[发明专利]一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法

说明书

本发明涉及纺织品检测技术领域，尤其是基于图元分解和各向异性矫正的纺织品瑕疵检测方法。首先，根据变化规律将织物分成Lattice。提出一种有效的各向异性校正方法，减小Lattice间的拉伸和畸变。提出一种图元分解方法，将矫正后的Lattice划分为粒度更小的图形元素。提出一种自监督阈值选择策略，利用无瑕区域获得阈值，使每个图元都有相应的瑕疵判断标准。本发明提供了一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，确定图案的大小对纺织品分块，减少计算复杂度，提高检测速率。通过各向异性矫正，减少拉伸畸变对纺织品的影响。利用图元分解，将图案分解为粒度更小的图元，有利于增加本发明的准确率。同时本方法对瑕疵类型具有普适性。

技术领域

本发明涉及纺织品检测技术领域，尤其是基于图元分解和各向异性矫正的纺织品瑕疵检测方法。

背景技术

纺织品构成了许多日常消费品的基础，例如衣物、背包、时装、墙布以及纳米医用织物等等。纺织品瑕疵检测是控制其质量的重要环节，也是计算机视觉领域的一个重要应用内容。瑕疵检测问题主要通过获取纺织品的图像，利用图像处理技术评价图像质量，从而判断纺织品中是否含有瑕疵。传统的人工检测方式检测速度低，并且漏检率较高，因此需要发展快速、准确且无监督的纺织品瑕疵检测方法。

由于工业生产的原因，现今的纺织品可以分为两类：第一类是结构简单，没有复杂的图案，一般为纯色的纺织品；第二类是含有比较复杂的图案，且图案具有周期性。

第一类纺织品出现时间较早，一般为纯色的，结构简单。针对这一类纺织品的瑕疵检测，目前已有很多成熟的算法，大致可以分为以下几类：1)统计法:自相关函数，共生矩阵，数字形态学，分形；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随机场模型等。其中，统计法和谱方法在检测面积较大的瑕疵时适应性不佳；训练法需要大量地训练参数，针对性低并且时间成本高；结构法无法适应复杂的瑕疵类型，对样本质量要求高。

第二类纺织品出现时间较晚，可适用的算法较少，例如：WGIS算法，ER算法，BB算法，RB算法，ID算法，模板法等。瑕疵的随机性使得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，但是需要人工设置参数，主观性较高；ID算法对训练样本要求较高；模板法在面对复杂纹理的纺织品时效果不佳。

发明内容

本发明要解决的技术问题是：为了解决现有的检测方法效果差、周期长和成本高的不足，本发明提供了一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，通过确定周期图案的大小对图像进行裁剪和分块，减少了计算复杂度，提高了检测速率。通过各向异性矫正，减少拉伸畸变对纺织品所造成的影响。利用图元分解，将周期图案分解为粒度更小的图像元素，有利于增加本发明的检测准确率。同时本方法对瑕疵类型具有普适性。

本发明解决其技术问题所采用的技术方案是：

一种基于图元分解和各向异性矫正的纺织品瑕疵检测方法，包括以下步骤：

1)输入待检测含有周期变化图案的纺织品图像；

2)确定图案的周期模板大小；

3)根据模板大小对图像进行分块；

4)利用TC算法进行初始检测，对原图和初始检测结果进行异或操作得到无瑕区域；

5)对异或得到的无瑕区域进行各向异性矫正；

6)将初始检测结果和矫正后的无瑕区域进行图元分解，得到粒度更小的图像块；

7)训练无瑕区域得到阈值，检测初始结果中所包含的无瑕部分并过滤；

8)将检测完毕后的图元进行合并，得到最终的检测结果。