织物疵点自动识别技术在毛纺中的应用

为了实现自动验布，摆脱人工验布的种种缺点，介绍了采用神经网络和图像处理技术识别织物疵点的准确性和可行性，把疵点主要分为破洞、断经、断纬、油渍、筘路等5类，使用灰度统计量法对疵点图像进行处理，然后应用BP网络对其进行分类识别。实验证明该方法的准确性高、速度快，符合自动验布系统的要求。同时文章还讨论了该技术在毛纺企业的应用前景。     

基于BP神经网络织物疵点检测识别

根据疵点的特征对简单的织物疵点进行识别，先采用直方图均衡化、小波分解、二值化等方法对织物图像进行一系列的预处理，然后提取出织物疵点的特征值，再利用3层BP神经网络对织物疵点进行训练识别分类，试验结果表明识别率达95％。     

基于光电自动验布机视觉系统的织物疵点检测

为了提升织造织物质量、提高验布效率,介绍FS220型光电自动验布机的工作原理,以及特征明显织物疵点和特征不明显织物疵点的检测流程,对其采用的傅里叶变换与高斯滤波相结合的疵点检测算法和Sobel算子与Laplace算子相结合的疵点检测算法进行分析;对比分析纺织厂使用FS220型光电自动验布机与人工验布的结果。指出:采用多算法混合检测的FS220型光电自动验布机验布速度快、疵点的正检率高,可有效替代人工验布、节约人工成本,提高织物质量和企业经济效益,可促进织物疵点检测的数字化、智能化发展。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

BP神经网络在织物疵点识别中的应用

 采用3层BP神经网络对织物疵点进行识别,提出织物疵点识别网络不适宜规则,将其应用于隐含层神经元个数选择和训练方法筛选,以优化网络结构,提高训练速度和网络识别精度,设计出较优的织物疵点识别网络。将丝织物中常见的断经、断纬、重纬、档疵、破洞和油污6类疵点作为识别样本,对按照网络不适宜规则设计的网络进行测试。从识别结果来看,BP神经网络可以满足织物疵点识别需要,且具有正确识别率高,识别速度快的优点。     

基于小波熵的织物疵点检测方法

探讨利用小波熵检测织物疵点的新方法。在采用二维离散小波变换对织物图像进行分解的基础上，引入了熵的概念，将小波熵作为织物图像的特征值，把熵值看作系统紊乱程度的度量，由此得到织物图像的小波熵特征值，通过与正常织物经过二维小波变换后提取的小波熵值相比较，熵值大者即认为有疵点存在。通过对不同组织织物和几种典型的织物疵点进行检测，试验结果表明该方法有效可行。     

基于尺度变换的Gabor滤波器织物疵点检测

针对织物表面疵点自动图像检测问题,提出一种基于尺度变换的Gabor滤波器织物疵点提取方法,该方法使Gabor滤波函数的比例伸缩尺度随中心频率而变化。用Gabor尺度变换的3个尺度和4个方向的滤波器组分别与正常和待识别的疵点织物图像进行卷积,提取正常与异常织物纹理特征,从而得到偏差图像。再对偏差图像进行融合,使织物疵点突显出来。最后通过阈值处理检测出织物疵点。对缺经、缺纬、经纬交错和油污4种常见织物缺陷的实验结果表明,这种方法是有效的。     

基于改进的小波分解织物疵点检测

采用小波分解的改进方法，运用二维离散小波变换进行分解，有效地从图像中提取信息，分析织物的纹理特征并进行相应处理，实现目标图像的特征提取和输入LMBP神经网络进行学习训练。实验结果表明，对油污、破洞、断经、断纬能比较准确地识别和定位，可快速有效地进行织物疵点检测。     

基于人工神经网络的织物疵点检测

根据疵点的特征对常见织物疵点进行了简单的划分。采用直方图均衡化、二值化、中值滤波、腐蚀和膨胀等方法对织物图像进行一系列的预处理，对织物疵点的特征参数进行提取，利用人工BP神经网络来判别疵点的类别并进行分类。结果表明，利用BP神经网络识别织物疵点并进行分级是行之有效的。     

织物疵点自动检验系统的发展和展望

总结织物疵点自动检验系统的发展概况。指出了传统人工验布存在的主要问题;回顾了国内外自动验布技术的发展概况;对织物疵点的分类和检测要求进行了介绍;探讨了自动验布系统的功能和相关技术,并展望了自动验布技术的前景。认为:使用自动验布机,可提高劳动生产率;自动验布机是纺织产业升级、摆脱劳动密集型的重要措施,是今后发展的必然趋势。     

基于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.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.     

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％。     

基于图像线灰度和BP神经网络的织物疵点检测

探讨织物疵点自动检测的方法。通过对4种常见织物疵点的图像进行线灰度曲线分析和处理,提取疵点图像的特征值,送入BP神经网络进行识别,从而实现织物疵点的检测。试验结果表明,该方法取得了较好的检测效果,织物疵点识别率达到93%以上。认为,此法能够有效识别出织物中的几类常见疵点,应进一步研究,以提高其识别准确率。     

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.     

基于人工神经网络的织物疵点聚类分析

为解决织物疵点分类过程中由于人为因素造成分类准确率不高的问题,提出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5类织物样本,网络训练完成后得到实际分类的...     

基于计算机视觉的织物疵点自动检测方法研究

为了快速、准确地检测织物上存在的疵点,提出了一种基于计算机视觉的织物疵点自动检测方法。用具有高分辨率的CCD摄像头,在可移动云台及可调标准光源的照射下,捕获织物图像,存储至计算机;采用能量、方差、熵、极差、对比度作为特征值,进行织物图像的特征值提取与归一化处理;基于小波分析方法,提出自动选择子图像的小波重构方法,将织物图像中的疵点部分分离出来进行定位、识别。经试验证明,该方法具有检测速度快、定位准确等优点。     

基于遗传规划的织物自适应正交小波基的构造和优化

 为了实现机织物疵点的自动检测,文章在构造织物自适应正交小波库的基础上,运用遗传规划算法,将构造的小波库作为群体规模,对遗传规划算法四种不同的适应度函数进行优选后,从群体规模中优化出与织物纹理相匹配的小波基。研究结果表明,以织物纹理波动为适应度函数得到的小波基与织物的匹配性较好。试验验证了该方法对相关疵点检测的有效性,并采用窗口分割法对织物疵点进行定位,表明采用遗传规划算法结合适应度函数优选的方法,能够找到与织物纹理相适应的最优小波基,实现织物疵点的自动检测。     

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。     

应用小波域高斯差分滤波的起球疵点客观评价

受织物背景纹理多样性以及起球疵点特点的影响,传统的图像处理算法难以满足起球疵点自动检测和客观评价需要,为此,提出一种基于小波域的高斯差分滤波起球客观等级新方法。首先,对起球疵点图像进行小波多层分解,实现周期性背景纹理信息与起球信息的分离;然后,选择合适的小波分解子图进行高斯差分滤波,消除噪声以及光照不均等缓变的背景信息,提高起球信息的显著度;在此基础上,根据起球特征设定阈值对起球疵点图像进行分割,并提取起球特征;最后,通过人工神经网络进行起球疵点客观等级评价。研究结果表明,本文方法用于起球疵点客观等级评价是可行且有效的,具有较强的抗干扰能力。