本發(fā)明涉及圖像處理，具體為一種基于投影法的針織面料缺陷檢測方法及系統(tǒng)。

背景技術：

1、針織面料廣泛應用于服裝和家居用品等領域，由于其獨特的彈性和舒適性使其廣受歡迎。然而，在生產過程中，針織面料容易出現(xiàn)不同類型的缺陷，如線頭、色差、污漬和織物不均勻等。這些缺陷不僅影響針織面料的外觀質量，也影響針織面料的使用性能。因此，高效和準確檢測針織面料的缺陷，成為紡織行業(yè)亟待解決的問題。

2、近年來，隨著人工智能和圖像識別技術的蓬勃發(fā)展，智能化缺陷檢測技術在紡織行業(yè)得到了廣泛應用，不僅提升了檢測速度，也提高了產品質量的穩(wěn)定性。然而，現(xiàn)有的檢測方案多集中于平滑的針織面料，對提花面料缺陷的檢測較為薄弱，這可能導致在提花織物上的檢測準確性受限。此外，現(xiàn)有方案大多采用單一方向的投影方法，通常僅限于縱向和橫向投影，缺乏多方向投影的綜合分析，難以精準捕捉針織面料復雜而細致的紋理特征。同時，現(xiàn)有方案往往忽視了面料的多維度特性，如物理屬性、化學成分和織物成分等，從而在一定程度上限制了檢測的精確性。

3、為此，提出一種基于投影法的針織面料缺陷檢測方法及系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于投影法的針織面料缺陷檢測方法及系統(tǒng)，通過采集針織面料的表面圖像，并預處理為第一圖像；若第一圖像為非提花面料圖像，則直接作為第二圖像，若為提花面料圖像，則使用gabor濾波提取紋理特征，分離高頻和低頻區(qū)域后，利用pm模型分別對其進行擴散處理，再組合為第二圖像；對第二圖像進行多方向投影，生成不同角度的灰度積分曲線并計算其一階導數(shù)，通過突變點識別潛在缺陷區(qū)域并局部放大為第三圖像；利用yolov7模型檢測疵點，計算表面缺陷值，采集面料的含量比、物理強度和化學含量，分別計算評分值，將評分值與表面缺陷值加權求和，生成質量評定結果，提升了針織面料的檢測精確性。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、第一部分，一種基于投影法的針織面料缺陷檢測方法及系統(tǒng)，包括：

4、采集針織面料表面圖像，對所述針織面料表面圖像進行預處理后得到第一圖像，所述第一圖像包括提花面料圖像和非提花面料圖像；

5、若所述第一圖像為所述非提花面料圖像，則直接將所述第一圖像記為第二圖像；若所述第一圖像為所述提花面料圖像，則使用gabor濾波提取所述提花面料圖像的紋理特征，得到高頻區(qū)域和低頻區(qū)域；使用pm模型分別對所述高頻區(qū)域和所述低頻區(qū)域進行擴散處理，并將處理后的所述高頻區(qū)域和所述低頻區(qū)域組合，得到所述第二圖像；其中，所述pm模型用于平滑所述高頻區(qū)域的提花紋理，同時消除所述低頻區(qū)域中的噪聲；

6、使用多方向投影法對所述第二圖像進行灰度積分投影，得到不同投影角度的積分曲線；計算所述積分曲線的一階導數(shù)，得到不同位置的導數(shù)值，并根據(jù)所述導數(shù)值得到突變點；將所有所述突變點進行交集處理，得到潛在缺陷區(qū)域；

7、截取所述潛在缺陷區(qū)域并進行局部放大，得到第三圖像；使用訓練好的yolov7模型對所述第三圖像進行檢測，得到實際疵點；根據(jù)所述實際疵點的數(shù)量和大小，得到表面缺陷值；

8、獲取所述針織面料的含量比、物理強度和化學含量，分別計算所述含量比、所述物理強度和所述化學含量的評分值，并將所述評分值和所述表面缺陷值進行加權求和，得到質量評定結果。

9、進一步地，所述第一圖像的獲取過程包括：

10、將所述針織面料表面圖像進行灰度化，得到灰度圖像；

11、使用高斯濾波對所述灰度圖像進行去噪處理，得到去噪圖像；

12、使用訓練好的cnn模型對所述去噪圖像進行分類，得到所述提花面料圖像和所述非提花面料圖像。

13、進一步地，所述高頻區(qū)域的處理過程包括：

14、為所述高頻區(qū)域指定第一擴散系數(shù)；

15、計算所述高頻區(qū)域每個像素的梯度，得到邊緣強度值；

16、根據(jù)所述第一擴散系數(shù)和所述邊緣強度值使用選擇性擴散函數(shù)計算得到擴散強度；

17、根據(jù)所述擴散強度使用所述pm模型的擴散方程對所述高頻區(qū)域進行擴散處理，得到處理后的所述高頻區(qū)域。

18、進一步地，所述低頻區(qū)域的處理過程包括：

19、對所述低頻區(qū)域設置第二擴散系數(shù)，所述第二擴散系數(shù)大于第一擴散系數(shù)；

20、根據(jù)所述第二擴散系數(shù)使用所述pm模型的擴散方程對所述低頻區(qū)域進行擴散處理，得到處理后的所述低頻區(qū)域。

21、進一步地，所述積分曲線獲取過程包括：

22、選擇不同投影角度，根據(jù)所述不同投影角度和所述第二圖像的灰度值，計算得到投影值，表示為：

23、；

24、其中，為角度在距離處的投影值；為所述第二圖像在點的灰度值，和分別是所述第二圖像的橫縱坐標；是沿著角度在距離處的像素集合；

25、將設置為曲線橫坐標，將設置為曲線縱坐標，并根據(jù)所述曲線橫坐標和所述曲線縱坐標繪制得到所述積分曲線。

26、進一步地，所述突變點獲取過程包括：

27、獲取不同投影角度的所述積分曲線，對每條所述積分曲線計算一階導數(shù)，得到不同位置的所述導數(shù)值；

28、若所述導數(shù)值超出第一閾值，則根據(jù)所述積分曲線標記與所述導數(shù)值相應的坐標位置，并將所述坐標位置記為突變點。

29、進一步地，所述潛在缺陷區(qū)域標記過程包括：

30、收集所有所述突變點，并組合成突變點集合；將所述突變點集合進行所述交集處理，得到重疊突變點和非重疊突變點；

31、以所述重疊突變點和所述非重疊突變點為中心，分別繪制第一矩形和第二矩形，所述第一矩形的邊長大于所述第二矩形的邊長；

32、若所述第一矩形之間有重疊部分、所述第二矩形之間有所述重疊部分和所述第一矩形與所述第二矩形之間有所述重疊部分的任意一種，則根據(jù)所述重疊部分計算得到最小外接矩形的邊界，并根據(jù)所述最小外接矩形的邊界得到所述潛在缺陷區(qū)域。

33、進一步地，所述yolov7模型的訓練步驟包括：

34、步驟s1：收集包含疵點的歷史針織面料圖像，并標注所述歷史針織面料圖像中的缺陷區(qū)域和缺陷類型，得到第一數(shù)據(jù)集；

35、步驟s2：將所述第一數(shù)據(jù)集輸入基礎模型，所述基礎模型輸出對所述第一數(shù)據(jù)集的預測值；

36、步驟s3：根據(jù)所述預測值、所述缺陷區(qū)域和所述缺陷類型使用損失函數(shù)計算得到損失值；

37、步驟s4：對所述損失值使用反向傳播法計算得到梯度信息；根據(jù)所述梯度信息使用adam優(yōu)化器更新所述基礎模型的網絡參數(shù)；

38、步驟s5：若所述基礎模型的訓練輪數(shù)等于預設輪數(shù)，則結束訓練所述基礎模型，否則重復所述步驟s1至所述步驟s5。

39、進一步地，所述質量評定結果的計算過程包括：

40、獲取所述含量比、所述物理強度和所述化學含量的評分值，并將所述評分值和所述表面缺陷值進行歸一化處理，得到第一數(shù)值、第二數(shù)值、第三數(shù)值和第四數(shù)值；

41、以固定時間間隔采集用戶對所述針織面料的滿意度，根據(jù)所述滿意度、第一數(shù)值、第二數(shù)值、第三數(shù)值和第四數(shù)值，使用皮爾遜相關系數(shù)法計算得到所述滿意度與所述第一數(shù)值、所述第二數(shù)值、所述第三數(shù)值和所述第四數(shù)值之間的相關系數(shù)；

42、將所述相關系數(shù)記為權重系數(shù)，并根據(jù)所述權重系數(shù)將所述評分值和所述表面缺陷值進行加權求和，得到所述質量評定結果。

43、第二部分，一種基于投影法的針織面料缺陷檢測系統(tǒng)，包括：

44、圖像預處理模塊，用于采集針織面料表面圖像，對所述針織面料表面圖像進行預處理后得到第一圖像；

45、圖像再處理模塊，若所述第一圖像為非提花面料圖像，則直接記為第二圖像；若所述第一圖像為提花面料圖像，則使用gabor濾波提取所述提花面料圖像的紋理特征，得到高頻區(qū)域和低頻區(qū)域；使用pm模型分別對所述高頻區(qū)域和所述低頻區(qū)域進行擴散處理，并將處理后的所述高頻區(qū)域和所述低頻區(qū)域組合，得到所述第二圖像；其中，所述pm模型用于平滑所述高頻區(qū)域的提花紋理，同時消除所述低頻區(qū)域中的噪聲；

46、表面缺陷計算模塊，用于使用多方向投影法對所述第二圖像進行灰度積分投影，得到不同投影角度的積分曲線；計算所述積分曲線的一階導數(shù)，得到突變點；將所有所述突變點進行交集處理，得到潛在缺陷區(qū)域；截取所述潛在缺陷區(qū)域，得到第三圖像；使用訓練好的yolov7模型對所述第三圖像進行檢測，得到實際疵點；根據(jù)所述實際疵點的數(shù)量和大小，得到表面缺陷值；

47、綜合缺陷計算模塊，用于獲取所述針織面料的含量比、物理強度和化學含量，分別計算所述含量比、所述物理強度和所述化學含量的評分值，并將所述評分值和所述表面缺陷值進行加權求和，得到質量評定結果。

48、與現(xiàn)有技術相比，本發(fā)明的有益效果為：

49、1、通過卷積神經網絡對圖像進行分類，將面料分為提花面料和非提花面料，對于提花面料，進一步使用gabor濾波提取其紋理特征，區(qū)分了針織面料的精細紋理和大面積均勻區(qū)域。接著，對這些區(qū)域分別進行擴散處理，使用改進的pm模型能根據(jù)圖像的梯度靈活調整擴散系數(shù)，能夠在保留缺陷細節(jié)的同時，平滑掉復雜紋理中的噪聲，使檢測過程聚焦于真實缺陷，提高了對針織面料檢測的精確性。

50、2、采用多方向投影法進行灰度積分投影，通過在多個投影角度下生成積分曲線，提高了投影的適應性，能夠捕捉到復雜紋理面料的細微缺陷。接著，計算所有積分曲線一階導數(shù)，能夠識別出紋理突變點并定位潛在缺陷區(qū)域。此外，對潛在缺陷區(qū)域進行局部放大，并采用yolov7模型進行疵點檢測，識別出表面缺陷的具體位置、數(shù)量和大小，減少了誤判的可能性，從而提升了面料缺陷檢測的精確性和全面性。

51、3、采集面料的物理強度、化學含量和含量比例等多種因素并計算相應的評分值，從而能夠全面地評估面料質量。同時，以固定時間間隔采集用戶對針織面料的滿意度評分，利用皮爾遜相關系數(shù)法動態(tài)計算各因素的權重系數(shù)，并依據(jù)這些權重系數(shù)來計算質量評定結果，這種計算方法能夠靈活適應實際用戶反饋的變化，使得質量評定更加符合市場需求，從而提高了對針織面料檢測的精確性。