[发明专利]一种大圆机的坏针瑕疵检测方法

说明书

技术领域

本发明涉及一种视觉检测方法，主要适用于纺织设备的布匹实时 检测，特别涉及一种大圆机的坏针瑕疵检测方法。

背景技术

我国对织物瑕疵自动检测的研究目前还没有较成熟的织物自动 检测系统的商业化应用。对于瑕疵识别的研究主要还处于理论阶段。 在这一方面国内的织物自动检测系统需要朝着实用化和商业化方面 发展。织物的瑕疵种类繁多，如坏针、破洞、缩纬等给工厂生产优质 织物造成巨大问题。因此，需要一个可行的织物瑕疵检测方法来提高 织物的生产效率及质量。

发明内容

本发明的目的在于提供一种大圆机的坏针瑕疵检测方法，能实时 检测织物上的坏针瑕疵，利用机器代替人工操作，大大减少生产中的 人力、物力，使得织物生产效率更高，质量更优，并能和现有系统互 连互通。

本发明一种大圆机的坏针瑕疵检测方法，具体包括如下步骤：

步骤1、通过设置于大圆机内的图像采集设备，实时采集织物图 像，并将该织物图像上传至控制终端；

步骤2、对传输到控制终端的织物图像进行数据预处理

步骤21、对织物图像进行自适应增强滤波：

通过方差均衡法对织物图像进行均衡化处理，使得处理后的织 物图像达到要求的平均灰度和方差；

把织物图像分成w×w个重叠的像素块，对织物图像进行方向场 计算机平滑，然后求取每一像素块纹线方向信息的可靠性，计算出每 一像素块的方向场，若以(i,j)为中心的像素块纹线方向信息的可靠性 χ(i,j)小于阈值T时，说明计算出的该像素块的方向场可靠，对于每 个像素块，根据计算出的方向场，计算出该像素块所有像素旋转后的 坐标(x'，y')，通过Gaussian函数和像素块旋转后的像素点的值作 卷积运算，并将卷积后的值局限在[0,255]之间，最后将该值作为子 块中间的像素值，得到增强图像；

步骤22、对增强后的织物图像进行感兴趣区域分割

利用快速均值漂移算法进行预分割，使用G(x)表示梯度估计：

这里，“～”表示正比于，“avg”表示求平均，x_i为实际的特征采 样点，W_h,x表示以x为中心的特征区域；

通过上述融合边缘信息的均值漂移算法将增强后的织物图像有 效地分割为多个具有准确边界的同质区域，并将这些区域描述为超像 素，用于构建精简的加权图，即构建Graph cuts分割模型；

Graph cuts分割模型可表示为：

其中，α表示分割标号值，0代表背景，而1代表前景；I表示 图像中所有的像素点；D_i(α)用于判断当前像素点i相对分割标号α的 特征相似度；S_m,n(α)用于估计邻接像素点m和n分属不同标号集时的 惩罚值；γ是平衡系数；

使用区域的彩色高斯统计对超像素进行特征描述，每个超像素i 都可以表示为G_i＝{μ_i,∑_i}，其中，μ_i和Σ_i分别对应于超像素i中彩色 特征的均值和协方差，并在信息论空间汇总对高斯距离度量进行设 计，高斯距离度量的简单形式为：

其中，d为高斯特征的空间维数，对应于彩色空间的通道数， g_m(x)、g_n(x)分别具有高斯参数集{μ_m,∑_m}和{μ_n,∑_n}；

使用分量形式的期望最大化混合高斯算法来进行先验聚类；

步骤3、建立织物瑕疵特征空间

步骤31、对输入的织物图像进行拉普拉斯金字塔分解得到分 层图像：

假设输入的原图像为L₀,并将其作为高斯金字塔的第零层,对 原图像L₀通过高斯低通滤波器L进行滤波核隔行列下的采样，得到低 通高斯金字塔的第一层图像L₁,将低通高斯金字塔的第一层图像L₁经 过上采样和带通滤波器H进行的插值膨胀滤波得到L₁，得到带通分量 即拉普拉斯金字塔的第零层LP₁,拉普拉斯金字塔的下一级分解是在 得到的低通高斯金字塔图像上进行，迭代完成多尺度分解，迭代过程 可用公式表示：