[发明专利]织物瑕疵检测与分类方法

说明书

技术领域

本发明属于图像识别技术领域，具体地是一种对图像纹理的检测方法，可用于对纺织品检测环节中采集到的织物瑕疵图片识别。

背景技术

织物瑕疵检测作为一种有效的质量保证手段目前主要通过人工来实现，工作量大且检测效率不高。故采用自动化的机器检测是一种合理的选择，其能够保证较高的检测速度和检测率。

织物瑕疵检测与分类的一个难点是瑕疵种类多且形状各异。按照我国纺织工业的标准，已定义的织物瑕疵就有55种。对于各种瑕疵特点的描述大都比较主观，没有定量来说明瑕疵之间的异同，这也给瑕疵检测带来困难。从国际上来看，已有的和正在研究开发中的相似的产品都采用了基于视觉的检测方法。但是这些产品主要针对织物瑕疵检测，对织物瑕疵分类研究很少。

织物瑕疵定位目前主要有三大类方法：基于统计的方法、基于模型的方法和基于谱的方法。东华大学步红刚等人采用分形算法对七种不同纹理背景的瑕疵进行了检测，并将误警率和漏检率控制在10％以内。中科院自动化研究所韩立伟等人使用模板匹配方法检测织物瑕疵，通过获取织物纹理的统计信息，并从中提取出正常纹理的特征。在此基础上提取出更新的匹配模板和自适应变化的瑕疵判决阈值，使模板和判决阈值不需要人为干预，以此提高了算法的自适应性。近些年，基于谱的方法在瑕疵定位中被人们广泛应用。基于多分辨率分析理论，同时从图像空域和频域研究纹理分布，从不同尺度不同方向研究织物瑕疵，最终在一个最佳的尺度上寻求与瑕疵的匹配，实现对瑕疵的准确定位。由于不同种类的织物瑕疵对布匹质量的影响不同，最终的目的是为了鉴别瑕疵的种类进而对布匹质量实现自动评级，故在检测之后需要通过有效的分类技术对瑕疵种类加以区别。而上述这些检测方法仅是对瑕疵的定位，而不能对瑕疵分类。

发明内容

本发明的目的在于克服现有织物瑕疵检测技术的不足，提供一种织物瑕疵检测与分类的方法，以对瑕疵图片中瑕疵同时进行定位和分类，实现对布匹质量的自动评级。

实现本发明的目的的技术方案是：采用Gabor滤波器组对瑕疵图像滤波，从滤波输出中挑选出一个最优滤波结果，对其二值化获得瑕疵在图像中的位置。再对瑕疵进行分类，其本实现步骤包括如下：

(1)获取分辨率为256*256，位深度为8位的织物灰度图像；

(2)对织物灰度图像的像素灰度值归一化，使一幅图像中的所有像素值具有零均值并且标准差为1；

(3)用Gabor滤波器组确定织物灰度图像中的瑕疵位置；

(4)根据瑕疵的位置提取瑕疵的特征，并利用主成分分析算法和广义判别分析算法对瑕疵的特征向量依次进行降维、去相关性和最大化不同类特征间距离的预处理；

(5)采用预处理后的瑕疵特征对神经网络分类器进行训练；

(6)重复步骤2-4确定出所有瑕疵的位置，用训练后的分类器对这些瑕疵进行分类识别，确定瑕疵的类别。

本发明具有如下优点：

1)本发明基于织物瑕疵的纹理分析，由于采用Gabor滤波器组对织物瑕疵图像滤波，并从中挑选出一个最优滤波结果，经过二值化实现对瑕疵的定位，因而不受瑕疵的位置、形状限制，并能适合大多数常见瑕疵的准确定位。

2)本发明采用了Gabor特征与局部二进制模型特征的复合特征分别从全局和局部描述瑕疵纹理，能够充分体现各种织物瑕疵的差异，这两种特征能起到良好的互补。

3)本发明由于采用对瑕疵特征进行维数降低，特征之间的相关性降低的前期处理，更适合分类器的学习。

4)本发明由于采用的人工神经网络分类器，为瑕疵识别提供了一个较好的分类能力，使所有瑕疵分类共用一个神经网络结构，节省了很多计算量。

附图说明

图1为本发明的织物瑕疵检测与分类方法的流程图；

图2为本发明采集的9类常见织物瑕疵样本；

图3为本发明对9类常见织物瑕疵样本测试集的瑕疵定位的仿真结果图；

图4为本发明训练神经网络分类器的仿真结果图。

具体实施方式

参照图1，本发明提出织物瑕疵自动检测与分类方法，其实现步骤包括如下：

步骤1：采用普通工业摄像头，获取分辨率为256*256织物瑕疵灰度图片。

本发明从织物检测生产线上，采用工业摄像头获取得织物图片，对其中的瑕疵图片进行挑选，共搜集常见的9类织物瑕疵，如图2，每一类包括80张图片，所有图片都为8位灰度图，大小为256*256。每一类采用随即选取的75％的图片作为训练样本，所有的图片都作为测试用。