一种基于人工智能的布匹缺陷检测方法技术

本发明专利技术涉及人工智能技术领域，具体涉及一种基于人工智能的布匹缺陷检测方法，该方法包括：根据布匹灰度图像的灰度值范围对其进行不同等级的划分，得到不同等级的布匹灰阶图像；对布匹灰阶图像进行区域划分得到多个周期区域；计算布匹灰阶图像上所有周期区域的纹理复杂程度之和，得到布匹灰阶图像的纹理复杂度；根据布匹灰阶图像的纹理复杂度选择最优等级的布匹灰阶图像，记为最优布匹图像；根据最优布匹图像计算布匹的缺陷率，缺陷率大于设定阈值的布匹为有缺陷。本发明专利技术能够提高布匹缺陷检测的准确性。测的准确性。测的准确性。

【技术实现步骤摘要】
一种基于人工智能的布匹缺陷检测方法


[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能的布匹缺陷检测方法。

技术介绍

[0002]布匹是我们生活中必不可少的物品，由于适用范围广泛，人们对布匹的质量也是非常的重视。布匹生产企业主要通过专业的布匹检验人员站在验布设备前，通过肉眼发现布面疵点再进行疵点的标记或者记录，这样耗费了大量的人力。另外还有利用灰度共生矩阵获取布匹的纹理，通过对比布匹的纹理确定布匹缺陷的方法。
[0003]但是，如果应用这种方法，生成灰度共生矩阵的时候需要进行灰度分级，而分级都是基于给定的分级数量进行线性划分的，而不同的纹理在不同的光照下会在布匹图像中得到不同的灰度，基于给定级数的分级方式不能适应所有的纹理：过少的分级会导致某些灰度共生矩阵不能准确表示某些复杂的纹理；而过多的分级会导致灰度共生矩阵的计算量过大难以提取布料的纹理特征。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的布匹缺陷检测方法，所采用的技术方案具体如下：根据布匹灰度图像的灰度值范围对其进行不同等级的划分，得到不同等级的布匹灰阶图像；获取任一布匹灰阶图像的频谱信息，根据频谱信息对布匹灰阶图像进行区域划分得到多个周期区域；获取一个周期区域中每个像素点的梯度值和坐标构成周期区域的标签数据，对标签数据进行分类处理得到多个类别，每个类别对应一个局部区域；获取每个局部区域的边缘复杂度和内部复杂度，根据所有局部区域的边缘复杂度、内部复杂度以及局部区域的面积得到周期区域的纹理复杂程度；计算布匹灰阶图像上所有周期区域的纹理复杂程度之和，得到布匹灰阶图像的纹理复杂度，并获取所有等级的布匹灰阶图像中最大纹理复杂度；根据当前等级的布匹灰阶图像和相邻等级的布匹灰阶图像中周期区域的面积之差，以及当前等级的布匹灰阶图像的纹理复杂度与最大纹理复杂度的差值，得到当前等级的布匹灰阶图像优选程度；获取优选程度最大值对应等级的布匹灰阶图像，记为最优布匹图像；根据最优布匹图像计算布匹的缺陷率，缺陷率大于设定阈值的布匹为有缺陷。
[0005]优选地，所述对布匹灰阶图像进行区域划分具体为：获取任一布匹灰阶图像的频谱信息得到灰阶幅频图像，在灰阶幅频图像上，以该图像中心点为原点，横向为x轴，纵向为y轴，建立幅频坐标系；分别选择x轴和y轴上的最大
值点，作为横向周期点和纵向周期点；根据横向周期点和纵向周期点频率的倒数得到宽度和长度；以所述宽度和长度将布匹灰阶图像划分为多个周期区域。
[0006]优选地，所述根据布匹灰度图像的灰度值范围对其进行不同等级的划分具体为：在布匹灰度图像的灰度值范围内所有256能整除的整数作为划分等级，对布匹灰度图像进行不同等级的划分。
[0007]优选地，局部区域的边缘复杂度的获取方法具体为：其中，A
L
为局部区域的边缘复杂度，N为局部区域边缘像素点的数量；计算局部区域每个边缘像素点的海森矩阵，表示第n个边缘像素点的海森矩阵最大特征值对应的特征向量，表示第n－1个边缘像素点的海森矩阵最大特征值对应的特征向量，表示和两个特征向量的相似度。
[0008]优选地，所述局部区域的内部复杂度的获取方法具体为：其中，A
O
为局部区域的内部复杂度，M为局部区域内部像素点的数量，表示局部区域中第m个像素点的梯度值，表示局部区域中第m－1个像素点的梯度值，表示两个像素点的梯度值的相似度。
[0009]优选地，所述周期区域的纹理复杂程度的获取方法具体为：其中，A为周期区域的纹理复杂程度，表示第p个局部区域的边缘复杂度，表示第p个区域的内部复杂度，S
p
表示第p个局部区域的面积。
[0010]优选地，所述优选程度的获取方法具体为：其中，P
i
表示等级为i的布匹灰阶图像的优选程度，a
i
、b
i
分别表示等级为i的布匹灰阶图像上周期区域的宽度和长度，a
i+1
、b
i+1
分别表示等级为i+1的布匹灰阶图像上周期区域的宽度和长度，(a
i
*b
i
)－(a
i+1
*b
i+1
)表示等级为i的布匹灰阶图像和等级为i+1的布匹灰阶图像中周期区域的面积之差，A
Fi
表示等级为i的布匹灰阶图像的纹理复杂度，A
FM
表示最大纹理复杂度。
[0011]优选地，所述布匹的缺陷率的获取方法具体为：其中，获取最优布匹图像中每个周期区域的灰度共生矩阵，计算每个周期区域的灰度共生矩阵的熵值，D(ENT)表示所有周期区域熵值的方差，E(ENT)表示所有舟曲区域熵
值的均值。
[0012]本专利技术实施例至少具有如下有益效果：本专利技术通过计算布匹灰阶图像中局部区域的边缘复杂度和内部复杂度，得到布匹灰阶图像的纹理复杂度，进而根据所述纹理复杂度确定图像的优选程度，选择合适分级等级的布匹灰阶图像获取灰度共生矩阵，最终对布匹的缺陷进行检测。既能准确的表示当前布匹的纹理，又不会因为过多的分级数量导致灰度共生矩阵的计算量过大难以提取布匹的纹理特征，同时也提高了布匹缺陷检测的准确性。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0014]图1为一种基于人工智能的布匹缺陷检测方法的方法流程图。
具体实施方式
[0015]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于人工智能的布匹缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0016]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0017]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的布匹缺陷检测方法的具体方案。
[0018]实施例1：本专利技术针对的场景为：用作验布机上对多种织法的布匹进行缺陷检测。
[0019]请参阅图1，其示出了本专利技术一个实施例提供的一种基于人工智能的布匹缺陷检测方法的步骤流程图，该方法包括以下步骤：首先，根据布匹灰度图像的灰度值范围对其进行不同等级的划分，得到不同等级的布匹灰阶图像。
[0020]具体地，在验布机上使用相机获取布匹灰度图像。需要说明的是，相机最好采用灰度相机，因为灰度相机采集的是所有波长的光子，而彩色相机仅接受RGB三个波段的光子，并且会进行去马赛克的邻域平均操作，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的布匹缺陷检测方法，其特征在于，所述方法包括以下步骤：根据布匹灰度图像的灰度值范围对其进行不同等级的划分，得到不同等级的布匹灰阶图像；获取任一布匹灰阶图像的频谱信息，根据频谱信息对布匹灰阶图像进行区域划分得到多个周期区域；获取一个周期区域中每个像素点的梯度值和坐标构成周期区域的标签数据，对标签数据进行分类处理得到多个类别，每个类别对应一个局部区域；获取每个局部区域的边缘复杂度和内部复杂度，根据所有局部区域的边缘复杂度、内部复杂度以及局部区域的面积得到周期区域的纹理复杂程度；计算布匹灰阶图像上所有周期区域的纹理复杂程度之和，得到布匹灰阶图像的纹理复杂度，并获取所有等级的布匹灰阶图像中最大纹理复杂度；根据当前等级的布匹灰阶图像与其相邻等级的布匹灰阶图像中周期区域的面积之差，以及当前等级的布匹灰阶图像的纹理复杂度与最大纹理复杂度的差值，得到当前等级的布匹灰阶图像优选程度；获取优选程度最大值对应等级的布匹灰阶图像，记为最优布匹图像；根据最优布匹图像计算布匹的缺陷率，缺陷率大于设定阈值的布匹为有缺陷。2.根据权利要求1所述的一种基于人工智能的布匹缺陷检测方法，其特征在于，所述对布匹灰阶图像进行区域划分具体为：获取任一布匹灰阶图像的频谱信息得到灰阶幅频图像，在灰阶幅频图像上，以该图像中心点为原点，横向为x轴，纵向为y轴，建立幅频坐标系；分别选择x轴和y轴上的最大值点，作为横向周期点和纵向周期点；根据横向周期点和纵向周期点频率的倒数得到宽度和长度；以所述宽度和长度将布匹灰阶图像划分为多个周期区域。3.根据权利要求1所述的一种基于人工智能的布匹缺陷检测方法，其特征在于，所述根据布匹灰度图像的灰度值范围对其进行不同等级的划分具体为：在布匹灰度图像的灰度值范围内所有256能整除的整数作为划分等级，对布匹灰度图像进行不同等级的划分。4.根据权利要求1所述的一种基于人工智能的布匹缺陷检测方法，其特征在于，所述局部区域的边缘复杂度的获取方法具体为：其中，为局部区域的边缘复杂度，N为局部区域边缘像素点的数量；计算局部区域每个边缘像素点的海森矩阵，表示第n...

【专利技术属性】
技术研发人员：涂菊兰，王晶涛，
申请(专利权)人：南通东德纺织科技有限公司，
类型：发明
国别省市：