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。     

基于灰度-游程累加的皮革缺陷自动检测

针对目前我国皮革产品生产中质量检测技术落后、检测效率较低的情况,提出了一种基于灰度-游程累加模型的图像缺陷检测方法。该方法利用了图像的灰度信息和灰度游程长度信息,通过计算图像的灰度差值和累加游程,从而计算出每个像素的灰度-游程累加值,来确定划分缺陷和背景部分的阈值。实验结果表明,该方法能有效地分割出纹理图像上区域特性不同的区域,且分割效果优于等灰度游程矩阵和灰度共生矩阵,其精确度达到每个象素点。     

基于复合条件的织物纹理模糊识别

提出一种新的基于复合条件的模糊识别方法完成对织物图像的纹理提取。首先对整个图像灰度级分析,确定行与列灰度波的标准模糊集,然后给出基于灰度大小及像素位置的复合条件隶属度计算公式,对行与列的灰度波进行模糊分类,使其转换为仅有2个灰度极值的纹理灰度波。最后将所有纹理灰度波组合还原成二值纹理织物图像,为后续密度识别、纹理均匀度识别及疵点识别等图像分析提供基础。实验与分析结果显示,本文算法通过对灰度波的模糊划分,提取仅用2个灰度值表示的织物二值纹理图像,形成具有脉冲特征的纹理灰度波,可为后续织物图像各参数分析提供简单有用的织物纹理数据模型。     

基于聚类的SAR图像灰度特征提取算法

SAR(合成孔径雷达)图像包含大量相干斑噪声,用传统灰度特征提取算法提取其灰度特征,不能有效反映地貌边缘特征和纹理细节,文中提出一种基于聚类的SAR图像灰度特征提取算法,有效保护了灰度特征中的边缘和纹理细节,实验结果表明,该算法提取的灰度特征值更能接近真实地貌。     

基于PCNN的织物疵点识别研究

根据织物表面图像的灰度强度和织物疵点图像的灰度强度的不同 ,运用PCNN对织物疵点进行自动检测。从理论上分析PCNN模型 ,并用其对织物疵点进行特征的提取 ,证明PCNN在自动检测过程中的适用性 ,以及PCNN模型中迭代次数对实验结果的影响。     

基于相似性定位和超像素分割的织物疵点检测

为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。     

一种基于像素清晰度的NSCT域多聚焦图像融合方法

针对非下采样Contourlet变换等多分辨率方法在图像融合过程中需要对源图像进行分解和重构,有可能改变源图像可靠信息等问题,提出了一种基于像素清晰度的NSCT的空域多聚焦图像融合方法.该方法根据HVS对局部对比度的敏感性和方向选择性,以及有用信息和噪声在NSCT域中的分布特点,引入局部方向对比度和方向向量的概念,用于衡量像素清晰度;然后通过比较多聚焦图像相应位置像素的清晰度,以选择模式决定融合图像的像素取自哪幅源图像.实验结果表明,该方法不仅能够从源图像中提取更多的有用信息,而且能够避免人为信息或高频噪声的引入,图像融合效果优于传统方法.     

基于图像的织物速度非接触测量方法

织物运行速度是纺织工业中的重要工艺参数,传统测量方法采用接触式测量。为避免织物与导轮之间滑转产生测量误差,本文根据织物表面纹理灰度信息随机性的特点,通过织物表面纹理图像实现了非接触式的速度测量。利用高速线阵CCD相机采集织物表面纹理灰度信息,相邻两帧图像具有波形相似且有一定的空间位移,采用互相关算法及其改进算法计算出空间位移,结合连续两帧时间计算出织物运行速度。为提高计算准确度采用高斯曲线拟合互相关函数的峰值并给出拟合公式,得到了亚像素级的运动速度。通过实验验证了算法的可行性及其精度。     

LBPV算法在织物瑕疵检测中的应用

织物瑕疵检测中提取特征是至关重要的,局部二值模式能提取纹理的局部信息,且具有旋转不变性,对光照不敏感的优势。但是在检测经向、纬向分布的线状瑕疵时,瑕疵样本与正常样本的区分不够明显。为了提高LBP算法的性能,提出基于LBPV模式的瑕疵检测算法。融合图像局部区域的对比度信息,将局部区域LBP微模式的权值设置为局部区域的方差,提取图像的LBPV特征向量。同时,根据织物纹理具有周期性和方向性的特点,设计了频域滤波器,消弱正常纹理的频谱信息,突出了疵点信息,方便算法实现疵点的检测。实验表明,基于LBPV模式的检测方法检测正确率达到90%以上,具有实用价值。     

基于图像局部方差的亮度矫正下番茄表面缺陷检测方法

目的:解决番茄表面缺陷颜色复杂多变、纹理变化不规则导致的缺陷提取不准确的问题。方法:提出一种考虑亮度矫正下基于图像局部方差的番茄表面缺陷分割方法。在采用直方图阈值分割方法分割花萼与茎疤以及领域像素加权和替代原像素的方法完成亮度矫正的基础上,将番茄表面灰度图像划分成若干图像块,使用图像像素方差对各图像块的颜色进行表征,将缺陷区域与健康区域区分开。使用SVM模型对番茄表面缺陷区域面积占原图中番茄面积的比例进行检测。结果:考虑亮度校正后对番茄缺陷区域提取准确率提高了27.74个百分点,在此基础上,与全局阈值、动态阈值、区域生长算法相比,基于图像局部方差的缺陷提取方法能够实现番茄表面缺陷的准确定位与完整提取,以缺陷面积比为输入的高斯-SVM模型对番茄表面缺陷检测的精度达96%。结论:考虑亮度矫正下,基于图像局部方差的SVM缺陷提取方法适用于番茄表面缺陷检测。     

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.     

基于机器视觉的透明包装袋真空封口纹理缺陷检测方法

目的:解决由于目前在食品包装领域采用人工抽检方式导致的真空封口质检难以长时间连续作业，易发生漏检、错检，检测准确率稳定性不可靠等问题。方法:提出了一种基于机器视觉的透明包装袋真空封口纹理检测方法代替人工检测。利用ROI区域提取、仿射变换和局部二值化模式等算法进行图像预处理，凸显出纹理特征。在此基础之上，利用灰度共生矩阵分析“良好”和“缺陷”封口纹理图像特征设置灰度共生矩阵参数，将纹理特征的均匀性与共生灰度矩阵特征量相关联。最后，以灰度共生矩阵特征量作为SVM分类器的输入量，通过计算对封口缺陷进行识别与分类。结果:该在线检测方法对透明包装袋真空封口的缺陷检测结果与人工质量结果对比同一性高达97.5%。结论:该方法具备较高的检测准确率和较好的实用性，可满足在线检测的需求。     

基于显著纹理特征的织物疵点检测方法

针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法。首先,鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;然后,结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区。经TILDA织物纹理图库数据的实验测试,结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性。     

基于两次二维Daubechies小波变换的纸病在线辨识方法研究

针对造纸生产线上纸病在线检测系统光源不均匀性和纸病难以识别的问题,通过建立纸病图像背景模型实现动态补偿光源的不均匀成分,并根据不同纸病图像的灰度分布规律,两次使用二维小波变换增强其灰度轮廓信息和提取灰度特征,以实现纸病的在线辨识。实验结果表明,该方法可以显著提高纸病辨识精度。     

丹贝固态发酵过程时间序列分析与预测

基于机器视觉替代物理化学方法和人工方法检测丹贝发酵过程。计算色调、饱和度、亮度彩色模型空间灰度共生矩阵来提取丹贝发酵图像纹理特征。通过和人工感官评定方法的对比,丹贝图像纹理特征曲线转折点被证明可以作为决策依据来区分丹贝发酵的4 个时期,并进一步细分为6 个阶段。纹理数据分析表明,少孢根霉菌丝发酵起点比人工方法提前3 h确定,丹贝发酵纹理特征值的极值点即为丹贝发酵过程的终点。通过移动观测窗来构建纹理特征时间序列,进而利用神经网络集成训练构建丹贝发酵过程的非线性时间序列模型,并最终通过此模型预测图像纹理特征曲线变化的极值点来实现对丹贝固态发酵过程和发酵终点的分析与预测。     

Recent applications of image texture for evaluation of food qualities—a review

Texture is an important image feature and has been applied greatly in the food industry for quality evaluation and inspection. Recent applications of texture-analysis techniques in the food industry were reviewed in the current paper. There are four different types of texture, i.e. statistical texture, structural texture, model-based texture, and transform-based texture. Statistical texture can be obtained using statistical approachs from the higher-order of pixel grey values of images while structural texture is acquired through some structural primitives constructed from grey values of pixels. Transform-based texture can be obtained by using statistical measurements from the images transformed with certain methods. Model-based texture can be attained by calculating coefficients from a model based on the relationship of the grey values between a pixel and its neighboring pixels. Among them, statistical texture is the most widely used one in the food industry for its high accuracy and less computation time. Transform-based texture and model-based texture are also used, although not as popular as statistical texture. However, structural texture is rarely used in the food industry. Due to the limited understanding of image texture up to now, it is difficult to identify which kind of method is the best for certain application. Therefore, it is expected that by employing different methods together, final results can be improved.     

蕾丝花边的改进型纹理特征检索方法

针对传统的蕾丝花边检索主要依赖于人的视觉检测及文本检索,存在信息不稳定、效率低、检索效果不可靠的现象,提出了一种基于层次匹配下多特征融合的蕾丝花边检索方法。通过运用图案纹理特征标识图像,首先分别用灰度共生矩阵、灰度梯度共生矩阵、局部二进制算子提取纹理特征进行匹配。然后将3种提取纹理特征方法分别结合几何特征、不变矩特征量进行逐层匹配。最后将层次匹配下各个纹理特征进行融合,弥补了单个匹配方法的不足,同时在蕾丝花边库中验证所用检索方法的正确率。分析结果表明,该方法优于任意单个的蕾丝花边匹配方法,能较好地实现蕾丝花边检索,有效地提高图案检索的可靠度和准确率。     

基于计算机视觉鉴别肉松与肉粉松

为实现快速鉴别肉松和肉粉松,文中提出了一种基于计算机视觉和BP人工神经网络的快速无损检测方法。先对60组肉松和60组肉粉松图像进行灰度化并剪切成长宽为899×772像素,然后在剪切后的灰度图像中提取灰度均值、总熵值、灰度等级矩阵的标准差、基于灰度共生矩阵的对比度、相关度、纹理二阶矩和均匀度,在剪切后的二值图像中提取分形维数,共计8个纹理指标,再将45组肉松和44组肉粉松作为训练集输入BP人工神经网络进行训练,剩余样本作为测试集进行测试。研究结果表明:构建的BP神经网络总分类准确率为80.65%,其中有2组肉松被误判为肉粉松,有4组肉粉松被归为肉松。该研究成果可为销售点快速无损鉴别肉松与肉粉松提供了一种技术方法。