基于相对总变差模型与自适应形态学的织物瑕疵检测

为解决目前基于图像处理的织物瑕疵检测算法中,因织物纹理的多样性与瑕疵形状尺寸的不确定性所造成的检测效果差的问题,提出一种基于结构-纹理模型与自适应数学形态学的织物瑕疵检测算法。首先采用相对总变差模型对织物图像进行滤波以去除织物纹理,然后在得到的灰度图像上直接进行基于自适应邻域的灰度形态学运算,形态学算子采用开运算算子,最终得到织物瑕疵的增强图像。采用基于相对总变差模型与自适应形态学相结合的方法与2种已知的Gabor算法进行比对,对4类典型织物瑕疵进行检测实验和分析。结果表明,本文方法能更好地提取出织物瑕疵。     

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。     

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。     

基于图像预处理与改进的Canny算子的织物瑕疵检测

目的:本文针对常见的布匹瑕疵检测方法对破洞、油污检测不敏感的缺点,提出了一种将图像预处理和边缘检测相结合的检测方法。方法:该方法根据瑕疵边缘变化的差异,先进行图像预处理,即利用直方图规定化对图像做出修正与增强,再应用中值滤波的方法消除图像孤立的噪声点;最后利用改进的Canny算子提取布边缘特征,即采用Otsu阈值方法求取自适应阈值,自动选择并去除布匹纹理提取瑕疵识别出瑕疵。结果:通过计算机Matlab进行实验,发现不同疵点其相应特征值的图像纹理频谱分布情况存在差异:正常织物特征值变化较平稳,没有太大的波动;断经织物的垂直能量,方差,极差均有明显突变;断纬织物的水平能量,方差,极差也有明显突变;破洞织物的水平、垂直特征值都会有不正常的波动;由此可以判断出疵点是否存在及其类别。结论:实验表明,与传统方法相比,改进方法使织物瑕疵边缘提取更加清晰平滑,阈值的自动选取也使运算时间大幅度下降。从而可知该方法的检测速度快,准确率高,可以满足纺织产业中自动布匹瑕疵检测的一般应用检测要求。     

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。     

基于非线性扩散和多特征融合的提花针织物疵点检测

为解决提花针织物的复杂纹理在疵点检测过程中易造成检测干扰和疵点误判的问题,提出一种基于非线性扩散和多特征融合的疵点检测方法。采用改进PM模型对提花针织物的花纹和强纹理边缘进行抑制,首先利用梯度差异将疵点图像分为纹理区域及疵点区域,然后结合各区域特点选择对应的扩散方程,依据梯度矩阵计算概率子集、相关准则来确定梯度阈值,实现分区域扩散。根据提花针织物的纹理分布特性,提取改进局部二值算法(LBP)、局部熵、局部相关性等表征参数,然后进行去邻域归一化和多特征融合进一步突出疵点区域,最后利用区域生长法定位分割出疵点形态。实验验证了本文预处理方法及疵点检测方法的有效性,通过与其它预处理算法和疵点检测算法进行对比,结果表明本文算法的检测效果最好,对正常织物图像的误检率为3.3%,对含疵点织物图像检测的准确率为98.6%。     

应用Canny算子的织物疵点检测改进算法

为克服当前Canny算子在织物疵点边缘检测中存在的阈值设定、滤波参数选择等自适应问题,提出一种基于Canny算子的改进算法。通过分析不同种类的织物疵点特征,选择不同参数的高斯滤波器,对织物疵点图像进行滤波处理;采用自适应形式获取图像边缘信息的阈值,避免了因阈值取值过高或过低而无法获得较好织物疵点的边缘信息的问题,同时还可根据不同织物疵点类型选择不同的滤波参数。结果表明,改进后的Canny算法可有效地检测到织物疵点的边缘细节,具有较好的自适应能力,并且提高了算法的有效性。同时对典型的织物疵点进行检测并与传统算法比较,其检测效果更优。     

Frangi滤波器和模糊 C 均值算法相结合的织物瑕疵检测

为解决织物瑕疵自动检测问题,提出一种基于Frangi滤波器和FCM相结合的织物瑕疵检测方法。首先采用均值下采样方法对采集的织物图像进行预处理,以减少织物背景纹理信息对织物瑕疵检测产生的影响;然后通过Frangi滤波器进行滤波增强织物的瑕疵区域;最后利用FCM对滤波后的图像处理,确定织物瑕疵区域的像素和非瑕疵区域像素的聚类中心,并分割出瑕疵区域和非瑕疵区域。实验结果表明,提出的方法检测织物瑕疵种类较多,分割效果较好。与其他方法相比,提出的算法利用的是聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算。     

基于像素分布的自适应阈值分割模型应用于印刷图像缺陷检测的研究

为了解决传统印刷图像缺陷检测算法检测精度不足的问题,本研究提出了一种采用基于像素分布的自适应阈值分割模型的印刷图像缺陷检测算法.该算法充分利用印刷图像像素间的相互关系,利用自适应迭代运算确定图像缺陷阈值,提取图像缺陷区域.实验证明,利用该模型能准确地检测出印刷图像缺陷,可以有效地运用在印刷复制过程中的图像的检测环节中.     

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。     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

基于非下采样轮廓波变换和朴素贝叶斯分类器的织物缺陷检测

为检测织物生产过程中产生的缺陷,提出一种非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)和朴素贝叶斯分类器(naive Bayes classifier,NBC)相结合的缺陷检测算法.该方法分为2个阶段:学习阶段和检测阶段.在学习阶段,分别提取有缺陷和无缺陷织物的子块集合,首先利用NSCT进行滤波去噪;然后提取每个子块的广义高斯分布的混合(mixture of the generalized Gaussion distribution,MoGG)模型,并计算子块之间的相对熵(kullbackleibler divergence,KLD);最后利用得到的数据训练NBC.在检测阶段,将待检测图像分割成子块,利用经过训练的NBC检测子块,输出缺陷检测结果.实验结果表明,该算法对于灰度均匀织物及净色纹理织物的缺陷检测均具有良好效果,并且利用该算法可以检测出多种缺陷类型,检测精度可达到97%,能满足工业生产需求.     

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%。     

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。     

改进频率调谐显著算法在疵点辨识中的应用

为提高疵点检测效率和准确率,提出用改进频率调谐显著（FT）算法替代 Gabor 小波方法预处理疵点图像,强化疵点特征向量灵敏度。分析了FT 算法中高斯滤波器模板、Lab 颜色空间、高斯滤波图像中椒盐噪声和 HSV 颜色空间不同通道取值范围不一致对疵点识别的影响,并提出了相应改进方法。利用改进 FT 算法进行图像显著处理;使用灰度共生矩阵方法对疵点显著图进行特征提取;利用概率神经网络分类器分类,检测是否存在疵点。对 2 种不同纹理面料的检测结果表明：改进 FT 算法较改进前计算时间增加约8%,但疵点检测准确率提高18% ～25%;与 Gabor 小波相比,检测准确率基本持平,但计算时间缩短约70%。     

应用单演小波分析的织物疵点检测

为了解决现有织物疵点检测算法对种类繁多的疵点形式尤其是对微弱纹理变化疵点的适应性较弱问题,提出以单演小波分析工具为基础的织物疵点检测算法。通过拉普拉斯分数阶算子与多重调和样条构建各向同性拉普拉斯小波后,对其进行Riesz变换构建Riesz–拉普拉斯小波,实现了织物图像的单演小波分析。对单演小波分析结果中的多分辨率方向与振幅子带,分别设计了最优响应子带判断标准以及最优响应子带分割方法。实验结果表明,本文提出的检测算法可有效分割不同织物纹理中的多种类疵点,分割结果可反映疵点位置与轮廓,对342幅实验样本图像实现了97.37%的检出率,具有较好的自适应性与鲁棒性。     

基于改进的加权中值滤波与K-means聚类的织物缺陷检测

为检测纹理织物在生产过程中产生的各种疵点,提出一种基于改进的加权中值滤波与K-means聚类相结合的纹理织物疵点检测方法。首先利用改进的加权中值滤波对纹理织物图像进行预处理,以减少纹理信息对疵点检测产生的影响,同时通过联合直方图动态数据分配权重和像素,减少寻求中位数的时间来有效地缩短检测时间,提高了执行速度;然后采用K-means算法对滤波后的织物图像进行聚类,计算织物图像疵点和非疵点的聚类中心,进而实现图像疵点区域的分割。实验结果表明,该方法可有效地检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点,并显著提高检测速度。     

改进频率调谐显著算法在疵点图像分割中的应用

为提高织物疵点分割精度,提出了一种用于织物疵点图像分割的改进频率调谐显著（FT）算法。首先,利用织物疵点和背景区域透光率的不同,将光源和相机分别置于织物两侧来获取图像,提高疵点区域对比度;其次,应用非局部均值滤波器（NLM）替代FT 算法中的高斯滤波器,增强对背景纹理的平滑和降噪能力;研究发现NLM滤波器中滤波参数对疵点分割精度影响较大,提出了基于平均最大类间方差的参数优化方法;然后,将改进FT 算法应用于疵点图像预处理,进一步提高疵点对比度;最后,使用最大类间方差法对疵点显著图进行分割。对2 种不同织物疵点图像的分割实验结果表明,使用改进FT 算法对粗经、竹节、结头、断纬、油污和破洞等常见疵点图像进行预处理,可显著提高疵点分割精度。