[发明专利]织物疵点在线三维识别方法

说明书

技术领域

本发明涉及一种织物疵点在线三维识别方法，更具体的说，本发明涉及一种用于织物疵点在线检测系统的三维识别方法。

背景技术

中国目前是纺织品服装出口大国，但是我们从纺织服装加工中心变成一个纺织服装的利润中心需要走的路还相当遥远。自从我国加入WTO以来，纺织品出口一直以低价位、低利润与国外产品竞争，占领的大多数为中低端市场，而对质量要求严格的高端市场难以进入。因此，通过提高检验的技术与装配来提升我国纺织品质量已经成为迫在眉睫的问题。

织物疵点的检测方法主要有统计方法(statistical)、模版法(model-based)和谱方法(spectral)[1]。

统计方法主要包括灰度级统计方法、形态学方法、边缘检测方法、正规化相关匹配方法(Normalized Cross-Correlation)、灰度伴随矩阵方法(Co-Occurrence Matrix)、特征滤波方法(Eigenfilter)、局部线性变换方法、神经网络(Neural Networks)方法等。其中神经网络方法是近些年来各个领域的研究热点，A.Kumar等人利用神经网络和支持向量机(SVM：Support Vector Machines)方法，对织物的纹理缺陷进行检测；王三武等研究了基于BP神经网络的织物疵点检测方法；高晓丁等研究了基于支持向量机的织物疵点识别算法；宋寅卯等研究了基于脉冲耦合神经网络PCNN(Pulse Coupled Neural Networks)的织物疵点自动检测。

基于模板的方法主要有高斯-马尔可夫随机场模型方法(Gauss Markov Random Field Model)、波松模型方法(Poisson Model)、基于模型的聚类方法(Model-based Clustering)等。

谱方法主要包括离散傅里叶变换方法(DFT：Discrete Fourier Transform)、光学傅里叶变换方法(OFT：Optical Fourier Transform)、加窗傅里叶变换(WFT：Windowed Fourier Transform)、Gabor滤波器方法、维格纳分布(Wigner distribution)方法、小波变换方法(Wavelet Transform)等。其中，Gabor滤波器方法和小波变换方法是近些年研究的热点。邢亚敬等研究了基于优化Gabor滤波器的织物疵点检测方法；李立轻等将自适应正交小波变换应用于织物疵点检测。

上述方法为计算机视觉在织物检测方面的应用奠定了基础，但是由于上述检测均是基于二维图像处理，尚存在如下问题：

(1)难以解决“布面皱痕”带来的图像干扰。走布(卷布)辊为主动传动，放布为被动，在检测区的布面虽有一定张力，但在卷布过程中，张力有波动，张力过大或过小都会使检测区的布面产生凸凹皱痕，此皱痕在二维图像成像为阴影，容易被误认为疵点。

(2)难以解决“环境光背景光变化”带来的图像干扰。当灯箱环境光或者背景光发生变化时，或者背景光因老化等原因出现光线不匀现象时，均会导致二维图像出现灰度变化，该灰度变化很难与疵点信息带来的灰度变化区别开。

(3)难以解决“飞絮”带来的图像干扰。若织物表面存在飞絮，容易将飞絮产生的阴影误认为是疵点。

(4)目前上述系统仅限于素色织物疵点的检测，对于复杂背景彩色织物的检测还有待进一步研究。

本发明正是为了解决二维疵点识别的难题。与二维图像识别理论不同，本发明的识别是建立在三维检测数据的基础之上，因此比二维图像识别具有更高的可靠性和稳定性，并可以排除褶皱、飞絮等对疵点识别带来的干扰。本发明利用不同类型疵点的三维结构特征进行识别和分类，可以指导生产环节进行恰当的调整，实现质量回溯。

目前，纺织品主要质量问题可以分为三类。

(1)由于生产参数、环境参数设置不当造成的纺织品的瑕疵，主要包括断经、断纬等。

(2)由于生产工艺错误、机器故障造成的瑕疵，主要包括缺经、缺纬、稀路、密路、跳花，方眼、云织等。

(3)由于纱疵导致的粗经、粗纬、细经、细纬、纱线粗节等。

本发明所采用的三维疵点识别比二维疵点识别更准确全面，而且可以排除褶皱飞絮等噪声干扰，三维疵点识别主要包含以下两个主要任务。

(1)判断非正常织物信息是否为干扰信息，即走布褶皱以及飞絮等造成的干扰，该干扰信息虽然也可以导致布面三维结构发生变化，但是该三维变化信息不是疵点，而是干扰信息。

(2)将确定为疵点的信息进行识别分类，以对生产工艺的调整给出指导性建议，实现质量回溯。