[发明专利]一种纺织品瑕疵检测方法

说明书

一种纺织品瑕疵检测方法，包括以下步骤：输入待检测的含有周期变化图案的纺织品图像作为待测样本图像；确定基本重复单元的模板大小；根据所确定的模板大小对待测样本图像进行裁剪和分块，建立双层MRF模型中的顶层约束场；对待测样本图像进行双线性插值，扩展后的图像作为双层MRF模型中的底层数据场；计算每一图像块的图像能量；通过EM算法迭代求解双层MRF模型，确定使所有图像能量达到稳定的图像标记；根据最终的图像标记场确定瑕疵位置，输出最终的检测结果。通过求取最小重复单元大小对样本图像进行分块，提高了检测速率，同时改进传统的MRF模型方法，使得本发明具有更好的检测精度。

技术领域

本发明涉及纺织品检测技术领域，具体涉及一种针对周期图案纺织品的纺织品瑕疵检测方法。

背景技术

纺织品瑕疵检测是控制织物质量的重要环节，也是计算机视觉领域的一个重要应用内容。纺织品瑕疵检测主要面临以下问题：检测所消耗的时间、检测的成功率和准确率以及检测的评价标准等。由于工业生产的原因，现今纺织品可以分为两类：第一类是不含周期图案的纺织品；第二类是含有周期图案的纺织品。

第一类纺织品出现较早，通常是纯色的，结构比较简单。针对该类纺织品的瑕疵检测，目前已发展出很多成熟的算法，大致可以分为以下几类：1)统计的方法:自相关函数，数字形态学；2)谱方法：傅里叶变换，Gabor滤波，小波变换；3)训练法：神经网络；4)结构法；5)模型法：自回归模型，Markov随机场(Markov Random Fields)模型等。其中，统计方法和谱方法在检测含有瑕疵面积较大的纺织品图像时效果不佳；训练法需要训练纺织品参数，针对性低并且时间成本较高；结构法对瑕疵类型没有普适性，对样本图像的质量要求较高。

第二类含周期图案的纺织品出现较晚，目前可适用的方法较少，但是近年来也发展出一些比较成熟的算法，例如：WGIS(wavelet preprocessed golden imagesubtraction)算法，ER(Elo rating)算法，BB(Bollinger bands)算法，RB(regular bands)算法，ID(image decomposition)算法，模板法等。由于瑕疵的随机性，WGIS和ER算法的检测结果并不稳定；BB和RB算法能够有效分割瑕疵区域，但是需要人工设置参数，主观性高；ID算法需要最佳的分解参数，对训练样本要求较高；模板法在降低运算复杂度的同时保证了较高的准确率，但是面对复杂纹理的纺织品时效果较差。

综合而言，现有的检测方法检测效果不佳，检测周期较长，成本也较高。

发明内容

鉴于以上情形，为了解决现有技术存在的检测方法周期长、所需成本高且检测效果差的问题，本发明提出一种基于双层MRF模型的纺织品瑕疵检测方法，通过确定基本重复单元的大小对图像进行裁剪和分块，降低了计算复杂度，提升了检测速率，同时本方法对瑕疵类型具有普适性。并通过确定使图像能量最小时的图像标记，确定瑕疵区域，提高检测准确率。

根据本发明的纺织品瑕疵检测方法，包括以下步骤：

1)输入待检测的含有周期变化图案的纺织品图像作为待测样本图像；

2)确定基本重复单元的模板大小；

3)根据所确定的模板大小对待测样本图像进行裁剪和分块，建立双层MRF模型中的顶层约束场；

4)对待测样本图像进行双线性插值，扩展后的图像作为双层MRF模型中的底层数据场；

5)计算每一图像块的图像能量；

6)通过EM算法迭代求解双层MRF模型，确定使所有图像能量达到稳定的图像标记；

7)根据最终的图像标记场确定瑕疵位置，输出最终的检测结果。