PCA-NLM的纺织品缺陷检测

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,为解决这一问题,提出一种混合方法进行纺织品缺陷检测,将图像增强和缺陷检测方法进行混合处理,在非局部均值滤波算法（NLM）的相似度评价中引入主成分分析（PCA）进行去噪处理,采用的PCA-NLM混合模型有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类可分离性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文的混合模型有效提高了纺织品缺陷的检测正确率。     

一种新的基于纹理分水岭的纺织品缺陷检测方法

纺织品缺陷检测是纺织品自动检测的重要环节,而纺织品缺陷检测的目的是为了准确地对纺织品的缺陷区域进行定位.为了对纺织品缺陷进行准确有效的检测,提出了一种新的基于纹理分水岭的纺织品缺陷检测方法.该方法首先利用小波变换提取了图像的各子带纹理特征;然后对各子带纹理特征求梯度,并通过融合各子带梯度来获得纹理梯度,使其在纹理梯度中能有效地突出纹理区域的边界;最后在此基础上,结合分水岭分割,即能准确地检测出纺织品的缺陷区域.通过对一组6类纺织品缺陷进行检测的实验证明,该新算法是有效的.     

引入纹理相似性的纺织品图像增强

纺织品图像增强能够突出其纹理特性,便于纺织品的人工检测和机器视觉检测。提出一种在非局部均值滤波(NLM)框架下的纺织品图像纹理增强方法。纺织品图像具有规则周期的纹理,存在大量的冗余信息,NLM可利用这一特性来增强图像的纹理信息。但由于纺织品图像结构复杂且存在噪声,导致在NLM中相似性的度量不够准确。为解决这一问题,通过采用主分量分析(PCA)将纺织品图像分解为图像信息分量和噪声分量,并去除各分量间的相关性,来提高纺织品纹理间相似性度量的准确性。实验结果表明,本文方法比现有的纺织品图像纹理增强方法的增强效果有显著提高。     

基于最小分类误差小波特征的纺织品缺陷分类方法研究

纺织品缺陷分类是利用计算机视觉技术检测纺织品品质的一个关键环节。提出了一种基于小波框架的纺织品缺陷分类新方法。该方法使用纺织品图像的小波框架来描述缺陷的纹理特征。在最小分类误差训练框架下,通过联合设计一个基于线性变换矩阵的特征提取器和一个分类器,来获取面向缺陷分类的小波框架特征,并最小化分类器的错误概率。该方法对包含9类纺织品缺陷的329个样本,以及328个无缺陷样本进行了分类实验评估,获得了931%的分类准确率,相比传统的基于小波变换的分类方法提高了272%。     

改进的精密机械加工零件表面缺陷检测算法

对加工表面纹理缺陷进行可靠的检测分析可以有效提高机械加工零件表面精加工的水平。基于计算机视觉技术对机械加工零件表面实现自动缺陷检测,由于机械加工零件表面纹理的特殊性,常用的灰度图像分割方法对机械加工零件表面缺陷的检测不适用;且其表面的缺陷信息无法预先得知,其图像分割是一个非监督纹理分割问题,对此提出了一种改进的模糊聚类缺陷检测算法,实现了对机械加工零件表面缺陷的自动化检测,实验结果证明了该算法的可行性。     

Gabor滤波器在彩色纹理表面缺陷检测中的应用*

提出了彩色纹理表面自动缺陷检测的Gabor滤波方法,以同时测度图像中的颜色和纹理偏差.提出的方法不依赖于纹理特征的提取,它基于Gabor滤波器和两个颜色特征复数的彩色图像卷积的能量响应,将彩色纹理图像缺陷检测的复杂问题转换成了滤波图像中的简单的二值化问题.对纺织品、木材等许多实际彩色纹理表面的实验结果表明了该方法的有效性.     

有效的纹理缺陷检测方法：子带共现矩阵法*

提出一种结合小波变换与共现矩阵用于纺织品图像缺陷检测的方法.首先将灰度图像分解成子带;然后将纹理图像分割成互不重叠的子窗口,提取共现特征;最后用无缺陷样品训练的Mahalanobis分类器将每一子窗口划分为缺陷的和无缺陷的.应用该算法进行实际工厂环境中的纺织品缺陷检测.实验结果表明,集中处理具有强判决能力的某一频带提高了检测性能,也改善了计算效率.     

轮胎纹理提取与缺陷检测方法

为提高检测的智能化水平,以常见的轮胎纹理缺陷为对象,给出2类基于模板的轮胎缺陷检测方法。第1类采用灰度共生矩阵和直方图统计距提取轮胎的纹理特征,第2类采用一维Gabor小波提取轮胎的纹理特征。通过提取并比对模板和待检图像的纹理特征,进行缺陷检测。实验结果表明,第2类检测方法在检测精度、检测缺陷种类等方面均优于第1类方法。     

机械加工零件表面纹理缺陷检测

在一些对机械加工零件表面的加工精度和表面质量要求较高的自动化工业中，对机械加工零件表面纹理缺陷进行可靠的、有效的检测和分析可以大大地提高生产加工的自动化水平。为了能够对机械加工零件表面进行可靠、有效的检测，根据机械加工零件表面的纹理特点，设计了一种新的图像频域滤波器，用于增强缺陷纹理图像和抑制背景纹理对缺陷纹理检测的干扰，再通过图像分割的方法的实现了缺陷纹理和背景纹理的分割。实验结果显示，这种方法检测速度较快，尤其适用于机械精加工零件表面纹理缺陷的准实时检测。     

基于模糊C均值聚类的旋切单板表面纹理检测

旋切单板的纹理对缺陷的检测会产生干扰,本文提出一种改进的模糊C聚类均值（FCM）算法的旋切单板表面缺陷检测方法,该方法考虑了类内样本密度和类间距离作为综合参数,从而可以获得合理的初始聚类中心。该算法可以较好的检测出旋切单板表面纹理和缺陷信息。     

基于视觉感知机制的织物疵点轮廓检测

针对传统人工织物疵点检测存在的误检及低效等问题,提出了一种基于视觉感知机制的自适应织物疵点轮廓检测方法.首先,模拟视觉系统中视网膜感受野对视觉信息的处理机制对织物疵点图像进行滤波及疵点增强;其次,依据初级视皮层(V1)区对视觉信息响应的方向选择性机制构建织物疵点图像边缘检测模型,实现对织物疵点图像的边缘检测.最后,采用自适应阈值选择的方法对检测到的边缘进行二次处理,获得织物图像疵点的轮廓.为验证本文方法的有效性和准确性,对4类织物疵点图像进行测试,并定性和定量两方面进行比较分析,结果表明文中提出的方法能够较好地检测出织物疵点轮廓信息,不仅可以得到质量较高的织物疵点轮廓图像,而且在整个检测过程中能够自适应的选择参数,避免受人的主观因素影响,具有实际的应用价值.     

新的基于图像显著性区域特征的织物疵点检测算法

鉴于织物疵点类型的多样性和传统人工检测方法的低效率,为更有效地检测织物疵点,提出一种新的基于图像显著性特征的织物疵点检测方法——SGE。将原织物图分成相同两份:一份利用改进的基于频率的显著性区域(FSR)方法提取区域特征,粗定位疵点位置。另一份先Gabor滤波,取Gabor模图为输出特征;再利用基于像素的显著性区域(PSR)方法进行区域特征提取,细定位疵点位置;然后利用最大熵分别对粗细定位的疵点图进行分割,再融合;最后描绘轮廓,计算周长和面积,去除孤立点,得最终检测结果。采用OpenCV算法库,选取了4种具有代表的织物疵点图片进行验证。实验结果表明,这种粗细定位疵点的方法能够获得较好的检测结果,无需事先学习,能够满足实时性要求。     

基于Gabor滤波器和HOG特征的织物疵点检测

针对织物疵点检测问题,提出了一种基于Gabor滤波器和方向梯度直方图（HOG）特征的织物疵点检测算法。首先使用3个尺度、4个方向的Gabor滤波器组对织物图像进行滤波,并做融合处理,增强织物图像疵点区域和背景纹理之间的对比度;然后使用双边滤波减弱图像背景纹理和噪声的影响;最后将图像划分成均匀子块,提取每个子图像块的HOG特征,利用图像疵点区域和背景纹理的HOG特征差异进行阈值分割实现织物疵点的检测。实验选取5种常见织物疵点进行验证,并与传统的Gabor滤波算法进行了实验对比,结果表明该算法可以较好的抑制织物背景纹理的干扰,更加准确的检测出织物疵点。     

基于Hough变换和FFT多投影精测的织物纬斜快速检测方法研究

织物纬斜角度检测是布料整纬的关键技术环节,如何快速、准确检测纬斜角度对提高整纬质量具有重要意义;针对现有布料图像整纬方法存在速度慢、精度不高的缺点,提出了基于Hough变换原理和快速傅里叶变换(FFT)多投影的织物纬斜图像快速检测方法;首先对采集到的织物图像通过傅里叶变换对图像进行频域滤波再逆变换,滤除图像中不表示纬斜方向的区域信息,其次使用Sobel边缘方向检测算子对图像进行卷积以得到边缘方向图,提取纬纱方向信息,利用形态学滤波得到纬纱骨架图,进一步精简纬纱区域以减少计算量,最后进行Hough变换和FFT多投影分析得到织物图像的纬斜角度;实验测试证明对于不同类型的织物图像,该算法的检测时间低于0.55 s,误差值低于0.2°,能够兼顾检测精度和检测速度,满足工程实际应用要求.     

基于Gabor小波和神经网络的布匹瑕疵检测

为了实现布匹表面瑕疵的在线视觉检测,利用Gabor小波函数与神经网络的结合,提出了一种有效提取Gabor滤波最优参数的方法。该方法通过离线构建Gabor小波神经网络,结合Levenberg-Marquardt算法优化得到最优解,重构无瑕疵的布匹图像,以削弱在线检测时布匹纹理对瑕疵检测的影响,从而能够于在线实时监测过程中凸显布匹瑕疵,最终从融合图像中得到瑕疵区域。通过对霉点、断经、油污、破洞四种常见的布匹瑕疵图像进行检测,表明该方法能够满足对瑕疵的实时分割要求。     

Wavelet based methods on patterned fabric defect detection

The wavelet transform (WT) has been developed over 20 years and successfully applied in defect detection on plain (unpatterned) fabric. This paper is on the use of the wavelet transform to develop an automated visual inspection method for defect detection on patterned fabric. A method called direct thresholding (DT) based on WT detailed subimages has been developed. The golden image subtraction method (GIS) is also introduced. GIS is an efficient and fast method, which can segment out the defective regions on patterned fabric effectively. In this paper, the method of wavelet preprocessed golden image subtraction (WGIS) has been developed for defect detection on patterned fabric or repetitive patterned texture. This paper also presents a comparison of the three methods. It can be concluded that the WGIS method provides the best detection result. The overall detection success rate is 96.7% with 30 defect-free images and 30 defective patterned images for one common kind of patterned Jacquard fabric.     

自适应网格在布匹疵点检测中的应用研究

工业现场检测布匹的方法多样,但是检测速度较慢;为了快速且全面检测布匹疵点,主要利用自适应网格法对布匹图像进行处理进行;首先利用图像差影法粗分疵点存在的区域,其次利用网格模板把图像区域分成相等的部分,检测疵点存在的区域,在疵点存在的区域,继续缩小网格模板,再次检测疵点的区域,直到不能缩小为止,最后仅对疵点存在的小区域进行图像分析检测疵点;通过实验证明此方法减少图像处理时间,实现快速检测疵点的目的,达到工业快速检测布匹疵点的要求。     

方向性纹理织物疵点检测方法研究

通过分析方向性织物纹理的特点,提出了一种织物疵点检测新的方法。首先根据正常纹理Hough变换确定织物纹理的纹路方向;然后采用方向性小波对织物纹理图像进行方向性的分解,并在此基础上从分解后的各细节子图中提取子窗口的特征;最后通过BP神经网络进行织物疵点识别。实验结果表明了该方法的有效性。     

织物瑕疵检测方法研究进展

计算机视觉在纺织物瑕疵检测方面已经有了较为广泛的应用，织物瑕疵检测是纺织行业质量控制的必要步骤。为了能够及时了解织物瑕疵检测的最新研究进展，把握织物瑕疵检测方法的研究热点和方向，介绍了织物图案的放置规则以及织物瑕疵检测的相关指标，针对织物瑕疵检测方法较多的问题，将这些方法分为四类（基于结构、基于统计、基于频谱、基于学习）并归纳分析了这些织物瑕疵检测方法在应用中的特点，且对比了四类检测方法中各个方法的特性以及优点和缺点，目的是为了找到如何提高织物瑕疵检测效率的方法，实现实时在线检测，展望了织物瑕疵检测方法的未来研究方向。