基于机器视觉的布匹疵点自动检测识别装置及方法制造方法及图纸

本发明专利技术公开了一种基于机器视觉的布匹疵点自动检测识别装置及方法，利用摄像机拍摄无疵点的布匹作为标准图像存入计算机，采用基于小波变换和投影法结合的图像处理方法提取标准图像的特征参数；利用摄像机实时拍摄待测布匹图像并提取特征参数，根据需要设定精度范围，将待测图像与标准图像进行对比分析，由待测图像特征参数是否在精度范围内来判断是否存在疵点；如有则保存含疵点图像。对含疵点图像采用基于最优阈值分割的图像处理方法进行疵点识别，完成疵点分类及打分,对整匹布进行等级评估。本发明专利技术克服了传统人工目测检测速度慢、精度低、漏检率高、误检率高的缺陷，降低了人工疵点分类的劳动强度，且具有评分精确的优点。

【技术实现步骤摘要】
基于机器视觉的布匹疵点自动检测识别装置及方法
本专利技术涉及纺织行业的布匹疵点检测技术，具体涉及一种基于机器视觉的布匹疵点自动检测识别的装置及方法。
技术介绍
长期以来，布匹的质量检测通常是由检验人员进行人工目测，检验结果受检验人员的熟练程度、身体状况、车间环境等主观因素影响大，这种方法极易造成视觉疲劳、劳动强度大，而且存在检测效率低、漏检率和误检率高等弊端，因而急需发展快速、高效、准确度高的布匹疵点自动检测识别系统代替人工目测。机器视觉就是以机器自动化系统代替人眼来做测量和判断。相较于人工检测来说，机器视觉则可以长时间地作测量、分析和识别任务，而且机器视觉属于非接触测量，对观测者与被观测者都不会产生任何损伤，从而提高系统的可靠性。本专利技术首先提出将基于小波变换和投影法结合的在线布匹检测算法，对图像进行小波变换可以提取布匹纹理水平方向和垂直方向的突变信息，投影法容易统计两个方向上的特征信息，提高算法的检测精度；其次，本专利技术提出了基于最优阈值分割的离线疵点识别算法相结合的布匹疵点自动检测识别方法，该方法提出采用改进的量子遗传算法,采用动态策略调整量子旋转角，实现精细的自适应搜索,引入变异操作丰富种群,并且融入混沌搜索使算法具有更好的寻优能力。这些技术的应用，克服了传统人工目测检测速度慢、精度低、漏检率高、误检率高的缺陷，降低了人工分类疵点的劳动强度，且具有评分精确的优点。
技术实现思路
本专利技术的目的是：提供一种能够降低传统人工目测检测速度慢、效率低、检测精度低，并且能够实现对存在疵点的布匹图像进行疵点识别分类的基于机器视觉的布匹疵点自动检测识别装置及方法。为了解决以上技术问题，本专利技术所采用的技术方案是：一种基于机器视觉的布匹疵点自动检测识别装置，包括计算机、横梁装置、大功率LED灯、摄像机和布匹，所述布匹设置在卷布机与导布辊之间，摄像机固定在横梁装置上，所述摄像机与计算机通过通信线相连接，所述大功率LED灯固定在横梁装置上，且均匀分布于布匹上方。一种基于机器视觉的布匹疵点自动检测识别方法，包括以下步骤：步骤(2a)，利用摄像机拍摄无疵点的布匹图像，并将获取的布匹图像作为标准布匹图像送入计算机；步骤(2b)，对步骤(2a)标准布匹图像进行疵点检测算法处理并提取相应的特征参数存储于计算机，所述的特征参数包括织物图像的均值和方差；步骤(2c)，根据用户要求设定检测特征参数的精度范围；并将特征参数的精度范围存入步骤(2a)的计算机；步骤(2d)，利用摄像机实时拍摄卷布验布机上的待测布匹图像，并送至步骤(2a)的计算机；步骤(2e)，对步骤(2d)实时拍摄的待测布匹图像进行疵点检测算法处理并提取相应的特征参数传送至步骤(2a)计算机，所述的特征参数包括织物图像的均值和方差；步骤(2f)，将上述存入步骤(2a)计算机的标准布匹图像的特征参数和待测布匹图像的特征参数依次对比分析，若待测布匹图像所提取的均值和方差均在步骤(2c)设置的检测特征参数的精度范围内，则判断实测布匹合格；反之则判断实测布匹存在疵点，保存含疵点布匹图像至步骤(2a)的计算机；步骤(2g)，判断当前检测布匹图像是否为最后一张，若不是最后一张，转到步骤(2d)继续检测；步骤(2h)，通过疵点识别算法对步骤(2f)保存的含疵点图像进行图像算法处理完成疵点自动识别，将疵点信息存入数据库；步骤(2i)，根据步骤(2h)数据库中保存的疵点打分情况，对当前整匹卷布进行等级评估。前述的一种基于机器视觉的布匹疵点自动检测识别方法，所述步骤(2b)中的疵点检测算法为基于小波变换和投影法结合的图像处理方法，其具体步骤为：步骤(3a),对所述标准布匹图像进行灰度变换；步骤(3b),对步骤(3a)所得布匹图像进行3*3均值滤波；步骤(3c),对步骤(3b)所得布匹图像进行直方图均衡化；步骤(3d),对步骤(3c)所得布匹图像进行一层正交小波分解；步骤(3e),对步骤(3d)所得布匹图像的纬向子图像和经向子图像进行基于投影法的特征参数提取，并将特征参数保存至步骤(2a)的计算机。前述的一种基于机器视觉的布匹疵点自动检测识别方法，所述步骤(3d)中对步骤(3c)所得布匹图像进行一层正交小波分解采用的小波基为长度为8的Daubechies4小波。前述的一种基于机器视觉的布匹疵点自动检测识别方法，所述步骤(3e)中对步骤(3d)所得布匹图像进行基于投影法的特征参数提取，并将特征参数保存至步骤(2a)的计算机，具体步骤为如下：步骤(5a),对步骤(3c)所得纬向子图像进行水平投影；设置一个滑动窗口从上到下依次扫描纬向子图像，计算图像在滑动窗口内的灰度均值投影值Eh(i)和方差投影值Vh(i)；步骤(5b),对步骤(3c)所得经向子图像进行垂直投影；设置一个滑动窗口从左到右依次扫描经向子图像，计算图像在滑动窗口内的灰度均值投影值Ev(i)和方差投影值Vv(i)；步骤(5c)将步骤(5a)的灰度均值投影值数组Eh(i)和方差投影值数组Vh(i)和步骤(5b)中的灰度均值投影值数组Ev(i)和方差投影值数组Vv(i)保存至步骤(2a)的计算机。前述的一种基于机器视觉的布匹疵点自动检测识别方法，所述步骤(2h)中的疵点识别算法为基于最优阈值分割的图像处理方法，其具体步骤为：步骤(6a),对含疵点图像进行灰度变换；步骤(6b),对步骤(6a)所得布匹图像进行中值滤波；步骤(6c),对步骤(6b)所得布匹图像进行非线性拉伸；步骤(6d),对步骤(6c)所得布匹图像进行最优阈值的求解；步骤(6e),根据步骤(6d)所得最优阈值对步骤(6c)所得图像进行二值化处理；步骤(6f),对步骤(6e)所得二值化图像进行腐蚀和膨胀；步骤(6g),对步骤(6f)所得图像进行连通域标记；步骤(6h),对步骤(6g)所得连通域进行疵点特征提取，根据疵点特征判断疵点类型并对疵点图像进行打分，并将疵点信息存入数据库。前述的一种基于机器视觉的布匹疵点自动检测识别方法，所述步骤(6d)中最优阈值的求解是基于图像二维最大熵的选择方法。前述的一种基于机器视觉的布匹疵点自动检测识别方法，所述图像二维最大熵的选择是基于改进量子旋转门的量子遗传算法进行的，其具体步骤如下：步骤(8a)，设置种群规模popsize，运行总代数gen，运行代数g＝1,变异概率pm；步骤(8b),种群初始化：设定变量初值，随机产生n个染色体，并将各个个体的量子概率幅初始化为步骤(8c),种群测量：对每个个体进行一次坍塌测量，使每个个体从不确定的概率状态转换为确定状态；步骤(8d),计算适应度值：对测量值进行适应度评估，记录最优适应度值的个体为下一步进化的目标值；所述适应度函数为图像二维熵的最大值，由公式(1)求得：Max{Φ(s,t)}＝Max{log[P1(1-P1)]+H1/P1+(HL-H1)/(1-P1)}(1)其中，Φ(s,t)代表图像的二维熵，s代表像素，t代表领域像素均值，P1代表目标区(0≤i<s,0≤j<t)的概率累计分布，HL代表L×L区域的二维熵，H1代表目标区的二维熵，且：其中pij代表图像中点灰度为i及其领域灰度均值为j的像素点的联合概率密度，i为像素灰度，j为领域灰度，且0≤i,j≤L-1，pij可由公式(5)本文档来自技高网...

【技术保护点】
一种基于机器视觉的布匹疵点自动检测识别装置，其特征在于：包括计算机、横梁装置、大功率LED灯、摄像机和布匹，所述布匹设置在卷布机与导布辊之间，摄像机固定在横梁装置上，所述摄像机与计算机通过通信线相连接，所述大功率LED灯固定在横梁装置上，且均匀分布于布匹上方。

【技术特征摘要】
1.一种基于机器视觉的布匹疵点自动检测识别方法，其特征在于：包括以下步骤：步骤(2a)，利用摄像机拍摄无疵点的布匹图像，并将获取的布匹图像作为标准布匹图像送入计算机；步骤(2b)，对步骤(2a)标准布匹图像进行疵点检测算法处理并提取相应的特征参数存储于计算机，所述的特征参数包括织物图像的均值和方差；所述疵点检测算法为基于小波变换和投影法结合的图像处理方法，其具体步骤为：步骤(3a),对所述标准布匹图像进行灰度变换；步骤(3b),对步骤(3a)所得布匹图像进行3*3均值滤波；步骤(3c),对步骤(3b)所得布匹图像进行直方图均衡化；步骤(3d),对步骤(3c)所得布匹图像进行一层正交小波分解；步骤(3e),对步骤(3d)所得布匹图像的纬向子图像和经向子图像进行基于投影法的特征参数提取，并将特征参数保存至步骤(2a)的计算机；所述步骤(3e)中对步骤(3d)所得布匹图像的纬向子图像和经向子图像进行基于投影法的特征参数提取，并将特征参数保存至步骤(2a)的计算机，具体步骤为如下：步骤(5a),对步骤(3d)所得纬向子图像进行水平投影；设置一个滑动窗口从上到下依次扫描纬向子图像，计算图像在滑动窗口内的灰度均值投影值Eh(i)和方差投影值Vh(i)；步骤(5b),对步骤(3d)所得经向子图像进行垂直投影；设置一个滑动窗口从左到右依次扫描经向子图像，计算图像在滑动窗口内的灰度均值投影值Ev(i)和方差投影值Vv(i)；步骤(5c)将步骤(5a)的灰度均值投影值Eh(i)和方差投影值Vh(i)和步骤(5b)中的灰度均值投影值Ev(i)和方差投影值Vv(i)保存至步骤(2a)的计算机；步骤(2c)，根据用户要求设定检测特征参数的精度范围；并将特征参数的精度范围存入步骤(2a)的计算机；步骤(2d)，利用摄像机实时拍摄卷布验布机上的待测布匹图像，并送至步骤(2a)的计算机；步骤(2e)，对步骤(2d)实时拍摄的待测布匹图像进行疵点检测算法处理并提取相应的特征参数传送至步骤(2a)计算机，所述的特征参数包括织物图像的均值和方差；步骤(2f)，将上述存入步骤(2a)计算机的标准布匹图像的特征参数和待测布匹图像的特征参数依次对比分析，若待测布匹图像所提取的均值和方差均在步骤(2c)设置的检测特征参数的精度范围内，则判断该待测布匹合格；反之则判断该待测布匹存在疵点，保存含疵点布匹图像至步骤(2a)的计算机；步骤(2g)，判断当前检测布匹图像是否为最后一张，若不是最后一张，转到步骤(2d)继续检测；步骤(2h)，通过疵点识别算法对步骤(2f)保存的含疵点图像进行图像算法处理完成疵点自动识别，将疵点信息存入数据库；步骤(2i)，根据步骤(2h)数据库中保存的疵点打分情况，对当前整匹卷布进行等级评估；所述步骤(2h)中的疵点识别算法为基于最优阈值分割的图像处理方法，其具体步骤为：步骤(6a),对含疵点图像进行灰度变换；步骤(6b),对步骤(6a)所得布匹图像进行中值滤波；步骤(6c),对步骤(6b)所得布匹图像进行非线性拉伸；步骤(6d),对步骤(6c)所得布匹图像进行最优阈值的求解；步骤(6e),根据步骤(6d)所得最优阈值对步骤(6c)所得图像进行二值化处理；步骤(6f),对步骤(6e)所得二值化图像进行腐蚀和膨胀；步骤(6g),对步骤(6f)所得图像进行连通域标记；步骤(6h),对步骤(6g)所得连通域进行疵点特征提取，根据疵点特征判断疵点类型并对疵点图像进行打分，并将疵点信息存入数据库。2.根据权利要求1所述的基于机器视觉的布匹疵点自动检测识别方法，其特征在于：所述步骤(3d)中对步骤(3c)所得布匹图像进行一层正交小波分解采用的小波基为长度为8的Daubechies4小波。3.根据权利要求1所述的基于机器视觉的布匹疵点自动检测识别方法，其特征在于：所述步骤(6d)中最优阈值的求解是基于图像二维最大熵的选择方法；所述图像二维最大熵的选择是基于改进量子旋转门的量子遗传算法进行的，其具体步骤如下：步骤(8a)，设置种群规模popsize，运行总代数gen，运行代数g＝...

【专利技术属性】
技术研发人员：薛云灿，杨亚，顾菁，杨启文，张海霞，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32