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。     

基于方向灰度积分曲线特征的织物疵点检测算法研究

针对于断纱、缺纱、穿错、粗纱等这类结构型织物疵点,由于其具有灰度跳变不明显、疵点面积小的特征在疵点检测过程中难以检测这一问题,本文结合织物图像自身的纹理特征及结构型疵点的方向性特征,创新性地提出基于方向灰度积分曲线特征的织物疵点检测方法,将二维织物图像的疵点检测转化为对一维灰度积分曲线特征的分类识别。该方法通过对输入的图像提取垂直水平方向灰度积分波形曲线,并对积分曲线提取了包括平均值、方差、能量等14个波形特征,然后利用可优化SVM分类算法对提取特征进行疵点判别。通过对漏针、断纱、并经、粗纱等疵点进行检测试验,结果表明,本文提出的疵点检测方法不仅对检测灰度跳变较小的结构型疵点具有较好的检测效果,检测准确率达到了94.34%,而且检测速度快,可以满足实时检测的速度要求。     

采用Gabor滤波簇和等距映射算法的织物疵点检测方法

为提高织物疵点检测率,将Gabbor滤波法与等距映射方法进行融合,克服疵点检测过程中存在的问题。首先用由3个尺度和5个方向组成的15个Gabor滤波器簇对织物疵点图像进行滤波,减少疵点图像光照不均和对比度低的影响;然后将滤波图像划分成面积相等且互不重合的邻域,并从邻域中提取高维特征向量。采用等距映射方法对高维特征向量进行降维,剔除高维特征中冗余信息,强化分类器拟合能力;再用低维嵌入模型提取新增样本低维特征向量,用于概率神经网络分类器分类,检测是否存在疵点;最后用2种不同纹理的织物进行检测实验。结果表明,本文方法能有效提高疵点的检测精度。     

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。     

基于BP神经网络织物疵点检测识别

根据疵点的特征对简单的织物疵点进行识别,先采用直方图均衡化、小波分解、二值化等方法对织物图像进行一系列的预处理,然后提取出织物疵点的特征值,再利用3层BP神经网络对织物疵点进行训练识别分类,试验结果表明识别率达95％。     

基于遗传算法的织物疵点特征选择

 为提高疵点分类的正确率,提出应用遗传算法对织物的疵点进行特征选择。首先提取机织物疵点图像,基于直方图、灰度共生矩阵、灰度差分统计、小波差分统计等描述纹理特征,采用遗传算法对这些特征组成的特征向量进行特征选择,再用支持向量机（SVM）分别对原特征向量和选择的特征子向量进行分类。实验结果显示,织物疵点的平均识别率从原来的89%提高到95%,说明该算法对织物疵点特征选择是有效的。     

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。     

基于人工神经网络的织物疵点聚类分析

本文提出了一种基于人工神经网络的织物疵点分类方法。首先利用灰度共生矩阵提取织物疵点图像的纹理特征参数;然后阐述前馈BP神经网络的拓扑结构,并提出该网络的具体训练过程;最后利用人工神经网络对真实织物疵点样本进行分类,实验采用五类织物样本,网络训练完成后得到实际分类的疵点数据,并利用该数据进行织物疵点分类,分类的准确率达到100%,从而验证了该方法的可行性。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

基于改进Itti显著模型的织物疵点实时检测

为克服人工疵点检测存在精度差、效率低、易疲劳等问题,研发了基于改进Itti显著模型的织物疵点实时检测系统。首先设计了专用的织物传动和退绕系统,实现对布卷的精确传递,采用不同光源和多台工业相机拍摄实现织物的实时采集;然后通过基于改进的Itti显著性模型对图像进行快速检测,利用下采样构建图像金字塔,并对金字塔图像进行中央周边差操作,获得织物亮度特征;接着对各尺度金字塔图像进行不同方向Gabor滤波边缘检测获得织物方向特征,归一化亮度与方向特征获得织物疵点显著图;最后通过自定义阈值对显著图进行分割。实验结果表明：本文系统能有效检测出白坯布、牛仔布含有的油污、断经、破洞、纬缩等常见织物疵点,疵点检测正检率为93%,实时检测速度最高达48 m/min,能满足实时检测需求。     

织物疵点图像消噪方法的比较

织物疵点图像的消噪是疵点识别和分类的重要预处理步骤。采用中值滤波、Wiener滤波和小波阈值化消噪3种方法对织物疵点图像进行消噪处理。在采用中值滤波和Wiener滤波时,同时选用3×3和5×5滤波器进行消噪;在采用小波阈值化消噪时,计算图像全局阈值,同时采用软、硬阈值消噪方法,对疵点图像进行消噪。通过实验比较,采用小波阈值化方法消噪时,疵点图像边缘清晰,峰值信噪比显著提高,其效果明显好于中值滤波和Wiener滤波;采用小波阈值化消噪后的疵点图像可在特征提取和识别中使用。     

基于自适应小波变换的织物密度测量

应用自适应小波变换技术以实现机织物密度的自动测量。先运用Wiener2和直方图均衡技术对织物图像进行预处理,增强图像的纹理特征;接着选取自适应小波技术对织物图像进行分解;再对分解得到的子图像进行二值、平滑等后处理;最后通过分析后处理图像的经纬纱线信息得到织物密度。试验结果证明,运用该方法能够准确测量3种基本组织的织物密度,是一种行之有效的方法。另外,还简要介绍了自适应小波的构造技术。     

A Comparison of the Irregularity and Tensile Properties of Worsted Yarns Spun with Travellers of Rectangular and Round Cross-sections

Abstract

This paper presents a method to design a wavelet-filter that minimizes entropy in the wavelet transform of images of woven fabrics. Filters that minimize entropy in images tend to filter out fabric texture while highlighting fabric defects. The design of the wavelet filter is couched as a non-convex optimization problem which is solved using a hybridized Genetic Algorithm. Three distinct filters are tuned to detect horizontal, vertical and blob defects in woven fabrics. In addition to texture filtering, defect segmentation, noise removal, and object extraction are presented. The effects of shifting on the optimized set of coefficients is also explored.     

Identification of fabric defects based on discrete wavelet transform and back-propagation neural network

Detection of fabric defects can be considered as a texture segmentation and identification problem, since textile faults normally have textural features that are different from features of the original fabric. A feasible approach for the recognition of fabric defects based on discrete wavelet transform and back-propagation neural network is proposed in this article, the indispensable processes of which are defect image preprocessing, wavelet transform, feature extraction, principal component analysis of the extracted feature parameters, and defect identification. Under the experimental condition, the average recognition accuracy of defects and nondefects are 99.2% and 100%, respectively. Experimental results show the advantages with high identification correctness and high inspection speed.     

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。     

基于小波分析和统计分析的织物疵点检测

根据疵点形态特征上的差异而采用不同检测方案的思想,在图像的空间域中,采用改进的标准差方法检测油污、破洞等没有方向性的疵点:在图像频率域中,结合二阶统计分析,用纬向的矩形窗口分割图像小波分解的垂直分量并检测缺纬、双纬等纬向疵点;用经向的矩形窗口分割图像小波分解的水平分量并检测断经、双经等经向疵点.为确定窗口分割的最佳宽度,研究提出一种基于灰度差分和窗口分割迭代算法.实验表明:方法实现了油污、破洞、断经、缺纬4类疵点的准确检测与分类.     

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.