01 织布缺陷——断针缺陷检测

本文针对织布生产过程中，由于断针造成的织布缺陷图像，进行检测,如下图1所示.

01 织布缺陷——断针缺陷检测

1. 图像质量增强

　　由于织布原图的图像整体偏暗，不利于缺陷部分的检测，考虑改善图像质量，而图像质量增强的算法有很多，本文借鉴Retinex的图像增强算法(SSR, MSR, MSRCR)的实现，效果如图2所示.

参考:https://blog.csdn.net/ajianyingxiaoqinghan/article/details/71435098

2. 低通滤波/边缘检测

观测图像2中增强后的图像，虽然织布瑕疵部分，相对正常区域有明显的细长暗条纹痕迹，但是如果直接使用边缘检测的方式，来定位瑕疵部分的边缘，很难找到明显的边界条纹（受织布正常纹理部分的影响,如图3的对比效果图所示）.

这里用低通滤波器，实现对织布纹理背景的过滤，以提供织布瑕疵缺陷的高频细节部分，利于后续的边缘检测效果.

01 织布缺陷——断针缺陷检测

低通滤波算法，参考：https://blog.csdn.net/weixin_40647819/article/details/80600918?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param

边缘检测算法，参考：https://blog.csdn.net/dieju8330/article/details/82814529?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param

3. 形态学处理

对边缘检测后的图像，进行形态学的膨胀处理，就可以增大缺陷区域的轮廓，以便于利用opencv中找轮廓的方式，定位瑕疵部分的位置.

01 织布缺陷——断针缺陷检测

4. 定位瑕疵区域

对形态学处理后的图像，利用opencv中的findContours()函数,通过轮廓的宽高、面积大小等条件设置，来定位织布的瑕疵轮廓区域，具体实现参见代码部分：

5. 实现代码部分

MSRCR.h

#pragma once

#ifndef _MSRCR_H_
#define _MSRCR_H_

#include "cv.h"
#include "highgui.h"
#include "opencv2\opencv.hpp"
#include <math.h>

// 该处使用USE_EXACT_SIGMA，则使用自定义的滤波算法；
// 不使用USE_EXACT_SIGMA，则使用OpenCV自带的高斯滤波算法；
//#define USE_EXACT_SIGMA

using namespace cv;
using namespace std;

class Msrcr
{
private:
#define pc(image, x, y, c) image->imageData[(image->widthStep * y) + (image->nChannels * x) + c]
#define INT_PREC 1024.0
#define INT_PREC_BITS 10
    inline double int2double(int x) { return (double)x / INT_PREC; }
    inline int double2int(double x) { return (int)(x * INT_PREC + 0.5); }
    inline int int2smallint(int x) { return (x >> INT_PREC_BITS); }
    inline int int2bigint(int x) { return (x << INT_PREC_BITS); }
public:
    vector<double> CreateKernel(double sigma);
    vector<int> CreateFastKernel(double sigma);
    void FilterGaussian(IplImage* img, double sigma);
    void FilterGaussian(Mat src, Mat &dst, double sigma);
    void FastFilter(IplImage *img, double sigma);
    void FastFilter(Mat src, Mat &dst, double sigma);
    void Retinex(IplImage *img, double sigma, int gain = 128, int offset = 128);
    void Retinex(Mat src, Mat &dst, double sigma, int gain = 128, int offset = 128);
    void MultiScaleRetinex(IplImage *img, vector<double> weights, vector<double> sigmas, int gain = 128, int offset = 128);
    void MultiScaleRetinex(Mat src, Mat &dst, vector<double> weights, vector<double> sigmas, int gain = 128, int offset = 128);
    void MultiScaleRetinexCR(IplImage *img, vector<double> weights, vector<double> sigmas, int gain = 128, int offset = 128,
        double restoration_factor = 6, double color_gain = 2);
    void MultiScaleRetinexCR(Mat src, Mat &dst, vector<double> weights, vector<double> sigmas, int gain = 128, int offset = 128,
        double restoration_factor = 6, double color_gain = 2);
};

#endif

View Code