(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利所(普通合伙)34303GO6T一種基于機(jī)器視覺的針織面料瑕疵檢測方體為一種基于機(jī)器視覺的針織面料瑕疵檢測方背景動(dòng)態(tài)圖像和所述第一邊緣特征集進(jìn)行梯度2通過高分辨率相機(jī)實(shí)時(shí)采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進(jìn)行將所述背景動(dòng)態(tài)圖像和所述第一邊緣特征集進(jìn)行梯度信息融合，構(gòu)建圍巾區(qū)域分割模通過光流法對所述圍巾瑕疵邊緣數(shù)據(jù)和所述時(shí)序分割圖像集進(jìn)行實(shí)時(shí)分析，獲得圍巾構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)進(jìn)行分析，通過尺度S下瑕疵邊緣的分割數(shù)目，入為瑕疵邊緣的軌跡變化幅度系數(shù)，Φ?為瑕疵邊緣的軌所述圍巾多尺度邊緣檢測模型包括第一圖像預(yù)處理層、多尺所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度化處理得到第一標(biāo)準(zhǔn)圖像集；對所述第一標(biāo)準(zhǔn)圖像集進(jìn)行高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像所述多尺度邊緣特征提取層通過對所述第二標(biāo)準(zhǔn)圖像集進(jìn)行多尺度處理，獲得不同尺所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中原始所述多尺度處理通過對圍巾生產(chǎn)實(shí)時(shí)的所述第二標(biāo)準(zhǔn)圖像集3依據(jù)所述高閾值、低閾值和圖像的梯度強(qiáng)度提取圖像中不同尺度的邊緣特征；所述邊圖像的灰度值，為水平方向的梯度，為垂直方向的梯度，Thigh為邊圖像的灰度值，所述邊緣特征圖融合層通過引入多尺度融合機(jī)制，將不同像素點(diǎn)下提取的邊緣特征點(diǎn)尺度的數(shù)量，W?為第S尺度的權(quán)重，G?(x,y)為第S尺度圖像所述第二圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度化、去所述時(shí)序邊界檢測層通過對所述第一邊緣特征集和所述背景動(dòng)態(tài)圖像進(jìn)行梯度信息4所述時(shí)序區(qū)域分割層通過所述圍巾時(shí)序圖像區(qū)域的邊界進(jìn)行識別，獲得圍巾不同區(qū)域所述瑕疵變化分析層通過對比正常區(qū)域的邊緣分布模式，獲所述瑕疵邊緣數(shù)據(jù)提取層通過所述圍巾不同區(qū)域時(shí)序分割圖所述時(shí)序區(qū)域分割層通過使用分割模型能量函數(shù)對圍巾區(qū)域其中，E(U)為分割的總能量，p為圖像中的一個(gè)像素點(diǎn)，Ω為圖像像素點(diǎn)集合，有相鄰像素對集合，δU,U?)為確定像素點(diǎn)p和9是否屬于相同的分割區(qū)域，數(shù)據(jù)獲取單元，用于通過高分辨率相機(jī)實(shí)時(shí)采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一圖像邊緣特征獲取單元，用于構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進(jìn)行識別，圖像分割單元，用于將所述背景動(dòng)態(tài)圖像和所述第一邊緣特征集進(jìn)行梯度信息融合，構(gòu)建圍巾區(qū)域分割模型；通過所述圍巾區(qū)域分割模型對所述圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行分割，瑕疵軌跡獲取單元，用于通過光流法對所述圍巾瑕疵邊緣數(shù)據(jù)5瑕疵邊緣復(fù)雜度獲取單元，用于構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估尺度S下瑕疵邊緣的分割數(shù)目，入為瑕疵邊緣的軌跡變化幅度系數(shù)，①為瑕疵邊緣的軌所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度化處理得到第一標(biāo)準(zhǔn)圖像集；對所述第一標(biāo)準(zhǔn)圖像集進(jìn)行高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像所述多尺度邊緣特征提取層通過對所述第二標(biāo)準(zhǔn)圖像集進(jìn)行所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中原始10.根據(jù)權(quán)利要求8所述的一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)，其特征在于：6一種基于機(jī)器視覺的針織面料瑕疵檢測方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及針織面料瑕疵檢測技術(shù)領(lǐng)域，具體為一種基于機(jī)器視覺的針織面料瑕疵檢測方法及系統(tǒng)。背景技術(shù)[0002]隨著紡織工業(yè)的不斷發(fā)展，圍巾等針織面料的生產(chǎn)工藝也得到了顯著的改進(jìn)。然種瑕疵，這些瑕疵不僅影響圍巾的外觀質(zhì)量，還會(huì)對消費(fèi)者的使用體驗(yàn)產(chǎn)生負(fù)面影響。因此，對圍巾等針織面料進(jìn)行高效、精準(zhǔn)的瑕疵檢測，已成為紡織品制造過程中不可忽視的重要環(huán)節(jié)。[0003]近年來，基于機(jī)器視覺的瑕疵檢測方法逐漸成為紡織品檢測領(lǐng)域的研究熱點(diǎn)。機(jī)器視覺系統(tǒng)能夠?qū)崟r(shí)獲取圍巾的生產(chǎn)過程圖像，并通過圖像處理算法提取其中的邊緣特征、紋理信息及瑕疵區(qū)域，實(shí)現(xiàn)對面料的快速且準(zhǔn)確檢測。然而，現(xiàn)有的機(jī)器視覺檢測系統(tǒng)在實(shí)際應(yīng)用中仍面臨一些問題。首先，針織面料生產(chǎn)環(huán)境中的光照條件和外部噪聲變化較大，導(dǎo)致采集到的圖像質(zhì)量不穩(wěn)定，影響檢測的準(zhǔn)確性和靈敏度。其次，由于針織面料結(jié)構(gòu)復(fù)雜，細(xì)小的瑕疵(如微小的斷線或顏色差異)難以被準(zhǔn)確識別，且不同類型的瑕疵形狀和尺寸各異，單一的圖像處理算法難以滿足多種瑕疵檢測的需求。目前，許多研究已提出了基于邊緣檢測、圖像分割以及圖像識別技術(shù)的瑕疵檢測方法。然而，這些方法通常依賴于靜態(tài)圖像的分析，且對于復(fù)雜形狀和細(xì)小瑕疵的檢測仍存在局限性。[0004]為此，提出一種基于機(jī)器視覺的針織面料瑕疵檢測方法及系統(tǒng)。發(fā)明內(nèi)容[0005]本發(fā)明的目的在于提供一種基于機(jī)器視覺的針織面料瑕疵檢測方法及系統(tǒng)，首先通過采集圍巾的生產(chǎn)過程數(shù)據(jù)獲得第一圖像集；構(gòu)建圍巾多尺度邊緣檢測模型對第一圖像集進(jìn)行識別，根據(jù)圖像的實(shí)際亮度和梯度分布動(dòng)態(tài)調(diào)整閾值，生成第一邊緣特征集；將背景動(dòng)態(tài)圖像和所述第一邊緣特征集進(jìn)行梯度信息融合，構(gòu)建圍巾區(qū)域分割模型，對圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行分割，獲得時(shí)序分割圖像集和圍巾瑕疵邊緣數(shù)據(jù)；對圍巾瑕疵邊緣數(shù)據(jù)和時(shí)序分割圖像集進(jìn)行實(shí)時(shí)分析，獲得圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)；構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)進(jìn)行分析，獲取圍巾瑕疵邊緣的分形維數(shù)，生成圍巾瑕疵邊緣的復(fù)雜度。[0006]為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：[0007]一種基于機(jī)器視覺的針織面料瑕疵檢測方法，包括。[0008]通過高分辨率相機(jī)實(shí)時(shí)采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一圖像集；所述第一圖像集包括圍巾生產(chǎn)實(shí)時(shí)圖像和背景動(dòng)態(tài)圖像；[0009]構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進(jìn)行識別，通過獲取不同尺度的標(biāo)準(zhǔn)圖像集的圖像亮度，根據(jù)圖像的實(shí)際亮度和梯度分布動(dòng)態(tài)調(diào)整閾值，生成第一邊緣特7為在尺度S下瑕疵邊緣的分割數(shù)目，2為瑕疵邊緣的軌跡變化幅度系數(shù)，Φ,為瑕疵邊緣[0017]所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度[0019]所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中89[0034]所述瑕疵邊緣數(shù)據(jù)提取層通過所述圍巾不同區(qū)域時(shí)序分割圖像集，獲取瑕疵區(qū)[0037]其中，E(U)為分割的總能量，p為圖像中的一個(gè)像素點(diǎn)，Ω為圖像像素點(diǎn)集為所有相鄰像素對集合，為確定像素點(diǎn)p和9是否屬于相同的分割區(qū)域，為在尺度S下瑕疵邊緣的分割數(shù)目，凡為瑕疵邊緣的軌跡變化幅度系數(shù)，①,為瑕疵邊緣的軌跡平滑性指標(biāo)；[0050]基于所述圍巾瑕疵邊緣的分形維數(shù)，獲取圍巾瑕疵邊緣的復(fù)雜度。[0051]優(yōu)選的，所述圍巾多尺度邊緣檢測模型包括第一圖像預(yù)處理層、多尺度邊緣特征提取層和邊緣特征圖融合層；[0052]所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度化處理得到第一標(biāo)準(zhǔn)圖像集；對所述第一標(biāo)準(zhǔn)圖像集進(jìn)行高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像集；[0053]所述多尺度邊緣特征提取層通過對所述第二標(biāo)準(zhǔn)圖像集進(jìn)行多尺度處理，獲得不同尺度的標(biāo)準(zhǔn)圖像集；依據(jù)邊緣檢測算法對不同尺度的所述標(biāo)準(zhǔn)圖像集進(jìn)行特征提取，生成初始邊緣特征圖；對所述初始邊緣特征圖進(jìn)行方向和強(qiáng)度分析，獲得不同尺度的邊緣特[0054]所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中原始圖像大小，獲得第一邊緣特征集。[0055]優(yōu)選的，通過所述圍巾瑕疵邊緣數(shù)據(jù)提取的瑕疵邊緣像素點(diǎn)；通過所述圍巾不同區(qū)域時(shí)序分割圖像集獲取圍巾各區(qū)域的時(shí)間變化信息；基于所述瑕疵邊緣像素點(diǎn)和圍巾各區(qū)域的時(shí)間變化信息獲取瑕疵邊緣空間坐標(biāo)；基于光流方程得到每個(gè)像素點(diǎn)的運(yùn)動(dòng)矢量，生成圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)。[0057]1、本發(fā)明構(gòu)建了圍巾多尺度邊緣檢測模型對所述第一圖像集進(jìn)行識別，獲得第一邊緣特征集；通過對第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度化處理和高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像集，對獲得第二標(biāo)準(zhǔn)圖像集進(jìn)行多尺度處理和特征提取，依據(jù)所述高閾值、低閾值和圖像的梯度強(qiáng)度提取圖像中不同尺度的邊緣特征，對所述初始邊緣特征圖進(jìn)行方向和強(qiáng)度分析，獲得不同尺度的邊緣特征圖；引入動(dòng)態(tài)調(diào)整參數(shù)，根據(jù)圖像的實(shí)際亮度和梯度分布動(dòng)態(tài)調(diào)整閾值，使邊緣檢測對不同光照環(huán)境下的圖像適應(yīng)性更強(qiáng)，形成連續(xù)性更好的邊緣結(jié)構(gòu)，提高邊緣檢測結(jié)果的準(zhǔn)確性。[0058]2、本發(fā)明構(gòu)建了圍巾區(qū)域分割模型，首先通過所述背景動(dòng)態(tài)圖像和所述第一邊緣特征集進(jìn)行梯度信息融合，生成圍巾時(shí)序圖像區(qū)域的邊界，通過融合梯度信息的方式提升分割模型的初始準(zhǔn)確性，確保在復(fù)雜背景下仍能準(zhǔn)確區(qū)分圍巾區(qū)域；對圍巾時(shí)序圖像區(qū)域的邊界進(jìn)行識別，獲得圍巾不同區(qū)域時(shí)序分割圖像集；并對圍巾不同區(qū)域時(shí)序分割圖像集，獲取瑕疵區(qū)域；對瑕疵區(qū)域的邊緣點(diǎn)進(jìn)行特征分析，生成圍巾瑕疵邊緣數(shù)據(jù)，將區(qū)域分割與邊緣特征提取結(jié)合，確保時(shí)序分割圖像集在空間和時(shí)間上的準(zhǔn)確性。11[0059]3、本發(fā)明通過構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)進(jìn)行分析，綜合分析瑕疵邊緣的軌跡變化幅度、軌跡平滑性以及時(shí)序連貫性，獲取圍巾瑕疵邊緣的分形維數(shù)，具體分析了瑕疵邊緣的動(dòng)態(tài)變化特性。通過結(jié)合傳統(tǒng)分形維數(shù)和動(dòng)態(tài)特性，對不規(guī)則和快速變化的瑕疵邊緣表現(xiàn)出更強(qiáng)的分析效果，提升了圍巾邊緣復(fù)雜度評估的精度。附圖說明[0060]圖1為本發(fā)明提供的一種基于機(jī)器視覺的針織面料瑕疵檢測方法的流程示意圖；[0061]圖2為本發(fā)明提供的一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)的結(jié)構(gòu)示意圖；[0062]圖3為本發(fā)明實(shí)施例提供的圍巾多尺度邊緣檢測模型結(jié)構(gòu)示意圖；[0063]圖4為本發(fā)明實(shí)施例提供的圍巾區(qū)域分割模型結(jié)構(gòu)示意圖；[0064]圖5為本發(fā)明實(shí)施例提供的圍巾瑕疵示意圖。具體實(shí)施方式[0066]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他[0067]本發(fā)明提供一種基于機(jī)器視覺的針織面料瑕疵檢測方法，此方法應(yīng)用于一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)，具體的方法流程圖和系統(tǒng)結(jié)構(gòu)圖參照圖1和圖2。[0068]實(shí)施例一[0069]作為本發(fā)明的一種實(shí)施方式，參照圖1中的S10,S10應(yīng)用于一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)的數(shù)據(jù)獲取單元，數(shù)據(jù)獲取單元用于通過高分辨率相機(jī)實(shí)時(shí)采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一圖像集；所述第一圖像集包括圍巾生產(chǎn)實(shí)時(shí)圖像和背景動(dòng)態(tài)圖[0070]在圍巾生產(chǎn)線上，當(dāng)針織機(jī)高速運(yùn)轉(zhuǎn)時(shí)，數(shù)據(jù)獲取單元通過連續(xù)拍攝采集針織面料的動(dòng)態(tài)狀態(tài)。如果在某一幀圖像中出現(xiàn)針腳斷裂或疏密不均的情況，可以立即獲取并記錄，用于后續(xù)的分類與處理。同時(shí)，針對背景動(dòng)態(tài)圖像的分析可以減少因設(shè)備震動(dòng)或光線變化導(dǎo)致的圖片噪聲增加。[0071]參照圖1中的S20,S20應(yīng)用于一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)的邊緣特征獲取單元，邊緣特征獲取單元用于構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進(jìn)行識別，通過獲取不同尺度的標(biāo)準(zhǔn)圖像集的圖像亮度，根據(jù)圖像的實(shí)際亮度和梯度分布動(dòng)態(tài)調(diào)整閾值，生成第一邊緣特征集。[0072]進(jìn)一步地，所述圍巾多尺度邊緣檢測模型包括第一圖像預(yù)處理層、多尺度邊緣特征提取層和邊緣特征圖融合層，參閱圖3;[0073]所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度化處理得到第一標(biāo)準(zhǔn)圖像集，灰度化處理可以簡化圖像數(shù)據(jù)，從而突出圍巾特征；對所述第一標(biāo)準(zhǔn)圖像集進(jìn)行高斯濾波平滑處理獲得第二標(biāo)準(zhǔn)圖像集，該過程可以減少圖像中的隨機(jī)[0074]所述多尺度邊緣特征提取層通過對所述第二標(biāo)準(zhǔn)圖像集進(jìn)行多尺度處理，獲得不[0075]所述邊緣特征圖融合層通過將不同尺度的所述邊緣特征圖放大到第一圖像集中[0079]其中，G?(x,y)為第S尺度圖像，(x,y)為邊緣點(diǎn)坐標(biāo)，G?_I(x,y)為第[0084]其中，E(x,y)為邊緣圖像，x為水平方[0091]其中，F(xiàn)為邊緣特征集。緣特征融合算法的優(yōu)化確保了不同尺度下邊表1圍巾瑕疵檢測數(shù)據(jù)表瑕疵類型處理時(shí)間(ms)斷紗穿洞99.1%[0098]參照圖1中的S30,S30應(yīng)用于一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)的圖像[0100]所述第二圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度[0101]所述時(shí)序邊界檢測層通過對所述第一邊緣特征集和所述背景動(dòng)態(tài)圖像進(jìn)行梯度[0104]所述瑕疵邊緣數(shù)據(jù)提取層通過所述圍巾不同區(qū)域時(shí)序分割圖像集，獲取瑕疵區(qū)為所有相鄰像素對集合，為確定像素點(diǎn)p和9是否屬于相同的分割區(qū)域，[0110]參照圖1中的S40,S40應(yīng)用于一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)的瑕疵[0117]其中，為像素點(diǎn)在水平方向的梯度，u為像素點(diǎn)在為像素點(diǎn)在垂直方向的梯度，v為像素點(diǎn)在y方向的運(yùn)動(dòng)速度分量，為像素點(diǎn)在圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)的獲取。通過提取瑕疵邊緣像素點(diǎn)[0119]參照圖1中的S50,S50應(yīng)用于一種基于機(jī)器視覺的針織面料瑕疵檢測系統(tǒng)的瑕疵為在尺度S下瑕疵邊緣的分割數(shù)目，2為瑕疵邊緣的軌跡變化幅度系數(shù)，①?為瑕疵邊緣[0124]其中，n為時(shí)序分割幀數(shù)，(s)為在尺度S下第i個(gè)時(shí)間點(diǎn)瑕疵邊緣的運(yùn)動(dòng)矢[0128]表2圍巾瑕疵優(yōu)先級瑕疵類型復(fù)雜度瑕疵優(yōu)先級斷紗低中中中穿洞高高高高中中[0130]本發(fā)明基于機(jī)器視覺的針織面料瑕疵檢測方法，通過高分辨率相機(jī)實(shí)時(shí)采集圍巾生產(chǎn)過程中的圖像數(shù)據(jù)，并結(jié)合多尺度邊緣檢測模型和梯度信息融合，提取圍巾邊緣特征和瑕疵信息。通過區(qū)域分割模型實(shí)現(xiàn)圍巾不同區(qū)域的時(shí)序分割，同時(shí)結(jié)合光流法獲取瑕疵邊緣的運(yùn)動(dòng)軌跡，進(jìn)一步構(gòu)建復(fù)雜度評估模型量化瑕疵特性，顯著提升了瑕疵檢測的精度和效率。本方法可實(shí)時(shí)分析圍巾生產(chǎn)中的動(dòng)態(tài)變化，自動(dòng)識別和定位瑕疵區(qū)域，生成可量化的瑕疵特征數(shù)據(jù)，為智能化生產(chǎn)質(zhì)量控制提供有力支持。[0132]在現(xiàn)代紡織工業(yè)中，圍巾等針織面料的生產(chǎn)對產(chǎn)品質(zhì)量的要求日益提高，但由于生產(chǎn)工藝復(fù)雜、多樣化瑕疵形態(tài)以及人工檢測效率有限，傳統(tǒng)檢測方法難以滿足大規(guī)模、高品質(zhì)生產(chǎn)的需求?；诖?，本發(fā)明通過創(chuàng)新的檢測方法和模型設(shè)計(jì)，提升檢測的精度與效率，為面料生產(chǎn)過程中的質(zhì)量管控和自動(dòng)化生產(chǎn)提供有力支持。[0133]本發(fā)明還提出一種利用機(jī)器視覺技術(shù)的針織面料瑕疵檢測系統(tǒng)，如圖2所示，包[0134]數(shù)據(jù)獲取單元，用于通過高分辨率相機(jī)實(shí)時(shí)采集圍巾的生產(chǎn)過程數(shù)據(jù)，獲得第一圖像集；所述第一圖像集包括圍巾生產(chǎn)實(shí)時(shí)圖像和背景動(dòng)態(tài)圖像；[0135]邊緣特征獲取單元，用于構(gòu)建圍巾多尺度邊緣檢測模型對所述第一圖像集進(jìn)行識別，通過獲取不同尺度的標(biāo)準(zhǔn)圖像集的圖像亮度，根據(jù)圖像的實(shí)際亮度和梯度分布動(dòng)態(tài)調(diào)[0136]圖像分割單元，用于將所述背景動(dòng)態(tài)圖像和所述第一邊緣特征集進(jìn)行梯度信息融合，構(gòu)建圍巾區(qū)域分割模型；通過所述圍巾區(qū)域分割模型對所述圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行分割，獲得圍巾不同區(qū)域時(shí)序分割圖像集和圍巾瑕疵邊緣數(shù)據(jù)；[0137]瑕疵軌跡獲取單元，用于通過光流法對所述圍巾瑕疵邊緣數(shù)據(jù)和所述時(shí)序分割圖像集進(jìn)行實(shí)時(shí)分析，獲得圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)；[0138]瑕疵邊緣復(fù)雜度獲取單元，用于構(gòu)建圍巾瑕疵邊緣復(fù)雜度評估模型對所述圍巾時(shí)序邊緣瑕疵軌跡數(shù)據(jù)進(jìn)行分析，通過綜合分析瑕疵邊緣的軌跡變化幅度、軌跡平滑性以及時(shí)序連貫性，獲取圍巾瑕疵邊緣的分形維數(shù)；所述圍巾瑕疵邊緣的分形維數(shù)具體計(jì)算公式為在尺度S下瑕疵邊緣的分割數(shù)目，入為瑕疵邊緣的軌跡變化幅度系數(shù)，Φ,為瑕疵邊緣的軌跡平滑性指標(biāo)；[0141]基于所述圍巾瑕疵邊緣的分形維數(shù)，獲取圍巾瑕疵邊緣的復(fù)雜度。[0142]進(jìn)一步地，所述圍巾多尺度邊緣檢測模型包括第一圖像預(yù)處理層、多尺度邊緣特征提取層和邊緣特征圖融合層；[0143]所述第一圖像預(yù)處理層通過對所述第一圖像集中的圍巾生產(chǎn)實(shí)時(shí)圖像進(jìn)行灰度