【技术实现步骤摘要】
一种提花针织物疵点检测方法
[0001]本专利技术属于图像检测
，具体涉及一种提花针织物疵点检测方法。
技术介绍
[0002]织物疵点检测环节是织物生产过程中的关键一环，是织物质量控制的重要手段。现有的疵点检测算法已经有很多，基于变换域的疵点检测算法是在变换域内以变换后系数矩阵为基础进行纹理分析，对于纹理简单的缺陷织物，有着很好的检测效果，但是提花针织物相较于普通织物，其线圈排列更加疏松且圈距和圈高更大，这会导致相邻线圈间存在一定的间隔，在织物图像上表现为花纹与线圈边缘特征明显。另一种基于学习的方法是通过多层神经网络逐层卷积抽象，自动学习并挖掘到织物的本质特征，但是网络架构搭建较为复杂，而且需要大量的样本及训练，易受到算法的局限性造成的检测结果准确性低。因此，现有检测方法在对于多重复杂问题的提花针织物进行疵点检测时，抗干扰能力差，检测结果准确性低
技术实现思路
[0003]本专利技术实施例的目的是提供一种提花针织物疵点检测方法，能够解决现有的织物疵点检测方法在对结构复杂的提花针织物的疵点检测过程中，抗干...
【技术保护点】
【技术特征摘要】
1.一种提花针织物疵点检测方法，其特征在于，包括：S101：获取织物图像，根据预设梯度值将所述织物图像分为纹理区域和疵点区域；S102：提取所述织物图像的灰度梯度矩阵，通过概率子集法计算所述纹理区域的第一梯度阈值，通过相关性准则法计算所述疵点区域的第二梯度阈值；S103：根据所述第一梯度阈值、所述第二梯度阈值和所述预设梯度值，构建扩散系数函数，对所述纹理区域和所述疵点区域进行分区域扩散，得到扩散织物图像；S104：将所述扩散织物图像均分为多个图像分块，计算各所述图像分块特征值的均值，选取最大均值和最小均值；S105：根据所述第二梯度阈值、所述最大均值和所述最小均值，设定自动化阈值，构建改进LBP算法，提取所述扩散织物图像的LBP灰度特征值，得到LBP灰度特征图；S106：计算所述扩散织物图像中各像素点的局部熵值，得到局部熵特征图，并计算所述扩散织物图像中各像素点的相关性值，得到相关性特征图；S107：将所述LBP灰度特征值、所述局部熵值和所述相关性值，分别采用去邻域减行均值法计算出对应的目标LBP灰度特征值、目标局部熵值和目标相关性值；S108：将所述目标LBP灰度特征值、所述目标局部熵值和所述目标相关性值归一化至预设区间，得到归一化目标LBP灰度特征值、归一化目标局部熵值和归一化目标相关性值；S109：根据所述LBP灰度特征图中的归一化目标LBP灰度特征值、峰值区域特征值和非峰值区域特征值，计算所述LBP灰度特征图对应的权重，以此类推，计算所述局部熵特征图对应的权重和所述相关性特征图对应的权重；S110：根据各个特征图对应的权重，计算各个特征图对应的融合系数，将各个特征图和对应的所述融合系数相乘，得到重构特征图；S111：定位所述重构特征图中的疵点区域所在的图像分块，采用区域生长分割算法提取疵点边缘和整体形态得到疵点分割区域，并将所述疵点分割区域进行二值化输出。2.根据权利要求1所述的提花针织物疵点检测方法，其特征在于，所述S102具体包括：S1021：对于预设疵点图像梯度值集合G
L
＝{0，1，2，
…
，L
‑
1}，所述灰度梯度矩阵为M
×
N的所述织物图像，计算所述梯度值集合中不为0的各梯度值出现概率P
i
：其中，n
i
表示所述梯度值为i的个数；S1022：从所述梯度值出现概率中选取梯度值最大出现概率p：p＝max{p1,p2,
···
,p
L
‑1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2；S1023：引入控制因子，结合所述梯度值最大出现概率确定概率范围
▽
p：S1024：对所述概率范围内的梯度值取均值，计算得到所述第一梯度阈值K1：
S1025：根据所述梯度值出现概率，计算指定梯度级与其他梯度级之间的相关量P{s}：其中，S∈G
L
表示所述指定梯度级；S1026：计算所述指定梯度级与其他梯度级之间总相关量TC
(s)
：S1027：在所述总相关量为最大值的情况下，计算所述疵点区域与所述纹理区域的第二梯度阈值K2：3.根据权利要求2所述的提花针织物疵点检测方法，其特征在于，所述S103具体包括：S1031：将所述第二梯度阈值作为所述疵点区域和所述纹理区域的最佳分解阈值；S1032：根据所述预设阈值和所述最佳分解阈值，构建所述纹理区域和所述疵点区域的扩散系数函数：4.根据权利要求3所述的提花针织物疵点检测方法，其特征在于，所述S105具体包括：S1051：计算自动化阈值T：T＝min{K2‑
min(μ<...
【专利技术属性】
技术研发人员：史伟民，汝欣，李建强，彭来湖，简强，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：
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。