[发明专利]一种针织面料轧染工艺异常检测方法

说明书

本发明涉及识别图形技术领域，具体涉及一种针织面料轧染工艺异常检测方法，该方法为人工智能系统、人工智能优化操作系统或人工智能中间件可实现的方法，包括：获取轧染后的针织面料图像的灰度图像中各个像素点的梯度幅值，确定各个像素点的梯度幅值级别，进而确定梯度异常值；根据各个像素点的梯度幅值级别和位置，确定全局异常系数和局部异常系数；根据梯度异常值、全局异常系数和局部异常系数，实现针织面料轧染工艺异常检测。本发明利用图形识别技术，通过数据处理和计算，对针织面料的轧染异常情况进行准确检测，进而实现了轧染工艺异常原因的可靠检测，可以用于计算机视听觉软件等应用软件开发。

技术领域

本发明涉及识别图形技术领域，具体涉及一种针织面料轧染工艺异常检测方法。

背景技术

在纺织行业中，针织面料由于其孔眼大，纤维较粗的特点，其染色工序一般采用轧染工艺，而连续轧染因其生产效率较高、适应品种较广、工艺控制相对简单而被众多染厂采用。连续轧染时的色差问题一直是印染企业稳定提高产品质量的难题，而色差的类型由于其产生的原因的不同又多种多样，因此需要一种可以根据染色成品的表面特征来判定轧染工艺是否出现异常的方法，且此种方法可准确归因，提高生产缺陷的排除效率。

针织面料成品的特征是纱线稀疏，面料表面孔洞相较其他面料较大，其表面的面料像素值特征较少但像素位置特征较为明显，这就导致现有的利用灰度直方图、阈值分割、灰度共生矩阵等识别图形技术来检测针织面料染色色差的方法均会丢失像素间位置信息或容易错误评价像素间的位置信息，进而导致在对针织面料进行轧染工艺异常的检测时容易出现误检现象，同时也无法对异常进行进一步分析，对企业生产效率的提高无法提供帮助。

发明内容

本发明的目的在于提供一种针织面料轧染工艺异常检测方法，用于解决现有对针织面料进行轧染工艺异常检测准确率低的问题。

为解决上述技术问题，本发明提供了一种针织面料轧染工艺异常检测方法，包括以下步骤：

实时获取轧染后的针织面料图像，并获取该针织面料图像的灰度图像，进而确定灰度图像中各个像素点的梯度幅值；

根据灰度图像中各个像素点的梯度幅值，确定灰度图像中各个像素点的梯度幅值级别；

根据灰度图像中各个像素点的梯度幅值级别，确定灰度图像的梯度异常值；

根据灰度图像中各个像素点的梯度幅值级别以及灰度图像中各个像素点的位置，确定灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数；

根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数，确定灰度图像中各个像素点在不同复现方向上的方向异常系数；

根据灰度图像中各个像素点在不同复现方向上的方向异常系数，确定灰度图像的全局异常系数和局部异常系数；

根据灰度图像的梯度异常值、全局异常系数和局部异常系数，判断针织面料轧染工艺是否发生异常以及发生异常时的异常种类。

进一步的，确定灰度图像中各个像素点的梯度幅值级别的步骤包括：

根据灰度图像中各个像素点的梯度幅值，进行梯度幅值直方图统计，得到梯度幅值直方图；

根据梯度幅值直方图，进行混合高斯模型拟合，得到混合高斯模型中的各个子高斯模型及其对应的均值；

根据灰度图像中各个像素点的梯度幅值、各个子高斯模型及其对应的均值，从而确定灰度图像中各个像素点的梯度幅值级别。

进一步的，从而确定灰度图像中各个像素点的梯度幅值级别的步骤包括：

按照各个子高斯模型对应的均值从小到大的顺序，对各个子高斯模型进行排序，并将该序号作为对应子高斯模型的梯度幅值级别；