一種紡織品缺陷檢測方法
【技術(shù)領域】
[0001] 本發(fā)明屬于工業(yè)自動化領域，涉及一種產(chǎn)品或者工件的缺陷檢測方法。
【背景技術(shù)】
[0002] 機器視覺伴隨計算機技術(shù)和現(xiàn)場總線技術(shù)的發(fā)展，技術(shù)日益成熟，已成為越來越 多的設計自動化領域的企業(yè)不可或缺的產(chǎn)品。在一些傳統(tǒng)企業(yè)中，工件或者產(chǎn)品的缺陷仍 然依靠官能檢測，引入機器視覺代替?zhèn)鹘y(tǒng)方法，可以極大地提高檢測效率和自動化程度，尤 其是一些高危工作環(huán)境，人工視覺已很難滿足工業(yè)自動化企業(yè)對高效率、高精度的需求。在 一些流水線在線檢測方面，一套設計契合、應用完備、24小時穩(wěn)定工作的機器視覺自動檢測 系統(tǒng)，不僅大大降低了企業(yè)的人力物力財力，還能得到最詳盡的信息反饋以便最快作出決 策。為進一步提高企業(yè)競爭力，需要更多基于機器視覺的創(chuàng)新技術(shù)，研制更契合企業(yè)需求的 自動化在線缺陷檢測系統(tǒng)刻不容緩。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明針對現(xiàn)有技術(shù)的不足，提供了一種流水線上具待切割邊沿特性的紡織品缺 陷檢測方法。
[0004] 本發(fā)明解決技術(shù)問題所采取的技術(shù)方案為：
[0005] 步驟（1).采集圖像和圖像預處理。
[0006] 步驟（2).運用LSD直線檢測算法對圖像中紡織品邊沿信息提取。
[0007] 步驟（3).根據(jù)采集系統(tǒng)相關參數(shù)確認實時邊沿參考數(shù)據(jù)。
[0008] 步驟（4).對比提取的邊沿信息和邊沿參考數(shù)據(jù)確認邊沿和計數(shù)
[0009] 步驟（5).結(jié)合標準圖特征參數(shù)和邊沿中心點位置確認瑕疵分布。
[0010] 步驟（6).采用區(qū)域生長法判別瑕疵位置并分割。
[0011] 本發(fā)明的有益效果：
[0012] (1)對紡織品邊沿的多次信息參考確認，提高了在線邊沿計數(shù)的精確度。
[0013] (2)對紡織品瑕疵的細散類再生長連通，提高了在線檢測瑕疵的精確度。
【附圖說明】
[0014] 圖1毛巾標簽缺陷檢測系統(tǒng)流程圖；
【具體實施方式】
[0015] 以下結(jié)合說明書附圖對本發(fā)明做進一步描述。
[0016] 依據(jù)說明書附圖（1)，對實施步驟進行詳細闡述：
[0017] 步驟（1).采集圖像和圖像預處理。
[0018] 為保證圖像采集連續(xù)、穩(wěn)定，需將工業(yè)攝像機固定于穩(wěn)定速度的生產(chǎn)線上，光照穩(wěn) 定，圖像采集時間間隔可以稍微增加，但要保證采集過程沒有信息缺漏，即連續(xù)兩張圖像攝 入內(nèi)容可重復但不可斷缺。對圖像的預處理，主要包括對圖像進行去噪，灰度轉(zhuǎn)換和圖像二 值化等幾個處理過程。
[0019] 步驟（2).運用LSD直線檢測算法對圖像中紡織品邊沿信息提取。
[0020] LSD算法目標在于檢測圖像中局部的直的輪廓，比較適合用于提取紡織品邊沿信 息。
[0021] 第一步：消除鋸齒，LSD算法第一步原是將輸入圖像縮小為原來大小的80%，這種 縮小的目的是在于減弱甚至消除圖像中出現(xiàn)的鋸齒現(xiàn)象，而縮小了的圖像卻丟失了一些特 征信息，對圖像進行模糊操作一樣可以達到類似的效果，但是會增加白噪聲的干擾。本發(fā)明 提出一種改進型LSD直線檢測算法，對去預處理后的圖進行邊緣檢測，再對處理后的圖進 行簡單的霍夫變換直線查找，再取一張預處理后的圖，用顏色和邊沿塊相似的粗線在后圖 中描出，以此來消除鋸齒、扶直邊緣，減少直線斷裂。
[0022] 第二步：梯度計算和角度判別，給定點X (m, η)代表灰度圖像上像素點（m, η)處的 灰度值，圖像梯度通過下面的式子計算：
[0025] 此level-line的角度通過下面的式子計算：
[0023]
[0024]
[0026]
[0027] 未二值化的灰度圖進行LSD算法后需要進行梯度幅值排序和梯度閾值，進而判別 出達到目的程度的跳變邊界。本發(fā)明直接對二值化后圖像進行LSD算法，跳變明顯，只需要 簡單的角度判別就能大致確認直的區(qū)域的位置。
[0028] 第三步：邊沿左右兩端判定，給定給定點X(m, η)代表灰度圖像上像素點（m, η)處 的灰度值，圖像高度為Η，寬度為W，取圖像縱向灰度平均值，通過下面的式子計算：
[0029]
[0030] 后將各點（m，favCTagJm))描在一直角坐標系上制出灰度平均值變化圖，取最高點 (m m，favCTagf3(mm)_)，設橫截比例ρ(0〈ρ〈1)，在該坐標系作一條直線，y = p*favCTag(3(mm)_，橫截 變化圖，使變化圖與直線相交兩點和（nv，f avCTagJn〇)。在存在邊沿的處理 后圖像中，理想狀態(tài)下存在一塊寬度恒定、高度等于圖片高度的白色矩形，而其他區(qū)域為全 黑色，則縱向灰度平均值變化圖里，在邊沿中心點左右會有一塊明顯的突起。若Hl 1-Hl1不近 似于邊沿寬度，則重設P，反之則得準確邊沿中心點位置（(πν+πΟ /2, H/2)。
[0031] 步驟（3).根據(jù)采集系統(tǒng)相關參數(shù)確認實時邊沿參考數(shù)據(jù)。
[0032] 參數(shù)選定，每秒圖像幀數(shù)η，勾速履帶從右到左運動固定速度V，單條毛巾巾面長 度1，邊沿寬度b，顯像真實寬度k。整條毛巾顯像周期T = (b+l)/v，幀數(shù)ζ = t*n,若t =tl瞬時毛巾邊沿進入圖像，t = b/2v+tl時即第b*n/2v幀后巾面進入圖像視野，t = (b/2+k) /v+tl時邊沿從圖像消失，t = (b/2+1) /v+tl即t = T+tl-b/2v時邊沿再度出現(xiàn)，則 第m條毛巾的邊沿出現(xiàn)時間為（mT+tl-b/2v，mT+tl+k/v+b/2v) (m>l)，以圖像下邊框為一維 坐標系，最右點為原點，X軸方向與履帶相同，從右到左，邊沿中心點所在位置為X = (t-t. 111〇(1(1')*1'-1:1)抑，1屬于（-2/13，1^+2/13)時在圖像中有邊沿。
[0033] 步驟（4).對比提取的邊沿信息和邊沿參考數(shù)據(jù)確認邊沿和計數(shù)
[0034] 若該中線點和參考邊沿中心點距離甚遠，或在參考邊沿不出現(xiàn)時間段出現(xiàn)邊沿， 可能出現(xiàn)形似邊沿的大塊瑕疵，此時以參考邊沿中心點為準。步驟2第二步中判斷的邊沿 中心點灰度過低或無法找到邊沿左右或參考邊沿不出現(xiàn)時間為無邊沿；準確邊沿中心點在 圖左側(cè)且該中心點和參考邊沿中心點距離相近，則邊沿在圖像左半側(cè)；同理判斷出在右側(cè)； 若距離甚遠，以參考邊沿中心點為準。連續(xù)采集的圖像中同一邊沿會出現(xiàn)多次，這里只在邊 沿中心點在上一張圖中在左側(cè)，本圖中右側(cè)對邊沿數(shù)計數(shù)。
[0035] 步驟（5).結(jié)合標準圖特征參數(shù)和邊沿中心點位置確認瑕疵分布。
[0036] 對標準彩圖進行三通道像素取平均值，再取簡單采集得的去噪后的彩色圖，排除 邊沿中心點位置固定范圍，以各通道色差對比生成自定義二值化灰度圖，顯示瑕疵分布。
[0037] 步驟（6).采用區(qū)域生長法判別瑕疵位置并分割。
[0038] 區(qū)域生長法是通過種子點的迭代生長，找尋閉合的連通區(qū)域的方法。對二值化后 的灰度圖區(qū)域生長，避免了噪聲和灰度不均一可能會產(chǎn)生的空洞和過分割，但其最大的劣 勢是計算代價大，