一种基于机器视觉的生条缺陷检测方法和装置制造方法及图纸

本发明专利技术涉及一种基于机器视觉的生条缺陷检测方法和装置，检测方法包括如下步骤：(1)预设不同品类生条的检测标准；(2)相机标定；(3)图像采集；(4)读取样本图像信息；(5)样本图像信息处理并输出检测结果；检测装置包括采集系统、控制系统，采集系统包括相机和光源，相机设有镜头，控制系统用于控制光源亮度和控制相机包括曝光值、触发模式在内的参数，相机将采集到的生条样本图像输送至控制系统，控制系统用于对收集的生条样本图像进行集中处理。本发明专利技术可进行自动缺陷检测并计数，节省人工成本、降低劳动强度，解决了由人工平铺样本导致灰度不均的干扰问题，以及生条品类繁多导致缺陷分类困难的问题，检测结果可靠。检测结果可靠。检测结果可靠。

【技术实现步骤摘要】
一种基于机器视觉的生条缺陷检测方法和装置


[0001]本专利技术属于机器视觉检测
，具体涉及一种基于机器视觉的生条缺陷检测方法和装置。

技术介绍

[0002]麻、棉为我国的传统特产以及重要的经济作物，具有悠久历史，是我国重要的纺织原料。在纺织加工过程中，纺纱是一道重要工序，其成纱质量直接影响了织物质量以及织机效率。因此，在纺纱过程中，操作人员需定期对生条进行抽样检测。
[0003]生条为棉、麻经预处理及不同梳理工序后所得，其种类繁多，主要疵点为棉结、麻粒、硬条等。目前由于检测装置以及检测算法的限制，多数纺织厂仍采用人工检测的方法：将生条样本均匀平铺在不同背景上，由人眼对棉结、麻粒、硬条等疵点进行人眼识别并计数，识别完毕后，将人工检测结果进行手动记录。此方法人工成本高、速率低、对人眼伤害较大，且检测结果依赖于主观判断，无法量化、检测结果无从追溯，准确度低、耗时长。部分研究采用基于图像处理的识别方法，可自动检测缺陷，但大多对前道工序要求较高，需对样本进行梳理以保障成像质量。对于抽样检测过程中的少量生条样本，不满足可以利用机器梳理的条件，只能人工进行放置时，缺乏适应性。
[0004]综上所述，亟需提供一种检测结果可靠的基于机器视觉的生条缺陷检测方法和装置，解决由人工平铺样本导致灰度不均的干扰问题以及生条品类繁多导致缺陷分类困难的问题。

技术实现思路

[0005]本专利技术的目的是提供一种检测结果可靠的基于机器视觉的生条缺陷检测方法和装置，解决由人工平铺样本导致灰度不均的干扰问题以及生条品类繁多导致缺陷分类困难的问题。
[0006]上述目的是通过如下技术方案实现：一种基于机器视觉的生条缺陷检测方法，包括如下步骤：
[0007](1)预设不同品类生条的检测标准：检测标准具体包括缺陷种类、检测精度以及产品合格阈值；
[0008](2)相机标定；
[0009](3)图像采集：采集生条样本图像；
[0010](4)读取样本图像信息；
[0011](5)样本图像信息处理并输出检测结果；
[0012](5.1)图像预处理：包括生条样本图像的纹理提取、灰度修正和图像增强；
[0013](5.2)阈值分割：将正常区域和缺陷区域进行分割，针对条状缺陷采用线高斯的方法对缺陷区域进行分割，针对粒状缺陷，采用动态阈值的方法对缺陷区域进行分割；
[0014](5.3)缺陷判定及分类：针对动态阈值方法所分割出的缺陷区域通过缺陷特征进
行缺陷判定，缺陷特征包括最大直径、最小灰度值和最大灰度值，最大直径的计算方式为：计算缺陷区域的最大外接矩形，最大外接矩形的对角线长度即为缺陷最大直径；最小灰度值的计算方式为：对缺陷区域内像素进行遍历，求出最小灰度值；最大灰度值的计算方式为：对缺陷区域内像素进行遍历，求出最大灰度值；
[0015]针对线高斯方法所分割出的缺陷区域通过线状区域的长度进行缺陷判定，线型区域的长度的计算方式为：计算出缺陷区域的中心线，中心线的像素个数即为线型区域的长度；
[0016]计算出缺陷区域的缺陷特征值和/或线状区域的长度后，根据预设的合格阈值对缺陷进行判定以及分类，具体步骤如下：读取当前品类生条的检测标准，包括缺陷类别以及对应的合格阈值，根据检测标准对缺陷进行判定及分类，针对动态阈值方法所分割出的缺陷区域，最大直径大于合格阈值的区域即判定为棉结或麻粒，小于合格阈值的区域即判定为正常区域，最小灰度值小于合格阈值的区域即判定为棉结或麻粒，大于合格阈值的区域即判定为正常区域，最大灰度值大于合格阈值的区域即判定为棉结或麻粒，小于合格阈值的区域即判定为正常区域；针对线高斯方法所分割出的缺陷区域，线状区域的长度大于合格阈值的区域判定为硬条，线状区域的长度小于阈值的区域被判定为棉结或麻粒；
[0017](5.4)缺陷计数：将分类后的缺陷按类别整合并计数；
[0018](5.5)输出结果。
[0019]进一步的技术方案是，所述步骤(5.2)中，动态阈值的分割方法如下：根据输入的经预处理后的图像的大小自动生成一个均值滤波器，对输入的经预处理后的图像除边缘外的所有灰度值进行线性平滑，其中，滤波器长度与输入图像长度相等，滤波器宽度与输入图像宽度相等；然后用输入的经预处理后的图像的灰度值减去线性平滑后的图像的灰度值，根据差值获取可能的缺陷区域，图像采集时采用背光的打光方式时，缺陷区域go为：
[0020]g
o
≤g
t
‑
offset
[0021]图像采集时采用正面打光的打光方式时，缺陷区域g
o
为：
[0022]g
o
≥g
t
+offset
[0023]其中，g
t
为平滑后图像的灰度值，offset为差值，可根据检测需求灵活调整，当检测要求灵敏度较高时，offset可降低取值；相反，当检测要求灵敏度较低时，offset可升高取值。
[0024]进一步的技术方案是，所述步骤(5.2)中，线高斯的分割方法如下：提取输入的经预处理后的图像的中线型区域的方法，对条状缺陷进行分割，具体步骤如下：
[0025](S1)对生条样本图像f(x,y)求取高斯偏导数；
[0026](S2)根据Hessian矩阵计算其特征值和特征向量，其中，Hessian矩阵定义如下：
[0027][0028]Hessian矩阵的特征值与特征向量的求取方法为：
[0029]H*α＝α*λ
[0030]其中，α为矩阵的特征向量，λ为矩阵的特征值；
[0031](S3)根据缺陷特征筛选特征值；比如，当缺陷部分灰度值大于背景部分灰度值时，保留特征值小于0的点；当缺陷部分灰度值小于背景部分灰度值时，保留特征值大于0的点。
[0032](S4)将筛选后的像素点打包，并按照特征值从大到小进行排序；
[0033](S5)将经过排序的点进行连接，形成线状区域，所述线装区域为分割出的缺陷区域。
[0034]进一步的技术方案是，所述步骤(5.1)中生条样本图像的纹理提取的公式如下：
[0035]g(x，y)＝f(x，y)
‑
b(x，y)+mean(b
j
)
[0036]其中，(x,y)为像素在图像中坐标位置，f(x,y)为映射采集的生条样本图像中坐标为(x,y)处的像素值，用于代表采集的样本图像，同理，b(x,y)为无样本时的背景图像，mean(b
j
)为背景图像中第j列的平均灰度值，g(x,y)为得到的分离以后的纹理结果图像。
[0037]进一步的技术方案是，所述步骤(5.1)中生条样本图像的灰度修正的公式如下：
[0038][0039]其中，对于灰度级k范围在[0,L
‑
1]的图像，其直方图可表示为一个离散函数h(r
k
)＝n
k
，k为图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的生条缺陷检测方法，其特征在于，包括如下步骤：(1)预设不同品类生条的检测标准：检测标准具体包括缺陷种类、检测精度以及产品合格阈值；(2)相机标定；(3)图像采集：采集生条样本图像；(4)读取样本图像信息；(5)样本图像信息处理并输出检测结果；(5.1)图像预处理：包括生条样本图像的纹理提取、灰度修正和图像增强；(5.2)阈值分割：将正常区域和缺陷区域进行分割，针对条状缺陷采用线高斯的方法对缺陷区域进行分割，针对粒状缺陷，采用动态阈值的方法对缺陷区域进行分割；(5.3)缺陷判定及分类：针对动态阈值方法所分割出的缺陷区域通过缺陷特征进行缺陷判定，缺陷特征包括最大直径、最小灰度值和最大灰度值，最大直径的计算方式为：计算缺陷区域的最大外接矩形，最大外接矩形的对角线长度即为缺陷最大直径；最小灰度值的计算方式为：对缺陷区域内像素进行遍历，求出最小灰度值；最大灰度值的计算方式为：对缺陷区域内像素进行遍历，求出最大灰度值；针对线高斯方法所分割出的缺陷区域通过线状区域的长度进行缺陷判定，线型区域的长度的计算方式为：计算出缺陷区域的中心线，中心线的像素个数即为线型区域的长度；计算出缺陷区域的缺陷特征值和/或线状区域的长度后，根据预设的合格阈值对缺陷进行判定以及分类，具体步骤如下：读取当前品类生条的检测标准，包括缺陷类别以及对应的合格阈值，根据检测标准对缺陷进行判定及分类，针对动态阈值方法所分割出的缺陷区域，最大直径大于合格阈值的区域即判定为棉结或麻粒，小于合格阈值的区域即判定为正常区域，最小灰度值小于合格阈值的区域即判定为棉结或麻粒，大于合格阈值的区域即判定为正常区域，最大灰度值大于合格阈值的区域即判定为棉结或麻粒，小于合格阈值的区域即判定为正常区域；针对线高斯方法所分割出的缺陷区域，线状区域的长度大于合格阈值的区域判定为硬条，线状区域的长度小于阈值的区域被判定为棉结或麻粒；(5.4)缺陷计数：将分类后的缺陷按类别整合并计数；(5.5)输出结果。2.根据权利要求1所述的基于机器视觉的生条缺陷检测方法，其特征在于，所述步骤(5.2)中，动态阈值的分割方法如下：根据输入的经预处理后的图像的大小自动生成一个均值滤波器，对输入的经预处理后的图像除边缘外的所有灰度值进行线性平滑，其中，滤波器长度与输入图像长度相等，滤波器宽度与输入图像宽度相等；然后用输入的经预处理后的图像的灰度值减去线性平滑后的图像的灰度值，根据差值获取可能的缺陷区域，图像采集时采用背光的打光方式时，缺陷区域g
o
为：g
o
≤g
t
‑
offset图像采集时采用正面打光的打光方式时，缺陷区域g
o
为：g
o
≥g
t
+offset其中，g
t
为平滑后图像的灰度值，offset为差值，可根据检测需求灵活调整，当检测要求灵敏度较高时，offset可降低取值；相反，当检测要求灵敏度较低时，offset可升高取值。3.根据权利要求1或2所述的基于机器视觉的生条缺陷检测方法，其特征在于，所述步
骤(5.2)中，线高斯的分割方法如下：提取输入的经预处理后的图像的中线型区域的方法，对条状缺陷进行分割，具体步骤如下：(S1)对生条样本图像f(x，y)求取高斯偏导数；(S2)根据Hessian矩阵计算其特征值和特征向量，其中，Hessian矩阵定义如下：Hessian矩阵的特征值与特征向量的求取方法为：H*α＝α*λ其中，α为矩阵的特征向量，λ为矩阵的特征值；(S3)根据缺陷特征筛选特...

【专利技术属性】
技术研发人员：尹文芳，郭东妮，谭艾琳，向泽军，朱栗波，梁宪峰，黄才英，牟清萍，向智平，卢玲，
申请(专利权)人：长沙长泰机器人有限公司，
类型：发明
国别省市：