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。     

基于局部统计与整体显著性的织物疵点检测算法

由于织物疵点类别较多及图像纹理多样化,为了能更有效检测织物疵点,本研究结合局部统计特征与整体显著性分析,提出一种新的织物疵点检测算法。首先将图像分为大小相同的图像块,采用局部二进制模式和灰度直方图分别提取图像块局部统计特征;其次针对每个当前图像块,随机选取K个其它图像块,分别计算局部二进制模式统计特征对比度和灰度统计特征对比度,完成基于上下文整体显著性分析生成视觉显著图;最后采用基于迭代最优阈值分割算法对显著图进行分割,得到织物疵点检测结果。实验结果表明,该算法综合了局部统计特征和整幅图像的上下文信息,可显著突出织物疵点区域,实现对织物疵点的有效检测。     

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。     

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。     

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。     

基于自适应小波的织物疵点自动分割研究

根据小波正交条件,通过使用疵点图像的疵点区与无疵点区能量均值比为优化目标函数,构造与织物纹理模式相匹配的二维自适应平稳小波.实验证明,构造的小波具有更好的鲁棒性和检测能力.     

基于Gabor小波变换的运动织物疵点三维检测

本文提出了一种基于Gabor小波变换的运动织物疵点三维检测的方法,此方法通过采用SFS(Shape FromShading)算法为基础,从单张图像中获取疵点的三维信息,采用的Gabor小波变换方法实现了空间域和频率域的最佳定位,使得疵点图像被增强,正常纹理图像被减弱,从而可以提取图像疵点的局部细微变化特征,为获取更加准确的疵点三维信息和实时在线检测织物提供了很大帮助。实验结果表明此方法可以有效的获取织物疵点的三维形貌且简单快捷,误差较小,能达到实时性的要求。     

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。     

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。     

k-means聚类算法在织物疵点检测中的应用

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点区域被划分一类,非疵点区域划分为一类。最后经过二值化,分割出疵点。实验证明,该方法能快速、准确的检测出织物的常见疵点。与其他方法相比,文章提出的算法采用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;另外经过方差采样算法处理后疵点信息明显增强,使得疵点信息与纹理明显不同,从而使聚类更为准确,增加了检测的准确度。     

Fabric defect detection based on multi-scale wavelet transform and Gaussian mixture model method

This paper proposed an approach, which is based on multi-scale wavelet transform and Gaussian mixture model, to solve the problem about automated fabric defect detection and improve the quality of fabric in the production. Firstly, the sample image was tackled by the “Pyramid” wavelet decomposition algorithm, and the new images were obtained by reconstructing with the produced wavelet coefficients using wavelet thresholding denoising method. Secondly, the obtained new images were segmented by applying the Gaussian mixture model that was based on the Expectation–Maximization (EM) algorithm. Various fabric samples were used in the evaluation, and the experimental results showed that the designed algorithm could precisely locate the position of defect and segment the defect.     

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%。     

基于神经网络的织物疵点识别技术

因织物组织繁多,表面特征各异,很难建立一个统一的织物疵点识别模型。为了解决这一问题,实现自动验布,提出采用双层神经网络和小波变换来识别织物疵点的方法。先对正常织物进行训练,得到织物的特征,应用第1层简单BP网络来分辨正常织物和疵点。然后对疵点图像进行二维离散小波变换,并去除织物本身的特征,利用已训练的BP网络进行具体疵点识别。试验证明,这种方法的准确性较高,速度快,基本接近自动验布系统的要求。     

基于支撑矢量机的织物疵点识别算法

为了使用机器对织物疵点进行有效地检测和分类,提出了基于直方图统计和支撑矢量机的织物疵点识别算法。该算法运用直方图统计的方法,由概率统计生成直方波形,基于波形特征参数对比能准确定位织物纹理结构的异常位置,正确识别织物疵点,并将其作为支撑矢量机的输入参数,用于训练特征样本集,以获得支撑矢量,对待识对象进行识别,得到识别结果,在识别结果中寻找最优匹配,将待识图像归入最匹配类中。实验结果表明,该算法用于织物疵点检测是可行、有效的,可得到满意的识别结果。     

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%。     

基于小波变换和阈值分割的织物疵点边缘检测

The edge detection of fabric defects is the base of geometrical features extraction and the essential process of the fabric defects identification, This paper proposed a method for fabric defects edge detection based on discrete stationary wavelet transform （DSWT） and optimal threshold segmentation algorithm （OTSA）. Firstly, the background of fabric defects picture was removed, then it was executed through DSWT and enhanced by the Laplacian operator. Finally, the edge detection was carded out with both OTSA and morphological operation. By contrast, this method is better than the classic ones, and is effective to fabric defect edge detection.     

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。     

基于自适应小波三层分解的织物疵点检测

提出了运用自适应正交小波对织物图像进行三层分解的织物疵点检测方法。通过借鉴Daubechies的构造条件构造织物自适应小波,由自适应小波对织物图像进行三层分解,将疵点信息融合后设定固定的闻值进行二值化。同采用DB族小波分析结果比较与实验检测,表明此方法有效。     

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.