基于布匹的视觉检测方法及检测系统技术方案

本发明专利技术公开了一种基于布匹的视觉检测方法及检测系统，其中，基于布匹的视觉检测方法包括：获取布匹图像，其中，布匹图像基于移动过程中的布匹拍摄得到；对布匹图像进行图像处理，并以条纹状区域显示布匹图像的多个缺陷区域；对多个缺陷区域的分布进行定位，基于多个缺陷区域的分布确定缺陷区域的拉扯方向；将缺陷区域的拉扯方向作为第一参考因素，缺陷区域的花纹作为第二参考因素，基于第一参考因素和第二参考因素确定缺陷区域的缺陷类型；将缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；基于以往数据构建缺陷学习模型，并以递进式算法构造缺陷学习模型的框架，结合神经网络和缺陷学习模型形成自适应增强算法。适应增强算法。适应增强算法。

【技术实现步骤摘要】
基于布匹的视觉检测方法及检测系统


[0001]本专利技术涉及的视觉检测
，尤其涉及一种基于布匹的视觉检测方法及检测系统。

技术介绍

[0002]随着科技的发展，布匹应用于各大服装领域，布匹在生产过程中会进过拉伸，并且容易在拉伸的过程中形成缺陷，在现有技术中，对于布匹的缺陷类型主要通过缺陷区域的外形进行确定，可是，缺陷区域的外形容易在不同的角度下呈现不一样的状态，导致现有的布匹检测的精度较低。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于布匹的视觉检测方法及检测系统，在第一参考因素和第二参考因素确定缺陷区域的缺陷类型，该缺陷类型充分考虑到布匹的拉扯方向和缺陷，并且结合神经网络和缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，以进一步地确定缺陷的等级，从而准确定识别布匹中各个缺陷的严重性，避免人为观看和错误识别，大大提高了布匹检测的精度。
[0004]为了解决上述技术问题，本专利技术实施例提供了一种基于布匹的视觉检测方法，包括：获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
[0005]另外，本专利技术实施例还提供了一种基于布匹的视觉检测系统，所述基于布匹的视觉检测系统包括：获取模块：用于获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；显示模块：用于对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；定位模块：用于对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；类型模块：用于将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；分类模块：用于将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；学习模块：用于基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网
络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
[0006]在本专利技术实施例中，通过本专利技术实施例中的方法，以条纹状区域显示布匹图像的多个缺陷区域，并凸显各缺陷区域的花纹，缺陷区域的花纹作为第二参考因素；基于多个缺陷区域的分布确定缺陷区域的拉扯方向，并将缺陷区域的拉扯方向作为第一参考因素，此时，在第一参考因素和第二参考因素确定缺陷区域的缺陷类型，该缺陷类型充分考虑到布匹的拉扯方向和缺陷，并且结合神经网络和缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，以进一步地确定缺陷的等级，从而准确定识别布匹中各个缺陷的严重性，避免人为观看和错误识别，大大提高了布匹检测的精度。
附图说明
[0007]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，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地介绍，显而易见的，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的附图。
[0008]图1是本专利技术实施例中的基于布匹的视觉检测方法的流程示意图；
[0009]图2是本专利技术实施例中的基于布匹的视觉检测系统的结构组成示意图；
[0010]图3是根据一示例性实施例示出的一种电子装置的硬件图。
具体实施方式
[0011]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0012]实施例
[0013]请参阅图1，图1是本专利技术实施例中的基于布匹的视觉检测方法的流程示意图。
[0014]如图1所示，一种基于布匹的视觉检测方法，方法包括：
[0015]S11：获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；
[0016]在本专利技术具体实施过程中，具体的步骤可以为：在布匹的移动过程中，视觉检测器拍摄动态移动的布匹，并形成各动态帧的视频；基于各动态帧的视频的拼接，并且在展开状态下获得多个区域图像；按照时间段对多个所述区域图像进行排序，并且检测各所述区域图像的端口界限；基于所述端口界限的轨迹点确定对接位置，对比相邻的两所述区域图像的轨迹点；若相邻的两所述区域图像的轨迹点处于一致位置，则将邻的两所述区域图像进行拼接，并逐步形成所述布匹图像。
[0017]其中，为了适应布匹在静态和动态的环境拍摄，视觉检测器拍摄动态移动的布匹，并形成各动态帧的视频，并且在展开状态下获得多个区域图像，以便于对各动态帧的视频进行图像化，另外，基于所述端口界限的轨迹点确定对接位置，对比相邻的两所述区域图像的轨迹点；若相邻的两所述区域图像的轨迹点处于一致位置，则将邻的两所述区域图像进
行拼接，并逐步形成所述布匹图像，基于上述将邻的两所述区域图像的拼接提高了所述布匹图像的成型简易度，并且不限制所述区域图像的数量，进而克服布匹过长的问题。
[0018]S12：对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；
[0019]在本专利技术具体实施过程中，具体的步骤可以为：对所述布匹图像进行灰度处理，并形成灰度图像；基于所述灰度图像的灰度阶进行动态调整，并增强所述灰度图像中缺陷区域的显示程度；在所述显示程度达到预设显示程度时，则分割所述缺陷区域，并沿着所述缺陷区域的纹路进行条纹填充，以形成条纹状区域；以条纹状区域显示所述布匹图像的多个缺陷区域；基于所述缺陷区域进行单独的去噪，并且根据所述缺陷区域的受损程度择一地选择均值滤波、中值滤波、邻域平均法，以得到修整后的所述缺陷区域。
[0020]其中，基于所述灰度图像的灰度阶进行动态调整，并增强所述灰度图像中缺陷区域的显示程度，并且在动态的调整下对所述灰度图像的灰度阶的调整，以便于动态调整缺陷区域的显示程度，对于达到要求的所述缺陷区域才进行分割，保证后续分割图像的准确性。
[0021]另外，以条纹状区域显示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于布匹的视觉检测方法，其特征在于，包括：获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。2.根据权利要求1所述的基于布匹的视觉检测方法，其特征在于，所述获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到，包括：在布匹的移动过程中，视觉检测器拍摄动态移动的布匹，并形成各动态帧的视频；基于各动态帧的视频的拼接，并且在展开状态下获得多个区域图像；按照时间段对多个所述区域图像进行排序，并且检测各所述区域图像的端口界限；基于所述端口界限的轨迹点确定对接位置，对比相邻的两所述区域图像的轨迹点；若相邻的两所述区域图像的轨迹点处于一致位置，则将邻的两所述区域图像进行拼接，并逐步形成所述布匹图像。3.根据权利要求2所述的基于布匹的视觉检测方法，其特征在于，所述对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域，包括：对所述布匹图像进行灰度处理，并形成灰度图像；基于所述灰度图像的灰度阶进行动态调整，并增强所述灰度图像中缺陷区域的显示程度；在所述显示程度达到预设显示程度时，则分割所述缺陷区域，并沿着所述缺陷区域的纹路进行条纹填充，以形成条纹状区域；以条纹状区域显示所述布匹图像的多个缺陷区域；基于所述缺陷区域进行单独的去噪，并且根据所述缺陷区域的受损程度择一地选择均值滤波、中值滤波、邻域平均法，以得到修整后的所述缺陷区域。4.根据权利要求3所述的基于布匹的视觉检测方法，其特征在于，所述对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向，包括：基于所述布匹图像的左下角建立坐标原点，建立布匹坐标图，并将多个所述缺陷区域投影至所述布匹坐标图；将所述缺陷区域的多边远确定所述缺陷区域的中心，并基于所述缺陷区域的中心作为所述缺陷区域的定位坐标；基于多个所述缺陷区域的中心的中心距离确定多个所述缺陷区域之间的距离，并且引入布匹的拉伸方向作为距离的方向向量；基于所述距离和所述方向向量输入至拉扯方向学习模型，并且所述拉扯方向学习模型
输出所述缺陷区域的拉扯方向。5.根据权利要求4所述的基于布匹的视觉检测方法，其特征在于，所述将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型，包括：基于所述缺陷区域的条纹方向抽取所述缺陷区域的图像，并且基于所述图像确定所述缺陷区域的花纹；所述将所述缺陷区域的拉扯方向作为第一参考因素，并且对所述第一参考因素进行第一权重比例；所述缺陷区域的花纹作为第二参考因素，并且对所述第一参考因素进行第二权重比例，其中，所述第二权重比例与所述第一权重比例之间具有重积分关系；基于所述第一参考因素和所述第二参考因素确定所述缺陷区...

【专利技术属性】
技术研发人员：梁佳楠，王念峰，曹永军，周磊，陈樱，
申请(专利权)人：华南理工大学华南智能机器人创新研究院，
类型：发明
国别省市：