基于计算机视觉的织物疵点检测

织物疵点种类繁多,建立织物疵点自动检测系统需要强力高效的检测算法。基于织物表面特征的疵点检测方法可分为三类：统计方法,频谱方法和基于模型的方法,本文通过对现有的疵点检测方法实用性的分析综述表明,三种方法相结合比单一算法更有效。     

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。     

基于机器视觉的织物疵点检测技术探讨

针对传统人工视觉检测技术的缺陷,建立一种基于机器视觉的织物疵点检测技术方案。在深入讨论检测系统硬件设计的基础上,重点讨论了织物疵点检测流程、获取织物特征的拟合方法、疵点特征提取流程、织物疵点分类与织物等级评定等。同时,讨论了织物疵点自动检测系统实际应用时应注意的几个关键问题。为快速、准确、有效的检测织疵,提升检测技术水平和加强产品质量控制,具有十分重要的现实意义。     

基于机器视觉和图像处理的织物疵点检测研究新进展

按照被检测的织物类型并根据当前研究中所使用的方法,简要综述了近年来基于机器视觉和图像处理的织物疵点检测系统新的应用和发展情况。首先分析了织物疵点自动检测研究的理论和现实意义。给出了织物疵点检测系统中视觉图像获取和疵点图像检测两个关键部分的架构。说明了迫切需要进行检测的两类织物白坯布和色织布,着重讨论了对这两类织物进行疵点检测的各种新方法,并详细说明了其检测效果和存在的不足。最后给出了疵点检测研究的几点建议。     

基于改进型PCNN的织物疵点检测的研究

针对织物表面疵点区域的纹理与正常织物表面纹理在图像空间域中灰度分布的不同，提出了基于PCNN的织物疵点自动检测方法，并根据织物表面疵点检测的要求，从理论上分析和讨论了PCNN模型的改进，同时给出了仿真实验结果，验证了该方法的有效性，与已有的织物疵点检测方法相比，它具有定位准确、适应性强等特点。     

纹理织物疵点窗口跳步形态学法检测

针对纹理织物疵点自动检测时因生产速度快造成的织物抖动以及检测速度难以匹配问题,提出窗口跳步形态学法纹理织物疵点检测算法。使用该算法对图像进行窗口分割及预处理后,首先对纹理织物图像的纹理特征进行分析,然后设计形态学算子进行腐蚀操作,最后使用连通域分析来确定疵点大小及位置。仿真实验及工厂实际应用表明,该算法可有效克服工业生产中纹理织物抖动造成的图像明暗不均,可检测出纹理织物中存在的破洞、经纬疵点、污渍、断线、折痕和结头等各种疵点,而且检测速度明显优于快速傅里叶变换特征点算法以及传统形态学检测算法。实时检测速度超过80 m/min,疵点检测精度为0.1 mm,满足实际生产需求。     

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。     

基于纹理滤波与局部熵的织物疵点检测

针对织物疵点检测中织物纹理常被误认为噪声而给疵点自动检测造成很大干扰的问题,以织物纹理和疵点频谱的不同分布为依据,提出了一种结合纹理滤波和局部熵的织物疵点检测方法。通过频域滤波降低织物纹理的干扰,然后再结合局部熵与领域操作实现疵点的自动检测,并提取相关特征参数。     

一种基于OpenCV的织物疵点检测方法

在织物疵点自动检测开发中,传统的图像处理代码编写繁琐、效率不高.OpenCV具有较强的图像处理能力且提供了丰富的图像处理函数,可以把OpenCV运用到织物疵点检测上.以断经、纬疵样本为例,提出在OpenCV环境下采用阈值分割提取疵点图像,利用形态学技术实现噪点分离及断线连接.边缘检测实现了疵点图像在原图像中的准确定位.实验结果表明,OpenCV有简化代码、提高编程效率的图像处理强大功能,疵点检测结果准确,效率高.     

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。     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

Fabric defect delaminating detection based on visual saliency in HSV color space

Due to a large variety of fabric defects, the traditional detection method is difficult to meet the needs of dynamic detection that include all kind of defects. In order to enhance the effect of fabric defects detection, this paper proposed a dynamic delaminating detection method that fabric defects in the HSV color space are detected according to the fabric defect saliency. The idea is simulating the human visual system, and gradually enhancing the saliency of fabric defects through the data-driving. By the way, different types of defects are highlighted in different layers. At the same time, some task factors are used to drive form detection interest region in each layer. Then all kinds of defects are delaminated detection by setting a threshold in different layers. Experiments show that the proposed algorithm can accurately detect all kinds of defects, and have a strong universality for various types of defect detection. It can provide a possibility for the realization of fabric defects automatic detection.     

面向织物疵点检测的图像处理技术研究进展

随着对纺织工业产品质量要求的提高以及传统疵点检测方法存在局限性,基于图像处理技术的织物疵点自动检测技术得到了快速的发展。为提高图像处理技术的应用效率,实现纺织行业的数字化与智能制造,介绍了织物图像的预处理技术,对织物疵点检测的主流方法进行了总结,包括基于结构、统计、频谱、模型和学习的方法,并对这些方法的检测原理做了概括,分析了其优缺点与适用范围;介绍了现有成品检测设备,对比分析了仪器和系统处理技术的优缺点;最后,梳理分析了现有的图像处理技术在纺织工业应用中所面临的难题,并提出了对未来发展的构想。     

应用积分图的织物瑕疵检测快速算法

为解决现有基于图像处理的织物瑕疵检测算法实时性较差、正确率偏低等问题,提出一种包含学习和检测2个阶段的瑕疵检测算法。通过对无瑕疵模板图像的梯度能量特征及其分布特性的学习,自适应获得检测阶段所需的参数。一方面利用积分图原理将任意大小的图像块内的求和运算化简为三次加法运算,快速提取织物图像的梯度能量特征,实现织物瑕疵的实时检测,另一方面利用核函数拟合特征参数分布,结合均值漂移法求解分布峰值获得自适应的瑕疵判定阈值参数,实现织物瑕疵的准确分割。通过实验将本文算法与现有基于局部二值模式特征、小波特征、规则带特征等算法进行对比,针对包含3种纹理6类瑕疵的织物图像数据集的测试结果显示,本文算法平均处理时间为56ms,正确率为97%。     

Fabric defect detection based on the saliency map construction of target-driven feature

In inspection of fabric surface quality in production line, small defects have to be detected in a large background. In this paper, a new method is put forward to detect fabric surface defect by target-driven features. First of all, surface defect feature of fabric is analyzed; and then, area feature of and number feature of defects are used as tasks, which drive to enhance saliency of defective regions and to form feature saliency maps; finally, by using threshold segmentation, fusion, and filtering, fabric defect is gained from the feature saliency maps. Experiments show that the detection algorithm, compared with classic defect algorithm, can achieve accurate segmentation of the surface defects, better anti-noise ability, higher detection accuracy, which has a strong applicability on the fabric defect detection, and provides the possibility for realizing automatic detection of textile industrial product surface defect.     

应用最优Gabor滤波器的经编织物疵点检测

针对经编织物疵点自动检测问题,提出了一种新的基于最优Gabor滤波器的经编织物疵点检测方法。具体可分为学习阶段和检测阶段;在学习阶段,对于无疵点的经编织物图像构造可调制的二维Gabor滤波器,采用量子行为粒子群优化(QPSO)算法对Gabor滤波器的参数进行优化,得到与无疵点的织物图像纹理特征最匹配的Gabor滤波器参数;在检测阶段,由学习阶段得到的最佳参数构造Gabor滤波器,用该滤波器对待检测织物图像进行卷积处理,然后再对得到的卷积图像进行二值化处理,最终识别出待检测织物是否有疵点存在。结果表明,该方法的检测率可以达到96.67%,具有很好的稳定性和鲁棒性,适合应用于工业生产。     

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。