[发明专利]无纺布缺陷检测与分类方法

说明书

本发明公开了无纺布缺陷检测与分类方法，解决无纺布破洞、油污、异物以及划痕四种缺陷的自动检测与分类问题。首先对无纺布缺陷图像进行检测，利用优化Gabor滤波器组对其进行滤波，将滤波结果进行融合，并利用自适应阈值分割法对其进行二值化，利用伪缺陷剔除算法排除噪声干扰，从而准确定位出缺陷在图像中的位置；接着根据缺陷的位置，分割出图像中的感兴趣区域，基于感兴趣区域提取由形状特征、一阶矩特征以及二阶矩特征构成的复合特征向量；再利用复合特征向量组以及一对一的设计策略训练SVM分类器；最后用训练好的分类器组对无纺布缺陷特征实现准确分类。本发明具有对缺陷定位准确和分类准确率高的优点，用于无纺布生产厂家布匹缺陷的检测与分类。

技术领域

本发明属于图像识别领域，具体涉及无纺布缺陷检测与分类方法，可用于对无纺布质量检测环节中采集到的缺陷图像进行识别。

背景技术

无纺布缺陷检测作为一种有效的质量保证手段目前主要通过人工来实现，工作量大且检测效率不高。故采用自动化的机器视觉检测是一种合理的选择，其能够保证较高的检测速度和检测率。针对无纺布缺陷的检测定位问题，目前主要有基于Gabor滤波的方法。华中科技大学刘海平等人采用多方向多尺度的Gabor滤波器实现无纺布缺陷的检测定位，检测的准确率较高，但是实时性较差。华中科技大学张渤等人采用单方向单尺度的Gabor滤波器实现无纺布缺陷的检测定位，算法的实时性较好，但是缺陷信息损失较大，检测的准确率较差。针对无纺布缺陷的分类问题，目前主要有基于人工神经网络的方法。华中科技大学张渤等人采用三层BP神经网络进行无纺布缺陷的自动分类，分类的准确率可达到87.05％，但是神经网络算法对于训练样本的数量要求较多，在实现时较困难。

发明内容

本公开一方面的目的在于提供一种无纺布缺陷检测与分类方法，以对无纺布缺陷图像中缺陷区域进行快速定位并对缺陷类型进行准确分类，实现无纺布质量检测的自动化。具体包括以下步骤：获取无纺布图像；对无纺布图像进行亮度补偿和滤波去噪预处理，以消除光照不均对图像造成的影响和滤除图像采集过程中出现的噪声；采用优化Gabor滤波器组对预处理后的图像进行滤波操作，并将滤波后的图像进行融合，使缺陷信息集中到融合结果中；采用局部均值自适应阈值分割法对融合结果图进行二值化，使缺陷区域与正常区域分离开来；采用伪缺陷剔除算法对二值化结果图中的孤立亮噪声点进行去除，使二值化图像中只保留正确的缺陷区域，准确实现缺陷的检测定位；根据缺陷在图像中的位置分割感兴趣区域，基于感兴趣区域提取缺陷特征；根据缺陷特征向量组训练SVM分类器并进行参数优化；用训练好的分类器对缺陷进行分类识别。

在上述的无纺布缺陷检测与分类方法，所述Gabor滤波器组优化方法包括以下步骤：根据二维Gabor函数设计总共5尺度8方向上的40个Gabor滤波器；将8个方向分为4组正交方向，根据图像一维熵的计算方法，计算每组正交方向滤波结果图像的一维熵的和，将和最小值所对应的正交方向组作为Gabor滤波器组的最优方向选择；针对最优方向上每个尺度的滤波结果图像计算其损失评价函数值，计算每组正交方向上损失评价函数值的和，将和最大值所对应的尺度作为Gabor滤波器组的最优尺度选择；将Gabor滤波器的方向参数设置为最优方向，尺度参数设置为最优尺度，并只取其实部滤波器，完成优化Gabor滤波器组的设计，并使用优化Gabor滤波器组对无纺布图像进行滤波。

在上述的无纺布缺陷检测与分类方法，将两个正交方向上的滤波结果图进行加权融合，使缺陷的信息集中到融合结果图中。

在上述的无纺布缺陷检测与分类方法，所述缺陷特征包括形状特征向量、一阶矩特征向量及二阶矩特征向量，将形状特征向量、一阶矩特征向量以及二阶矩特征向量合并成一个复合特征向量，作为代表缺陷类别的特征。

在上述的无纺布缺陷检测与分类方法，所述形状特征向量包括参数：面积、周长、方向角、圆形度、扁平度以及占空比。

在上述的无纺布缺陷检测与分类方法，所述一阶矩特征向量包括参数：灰度平均值、方差、倾斜度、峭度以及一维熵。