基亏小波神经网络的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测上。在融合罔像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类。结果表明：对帘子布常见疵点如油污、破洞、抽经、断纬等能比较准确地识别。     

基于机器视觉的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测的方法。该方法是在融合图像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类。实验结果表明,对帘子布常见疵点如油污、破洞、断经、断纬等能比较准确地识别。     

一种帘子布疵点检测新方法

帘子布作为一种特殊纺织品,其外形的不确定性给疵点的自动识别带来了困难。针对帘子布的纹理特点,提出了一种参数优化的第三代人工神经网络(PCNN)模型,利用此模型对帘子布疵点特征值进行提取,然后用BP神经网络实现帘子布疵点检测。实验表明该方法可准确检测帘子布中劈缝、浆斑、经线粘连、颜色不均、稀经、断经和断纬七种疵点,具有分类准确、识别速度快的优点。     

基于一维最优Gabor滤波器的帘子布疵点检测算法

传统的二维Gabor滤波器用于帘子布疵点检测非常有效,但计算量巨大,为此提出一种快速自动检测帘子布疵点的方法。通过一维环形投影变换把一幅二维灰度图像压缩成一维形式,然后使用一维最优Gabor滤波器检测嵌入在帘子布均匀纹理中的疵点。采用粒子群优化算法进行一维Gabor滤波器最优参数的求解。假设图像大小为N×N,滤波器窗口为W×W,计算的复杂度可以显著地从二维Gabor空间的O(W2N2)到一维Gabor空间的O(WN2),并用实验验证了该方法的有效性。     

基于小波分析与纹理能量变换的织物疵点检测

为了准确检测织物疵点,将含疵点织物图像进行二维小波分解,在小波分解后的经向和纬向子图上将图像分成大小相同的矩形局部重叠窗口,对矩形窗口进行laws纹理能量变换,并将变换结果与给定的阈值进行比较,进而检测和识别出疵点.试验证明,该方法对素色织物的断经、缺纬具有快速、准确的检测效果,也可以检测双经、双纬等疵点.     

机械图像处理技术在织物疵点检测中的应用

提出了一种基于机械图像处理技术的织物疵点检测新方法.首先对采集的织物图像进行小波变换,对增强后的疵点图像采用最佳阈值分割和形态学运算,最后对织物疵点进行边缘检测.比较表明,新方法优于经典的边缘检测方法,对织物疵点边缘检测更为有效.     

锦纶66帘子布织造边部断经的原因分析和改进措施

本文对轮胎骨架材料锦纶66帘子布织造边部断经原因进行了详细分析,阐述了制定的预防方法和解决措施,使产品明显降低了边部断经疵点,有效的提高了帘子布质量.     

帘子布缺纬疵点原因及预防探讨

本文就有梭帘子布织机造成缺纬的原因进行全面分析,结合实际生产,提出了有效的预防解决措施,减少了帘子布缺纬疵点,提高了帘子布布面质量。     

纬编针织物疵点的实时检测

 本文构建了图像采集,数据信号处理和光源的纬编针织物疵点实时检测系统.针对纬编针织物部分疵点在图像上灰度分布明显,但形状不规则的特点,使用了细胞神经网络对疵点进行分割;对于灰度差异较小,却呈线形状分布的疵点,引入线检测的方法,使用Radon变换定位疵点的位置.实验表明,该算法可以有效的检测出破洞,漏针,飞花,跳纱,横路和花针等纬编针织物疵点.     

基于Gabor小波变换的运动织物疵点三维检测

本文提出了一种基于Gabor小波变换的运动织物疵点三维检测的方法,此方法通过采用SFS(Shape FromShading)算法为基础,从单张图像中获取疵点的三维信息,采用的Gabor小波变换方法实现了空间域和频率域的最佳定位,使得疵点图像被增强,正常纹理图像被减弱,从而可以提取图像疵点的局部细微变化特征,为获取更加准确的疵点三维信息和实时在线检测织物提供了很大帮助。实验结果表明此方法可以有效的获取织物疵点的三维形貌且简单快捷,误差较小,能达到实时性的要求。     

小波分析在织物缺陷检测中的应用

对于织物缺陷的检测，可以使用多种不同的图像处理技术．而具有多分辨特性的小波变换是一种分析图像的新方法，它的变尺度特性与人类视觉中的空间频率多通道相吻合．使用小波分析的方法对3种织物缺陷进行检测分类．首先将织物图像进行3层小波分解，然后把小波分解后的图像灰度值作为特征参数输入到BP神经网络进行检测识别，实验结果表明，用这种方法识别织物缺陷识别率可达到98％。     

Identification of fabric defects based on discrete wavelet transform and back-propagation neural network

Detection of fabric defects can be considered as a texture segmentation and identification problem, since textile faults normally have textural features that are different from features of the original fabric. A feasible approach for the recognition of fabric defects based on discrete wavelet transform and back-propagation neural network is proposed in this article, the indispensable processes of which are defect image preprocessing, wavelet transform, feature extraction, principal component analysis of the extracted feature parameters, and defect identification. Under the experimental condition, the average recognition accuracy of defects and nondefects are 99.2% and 100%, respectively. Experimental results show the advantages with high identification correctness and high inspection speed.     

基于神经网络的织物疵点识别技术

因织物组织繁多,表面特征各异,很难建立一个统一的织物疵点识别模型。为了解决这一问题,实现自动验布,提出采用双层神经网络和小波变换来识别织物疵点的方法。先对正常织物进行训练,得到织物的特征,应用第1层简单BP网络来分辨正常织物和疵点。然后对疵点图像进行二维离散小波变换,并去除织物本身的特征,利用已训练的BP网络进行具体疵点识别。试验证明,这种方法的准确性较高,速度快,基本接近自动验布系统的要求。     

Adaptive detection of weft‐knitted fabric defects based on machine vision system

This paper describes a machine vision system for the detection of weft‐knitted fabric defects based on an adaptive pulse‐coupled neural network (PCNN) and Ridgelet transform. In order to classify defects according to their different texture features, two methods are implemented: an improved PCNN method to segment the defects such as hole and dropped stitch from background image and a Ridgelet transform method based on wavelet analysis to identify the defect such as course mark. In implementing the PCNN model, necessary parameters of PCNN model such as linking coefficient, connection weight, and iteration number are automatically calculated in accordance with the spatial distance of neurons, mean, and variance value of whole image, and the cross‐entropy criterion. The function of Ridgelet transform is to identify the straight line marks and fit the regression equation for simulating the course mark in the image. The Ridgelet transform model can be simplified as the combination of Radon and wavelet transforms. The parameters of detected line are acquired by wavelet analysis in Fourier semicircle region. The experiment materials were several plain and interlocked weft‐knitted fabrics with hole, dropped stitch, and course mark defects. The fabric images were captured by an area‐scan camera with a resolution of 600 × 800 pixels, and signal processing was controlled by a digital signal processing multiprocessor on the inspection machine. The validation tests proved that the system performed well.     

Development of a machine vision system: real-time fabric defect detection and classification with neural networks

In this study, a machine vision system is developed to achieve fabric inspection and defect classification processes automatically. The system consists of an image acquisition hardware and an image processing software. A simple and portable system was designed so that it can be adapted easily to all types of the fabric inspection machines. The software of the system consists of defect detection and classification algorithms. The defect detection algorithm is based on wavelet transform, double thresholding binarization, and morphological operations. It was applied real time via a user interface prepared by using MATLAB^® program. The defect classification approach is based on gray level co-occurrence matrix and feed forward neural network. Five commonly occurring defect types, warp lacking, weft lacking, soiled yarn hole, and yarn flow, were detected and classified. The defective and defect-free regions of the fabric were detected with an accuracy of 93.4% and the defects are classified with 96.3% accuracy rate.     

丝织物疵点智能化判别

主要对平纹、斜纹和缎纹组织丝织物的一些常见疵点，如档疵、缺纬、缺经、重纬、油污等进行了智能化判别。先用SONY数码相机在黑色的背景下对疵点进行了拍照得到了图像数据，然后用一系列图像预处理法，如直方图处理变换增加了织物图像的对比度、用计算得到的阈值对织物进行了二值化处理、滤波方法消除二值化处理后图像噪声等，从织物纹理分离出疵点部分，得到了可以分析的织物疵点图像。用灰度统计法对预处理得到的织物疵点图像进行了分析，得到了织物各疵点基本特征值信息。织物疵点智能化判别是用BP神经网络进行的，首先对BP神经网络进行了训练，然后将灰度统计法得到的疵点特征值信息输入到BP神经网络，对疵点进行了分类。     

基于人工神经网络的织物疵点聚类分析

本文提出了一种基于人工神经网络的织物疵点分类方法。首先利用灰度共生矩阵提取织物疵点图像的纹理特征参数;然后阐述前馈BP神经网络的拓扑结构,并提出该网络的具体训练过程;最后利用人工神经网络对真实织物疵点样本进行分类,实验采用五类织物样本,网络训练完成后得到实际分类的疵点数据,并利用该数据进行织物疵点分类,分类的准确率达到100%,从而验证了该方法的可行性。     

基于卷积神经网络的机织物密度均匀性检测

针对目前基于机器视觉的机织物密度自动检测时织物检测视野小、精度低、品种适应性差的问题,提出一种基于多尺度卷积神经网络的检测方法。首先设计了一套离线图像采集系统连续采集织物图像,并建立一个包含详细织物参数的织物图像数据集;然后采用一种具有不同大小局部感受野的多尺度卷积神经网络适应不同大小的织物结构特征,定位纱线位置;最后利用霍夫变换及灰度投影方法处理网络模型所预测的纱线位置图,计算织物经纬密度,并对织物密度均匀性做出评价。结果表明:与其他方法相比,本文方法对于不同类型织物的经纬密度计算误差小于2%,检测精度更高,品种适应性更强。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。