一种格纹织物异常检测方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种格纹织物异常检测方法。


背景技术：

2.纺织品在生产时由于设备本身、使用原料、操作技术等原因会产生错经、错纬、并经、并维、飞边等缺陷，若这些异常未被及时检测，则直接影响后续操作，进而造成严重损失。
3.现有技术通常使用边缘检测或阈值分割的方法检测异常，但由于格纹织物自身特性，径纬线的干扰会对异常检测产生影响。且对阈值的选取要求较高，不同阈值得到的效果不同。对图像进行平滑处理后再进行异常检测时，通常使用均值漂移聚类算法，而使用均值漂移聚类算法对窗口半径的选取要求较高，半径过大会损失图像信息，影响后续异常检测，半径过小会导致收敛速度过慢，且图中一些不必要信息会造成计算冗余。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种格纹织物异常检测方法，所采用的技术方案具体如下：采集格纹织物图像,提取所述格纹织物图像中的格纹区域，对所述格纹区域灰度化得到格纹灰度区；获取窗口半径范围，采用不同窗口半径对所述格纹灰度区进行均值漂移聚类处理，得到不同窗口半径下的平滑图像；由所述平滑图像上每一行中像素点的灰度值构建灰度值曲线，将灰度值曲线根据周期性分为不同类别；根据每个类别中灰度值曲线的差异计算类别内灰度值曲线上各像素点的像素点差异程度；结合曲线上各像素点的像素点差异程度计算得到曲线的曲线差异程度；获取不同窗口半径下的平滑图像中的同一行灰度值曲线的相同位置处像素点的像素值的差值，构建差值序列；基于所述差值序列，由不同窗口半径下的平滑图像中同一位置灰度值曲线的近似程度计算异常概率；基于所述异常概率对格纹织物图像进行异常判断。
5.优选的，所述获取窗口半径范围，包括：利用sobel算子计算格纹灰度区中每一个像素点的梯度值，将梯度值大于预设梯度阈值的像素点作为格纹点，提取每行格纹点，获取格纹点之间的最短距离；提取格纹灰度区中每行像素点的像素值，以格纹灰度区中左上角第一点作为格纹纹理区域的起始点，获取起始点对应的八邻域内像素点的灰度值，若八邻域内像素点的灰度值均小于等于预设灰度阈值，将八邻域内像素点并入格纹纹理区域，直至八邻域内像素点的灰度值出现大于预设灰度阈值时停止，遍历格纹灰度区中所有点，得到多个格纹纹理区域；以最小的格纹纹理区域内像素点数量的开平方作为最长距离；
以所述最短距离作为窗口半径范围的区间左端点，以所述最长距离作为窗口半径范围的区间右端点，得到窗口半径范围。
6.优选的，所述将灰度值曲线根据周期性分为不同类别，包括：根据相似程度将所有灰度值曲线分为多个类别；所述相似程度的计算公式为：其中，为第i行对应的灰度值曲线与第j行对应的灰度值曲线的相似程度；表示每行的像素点数量；为格纹灰度区中横坐标为，纵坐标为的像素点的灰度值；为格纹灰度区中横坐标为，纵坐标为的像素点的灰度值；将相似程度大于预设相似阈值的灰度值曲线分至同一类别，遍历所有灰度值曲线，得到多个类别。
7.优选的，所述根据每个类别中灰度值曲线的差异计算类别内灰度值曲线上各像素点的像素点差异程度，包括：所述像素点差异程度的计算公式为：其中，为像素点差异程度；为格纹灰度区中横坐标为，纵坐标为的像素点的灰度值；为类别的终止行数；为类别的起始行数；为相同列数不同行数对应的像素点的灰度值之和。
8.优选的，所述结合曲线上各像素点的像素点差异程度计算得到曲线的曲线差异程度，包括：所述曲线差异程度的计算公式为：其中，为曲线差异程度；为以自然常数为底数的指数函数；为灰度值曲线上对应的第n个像素点对应的像素点差异程度；为灰度值曲线对应的像素点的数量。
9.优选的，所述基于所述差值序列，由不同窗口半径下的平滑图像中同一位置曲线的近似程度计算异常概率，包括：将差值序列中相邻的元素两两相减得到相邻元素的差值，构建异常序列；像素点异常概率的计算公式为：
其中，为异常序列中第i个元素对应的像素点异常概率；为最大值函数；为最小值函数；为异常序列；为异常序列中的最大值；为异常序列中的最小值；为异常序列中的第i个元素；根据像素点异常概率计算曲线的异常概率；所述异常概率的计算公式为：其中，为异常概率；为大于预设第一阈值的像素点异常概率对应的像素点数量；为异常序列中第i个元素对应的像素点异常概率；为大于预设第一阈值的像素点异常概率的数量。
10.优选的，所述基于所述异常概率对格纹织物图像进行异常判断，包括：当异常概率大于预设异常阈值时，认为格纹织物图像出现异常；当异常概率小于等于预设异常阈值时，认为格纹织物图像为正常。
11.本发明实施例至少具有如下有益效果：本发明涉及数据处理技术领域。该方法采集格纹织物图像,提取所述格纹织物图像中的格纹区域，对所述格纹区域灰度化得到格纹灰度区；获取窗口半径范围，采用不同窗口半径对所述格纹灰度区进行均值漂移聚类处理，得到不同窗口半径下的平滑图像；由所述平滑图像上每一行中像素点的灰度值构建灰度值曲线，将灰度值曲线根据周期性分为不同类别；根据每个类别中灰度值曲线的差异计算类别内灰度值曲线上各像素点的像素点差异程度；结合曲线上各像素点的像素点差异程度计算得到曲线的曲线差异程度；获取不同窗口半径下的平滑图像中的同一行灰度值曲线的相同位置处像素点的像素值的差值，构建差值序列；基于所述差值序列，由不同窗口半径下的平滑图像中同一位置灰度值曲线的近似程度计算异常概率；基于所述异常概率对格纹织物图像进行异常判断。本发明通过分析不同窗口半径下的聚类效果，结合图像的灰度值分布特征得到异常概率进而对图像进行异常检测，减少了直接对图像进行异常检测产生的误差，降低了均值漂移聚类算法对窗口半径的依赖性。
附图说明
12.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和优点，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的介绍，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它附图。
13.图1为本发明一个实施例所提供的一种格纹织物异常检测方法的方法流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种格纹织物异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.本发明实施例提供了一种格纹织物异常检测方法的具体实施方法，该方法适用于xx。该场景下在格纹织物生产线上放置摄像头。为了解决使用均值漂移聚类算法对窗口半径的选取要求较高，半径过大会损失图像信息，影响后续异常检测，半径过小会导致收敛速度过慢，且图中一些不必要信息会造成计算冗余的问题。本发明对采集到的格纹织物的格纹织物图像进行预处理，获取不同聚类窗口半径下的平滑图像，根据图像的灰度值分布规律得到异常概率进而根据异常概率对图像进行异常检测。
17.下面结合附图具体的说明本发明所提供的一种格纹织物异常检测方法的具体方案。
18.请参阅图1，其示出了本发明一个实施例提供的一种格纹织物异常检测方法的步骤流程图，该方法包括以下步骤：步骤s100，采集格纹织物图像,提取所述格纹织物图像中的格纹区域，对所述格纹区域灰度化得到格纹灰度区。
19.在生产线上方放置采集装置，采集生产出的格纹织物的格纹织物图像，采集时避免光照、噪声等影响，该采集到的格纹织物图像为rgb图像。使用神经网络的方法去除背景区域，提取出格纹织物图像中的格纹区域。需要说明的是，使用神经网络的方法去除背景区域为现有技术，在此不再赘述。
20.将得到的格纹区域进行加权平均灰度化处理，得到格纹灰度区。至此，得到了格纹区域的灰度图，也即格纹灰度区。
21.步骤s200，获取窗口半径范围，采用不同窗口半径对所述格纹灰度区进行均值漂移聚类处理，得到不同窗口半径下的平滑图像。
22.由于对于均值漂移聚类算法而言，窗口半径的选取直接影响得到平滑后的图像质量，若窗口半径过大，则会丢失部分簇类，损失图像信息，影响后续的异常检测。若窗口半径过小，则会产生一些不必要的簇类，不仅影响后续判断还增加非必要计算量。首先先获取窗口半径范围，进而得到不同窗口下的平滑图像，再结合缺陷特征对图像进行分析，进而得到异常概率。
23.本发明获取异常概率的具体过程为：（1）获取窗口半径范围，得到不同窗口下的平滑图像。（2）根据图像灰度值分布规律得到异常概率。
24.首先获取窗口半径范围，得到不同窗口半径下的平滑图像，具体的：逻辑为由于均值漂移聚类算法对窗口半径的依赖性较高，不合适的窗口半径会损失图像大量信息，需根据图像特征得到窗口半径范围。
25.格纹灰度区为灰度图，进行均值漂移聚类处理时，样本空间为一维灰度值。
26.由于对格纹灰度区进行均值漂移聚类处理的目的是为了去除图中细小格纹的影响，将细小格纹平滑处理但不破坏图中其他原有信息。
27.格纹处像素点与周边差异较大，可通过设定梯度阈值的方法提取图中格纹处像素点。
28.利用sobel算子计算格纹灰度区中每一个像素点的梯度值，将梯度值大于预设梯度阈值的像素点作为格纹点，提取每行格纹点，获取格纹点之间的最短距离。也即使用sobel算子计算格纹灰度区中每一像素点的梯度值，预设梯度阈值d。在本发明实施例中预设梯度阈值的取值为0.1，在其他实施例中实施者可根据实际情况调整该取值。标记格纹灰度区中所有大于阈值的像素点为格纹点。提取每行格纹点，记两两格纹点间最短距离为。
29.由于对图像进行均值漂移聚类处理时不能破坏图中原有信息。图中最小的格纹纹理区域的长度即为最大窗口半径，具体的：提取格纹灰度区中每行像素点的像素值，以格纹灰度区中左上角第一点作为格纹纹理区域的起始点，获取起始点对应的八邻域内像素点的灰度值，若八邻域内像素点的灰度值均小于等于预设灰度阈值，将八邻域内像素点并入格纹纹理区域，直至八邻域内像素点的灰度值出现大于预设灰度阈值时停止，遍历格纹灰度区中所有点，得到多个格纹纹理区域；以最小的格纹纹理区域内像素点数量的开平方作为最长距离，该最长距离也即最大窗口半径。在本发明实施例中预设灰度阈值的取值为5，在其他实施例中实施者可根据实际情况调整该取值。需要说明的是，对最小的格纹纹理区域内像素点数量的开平方后可能得到的是小数，故对其进行求整运算。
30.也即提取每行灰度值，预设灰度阈值k，以图中左上角第一点为起始点，查找其8邻域的灰度值，若小于阈值则将该点并入其中，直至8邻域中出现大于阈值的点停止，记此时格纹纹理区域内像素点的数量为l，遍历图中所有点得到集合，记，由于开平方后可能为小数需对其进行求整运算。
31.在得到最长距离和最短距离之后，以所述最短距离作为窗口半径范围的区间左端点，以所述最长距离作为窗口半径范围的区间右端点，得到窗口半径范围，记窗口半径范围为()。
32.至此，得到窗口半径范围。
33.根据得到的窗口半径范围，采用不同窗口半径对格纹灰度区进行均值漂移聚类处理，得到不同窗口半径下的平滑图像。需要说明的是，均值漂移聚类算法为现有技术，此处不过多阐述。
34.步骤s300，由所述平滑图像上每一行中像素点的灰度值构建灰度值曲线，将灰度值曲线根据周期性分为不同类别；根据每个类别中灰度值曲线的差异计算类别内灰度值曲线上各像素点的像素点差异程度；结合曲线上各像素点的像素点差异程度计算得到曲线的曲线差异程度。
35.进一步的，根据图像灰度值分布规律得到异常概率。在得到异常概率之前，先根据平滑图像上每行像素点的灰度值的差异对其进行分析，具体的：逻辑为由于在图像上异常区域灰度值会出现突变，可根据这一特征获取异常区
域，进而通过均值漂移算法产生的噪声与异常缺陷的区别得到异常概率。
36.首先将格纹灰度区分为不同类别。是因为格纹灰度区呈现周期性分布，先根据图像周期性将格纹灰度区化为不同区域再进行后续处理。
37.获取每一行中像素点的灰度值曲线，将曲线根据周期性分为不同类别，具体的：图像的周期特征，体现在灰度值曲线中即为两条曲线的相似程度，可根据相似程度将所有灰度值曲线分为多个类别。所述相似程度的计算公式为：其中，为第i行对应的灰度值曲线与第j行对应的灰度值曲线的相似程度；表示每行的像素点数量；为格纹灰度区中横坐标为，纵坐标为的像素点的灰度值；为格纹灰度区中横坐标为，纵坐标为的像素点的灰度值。
38.公式逻辑为两条曲线的相似程度率等于两条曲线对应点的空间距离的平均值。
39.表示两条曲线的相似程度，当两条曲线越相似时，说明该两条曲线在图中属于同一区域，此时值越小。反之，值越大，两条曲线越不相似。
40.对所有曲线求取相似程度，并对进行归一化操作，将相似程度更新为归一化后的相似程度。将相似程度大于预设相似阈值的灰度值曲线分至同一类别，遍历所有灰度值曲线，得到多个类别。在本发明实施例中预设相似阈值的取值为0.7，在其他实施例中实施者可根据实际情况调整该取值。得到不同类别曲线，将图像根据周期性化为不同区域进行分析。
41.进一步的，获取可能异常区域。由于在平滑后的图像中，若某一区域灰度值出现异常波动的点越多，说明该区域可能是异常区域。
42.由于使用均值漂移聚类算法对图像进行处理后，格纹织物图像中较细小的条纹被模糊平滑。当图中出现可能异常区域时，该区域边缘灰度值会出现异常波动，破坏图像周期特征。
43.通过分析每一类别曲线的差异程度来获取可能异常区域。由于异常区域及噪声区域形状不规则，体现在灰度值曲线上会出现异常波动。
44.可分析每一类别中曲线的差异程度获取可能缺陷区域，此时计算曲线上每一像素点的差异程度，也即根据每个类别中灰度值曲线的差异计算类别内灰度值曲线上各像素点的像素点差异程度。所述像素点差异程度的计算公式为：其中，为像素点差异程度；为格纹灰度区中横坐标为，纵坐标为的
像素点的灰度值；为类别的终止行数；为类别的起始行数；为相同列数不同行数对应的像素点的灰度值之和。
45.其中，表示对相同列数不同行数对应的像素点的灰度值求平均。由于差值可能为负数，对得到的差异程度做绝对值处理。
46.公式逻辑为曲线上每点的差异程度等于该点的灰度值减去相同列数不同行数各点的灰度值和的平均值。实现了得到曲线上每个像素点的像素点差异程度。
47.所述曲线差异程度的计算公式为：其中，为曲线差异程度；为以自然常数为底数的指数函数；为灰度值曲线上对应的第n个像素点对应的像素点差异程度；为灰度值曲线对应的像素点的数量。
48.其中，为曲线上每一点差异程度的和，为对曲线上每点差异程度和进行归一化操作，方便阈值设定。
49.当求得的曲线差异程度q大于预设曲线差异程度阈值时判定为可能异常区域。进行后续分析，当求得的差异程度q小于等于预设曲线差异程度阈值时，判定为正常区域，不参加后续分析。在本发明实施例中预设曲线差异程度阈值的取值为0.7,在其他实施例中实施者可根据实际情况调整该取值。
50.步骤s400，获取不同窗口半径下的平滑图像中的同一行灰度值曲线的相同位置处像素点的像素值的差值，构建差值序列；基于所述差值序列，由不同窗口半径下的平滑图像中同一位置灰度值曲线的近似程度计算异常概率；基于所述异常概率对格纹织物图像进行异常判断。
51.由于均值漂移聚类算法在对图像进行平滑操作时，会产生噪声点，而这些噪声点形成的区域也可能被划分为异常区域。因此，仅对每一半径下的图片进行判断不够准确。需要结合不同图像的差异信息排除噪声点影响进而得到异常概率。
52.由于在不同窗口半径处理下得到的平滑图像中噪声点的分布位置不同。而对于异常区域，在不同的窗口半径下位置相同。可分析在不同的窗口半径处理后的图像中，同一位置曲线的近似程度。
53.获取不同窗口半径下的平滑图像中的同一行灰度值曲线的相同位置处像素点的像素值的差值，构建差值序列。也即获取不同窗口大小的平滑图像中的第i行灰度值曲线，对应位置两两相减得到差值序列,其中n表示每行的像素点个数。
54.基于所述差值序列，由不同窗口半径下的平滑图像中同一位置灰度值曲线的近似程度计算异常概率，具体的：将差值序列中相邻的元素两两相减得到相邻元素的差值，构建异常序列。当出现噪声区域时，在不同平滑图像中相同位置像素点差异较大，即差值较大。当出现异常区域时，不同平滑图像中相同位置像素点差异较小，差值较小。
55.根据上述分析，同一位置曲线的近似程度即可作为异常概率，计算曲线对应的各像素点的像素点异常概率。像素点异常概率的计算公式为：其中，为异常序列中第i个元素对应的像素点异常概率；为最大值函数；为最小值函数；为异常序列；为异常序列中的最大值；为异常序列中的最小值；为异常序列中的第i个元素。
56.体现同一位置的近似程度即像素点异常概率，若该值属于异常区域，较小，值趋近于1；若为噪声区域，较大，值趋近于0。
57.预设第一阈值，在本发明实施例中预设第一阈值的取值为0.6。当像素点异常概率大于预设第一阈值时，判定出现异常，当像素点异常概率小于等于预设第一阈值时，则判定为正常。进一步的，根据像素点异常概率计算曲线的异常概率。
58.所述异常概率的计算公式为：其中，为异常概率；为大于预设第一阈值的像素点异常概率对应的像素点数量；为异常序列中第i个元素对应的像素点异常概率；为大于预设第一阈值的像素点异常概率的数量。
59.当异常概率大于预设异常阈值时，认为格纹织物图像出现异常；当异常概率小于等于预设异常阈值时，认为格纹织物图像为正常。在本发明实施例中预设异常阈值的取值为0.7。
60.综上所述，本发明涉及数据处理技术领域。该方法采集格纹织物图像,提取所述格纹织物图像中的格纹区域，对所述格纹区域灰度化得到格纹灰度区；获取窗口半径范围，采用不同窗口半径对所述格纹灰度区进行均值漂移聚类处理，得到不同窗口半径下的平滑图像；由所述平滑图像上每一行中像素点的灰度值构建灰度值曲线，将灰度值曲线根据周期性分为不同类别；根据每个类别中灰度值曲线的差异计算类别内灰度值曲线上各像素点的像素点差异程度；结合曲线上各像素点的像素点差异程度计算得到曲线的曲线差异程度；获取不同窗口半径下的平滑图像中的同一行灰度值曲线的相同位置处像素点的像素值的差值，构建差值序列；基于所述差值序列，由不同窗口半径下的平滑图像中同一位置灰度值曲线的近似程度计算异常概率；基于所述异常概率对格纹织物图像进行异常判断。
61.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
62.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
63.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和
原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。