一种基于无抽样小波与Gumbel分布的织物缺陷检测方法技术

技术编号:18669047 阅读:37 留言:0更新日期:2018-08-14 20:50
本发明专利技术公开了一种基于无抽样小波与Gumbel分布的织物缺陷检测方法,包括步骤:对输入图像进行多层无抽样小波分解;根据小波分解所得的近似子图和细节子图,生成融合差分特征图;采用Gumbel模型拟合特征图中的灰度分布,利用MLE算法估计模型参数;将特征图划分成子图块,根据估计的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;阈值化似然值分布图,得到二值化的检测结果。本发明专利技术没有直接将各子带小波系数用作特征,避免了高维特征矢量的计算复杂性;特征融合步骤中考虑了低频信息的影响,避免灰度变化平缓的缺陷被漏检;将小波分析与Gumbel模型结合,把缺陷检测问题转化成假设检验问题,检测精度高。

A fabric defect detection method based on undecimated wavelet and Gumbel distribution

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,前者需要大量的缺陷样本用于系统参数训练和学习。但在实际应用中,由于现代生产设备性能的提高以及缺陷出现的不可预期性,要想获取足够多的典型缺陷样本非常困难。其次,基于有监督方法的检测系统通常泛化能力差,对没有包含在训练样本库中的“新”缺陷经常无能为力。另一方面,基于半-监督方法的系统虽然不需要事先采集缺陷样本,但仍需若干无缺陷样本用作“标准”模板图像。检测时,待测图像的特征与“标准”模板特征进行对比,从而判断缺陷是否存在并对其定位。然而,实际的生产环境中,光照变化、导辊张紧力的波动、材料固有的弹性形变,以及其他随机性干扰,容易致使系统状态出现漂移,造成待测图像与“标准”模板图像之间产生较大的配准偏差,如二者的相对偏转角、位置偏移、伸缩变形量、分辨率、图像灰度等方面的差异等。这些偏差将造成系统检测精度严重下降甚至检测失效,需要停机以重新进行参数调整和标定。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足,提供一种基于无抽样小波与Gumbel分布的织物缺陷检测方法,具有检测速度快、精度高,检测结果稳定,适应性好的优点。本专利技术的目的通过以下的技术方案实现:一种基于无抽样小波与Gumbel分布的织物缺陷检测方法,包括:步骤1、对输入的待测图像进行多层无抽样小波分解,每个分解层生成近似子图和水平、垂直、对角三个方向的细节子图各一幅。步骤2、根据小波分解所得的近似子图和细节子图,计算小波子带的差分特征,以此弱化纹理背景、突出缺陷信号。具体步骤为:(1)采用几何形态学梯度算子计算位于分解顶层J的近似子图的差分特征:首先定义形态学运算的结构单元;然后用该结构单元对顶层近似子图进行膨胀和腐蚀操作;将膨胀结果减去腐蚀结果并取绝对值,作为近似子图的差分特征,用以捕捉潜在的、位于低频区域的缺陷信息。(2)对水平、垂直、对角三个方向,分别计算相邻两层细节系数的差分并取绝对值,作为相应的细节差分特征:(3)计算全部尺度和方向的总细节差分特征:首先对各子带细节差分特征进行规范化,然后将所有方向、尺度的细节差分特征进行求和运算,得到总的细节差分特征。(4)计算由近似和细节差分特征构成的总差分特征图:用同样的方法规范化近似、总细节差分特征并求和,得到融合差分特征图。步骤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。步骤4、计算每个子图块的似然估计值,得到似然值分布图:首先将融合特征图Mf(x,y)划分成一组尺寸为Np×Np的子图块(patch)Pk;然后使用步骤3中估算出的模型参数,计算各子图块Pk的对数似然估计值,并采用线性插值法,将对数似然值映射图恢复至原始图像尺寸,形成似然值分布图LLM。步骤5、阈值化似然值分布图LLM,得到二值化检测结果。本专利技术与现有技术相比,具有如下优点和有益效果:首先,采用无抽样小波分解,消除了传统DWT不具有平移不变性因而不利于缺陷模式识别的缺点;其次,与传统方法不同,本专利技术并不直接将各尺度、方向下的小波系数作为特征,而是通过有效的融合算法,将多尺度-方向小波系数融合成单一的差分特征图,避免了高维特征矢量分析的计算复杂性;再次,特征融合步骤中考虑了低频信息的作用,防止灰度变化平缓的低频缺陷被漏检;第四,将小波分析与Gumbel模型结合,把缺陷检测问题转化成假设检验问题,检测精度高。另外,本专利技术提供的方法检测前不需要收集任何缺陷样本,也无需标准图像用作参考模板,没有复杂的参数标定过程,从而消除了传统检测方法缺陷样本收集困难、易受系统状态漂移影响的弊端,具有检测速度快、精度高,检测结果稳定,适应性好的优点。附图说明图1为实施例方法的处理流程图。图2为无抽样小波分解算法原理,其中,采用对滤波器的上采样代替了传统DWT中对分解结果的下采样。图3为用来说明实施例的缺陷样本。图4为采用bior4.4小波进行4层无抽样小波分解的结果;从左到右分别为近似、水平、垂直、对角子图;从上到下分解层数依次递增。图5为融合后的单一差分特征图。图6为Gumbel模型拟合的结果。图7为似然映射图LLM。图8为二值化检测结果。图9为检测方法对一系列不同纹理类型和缺陷类型的检测结果。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述,但本专利技术的实施方式不限于此。实施例一种基于无抽样小波分析和Gumbel分布模型的缺陷检测方法,参见图1~9。具体如下:1、小波分解:对输入的待测图像进行多层无抽样小波分解如图2所示,使用“àtrous”算法,对输入的待测图像进行多层无抽样小波分解(un-decimateddiscretewavelettransform,UDWT)。其中,H(z)和G(z)分别是低通滤波器h(n)和高通滤波器g(n)的z变换,H(z2)和G(z2)分别是对H(z)和G(z)的上采样。表示尺度j的各系数矩阵,每层分解得到一幅近似子图A,以及水平H、垂直V、对角D三幅细节子图,尺寸与原图一致。图4给出了采用‘bior4.4’小波对一幅包含缺陷的样本进行4层分解的结果。从左至右分别为通道A、H、V、D子图。2、构建小波差分特征图,包括如下步骤:(1)计算近似子图A的差分特征:近似子图中包含了缺陷的低频(直流成分)信息,采用几何形态学梯度算子计算顶层J的近似子图的差分特征Ml(x,y):其中,和分别代表形态学膨胀和腐蚀运算;J是小波分解层数;S为形态学运算中的s*s方形结构元素。(2)计算各细节子图的差分特征:对通道d∈{H,V,D},分别计算三个方向的差分特征为:其中,j=1,2,...,J-1。(3)计算全部通道的总细节差分特本文档来自技高网
...

【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

网友询问留言 已有0条评论
  • 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。

1