基于人工智能的纺织品疵点检测方法及系统技术方案

本发明专利技术涉及材料缺陷检测技术领域，具体涉及基于人工智能的纺织品疵点检测方法及系统

【技术实现步骤摘要】
基于人工智能的纺织品疵点检测方法及系统


[0001]本专利技术涉及材料缺陷检测
，具体涉及基于人工智能的纺织品疵点检测方法及系统
。

技术介绍

[0002]疵点是指织物上不应当有的斑点或小毛病
。
由纤维原料到最后制造成成品织物，需经过纺纱
、
织造
、
印染等工程，且每种工程中，又需经过连续多个加工过程才能完成
。
在各层次的加工中，如果设定条件不当
、
人员操作疏忽或者机械故障等，均可能导致纺织产品出现疵点，表面疵点的存在不仅改变了纺织产品的物理结构和性能，也直接影响纺织产品的价格评定
。
据资料显示，瑕疵的存在会直接降低纺织产品的等级和评分，导致织物大幅度跌价
。
[0003]现有技术中可通过包含材料光学特征的图像分析方法进行缺陷检测，但是因为织物疵点较小，其光学特征并不明显，因此在实际应用过程中会出现漏检误检等情况
。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的纺织品疵点检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于人工智能的纺织品疵点检测方法，该方法包括以下步骤：利用带有可见光光源的相机采集纺织品表面图像，提取所述表面图像的感兴趣区域；获取所述感兴趣区域对应的每个通道图像的梯度图像，根据所述梯度图像计算所述感兴趣区域的梯度指标；将所述感兴趣区域划分为多个子区域，基于每个子区域的灰度信息构建高斯混合模型，根据所有所述高斯混合模型的参数获取所述感兴趣区域的结构特征矩阵；获取所述感兴趣区域的纹理复杂度，由所述结构特征矩阵和所述纹理复杂度构成纹理结构指标；根据所述梯度指标和所述纹理结构指标建立区域描述子，并将每个所述感兴趣区域的区域描述子与同等尺寸的标准区域的标准描述子进行对比，筛选出疵点区域
。
[0005]优选的，所述提取所述表面图像的感兴趣区域，包括：对所述表面图像进行灰度化，得到灰度图像，根据灰度值对所述灰度图像中的像素点进行预设类别的聚类，并根据每个类别中所有像素点的灰度均值与灰度阈值的大小关系得到所述感兴趣区域
。
[0006]优选的，所述梯度图像的获取过程为：获取所述通道图像中每个像素点的梯度值，以所述梯度值作为像素值组成所述梯度图像
。
[0007]优选的，所述梯度指标的获取过程为：
或“另一个实施例”指的不一定是同一实施例
。
此外，一或多个实施例中的特定特征
、
结构
、
或特点可由任何合适形式组合
。
[0018]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同
。
[0019]下面结合附图具体的说明本专利技术所提供的基于人工智能的纺织品疵点检测方法及系统的具体方案
。
[0020]请参阅图1，其示出了本专利技术一个实施例提供的基于人工智能的纺织品疵点检测方法的步骤流程图，该方法包括以下步骤：步骤
S001
，采集纺织品表面图像，提取表面图像的感兴趣区域
。
[0021]具体的步骤包括：
1.
采集纺织品表面图像
。
[0022]在待检测的纺织品上方设置图像采集设备，用于采集纺织品的图像数据
。
及图像采集设备为带有可见光光源的相机，通过光学反射原理获取纺织品表面的图像信息，进一步根据图像中的光学特征执行后续操作
。
[0023]作为一个示例，本专利技术实施例中，待检测纺织品为胚布，相机在胚布正上方，用于采集胚布的正视图像作为表面图像，以便后续检测分析
。
[0024]2.
提取表面图像的感兴趣区域
。
[0025]对表面图像进行灰度化，得到灰度图像，根据灰度值对灰度图像中的像素点进行预设类别的聚类，并根据每个类别中所有像素点的灰度均值与灰度阈值的大小关系得到感兴趣区域
。
[0026]本专利技术实施例通过
K
‑
means
聚类算法对图像进行聚类分析，将聚类中心的数量设置为2，即预设类别为两类
。
首先随机选取一个像素点作为初始聚类中心点，再将图像中与其像素值相差最大的一个像素点作为另一个初始像素点，然后通过
K
‑
means
聚类算法对图像进行聚类分析，直至聚类中心点不变
。
此时，图像被分为两个簇，分别计算两个簇内所包含像素点的灰度均值，当两个簇中至少一个灰度均值小于灰度阈值时，所采集的表面图像中可能存在瑕疵区域，将灰度均值较小的簇作为待分析的感兴趣区域，当两个簇中的灰度均值均大于灰度阈值时，所采集的表面图像不存在任何瑕疵区域
。
[0027]作为一个示例，本专利技术实施例的灰度阈值为
200。
[0028]采用聚类算法对图像进行分割处理，以实现感兴趣区域的提取，非监督学无需使用标签数据，自动识别多组数据，有效降低计算量
。
[0029]步骤
S002
，获取感兴趣区域对应的每张通道图像的梯度图像，根据梯度图像计算感兴趣区域的梯度指标
。
[0030]具体的步骤包括：
1.
获取梯度图像
。
[0031]获取通道图像中每个像素点的梯度值，以梯度值作为像素值组成梯度图像
。
[0032]对于第
i
个感兴趣区域，利用
sobel
算子对其每一张通道图像进行处理，获取通道图像中每个像素点的梯度值，梯度值反映的是当前通道在该位置处颜色变化的明显程度，以梯度值作为像素值得到每张通道图像的梯度图像
、
以及
。
[0033]2.
获取梯度指标
。
[0034]以每个通道图像中所有像素点的梯度均值组成的向量作为感兴趣区域的梯度指标
。
[0035]首先获得位于位置处的像素点在每张通道图像上的梯度值
、
以及，获取每张通道图像中所有像素点的梯度均值
、
以及
。
将第
i
个感兴趣区域内各位置像素点的梯度均值组成的向量作为该区域的梯度指标值
。
[0036]根据灰度图像中感兴趣区域的位置信息，获取对应的表面图像中的感兴趣区域，后续仅对感兴趣区域进行进一步的分析，能够有效降低系统检测量，提高检测速度，同时降低无关区域的影响，提高整体检测精度
。
[0037]步骤
S003
，将感兴趣区域划分为多个子区域，基于每个子区域的灰度信息构建高斯混合模型，根据所有高斯混合模型的参数获取感兴趣区域的结构特征矩阵；获取感兴趣区域的纹理复杂度，由结构特征矩阵和纹理复杂本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于人工智能的纺织品疵点检测方法，其特征在于，该方法包括以下步骤：利用带有可见光光源的相机采集纺织品表面图像，提取所述表面图像的感兴趣区域；获取所述感兴趣区域对应的每个通道图像的梯度图像，根据所述梯度图像计算所述感兴趣区域的梯度指标；将所述感兴趣区域划分为多个子区域，基于每个子区域的灰度信息构建高斯混合模型，根据所有所述高斯混合模型的参数获取所述感兴趣区域的结构特征矩阵；获取所述感兴趣区域的纹理复杂度，由所述结构特征矩阵和所述纹理复杂度构成纹理结构指标；根据所述梯度指标和所述纹理结构指标建立区域描述子，并将每个所述感兴趣区域的区域描述子与同等尺寸的标准区域的标准描述子进行对比，筛选出疵点区域
。2.
根据权利要求1所述的基于人工智能的纺织品疵点检测方法，其特征在于，所述提取所述表面图像的感兴趣区域，包括：对所述表面图像进行灰度化，得到灰度图像，根据灰度值对所述灰度图像中的像素点进行预设类别的聚类，并根据每个类别中所有像素点的灰度均值与灰度阈值的大小关系得到所述感兴趣区域
。3.
根据权利要求1所述的基于人工智能的纺织品疵点检测方法，其特征在于，所述梯度图像的获取过程为：获取所述通道图像中每个像素点的梯度值，以所述梯度值作为像素值组成所述梯度图像
。4.
根据权利要求3所述的基于人工智能的纺织品疵点检测方法，其特征在于，所述梯度指标的获取过程为：以每个通道图像中所有像素点的梯度均值组成的向量作为所述感兴趣区域的梯度指标
。5.
根据权利要求1所述的基于人工智能的纺织品疵点检测方法，其特征在于，所述高...

【专利技术属性】
技术研发人员：林燕飞，
申请(专利权)人：海门市缔绣家用纺织品有限公司，
类型：发明
国别省市：