一种基于GMM和图像金字塔的布匹疵点检测方法与流程

本发明涉及布匹疵点检测技术领域，具体涉及一种基于gmm和图像金字塔的布匹疵点检测方法。

背景技术：

随着人们消费水平的提高，服装布匹的质量也受到高度重视。传统纺织业对布匹质量的把控，都依赖于人工人眼及其工作经验的识别判断，这种方式下对疵点的识别精度低，工作量大，具有主观性等等问题。目前，服装纺织业也逐渐引入机器视觉，人工智能技术，进入新的发展阶段。但是现在的一些检测设备的算法仅仅是在实验室环境下进行样本检测，效率低下，并不能达到实际生产的作用，而且对训练的样本数量要求较多，局限性大。

专利201710547024.2，公开了一种基于图像处理的布匹疵点检测方法，该方法包括如下步骤：根据现场实际情况采取自适应去噪算法；(2)对去噪后的图像进行锐化增强处理以便增强图像疵点的纹理细节和边缘轮廓，使后续特征值的提取更加可靠；(3)利用形态学运算及流通区域标志法对图像的疵点做分割，滤波与流通性增强处理；(4)织物特征值提取与归一化；(5)织物疵点的识别与分类。该基于图像处理的布匹疵点检测方法，研发一套基于图像处理和信息集成的织物自动化检验系统，完成织物疵点自动检测、成品评级、质量统计分析、信息共享、集中监控管理等功能，以解决纺织染整行业采用传统人工验布和人工统计时，存在劳动强度大、生产效率低等共性技术难题。

专利201710607528.9，公开了一种基于机器视觉的布匹表面疵点检测方法，包括：获取第一训练样本；其中，所述第一训练样本包括布匹表面图像以及相应的表面疵点状态信息；利用所述第一训练样本，对基于深度学习算法构建的第一待训练模型进行训练，得到第一训练后模型；将待检测布匹的表面图像输入至所述第一训练后模型，得到所述第一训练后模型输出的与所述待检测布匹的表面图像对应的表面疵点检测结果。本发明提前设定了客观的检测标准，与可能产生主观误差的人工检测相比，获得的检测结果更准确，稳定性更高；而且由于这些步骤都由机器实现，不需考虑工作人员的身体健康和工作强度，提高了检测效率。

专利201710182718.0，涉及基于神经网络深度学习的布匹缺陷检测方法，方法包括以下步骤：(1)高速线扫描成像；(2)通过改进的bp神经网络布匹缺陷检测算法对布匹缺陷进行准确检测；(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息，进行非线性系统地处理分类。本发明将图像矫正，拼接，去噪等算法在成像系统中用gpu实现，实现高速高质量的图像采集；通过改进的bp神经网络布匹缺陷检测算法对诸如灰尘，脏污，棉球，褶皱等干扰因素进行检测与排除；通过卷积神经网络的深度学习布匹缺陷分类算法，能够实现对多种缺陷的实时监测，该分类算法能出色地自动选取疵点多样的特征信息，进行非线性系统地处理分类。

专利201210330347.3，公开的一种基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法，具体按照以下步骤实施：1)构建基于模式识别和图像处理的设备；2)采集分辨率为2048×2048大小的rgb彩色织物图像；3)对采集的彩色织物图像进行预处理；4)建立方法库；5)对布匹上的瑕疵区进行查找和定位；6)采集布匹上瑕疵区的特征值；7)对采集的特征值进行处理；8)使用“量化共轭bp神经网络算法”对经步骤7降维后的数据进行分类。该方法能够将布匹上的瑕疵进行检测并分类，具有检测速度快、分类明确、人工劳动强度低的优点。

(一)解决的技术问题

本发明的目的在于解决以上现有技术的不足，提出一种基于gmm和图像金字塔的布匹疵点检测方法，利用工业相机对采集图像，并进行图像预处理；利用laws纹理能量度量方法度量出图像的特征向量；gmm分类器对laws纹理能量度量出的特征向量进行训练，训练出一个分类模型对图像进行纹理缺陷识别；若有缺陷，则在图像金字塔上进行疵点分割，得出疵点区域的面积特征以及形状特征，最后进行类型判别。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于gmm和图像金字塔的布匹疵点检测方法，包括以下步骤：

s1、获取多幅现场图像，并对图像进行预处理；

s2、通过laws纹理能量度量出预处理后样本图像的特征向量作为gmm训练器的输入；

s3、根据图像预处理后图像的灰度值构建gmm模型；

s4、将步骤s2中度量出的特征向量作为gmm训练器的初始值，em算法进行迭代求解，分类出有疵点的图像；

s5、将有疵点的图像进行金字塔图像分割，完成图像分割并进行类别判断。

根据本发明的一实施例，所述步骤s1包括滤波处理，图像增强，以达到降噪，保留图片有用的信息。

根据本发明的一实施例，所述步骤s3中的gmm模型为：

其中，p(xi)为gmm的概率密度函数，加权系数需要满足：

αj为数据点xi产生在第i个高斯成员的先验概率；

nj(xi；μj,σj)为高维高斯函数，表达式为：

(μj,σj)是第j个高斯函数的分布参数，μj表示特征向量，σj表示协方差矩阵。

根据本发明的一实施例，所述步骤s4包括以下步骤:

s4.1、初始化协方差矩阵参数σj及先验概率αj；

s4.2、将laws纹理能量度量出的特征向量作为gmm训练器的输入值μj；

s4.3、根据s4.1与s4.2的初始值通过em算法迭代收敛，获得终值参数σj、αj、μj，并完成分类。

根据本发明的一实施例，所述步骤s5对有疵点的图像进行金字塔图像分割，得出疵点区域的面积特征和形状特征，并进行类型判别。

(三)有益效果

本发明的有益效果：一种基于gmm和图像金字塔的布匹疵点检测方法，利用工业相机对采集图像，并进行图像预处理；利用laws纹理能量度量方法度量出图像的特征向量；gmm分类器对laws纹理能量度量出的特征向量进行训练，训练出一个分类模型对图像进行纹理缺陷识别；若有缺陷，则在图像金字塔上进行疵点分割，得出疵点区域的面积特征以及形状特征，最后进行类型判别。本发明可以减少样本数量，把典型的布匹瑕疵类型进行判别，保留分割区域的完整性，能够准确的定位疵点区域，提高分割精度和检测效率。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明检测方法流程图；

图2为现场拍摄的布匹图像原图；

图3为laws纹理特征提取特征图一；

图4为laws纹理特征提取特征图二；

图5为laws纹理特征提取特征图三；

图6为laws纹理特征提取特征图四；

图7为laws纹理特征提取特征图五；

图8为laws纹理特征提取特征最终图像；

图9为金字塔图像分割后的图像；

图10为检测结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1，一种基于gmm和图像金字塔的布匹疵点检测方法，包括以下步骤：

s1、获取多幅现场图像，并对图像进行预处理，包括：滤波处理，图像增强，以达到降噪，保留图片有用的信息；

s2、通过laws纹理能量度量出预处理后样本图像的特征向量作为gmm训练器的输入；

s3、根据图像预处理后图像的灰度值构建gmm训练器；

步骤s3中的gmm训练器为：

其中，p(xi)为gmm的概率密度函数，加权系数需要满足：

αj为数据点xi产生在第i个高斯成员的先验概率。

nj(xi；μj,σj)为高维高斯函数，表达式为：

(μj,σj)是第j个高斯函数的分布参数，μj表示特征向量，σj表示协方差矩阵。

s4、将步骤s2中度量出的特征向量作为gmm训练器的初始值，em算法进行迭代求解，分类出有疵点的图像；

步骤s4包括以下步骤:

s4.1、初始化协方差矩阵参数σj及先验概率αj；

s4.2、将laws纹理能量度量出的特征向量作为gmm训练器的输入值μj；

s4.3、根据s4.1与s4.2的初始值通过em算法迭代收敛，获得终值参数σj、αj、μj，并完成分类。

s5、将有疵点的图像进行金字塔图像分割，完成图像分割并进行类别判断。

步骤s5对有疵点的图像进行金字塔图像分割，得出疵点区域的面积特征和形状特征，并进行类型判别。

实施例

一种基于gmm和图像金字塔的布匹疵点检测方法，包括以下步骤：

s1、获取多幅现场图像，并对图像进行预处理，包括：滤波处理，图像增强，以达到降噪，保留图片有用的信息。

s2、laws纹理能量度量通过估计纹理中三个向量l3(平均)、e3(微分)、s3(斑点)，并将这些向量与他们自身以及相互卷积之后，产生5个向量，再将这些向量进行相互乘积，把第一项作为列向量，第二行作为行向量，产生5*5的laws掩膜。在将掩膜与图像卷积计算出特征量用于描述纹理，图2为现场图像，图3-8为特征提取后的图像。

s3、根据预处理后图像的灰度值信息构建gmm模型：

其中，p(xi)为gmm的概率密度函数，加权系数需要满足：

αj为数据点xi产生在第i个高斯成员的先验概率。

nj(xi；μj,σj)为高维高斯函数，表达式为：

(μj,σj)是第j个高斯函数的分布参数，μj表示特征向量，σj表示协方差矩阵。

s4、将步骤s2中度量出的特征向量作为gmm训练器的初始值，em算法进行迭代求解，分类出有疵点的图像；

步骤s4包括以下步骤:

s4.1、初始化协方差矩阵参数σj及先验概率αj；

s4.2、将laws纹理能量度量出的特征向量作为gmm训练器的输入值μj；每个高斯成员的参数

s4.3、根据s4.1与s4.2的初始值通过em算法迭代收敛，获得终值参数σj、αj、μj，并完成分类。

进行em算法的求解gmm；

s4.3.1、给定初始参数θ⁰；

s4.3.2、由

求出

s4.3.3、由求θj(j＝1,...,m)；

s4.3.4、重复步骤s4.3.2和步骤s4.3.3直到em算法收敛，获得终值参数σj、αj、μj，并完成分类判断出疵点区域。

s5、建立金字塔的最大层数，再建立连接的错误阈值threshold1和分割簇的错误阈值threshold2；由灰度值差p(a,b)＜threshold1在像素中找连通域，其中a为层的下像素点，b相邻层的父亲像素；由平均灰度值差q(a,b)＜threshold2判断连通域与是否属于同一个簇，簇即为最后的分割结果如图9，并根据疵点区域的面积特征和形状特征，进行类型判别如图10，长度＝14.6mm，宽度＝13.5mm，缺陷中心坐标x＝327mm，缺陷中心坐标y＝179.5mm。

综上所述，本发明实施例，基于gmm和图像金字塔的布匹疵点检测方法，利用工业相机对采集图像，并进行图像预处理；利用laws纹理能量度量方法度量出图像的特征向量；gmm分类器对laws纹理能量度量出的特征向量进行训练，训练出一个分类模型对图像进行纹理缺陷识别；若有缺陷，则在图像金字塔上进行疵点分割，得出疵点区域的面积特征以及形状特征，最后进行类型判别。

本发明可以减少样本数量，把典型的布匹瑕疵类型进行判别，保留分割区域的完整性，能够准确的定位疵点区域，提高分割精度和检测效率。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。