[发明专利]基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法

说明书

本发明涉及一种基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法，包括：获取丝饼图像，图像降采样；图像分割和图像裁剪；仿射变换；获取数据集；通过扩展的LBP算法计算出训练集中各个图像的纹理特征向量；生成XML文件；计算出测试集中各个图像的纹理特征向量，SVM支持向量机对测试集正样本、负样本中每张图像的标签进行预测，并计算出预测准确率；对待检测的丝饼图像进行滑块预测；根据滑块预测的标签输出判断结果。本发明通过图像分割将最终的背景干扰去除，使得处理后的图像不再含有大量的干扰，解决了从停留在实验室的研究与验证阶段到能够直接使用到工业生产线中，本发明对纺织丝饼成型不良缺陷检测准确率高、耗时短。

技术领域

本发明涉及2D工业图像处理技术领域，尤其是一种基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法。

背景技术

在日常生活中，纺织品随处可见，我国作为一个农业大国，从古代就开始盛产丝绸等各种纺织品。而纺织丝饼因其强度高、耐磨、密度小、弹性好等优点,成为了一种重要的纺织原料，它由纺织长丝卷装而成，除了被广泛用于织物、服装、建筑内饰等领域，其在国防航天、生物医用材料、能源开发等领域也有所涉及。纺织丝饼的质量好坏影响纺织品的质量。而在工业生产线上对丝饼的缺陷检测主要采取人工进行检测，但此检测方法受到人为的影响较大，使其生产效率、精确度低下且其劳动力成本之高并且劳动力成本的不断增加，使得纺织企业的发展遇到了瓶颈。目前，我国各个高校的教授和学者还处于纺织类产品的自动化检测缺陷研究的起步阶段，虽然获得相关的论文、专利等成果，但是这些成果并不成熟，还只能停留在实验室的研究与验证阶段。针对纺织图像丝饼成型不良缺陷方法的研究，主要有三种思路：一是使用机器学习一些传统特征提取算法，然后对图像处理成数据集后进行训练得到特征向量，再结合标签与机器学习的一些分类方法对其计算出准确率，最终在整张图像上进行滑块预测后检测出该图像是否属于成型不良；但机器学习的一些传统特征提取方法和机器学习分类方法的种类较多，如何进行选用和扩展以获得很高的准确率；并且如何在学习的过程中，如何避免工业生产线上成像带来的一系列干扰。二是使用深度学习的方法。三是使用一些传统的图像处理的方法。传统的图像处理方法具有高效性和高稳定性，但局限性较大。

因此，如何能够实现高准确率、高效、实时的去检测纺织丝饼成型不良缺陷的同时，并且能够及时的使用在一些纺织制造业企业的生产线上已经成为了急需解决的技术问题。

发明内容

本发明的目的在于提供一种不仅能够成功实现对纺织丝饼的自动化缺陷检测，还能大大提高纺织丝饼缺陷检测的生产效率及产品质量的基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法。

为实现上述目的，本发明采用了以下技术方案：一种基于扩展局部二值模式的纺织丝饼成型不良缺陷检测方法，该方法包括下列顺序的步骤：

(1)获取丝饼图像，进行降采样：读取文件夹中所有的丝饼图像，对丝饼图像的长和宽进行等大缩小；

(2)进行图像分割和图像裁剪：对等大缩小后的丝饼图像进行图像分割后去除背景干扰，抠出所需图像；将抠出来的所需图像进行裁剪、切割成相同大小的图像；

(3)进行仿射变换：将切割好的图像进行水平、垂直、水平垂直翻转；

(4)获取数据集：将进行仿射变换后的图像中的正常图像定义为正样本，将具有成型不良的图像定义为负样本，正样本和负样本共同组成数据集，对数据集按7:3的比例划分为训练集和测试集；

(5)通过扩展的LBP算法计算出训练集中各个图像的纹理特征向量：计算训练集中正样本和负样本图像的纹理特征向量，并且将训练集中正样本每张图像的标签设置为1，负样本每张图像的标签设置为-1；

(6)使用SVM支持向量机对训练集正样本、负样本图像的纹理特征向量以及标签进行训练，生成一个XML文件；