[发明专利]一种基于机器视觉的大圆机织物疵点检测与分类方法

说明书

本发明提供一种基于机器视觉的大圆机织物疵点检测与分类方法，通过图像采集设备采集织物图像；对织物图像进行直方图均衡化处理，得到增强图像；对增强后的织物图像进行自适应高斯滤波处理；对预处理后的图像灰度级量化；共生矩阵提取与特征值计算；生成特征图像；采用特征值对随机森林分类器进行训练优化；采用优化后的随机森林分类器对织物图片进行分类检测，从而取代人工离线检测，以此来提高了纺织品的疵点检测速度和效率、以及产品的质量。

技术领域

本发明涉及一种机器视觉检测与分类方法，特别涉及一种基于机器视觉的大圆机织物疵点检测与分类方法。

背景技术

织物疵点检测是纺织品生产过程中保证产品质量的关键环节之一。织物的疵点种类繁多，如断经、断纬、破洞、油污等，给工厂生产优质织物造成巨大问题。目前，织物疵点检测大部分仍然是利用人工视觉进行离线检测。但是，人工检测存在诸多缺点，易受人工自身工作和外部环境的影响，导致漏检率和误检率高、检测速度慢等。因此，需要一个可行的织物疵点检测和分类方法来提高织物的生产效率及质量。

发明内容

本发明要解决的技术问题，在于提供一种基于机器视觉的大圆机织物疵点检测与分类方法，从而取代人工离线检测，以此来提高了纺织品的疵点检测速度和效率、以及产品的质量。

本发明是这样实现的：一种基于机器视觉的大圆机织物疵点检测与分类方法，包括：

步骤1、通过图像采集设备采集织物图像；

步骤2、取样本织物图像进行预处理，其包括：

步骤21、对织物图像进行直方图均衡化处理，得到增强图像；

步骤22、对增强后的织物图像进行自适应高斯滤波处理；

步骤3、对预处理后的图像进行灰度共生矩阵算法处理，其包括：

步骤31、对预处理后的图像灰度级量化；

步骤32、灰度共生矩阵提取，并进行特征值计算；

步骤33、生成特征图像；

步骤4、采用特征值对随机森林分类器进行训练优化，之后进行分类检测，其包括：步骤41采用特征值对随机森林分类器进行训练优化；

步骤42、采用优化后的随机森林分类器对织物图片进行分类检测。

进一步地，所述步骤21进一步具体为：对织物图像大小进行尺寸调整和灰度化处理，调整尺寸为256×256；使用直方图均衡化算法对灰度图像进行直方图均衡化处理，得到增强图像。

进一步地，所述步骤22进一步具体为：采用自适应高斯滤波算法对增强后的图像进行滤波处理，逐行扫描织物疵点图像，对每一个像素，以该像素作为中心，计算其周围区域R的统计特征，如果区域R的特征满足选定的噪声判据；根据选定模板计算邻域加权和作为该点响应；如果区域R的特征不满足选定的噪声判据，则不处理该点。

进一步地，所述步骤31进一步具体为：对预处理后的图像灰度级量化到16级，将灰度值除以16后取整，便可将其从0～255转换为0～15。

进一步地，所述步骤32中灰度共生矩阵的提取方法为：

取图像上的任意一点(x，y)，设其灰度值为i，再取偏离它的另一点(x+a，y+b)，其灰度值为j，a和b为固定常数，两个点就组成一个像素对(i，j)，在图像上移动点(x，y)，可以得到不同的(i，j)；如果图像的灰度级数为G，则共有G²种(i，j)；灰度共生矩阵就是每一种(i，j)出现的频率p(x，y，j，θ)构成的k×k方阵；灰度共生矩阵的数学表达式为:

p(i,j,d,θ)＝{[(x,y),(x+a,y+b)|f(x,y)＝i；f(x+a,y+b)＝j]}