本發(fā)明涉及針織面料瑕疵檢測，具體為一種基于機器視覺的針織面料瑕疵檢測方法及系統(tǒng)。

背景技術(shù)：

1、隨著紡織工業(yè)的不斷發(fā)展，圍巾等針織面料的生產(chǎn)工藝也得到了顯著的改進。然而，圍巾的生產(chǎn)過程中，由于原材料、生產(chǎn)設(shè)備、環(huán)境因素及操作人員的影響，常常會產(chǎn)生各種瑕疵，這些瑕疵不僅影響圍巾的外觀質(zhì)量，還會對消費者的使用體驗產(chǎn)生負面影響。因此，對圍巾等針織面料進行高效、精準(zhǔn)的瑕疵檢測，已成為紡織品制造過程中不可忽視的重要環(huán)節(jié)。

2、近年來，基于機器視覺的瑕疵檢測方法逐漸成為紡織品檢測領(lǐng)域的研究熱點。機器視覺系統(tǒng)能夠?qū)崟r獲取圍巾的生產(chǎn)過程圖像，并通過圖像處理算法提取其中的邊緣特征、紋理信息及瑕疵區(qū)域，實現(xiàn)對面料的快速且準(zhǔn)確檢測。然而，現(xiàn)有的機器視覺檢測系統(tǒng)在實際應(yīng)用中仍面臨一些問題。首先，針織面料生產(chǎn)環(huán)境中的光照條件和外部噪聲變化較大，導(dǎo)致采集到的圖像質(zhì)量不穩(wěn)定，影響檢測的準(zhǔn)確性和靈敏度。其次，由于針織面料結(jié)構(gòu)復(fù)雜，細小的瑕疵（如微小的斷線或顏色差異）難以被準(zhǔn)確識別，且不同類型的瑕疵形狀和尺寸各異，單一的圖像處理算法難以滿足多種瑕疵檢測的需求。目前，許多研究已提出了基于邊緣檢測、圖像分割以及圖像識別技術(shù)的瑕疵檢測方法。然而，這些方法通常依賴于靜態(tài)圖像的分析，且對于復(fù)雜形狀和細小瑕疵的檢測仍存在局限性。

3、為此，提出一種基于機器視覺的針織面料瑕疵檢測方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于機器視覺的針織面料瑕疵檢測方法及系統(tǒng)，首先通過采集圍巾的生產(chǎn)過程數(shù)據(jù)獲得第一圖像集；構(gòu)建圍巾多尺度邊緣檢測模型對第一圖像集進行識別，根據(jù)圖像的實際亮度和梯度分布動態(tài)調(diào)整閾值，生成第一邊緣特征集；將背景動態(tài)圖像和所述第一邊緣特征集進行梯度信息融合，構(gòu)建圍巾區(qū)域分割模型，對圍巾生產(chǎn)實時圖像進行分割，獲得時序分割圖像集和圍巾瑕疵邊緣數(shù)據(jù)；對圍巾瑕疵邊緣數(shù)據(jù)和時序分割圖像集進行實時分析，獲得圍巾時序邊緣瑕疵軌跡數(shù)據(jù)；構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時序邊緣瑕疵軌跡數(shù)據(jù)進行分析，獲取圍巾瑕疵邊緣的分形維數(shù)，生成圍巾瑕疵邊緣的復(fù)雜度。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于機器視覺的針織面料瑕疵檢測方法，包括。

4、通過高分辨率相機實時采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一圖像集；所述第一圖像集包括圍巾生產(chǎn)實時圖像和背景動態(tài)圖像；

5、構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進行識別，通過獲取不同尺度的標(biāo)準(zhǔn)圖像集的圖像亮度，根據(jù)圖像的實際亮度和梯度分布動態(tài)調(diào)整閾值，生成第一邊緣特征集；

6、將所述背景動態(tài)圖像和所述第一邊緣特征集進行梯度信息融合，構(gòu)建圍巾區(qū)域分割模型；通過所述圍巾區(qū)域分割模型對所述圍巾生產(chǎn)實時圖像進行分割，獲得圍巾不同區(qū)域時序分割圖像集和圍巾瑕疵邊緣數(shù)據(jù)；

7、通過光流法對所述圍巾瑕疵邊緣數(shù)據(jù)和所述時序分割圖像集進行實時分析，獲得圍巾時序邊緣瑕疵軌跡數(shù)據(jù)；

8、構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時序邊緣瑕疵軌跡數(shù)據(jù)進行分析，通過綜合分析瑕疵邊緣的軌跡變化幅度、軌跡平滑性以及時序連貫性，獲取圍巾瑕疵邊緣的分形維數(shù)；所述圍巾瑕疵邊緣的分形維數(shù)具體計算公式為：

9、；

10、其中，為圍巾瑕疵邊緣的分形維數(shù)，為對數(shù)函數(shù)，為分形尺度，為在尺度下瑕疵邊緣的分割數(shù)目，為瑕疵邊緣的軌跡變化幅度系數(shù)，為瑕疵邊緣的軌跡平滑性指標(biāo)；

11、基于所述圍巾瑕疵邊緣的分形維數(shù)，獲取圍巾瑕疵邊緣的復(fù)雜度。

12、優(yōu)選的，所述圍巾多尺度邊緣檢測模型包括第一圖像預(yù)處理層、多尺度邊緣特征提取層和邊緣特征圖融合層；

13、所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實時圖像進行灰度化處理得到第一標(biāo)準(zhǔn)圖像集；對所述第一標(biāo)準(zhǔn)圖像集進行高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像集；

14、所述多尺度邊緣特征提取層通過對所述第二標(biāo)準(zhǔn)圖像集進行多尺度處理，獲得不同尺度的標(biāo)準(zhǔn)圖像集；依據(jù)邊緣檢測算法對不同尺度的所述標(biāo)準(zhǔn)圖像集進行特征提取，生成初始邊緣特征圖；對所述初始邊緣特征圖進行方向和強度分析，獲得不同尺度的邊緣特征圖；

15、所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中原始圖像大小，獲得第一邊緣特征集。

16、優(yōu)選的，所述多尺度處理通過對圍巾生產(chǎn)實時的所述第二標(biāo)準(zhǔn)圖像集進行高斯金字塔分解，得到不同尺度的標(biāo)準(zhǔn)圖像集；

17、所述多尺度邊緣檢測算法獲取不同尺度的標(biāo)準(zhǔn)圖像集的圖像亮度；

18、依據(jù)所述圖像亮度獲取不同尺度圖像的高閾值和低閾值；

19、依據(jù)所述高閾值、低閾值和圖像的梯度強度提取圖像中不同尺度的邊緣特征；所述邊緣檢測算法的具體計算公式為：

20、；

21、其中，為邊緣圖像，為水平方向邊緣，為垂直方向邊緣，為輸入圖像的灰度值，為水平方向的梯度，為垂直方向的梯度，為邊緣梯度強度的高閾值，為邊緣梯度強度的低閾值，為梯度強度的均值，為梯度強度的標(biāo)準(zhǔn)差，為梯度強度均值的權(quán)重，為梯度強度標(biāo)準(zhǔn)差的權(quán)重，為高閾值權(quán)重。

22、優(yōu)選的，所述邊緣特征圖融合層通過引入多尺度融合機制，將不同像素點下提取的邊緣特征點按梯度強度加權(quán)融合；梯度強度加權(quán)融合所述計算公式為：

23、；

24、其中，為不同像素點在梯度強度加權(quán)融合后的邊緣特征點，為分形尺度，為尺度的數(shù)量，為第尺度的權(quán)重，為第尺度圖像，為第尺度圖像，為高斯濾波器。

25、優(yōu)選的，所述圍巾區(qū)域分割模型包括第二圖像預(yù)處理層、時序邊界檢測層、時序區(qū)域分割層、瑕疵變化分析層和瑕疵邊緣數(shù)據(jù)提取層；

26、所述第二圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實時圖像進行灰度化、去噪和對比度增強，生成標(biāo)準(zhǔn)分割圖像集；通過對所述背景動態(tài)圖像中圖像進行差分運算，獲得初始瑕疵變化區(qū)域；

27、所述時序邊界檢測層通過對所述第一邊緣特征集和所述背景動態(tài)圖像進行梯度信息融合，確定圍巾區(qū)域和非圍巾區(qū)域，生成圍巾時序圖像區(qū)域的邊界；

28、所述時序區(qū)域分割層通過所述圍巾時序圖像區(qū)域的邊界進行識別，獲得圍巾不同區(qū)域時序分割圖像集；

29、所述瑕疵變化分析層通過對比正常區(qū)域的邊緣分布模式，獲取第一邊緣特征集檢測動態(tài)變化區(qū)域中的異常邊緣特征；

30、所述瑕疵邊緣數(shù)據(jù)提取層通過所述圍巾不同區(qū)域時序分割圖像集，獲取瑕疵區(qū)域；對所述瑕疵區(qū)域的邊緣點進行特征分析，生成圍巾瑕疵邊緣數(shù)據(jù)；所述圍巾瑕疵邊緣數(shù)據(jù)包含瑕疵邊緣坐標(biāo)和邊緣特征值。

31、優(yōu)選的，所述時序區(qū)域分割層通過使用分割模型能量函數(shù)對圍巾區(qū)域進行精細化分割，所述能量函數(shù)公式為：

32、；

33、其中，為分割的總能量，為圖像中的一個像素點，為圖像像素點集合，為對數(shù)函數(shù)，像素點的特征值，像素點的分割標(biāo)簽，為像素特征值屬于分割標(biāo)簽的概率，為像素鄰域中的兩個相鄰像素點，為所有相鄰像素對集合，為確定像素點和是否屬于相同的分割區(qū)域，為指數(shù)函數(shù)，像素點的特征值，為平滑因子。

34、優(yōu)選的，通過所述圍巾瑕疵邊緣數(shù)據(jù)提取的瑕疵邊緣像素點；

35、通過所述圍巾不同區(qū)域時序分割圖像集獲取圍巾各區(qū)域的時間變化信息；

36、基于所述瑕疵邊緣像素點和圍巾各區(qū)域的時間變化信息獲取瑕疵邊緣空間坐標(biāo)；

37、基于光流方程得到每個像素點的運動矢量，生成圍巾時序邊緣瑕疵軌跡數(shù)據(jù)。

38、一種基于機器視覺的針織面料瑕疵檢測系統(tǒng)，包括：

39、數(shù)據(jù)獲取單元，用于通過高分辨率相機實時采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一圖像集；所述第一圖像集包括圍巾生產(chǎn)實時圖像和背景動態(tài)圖像；

40、邊緣特征獲取單元，用于構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進行識別，通過獲取不同尺度的標(biāo)準(zhǔn)圖像集的圖像亮度，根據(jù)圖像的實際亮度和梯度分布動態(tài)調(diào)整閾值，生成第一邊緣特征集；

41、圖像分割單元，用于將所述背景動態(tài)圖像和所述第一邊緣特征集進行梯度信息融合，構(gòu)建圍巾區(qū)域分割模型；通過所述圍巾區(qū)域分割模型對所述圍巾生產(chǎn)實時圖像進行分割，獲得圍巾不同區(qū)域時序分割圖像集和圍巾瑕疵邊緣數(shù)據(jù)；

42、瑕疵軌跡獲取單元，用于通過光流法對所述圍巾瑕疵邊緣數(shù)據(jù)和所述時序分割圖像集進行實時分析，獲得圍巾時序邊緣瑕疵軌跡數(shù)據(jù)；

43、瑕疵邊緣復(fù)雜度獲取單元，用于構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時序邊緣瑕疵軌跡數(shù)據(jù)進行分析，通過綜合分析瑕疵邊緣的軌跡變化幅度、軌跡平滑性以及時序連貫性，獲取圍巾瑕疵邊緣的分形維數(shù)；所述圍巾瑕疵邊緣的分形維數(shù)具體計算公式為：

44、；

45、其中，為圍巾瑕疵邊緣的分形維數(shù)，為對數(shù)函數(shù)，為分形尺度，為在尺度下瑕疵邊緣的分割數(shù)目，為瑕疵邊緣的軌跡變化幅度系數(shù)，為瑕疵邊緣的軌跡平滑性指標(biāo)；

46、基于所述圍巾瑕疵邊緣的分形維數(shù)，獲取圍巾瑕疵邊緣的復(fù)雜度。

47、優(yōu)選的，所述圍巾多尺度邊緣檢測模型包括第一圖像預(yù)處理層、多尺度邊緣特征提取層和邊緣特征圖融合層；

48、所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實時圖像進行灰度化處理得到第一標(biāo)準(zhǔn)圖像集；對所述第一標(biāo)準(zhǔn)圖像集進行高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像集；

49、所述多尺度邊緣特征提取層通過對所述第二標(biāo)準(zhǔn)圖像集進行多尺度處理，獲得不同尺度的標(biāo)準(zhǔn)圖像集；依據(jù)邊緣檢測算法對不同尺度的所述標(biāo)準(zhǔn)圖像集進行特征提取，生成初始邊緣特征圖；對所述初始邊緣特征圖進行方向和強度分析，獲得不同尺度的邊緣特征圖；

50、所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中原始圖像大小，獲得第一邊緣特征集。

51、優(yōu)選的，通過所述圍巾瑕疵邊緣數(shù)據(jù)提取的瑕疵邊緣像素點；通過所述圍巾不同區(qū)域時序分割圖像集獲取圍巾各區(qū)域的時間變化信息；基于所述瑕疵邊緣像素點和圍巾各區(qū)域的時間變化信息獲取瑕疵邊緣空間坐標(biāo)；基于光流方程得到每個像素點的運動矢量，生成圍巾時序邊緣瑕疵軌跡數(shù)據(jù)。

52、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

53、1、本發(fā)明構(gòu)建了圍巾多尺度邊緣檢測模型對所述第一圖像集進行識別，獲得第一邊緣特征集；通過對第一圖像集中的圍巾生產(chǎn)實時圖像進行灰度化處理和高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像集，對獲得第二標(biāo)準(zhǔn)圖像集進行多尺度處理和特征提取，依據(jù)所述高閾值、低閾值和圖像的梯度強度提取圖像中不同尺度的邊緣特征，對所述初始邊緣特征圖進行方向和強度分析，獲得不同尺度的邊緣特征圖；引入動態(tài)調(diào)整參數(shù)，根據(jù)圖像的實際亮度和梯度分布動態(tài)調(diào)整閾值，使邊緣檢測對不同光照環(huán)境下的圖像適應(yīng)性更強，形成連續(xù)性更好的邊緣結(jié)構(gòu)，提高邊緣檢測結(jié)果的準(zhǔn)確性。

54、2、本發(fā)明構(gòu)建了圍巾區(qū)域分割模型，首先通過所述背景動態(tài)圖像和所述第一邊緣特征集進行梯度信息融合，生成圍巾時序圖像區(qū)域的邊界，通過融合梯度信息的方式提升分割模型的初始準(zhǔn)確性，確保在復(fù)雜背景下仍能準(zhǔn)確區(qū)分圍巾區(qū)域；對圍巾時序圖像區(qū)域的邊界進行識別，獲得圍巾不同區(qū)域時序分割圖像集；并對圍巾不同區(qū)域時序分割圖像集，獲取瑕疵區(qū)域；對瑕疵區(qū)域的邊緣點進行特征分析，生成圍巾瑕疵邊緣數(shù)據(jù)，將區(qū)域分割與邊緣特征提取結(jié)合，確保時序分割圖像集在空間和時間上的準(zhǔn)確性。

55、3、本發(fā)明通過構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時序邊緣瑕疵軌跡數(shù)據(jù)進行分析，綜合分析瑕疵邊緣的軌跡變化幅度、軌跡平滑性以及時序連貫性，獲取圍巾瑕疵邊緣的分形維數(shù)，具體分析了瑕疵邊緣的動態(tài)變化特性。通過結(jié)合傳統(tǒng)分形維數(shù)和動態(tài)特性，對不規(guī)則和快速變化的瑕疵邊緣表現(xiàn)出更強的分析效果，提升了圍巾邊緣復(fù)雜度評估的精度。