一种不均匀低照度条件下的生丝疵点检测方法技术

本发明专利技术公开了一种不均匀低照度条件下的生丝疵点检测方法，包括：改进的限制对比度图像增强算法对图像预处理；场景分割算法依据图像光照分布对其进行分割得到分区图像；改进后的人工蜂群优化算法对各个分区图像进行阈值分割，获取各个分区的可疑疵点的位置信息，再将各分区的结果叠加在原图上，进行疵点定位，从而得到整个图像的可疑疵点区域；根据局部可疑疵点区域的生丝密集程度，分为生丝分布稀疏与密集两类，再分别基于局部区域方向梯度直方图和区域阈值分割进行生丝疵点精确定位；最终对疵点进行形态学重建处理，从而完整地对疵点检测分割

【技术实现步骤摘要】
一种不均匀低照度条件下的生丝疵点检测方法


[0001]本专利技术涉及机器视觉领域，具体涉及一种不均匀低照度条件下的生丝疵点检测方法
。

技术介绍

[0002]中国的生丝生产和出口均位于世界首位，因此生丝质量的检测对于产品质量的把控显得格外重要
。
传统人工目测法将生丝缠绕在黑板上并置于暗室中，上方进行补光，以便清晰地显现出疵点
。
检验员则站立并与黑板保持
0.5
米的距离，凭借肉眼进行生丝疵点的检验
。
但由于受检验员主观因素的影响，长期检验易疲劳，且准确率难以保证
。
[0003]目前工业上主流的疵点缺陷检测方法主要可分为电容检测
、
光电检测
、
机器视觉和深度学习等类型
。
其中电容与光电检测技术要求检测环境光照均衡且亮度较高，鲁棒性不强，而生丝疵点在暗室中方可较好凸显
。
另一方面，深度学习技术需依靠大量的数据集，而各类生丝疵点出现概率较低，大量数据集的采集与建立很困难
。

技术实现思路

[0004]为了解决现有技术中存在的上述技术问题，本专利技术提出了一种不均匀低照度条件下的生丝疵点检测方法，其具体技术方案如下：
[0005]一种不均匀低照度条件下的生丝疵点检测方法，包括以下步骤：
[0006]S1.
采用改进的限制对比度图像增强算法对原始图像预处理，凸显疵点；
[0007]S2.
通过场景分割算法对预处理后的图像进行分割得到分区图像；
[0008]S3.
运用改进后的人工蜂群优化算法对各分区图像进行阈值分割，获取各个分区图像中的可疑疵点的位置信息，再将各分区的结果叠加在原图上，进行疵点定位，得到局部可疑疵点区域；
[0009]S4.
根据局部可疑疵点区域的生丝密集程度，分为生丝分布稀疏与密集两类，再分别基于局部区域方向梯度直方图和区域阈值分割进行生丝疵点精确定位，检测出局部可疑疵点区域内真实的疵点；
[0010]S5.
对分离的真实疵点进行形态学重建，从而实现对完整疵点的检测分割
。
[0011]进一步的，步骤
S1
具体为：首先，将图像从
RGB
通道变换为
YUV
通道，再单独对图像
YUV
通道中的
Y
通道进行阈值自适应的直方图均衡化，后同比融合提升
U、V
通道，得到灰度空间图像；然后，通过结合了伽马变换的限制对比度图像增强算法对所述灰度空间图像进行处理，得到自适应伽马变换处理后的图像
f1和限制对比度图像增强算法处理后的图像
hist
；最终由图像
f1和图像
hist
线性融合后输出图像
。
[0012]进一步的，所述自适应伽马变换处理后的图像
f1具体采用以下方式获得，表达式为：
[0013]f1＝
c
×
r
γ
，
r
为灰度图像的输入值，
c
为灰度缩放系数；
[0014]其中
γ
系数由限制对比度图像增强算法处理后的图像
hist
决定，
P
min
和
P
max
分别对应表示为图像
hist
的最小和最大的百分位数；
hist
eq
表示图像
hist
的灰度值从小到大排序处理后的结果，
n
为数据量大小，
P
表示图像
hist
的百分位数
。
[0015]进一步的，所述由图像
f1和图像
hist
线性融合后输出图像，具体表达式为：
[0016]y
＝
m
×
f1‑
l
×
hist
；参数
m
和
l
为权重参数，用于决定每个图像的重视程度
。
[0017]进一步的，步骤
S2
具体为：基于哈里斯鹰优化算法的多级阈值图像分割方法对预处理后的图像进行初步场景分割；再由非线性回归曲线，拟合离散边界点，得到分割边界线，最终分割得到各个分区的图像
。
[0018]进一步的，所述改进后的人工蜂群优化算法，采用
Tsallis
熵函数作为前期搜索阶段的适应度函数，采用自定义的疵点个数与面积约束作为蜂群的寻优方向以及影响算法终止的条件
。
[0019]进一步的，所述采用自定义的疵点个数与面积约束作为蜂群的寻优方向以及影响算法终止的条件，具体为：增加面积约束条件作为效益度函数，来决定算法是否终止；算法搜索寻优的范围限定在
[0
，
255]，在搜索过程中，符合约束条件的阈值将被记录为
a
；随后，设置领域半径为
i
，通过对
a
‑
i、a、a+i
对应阈值的图像进行疵点面积的变化趋势分析，以确定其单调递增的方向，作为后续蜜蜂的搜索寻优方向；其中所述效益度函数的约束条件为：搜索得到当前阈值使图像得到
[b
，
c]个可疑疵点，各个可疑疵点面积在
[S1，
S2]范围内；当搜索到符合约束条件的阈值，对应的效益度函数值大于0，否则效益度函数值为0，即效益度函数值表示当前约束条件下面积最大的疵点的面积
S
max
，当约束条件下的效益度值不再增加时，则算法终止
。
[0020]进一步的，步骤
S4
中的根据局部可疑疵点区域的生丝密集程度，分为生丝分布稀疏与密集两类，具体为：对局部可疑疵点区域进行基于霍夫变换的直线检测，以得到生丝条数
s
，同时计算对应的可疑疵点区域的面积
S
a
，当
s/S
a
小于
0.02
时，表明该可疑疵点区域中的生丝分布为稀疏；反之，则生丝分布为密集
。
[0021]进一步的，所述分别基于局部区域方向梯度直方图和区域阈值分割进行生丝疵点精确定位，具体包括：
[0022]对生丝分布稀疏的区域，通过局部区域方向梯度直方图，利用局部区域疵点与背景的纹理差异，分割出背景与前景，得到准确的疵点位置，梯度幅值
G(x,y)
与梯度方向
α
(x,y)
由下式计算：
[0023][0024][0025][0026]上式中，
G
x
(x,y)、G
y
(x,y)
分别为
x
与
y
...

【技术保护点】

【技术特征摘要】
1.
一种不均匀低照度条件下的生丝疵点检测方法，其特征在于，包括以下步骤：
S1.
采用改进的限制对比度图像增强算法对原始图像预处理，凸显疵点；
S2.
通过场景分割算法对预处理后的图像进行分割得到分区图像；
S3.
运用改进后的人工蜂群优化算法对各分区图像进行阈值分割，获取各个分区图像中的可疑疵点的位置信息，再将各分区的结果叠加在原图上，进行疵点定位，得到局部可疑疵点区域；
S4.
根据局部可疑疵点区域的生丝密集程度，分为生丝分布稀疏与密集两类，再分别基于局部区域方向梯度直方图和区域阈值分割进行生丝疵点精确定位，检测出局部可疑疵点区域内真实的疵点；
S5.
对分离的真实疵点进行形态学重建，从而实现对完整疵点的检测分割
。2.
如权利要求1上述的一种不均匀低照度条件下的生丝疵点检测方法，其特征在于，步骤
S1
具体为：首先，将图像从
RGB
通道变换为
YUV
通道，再单独对图像
YUV
通道中的
Y
通道进行阈值自适应的直方图均衡化，后同比融合提升
U、V
通道，得到灰度空间图像；然后，通过结合了伽马变换的限制对比度图像增强算法对所述灰度空间图像进行处理，得到自适应伽马变换处理后的图像
f1和限制对比度图像增强算法处理后的图像
hist
；最终由图像
f1和图像
hist
线性融合后输出图像
。3.
如权利要求2上述的一种不均匀低照度条件下的生丝疵点检测方法，其特征在于，所述自适应伽马变换处理后的图像
f1具体采用以下方式获得，表达式为：
f1＝
c
×
r
γ
，
r
为灰度图像的输入值，
c
为灰度缩放系数；其中
γ
系数由限制对比度图像增强算法处理后的图像
hist
决定，
P
min
和
P
max
分别对应表示为图像
hist
的最小和最大的百分位数；
hist
eq
表示图像
hist
的灰度值从小到大排序处理后的结果，
n
为数据量大小，
P
表示图像
hist
的百分位数
。4.
如权利要求2上述的一种不均匀低照度条件下的生丝疵点检测方法，其特征在于，所述由图像
f1和图像
hist
线性融合后输出图像，具体表达式为：
y
＝
m
×
f1‑
l
×
hist
；参数
m
和
l
为权重参数，用于决定每个图像的重视程度
。5.
如权利要求1上述的一种不均匀低照度条件下的生丝疵点检测方法，其特征在于，步骤
S2
具体为：基于哈里斯鹰优化算法的多级阈值图像分割方法对预处理后的图像进行初步场景分割；再由非线性回归曲线，拟合离散边界点，得到分割边界线，最终分割得到...

【专利技术属性】
技术研发人员：李子印，曾凡高，汪小东，叶飞，姚晓娟，金君，
申请(专利权)人：湖州市质量技术监督检测研究院湖州市纤维质量监测中心，
类型：发明
国别省市：