一种织物异常纹理类型识别方法和装置制造方法及图纸

本发明专利技术涉及织物自动化分类技术领域，提供了一种织物异常纹理类型识别方法和装置，该方法包括：通过预设图像增强模型将原始异常纹理图像进行质量增强产生增强异常纹理图像；通过预设双树复小波分解模型对增强异常纹理图像进行多层级多方向分解，得到频域纹理特征集合；从频域纹理特征集合中提取6×N幅高频异常纹理子图，通过预设双树复小波融合模型分别将每一层级的6幅高频异常纹理子图融合为对应层级的高频异常纹理融合图像，根据所有高频异常纹理融合图像识别织物所属的异常纹理类型，促进了自适应稳定地在不同层级不同方向变换得到频域纹理特征集合，良好支持了依据频域纹理特征集合准确、高效地识别织物异常纹理类型。

A recognition method and device for abnormal texture types of fabrics

【技术实现步骤摘要】
一种织物异常纹理类型识别方法和装置
本专利技术涉及织物自动化分类
，具体涉及一种织物异常纹理类型识别方法和装置。
技术介绍
随着图像识别技术发展及广泛应用，依据图像自动化识别织物异常纹理类型，相比于人工方式，大大提高了织物异常纹理类型的自动化识别程度和识别效率，例如：织物出现瑕疵点、毛球、褶皱和结构破损等异常纹理类型。现有依据图像自动化识别织物异常纹理类型主要分为两类：其一，通过基于空域的图像识别模型在织物所属的原始异常纹理图像上提取空域特征集合，并依据空域特征集合识别织物异常纹理类型，基于空域的图像识别模型可以采用灰度共生矩阵算法、数字形态学算法和马尔科夫随机场算法等，空域特征集合可以包括空域纹理特征、形态特征和像素灰度特征等；其二，通过基于空频域变换的图像识别模型对织物所属的原始异常纹理图像进行空域到频域的变换，得到转换后的异常纹理图像，并在转换后的异常纹理图像上提取频域纹理特征集合，相比于空域特征集合，频域纹理特征集合反映出图像纹理的周期性和方向性，支持了依据频域纹理特征集合稳定地识别织物异常纹理类型，基于空频域变换的图像识别模型可以采用傅里叶变换算法、Gabor变换算法和离散小波变换算法，频域纹理特征集合可以包括低频基本纹理子图和高频异常纹理子图等。然而，织物所属的异常纹理图像在不同层级不同方向分布着频域纹理特征，现有图像识别模型难以自适应稳定地在不同层级不同方向提取频域纹理特征，制约了依据频域纹理特征集合稳定地识别织物异常纹理类型的效率。
技术实现思路
针对现有图像识别模型难以自适应稳定地在不同层级不同方向提取频域纹理特征，制约了依据频域纹理特征集合稳定地识别织物异常纹理类型的效率，本专利技术提供一种织物异常纹理类型识别方法、装置、智能设备和计算机可读存储介质。本专利技术第一方面提供的织物异常纹理类型识别方法，包括：获取织物所属的原始异常纹理图像；通过预设图像增强模型对所述原始异常纹理图像进行质量增强处理，得到增强异常纹理图像；通过预设双树复小波分解模型分别在N个层级的每一层级对所述增强异常纹理图像进行6个方向分解变换，在N个层级分解变换完成后，得到频域纹理特征集合；从所述频域纹理特征集合中提取6×N幅高频异常纹理子图；通过预设双树复小波融合模型分别对每一层级的6幅高频异常纹理子图进行融合变换，得到对应层级的高频异常纹理融合图像；根据N个层级的所有高频异常纹理融合图像识别所述织物所属的异常纹理类型。本专利技术第二方面提供的织物异常纹理类型识别装置，包括：获取模块，用于获取织物所属的原始异常纹理图像；增强模块，用于通过预设图像增强模型对所述原始异常纹理图像进行质量增强处理，得到增强异常纹理图像；分解模块，用于通过预设双树复小波分解模型分别在N个层级的每一层级对所述增强异常纹理图像进行6个方向分解变换，在N个层级分解变换完成后，得到频域纹理特征集合；提取模块，用于从所述频域纹理特征集合中提取6×N幅高频异常纹理子图；融合模块，用于通过预设双树复小波融合模型分别对每一层级的6幅高频异常纹理子图进行融合变换，得到对应层级的高频异常纹理融合图像；识别模块，用于根据N个层级的所有高频异常纹理融合图像识别所述织物所属的异常纹理类型。本专利技术第三方面提供的智能设备，包括：存储器和与所述存储器耦合的处理器，所述存储器被配置为存储计算机程序，所述处理器被配置为加载并执行所述计算机程序，所述计算机程序被所述处理器执行以实现如第一方面所述的织物异常纹理类型识别方法所执行的操作步骤。本专利技术第四方面提供的计算机可读存储介质，被配置为可与智能设备耦合且存储有至少一条指令或至少一段程序或代码集或指令集，所述指令或所述程序或所述代码集或所述指令集被所述智能设备加载并执行以实现如第一方面所述的织物异常纹理类型识别方法所执行的操作步骤。以上织物异常纹理类型识别方法、装置、智能设备和计算机可读存储介质的有益效果是：相比于原始异常纹理图像，通过预设图像增强模型增强了增强异常纹理图像的清晰度，通过预设双树复小波分解模型多层级多方向分解变换增强异常纹理图像，借助了双树复小波保持频域局部化特性和在多层级多方向提取频域纹理特征的不变性，促进了自适应快速、准确和稳定提取频域纹理特征集合，通过预设双树复小波融合模型融合每个层级下的6幅高频异常纹理子图，预设双树复小波融合模型融合变换图像属于与预设双树复小波分解模型分解变换图像的过程相关联的逆变换，促进了自适应快速、准确和稳定产生多个层级的高频异常纹理融合图像，克服了现有图像识别模型难以自适应稳定地在不同层级不同方向提取频域纹理特征的缺陷，良好支持了依据频域纹理特征集合准确、高效地识别织物异常纹理类型，较好的平衡了织物异常纹理类型的识别难度和识别效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种织物异常纹理类型识别方法的流程示意图；图2为本专利技术提供的一种织物异常纹理类型识别系统的架构示意图；图3为本专利技术提供的一种织物异常纹理类型识别装置的结构示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。实施例一如图1所示，一种织物异常纹理类型识别方法，包括：步骤10，获取织物所属的原始异常纹理图像；步骤20，通过预设图像增强模型对原始异常纹理图像进行质量增强处理，得到增强异常纹理图像；步骤30，通过预设双树复小波分解模型分别在N个层级的每一层级对增强异常纹理图像进行6个方向分解变换，在N个层级分解变换完成后，得到频域纹理特征集合，频域纹理特征集合包括2幅低频基本纹理子图和6×N幅高频异常纹理子图；步骤40，从频域纹理特征集合中提取6×N幅高频异常纹理子图；步骤50，通过预设双树复小波融合模型分别对每一层级的6幅高频异常纹理子图进行融合变换，得到对应层级的高频异常纹理融合图像；步骤60，根据所有高频异常纹理融合图像识别异常纹理类型。如图2所示为织物异常纹理类型识别系统，包括灯箱1、通信电缆7和智能设备8，在灯箱1内部配设有光源2、CCD摄像头3、支架4、待检织物5和置物板6，置物板6放置在灯箱1的底板且在CCD摄像头3的拍摄范围内，待检织物5放置在置物板6的顶面上，支架4的底端固定在灯箱1的底板上，CCD摄像头3固定在支架4的顶端且位于待检织物5上方，CCD摄像头3用于对待检织物5拍摄得到待检织物5所属的原始异常纹理图像，光源2固定在灯箱1的顶板上，光源2用于为CCD摄像头3补充光线，使得原始异常纹理图像具有良好的清晰度，通信电缆7的两端分别与CCD摄本文档来自技高网...

【技术保护点】
1.一种织物异常纹理类型识别方法，其特征在于，包括：/n获取织物所属的原始异常纹理图像；/n通过预设图像增强模型对所述原始异常纹理图像进行质量增强处理，得到增强异常纹理图像；/n通过预设双树复小波分解模型分别在N个层级的每一层级对所述增强异常纹理图像进行6个方向分解变换，在N个层级分解变换完成后，得到频域纹理特征集合；/n从所述频域纹理特征集合中提取6×N幅高频异常纹理子图；/n通过预设双树复小波融合模型分别对每一层级的6幅高频异常纹理子图进行融合变换，得到对应层级的高频异常纹理融合图像；/n根据N个层级的所有高频异常纹理融合图像识别所述织物所属的异常纹理类型。/n

【技术特征摘要】
1.一种织物异常纹理类型识别方法，其特征在于，包括：
获取织物所属的原始异常纹理图像；
通过预设图像增强模型对所述原始异常纹理图像进行质量增强处理，得到增强异常纹理图像；
通过预设双树复小波分解模型分别在N个层级的每一层级对所述增强异常纹理图像进行6个方向分解变换，在N个层级分解变换完成后，得到频域纹理特征集合；
从所述频域纹理特征集合中提取6×N幅高频异常纹理子图；
通过预设双树复小波融合模型分别对每一层级的6幅高频异常纹理子图进行融合变换，得到对应层级的高频异常纹理融合图像；
根据N个层级的所有高频异常纹理融合图像识别所述织物所属的异常纹理类型。


2.根据权利要求1所述的织物异常纹理类型识别方法，其特征在于，所述预设双树复小波分解模型配设有分解函数，所述分解函数表示为：



其中，f表示所述分解函数，M表示所述增强异常纹理图像所属的像素点总数，AN表示总层级数N所对应的第一分解系数，φ(xm,ym)表示所述增强异常纹理图像所属的第m个像素点所对应的尺度函数，1≤m≤M，xm表示第m个像素点在所述增强异常纹理图像上的行坐标，ym表示第m个像素点在所述增强异常纹理图像上的列坐标，表示第m个像素点所属第n层级第k方向的第二分解系数，1≤n≤N，第k方向∈(+15°，-15°，+45°，-45°，+75°，-75°)，k≤6，表示所述第二分解系数所对应的小波函数。


3.根据权利要求1或2所述的织物异常纹理类型识别方法，其特征在于，根据N个层级的所有高频异常纹理融合图像识别所述织物所属的异常纹理类型，具体包括：
通过预设图像能量测算模型分别对每一层级的高频异常纹理融合图像进行灰度值求和计算，得到对应层级的图像能量值；
通过预先训练的机器学习分类模型对N个层级的所有图像能量值进行分类预测，得到用以指向所述异常纹理类型的分类预测结果。


4.根据权利要求3所述的织物异常纹理类型识别方法，其特征在于，所述预设图像能量测算模型配设有像素能量层级求和函数，所述像素能量层级求和函数表示为：



其中，E表示所述像素能量层级求和函数，N表示总层级数，P表示第n层级的高频异常纹理融合图像所属的像素点总数，表示第p个像素点在第n层级的高频异常纹理...

【专利技术属性】
技术研发人员：徐巧林，柯薇，邓中民，佘小燕，高青松，刘瀚旗，陈春梅，梅帆，
申请(专利权)人：湖北省纤维检验局，武汉纺织大学，
类型：发明
国别省市：湖北;42