织物表面疵点检测方法的设计与实现

针对传统织物生产企业中,人工检测织物存在瑕疵检出效率低、误检率高的问题,提出了一种织物表面疵点检测方法。该方法首先采用高斯滤波、线性归一化以及限制对比度自适应直方图均衡化对织物表面图像进行预处理,从而有效增强图像中的疵点表现细节,然后通过改进的Gabor优化选择,再对选择后的图像进行初分解,从中挑选出最优滤波图像进行二值化处理,最后运用统计学方法进行疵点判断并获得最终结果。该方法实现简便、硬件要求低、适应性广,可用于判断织物表面是否含有疵点,并定位疵点。实验证明,织物表面疵点检测准确率高达95.38%。     

基于人工神经网络的织物疵点检测

根据疵点的特征对常见织物疵点进行了简单的划分。采用直方图均衡化、二值化、中值滤波、腐蚀和膨胀等方法对织物图像进行一系列的预处理，对织物疵点的特征参数进行提取，利用人工BP神经网络来判别疵点的类别并进行分类。结果表明，利用BP神经网络识别织物疵点并进行分级是行之有效的。     

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％。     

应用Gussian回代交替方向图像分解算法的色织物疵点检测

针对传统的人工织物检测方法效率低,稳定性差,处理速度慢的问题,提出了基于Gaussian回代交替方向(ADMG)图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作,以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法,将色织物图像分解为疵点部分u和纹理部分v。最后,应用二维Otsu阈值方法将图像的疵点部分u分割,识别织物图像上的疵点。实验结果表明:通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的,可得到满意的识别结果。     

丝织物疵点智能化判别

主要对平纹、斜纹和缎纹组织丝织物的一些常见疵点，如档疵、缺纬、缺经、重纬、油污等进行了智能化判别。先用SONY数码相机在黑色的背景下对疵点进行了拍照得到了图像数据，然后用一系列图像预处理法，如直方图处理变换增加了织物图像的对比度、用计算得到的阈值对织物进行了二值化处理、滤波方法消除二值化处理后图像噪声等，从织物纹理分离出疵点部分，得到了可以分析的织物疵点图像。用灰度统计法对预处理得到的织物疵点图像进行了分析，得到了织物各疵点基本特征值信息。织物疵点智能化判别是用BP神经网络进行的，首先对BP神经网络进行了训练，然后将灰度统计法得到的疵点特征值信息输入到BP神经网络，对疵点进行了分类。     

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。     

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。     

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。     

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Frangi滤波器的织物疵点检测方法

提出了一种基于Frangi滤波器的织物疵点检测方法。该算法首先对样本织物图像进行均值下采样处理,淡化和消除背景纹理对织物疵点检测的影响,然后将均值下采样处理后的图像经Frangi滤波器进行滤波,从而增强织物疵点部分以利于疵点的分割,最后对Frangi滤波后的图像进行阈值分割,分割出织物疵点部分。采用该算法对6种纹理织物进行处理,检测出26种疵点,92%的疵点能被准确的检测和定位,误报率为8%,检测效果较好。     

配光与照明对织物疵点信号特征值的影响

 为研究配光与照明光照环境对采集织物图像的影响,根据织物的反射特性、光谱特性、颜色饱和特性等光学性质,分析LED、卤钨灯和荧光灯等配光与照明光照环境及参数,用能量、方差、熵、极差和对比度等方法提取织物图像特征值。分析不同光源照明环境条件下织物疵点信号增强的最佳光照参数。实验结果表明,用不同的光源、不同的光照强度对织物疵点信号的增强是不同的,疵点信号的特征值在不同光照度下有明显的响应和差别,由此得到提取疵点信号所需的最佳照度值。     

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。     

织物图像增强矩阵特征模型的建立

针对目前缺乏有效显现织物特征的成熟模型,使织物疵点识别效果不佳的现状,提出一种新的织物图像特征模型,即增强矩阵特征模型.该特征模型以图像的灰度值为基础,引入一种新的增强矩阵.该矩阵由根据织物图像梯度变化生成的矩阵算子组成,可对像素灰度值进行变换计算以放大或缩小图像局部特征,使图像的特征显现更加层次分明.通过采用MatL...     

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。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

基于Criminisi算法的非周期性印花织物缺陷检测

由于非周期印花织物颜色多变、花型复杂、印花缺陷纹理及背景纹理之间对比度低,导致织物缺陷不易被识别,因此给出一种Criminisi算法。首先,采用频率谐调(frequency-tuned,FT)显著性算法对印花织物缺陷图像进行显著性增强,突出缺陷的边缘轮廓;其次,利用大津阈值法对显著图进行二值化处理,并将得到的二值图作为图像修复时的Mask掩码图;最后,运用Criminisi算法对原印花织物缺陷图像进行修复,将修复的印花图像减去原印花缺陷图像,获得缺陷区域。实验结果表明,该方法能准确分割出非周期性印花织物的缺陷区域,如漏墨、污渍等,且检测准确率达97.39%。同时,实验过程中不涉及参数的调节。     

应用上下文视觉显著性的色织物疵点检测

为实现色织物疵点的有效检测,提出一种应用上下文视觉显著性的疵点检测方法。根据上下文视觉显著性的原则,将织物图像分为大小相同的图像块;然后针对每个图像块,选取K个与其最相似的图像块计算与该图像块的差异值之和,用该差异值之和表示该图像块中心像素的显著性;从而生成一幅视觉显著性图;最后对显著性图进行阈值分割,得到色织物疵点的检测结果。为验证该算法的有效性,将带有纬缩、破洞和跳花等区域性疵点的素色、条纹和格子色织物图像作为样本进行检测。结果表明:该方法可较好地抑制不同种类织物的纹理背景,突出疵点区域,实现疵点的有效检测,该方法在色织物疵点检测上具有一定的可行性。     

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。     

基于机器视觉和图像处理的织物疵点检测研究新进展

按照被检测的织物类型并根据当前研究中所使用的方法,简要综述了近年来基于机器视觉和图像处理的织物疵点检测系统新的应用和发展情况。首先分析了织物疵点自动检测研究的理论和现实意义。给出了织物疵点检测系统中视觉图像获取和疵点图像检测两个关键部分的架构。说明了迫切需要进行检测的两类织物白坯布和色织布,着重讨论了对这两类织物进行疵点检测的各种新方法,并详细说明了其检测效果和存在的不足。最后给出了疵点检测研究的几点建议。