[发明专利]一种基于GMM和图像金字塔的布匹疵点检测方法

说明书

本发明提供一种基于GMM和图像金字塔的布匹疵点检测方法，涉及布匹疵点检测技术领域，利用工业相机对采集图像，并进行图像预处理；利用Laws纹理能量度量方法度量出图像的特征向量；GMM分类器对Laws纹理能量度量出的特征向量进行训练，训练出一个分类模型对图像进行纹理缺陷识别；若有缺陷，则在图像金字塔上进行疵点分割，得出疵点区域的面积特征以及形状特征，最后进行类型判别。本发明可以减少样本数量，把典型的布匹瑕疵类型进行判别，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。

技术领域

本发明涉及布匹疵点检测技术领域，具体涉及一种基于GMM和图像金字塔的布匹疵点检测方法。

背景技术

随着人们消费水平的提高，服装布匹的质量也受到高度重视。传统纺织业对布匹质量的把控，都依赖于人工人眼及其工作经验的识别判断，这种方式下对疵点的识别精度低，工作量大，具有主观性等等问题。目前，服装纺织业也逐渐引入机器视觉，人工智能技术，进入新的发展阶段。但是现在的一些检测设备的算法仅仅是在实验室环境下进行样本检测，效率低下，并不能达到实际生产的作用，而且对训练的样本数量要求较多，局限性大。

专利201710547024.2，公开了一种基于图像处理的布匹疵点检测方法，该方法包括如下步骤：根据现场实际情况采取自适应去噪算法；(2)对去噪后的图像进行锐化增强处理以便增强图像疵点的纹理细节和边缘轮廓，使后续特征值的提取更加可靠；(3)利用形态学运算及流通区域标志法对图像的疵点做分割，滤波与流通性增强处理；(4)织物特征值提取与归一化；(5)织物疵点的识别与分类。该基于图像处理的布匹疵点检测方法，研发一套基于图像处理和信息集成的织物自动化检验系统，完成织物疵点自动检测、成品评级、质量统计分析、信息共享、集中监控管理等功能，以解决纺织染整行业采用传统人工验布和人工统计时，存在劳动强度大、生产效率低等共性技术难题。

专利201710607528.9，公开了一种基于机器视觉的布匹表面疵点检测方法，包括：获取第一训练样本；其中，所述第一训练样本包括布匹表面图像以及相应的表面疵点状态信息；利用所述第一训练样本，对基于深度学习算法构建的第一待训练模型进行训练，得到第一训练后模型；将待检测布匹的表面图像输入至所述第一训练后模型，得到所述第一训练后模型输出的与所述待检测布匹的表面图像对应的表面疵点检测结果。本发明提前设定了客观的检测标准，与可能产生主观误差的人工检测相比，获得的检测结果更准确，稳定性更高；而且由于这些步骤都由机器实现，不需考虑工作人员的身体健康和工作强度，提高了检测效率。

专利201710182718.0，涉及基于神经网络深度学习的布匹缺陷检测方法，方法包括以下步骤：(1)高速线扫描成像；(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行准确检测；(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息，进行非线性系统地处理分类。本发明将图像矫正，拼接，去噪等算法在成像系统中用GPU实现，实现高速高质量的图像采集；通过改进的BP神经网络布匹缺陷检测算法对诸如灰尘，脏污，棉球，褶皱等干扰因素进行检测与排除；通过卷积神经网络的深度学习布匹缺陷分类算法，能够实现对多种缺陷的实时监测，该分类算法能出色地自动选取疵点多样的特征信息，进行非线性系统地处理分类。

专利201210330347.3，公开的一种基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，具体按照以下步骤实施：1)构建基于模式识别和图像处理的设备；2)采集分辨率为2048×2048大小的RGB彩色织物图像；3)对采集的彩色织物图像进行预处理；4)建立方法库；5)对布匹上的瑕疵区进行查找和定位；6)采集布匹上瑕疵区的特征值；7)对采集的特征值进行处理；8)使用“量化共轭BP神经网络算法”对经步骤7降维后的数据进行分类。该方法能够将布匹上的瑕疵进行检测并分类，具有检测速度快、分类明确、人工劳动强度低的优点。

(一)解决的技术问题