步地在图像金字塔上进行疵点分割及类型判别。该方法可以减少样本数量，保留分割区域的完整性，能够准确的定位疵点区域，提高分割精度和检测效率。

在实际自动验布系统机器视觉检验布匹的过程中，由于机器设备运作的不稳定性，布匹在横向上难免会存在没有完全展开的现象。拉幅机制使得布匹在运行的过程中可以通过轻微左右移动，减少没有展开或折叠的现象。但是就算存在拉幅机制，也会有部分图像在拉幅过程中出现折叠。对于折叠图像，现有的深度学习神经网络往往难以有好的识别效果，会出现将折叠痕迹误识别成重经、断经、细经、粗经等情况。重经是由于平纹组织穿错而导致的两根经纱重叠在一起，断经是由于经线断裂而导致的织物在部分长度上缺少经纱。与此类似的误检都是由于其疵点形状与折叠形状的相似导致的。这些错误的识别结果不仅仅会造成布匹检验评分偏差甚至评级误判，也会对后续收集的数据集造成一定程度的污染，不利于训练数据的进一步拓展，更不利于系统识别效果的进一步训练优化。另外，由于深度神经网络的层数多、运算复杂，对系统计算资源的占用量极大，使得其后的误检判别算法可用资源较为有限。而验布机运行速度快，每张图像都必须尽快检验完成，否则容易造成图像缓存囤积而导致内存溢出或漏检。因此，设计一种计算速度快、准确度高的折叠图像的误检判别方法，不仅可以实时更正神经网络的检测结果，还可以剔除疵点数据集中的误检图片，具有良好的实际应用价值。

发明内容

为了解决深度神经网络在单色布匹瑕疵检测系统中容易将布匹折叠误检为疵点的问题，本发明提供了一种布匹疵点折叠误检判别方法，所述方法包括以下步骤：

(1) 输入一幅布匹图像及其经过预设的神经网络模型检测后得到的疵点信息；