【技术实现步骤摘要】
【】本专利技术涉及织物疵点检测的，特别是利用数字图像处理和光谱分析技术对织物进行疵点检测的。
技术介绍
0、
技术介绍
1、织物表面疵点检测是纺织制造业质量控制中必不可少的环节。传统的织物检测通常采用人工视觉的方法进行，存在效率低以及长期工业应用精度差的技术问题。随着织物疵点检测算法的成熟，国内也陆续开发出了一些具有织物疵点的自动检测服务功能的系统或装置，如公开号为cn102175692a的专利技术专利所公开的一种织物坯布在线快速自动检测系统以及公开号为cn112697805a的专利技术专利所公开的一种织物疵点智能检测装置。但是，现有的织物疵点检测技术仍待完善，特别是在检测速度和检测精度这两方面。这便导致了现有机器的自动疵点检测功能仍然存在一定的使用局限，在实际生产中难以完全替代人工视觉检测。
技术实现思路
0、
技术实现思路
1、本专利技术的目的就是解决现有技术中的问题，提出基于高光谱成像技术的织物疵点检测方法，能够实现疵点快速且准确地在线检测。
2、为实现上述目的，本专利技术提出了基于高光谱成像技术的织物疵点检测方法，包括如下步骤：
3、s1)采用高光谱成像系统分别采集若干种带有疵点的织物的高光谱数据及图像；
4、s2)对各个高光谱数据及图像进行预处理；
5、s3)利用波谱角填图分类算法使各个经过预处理的高光谱数据及图像形成假色彩合成图像以显示疵点位置并计算疵点长度；
6、s4)训练bp人工
7、s5)利用训练好的bp人工神经网络模型检测待测样品的疵点类型并评分。
8、作为优选，在所述步骤s1)之中，所述织物由天然纤维、合成纤维和再生纤维其中的一种或几种的组合制成，所述天然纤维为棉纤维、毛纤维、丝纤维或麻纤维，所述合成纤维为涤纶、锦纶、睛纶或丙纶，所述再生纤维为粘胶纤维、富强纤维或lyocell纤维，所述疵点为经纬向瑕疵、纬档、纬斜、厚薄段、破洞、裂伤、边疵、吊经和吊纬其中的一种或几种的组合。
9、作为优选，在所述步骤s2)之中，所述预处理包括反射率校正、图像裁剪和噪声去除。
10、作为优选，采用平场域纠正法对高光谱数据及图像进行反射率校正且校正公式为公式(1)；
11、
12、其中，rc为校正后的高光谱图像，r0为校正前的高光谱图像，d为背景板的参考图像，w为标准板的参考图像，α为标准板的参考反射率。
13、作为优选，在所述步骤s3)之中，所述波谱角填图分类算法根据波段是低于光谱平均值还是高于光谱平均值以将数据和端元光使用n维角度像元与参照光谱进行匹配，所述波谱角填图分类算法将像元n个波段的光谱看作n维光谱向量并通过计算与端元光谱之间的夹角以判定两个光谱间的相似度，所述夹角越小则越相似。
14、作为优选，所述波谱角填图的夹角公式为公式(2)；
15、
16、其中，n为波段数，x为未知光谱，y为已知光谱。
17、作为优选，在所述步骤s3)之中，使用envi软件的statistics for all colorslices功能以查看假色彩合成图像中疵点的总像元数，再根据原图像中分辨率计算各疵点的长度。
18、作为优选，在所述步骤s4)之中，所述bp人工神经网络模型的算法流程包括信号的正向传播和误差的反向传播两个阶段，所述信号的正向传播的路径为从输入层经过隐含层并最后到达输出层，所述误差的反向传播的路径为从输出层经过隐含层并最后到达输入层，所述输入层之中分别输入由步骤s2)所获得的疵点所在像元的高光谱数据和由步骤s3)所获得的各像元所属的疵点假色彩和疵点长度，所述输出层输出疵点类型和织物评级，所述隐含层到输出层的权重和偏置以及输入层到隐含层的权重和偏置均可调节。
19、作为优选，所述隐含层的节点个数通过公式(3)进行计算；
20、
21、其中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数。
22、作为优选，在所述步骤s5)之中，将待测样品替代各个带有疵点的织物并同步骤s1)至s3)进行操作，再将由步骤s2)所获得的疵点所在像元的高光谱数据和由步骤s3)所获得的各像元所属的疵点假色彩和疵点长度输入至训练好的bp人工神经网络模型之中以得到织物中疵点的类型并利用扣分的方式进行评分。
23、本专利技术的有益效果：
24、本专利技术采用高光谱成像技术获得了一种快速的织物疵点检测方法，使数据采集和处理速度快，鉴别精度高。本专利技术不但能够快速且准确地检测疵点所在位置和类型，还能够在此基础之上再对其进行评分，从而大大降低人为主观因素对织物疵点评分的影响。本专利技术同时利用了高光谱成像系统的图像维度和光谱维度对织物疵点进行检测，能够使结果更为直观准确。
25、本专利技术的特征及优点将通过实施例结合附图进行详细说明。
本文档来自技高网...【技术保护点】
1.基于高光谱成像技术的织物疵点检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤S1)之中，所述织物由天然纤维、合成纤维和再生纤维其中的一种或几种的组合制成，所述天然纤维为棉纤维、毛纤维、丝纤维或麻纤维，所述合成纤维为涤纶、锦纶、睛纶或丙纶，所述再生纤维为粘胶纤维、富强纤维或Lyocell纤维，所述疵点为经纬向瑕疵、纬档、纬斜、厚薄段、破洞、裂伤、边疵、吊经和吊纬其中的一种或几种的组合。
3.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤S2)之中，所述预处理包括反射率校正、图像裁剪和噪声去除。
4.如权利要求3所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：采用平场域纠正法对高光谱数据及图像进行反射率校正且校正公式为公式(1)；
5.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤S3)之中，所述波谱角填图分类算法根据波段是低于光谱平均值还是高于光谱平均值以将数据和端元光使用n维角度像元与参
6.如权利要求5所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：所述波谱角填图的夹角公式为公式(2)；
7.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤S3)之中，使用ENVI软件的Statistics for all color slices功能以查看假色彩合成图像中疵点的总像元数，再根据原图像中分辨率计算各疵点的长度。
8.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤S4)之中，所述BP人工神经网络模型的算法流程包括信号的正向传播和误差的反向传播两个阶段，所述信号的正向传播的路径为从输入层经过隐含层并最后到达输出层，所述误差的反向传播的路径为从输出层经过隐含层并最后到达输入层，所述输入层之中分别输入由步骤S2)所获得的疵点所在像元的高光谱数据和由步骤S3)所获得的各像元所属的疵点假色彩和疵点长度，所述输出层输出疵点类型和织物评级，所述隐含层到输出层的权重和偏置以及输入层到隐含层的权重和偏置均可调节。
9.如权利要求8所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：所述隐含层的节点个数通过公式(3)进行计算；
10.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤S5)之中，将待测样品替代各个带有疵点的织物并同步骤S1)至S3)进行操作，再将由步骤S2)所获得的疵点所在像元的高光谱数据和由步骤S3)所获得的各像元所属的疵点假色彩和疵点长度输入至训练好的BP人工神经网络模型之中以得到织物中疵点的类型并利用扣分的方式进行评分。
...【技术特征摘要】
1.基于高光谱成像技术的织物疵点检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤s1)之中，所述织物由天然纤维、合成纤维和再生纤维其中的一种或几种的组合制成，所述天然纤维为棉纤维、毛纤维、丝纤维或麻纤维，所述合成纤维为涤纶、锦纶、睛纶或丙纶，所述再生纤维为粘胶纤维、富强纤维或lyocell纤维，所述疵点为经纬向瑕疵、纬档、纬斜、厚薄段、破洞、裂伤、边疵、吊经和吊纬其中的一种或几种的组合。
3.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤s2)之中，所述预处理包括反射率校正、图像裁剪和噪声去除。
4.如权利要求3所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：采用平场域纠正法对高光谱数据及图像进行反射率校正且校正公式为公式(1)；
5.如权利要求1所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：在所述步骤s3)之中，所述波谱角填图分类算法根据波段是低于光谱平均值还是高于光谱平均值以将数据和端元光使用n维角度像元与参照光谱进行匹配，所述波谱角填图分类算法将像元n个波段的光谱看作n维光谱向量并通过计算与端元光谱之间的夹角以判定两个光谱间的相似度，所述夹角越小则越相似。
6.如权利要求5所述的基于高光谱成像技术的织物疵点检测方法，其特征在于：所述波谱角填图的夹角公式为公式(2)；
...
【专利技术属性】
技术研发人员：金肖克，何浩男，戚鑫涛，祝成炎，张红霞，田伟，蒋晶晶，朱炜婧，
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。