一种纺织品缺陷类型识别方法与流程

本发明涉及纺织品缺陷识别，具体为一种纺织品缺陷类型识别方法。

背景技术：

1、纺织品表面出现缺陷时，将会影响后续织物的美观，甚至会造成质量问题。缺陷检测以及缺陷种类的识别是纺织品工业生产的关键环节。在纺织工业中，纺织品缺陷有50多种，大多数缺陷是由机器故障和纱线问题引起的，这类缺陷可分为污纱、蛛网、断经、并纬、稀弄和松纱六种缺陷。纺织品在生产过程中以及在进入市场之前需经过各种检验和测试，对于纺织品表面的瑕疵缺陷识别是必不可少的一步。

2、目前对于纺织品缺陷的检测主要依靠人工或视觉检测系统进行，前者效率慢，检测结果准确率不高逐步的被市场淘汰，后者虽然检测效率高，检测结果的准确率也高，但是依然存在缺陷：不能够对检测到的纺织品缺陷进行分类统计，这就不利于改进相关的工艺，使得纺织品良品率得不到提升。为此，我们提出一种纺织品缺陷类型识别方法用于解决上述问题。

技术实现思路

1、解决的技术问题

2、针对现有技术的不足，本发明提供了一种纺织品缺陷类型识别方法，具备能够对纺织品的缺陷进行识别，且对纺织品的缺陷可做分类统计处理，进而能够有利于改进相关的工艺等优点，解决了上述技术问题。

3、技术方案

4、为实现上述目的，本发明提供如下技术方案：一种纺织品缺陷类型识别方法，包括以下步骤：

5、步骤一：搭建数据库，数据库中内置缺陷分析模型，缺陷分析模型包含有对比模块和分析模块；

6、缺陷分析模型是通过对已知的纺织品缺陷图像及缺陷位置在深度学习算法中进行训练学习，用于对纺织品缺陷进行分类；

7、步骤二：获取纺织品表面缺陷的所有图像，并且将图像保存到数据库的储存单元中；

8、步骤三：获取纺织品的表面图像，并且对图像进行预处理；

9、步骤四：将预处理后的纺织品表面图像输入至缺陷分析模型中，通过缺陷分析模型对纺织品表面的图像捕捉关键特征；

10、步骤五：将缺陷分析模型捕捉到的关键特征输入对比模块中，然后与储存单元中保存的纺织品表面缺陷图像进行对比，并且通过分析模块判断纺织品是否存在缺陷；

11、步骤六：若判断出纺织品具有缺陷，分析模块对缺陷位置进行标注，并且备注缺陷类型和统计不同缺陷类型的数量。

12、作为本发明的优选技术方案，步骤三中采用高清工业下相机对纺织品表面图像进行获取，对图像进行预处理包括分割处理，分割处理为基于区域的分割算法将纺织品表面图像进行分割成若干部分。

13、作为本发明的优选技术方案，步骤三中对图像进行预处理还包括滤波处理和灰度处理，并且对灰度图像进行增强，滤波处理和灰度处理顺序在分割处理之前。

14、作为本发明的优选技术方案，对比模块与数据库的储存单元连接，对比模块采用均方误差计算公式来对比预处理后的图像和预存的纺织品缺陷图像，计算公式如下：

15、

16、其中mse为均方误差值，n是样本数量，yi是第i个样本的真实值，y^i是缺陷分析模型对第i个样本的预测值。

17、作为本发明的优选技术方案，对比模块连接分析模块，分析模块将对比模块计算后的数据进行分类处理。

18、作为本发明的优选技术方案，分类处理具体过程如下：

19、根据已知的纺织品缺陷图像的数量来确定纺织品缺陷种类数，对不用种类的缺陷采用符号标记；

20、对预处理后的纺织品图像和每个已知的纺织品缺陷图像进行对比后计算得出的均方误差值；

21、分别将对比模块计算出的均方误差值输入分析模块中，分析模块挑选出均方误差值最小的一个数据，并且根据符号标记判断出该数据归属于哪一种缺陷，并对该符号标记计数。

22、作为本发明的优选技术方案，深度学习算法具体为卷积神经网络算法。

23、作为本发明的优选技术方案，其特征在于：步骤六还包括将统计的不同缺陷类型的数量展示在数显屏上。

24、与现有技术相比，本发明提供了一种纺织品缺陷类型识别方法，具备以下有益效果：

25、1、本发明通过将已知的纺织品缺陷图像预存在数据库的储存单元中，当采集到纺织品的图像后发送到缺陷分析模型中，使用均方误差法对预处理后的图像和预存的已知的纺织品缺陷图像进行对比，通过均方误差法计算公式计算出两个图像之间的均方误差值，均方误差值越大则表明两个图像之间的差异越大，说明该预处理后的图像与已知的纺织品缺陷图像之间存在较大差异，所以判断纺织品为良品，反之差异越小，当均方误差值在预设的阈值范围内，则表面该预处理后的图像与已知的纺织品缺陷图像极为相似，则判断为纺织品存在缺陷，如此能够自动检测出纺织品是否存在缺陷。

26、2、本发明通过获取纺织品缺陷图像后对其数量进行统计，得出纺织品缺陷种类为n种，所以获得的均方误差值标记也有n中，若计算结果中n个均方误差值均大于设定的阈值，则表明纺织品不存在缺陷为良品，反之，若n个均方误差值中存在一个在设定阈值范围内的数值，则分析模块找出该数值对应的标记，判断出纺织品存在缺陷，并且根据标记判断出缺陷类型，经过分析模块对纺织品缺陷进行分类统计后，每种缺陷的标记数量会通过数显屏幕显示，以便于用户观察，通过分析不同缺陷的数量可以对应的调整纺织品加工的相关工序的工艺，从而有利于降低纺织品的不良率。

27、3、本发明通过对采集到的纺织品图像进行滤波处理、灰度处理和分割处理三项预处理，滤波处理能够保留图像细节特征的条件下对目标图像的噪声进行抑制，灰度处理能将彩色rgb图像转换为灰度图像，能够增强图像的对比度，并且降低储存量和计算复杂度，分割处理能够讲图像碎片化，便于剔除没有特征的图像碎片，保留具有特征的图像碎片，进一步降低后续对比的计算量。

技术特征：

1.一种纺织品缺陷类型识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种纺织品缺陷类型识别方法，其特征在于：所述步骤三中采用高清工业下相机对纺织品表面图像进行获取，对图像进行预处理包括分割处理，所述分割处理为基于区域的分割算法将纺织品表面图像进行分割成若干部分。

3.根据权利要求1所述的一种纺织品缺陷类型识别方法，其特征在于：所述步骤三中对图像进行预处理还包括滤波处理和灰度处理，并且对灰度图像进行增强，所述滤波处理和灰度处理顺序在分割处理之前。

4.根据权利要求1所述的一种纺织品缺陷类型识别方法，其特征在于：所述对比模块与数据库的储存单元连接，所述对比模块采用均方误差计算公式来对比预处理后的图像和预存的纺织品缺陷图像，所述计算公式如下：

5.其中mse为均方误差值，n是样本数量，yi是第i个样本的真实值，y^i是缺陷分析模型对第i个样本的预测值。

6.根据权利要求1所述的一种纺织品缺陷类型识别方法，其特征在于：所述对比模块连接分析模块，所述分析模块将对比模块计算后的数据进行分类处理。

7.根据权利要求5所述的一种纺织品缺陷类型识别方法，其特征在于：所述分类处理具体过程如下：

8.根据权利要求1所述的一种纺织品缺陷类型识别方法，其特征在于：所述深度学习算法具体为卷积神经网络算法。

9.根据权利要求1所述的一种纺织品缺陷类型识别方法，其特征在于：所述步骤六还包括将统计的不同缺陷类型的数量展示在数显屏上。

技术总结
本发明涉及纺织品缺陷识别技术领域，且公开了一种纺织品缺陷类型识别方法，包括以下步骤：搭建数据库，数据库中内置缺陷分析模型，缺陷分析模型包含有对比模块和分析模块；缺陷分析模型是通过对已知的纺织品缺陷图像及缺陷位置在深度学习算法中进行训练学习，用于对纺织品缺陷进行分类；步骤二：获取纺织品表面缺陷的所有图像，并且将图像保存到数据库的储存单元中。本发明通过对采集到的纺织品图像进行滤波处理、灰度处理和分割处理三项预处理，滤波处理能够保留图像细节特征的条件下对目标图像的噪声进行抑制，灰度处理能将彩色RGB图像转换为灰度图像，能够增强图像的对比度，并且降低储存量和计算复杂度。

技术研发人员：彭明华,周绍军,朱翠崔
受保护的技术使用者：江苏新丝路纺织科技有限公司
技术研发日：
技术公布日：2024/4/24