基于机器视觉的织物疵点在线自动检测方法及其装置

1.一种基于机器视觉的织物疵点在线自动检测方法，其特征在于：其步骤包括：
a、利用工业摄像机定时拍摄在卷布验布机上织物的图像，并将拍摄织物的图像送至计算机；
b、根据对织物图像的精度要求，设置拍摄清晰图像的摄像机的参数；
c、选择清晰完整的织物图像作为标准图像模板，进行图像算法处理并提取相应的特征参数存贮于计算机，每种类型的织物存贮一幅标准图像模板，所述的特征参数包括织物图像的分形维数 、灰度均值 、方差 和织物的标准图像二值化处理后所得二值图像的1值像素百分比率 ；所述步骤c 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：
c1、对作为标准图像模板的织物图像进行灰度化；
c2、对步骤c1所获得的织物图像进行直方图均衡化；
c3、对步骤c2所获得的织物图像进行分块；
c4、对步骤c3所获得的织物图像进行3*3中值滤波；
c5、将步骤c4所获得的织物图像基于分形模型进行织物图像的分形维数 、灰度均值 和方差 的提取；
c6、对步骤c4所获得的织物图像进行最优阈值的求解；
c7、将步骤c4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率 ；
c8、将步骤c5所提取的织物图像的分形维数 、灰度均值 和方差 、步骤c6所求得的最优阈值以及步骤c7所求得的二值图像的1值像素百分比率 送至计算机保存；
d、根据用户要求设置检测参量的精度范围，所述检测参量包括待测织物的织物图像的分形维数 、灰度均值 、方差 和织物的实拍图像二值化处理后所得二值图像的1值像素百分比率 ；
e、由相机内部的定时信号控制摄像机，实时拍摄卷布验布机上运行织物的图像，并将拍摄的图像传输至计算机供检测；
f、计算机将接收到的实时拍摄织物图像进行图像算法处理，并且提取相应的特征参数；
g、将步骤f中实时拍摄的织物图像所提取的特征参数与步骤c中标准图像模板所提取的特征参数进行对比、分析和判别；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之内，则计算机判断实测织物为合格；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之外，则计算机判断实测织物有疵点，并且打印疵点标签。
2.根据权利要求1所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：
所述步骤c5中将步骤c4所获得的织物图像基于分形模型进行特征参数的提取的具体步骤如下：
①、设置步骤c4所获得的织物图像的最小和最大像素块；
②、根据步骤①的像素块大小的要求，选定像素块大小；
③、将织物图像按照步骤②选定的像素块大小进行分割，依次通过计算每个像素块上灰度的最小值、最大值，从而获取该像素块的盒子数；
④、将步骤③求得的各像素块上的盒子数相加，计算出图像覆盖所需的总盒子数；
⑤、计算出对应像素块条件下的分形维数；
⑥、在步骤①确定的像素块大小的范围内，不断改变像素块的大小，并且转到步骤③，直到像素块不再满足步骤①所设置的像素块条件；
⑦、将不同像素块得到的分形维数进行最小二乘拟合，得到标准图像的分形维数，然后再计算标准图像的灰度均值和方差，即可以得到一组分别表示标准图像的分形维数、图像的平均强度和图像灰度变化的剧烈程度的织物图像的分形维数 、灰度均值 和方差数据集。
3.根据权利要求1所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：
所述步骤c6中最优阈值的求解是基于图像二维最大熵的选择方法，即采用由图像像素灰度和邻域平均灰度构成的二维直方图搜索图像的最优阈值。
4.根据权利要求3所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：
所述图像二维最大熵的选择是基于混沌变异量子粒粒子群优化算法进行的，其具体步骤如下：
步骤1：初始化，即设置种群规模、变异概率、迭代次数以及迭代总次数，其中，迭代次数设置为1；
步骤2：判断迭代次数是否大于迭代总次数，若迭代次数大于迭代总次数，则进入步骤
7，若迭代次数小于迭代总次数，则进入步骤3；
步骤3：产生0-1之间随机数，若该随机数大于变异概率，则粒子按照量子粒子群算法更新粒子的位置和速度；若该随机数小于变异概率，则粒子按照量子非门进行变异更新；
步骤4：计算每一个粒子的适应度值，若大于该粒子当前位置的个体极值，则将个体最佳设置为该粒子的当前位置，且更新该粒子的个体极值；若所有粒子的个体极值中最大值大于当前全局极值，则将全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；
步骤5：对全局最优粒子进行混沌搜索，若所得结果大于当前全局极值，则全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；
步骤6：迭代次数加1，并且转到步骤2；
步骤7：输出种群的全局最优解。
5.根据权利要求1所述的基于机器视觉的织物疵点在线自动检测方法，其特征在于：
所述步骤f 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：
f1、对实时拍摄的织物图像进行灰度化；
f2、对步骤f1所获得的织物图像进行直方图均衡化；
f3、对步骤f2所获得的织物图像进行分块；
f4、对步骤f3所获得的织物图像进行3*3中值滤波；
f5、将步骤f4所获得的织物图像基于分形模型进行织物图像的分形维数 、灰度均值和方差 的提取;
f6、将步骤f4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率 。

基于机器视觉的织物疵点在线自动检测方法及其装置\n技术领域\n[0001] 本发明涉及利用机器视觉和图像处理技术进行在线检测的技术领域，主要涉及成品布卷布现场利用机器视觉系统对织物疵点进行在线检测的方法及装置。\n背景技术\n[0002] 长期以来，织物疵点检测基本用人工背光检测或机械灯光检测，也就是检验人员在没有眩光的北面窗旁或日光灯照明条件下按照自己的经验利用肉眼观察和手触摸等方式判别疵点，按照检验人员个人对织物疵点的认识和自身经验判定织物疵点及其类型，再按照织物评分、评等标准对织物等级做出评定，给出织物的扣分结果和评价结果。然而这种方法有很多弊端，首先，人工检测严重降低了织物工艺流程的自动化程度，检测速度较慢，一般在15-20米/分；其次，人工检测依靠验布工人的经验和培训的熟练程度，所以评判标准的不稳定和不一致经常会产生误检和漏检；第三，疵点检测对工人来说是一个繁重且单调的体力劳动，极大地伤害了验布工人的视力，这种传统的人工检测方法存在劳动强度大，漏检和误检率高，受主观因素影响大难以得到准确的检验结果，织物质量不能得到有效的保证和控制，因而急需发展新颖快速、检测率高的织物疵点自动检测系统来代替人工的检验工作。\n[0003] 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置）将要检测的目标转换成数字信号，这些数字信号再传送给专用的图像处理系统，图像处理系统根据要检测的任务要求来设置检测任务，然后记录检测结果或者根据判别的结果来控制现场的设备动作。\n[0004] 机器视觉系统的特点是提高生产的产品质量和生产线自动化程度，尤其是用在一些不适合人工作业的危险工作环境或人眼难以满足要求的场合，同时在批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测则可大大提高生产效率和生产的自动化程度，而且易于实现信息集成，是实现计算机集成制造的基础技术。在纺织行业，生产量大，生产环境较差，而且各类织物都是比较规则的，重复性很强，这些有利的条件为机器视觉技术在织物疵点检测领域的应用提供了非常广阔前景。\n[0005] 织物从织造—印染—使用的过程中，每个环节都会出现疵点。授权公告号为CN100593716C的中国专利公开了一种基于机器视觉系统对印花布瑕疵的在线检测方法，授权公告号为CN100561146C的中国专利公开了一种基于机器视觉系统对印染染色色差的在线检测方法。但是印染的瑕疵只是织物总疵点的小部分，大部分的疵点还是在织造过程中产生的，为了降低纺织工业中质量检测的成本，改善检测质量，提高产品的市场竞争力，急需发展快速、准确的织物疵点在线自动检测系统。\n发明内容\n[0006] 本发明的目的是：提供一种不仅大大降低了工人的检测劳动强度，而且提高了织物检测的精确度，可以有效保证出厂布匹的合格率的基于机器视觉的织物疵点在线自动检测方法及其装置。\n[0007] 实现上述目的中基于机器视觉的织物疵点在线自动检测方法的技术方案是：一种基于机器视觉的织物疵点在线自动检测方法，其创新点在于：其步骤包括：\n[0008] a、利用工业摄像机定时拍摄在卷布验布机上织物的图像，并将拍摄织物的图像送至计算机；\n[0009] b、根据对织物图像的精度要求，设置拍摄清晰图像的摄像机的参数；\n[0010] c、选择清晰完整的织物图像作为标准图像模板，进行图像算法处理并提取相应的特征参数存贮于计算机，每种类型的织物存贮一幅标准图像模板，所述的特征参数包括织物图像的分形维数 、灰度均值、方差 和织物的标准图像二值化处理后所得二值图像的1值像素百分比率 ；\n[0011] d、根据用户要求设置检测参量的精度范围，所述检测参量包括待测织物的织物图像的分形维数 、灰度均值 、方差 和织物的实拍图像二值化处理后所得二值图像的1值像素百分比率 ；\n[0012] e、由相机内部的定时信号控制摄像机，实时拍摄卷布验布机上运行织物的图像，并将拍摄的图像传输至计算机供检测；\n[0013] f、计算机将接收到的实时拍摄织物图像进行图像算法处理，并且提取相应的特征参数；\n[0014] g、将步骤f中实时拍摄的织物图像所提取的特征参数与步骤c中标准图像模板所提取的特征参数进行对比、分析和判别；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之内，则计算机判断实测织物为合格；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之外，则计算机判断实测织物有疵点，并且打印疵点标签。\n[0015] 在上述的技术方案中，所述步骤c 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：\n[0016] c1、对作为标准图像模板的织物图像进行灰度化；\n[0017] c2、对步骤c1所获得的织物图像进行直方图均衡化；\n[0018] c3、对步骤c2所获得的织物图像进行分块；\n[0019] c4、对步骤c3所获得的织物图像进行3*3中值滤波；\n[0020] c5、将步骤c4所获得的织物图像基于分形模型进行特征参数的提取；\n[0021] c6、对步骤c4所获得的织物图像进行最优阈值的求解；\n[0022] c7、将步骤c4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率； \n[0023] c8、将步骤c5所提取的特征参数、步骤c6所求得的最优阈值以及步骤c7所求得的二值图像的1值像素百分比率送至计算机保存。\n[0024] 在上述的技术方案中，所述步骤c5中提取步骤c4所获得的织物图像的特征参数是基于分形模型法，即是通过对织物疵点的分形特征进行聚类分析来识别织物疵点，其具体步骤如下： \n[0025] ①、设置步骤c4所获得的织物图像的最小和最大像素块；\n[0026] ②、根据步骤①的像素块大小的要求，选定像素块大小；\n[0027] ③、将织物图像按照步骤②选定的像素块大小进行分割，依次通过计算每个像素块上灰度的最小值、最大值，从而获取该像素块的盒子数；\n[0028] ④、将步骤③求得的各像素块上的盒子数相加，计算出图像覆盖所需的总盒子数；\n[0029] ⑤、计算出对应像素块条件下的分形维数；\n[0030] ⑥、在步骤①确定的像素块大小的范围内，不断改变像素块的大小，并且转到步骤③，直到像素块不再满足步骤①所设置的像素块条件；\n[0031] ⑦、将不同像素块得到的分形维数进行最小二乘拟合，得到标准图像的分形维数，然后再计算标准图像的灰度均值和方差，即可以得到一组分别表示标准图像的分形维数、图像的平均强度和图像灰度变化的剧烈程度的特征参数数据集。\n[0032] 在上述的技术方案中，所述步骤c6中最优阈值的选择方法是基于图像二维最大熵的选择方法，即采用由图像像素灰度和邻域平均灰度构成的二维直方图搜索图像的最优阈值。\n[0033] 在上述的技术方案中，所述图像二维最大熵的选择是基于混沌变异量子粒粒子群优化算法进行的，其具体步骤如下：\n[0034] 步骤1：初始化，即设置种群规模、变异概率、迭代次数以及迭代总次数，其中，迭代次数设置为1；\n[0035] 步骤2：判断迭代次数是否大于迭代总次数，若迭代次数大于迭代总次数，则进入步骤7，若迭代次数小于迭代总次数，则进入步骤3；\n[0036] 步骤3：产生0-1之间随机数，若该随机数大于变异概率，则粒子按照量子粒子群算法更新粒子的位置和速度；若该随机数小于变异概率，则粒子按照量子非门进行变异更新；\n[0037] 步骤4：计算每一个粒子的适应度值，若大于该粒子当前位置的个体极值，则将个体最佳设置为该粒子的当前位置，且更新该粒子的个体极值；若所有粒子的个体极值中最大值大于当前全局极值，则将全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；\n[0038] 步骤5：对全局最优粒子进行混沌搜索，若所得结果大于当前全局极值，则全局最佳设置为该粒子的位置，且记录该粒子的位置并更新全局极值；\n[0039] 步骤6：迭代次数加1，并且转到步骤2；\n[0040] 步骤7：输出种群的全局最优解。\n[0041] 在上述的技术方案中，所述步骤f 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：\n[0042] f1、对实时拍摄的织物图像进行灰度化；\n[0043] f2、对步骤f1所获得的织物图像进行直方图均衡化；\n[0044] f3、对步骤f2所获得的织物图像进行分块；\n[0045] f4、对步骤f3所获得的织物图像进行3*3中值滤波；\n[0046] f5、将步骤f4所获得的织物图像基于分形模型进行特征参数的提取；\n[0047] f6、将步骤f4所获得的织物图像进行二值化处理，并求出该二值图像的1值像素百分比率。\n[0048] 实现上述目的中基于机器视觉的织物疵点在线自动检测装置的技术方案是：一种基于机器视觉的织物疵点在线自动检测装置，其创新点在于：包括摄像机、计算机、显示器和打印疵点标签机构，所述摄像机的镜头对准卷布验布机与导布辊之间的织物的表面，所述摄像机、显示器和打印疵点标签机构分别与计算机通信连接。\n[0049] 在上述技术方案中，还包括与计算机通信连接的测长仪，所述测长仪位于卷布验布机与导布辊之间的织物的一侧。\n[0050] 在上述技术方案中，还包括恒定直流光源，所述恒定直流光源对准卷布验布机与导布辊之间的织物的表面。\n[0051] 在上述技术方案中，所述摄像机和恒定直流光源均位于卷布验布机与导布辊之间的织物表面的上方。\n[0052] 与现有技术相比，本发明所具有的积极效果是：本发明的基于机器视觉的织物疵点在线自动检测方法及装置，采用机器视觉系统对织物进行在线检测，取代人工抽检，克服了现有织物疵点人工检测劳动强度大及容易产生视觉疲劳、布匹误检、漏检率低的缺陷，而本发明在检测的过程中如经过摄像机下方的织物有疵点出现，则通过计算机提示，并进行报警，启动打印标签机构，大大降低工人的检测劳动强度，提高了生产效率和合格率。本发明可根据用户要求设置所述检测参量的精度范围，既能达到用户要求，又能有效提高检测速度。\n附图说明\n[0053] 图1是本发明基于机器视觉的织物疵点在线自动检测方法流程图；\n[0054] 图2是本发明织物的标准图像的处理算法流程图；\n[0055] 图3是本发明待测织物图像的处理算法流程图；\n[0056] 图4是本发明基于机器视觉的织物疵点在线自动检测装置的结构示意图；\n[0057] 图5是本发明基于机器视觉的织物疵点在线自动检测装置的使用状态示意图。\n具体实施方式\n[0058] 以下结合附图及给出的实施例对本发明作进一步的详细说明。\n[0059] 如图1、2、3所示，一种基于机器视觉的织物疵点在线自动检测方法，其步骤包括：\n[0060] a、利用工业摄像机定时拍摄在卷布验布机上织物的图像，并将拍摄织物的图像送至计算机；\n[0061] b、根据对织物图像的精度要求，设置拍摄清晰图像的摄像机的参数；\n[0062] c、选择清晰完整的织物图像作为标准图像模板，进行图像算法处理并提取相应的特征参数存贮于计算机，每种类型的织物存贮一幅标准图像模板，所述的特征参数包括织物图像的分形维数 、灰度均值 、方差 和织物的标准图像二值化处理后所得二值图像的1值像素百分比率 ；\n[0063] d、根据用户要求设置检测参量的精度范围，所述检测参量包括待测织物的织物图像的分形维数 、灰度均值 、方差 和织物的实拍图像二值化处理后所得二值图像的1值像素百分比率 ；\n[0064] e、由相机内部的定时信号控制摄像机，实时拍摄卷布验布机上运行织物的图像，并将拍摄的图像传输至计算机供检测；\n[0065] f、计算机将接收到的实时拍摄织物图像进行图像算法处理，并且提取相应的特征参数；\n[0066] g、将步骤f中实时拍摄的织物图像所提取的特征参数与步骤c中标准图像模板所提取的特征参数进行对比、分析和判别；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之内，则计算机判断实测织物为合格；若实时拍摄的织物图像所提取的特征参数在步骤d中所设置的检测参量的范围之外，则计算机判断实测织物有疵点，并且打印疵点标签。\n[0067] 在上述的技术方案中，如图2所示，所述步骤c 中的图像算法处理为基于最优阈值和分形理论的图像处理方法，具体步骤为：\n[0068] c1、对作为标准图像模板的织物图像进行灰度化；\n[0069] c2、对步骤c1所获得的织物图像进行直方图均衡化；\n[0070] c3、对步骤c2所获得的织物图像进行分块；\n[0071] c4、对步骤c3所获得的织物图像进行3*3中值滤波；\n[0072] c5、将步骤c4所获得的织物图像基于分形模型进行特征参数的提取；\n[0073] c6、对步骤c4所获得的织物图像进行最优阈值的求解；\n[0074] c7、将步骤c4所获得的织物图像基于步骤c6所求得的最优阈值进行二值化处理，并求出该二值图像的1值像素百分比率； \n[0075] c8、将步骤c5所提取的特征参数、步骤c6所求得的最优阈值以及步骤c7所求得的二值图像的1值像素百分比率送至计算机保存。\n[0076] 其中，所述步骤c5中提取步骤c4所获得的织物图像的特征参数是基于分形模型法，即是通过对织物疵点的分形特征进行聚类分析来识别织物疵点，其具体步骤如下： [0077] ①、设置步骤c4所获得的织物图像的最小和最大像素块；\n[0078] ②、根据步骤①的像素块大小的要求，选定像素块大小；\n[0079] ③、将织物图像按照步骤②选定的像素块大小进行分割，依次通过计算每个像素块上灰度的最小值、最大值，从而获取该像素块的盒子数；\n[0080] ④、将步骤③求得的各像素块上的盒子数相加，计算出图像覆盖所需的总盒子数；\n[0081] ⑤、计算出对应像素块条件下的分形维数；\n[0082] ⑥、在步骤①确定的像素块大小的范围内，不断改变像素块的大小，并且转到步骤③，直到像素块不再满足步骤①所设置的像素块条件；\n[0083] ⑦、将不同像素块得到的分形维数进行最小二乘拟合，得到标准图像的分形维数，然后再计算标准图像的灰度均值和方差，即可以得到一组表示标准图像的分形维数、图像的平均强度和图像灰度变化的剧烈程度的特征参数数据集。\n[0084] 本发明的技术方案中，所谓分形，通常被人们看作是大小碎片聚集的状态，是没有特征长度的图形、构造以及现象的总称；这类集合的性质不能用欧氏测度来刻划，而维数恰是此类集合尺度变化下的不变量，因此可用维数来刻划这类集合，于是提出了分形维数的概念，即刻划分形集合性质的维数叫分形维数。\n[0085] 通过对自然景物纹理图像的研究，表明自然界中大多数表面映射成的灰度图像是具有相同分形特征的分形表面，分形维数与人类视觉系统对图像粗糙度的感知是一致的；\n若分形维数越大，则对应的图像表面越粗糙；反之，若分形维数越小，则对应的图像表面越光滑；因此，对于纹理图像，分形维数可以很好地表征纹理的粗糙程度，并且对尺度的变化不敏感；所以，准确地计算图像的分形维数作为图像纹理的特征量就可以较好地对图像进行分割和分类。\n[0086] 对于分形维数，人们从各自的研究领域出发，提出了豪斯道夫维数、计盒维数、信息维数、相似维数和填充维数等许多种定义；由于盒子法具有概念清晰、计算简单的特点，故应用较广；但该方法计算误差偏大，故在实际的工程应用中常采用差分盒子法，该方法覆盖了图像分形维数的较大的动态范围，对粗糙度小的纹理其变化更剧烈，更好地反映了分形维的情况和估计差异。故本发明依据差分盒子法计算盒子维数；其基本思想如下：\n[0087] 假设一图像的的大小为M*M，则将该图像分割成s*s的子块(其中，M1/3