The invention discloses a fabric defect detection method based on unsampled wavelet and Gumbel distribution, which comprises the following steps: multi-layer unsampled wavelet decomposition of the input image; generation of fused differential feature map according to the approximate subgraph and detail subgraph obtained by wavelet decomposition; fitting the gray distribution of the feature map with Gumbel model; The MLE algorithm is used to estimate the model parameters, the feature graph is divided into sub-blocks, and the likelihood estimation values of each sub-block are calculated according to the estimated model parameters to obtain the likelihood distribution map, and the threshold likelihood distribution map is used to obtain the binary detection results. The method does not directly use the wavelet coefficients of each subband as features to avoid the computational complexity of high-dimensional feature vectors; the influence of low-frequency information is taken into account in the feature fusion step to avoid the defect of flat gray change being missed; and the defect detection problem is transformed into a hypothesis test problem by combining wavelet analysis with Gumbel model. The detection accuracy is high.
【技术实现步骤摘要】
一种基于无抽样小波与Gumbel分布的织物缺陷检测方法
本专利技术涉及基于机器视觉的织物表面缺陷检测
,特别涉及一种基于无抽样小波分析与Gumbel分布模型的织物表面缺陷在线检测方法。
技术介绍
织物表面缺陷可导致相关产品的市场价值降低45%-65%,是影响纺织类产品质量的关键因素之一。长期以来,织物表面缺陷主要通过人工目视方式进行检测。研究表明,人眼只能检测出织物表面疵病的50-70%,精度不超过80%。其它缺点还包括效率低、可靠性差,工作劳动强度大等。因此,采用机器视觉技术进行织物表面缺陷的自动化检测具有重要意义。但和其他检测对象相比,织物由于具有复杂纹理背景,材料有弹性、易牵拉变形,且在线检测要求实时性高等问题,成为视觉检测领域的应用难点及研究热点。目前织物表面缺陷视觉检测方法主要包括基于滤波的方法和基于特征比较的方法。基于滤波的方法旨在通过滤波操作消除织物背景中的纹理信息,将纹理缺陷检测转化成均匀背景下的缺陷分割问题。但是,由于织物表面纹理存在随机性变动,实际应用中很难取得理想的滤波效果。基于特征的方法通过提取局部图像块的区域特征并与参考特征比较来确定该图像块是否包含缺陷,其中应用最为广泛的是空间灰度共生矩阵(GLCM)、Gabor小波、离散小波变换(DWT)特征等。但是,GLCM和Gabor特征的计算量都很大;而DWT虽然效率高,但现有基于DWT的方法通常直接以各子带小波细节系数为特征,没有考虑近似系数所包含的低频信息,因此对灰度变化平缓、边缘特征不明显的缺陷(如油污)检测效果不佳。另一方面,现有方法基本属于有监督或半-监督检测方法。其中, ...
【技术保护点】
1.一种基于无抽样小波与Gumbel分布的织物缺陷检测方法,其特征在于,包括以下步骤:S1.1对输入的待测图像进行多层无抽样小波分解,每个分解层生成一幅近似子图,以及水平、垂直、对角三个方向的细节子图;S1.2分别计算近似子图及各细节子图的差分特征,然后将其融合成单一的差分特征图,以弱化纹理背景、突出缺陷信号;S1.3采用Gumbel模型拟合差分特征图中的灰度分布,利用MLE算法估计模型参数;S1.4将特征图分割成一系列尺寸较小的子图块,根据所估计的Gumbel模型参数,计算每个子图块的似然估计值,得到似然值分布图;S1.5阈值化似然值分布图,得到二值化的检测结果。
【技术特征摘要】
1.一种基于无抽样小波与Gumbel分布的织物缺陷检测方法,其特征在于,包括以下步骤:S1.1对输入的待测图像进行多层无抽样小波分解,每个分解层生成一幅近似子图,以及水平、垂直、对角三个方向的细节子图;S1.2分别计算近似子图及各细节子图的差分特征,然后将其融合成单一的差分特征图,以弱化纹理背景、突出缺陷信号;S1.3采用Gumbel模型拟合差分特征图中的灰度分布,利用MLE算法估计模型参数;S1.4将特征图分割成一系列尺寸较小的子图块,根据所估计的Gumbel模型参数,计算每个子图块的似然估计值,得到似然值分布图;S1.5阈值化似然值分布图,得到二值化的检测结果。2.根据权利要求1所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法,其特征在于,所述步骤S1.2具体包括以下步骤:S2.1采用几何形态学梯度算子计算位于顶层的近似子图的差分特征;S2.2对水平、垂直、对角三个方向,分别计算相邻两层细节子图的差分特征;S2.3将多个方向全部通道的细节子图差分特征融合成单一的细节差分特征;S2.4将步骤S2.1得到的近似子图差分特征、步骤2.3得到的总细节子图差分特征进一步融合成单一的差分特征图Mf(x,y)。3.根据权利要求2所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法,其特征在于,所述步骤S2.1包括以下步骤:S3.1构建一定尺寸的形态学运算结构单元;S3.2用步骤S3.1所述结构单元对顶层近似子图进行膨胀操作;S3.3用步骤S3.1所述结构单元对顶层近似子图进行腐蚀操作;S3.4将步骤S3.2所得膨胀结果减去步骤S3.3所得腐蚀结果并取绝对值,作为近似子图的...
【专利技术属性】
技术研发人员:胡广华,杨烈,黄俊锋,王清辉,李静蓉,徐志佳,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。