基于机器视觉的织物密度智能检测系统及方法与流程

本发明涉及机器视觉。更具体地，本发明涉及基于机器视觉的织物密度智能检测系统及方法。

背景技术：

1、织物密度检测采用人工目测或借助密度镜进行手动计数，易受到质检人员视觉疲劳和主观经验的影响，导致检测结果的一致性和准确率无法保证。

2、目前，织物密度检测采用基于图像处理的检测方法，早期的机器视觉方法基于傅里叶变换、灰度投影或小波变换传统算法提取纹理周期特征计算密度。

3、然而，实际生产环境中获取的织物图像受到光照不均、表面毛羽、污渍噪声以及织物微小形变因素的干扰，算法对该干扰敏感，泛化能力较差；将基于数据驱动的智能检测模型利用到织物纹理分析中，提升了特征提取的水平；但织物纹理具有多尺度和强方向性特征，现有的常规特征提取网络在处理纱线交织结构时，不能同时兼顾高频细节与全局方向特征，导致复杂纹理的表示不够精确；面对高分辨率的织物图像数据，在进行数据划分和并行处理时，割裂了织物本身连续的空间结构，无法适应特征分布的稀疏性与重叠性，易造成局部边缘信息的丢失；现有的特征分析多停留在像素层面，无法建立图拓扑结构来检测纱线节点间的隐式交互关系，限制了特征提取的深度。在局部预测结果的整合阶段，传统模型没有置信度评估机制，无法实现多尺度信息的融合。

技术实现思路

1、为解决上述技术问题，本发明在如下的多个方面中提供方案。

2、在第一方面中，本发明提供了基于机器视觉的织物密度智能检测系统，包括以下模块：

3、生成模块，用于获取织物图像并执行多尺度curvelet变换得到变换系数，基于变换系数构建纱线方向能量谱并计算谱熵表示纹理复杂度，基于变换系数的能量值与空间分布采用高斯混合模型对变换系数进行概率性聚类，生成多个存在重叠的数据子集，其中变换系数对各个数据子集的隶属度由该能量值与空间位置的联合概率密度确定；

4、初步预测模块，用于将各个数据子集内的局部极值系数作为图节点，根据尺度、方向、坐标及变换系数值设定节点特征，基于特征相似度与空间邻近度计算节点连接权重，当节点连接权重高于由谱熵标定的阈值时在图节点间构建连接关系，生成各个数据子集的关系图，为各个关系图部署图注意力网络，通过注意力机制迭代聚合节点信息，利用全局池化提取图级特征，并通过全连接回归层基于所述图级特征映射输出各个数据子集的经纬密度初步预测值

5、检测模块，用于将各个数据子集的经纬密度初步预测值及图级特征输入混合注意力模块计算置信度分布，基于置信度分布对不同数据子集的结果进行置信度评估与加权融合，输出织物密度检测结果。

6、本发明通过对织物图像进行多尺度curvelet变换并构建纱线方向能量谱，结合谱熵表示纹理复杂度，利用高斯混合模型进行概率性聚类生成带有重叠的数据子集。将局部极值系数转化为图结构数据，利用特征相似度与空间邻近度计算权重，结合谱熵标定的阈值建立节点连接，并配合图注意力网络深入探索纱线之间的空间拓扑关系，增强了模型对织物交织结构的解析与感知能力。通过混合注意力模块对各个数据子集的初步预测结果与图级特征进行置信度评估并实施智能加权融合，综合了多维度的信息，抑制了局部噪声与干扰造成的检测偏差，从而提高了织物经纬密度检测结果的准确性。

7、优选的，基于变换系数构建纱线方向能量谱并计算谱熵表示纹理复杂度，包括：

8、将多尺度curvelet变换在相同方向和不同尺度上的变换系数的能量进行叠加，生成表示纱线主导方向分布的纱线方向能量谱；

9、对纱线方向能量谱进行归一化 处理，获取各个方向的能量占总能量的概率分布序列；

10、利用香农信息熵公式计算概率分布序列的熵值，得到谱熵。

11、上述技术方案通过引入谱熵来量化纹理复杂度，为后续的图构建提供了自适应的参数调节依据。在纹理杂乱或噪声较多时，谱熵能指导模型自动调整阈值，增强了系统对不同种类织物的适应性。

12、优选的，基于变换系数的能量值与空间分布采用高斯混合模型对变换系数进行概率性聚类，生成多个存在重叠的数据子集，包括：以归一化处理后的变换系数的能量值和二维空间坐标构建三维特征向量；初始化高斯混合模型的分布参数，通过期望最大化算法迭代更新各个高斯分量的均值、协方差矩阵及混合权重；计算每个变换系数的三维特征向量在各个收敛高斯分量下的后验概率，将后验概率作为变换系数对各个数据子集的隶属度；根据隶属度大于预设概率阈值的条件，将变换系数划分至对应的一个或多个数据子集。

13、上述技术方案通过采用软聚类策略而非传统的硬划分，通过联合概率密度确定隶属度，允许数据子集之间存在合理的重叠，有效防止了在对高分辨率图像进行并行处理或分块时，因割裂空间连续性而导致的边缘纱线信息丢失问题，确保了每个检测窗口都能获得充足的结构上下文信息。

14、优选的，基于特征相似度与空间邻近度计算节点连接权重，包括：将两个图节点在尺度上的差值和在方向上的角度差进行归一化处理，并利用负指数函数计算特征相似度；利用两个图节点空间坐标的欧氏距离的指数衰减函数计算空间邻近度；将特征相似度与空间邻近度相乘，得到图节点间的初始连接权重；将谱熵映射为权重调节系数，利用权重调节系数设定阈值，当初始连接权重高于阈值时，将初始连接权重作为节点连接权重。

15、上述技术方案通过综合考虑尺度、方向相似度及空间邻近度来构建边权重，能够还原织物物理交织结构的拓扑关系；另外，利用谱熵动态映射权重阈值，实现了噪声滤波与结构保持的动态平衡，在复杂纹理下提高连接门槛以滤除背景干扰，在简单纹理下降低门槛以保持连通性，确保了生成的关系图能真实反映织物的经纬交织逻辑。

16、优选的，通过注意力机制迭代聚合节点信息，利用全局池化提取图级特征，输出各个数据子集的经纬密度初步预测值，包括：在图注意力网络中，根据相邻的图节点的特征表示计算注意力系数，利用注意力系数对邻居的图节点的特征进行加权求和，更新中心的图节点的特征表示；经过多层图注意力网络迭代更新后，采用平均池化机制作为全局池化，将各个关系图内所有图节点特征聚合成一个固定维度的图级特征；将图级特征输入全连接回归层，输出对应的数据子集的经纬密度初步预测值。

17、上述技术方案通过在信息聚合过程中，模型能自动学习相邻节点之间的重要程度，对于受毛羽或污渍干扰的异常节点，自注意力层会分配较低权重，从而提高预测的准确性；另外将复杂的拓扑特征压缩为定长的图级向量，解决了输入图规模不一的问题，使得模型能够直接输出经向和纬向密度的数值预估。

18、优选的，对不同数据子集的结果进行置信度评估与加权融合，输出织物密度检测结果，包括：

19、将各个数据子集的图级特征进行拼接，输入多层感知机生成通道注意力权重向量；

20、通过归一化函数对通道注意力权重向量进行处理，得到对应各个数据子集的置信度评估得分；

21、将各个数据子集的经纬密度初步预测值与对应的置信度评估得分进行加权求和，输出织物密度检测结果。

22、第二方面，本发明提供一种基于机器视觉的织物密度智能检测方法，包括以下步骤：

23、s1、获取织物图像并执行多尺度curvelet变换得到变换系数，基于变换系数构建纱线方向能量谱并计算谱熵表示纹理复杂度，基于变换系数的能量值与空间分布采用高斯混合模型对变换系数进行概率性聚类，生成多个存在重叠的数据子集，其中变换系数对各个数据子集的隶属度由该能量值与空间位置的联合概率密度确定；

24、s2、将各个数据子集内的局部极值系数作为图节点，根据尺度、方向、坐标及变换系数值设定节点特征，基于特征相似度与空间邻近度计算节点连接权重，当节点连接权重高于由谱熵标定的阈值时在图节点间构建连接关系，生成各个数据子集的关系图，为各个关系图部署图注意力网络，通过注意力机制迭代聚合节点信息，利用全局池化提取图级特征，输出各个数据子集的经纬密度初步预测值；

25、s3、将各个数据子集的经纬密度初步预测值及图级特征输入混合注意力模块计算置信度分布，基于置信度分布对不同数据子集的结果进行置信度评估与加权融合，输出织物密度检测结果。

26、优选的，基于变换系数构建纱线方向能量谱并计算谱熵表示纹理复杂度，包括：

27、将多尺度curvelet变换在相同方向和不同尺度上的变换系数的能量进行叠加，生成表示纱线主导方向分布的纱线方向能量谱；

28、对纱线方向能量谱进行归一化 处理，获取各个方向的能量占总能量的概率分布序列；

29、利用香农信息熵公式计算概率分布序列的熵值，得到谱熵。

30、优选的，基于变换系数的能量值与空间分布采用高斯混合模型对变换系数进行概率性聚类，生成多个存在重叠的数据子集，包括：以归一化处理后的变换系数的能量值和二维空间坐标构建三维特征向量；初始化高斯混合模型的分布参数，通过期望最大化算法迭代更新各个高斯分量的均值、协方差矩阵及混合权重；计算每个变换系数的三维特征向量在各个收敛高斯分量下的后验概率，将后验概率作为变换系数对各个数据子集的隶属度；根据隶属度大于预设概率阈值的条件，将变换系数划分至对应的一个或多个数据子集。

31、优选的，基于特征相似度与空间邻近度计算节点连接权重，包括：将两个图节点在尺度上的差值和在方向上的角度差进行归一化处理，并利用负指数函数计算特征相似度；利用两个图节点空间坐标的欧氏距离的指数衰减函数计算空间邻近度；将特征相似度与空间邻近度相乘，得到图节点间的初始连接权重；将谱熵映射为权重调节系数，利用权重调节系数设定阈值，当初始连接权重高于阈值时，将初始连接权重作为节点连接权重。

32、上述技术方案通过对织物图像执行多尺度curvelet变换并构建纱线方向能量谱，结合谱熵度量纹理复杂度，并利用高斯混合模型对变换系数进行概率性聚类，以生成带有重叠区域的数据子集；随后，将各子集内的局部极值系数映射为图节点，基于特征相似度与空间邻近度计算连接权重，并利用由谱熵标定的阈值建立节点间的拓扑连接，最后配合图注意力网络对节点信息进行聚合更新，并由混合注意力模块对各子集的初步预测值与图级特征进行置信度评估与融合处理。

33、本发明利用图结构数据与自注意力机制挖掘纱线间的空间拓扑关联，有效增强了模型对织物交织结构的解析与感知能力，实现了对复杂纹理背景下纱线特征的深度提取。

34、进一步的，通过对多子集预测结果实施基于置信度的智能加权融合，综合了多维度的图级特征信息，能够有效抑制因局部噪声或环境干扰导致的检测偏差，有效提高了织物经向及纬向密度检测结果的准确性与稳定性。