[发明专利]一种织物疵点检测方法

说明书

本发明公开了一种织物疵点检测方法，具体包括：首先将待检测的织物疵点图像缩放至256×256像素，然后将织物疵点图像转为灰度图像；然后对经步骤1后得到的织物疵点图像进行改进的加权中值滤波处理；最后采用K‑means聚类分割织物疵点，在抑制织物图像背景纹理的同时能显著提高滤波速度，对不同的纹理背景的织物，能做到有效准确的检测疵点。

技术领域

本发明属于纺织疵点检测方法技术领域，具体涉及一种织物疵点检测方法。

背景技术

作为衣着、装饰医用、产业用、航天军工用品的原料，织物是生活与工业生产中不可或缺的材料，在织物生产中，由于纱线瑕疵、机械故障、人工操作失误以及生产环境干扰等因素，不可避免地会产生织物缺陷。缺陷的存在对纺织终端产品的质量及价格起着决定性影响，如果缺陷产品应用于航空、军工及医用中，将造成不可估量和无法挽回的损失，因此织物缺陷检测尤为重要。然而由于各类织物纹理结构复杂，噪声和细微缺陷之间相似性高，极大增加了缺陷检测的难度。目前绝大部分的纺织企业，依赖人工视觉检测织物缺陷，传统的人工检测容易受到个人的视力、疲劳状况、情绪、光照等主客观因素的影响，往往无法确保检测的精度及准确率，尤其对于纹理复杂、图案花型多变、颜色差异较小的缺陷，人眼几乎不能识别，远远不能满足工业生产应用的需求。因此，探索一种有效、具有普适性的织物疵点检测方法，使其能够快速且准确地识别各种印花织物的疵点，具有重要的学术价值和应用价值。

针对织物疵点检测问题，主要包含四种方法，基于统计的方法主要包括分形维数、互相关，共生矩阵，局部二进制模式，Conci等运用分形维理论检测织物瑕疵，江南大学的潘教授和朱丹丹采用自相关算法计算各个纹理基元和标准模板的相似度，评估格子织物图像中有无瑕疵纹理基元；基于频谱的方法主要包括Gabor滤波器，小波变换和傅里叶变换，Kumar研究了几种不同的利用Gabor小波特征进行纹理材料表面检测的方法，Tsai等利用傅里叶模型提取织物瑕疵的傅里叶特征，进而实现疵点分割；基于模型的方法有自回归模型，马尔科夫随机场模型等，Hajimowlana等人使用一维自回归模型提取误差区域生成疵点形状，武汉纺织大学的李敏等人应用改进的高斯混合模型，通过分块建模思想有效识别出彩色纹理织物表面疵点；基于学习的方法常见的有应用卷积神经网络、自编码网络，Yapi等提出了一种新颖的基于监督学习的方法，Tsang等提出的Elo评级方法，在点型和星型图案的织物图像中被证明有很好的效果，Li等基于Fisher准则将含有疵点和不含疵点的织物图像进行分类，表明该方法在复杂的提花经编织物上有更好的结果。

基于以上分析，现有检测方法很难有效描述复杂多样的织物纹理，且具有很高的运算复杂度，自适应性不强，致使检测效果不明显；针对织物组织纹理结构复杂、花型繁多、材质多样，如何有效的检测出疵点仍然是研究的热点。

发明内容

本发明的目的在于提供一种织物疵点检测方法，减少纹理信息对疵点检测产生的影响，同时提高算法的执行速度，有效的检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点。

本发明所采用的技术方案是，一种织物疵点检测方法，具体包括以下步骤：

步骤1，将待检测的织物疵点图像缩放至256×256像素，然后将织物疵点图像转为灰度图像；

步骤2，对经步骤1后得到的织物疵点图像进行改进的加权中值滤波处理；

步骤3，将经步骤2处理后的织物疵点图像采用K-means聚类分割织物疵点。

本发明的特点还在于：

其中步骤2具体包括：

步骤2.1，把织物疵点图像标记为I，织物疵点图像中的任意一点像素为p，当以p为中心，半径为r的局部窗口R(p)，对于属于R(p)窗口内的每一个像素q，都对应一个基于对应的特征图像的相似度的权重W_pq，如公式(1)所示：