织物瑕疵的检测方法、装置、计算机设备及可读存储介质与流程

1.本技术涉及纺织领域，特别是涉及一种织物瑕疵的检测方法、装置、计算机设备及可读存储介质。


背景技术：

2.当前国内大多数纺织企业的织物表面质量检测还是由质检人员通过传统人工方法来完成的，这种传统的依靠人工来进行织物瑕疵检测的方法首先需要对检测人员进行专业的技能培训并且需要检测人员有较为丰富的经验；其次由于掺杂了人的主观因素，检测结果的客观性、一致性都难以保证。此外，质检人员在检测过程中由于工作时长，人体的精神和体力难以长时间保持在一个较好的状态，这也导致了检测结果的可信度较低。由此可见，传统的基于人工来进行的织物瑕疵检测影响了纺织生产过程中的产品质量以及生产效率，近年来，计算机视觉技术取得了长足的发展，利用机器视觉来代替人工进行物体表面瑕疵检测已经成为工业生产中的一个焦点问题，采用基于机器视觉对织物表面瑕疵进行检测对于促进企业的智能高效发展具有实际意义。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够提高织物瑕疵检测准确度和检测效率的织物瑕疵的检测方法、装置、计算机设备及可读存储介质。
4.第一方面，本技术提供一种织物瑕疵的检测方法，该检测方法包括：
5.获取通过摄像设备采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像；
6.按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征；
7.通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；
8.若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置。
9.在其中一个实施例中，织物瑕疵的检测方法还包括：
10.获取预先进行标注的织物样品图像；织物样品图像包括有瑕疵织物样品图像和无瑕疵织物样品图像；
11.提取织物样品图像的样品织物纹理特征，将样本织物纹理特征输入到分类器中进行训练，构建得到织物瑕疵检测神经网络。
12.在其中一个实施例中，对待检测织物图像进行预处理得到预处理织物图像的步骤包括：
13.根据待检测织物图像中的各个像素点及像素点周围的邻域像素点在几何空间上的接近程度或灰度空间上的相似程度，调节邻域像素点对应的灰度值权值；
14.根据灰度值权值对各个邻域像素点的灰度值进行加权平均得到像素点的目标灰度值；
15.根据待检测织物图像中的各个像素点的目标灰度值，得到预处理织物图像。
16.在其中一个实施例中，按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像的步骤包括：
17.根据预处理织物图像中的各个像素对之间的灰度值差值确定预处理织物图像的同质化参数；
18.根据同质化参数对预处理织物图像的纹理周期进行测量，确定对预处理织物图像进行网格划分的网格大小；
19.基于网格大小对预处理织物图像进行网格划分得到若干个网格化织物图像。
20.在其中一个实施例中，根据预处理织物图像中的各个像素对之间的灰度值差值确定预处理织物图像的同质化参数的步骤包括：
21.确定预处理织物图像中的各个像素对的相对位置关系，基于相对位置关系确定像素对的灰度值差值；
22.统计各个不同灰度值差值的概率分布计算灰度值差值为预设差值的统计概率，并根据概率分布结果确定预处理织物图像的同质化参数。
23.在其中一个实施例中，利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征的步骤包括：
24.通过预先建立的广义高斯滤波器对各个网格化织物图像进行多尺度分解，得到网格化织物图像对应的尺度不同的多张冗余图像；
25.生成各张冗余图像对应的灰度共生矩阵，得到网格化织物图像的冗余灰度共生矩阵；
26.根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征。
27.在其中一个实施例中，根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征的步骤包括：
28.基于冗余灰度共生矩阵计算冗余图像的特征参数，特征参数包括角二阶矩、对比度、相关性、逆差矩和熵；
29.根据特征参数对网格化织物图像进行特征提取，得到网格化织物图像对应的网格纹理特征。
30.第二方面，本技术还提供一种织物瑕疵的检测装置，装置包括：
31.织物图像获取模块，用于获取通过摄像设备采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像；
32.纹理特征提取模块，用于按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征；
33.瑕疵特征确定模块，用于通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；
34.瑕疵位置标记模块，用于若确定网格纹理特征为瑕疵特征，则在待检测织物图像
对应的网格纹理特征中标记瑕疵位置。
35.第三方面，本技术还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面所提及的织物瑕疵的检测方法的步骤。
36.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面所提及的织物瑕疵的检测方法的步骤。
37.上述织物瑕疵的检测方法、装置、计算机设备及可读存储介质，通过获取相机采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像，按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到网格化织物图像，并利用冗余灰度共生矩阵提取网格化织物图像的网格纹理特征，通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置，从而提高织物瑕疵的检测准确度和检测效率。
附图说明
38.图1为一实施例中织物瑕疵的检测方法的应用场景示意图；
39.图2为一实施例中的织物瑕疵的检测方法的流程图；
40.图3为一实施例中的织物瑕疵检测神经网络的构建方法流程图；
41.图4为一实施例中的网格化织物图像的分解原理图；
42.图5是图4对应的图像分解实例参考图；
43.图6为一实施例中的像素对中的两像素点的位置关系示意图；
44.图7为一实施例中的织物瑕疵的检测装置的结构示意图；
45.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.本技术的技术方案是基于计算机视觉来实现织物瑕疵的精确检测。为了便于理解本技术方案，首先对本技术实施例所适用的应用环境进行介绍。
48.图1为一实施例中织物瑕疵的检测方法的应用场景示意图，如图1所示，摄像设备101与终端102通过有线方式进行通信连接。摄像设备101设置在固定位置上，当待检测织物移动到预设位置范围内时，摄像设备101对待检测织物进行连续拍摄，得到待检测织物图像。摄像设备101将拍摄得到的待检测织物图像传输至终端102。终端102获取待检测织物图像并对待检测织物图像中的瑕疵进行检测，首先对待检测织物图像进行预处理后，按照织物的纹理周期进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征，通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，确定网格纹理特征是否为瑕疵特征，若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置。其中，终端102可以但不限于是各种
个人计算机、笔记本电脑、工控机等。
49.可选的，应用环境还可以包括显示设备103，如显示屏，显示设备可以是终端102所自带的，也可以是与终端102通信连接的独立的外部设备。终端102将织物瑕疵的检测结果发送至显示设备103，以通过显示设备向用户展示检测结果。
50.在一实施例中，应用环境还可以包括打标机构104，终端102与打标机构104连接，当终端102检测得到瑕疵特征对应的瑕疵位置后，控制打标机构104在待检测织物对应的瑕疵位置上进行标记。在本技术方案中，摄像设备101采集到待检测织物对应的待检测织物图像后传输到终端102进行织物瑕疵检测操作，在确定织物瑕疵位置后，控制打标机构在待检测织物对应的织物瑕疵位置上进行标记，从而提高了织物瑕疵检测的标记实时性和瑕疵检测效率。
51.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
52.下面将结合附图，对本技术的实施例进行描述。
53.图2为一实施例中的织物瑕疵的检测方法的流程图，该织物瑕疵的检测方法可以执行于终端。
54.具体的，如图2所示，该织物瑕疵的检测方法可以包括以下步骤：
55.s210、获取通过摄像设备采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像。
56.摄像设备是具有图像采集功能的设备，下面以相机为例进行说明。将相机安装到固定位置上，当检测到待检测织物位于预设位置范围内时，通过编码器触发控制相机对待检测织物进行拍摄，得到待检测织物图像。可选的，可以通过线阵相机对待检测织物进行拍摄，待检测织物匀速运动,当待检测织物移动到预设位置范围内，利用一台或多台线阵相机对待检测织物逐行连续扫描,以达到对待检测织物的整个表面均匀检测。通过线阵相机准确采集到精度为微米级别的图像，从而提高瑕疵的检测精度。
57.可选的，该待检测织物图像可以是灰度织物图像，当采集到的待检测织物图像为彩色织物图像时，可以采用灰度化处理，将彩色织物图像转换为灰度织物图像。可选的，待检测图像的分辨率为8192
×
3000，高分辨率的待检测织物图像可以提高织物瑕疵的检测精度。
58.在本实施例中，通过相机采集到的待检测织物图像，利用图像采集卡将待检测织物图像传输到计算机设备，以通过计算机设备对待检测织物进行织物瑕疵的检测处理。可选的，计算机设备获取通过相机采集得到的待检测织物图像，对待检测织物图像进行倾斜校正、平滑去噪和对比度增强等预处理，以消除待检测织物图像的噪声的同时保持纹理特征，从而提高织物瑕疵的检测准确度。
59.s220、按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取网格化织物图像的网格纹理特征。
60.织物图案和纹理是反映织物表面信息的重要参数指标,大多数的织物纹理和图案都具有周期性,随着纱线交织规律与图案分布的变化周期性也会相应呈现一定的简单或复杂变化，织物在织造和印染过程中的失误可能会直接影响到织物的表面质量，本技术方案
可以通过根据预处理织物图像中的纹理周期对织物的瑕疵进行检测。
61.在一实施例中，通过对预处理织物图像进行网格划分，将一张预处理织物图像划分为多个网格块，得到多张网格化织物图像。可选的，按照预处理织物图像在水平和垂直方向上的纹理周期，进行根据纹理周期对预处理织物图像进行网格划分，得到多张网格化织物图像。
62.由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵(gray-level co-occurrence matrix，glcm)，指的是一种通过研究灰度的空间相关特性来描述纹理特征的方法，
63.在一实施例中，可以通过多个灰度共生矩阵提取每张网格化织物图像对应的网格纹理特征。可选的，计算各张网格化织物图像对应的灰度共生矩阵，得到冗余灰度共生矩阵，利用冗余灰度共生矩阵提取网格化织物图像的网格纹理特征。
64.s230、通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征。
65.为了设计适合织物瑕疵检测的神经网络模型结构，需要对神经网络模型进行训练，以确定合适的神经网络模型的隐含层数量、输入层、输出层以及隐含层的节点数和传递函数等。
66.图3为一实施例中的织物瑕疵检测神经网络的构建方法流程图，如图3所示，在一实施例中，织物瑕疵检测神经网络可以通过以下方式获得，其可以包括以下实现步骤：
67.s110、获取预先进行标注的织物样品图像。
68.织物样品图像包括有瑕疵织物样品图像和无瑕疵织物样品图像。
69.随机选取若干张织物图像作为织物样品图像，对织物样品图像进行标注，如是有瑕疵织物样品图像，则将该有瑕疵的织物样品图像标注“1”，如是无瑕疵织物样品图像，则将该无瑕疵的织物样品图像标注“0”。
70.s120、提取织物样品图像的样品织物纹理特征，将样本织物纹理特征输入到分类器中进行训练，构建得到织物瑕疵检测神经网络。
71.在一实施例中，可以通过灰度共生矩阵的方式提取各个织物样品图像的织物纹理特征，得到样品织物纹理特征。可选的，通过预先建立的广义高斯滤波器对各个织物样品图像进行多尺度分解，得到织物样品图像对应的尺度不同的多张样品冗余图像，生成各张样品冗余图像对应的灰度共生矩阵，得到织物样品图像的冗余灰度共生矩阵，利用织物样品图像的冗余灰度共生矩阵进行相应的特征量求取，得到织物样品图像对应的样品网格纹理特征。
72.将样品织物纹理特征输入到分类器中进行训练学习，不断优化分类器的各项模型参数，得到织物瑕疵检测神经网络。
73.在本实施例中，基于冗余灰度共生矩阵方法提取到的网格纹理特征确定织物瑕疵检测神经网络采用bp神经网络结构，输入层的节点数为30，隐含层为2层，每层节点数为128时，织物瑕疵的识别精确度和识别速度最佳。另外，选择elu函数作为神经网络隐含层的激活函数，以使得神经网络收敛速度更快，图像分类效果更好，并在输出层加入softmax函数以使得所有输出值的和为1，每个输出值可视为判别网格纹理特征为瑕疵特征类别或正常
特征类别的概率。同时在各层的激活函数之前加入批准化操作，并采用交叉熵损失函数作为训练过程的损失函数，以提高织物瑕疵检测神经网络的鲁棒性。
74.s240、若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置。
75.正常图像，即无瑕疵图像的网格纹理特征与瑕疵图像的网格纹理特征具有明显区别。网格纹理特征是指图像进行网格划分后，各个网格中的纹理的粗细、稠密等特征。通常而言，网格纹理特征可以通过角二阶矩(angular second moment，asm)、对比度(contrast，con)、相关性(correlation，cor)、逆差矩(inverse different moment,idm)、熵(entropy，ent)等特征参数来表示，其中，asm值可以用来描述图像中灰度分布的均匀程度和纹理的粗细程度,cor值可以用于描述矩阵元素在行或者列方向上的相关性，con值可以用于通过纹理沟纹的深浅来表征图像的清晰程度，idm值可以用于表征图像纹理的同质性，度量图像纹理局部变化的均匀程度，ent值可以用于表征图像的纹理的复杂程度。
76.通过根据网格纹理特征的各个特征参数的输出值对输入织物瑕疵检测神经网络的网格纹理特征进行分类，分为正常特征和瑕疵特征等类别。由于正常图像的网格纹理特征和瑕疵图像的网格纹理特征的各个特征参数具有明显区别，根据各个特征参数的输出值确定输入的网格纹理特征是否为瑕疵特征。若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征对应的位置标记瑕疵位置。
77.本实施例提供的织物瑕疵的检测方法，通过获取通过相机采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像，按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到网格化织物图像，并利用冗余灰度共生矩阵提取网格化织物图像的网格纹理特征，通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置，从而提高织物瑕疵的检测准确度和检测效率。
78.为了更清楚的阐述本技术的技术方案，下面针对织物瑕疵的检测方法的多个步骤的实现方式进行进一步说明。
79.在一实施例中，步骤s210中的对待检测织物图像进行预处理得到预处理织物图像，可以包括以下步骤：
80.s2101、根据待检测织物图像中的各个像素点及像素点周围的邻域像素点在几何空间上的接近程度或灰度空间上的相似程度，调节邻域像素点的灰度值权值。
81.在一实施例中，可以通过滤波器对待检测织物图像进行预处理，可选的，可以采用非线性滤波器，如双边滤波器和中值滤波器进行预处理，还可以采用线性滤波器，如高斯滤波、均值滤波和方框滤波等进行预处理。可选的，本实施例使用双边滤波器对待检测织物图像进行平滑处理能够保持图像的边缘信息，从而提高检测精确度。
82.通过为不同的像素设置不同的灰度值权重，从而对待检测织物图像的各个像素点起到降低噪声的作用。某一像素点的周围存在若干个邻域像素点，根据该像素点与其邻域像素点在几何空间上的接近程度和灰度空间上的相似程度，为对应的邻域像素点设置对应的灰度值权值。
83.在本实施例中，设置参数c(ξ,x)表示像素点x与其邻域像素点ξ在几何空间上的接
近程度，s(f(ξ),f(x))表示像素点x与其邻域像素点ξ在灰度空间上的相似程度。可选的，在一实施例中，在待检测织物图像上灰度值较为接近的局部区域，由于像素点x附近的灰度值差异较小，其在灰度空间上作用的函数s(f(ξ),f(x))对滤波结果几乎无影响，侧重于参数c(ξ,x)的滤波作用，此时调节邻域像素点的灰度值权重，将距离该像素点x较远的邻域像素点的灰度值权值增大，将距离该像素点x较近的邻域像素点的灰度值权值降低，从而在几何空间上对待检测图像进行平滑处理，降低噪声。
84.可选的，在另一实施例中，在待检测织物图像上灰度值差别较大的局部区域，如在待检测织物图像的边缘区域，当该像素点x在边缘两边较暗的一侧时，在灰度空间上起作用的函数s(f(ξ),f(x))就会参与滤波，调节像素点x对应的邻域像素点的权值，与像素点x同处一侧(位于暗部)的邻域像素点的灰度值权值拉高，与像素点x处于异侧(位于亮部)的邻域像素点的灰度值权值拉低。以双边滤波器为例进行说明，此时，像素点x的灰度值为双边滤波器的滤波模板中位于其同一侧(即暗部)的邻域像素点的灰度值进行加权平均的结果，亮部的像素点对其几乎不起作用，反之亦然。
85.s2102、根据灰度值权值对各个邻域像素点的灰度值进行加权平均得到像素点的目标灰度值。
86.通过对某一像素点附近的邻域像素点与该点在几何空间上的接近程度和色度空间上的相似程度分别进行加权平均，得到目标灰度值，该目标灰度值为该像素点滤波后的结果，其数学模型的表达式可以为：
[0087][0088]
其归一化系数：
[0089][0090]
其中，c(ξ,x)表示某一像素点(即滤波器的中心点)x与其邻域像素点ξ在几何空间上的接近程度，s(f(ξ),f(x))表示该像素点x与其邻域像素点ξ在灰度空间上的相似程度。
[0091]
在本实施例中，通过双边滤波在空间滤波的基础上添加灰度值信息，通过灰度值信息对各个像素点对应的邻域像素点的灰度值权值的调节来达到保持图像的边缘信息的滤波效果，提高织物瑕疵的检测准确度。
[0092]
s2103、根据待检测织物图像中的各个像素点的目标灰度值，得到预处理织物图像。
[0093]
通过滤波器对待检测织物图像中的各个像素点进行滤波处理，将计算得到的目标灰度值作为滤波处理后的像素点的灰度值，从而实现待检测织物图像的平滑去噪声等预处理，得到预处理织物图像，从而实现在降低待检测织物的检测噪声的同时，不影响待检测织物的纹理特征。
[0094]
在相关技术中，当对图像进行平滑滤波降噪声的同时，会使得图像的边缘信息变得模糊，从而影响织物瑕疵的检测准确度，本实施例通过根据待检测织物图像的各个像素点及其邻域像素点在几何空间上的接近程度或灰度空间上的相似程度，调节邻域像素点对应的灰度值权值，对邻域像素点的灰度值进行加权平均，从而实现对待检测织物图像的预处理，在对待检测织物图像进行平滑去噪声的同时，保持图像的边缘信息，提高织物瑕疵的
检测准确度。
[0095]
在一实施例中，步骤s220中的按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，可以包括以下步骤：
[0096]
s2201、根据预处理织物图像中的各个像素对之间的灰度值差值确定预处理织物图像的同质化参数。
[0097]
在同一纹理周期中，织物的纹理性质相同或相似，在一实施例中，通过寻找织物图案的最小循环单元来确定纹理周期。可选的，通过预处理织物图像的各个像素对之间的灰度值差值来确定织物图案的最小循环单元，并通过设置同质化参数来衡量织物图案的纹理的相似性程度。
[0098]
可选的，在一实施例中，通过各个像素对之间的灰度值差值确定预处理织物图像的同质化参数可以通过以下方式来实现，具体可以包括以下步骤：
[0099]
s301、确定预处理织物图像中的各个像素对的相对位置关系，基于相对位置关系确定像素对的灰度值差值。
[0100]
在本实施例中，相对位置关系可以是指在水平或垂直方向上的任意两个像素点之间(即像素对)的相对位置关系，可以通过定义一位移矢量v＝(v1,v2)，表示预处理织物图像中的一像素对的相对位置，通过位移矢量可以确定像素对的相对角度和方向。
[0101]
设定预处理织物图像i的尺寸大小为ly×
l
x
，图像的灰度值阶级为k。预处理织物图像上任意一像素点p＝(x,y)∈i,i＝{0,1,...,l
y-1}
×
{0,1,...,l
x-1}，将像素点p处的灰度值表示为i(p)∈{0,1,...,k-1}，定义像素对的灰度值差值参数a，灰度值差值a＝i(p)-i(p v)表示相对位置确定的像素点对的灰度值差值。
[0102]
s302、统计灰度值差值的概率分布，并根据概率分布的统计结果确定预处理织物图像的同质化参数。
[0103]
在本实施例中，通过统计像素对的灰度值差值的概率分布确定在预处理织物图像中各个灰度值差值的分布情况。可选的，对于每一个确定的位移矢量v，统计出一张关于灰度值差值a和位移矢量v的灰度值差值分布直方图，将灰度值差值分布直方图归一化后，得到对应的频率分布参数pv(a)
[0104]
根据频率分布参数pv(a)按照以下公式得到相对位置关系为矢量v的像素对同质化参数：
[0105][0106]
其中，v表示像素对的位移矢量，a表示像素对的灰度值差值，pv(a)表示该像素对的频率分布参数。
[0107]
s2202、根据同质化参数对预处理织物图像的纹理周期进行测量，确定对预处理织物图像进行网格划分的网格大小。
[0108]
从上述同质化参数的公式可知，当像素对的灰度值差值a都为0时，同质化值g(i,v)达到最大值1。在同一纹理周期中，同质化值g(i,v)达到最大值，即，通过计算同质化值g(i,v)的最大值可以确定预处理织物图像的纹理周期。当矢量v是预处理织物图像的纹理周期整数倍的时候，同样也可以使同质化值g(i,v)达到最大值。因此，需要在多个满足要求的
位移矢量v中选择一个最小的位移矢量v，即根据最小的位移矢量v计算纹理周期。可选的，通过定义不同的位移矢量v，分别在水平和垂直方向上确定一个最小的位移矢量v，得到水平和垂直方向上的纹理周期。基于纹理周期确定对预处理织物图像进行划分的网格大小。
[0109]
s2203、基于网格大小对预处理织物图像进行网格划分得到若干个网格化织物图像。
[0110]
对于同一预处理织物图像，按照纹理周期的不同，可以确定若干个大小不一的网格。按照确定的网格大小，对预处理织物图像进行网格划分，得到若干个网格化织物图像。
[0111]
在本实施例中，通过根据预处理织物图像中的任一像素对的相对位置关系确定像素对的灰度值差值，统计该灰度值差值的概率分布，并根据概率分布的统计结果确定像素对的同质化参数进行织物纹理周期的测量，从而提高了纹理周期的测量效率和测量准确率，从而准确对预处理织物进行网格划分。
[0112]
在一实施例中，步骤s220中的利用冗余灰度共生矩阵提取网格化织物图像的网格纹理特征，可以包括以下步骤：
[0113]
s2204、通过预先建立的广义高斯滤波器对各个网格化织物图像进行多尺度分解，得到网格化织物图像对应的尺度不同的多张冗余图像。
[0114]
由于织物瑕疵大小不一，为了准确检测到大小不一的织物瑕疵，本技术方案对网格化织物进行多尺度分解，以得到尺度不同的多张冗余图像。例如，通常而言，网格化织物图像的尺度为256*256，本实施例间隔预设个数像素点提取网格化织物图像的各个像素点，得到尺度为126*126、64*64等多种不同尺度的冗余图像。
[0115]
在一实施例中，通过预先建立的广义高斯滤波器对各个网格化织物图像进行多尺度分解，得到网格化织物图像对应的尺度不同的多张冗余图像。可选的，预先建立广义高斯滤波器。在一实施例中，通过高斯滤波器作为广义高斯滤波器的滤波核，建立广义高斯滤波器，其表达式如下：
[0116][0117][0118][0119]
其中，(x,y)表示相对模板中心(0,0)的点的坐标，p(x,y)表示广义高斯滤波器模板中距离模板中心(0,0)的像素点(x,y)处的灰度值权值，γ(.)表示gamma函数。参数σ和β共同控制广义高斯滤波器模型的形状，σ对广义高斯滤波器模型的调节作用与标准高斯模型一致。通过不同β参数值的选取，得到不同的广义高斯滤波器模型，在图像分解过程中使用这些广义高斯滤波器模型作为低通滤波核函数来进行图像滤波，从而对网格化织物图像进行多尺度分解，得到多张尺度不同的冗余图像。
[0120]
参见图4和图5，图4为一实施例中的网格化织物图像的分解原理图，图5是图4对应的图像分解实例参考图。在一实施例中，使用具有高斯性质的广义高斯低通滤波器对网格化织物图像进行多尺度分解的过程可以如下：首先，第一层分解原始图像经过广义高斯低通滤波器进行低通滤波得到第一层级的低通图像l1，然后用原始图像与低通图像的残差作为其高频部分h1；然后，第二层原始图像经过参数调整之后的广义高斯低通滤波器进行滤波得到低通图像l2，然后用低通图像l1与低通图像l2的残差作为第二层分解的高频部分h2；最后，第三层用同样的方法得到低通图像l3和h3。通过以上操作，便完成了冗余图像的生成。
[0121]
s2205、生成各张冗余图像对应的灰度共生矩阵，得到网格化织物图像的冗余灰度共生矩阵。
[0122]
灰度共生矩阵是通过对图像中具有特定相对位置关系的像素点对的特定灰度值组合进行统计，进而通过相关特征量来描述图像的纹理特征。灰度共生矩阵的大小由图像中灰度值的阶数来决定，通常情况下一张ly×
l
x
八位的灰度图有256阶，那么其对应的灰度共生矩阵大小为256
×
256。如图6所示，图6为一实施例中的像素对中的两像素点的位置关系示意图，首先选择一个像素点作为参考点，另一个像素点与参考点的位置关系为(θ,d)，其中θ表示另一个像素点与参考点形成的向量的方向，θ的大小可选则{0
°
,45
°
,90
°
,135
°
}，d表示两点之间相隔的像素点个数。
[0123]
如果用有序实数对(m,n)，(m,n＝0,1,2,...,255)表示两点的灰度值，令参考点坐标为(x0,y0)，另一像素点坐标为(x1,y1)，那么统计结果n
θ,d
(m,n)可以表示为以下公式表示。
[0124]
n0°
，d
(m，n)＝#{((x0，y0)，(x1，y1))∈(ly×
l
x
)
×
(ly×
l
x
)|
[0125]y0-y1＝0，|x
0-x1|＝d，
[0126]
i(x0，y0)＝m，i(x1，y1)＝n}
[0127]n45
°
，d
(m，n)＝#{((x0，y0)，(x1，y1))∈(ly×
l
x
)
×
(ly×
l
x
)|
[0128]
(y
0-y1＝d，|x
0-x1|＝-d)or(y
0-y1＝-d，|x
0-x1|＝d)，
[0129]
i(x0，y0)＝m，i(x1，y1)＝n}
[0130]n90
°
，d
(m，n)＝#{((x0，y0)，(x1，y1))∈(ly×
l
x
)
×
(ly×
l
x
)|
[0131]
|y
0-y1|＝d，x
0-x1＝0，
[0132]
i(x0，y0)＝m，i(x1，y1)＝n}
[0133]n135
°
，d
(m，n)＝#{((x0，y0)，(x1，y1))∈(ly×
l
x
)
×
(ly×
l
x
)|
[0134]
(y
0-y1＝-d，|x
0-x1|＝-d)or(y
0-y1＝d，|x
0-x1|＝d)，
[0135]
i(
x0
，y0)＝m，i(x1，y1)＝n}
[0136]
通过统计符号#{}统计确定方向θ与距离d的像素点对的灰度值组合(m，n)在整张图象中出现的次数为n
θ，d
(m，n)，该方向θ与距离d下的所有组合出现的次数为n
θ，d
，那么就可以用p
θ，d
(m，n)表示该组合在方向θ与距离d上出现的概率：
[0137][0138]
灰度共生矩阵p
θ，d
可以表示为：
[0139][0140]
s2206、根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征。
[0141]
在本实施例中，特征量的求取是基于冗余灰度共生矩阵进行相应的公式计算得到不同的特征参数，这些特征参数用于表征网格纹理特征不同的属性。
[0142]
在一实施例中，步骤s2206中的根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征，可以包括以下步骤：
[0143]
s401、基于冗余灰度共生矩阵计算冗余图像的特征参数，特征参数包括角二阶矩、对比度、相关性、逆差矩和熵。
[0144]
基于灰度共生矩阵的特征计算：
[0145]
角二阶矩(asm)：
[0146][0147]
对比度(contrast)：
[0148][0149]
相关性(correlation)：
[0150][0151]
式中μ
x
、μy、σ
x
、σy计算方式如下：
[0152][0153][0154][0155][0156]
逆差矩(idm)：
[0157][0158]
熵(entropy)：
[0159]
[0160]
s402、根据特征参数对网格化织物图像进行特征提取，得到网格化织物图像对应的网格纹理特征。
[0161]
综合多张冗余图像对应的特征参数，即分解后得到的一级低通冗余图像，其对应的网格纹理特征可以表示为：
[0162]fl1
＝{asm
l1
,con
l1
,cor
l1
,idm
l1
,ent
l1
}
[0163]
其中，asm
l1
表示该一级低通冗余图像的角二阶矩值，con
l1
表示该一级低通冗余图像的对比度值，cor
l1
表示该一级低通冗余图像的相关性值，idm
l1
表示该一级低通冗余图像的逆差矩值，ent
l1
表示该一级低通冗余图像的熵值。
[0164]
对于分解后的一级高通冗余图像，其对应的网格纹理特征可以表示为：
[0165]fh1
＝{asm
h1
,con
h1
,cor
h1
,idm
h1
,ent
h1
}
[0166]
其中，asm
h1
表示该一级高通冗余图像的角二阶矩值，con
h1
表示该一级高通冗余图像的对比度值，cor
h1
表示该一级高通冗余图像的相关性值，idm
h1
表示该一级高通冗余图像的逆差矩值，ent
h1
表示该一级高通冗余图像的熵值。
[0167]
以此类推，求取得到各个冗余图像对应的特征值。由于网格化织物图像分解为多张不同的冗余图像，根据各个不同冗余图像的特征值，可以得到网格化织物图像对应的网格纹理特征。
[0168]
通过网格纹理图像中的各个特征参数确定该网格纹理图像为瑕疵图像还是正常图像(即无瑕疵图像)，例如，asm可以用来描述图像中灰度分布的均匀程度和纹理的粗细程度,若灰度共生矩阵中各个元素的值波动不大，则asm值会比较小，反之则会比较大,若asm值较大，则纹理比较粗，否则比较细。cor可以用于描述矩阵元素在行或者列方向上的相关性，如果图像具有某个方向上的纹理，则该方向上的矩阵的cor值会比较大。当纹理沟纹较深，con值越大，图像较为清晰，反之，纹理沟纹较浅，con值越小，图像较为模糊。ent熵值越大，说明矩阵中元素值较为分散。如果图像中没有任何纹理，则ent熵值较小,如果图像中的纹理复杂，则ent熵值较大。
[0169]
基于此，瑕疵图像和正常图像的特征参数对应的特征值存在明显区别：asm值的表现上瑕疵图像要比正常图像小；con值的表现上瑕疵图像整体上要高于正常图像且波动更为明显；cor值的表现上瑕疵图像相关性比正常图像要高一些，两者区分明显；idm值的表现上正常图像整体偏高且整体波动较小，该特性表现与对比度相关联；ent值的表现上瑕疵图像中由于瑕疵出现破坏了织物图像原有的规则性，图像变得无序，因此瑕疵图像的熵值更大。
[0170]
以上示例仅用于辅助阐述本公开技术方案，其涉及的图示内容及具体流程不构成对本公开技术方案的使用场景的限定。
[0171]
下面对织物瑕疵的检测装置的相关实施例进行详细阐述。
[0172]
图7为一实施例中的织物瑕疵的检测装置的结构示意图，该织物瑕疵的检测装置可以执行于终端。
[0173]
如图7所示，该织物瑕疵的检测装置200可以包括：织物图像获取模块210、纹理特征提取模块220、瑕疵特征确定模块230和瑕疵位置标记模块240；
[0174]
织物图像获取模块210，用于获取通过摄像设备采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像；
[0175]
纹理特征提取模块220，用于按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征；
[0176]
瑕疵特征确定模块230，用于通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；
[0177]
瑕疵位置标记模块240，用于若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置。
[0178]
本技术提供的织物瑕疵的检测装置，通过织物图像获取模块210获取待检测织物图像并进行预处理，纹理特征提取模块220按照纹理周期对预处理后的待检测织物图像进行网格划分，并利用冗余灰度共生矩阵提取网格纹理特征，瑕疵特征确定模块230通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类确定网格纹理特征是否为瑕疵特征，瑕疵位置标记模块240在待检测织物图像对应的网格纹理特征中标记瑕疵位置，从而提高织物瑕疵的检测准确度和检测效率。
[0179]
在其中一个实施例中，织物瑕疵的检测装置还包括：神经网络构建模块，包括样品图像获取单元和神经网络训练单元；其中，样品图像获取单元，用于获取预先进行标注的织物样品图像；织物样品图像包括有瑕疵织物样品图像和无瑕疵织物样品图像；神经网络训练单元，用于提取织物样品图像的样品织物纹理特征，将样本织物纹理特征输入到分类器中进行训练，构建得到织物瑕疵检测神经网络。
[0180]
在其中一个实施例中，织物图像获取模块210包括：权值调节单元、灰度值计算单元和预处理织物图像得到单元；其中，权值调节单元，用于根据待检测织物图像中的各个像素点及像素点周围的邻域像素点在几何空间上的接近程度或灰度空间上的相似程度，调节邻域像素点对应的灰度值权值；灰度值计算单元，用于根据灰度值权值对各个邻域像素点的灰度值进行加权平均得到像素点的目标灰度值；预处理织物图像得到单元，用于根据待检测织物图像中的各个像素点的目标灰度值，得到预处理织物图像。
[0181]
在其中一个实施例中，纹理特征提取模块220包括：同质化参数确定单元、网格大小确定单元和网格化织物图像得到单元；其中，同质化参数确定单元，用于根据预处理织物图像中的各个像素对之间的灰度值差值确定预处理织物图像的同质化参数；网格大小确定单元，用于根据同质化参数对预处理织物图像的纹理周期进行测量，确定对预处理织物图像进行网格划分的网格大小；网格化织物图像得到单元，用于基于网格大小对预处理织物图像进行网格划分得到若干个网格化织物图像。
[0182]
在其中一个实施例中，同质化参数确定单元包括：灰度值差值确定子单元和同质化参数确定子单元；其中，灰度值差值确定子单元，用于确定预处理织物图像中的各个像素对的相对位置关系，基于相对位置关系确定像素对的灰度值差值；同质化参数确定子单元，用于统计各个不同灰度值差值的概率分布计算灰度值差值为预设差值的统计概率，并根据概率分布结果确定预处理织物图像的同质化参数。
[0183]
在其中一个实施例中，纹理特征提取模块220包括：冗余图像生成单元、冗余灰度共生矩阵得到单元和网格纹理特征得到单元；其中，冗余图像生成单元，用于通过预先建立的广义高斯滤波器对各个网格化织物图像进行多尺度分解，得到网格化织物图像对应的尺度不同的多张冗余图像；冗余灰度共生矩阵得到单元，用于生成各张冗余图像对应的灰度
共生矩阵，得到网格化织物图像的冗余灰度共生矩阵；网格纹理特征得到单元，用于根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征。
[0184]
在其中一个实施例中，网格纹理特征得到单元包括：特征参数计算子单元和网格纹理特征得到子单元；其中，特征参数计算子单元，用于基于冗余灰度共生矩阵计算冗余图像的特征参数，特征参数包括角二阶矩、对比度、相关性、逆差矩和熵；网格纹理特征得到子单元，用于根据特征参数对网格化织物图像进行特征提取，得到网格化织物图像对应的网格纹理特征。
[0185]
本实施例的织物瑕疵的检测装置可执行本技术前述实施例所示的织物瑕疵的检测方法，其实现原理相类似，此处不再赘述。
[0186]
上述织物瑕疵的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0187]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图如图8所示。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种织物瑕疵的检测方法。
[0188]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0189]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0190]
获取通过摄像设备采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像；
[0191]
按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征；
[0192]
通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；
[0193]
若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置。
[0194]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0195]
获取预先进行标注的织物样品图像；织物样品图像包括有瑕疵织物样品图像和无瑕疵织物样品图像；提取织物样品图像的样品织物纹理特征，将样本织物纹理特征输入到分类器中进行训练，构建得到织物瑕疵检测神经网络。
[0196]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0197]
根据待检测织物图像中的各个像素点及像素点周围的邻域像素点在几何空间上的接近程度或灰度空间上的相似程度，调节邻域像素点对应的灰度值权值；根据灰度值权值对各个邻域像素点的灰度值进行加权平均得到像素点的目标灰度值；根据待检测织物图
像中的各个像素点的目标灰度值，得到预处理织物图像。
[0198]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0199]
根据预处理织物图像中的各个像素对之间的灰度值差值确定预处理织物图像的同质化参数；根据同质化参数对预处理织物图像的纹理周期进行测量，确定对预处理织物图像进行网格划分的网格大小；基于网格大小对预处理织物图像进行网格划分得到若干个网格化织物图像。
[0200]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0201]
确定预处理织物图像中的各个像素对的相对位置关系，基于相对位置关系确定像素对的灰度值差值；统计灰度值差值的概率分布，并根据概率分布的统计结果确定预处理织物图像的同质化参数。
[0202]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0203]
通过预先建立的广义高斯滤波器对各个网格化织物图像进行多尺度分解，得到网格化织物图像对应的尺度不同的多张冗余图像；生成各张冗余图像对应的灰度共生矩阵，得到网格化织物图像的冗余灰度共生矩阵；根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征。
[0204]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0205]
基于冗余灰度共生矩阵计算冗余图像的特征参数，特征参数包括角二阶矩、对比度、相关性、逆差矩和熵；根据特征参数对网格化织物图像进行特征提取，得到网格化织物图像对应的网格纹理特征。
[0206]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0207]
获取通过摄像设备采集得到的待检测织物图像，对待检测织物图像进行预处理得到预处理织物图像；
[0208]
按照预处理织物图像的纹理周期对预处理织物图像进行网格划分得到若干个网格化织物图像，并利用冗余灰度共生矩阵提取各个网格化织物图像的网格纹理特征；
[0209]
通过预先训练好的织物瑕疵检测神经网络对网格纹理特征进行分类，根据分类结果确定网格纹理特征是否为瑕疵特征；
[0210]
若确定网格纹理特征为瑕疵特征，则在待检测织物图像对应的网格纹理特征中标记瑕疵位置。
[0211]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0212]
获取预先进行标注的织物样品图像；织物样品图像包括有瑕疵织物样品图像和无瑕疵织物样品图像；提取织物样品图像的样品织物纹理特征，将样本织物纹理特征输入到分类器中进行训练，构建得到织物瑕疵检测神经网络。
[0213]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0214]
根据待检测织物图像中的各个像素点及像素点周围的邻域像素点在几何空间上的接近程度或灰度空间上的相似程度，调节邻域像素点对应的灰度值权值；根据灰度值权值对各个邻域像素点的灰度值进行加权平均得到像素点的目标灰度值；根据待检测织物图像中的各个像素点的目标灰度值，得到预处理织物图像。
[0215]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0216]
根据预处理织物图像中的各个像素对之间的灰度值差值确定预处理织物图像的同质化参数；根据同质化参数对预处理织物图像的纹理周期进行测量，确定对预处理织物图像进行网格划分的网格大小；基于网格大小对预处理织物图像进行网格划分得到若干个网格化织物图像。
[0217]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0218]
确定预处理织物图像中的各个像素对的相对位置关系，基于相对位置关系确定像素对的灰度值差值；统计灰度值差值的概率分布，并根据概率分布的统计结果确定预处理织物图像的同质化参数。
[0219]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0220]
通过预先建立的广义高斯滤波器对各个网格化织物图像进行多尺度分解，得到网格化织物图像对应的尺度不同的多张冗余图像；生成各张冗余图像对应的灰度共生矩阵，得到网格化织物图像的冗余灰度共生矩阵；根据冗余灰度共生矩阵进行相应的特征量求取，得到网格化织物图像的网格纹理特征。
[0221]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0222]
基于冗余灰度共生矩阵计算冗余图像的特征参数，特征参数包括角二阶矩、对比度、相关性、逆差矩和熵；根据特征参数对网格化织物图像进行特征提取，得到网格化织物图像对应的网格纹理特征。
[0223]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0224]
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0225]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0226]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在
不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。