织物疵点在线三维识别方法

摘要

本发明属于图像处理和模式识别领域，涉及一种用于织物疵点在线检测系统的三维识别方法。首先通过坐标变换将织物三维数据转换到织物平面所在坐标系，实现空间降维运算，然后根据XY坐标以及Z坐标的分布情况，可以判断织物的类型。本发明由于采用三维坐标信息，可以有效排除褶皱、飞絮、环境光或背景光不匀带来的干扰，并且不但可以给出是否存在疵点的信息，还可以给出疵点的类型及产生原因，方便操作工人及时调整生产工艺，避免疵点的再次产生。

权利要求

1.一种织物疵点在线三维识别方法，其特征在于，包括下列步骤：

步骤1：扫描三维织物表面，如果三维织物结构与标准织物三维结构相同，则继续扫描，否则，执行步骤2的操作；

步骤2：选取三维织物结构与标准织物三维结构不同的三维数据信息，判断该三维结构是否为干扰信号，判断的原则是：如果三维结构曲率连续，且内部子结构均为标准三维织物结构，没有缺少织物数据的信息，则该结构为褶皱带来的干扰，予以排除；如果三维结构出现浮于上方的细小丝线或者颗粒，则该信息为飞絮干扰，予以排除；如果该三维结构不是褶皱也不是飞絮，则执行步骤3的操作；

步骤3：判断非正常三维织物结构平面是否平整，如果数据表面不平，则为跳花，或者纱线粗节；如果非正常三维织物结构平面平整，则执行步骤4的操作；

判断三维织物结构是否平整首先需要将三维数据转换到织物平面所在的坐标系，根据织物疵点检测的特殊性，如果将所得到的三维坐标系OaXaYaZa转换到织物所在的检测平面坐标系OwXwYwZw，则对于理想的织物平面的特点应该是：所有点的X和Y坐标均匀变化，所有点的Z坐标为0，这样就可以把一个复杂的三维模式识别问题，转换到XY二维空间和Z空间来进行，实现空间降维运算，假设OwXwYwZw相对OaXaYaZa坐标系的倾角为ψ，偏角为θ，旋转角为φ，则旋转矩阵R可由公式(1)确定：坐标转换完毕后，可根据Z坐标的情况判断织物疵点是否平整；根据XY坐标的分布情况，判断织物表面的均匀情况；

步骤4：如果织物数据较平，即Z坐标基本在一个平面上，但是XY平面缺少某一条数据，需要判断缺少数据的方向以及缺少数据的位置，如果突然缺少经线(X)方向数据，则为断经，如果突然缺少纬线(Y)方向数据，则为断纬，如果一直缺少经线方向数据，则为缺经，如果一直缺少纬线方向数据，则为缺纬；

步骤5：如果织物数据较平，即Z坐标基本在一个平面上，但是XY平面数据不均匀，则判断为织物数据不匀的类型；如果是规律性的粗细不匀，则可能是粗经、粗纬、细经、细纬，需要查找纱线是否存在瑕疵；如果出现的是网眼状不匀，则为方眼；如果出现片状不匀，则为云织；如果出现数据较稀疏不匀或者较密的不匀，则为稀路或者密路；

由于步骤5要判断的疵点类型较多，为了防止疵点类型识别错误，需要按照下列方法进行疵点类型识别：假设不同类型的疵点含有的最多的特征信息为n个，设定判别函数g(x)如公式(2)所示：T T

式(2)中：W0＝(w1，w2，...，wn) 为权向量；X＝(x1，x2，x3，...xn) 为模式向量；

将公式(2)进行归一化，可表示为公式(3)如下：

T

g(x)＝WX (3)式(3)中：

T T

W＝(w1，w2，...，wn，wn+1) 为增值权向量；X＝(x1，x2，...，xn，1) 为增值模式向量；假设有M个疵点类别，表示为ω1-ωM，则存在M个判别函数，如公式(4)所示：k＝1，2，3......M (4)则根据公式(5)的判别规则，可确定疵点所属的类别；

i＝1，2，3......M k＝1，2，3......M (5)步骤6：确定织物疵点的类别后，根据该类别的产生原因，回溯生产环节可能存在的问题，及时进行调整，避免疵点的再次产生，织物疵点三维识别过程结束。

说明书

织物疵点在线三维识别方法

技术领域

[0001] 本发明涉及一种织物疵点在线三维识别方法，更具体的说，本发明涉及一种用于织物疵点在线检测系统的三维识别方法。

背景技术

[0002] 中国目前是纺织品服装出口大国，但是我们从纺织服装加工中心变成一个纺织服装的利润中心需要走的路还相当遥远。自从我国加入WTO以来，纺织品出口一直以低价位、低利润与国外产品竞争，占领的大多数为中低端市场，而对质量要求严格的高端市场难以进入。因此，通过提高检验的技术与装配来提升我国纺织品质量已经成为迫在眉睫的问题。

[0003] 织物疵点的检测方法主要有统计方法(statistical)、模版法(model-based)和谱方法(spectral)[1]。

[0004] 统计方法主要包括灰度级统计方法、形态学方法、边缘检测方法、正规化相关匹配方法(Normalized Cross-Correlation)、灰度伴随矩阵方法(Co-Occurrence Matrix)、特征滤波方法(Eigenfilter)、局部线性变换方法、神经网络(Neural Networks)方法等。其中神经网络方法是近些年来各个领域的研究热点，A.Kumar等人利用神经网络和支持向量机(SVM：Support Vector Machines)方法，对织物的纹理缺陷进行检测；王三武等研究了基于BP神经网络的织物疵点检测方法；高晓丁等研究了基于支持向量机的织物疵点识别算法；宋寅卯等研究了基于脉冲耦合神经网络PCNN(Pulse Coupled Neural Networks)的织物疵点自动检测。

[0005] 基于模板的方法主要有高斯-马尔可夫随机场模型方法(Gauss Markov Random Field Model)、波松模型方法(Poisson Model)、基于模型的聚类方法(Model-based Clustering)等。

[0006] 谱方法主要包括离散傅里叶变换方法(DFT：Discrete Fourier Transform)、光学傅里叶变换方法(OFT：Optical Fourier Transform)、加窗傅里叶变换(WFT：Windowed Fourier Transform)、Gabor滤波器方法、维格纳分布(Wigner distribution)方法、小波变换方法(Wavelet Transform)等。其中，Gabor滤波器方法和小波变换方法是近些年研究的热点。邢亚敬等研究了基于优化Gabor滤波器的织物疵点检测方法；李立轻等将自适应正交小波变换应用于织物疵点检测。

[0007] 上述方法为计算机视觉在织物检测方面的应用奠定了基础，但是由于上述检测均是基于二维图像处理，尚存在如下问题：

[0008] (1)难以解决“布面皱痕”带来的图像干扰。走布(卷布)辊为主动传动，放布为被动，在检测区的布面虽有一定张力，但在卷布过程中，张力有波动，张力过大或过小都会使检测区的布面产生凸凹皱痕，此皱痕在二维图像成像为阴影，容易被误认为疵点。

[0009] (2)难以解决“环境光背景光变化”带来的图像干扰。当灯箱环境光或者背景光发生变化时，或者背景光因老化等原因出现光线不匀现象时，均会导致二维图像出现灰度变化，该灰度变化很难与疵点信息带来的灰度变化区别开。

[0010] (3)难以解决“飞絮”带来的图像干扰。若织物表面存在飞絮，容易将飞絮产生的阴影误认为是疵点。

[0011] (4)目前上述系统仅限于素色织物疵点的检测，对于复杂背景彩色织物的检测还有待进一步研究。

[0012] 本发明正是为了解决二维疵点识别的难题。与二维图像识别理论不同，本发明的识别是建立在三维检测数据的基础之上，因此比二维图像识别具有更高的可靠性和稳定性，并可以排除褶皱、飞絮等对疵点识别带来的干扰。本发明利用不同类型疵点的三维结构特征进行识别和分类，可以指导生产环节进行恰当的调整，实现质量回溯。

[0013] 目前，纺织品主要质量问题可以分为三类。

[0014] (1)由于生产参数、环境参数设置不当造成的纺织品的瑕疵，主要包括断经、断纬等。

[0015] (2)由于生产工艺错误、机器故障造成的瑕疵，主要包括缺经、缺纬、稀路、密路、跳花，方眼、云织等。

[0016] (3)由于纱疵导致的粗经、粗纬、细经、细纬、纱线粗节等。

[0017] 本发明所采用的三维疵点识别比二维疵点识别更准确全面，而且可以排除褶皱飞絮等噪声干扰，三维疵点识别主要包含以下两个主要任务。

[0018] (1)判断非正常织物信息是否为干扰信息，即走布褶皱以及飞絮等造成的干扰，该干扰信息虽然也可以导致布面三维结构发生变化，但是该三维变化信息不是疵点，而是干扰信息。

[0019] (2)将确定为疵点的信息进行识别分类，以对生产工艺的调整给出指导性建议，实现质量回溯。

[0020] 疵点的类型虽然很多，但是从三维织物数据看，主要分为如下三类：

[0021] (1)织物数据平面较平，但是缺少某一条织物数据，如缺经、缺纬，断经，断纬等。

[0022] (2)织物数据平面较平，但织物数据不均匀，如稀路、密路、粗经、粗纬、细经、细纬、方眼、云织等。

[0023] (3)织物数据表面不平，如跳花，纱线粗节等。

[0024] 因此，本发明利用疵点三维数据进行三维识别，可以更为准确的区分不同类型的疵点，从而提高织物疵点检测准确度，可以提高中国纺织品的质量和等级，增加中国纺织品在国际经济贸易中的竞争力。

发明内容

[0025] 本发明提供一种用于织物疵点检测的三维疵点识别方法，该方法建立在织物三维检测系统之上，利用三维检测数据进行三维疵点识别。

[0026] 本发明的织物疵点三维识别方法是建立在织物疵点三维重建技术之上的，所述的织物疵点三维重建系统示意图如图1所示。图1中的主控计算机除了采集三维数据之外，完成三维疵点识别过程。织物疵点三维识别示意图如图2所示，包括下列步骤：

[0027] 步骤1：扫描三维织物表面，如果三维织物结构与标准织物三维结构相同，则继续扫描，否则，执行步骤2的操作。

[0028] 步骤2：选取三维织物结构与标准织物三维结构不同的三维数据信息，判断该三维结构是否为干扰信号。判断的原则是：如果三维结构曲率连续，且内部子结构均为标准三维织物结构，没有缺少织物数据的信息，则该结构为褶皱带来的干扰，予以排除；如果三维结构出现浮于上方的细小丝线或者颗粒，则该信息为飞絮干扰，予以排除。如果该三维结构不是褶皱也不是飞絮，则执行步骤3的操作。

[0029] 步骤3：判断非正常三维织物结构平面是否平整，如果数据表面不平，则为跳花，或者纱线粗节。如果非正常三维织物结构平面平整，则执行步骤4的操作。

[0030] 判断三维织物结构是否平整首先需要将三维数据转换到织物平面所在的坐标系。根据织物疵点检测的特殊性，如果将所得到的三维坐标系OaXaYaZa转换到织物所在的检测平面坐标系OwXwYwZw，则对于理想的织物平面的特点应该是：所有点的X和Y坐标均匀变化，所有点的Z坐标为0。这样就可以把一个复杂的三维模式识别问题，转换到XY二维空间和Z空间来进行，实现空间降维运算。假设OwXwYwZw相对OaXaYaZa坐标系的倾角为ψ，偏角为θ，旋转角为φ，则旋转矩阵R可由公式(1)确定。

[0031]

[0032] 坐标转换完毕后，可根据Z坐标的情况判断织物疵点是否平整；根据XY坐标的分布情况，判断织物表面的均匀情况。

[0033] 步骤4：如果织物数据较平，即Z坐标基本在一个平面上，但是XY平面缺少某一条数据，需要判断缺少数据的方向以及缺少数据的位置，如果突然缺少经线(X)方向数据，则为断经，如果突然缺少纬线(Y)方向数据，则为断纬，如果一直缺少经线方向数据，则为缺经，如果一直缺少纬线方向数据，则为缺纬。

[0034] 步骤5：如果织物数据较平，即Z坐标基本在一个平面上，但是XY平面数据不均匀，则判断为织物数据不匀的类型。如果是规律性的粗细不匀，则可能是粗经、粗纬、细经、细纬，需要查找纱线是否存在瑕疵；如果出现的是网眼状不匀，则为方眼；如果出现片状不匀，则为云织；如果出现数据较稀疏不匀或者较密的不匀，则为稀路或者密路。稀密路、方眼和云织均需查看生产工艺是否存在故障。

[0035] 由于步骤5要判断的疵点类型较多，为了防止疵点类型识别错误，需要按照下列方法进行疵点类型识别：

[0036] 假设不同类型的疵点含有的最多的特征信息为n个，设定判别函数g(x)如公式(2)所示。

[0037]

[0038] 式(2)中：W0＝(w1，w2，...，wn)T为权向量；X＝(x1，x2，x3，...xn)T为模式向量。

[0039] 将公式(2)进行归一化，可表示为公式(3)如下：

[0040] g(x)＝WTX (3)

[0041] 式(3)中：

[0042] W＝(w1，w2，...，wn，wn+1)T为增值权向量；X＝(x1，x2，...，xn，1)T为增值模式向量。

[0043] 假设有M个疵点类别，表示为ω1-ωM，则存在M个判别函数，如公式(4)所示：

[0044] k＝1，2，3......M (4)

[0045] 则根据公式(5)的判别规则，可确定疵点所属的类别；

[0046] i ＝ 1，2，3......M k ＝ 1，2，3......M(5)

[0047] 步骤6：确定织物疵点的类别后，根据该类别的产生原因，回溯生产环节可能存在的问题，及时进行调整，避免疵点的再次产生，织物疵点三维识别过程结束。

[0048] 本发明的有益效果是：在织物疵点识别过程中，有效排除褶皱、飞絮、环境光或背景光不匀带来的干扰。对被检测的织物疵点，不但可以给出是否存在疵点的信息，还可以给出疵点的类型及产生原因，方便操作工人及时调整生产工艺，避免疵点的再次产生。

附图说明

[0049] 图1：织物疵点三维重建系统示意图；

[0050] 图2：织物疵点三维识别方法示意图；

具体实施方式

[0051] 本发明提供一种用于织物疵点检测的三维疵点识别方法，该方法建立在织物三维检测系统之上，利用三维检测数据进行三维疵点识别。

[0052] 本发明的织物疵点三维识别方法是建立在织物疵点三维重建技术之上的，所述的织物疵点三维重建系统示意图如图1所示。图1中两个摄像机用于完成对被测织物视场的图像的采集，所述的两个摄像机的空间位置关系需要通过摄像机标定程序确定；图1中的主控计算机除了根据两个摄像机采集图像信息进行三维数据的计算之外，还用于完成三维疵点识别过程。

[0053] 本发明的织物疵点三维识别方法如图2所示，包括下列步骤：

[0054] 步骤1：扫描三维织物表面，如果三维织物结构与标准织物三维结构相同，则继续扫描，否则，执行步骤2的操作。

[0055] 步骤2：选取三维织物结构与标准织物三维结构不同的三维数据信息，判断该三维结构是否为干扰信号。判断的原则是：如果三维结构曲率连续，且内部子结构均为标准三维织物结构，没有缺少织物数据的信息，则该结构为褶皱带来的干扰，予以排除；如果三维结构出现浮于上方的细小丝线或者颗粒，则该信息为飞絮干扰，予以排除。如果该三维结构不是褶皱也不是飞絮，则执行步骤3的操作。

[0056] 步骤3：判断非正常三维织物结构平面是否平整，如果数据表面不平，则为跳花，或者纱线粗节。如果非正常三维织物结构平面平整，则执行步骤4的操作。

[0057] 判断三维织物结构是否平整首先需要将三维数据转换到织物平面所在的坐标系。根据织物疵点检测的特殊性，如果将所得到的三维坐标系OaXaYaZa转换到织物所在的检测平面坐标系OwXwYwZw，则对于理想的织物平面的特点应该是：所有点的X和Y坐标均匀变化，所有点的Z坐标为0。这样就可以把一个复杂的三维模式识别问题，转换到XY二维空间和Z空间来进行，实现空间降维运算。假设OwXwYwZw相对OaXaYaZa坐标系的倾角为ψ；偏角为θ，旋转角为φ，则旋转矩阵R可由公式(1)确定。

[0058]

[0059] 坐标转换完毕后，可根据Z坐标的情况判断织物疵点是否平整，可以根据XY坐标的分布情况，判断织物表面的均匀情况。

[0060] 步骤4：如果织物数据较平，即Z坐标基本在一个平面上，但是XY平面缺少某一条数据，需要判断缺少数据的方向以及缺少数据的位置，如果突然缺少经线(X)方向数据，则为断经，如果突然缺少纬线(Y)方向数据，则为断纬，如果一直缺少经线方向数据，则为缺经，如果一直缺少纬线方向数据，则为缺纬。

[0061] 步骤5：如果织物数据较平，即Z坐标基本在一个平面上，但是XY平面数据不均匀，则判断为织物数据不匀的类型。如果是规律性的粗细不匀，则可能是粗经、粗纬、细经、细纬，需要查找纱线是否存在瑕疵；如果出现的是网眼状不匀，则为方眼；如果出现片状不匀，则为云织；如果出现数据较稀疏不匀或者较密的不匀，则为稀路或者密路。稀密路、方眼和云织均需查看生产工艺是否存在故障。

[0062] 由于步骤5要判断的疵点类型较多，为了防止疵点类型识别错误，需要按照下列方法进行疵点类型识别：

[0063] 假设不同类型的疵点含有的最多的特征信息为n个，设定判别函数g(x)如公式(2)所示。

[0064]

[0065] 式(2)中：W0＝(w1，w2，...，wn)T为权向量；X＝(x1，x2，x3，...xn)T为模式向量。

[0066] 将公式(2)进行归一化，可表示为公式(3)如下：

[0067] g(x)＝WTX (3)

[0068] 式(3)中：

[0069] W＝(w1，w2，...，wn，wn+1)T为增值权向量；X＝(x1，x2，...，xn，1)T为增值模式向量。

[0070] 假设有M个疵点类别，表示为ω1-ωM，则存在M个判别函数，如公式(4)所示：

[0071] k＝1，2，3......M (4)

[0072] 则根据公式(5)的判别规则，可确定疵点所属的类别；

[0073] i＝1，2，3......M k＝1，2，3......M (5)

[0074] 步骤6：确定织物疵点的类别后，根据该类别的产生原因，回溯生产环节可能存在的问题，及时进行调整，避免疵点的再次产生，织物疵点三维识别过程结束。

[0075] 本发明与现有三维重建方法最大区别有如下两点：

[0076] (1)本发明是基于织物三维检测数据而设计的，比二维图像的织物疵点检测具有更高的可靠性。

[0077] (2)本发明除了能够检测织物疵点的位置外，还可以准确识别织物疵点的类型，并根据织物疵点类型给出生产环节可能会存在的原因。

[0078] 综上所述，本发明所述三维重建方法的优点是：

[0079] (1)织物疵点检测的准确性和稳定性更高；

[0080] (2)可有效识别织物疵点的类型，并及时给出生产工艺可能存在的问题；

[0081] 本发明对织物疵点进行三维识别，可有效提高纺织品的质量和等级，实现质量工程。

[0082] 以上示意性的对本发明及其实施方式进行了描述，该描述没有局限性，附图中所示的也只是本发明的实施方式之一。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，采用其它形式的同类部件或其它形式的各部件布局方式，不经创造性的设计出与该技术方案相似的技术方案与实施例，均应属于本发明的保护范围。