纹理结构分析技术用于织物疵点检测方法

一种织物瑕疵检测方法摘要:针对纺织业生产过程中的断线问题，对瑕疵检测进行了研究。

介绍了基于单片机的检测系统的设计，对检测系统实际检测到的布匹瑕疵的波形图进行处理分析，根据分析结果设计基于“自基准判别”的思想的控制程序。

实物检测结果表明，本系统可以准确的检测织物生产出现的瑕疵，是织物瑕疵检测一种可行的方法。

关键词：瑕疵检测、单片机、波形分析、自基准判别0 引言在纺织品生产过程中，质量控制与检测是非常重要的，织物疵点检测是其中最重要的一部分。

目前国内织物检测基本上是由人工视觉来完成。

在检测过程中，由于人眼视觉存在偏差，首先，一个检验员精力集中的最长时间只有20 min~30 min，超过这个时间就会疲劳，检验员的注意力就会降低引起漏检。

其次，一个检验员的工作状态受到外界因素，如疵点类型和大小、频率、天气、身体情况影响会不断变化，较低的重现率并不奇怪，也会影响检测结果。

[1]基于以上原因，织物疵点的自动检测技术是近年来国内外学者共同关注和研究的热门课题之一。

综述其原理方法可分为以下三类：纹理结构模型方法【2】、象素特征统计方法、图像变换滤波方法【3】。

本研究采用单片机对采集的信号进行分析处理，相比于通过分析从图像中发现异常的纹理结构，从而确定织物疵点的图像处理的织物疵点检测技术，本研究检测简单实用、准确率高。

1 系统设计1.1系统框图系统实现过程：光源发出的光线经透镜折射成平行光透射过布匹再聚焦为一点被传感器采集，相比于扩散光线平行光能准确的的反应布匹的信息。

光电传感器将光信号转变为电信号，经滤波放大电路去噪声和优化信号处理，提取有用的信号再经A/D转换成数字信号以便单片机系统可以采集到信号并对信号进行处理。

单片机系统通过内部的自基准瑕疵判断程序对信号进行处理，根据处理结果控制电机和外部人员设备交换信息。

采用单片机控制系统可靠性高，处理速度快，能实现实时控制，一出现瑕疵即可报停，节约生产成本。

一般的光电检测系统都采用反射光检测，但是一般物体表面反射率不到10%，反射的光线很弱，而生产现场往往有白炽灯太阳光反射等嘈杂光信号使信号采集困难、信号信噪比小、信号处理难、系统可靠性差。

织物表面疵点自动检测方法研究织物作为我们日常生活中不可或缺的一部分，其品质的好坏直接影响到我们的穿着舒适度和外观。

然而在织物制造过程中，由于各种原因可能会出现一些疵点，如结疵、破洞、污渍等，如果这些疵点没有及时检测和修复，将直接影响到织物的质量。

开发一种快速、高效、准确的织物表面疵点自动检测方法至关重要。

近年来，随着计算机视觉与图像处理技术的发展，织物表面疵点自动检测方法也得到了很大的提升。

传统的疵点检测方法主要依赖于人工目视检测，其效率低、准确度差且易受到操作人员主观意识的影响。

通过利用计算机视觉技术来实现织物表面疵点自动检测成为了当前研究的热点之一。

一种常用的织物表面疵点自动检测方法是基于图像处理和机器学习的技术。

通过摄像设备对织物表面进行拍摄，获取高清晰度的图像数据。

然后，利用图像处理技术对图像进行预处理，如去噪、平滑、增强对比度等，以便更好地提取疵点信息。

接下来，利用机器学习算法，如支持向量机（SVM）、卷积神经网络（CNN）等，对预处理后的图像进行特征提取和分类，从而实现对织物表面疵点的自动检测和识别。

这种方法无需人工干预，可以大大提高检测效率和精度。

当前织物表面疵点自动检测方法还存在一些问题和挑战。

织物表面疵点种类繁多、形态复杂，不同种类的织物表面疵点对图像处理和机器学习算法的要求也不同。

由于织物表面疵点受到光照、角度等因素的影响，样本图像的变化也很大，这对算法的鲁棒性提出了更高的要求。

针对以上问题，研究人员提出了一些新的解决方案。

一种是利用深度学习技术，针对不同种类的织物表面疵点进行更精细化的特征提取和分类，提高检测的准确度和鲁棒性。

另一种是结合多种图像处理技术，如纹理分析、形状识别、颜色分割等，以综合性的方式对织物表面疵点进行检测和识别。

还有一种是利用新型的传感器技术，如多光谱成像、红外成像等，获取织物表面的多维信息，从而更全面地进行疵点检测。

在未来，随着计算机视觉与图像处理技术的不断进步和完善，织物表面疵点自动检测方法将会迎来更大的发展空间。

织物疵点的图像信息检测方法韩晓军;黄雷【摘要】A detecting method based on image information is proposed for four kinds of fabric defects (holes, cracked ends, skips and hard size) detection. The structure elements are selected according to the geometric characteristics of fabric defects, the morphological operation is used to highlight the shape information of fabric defect and grayscale integral projection method is used to determine the location information of fabric defect. Then texture features are analyzed to extract characteristic parameters such as area of fabric defects and perimeter. The result shows that the proposed method overcomes the problem that the classical edge detection operators can only give profile of fabric. Meanwhile, the proposed method uses image information detection for computer-aided cloth in-spection, which has theoretical significance and practical value for the textile information.%针对织物破洞、断经、跳花和浆斑这4种类型疵点的特征，提出一种基于图像信息的检测方法。

应用局部纹理特征的无监督织物瑕疵检测算法周建;王静安;高卫东【摘要】Aiming at the poor versatility of existing methods in various fabric defect types especially for warp and weft direction defects, this work presents unsupervised fabric defect segmentation using local texture feature. The proposed algorithm adopts unsupervised scheme, without need of any reference samples. For detection, the rarity of fabric defects is used to obtain local binary pattern ( LBP) histogram features that can represent the local fabric texture from the entire image. Then, benefiting from the characteristics of woven fabrics′ interlacing structure, and the one⁃dimension vectors obtained by projecting fabric image into warp and weft directions are extracted to represent local texture. Lastly, the anomaly maps of defect are computed from the extracted features, which are fused to segment defect with weight factors used. The experimental results show that the proposed projection feature along warp and weft directions can well represent local fabric texture, which can achieve satisfied results in identifying defects by combining with LBP features.%针对当前算法对种类繁多瑕疵，尤其是经纬向瑕疵适应差问题，提出一种应用局部纹理特征的无监督织物瑕疵检测算法。

织品（帘子布）瑕疵点检测算法纺织品的生产过程中总会产生瑕疵点，这些瑕疵点直接影响到织物质量的好坏，从而直接影响到产品的销售以及出口等相关行业。

所以验布环节是织物质量控制的一个十分重要的过程。

迄今为止，传统的验布工作都是由人工完成的，鉴于验布人员主观意识影响，常常存在有错检、漏检等问题，并且效率比较低。

但是随着计算机数字图像处理技术和工业自动化的发展，纺织品生产的自动化成为了必然趋势，基于机器视觉的自动验布系统已经成为大家关注的焦点。

1.引言目前，国外纺织品的检测已经开始靠硬件完成，但价格非常昂贵。

找到一种基于PC平台的自动检测算法，可以有效的快速、准确并且低成本的检测织物表面的瑕疵点。

帘子布图像瑕疵点检测算法研究主要有四部分组成，1)首先是预处理，在对织物图像进行直方图均衡化后，通过对比分析几种平滑锐化算法，选择了用中值滤波对图像进行平滑去噪，用Top-Hat 算子变换对织物图像进行锐化增强；2)接着是通过分析对比，选择了灰度直方图法对织物图像是否含有瑕疵点进行快速判断；3)然后是图像分割，提出了一种基于数学形态学的检测算法，即先利用自相关函数和FFT 找出织物经纬结构的重复单元，以其为依据，用形态学中腐蚀背景和膨胀目标的方法检测图像中的疵点信息，再在传统的形态学处理法之后，再一次采用开运算进一步的消除噪声，从而更加突出疵点；4)最后通过织物疵点长度L、疵点宽度W、疵点的经纬伸长度R、疵点面积S 及疵点的紧密度C五个特征常量对织物进行特征提取。

通过实验可以结果证明，本文提出的算法都是有效可行的。

1.1 背景众所周知，产品的质量关系着企业的存亡。

而产品质量的检测是企业生存的一个重要内容。

比如纺织物等表面瑕疵点的检测和识别。

它是产品质量的一个重要因素，亦是产品材料表面检测的重要环节。

瑕疵点检测就是在产品生产完成后，通过肉眼观察，找到有瑕疵的地方，然后再经过修复和整理，尽可能的降低瑕疵点数量，从而保证产品的质量。

基于无抽样离散小波变换的复杂纹理织物疵点检测
杨晓波
【期刊名称】《毛纺科技》
【年(卷),期】2024(52)2
【摘要】为了进一步提高复杂纹理织物的疵点识别率,本文采用新型算法检测复杂纹理织物的疵点。

首先分析了无抽样离散小波的变换原理,选取二维无抽样小波对织物疵点进行检测;接着分析了小波基和分解尺度的选择依据,并在此基础上提出织物疵点的判别流程;最后为了验证无抽样离散小波变换算法的有效性,与其他主流算法进行对比分析。

由于抽样离散小波具有平移不变特性,在疵点区域小波变换对应的能量会增大,而在无疵点区域能量会减小,选用Daubechies D2小波作为小波基,小波分解尺度的选择需要考虑织物图像的纹理特征,选择的尺度以适中为宜;从织物图像区域中提取水平、垂直和对角线方向能量作为特征值,分别选取6种类型的织物疵点进行对比实验。

实验结果表明,采用无抽样离散小波变换算法进行织物疵点检测平均正确率和实时检测速度均高于其他主流算法,可以较好地用于复杂纹理的织物疵点检测。

【总页数】6页(P133-138)
【作者】杨晓波
【作者单位】浙江树人学院
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于离散小波变换的织物疵点检测方法
2.基于自适应离散小波变换的混合特征畸变织物疵点识别
3.基于纹理抑制FCM和小波模极大值的织物疵点检测算法
4.基于局部纹理图像表征的织物疵点检测
因版权原因，仅展示原文概要，查看原文内容请购买。

织物表面疵点自动检测方法研究织物是我们日常生活中常见的一种材料，它被广泛应用于服装、家居用品、车辆内饰等领域。

在织物生产过程中，常常会出现疵点，如结疵、污点、断经、断纬等问题，这些疵点会影响织物的质量和美观度，甚至影响产品的销售。

研究织物表面疵点的自动检测方法对于提高织物生产质量和效率具有重要意义。

本文将探讨织物表面疵点自动检测方法的研究现状和发展趋势。

一、织物表面疵点的特点和影响织物表面疵点主要包括结疵、污点、断经、断纬等问题。

这些疵点会影响织物的外观和质量，降低产品的使用价值。

特别是在服装等领域，疵点对产品的影响更加显著。

及时准确地检测和处理织物表面疵点是非常重要的。

二、织物表面疵点检测的传统方法传统的织物表面疵点检测方法主要依靠人工目视检查和手工智能检测。

人工目视检查虽然可以发现一些明显的疵点，但是由于人的主观判断和疲劳度，往往容易漏检或误判。

而手工智能检测则是依靠专人操作检测设备进行检测，虽然准确度较高，但是成本较高且效率低下。

随着计算机视觉、图像处理和人工智能技术的发展，织物表面疵点自动检测方法也得到了迅速发展。

目前，主要的研究方向包括图像采集、特征提取和疵点识别。

1. 图像采集图像采集是织物表面疵点自动检测的第一步，其主要目的是获取织物表面的图像数据。

近年来，随着成像技术的不断进步，高分辨率、高速度的相机和传感器得到了广泛应用，可以实现对织物表面的高质量图像采集。

2. 特征提取特征提取是织物表面疵点自动检测的关键步骤，其主要目的是从图像数据中提取能够表征疵点的特征。

常用的特征提取方法包括纹理特征、色彩特征、形状特征等。

通过有效的特征提取方法，可以有效地区分疵点和正常区域。

3. 疵点识别疵点识别是织物表面疵点自动检测的最终目标，其主要目的是利用图像处理和机器学习技术识别出织物表面的疵点。

目前，常用的疵点识别方法包括基于规则的方法、基于特征的方法和基于深度学习的方法。

这些方法可以有效地识别出织物表面的疵点，并实现自动化检测。

织物表面疵点自动检测方法研究织物表面疵点自动检测是纺织行业中非常关键的一项任务。

传统的手工检测方法既费时又费力，而且效率低下，因此引入自动检测方法，以提高检测效率和精度，已成为目前纺织行业中的一个研究热点。

织物表面疵点的自动检测方法，可以分为两大类：基于计算机视觉的方法和基于深度学习的方法。

接下来，本文将分别对这两大类方法进行详细介绍。

1、基于计算机视觉的方法基于计算机视觉的方法需要提取织物表面的特征，来进行疵点检测。

一般可以从以下几个方面提取织物表面的特征：（1）颜色特征：对织物表面颜色的变化进行分析，通过与正常织物的颜色进行对比，确定疵点的位置。

（2）质感特征：通过分析织物表面图案的形态和构成，发现疵点的位置。

（3）纹理特征：分析织物表面的纹理信息，检测疵点。

此外，还可以结合图像处理技术（如滤波、二值化、形态学处理等方法），对织物表面的图像进行修饰和优化，以提高检测精度。

基于计算机视觉的自动检测方法虽然在一定程度上提高了检测效率和精度，但该方法受到光照和织物表面的噪声等因素的影响比较大，因此其检测精度和稳定性还有待提高。

2、基于深度学习的方法基于深度学习的自动检测方法是近年来纺织行业研究的新方向。

该方法采用深度神经网络（deep neural network），通过学习织物表面图像的特征，来实现自动疵点检测。

该方法的优点在于可以自适应地学习复杂的特征，而且具有较强的泛化能力，能够处理大量数据，进而提高检测效率和精度。

然而，该方法需要大量的数据进行训练，因此对数据集的质量和数量要求非常高。

另外，在训练过程中需要解决诸如过拟合（overfitting）和梯度消失（vanishing gradient）等问题。

总的来说，织物表面疵点自动检测方法的研究对纺织行业的发展至关重要。

基于计算机视觉和基于深度学习的方法均有各自的优点和不足，因此在实际应用中需要根据具体的场景和需求进行选择，以达到最佳的效果。

基于显著纹理特征的织物疵点检测方法石美红;张正;郭仙草;陈永当【摘要】针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法.鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区.经TILDA织物纹理图库数据的实验测试结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性.【期刊名称】《纺织学报》【年(卷),期】2016(037)010【总页数】9页(P42-49,55)【关键词】纹理显著性;局部纹理;粗糙度;多尺度度量;织物疵点检测【作者】石美红;张正;郭仙草;陈永当【作者单位】西安工程大学计算机科学学院,陕西西安710048;西安工程大学计算机科学学院,陕西西安710048;西安工程大学计算机科学学院,陕西西安710048;西安工程大学计算机科学学院,陕西西安710048【正文语种】中文【中图分类】TP391.41织物疵点检测是纺织品全质量监控的重要环节之一，其结果的好坏直接影响后续的纺织品等级划分。

目前常用的织物疵点检测方法有[1-3]：数理统计法(经典的有灰度共生矩阵、形态学、自相关函数、分形学等方法[4-7])，这类方法是通过提取织物图像中像素间的空间分布、区域的几何形状、纹理的自相关性或自相似性等特征检测织物疵点；频谱法(典型的有傅里叶变换、小波变换、Gabor变换等方法[8-10])，分别利用傅里叶的功率谱特性、小波时频的多分辨率特性、Gabor的空频特性提取特征检测织物疵点；模型法(经典的有马尔科夫随机场模型、自回归模型等方法[11-12])，它们分别通过描述织物图像中邻域像素间结构与统计特征、不同像素间的线性相关特征检测织物疵点；人工神经网络法[13-14]，其中经典的BP 网、脉冲耦合神经网络(简称为PCNN)等方法，利用神经网络的自学习、自组织的能力实现织物疵点的自动检测。

纺织品缺陷检测思路方法
纺织品缺陷检测是纺织品质量控制的重要环节，其目的是在生产过程中尽早发现并消除缺陷，避免缺陷产品流入市场。

常见的纺织品缺陷包括：污渍、色差、断经、断纬、织物结构缺陷等。

纺织品缺陷检测通常采用机器视觉技术，通过图像采集设备获取纺织品的图像，然后使用图像处理和分析算法对图像进行处理，识别和定位缺陷。

具体方法如下：
1. 图像采集：使用高分辨率的数字相机或扫描仪获取纺织品的图像。

在采集图像时，需要注意光照条件、角度和背景等因素，以确保采集到的图像清晰、准确。

2. 预处理：对采集到的图像进行预处理，包括去噪、增强、二值化等操作，以提高图像的对比度和清晰度，便于后续处理。

3. 特征提取：根据不同的缺陷类型，提取相应的特征，如颜色、纹理、形状等。

这些特征将用于后续的缺陷识别和分类。

4. 缺陷识别和分类：利用图像处理和机器学习算法，对提取的特征进行分析和分类，以识别和定位缺陷。

常见的分类算法包括支持向量机、神经网络等。

5. 结果输出：将检测结果以可视化或报告的形式输出，以便用户查看。

可视化结果可以通过颜色标记或框选等方式展示，报告则包含了检测到的缺陷数量、位置等信息。

以上是纺织品缺陷检测的基本思路和方法，但具体实现方式可能因不同的应用场景和需求而有所不同。

在实际应用中，需要根据具体情况选择合适的算法和参数，以达到最佳的检测效果。