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。     

基于图像最大熵的织物疵点检测方法

对织物表面疵点自动识别方法进行了探讨.将信息熵引入图像处理中,先通过最大熵快速迭代算法对织物疵点区域进行分割,把疵点图像分为背景和目标两部分;然后找出疵点区域的中心并求出疵点区域在纬向和经向上的方差;最后通过两者的比值与设定常数的比较,判断出疵点类型.仿真实验表明该方法对常见织物疵点的检测是有效的.     

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.     

应用Gussian回代交替方向图像分解算法的色织物疵点检测

针对传统的人工织物检测方法效率低,稳定性差,处理速度慢的问题,提出了基于Gaussian回代交替方向(ADMG)图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作,以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法,将色织物图像分解为疵点部分u和纹理部分v。最后,应用二维Otsu阈值方法将图像的疵点部分u分割,识别织物图像上的疵点。实验结果表明:通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的,可得到满意的识别结果。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于总变差的织物疵点分割方法

为解决当前机织物疵点检测方法精度不足的问题,提出了基于总变差模型的织物疵点分割方法,并着重分割经纬向尺寸小且异常不显著的疵点。首先应用奇异值分解低秩重建的方法将织物纹理背景去除,获取疵点异常图;然后通过构建总变差模型对疵点异常图进行最优化求解处理,得到不同约束下的疵点增强图;最后通过常规分割算法实现疵点的准确分割。实验结果表明:经总变差模型处理后的疵点异常图,其疵点与背景的可分割性得到显著提升。通过讨论总变差模型的参数对分割结果的影响,进一步验证了基于总变差的织物疵点分割方法的有效性和稳定性。     

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。     

基于Frangi滤波器的织物疵点检测方法

提出了一种基于Frangi滤波器的织物疵点检测方法。该算法首先对样本织物图像进行均值下采样处理,淡化和消除背景纹理对织物疵点检测的影响,然后将均值下采样处理后的图像经Frangi滤波器进行滤波,从而增强织物疵点部分以利于疵点的分割,最后对Frangi滤波后的图像进行阈值分割,分割出织物疵点部分。采用该算法对6种纹理织物进行处理,检测出26种疵点,92%的疵点能被准确的检测和定位,误报率为8%,检测效果较好。     

基于非下采样Contourlet变换的织物疵点检测方法

提出了一种基于非下采样Contourlet变换的织物疵点检测新方法。首先对织物疵点图像进行非下采样Contourlet变换(NSCT)得到一个低频子带和多个高频子带;然后通过代价函数在高频子带中挑选最优子带并阈值化,同时对低频子带采用非线性增益函数进行增强及阈值化处理;最后将经上述处理后的低频子带与高频子带进行融合与分割,以二值图像的方式从织物背景中提取出疵点。对比实验结果表明,该方法具有较高的检出率及良好的适应性。     

基于曲线拟合的织物疵点检测方法

由于以CCD数字摄像机获取的图像质量易受光照、噪声及组织纹理等因素的影响,使织物图像疵点分割成为织物疵点检测的难点,提出一种基于曲线拟合的疵点检测方法。利用线扫描方式逐行获取图像信息,采用最小二乘拟合方法削弱疵点信号对所获图像信号的影响,从而将拟合曲线作为标准无疵点的参照与原始图像信号相减,得到疵点信息。运用LabVIEW编程工具,选取了疵点织物图像进行测试验证,结果表明,本方法对常见的织物疵点具有快速、准确的分割结果。     

自适应局部二值模式算法及其在织物疵点检测中的应用

为了能够准确地提取不同纹理的特征,提出一种新的纹理特征提取方法,自适应局部二值模式为不同纹理特征创建相应的主要概率模式子集,避免了均匀局部二值模式使用同一模式集描述不同纹理结构而导致的描述不准确问题.在该算法基础上构建一种新颖的织物疵点检测算法,使用本文提出的特征提取方法获取无疵点织物图像特征并确定疵点判断阈值,然后将待检测织物图像分割为大小相同的检测窗提取特征后,与阈值比较以判断是否为疵点区域.实验证明此算法不仅保持了传统LBP的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加细腻、误检率更低、适用范围更广.     

基于奇异值分解的机织物瑕疵检测算法

针对现有算法对不同机织物纹理适应性和实时性不佳的问题,本文提出了一种基于奇异值分解（SVD）的机织物瑕疵检测。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。本文重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4693个样本的实验,结果表明,本文所提算法能够使误检率小于10%,检出率大于90%。与AR模型算法进行实验比较,本文所提算法在检测精度和实时性上都优于AR算法。     

应用局部纹理特征的无监督织物瑕疵检测算法

针对当前算法对种类繁多瑕疵,尤其是经纬向瑕疵适应差问题,提出一种应用局部纹理特征的无监督织物瑕疵检测算法。这种算法采用无监督检测方案,检测过程中不需要参考样本。在检测过程中,首先根据瑕疵稀少性特点,直接从整体织物图像中获取表征局部织物纹理的局部二值模式直方图特征;然后利用机织物经纬交织特点对局部织物图像沿经纬向投影,并在此基础上提取特征;最后计算所提取特征的瑕疵异常图,并对其进行权重方式融合后实施阈值分割,实现瑕疵检测。实验结果表明,所提出的投影特征能有效表征局部织物纹理,与局部二值模式特征结合使用能有效检测织物瑕疵。     

织物表面疵点自动检测方法研究

针对织物表面质量检测仍处于人工检测的现状,根据织物疵点破坏织物固有纹理组织结构,体现为灰度值纵向或横向频率变异的特点,提出一种疵点自动检测方法。该方法先由织物组织循环结构确定大小两个检测窗口的尺寸,然后通过合适的离散小波基把试样分解成含经向细节和纬向细节的两个子图,分别统计两者能量和后分离出低频的疵点信息。该方法简单易行,漏检率低,适应于大多数方向性、块状类疵点的检测。     

基于图元分割与Gabor滤波的织物瑕疵检测方法

为实现含复杂图案织物的自动化检测,提出基于图元分割与Gabor滤波的织物瑕疵检测方法,对具有复杂周期变化图案的织物进行检测。根据图像纹理的周期变化规律,确定图案单位模板大小,即包含一个周期图案的晶格。对图像进行自适应分割,并通过图元分割获得单元图像元素。通过Gabor滤波器生成特征的响应分布,获取理想的模板晶格,根据提出的投票程序,通过分析其特征向量的Manhattan根据距离图元晶格差异的分布来识别瑕疵图元晶格。实验结果表明:检测方法对星形和箱形图案的织物样本数据集上检测效果较好,显著提高了样本的查全率。     

基于奇异值分解的双算法织物缺陷检测

针对难以有效地同时检测洞形缺陷和线形缺陷问题,提出一种基于奇异值分解的双算法织物缺陷检测方法。该方法首先对图像进行奇异值分解,通过对原图与特征值图进行布尔差集运算消除背景纹理并保留缺陷区域;然后采用均值滤波、直方图均值化及方差阈值滤波消除纹理及噪声点的干扰;接着通过形态学处理确定缺陷位置;最后采用面积阈值和方差阈值的方式获取线形缺陷和洞形缺陷。实验结果表明：该方法不仅能够有效地检测洞形缺陷,而且在检测线形缺陷上也有很好的表现,并在准确率上明显高于传统算法,证明了本文算法的有效性和多用途性。     

纺织面料经柳疵病等级的计算机自动鉴别研究

尝试了实现对织物经柳疵点的计算机客观鉴别。以涤纶经二重织物的布面经柳疵点为研究对象,利用计算机对不同严重程度的经柳布样进行视觉化、数据化处理。通过提取图片像素灰度值,并经观察和统计分析,得出图片列间像素的灰度值具有明显的统计分析意义。同时结合经柳的主观评判,建立了一套客观量化经柳疵点的评判方法及指标,提出了一种新的研究思路。     

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。     

应用上下文视觉显著性的色织物疵点检测

为实现色织物疵点的有效检测,提出一种应用上下文视觉显著性的疵点检测方法。根据上下文视觉显著性的原则,将织物图像分为大小相同的图像块;然后针对每个图像块,选取K个与其最相似的图像块计算与该图像块的差异值之和,用该差异值之和表示该图像块中心像素的显著性;从而生成一幅视觉显著性图;最后对显著性图进行阈值分割,得到色织物疵点的检测结果。为验证该算法的有效性,将带有纬缩、破洞和跳花等区域性疵点的素色、条纹和格子色织物图像作为样本进行检测。结果表明:该方法可较好地抑制不同种类织物的纹理背景,突出疵点区域,实现疵点的有效检测,该方法在色织物疵点检测上具有一定的可行性。