一种生丝颣节的机器视觉检测方法与流程

1.本发明涉及生丝颣节检测技术领域，具体涉及一种生丝颣节的机器视觉检测方法。


背景技术：

2.生丝是制作高档织物的原料，根据原料的特性、生产加工过程，一般把生丝分为白厂丝、双宫丝、土丝、绢丝等。由于生丝外观上的缺陷容易使织物产生各种疵点，尤其是生丝颣节，所述生丝颣节意为生丝上的结节、疵点，其中又包含有环裂、结点、螺旋和糙类；又因为相同程度下颣节的种类不同，对织物的影响也不同，即在进行评分评级时的影响也不同，因此对生丝的外观上的生丝颣节进行识别分类至关重要。
3.目前，对生丝颣节进行分类识别的方法一般是基于svm和hu矩的机器视觉检测方法别，但是因为螺旋过大的时候和糙类这两种类型颣节的不变矩较为相近，导致svm在分类识别时会出现识别错误的情况出现，因此现有技术中对生丝颣节进行分类识别的准确性较低。


技术实现要素：

4.本发明提供一种生丝颣节的机器视觉检测方法，用于解决现有方法对生丝颣节进行分类识别时准确性较低的问题，所采用的技术方案具体如下：本发明实施例提供了一种生丝颣节的机器视觉检测方法包括以下步骤：获取待检测的生丝二值化图像；对待检测的生丝二值化图像进行边缘检测，得到边缘图像；对边缘图像进行hough直线检测，得到hough直线；根据hough直线，得到中心直线；根据中心直线，得到边缘图像上的各特征像素点；根据特征像素点，得到繁杂程度和横纵比特征；根据横纵比特征和繁杂程度，得到特征向量；将特征向量输入到训练好的分类器，得到待检测的生丝类型。
5.优选的，hough直线包括生丝左侧的hough直线和生丝右侧的hough直线。
6.优选的，根据如下公式得到中心直线：优选的，根据如下公式得到中心直线：为中心直线，为生丝左侧的hough直线的斜率，生丝右侧的hough直线的斜率，为自变量，为生丝左侧的hough直线的截距，为生丝左侧的hough直线的截距。
7.优选的，根据中心直线，得到边缘图像上的各特征像素点的方法，包括：对于边缘图像中的任一行：将在中心直线左侧的该行上的各像素点中与中心直线距离最远的像素点记为特征像素点，将在中心直线右侧的该行上的各像素点中与中心直
线距离最远的像素点记为特征像素点，将在中心直线左侧的该行上的各像素点中与中心直线距离最近的像素点记为特征像素点，将在中心直线右侧的该行上的各像素点中与中心直线距离最近的像素点记为特征像素点。
8.优选的，根据特征像素点，得到繁杂程度和横纵比特征的方法，包括：统计边缘图像上除特征像素点之外的其它像素点的数量；根据如下公式计算繁杂程度：其中，为繁杂程度，为边缘图像上除特征像素点之外的其它像素点的数量，为在中心直线的不同行的垂直线中左侧的像素点大于等于2的部分，为在中心直线的不同行的垂直线中右侧的像素点大于等于2的部分。
9.优选的，得到横纵比特征的方法，包括：根据如下公式横纵比特征：其中为横纵比特征，、、分别为在中心直线的不同行的垂直线中左侧的像素点大于等于2的部分以及在中心直线的不同行的垂直线中右侧的像素点大于等于2的部分中的最大横坐标值、最小横坐标值，最大纵坐标值以及最小纵坐标值。
10.优选的，根据横纵比特征和繁杂程度，得到特征向量的方法，包括：获取待检测的生丝二值化图像的不变矩的七个特征值；基于提取的七个特征值、横纵比特征和繁杂程度，构建得到特征向量。
11.有益效果：本发明首先获取待检测的生丝二值化图像；然后对待检测的生丝二值化图像进行边缘检测，得到边缘图像；并对边缘图像进行hough直线检测，得到hough直线；根据hough直线，得到中心直线；紧接着根据中心直线，得到边缘图像上的各特征像素点；根据特征像素点，得到繁杂程度和横纵比特征；最后根据横纵比特征和繁杂程度，得到特征向量，并将特征向量输入到训练好的分类器，得到待检测的生丝类型。本发明能够提高对生丝颣节进行分类识别的准确性。
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为本发明一种生丝颣节的机器视觉检测方法的流程图；图2为本发明的图像采集设备示意图；图3为本发明的生丝螺旋缺陷对应的二值图像示意图；
图4为本发明的生丝糙类缺陷对应的二值图像示意图；图5为本发明的生丝螺旋边缘图像和hough直线示意图；图6为本发明的生丝糙类边缘图像和hough直线示意图；图7为本发明的生丝螺旋对应的第一像素点区域示意图；图8为本发明的生丝糙类对应的第一像素点区域示意图；图9为本发明的第二像素点区域示意图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
15.除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
16.本实施例提供了一种生丝颣节的机器视觉检测方法，详细说明如下：如图1所示，该一种生丝颣节的机器视觉检测方法，包括以下步骤：步骤s001，获取待检测的生丝二值化图像。
17.由于螺旋和糙类这两种类型的生丝颣节的不变矩较为相近，如果仅仅基于不变矩会导致svm在对生丝颣节进行识别分类时会出现识别错误的情况，但是由于在生丝颣节的螺旋和糙类缺陷图像中，螺旋的外形轮廓相比起糙类的外形轮廓更具有近似周期性的特点，且边缘毛刺较少，而糙类的轮廓特征更随机混乱，没有规律，且边缘上的毛刺较多，因此本实施例将结合上述螺旋和糙类的特征以及不变矩增加svm对生丝颣节的分类识别的鲁棒性，即本实施例的主要目的是对螺旋和糙类的图像进行处理分析，获得形态和边缘等相关特征参数，根据所获取的特征参数为svm的分类识别提供多方面的特征参数，增强svm的分类识别准确性。
18.本实施例首先利用图像采集设备采集待检测的生丝图像，所述图像采集设备包括滑轮，线性ccd传感器以及纺锤；滑轮，线性ccd传感器以及纺锤的具体的搭建方式如图2所示；且主要时利用线阵ccd传感器来获取待检测的生丝图像。
19.然后对待检测的生丝图像进行降噪和图像分割，得到待检测的生丝二值化图像。
20.步骤s002，对待检测的生丝二值化图像进行边缘检测，得到边缘图像；对边缘图像进行hough直线检测，得到hough直线；根据hough直线，得到中心直线。
21.在生丝颣节中，螺旋是一种单丝或多丝缠绕的结构，在图像中的纵向范围较大，结构内外相对简单，且其边缘部分较为平滑，毛边较少，如图3所示，图3为生丝螺旋缺陷对应的二值图像；而糙类结构复杂，形态多变，一般呈聚集分布，边缘部分会出现随机分布的毛边，如图4所示，图4为生丝糙类缺陷对应的二值图像。
22.紧接着本实施例将对进行图像分割后得到的待检测的生丝二值化图像进行canny边缘检测，并对所得边缘检测后图像进行hough直线检测，分析边缘点和hough直线之间的位置关系等相关分布特征；具体为：对待检测的生丝二值化图像进行canny边缘检测，获得对应的边缘图像；然后
利用hough直线检测获取到边缘图像中生丝的主体部分的边缘上的直线；如图5和图6所示，图5和图6分别为螺旋和糙类对应的边缘图像以及hough直线检测的结果图像；另外，建立直角坐标系，将所获图像置于第一象限，横轴为，原点为，纵轴为。
23.并且由图5和图6可知，进行hough直线检测后可获取到生丝两侧的直线轮廓边缘，并记左右两侧的hough直线分别为、；即：；即：其中，为生丝左侧的hough直线，为生丝右侧的hough直线，x为自变量，为直线的斜率，为直线的斜率，为直线的截距，为直线的截距。
24.由于在所采集的待检测图像中生丝的宽度较大，使得细化操作不易实现，故通过生丝两侧的边缘直线、来计算中心直线来反应生丝主体的分布方向；根据如下公式计算得到中心直线:其中，为中心直线，即上式所求为生丝左右两侧的边缘直线、之间的中线，该中线为生丝中间的直线，可以反映出生丝的分布位置和方向。
25.步骤s003，根据中心直线，得到边缘图像上的各特征像素点；根据特征像素点，得到繁杂程度和横纵比特征；然后根据点到直线或欧式距离公式计算获取到边缘图像中各行距离中心直线的最大距离像素点、和最小距离像素点、，并记为特征像素点；对于边缘图像中的任一行，为在中心直线左侧的该行上的各像素点中与直线距离最远的像素点、为在中心直线右侧的该行上的各像素点中与直线距离最远的像素点，即、分别表示求取图像中的中心直线左侧、右侧的各行像素点与直线之间的最大值对应的像素点，即获取左侧、右侧的各行的最远边缘；同理的，对于边缘图像中的任一行，为在中心直线左侧的该行上的各像素点中与直线距离最近的像素点、为在中心直线右侧的该行上的各像素点中与直线距离最近的像素点，即、分别表示求取图像中的中心直线左侧、右侧的各行像素点与直线之间的最小值对应的像素点，即获取左侧、右侧距离直线的最近边缘；然后根据特征像素点的坐标，对上述中所得最远和最近边缘线中未发生重复部分
的边缘像素点进行记录，记为第一像素点，则有、、、；如图7和图8所示，图7和图8上的矩形区域分别为边缘图像上的第一像素点区域。
26.紧接着计算其他边缘：式中，为边缘图像上除特征像素点之外的其它像素点的数量，为特征像素点的数量，为边缘图像上的所有像素点。
27.因此通过上述过程可以得到边缘图像除特征像素点之外的像素点，记为第二像素点，即得到了图像中其他未组成最远和最近边缘的边缘像素点，如图9所示，图9中的最小矩形区域为第二像素点所在区域。
28.然后计算繁杂程度：其中，为繁杂程度，为边缘图像上除特征像素点之外的其它像素点的数量，为在中心直线的不同行的垂直线中左侧的像素点大于等于2的部分，为在中心直线的不同行的垂直线中右侧的像素点大于等于2的部分。
29.该式计算了图像中去除掉最远距离和最近距离的边缘像素点后的其他像素点在去除同一垂直线上只有一个边缘点的其他部分边缘点上的占比，即在图8中小矩形部分在大矩形部分中像素点数量的占比。值越大，表示在红色框选部分内，非最远和最近边缘点的数量越多，图像中生丝颣节的繁杂程度越高，越有可能为糙类；反之，值越小，繁杂程度越低，越有可能为螺旋。
30.然后根据上述中所获的生丝颣节中缺陷位置处的像素点坐标位置，计算图像中生丝颣节的横纵比特征；根据如下公式计算图像中生丝颣节的横纵比特征：其中，，为图像中像素点的坐标，代表横坐标位置，代表纵坐标位置，且像素点属于去除同一垂直线上只有一个边缘点的其他部分边缘、、、；则、、分别为在中心直线的不同行的垂直线中左侧的像素点大于等于2的部分以及在中心直线的不同行的垂直线中右侧的像素点大于等于2的部分中的最大横坐标值、最小横坐标值，最大纵坐标值以及最小纵坐标值。
31.该式反映了图像红生丝颣节部分的横纵比大小，的值越大，则颣节横向范围越
大，纵向范围越小，有可能为螺旋；反之，值越小，颣节的横向范围越小，纵向范围越大，有可能为糙类。
32.步骤s004，根据横纵比特征和繁杂程度，得到特征向量；将特征向量输入到训练好的分类器，得到待检测的生丝类型。
33.提取生丝疵点图像的不变矩的七个特征值，基于七个特征值、横纵比特征和繁杂程度，构建得到特征向量；对特征向量进行归一化的处理，选用一对一投票的svm分类器推广策略，将svm二分器推广到了多类svm分类器，通过输入归一化后的特征向量，进行生丝颣节的识别检测。即得到待检测的生丝类型。
34.本实施例首先获取待检测的生丝二值化图像；然后对待检测的生丝二值化图像进行边缘检测，得到边缘图像；并对边缘图像进行hough直线检测，得到hough直线；根据hough直线，得到中心直线；紧接着根据中心直线，得到边缘图像上的各特征像素点；根据特征像素点，得到繁杂程度和横纵比特征；最后根据横纵比特征和繁杂程度，得到特征向量，并将特征向量输入到训练好的分类器，得到待检测的生丝类型。本实施例能够提高对生丝颣节进行分类识别的准确性。
35.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。