高效能的织物疵点识别算法及其实现

通过对织物结构的深入剖析，提出运用布纹的直线特征纹理，由概率统计生成直方图，有效地提取织物的特征波形，经大量试验检测证明特征波可靠稳定。基于波形参数对比能准确定位突变或异常位置，正确识别织物疵点。为简化识别算法可引入阀值过滤，允许正常波形参数通过而记录异常状态变化，用过滤单一的正常纹理来鉴别类型复杂的疵点，成为简单高效的织物视觉检测算法。     

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。     

基于尺度变换的Gabor滤波器织物疵点检测

针对织物表面疵点自动图像检测问题,提出一种基于尺度变换的Gabor滤波器织物疵点提取方法,该方法使Gabor滤波函数的比例伸缩尺度随中心频率而变化。用Gabor尺度变换的3个尺度和4个方向的滤波器组分别与正常和待识别的疵点织物图像进行卷积,提取正常与异常织物纹理特征,从而得到偏差图像。再对偏差图像进行融合,使织物疵点突显出来。最后通过阈值处理检测出织物疵点。对缺经、缺纬、经纬交错和油污4种常见织物缺陷的实验结果表明,这种方法是有效的。     

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。     

基于离散粒子群算法的织物疵点特征选择

为提高识别织物疵点的准确率,提出基于离散粒子群算法(Bpso)进行织物疵点特征选择的方法.首先收集织物疵点图像并进行预处理,提取常用的纹理特征构成候选特征.然后采用BPSO对这些候选特征进行选择,得到优选特征和冗余特征.最后分别在这3类特征下训练支持向量机并进行织物疵点识别测试.结果表明,优选特征的疵点识别准确率大大高...     

应用目标稀少特征的织物疵点图像分割

应用自适应阈值分割方法进行织物疵点检测,其阈值选择一直是研究的难点问题,为此,在研究目标特征的基础上,提出了一种利用目标稀少特征确定最佳阈值的织物疵点图像分割方法。首先,对采集织物图像进行滑动均值滤波,以抑制正常织物纹理信息对疵点检测的影响;然后,对织物图像进行预分割以确定最佳稀少度,在此基础上计算出最佳分割阈值;最后,利用最佳阈值进行织物疵点图像分割,并采用形态学滤波消除伪目标及噪声。结果表明,本文方法能够解决织物疵点分割中的最佳阈值确定问题,能够从织物纹理中有效分割出疵点信息。     

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

2.3图像分割织物纹理是识别过程中主要的一个障碍。为了避免纹理对识别造成影响,我们用了图像分割法。也就是先用一个小窗口作为运算单元,对整个图像数据进行了计算,求出每个小窗口的平均值,并将其作为新的图像数据。一般没有疵点部分的织物图像数据平均灰度值基本在一定的范围内波动,没有大的变化,得到的新图像比较均匀。当疵点存在时,织物灰度平均值有变化,跟周围区域形成较明显的对比。对图像进行分割时一个关键步骤是选定小窗口的大小,不要选的过大或过小,以免将有疵点区域判为无疵点区域,或将一些正常的疵点区域也判为有疵点区域。对平…     

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。     

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。     

基于复合条件的织物纹理模糊识别

提出一种新的基于复合条件的模糊识别方法完成对织物图像的纹理提取。首先对整个图像灰度级分析,确定行与列灰度波的标准模糊集,然后给出基于灰度大小及像素位置的复合条件隶属度计算公式,对行与列的灰度波进行模糊分类,使其转换为仅有2个灰度极值的纹理灰度波。最后将所有纹理灰度波组合还原成二值纹理织物图像,为后续密度识别、纹理均匀度识别及疵点识别等图像分析提供基础。实验与分析结果显示,本文算法通过对灰度波的模糊划分,提取仅用2个灰度值表示的织物二值纹理图像,形成具有脉冲特征的纹理灰度波,可为后续织物图像各参数分析提供简单有用的织物纹理数据模型。     

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.     

基于总变差的织物疵点分割方法

为解决当前机织物疵点检测方法精度不足的问题,提出了基于总变差模型的织物疵点分割方法,并着重分割经纬向尺寸小且异常不显著的疵点。首先应用奇异值分解低秩重建的方法将织物纹理背景去除,获取疵点异常图;然后通过构建总变差模型对疵点异常图进行最优化求解处理,得到不同约束下的疵点增强图;最后通过常规分割算法实现疵点的准确分割。实验结果表明:经总变差模型处理后的疵点异常图,其疵点与背景的可分割性得到显著提升。通过讨论总变差模型的参数对分割结果的影响,进一步验证了基于总变差的织物疵点分割方法的有效性和稳定性。     

基于人工神经网络的织物疵点聚类分析

为解决织物疵点分类过程中由于人为因素造成分类准确率不高的问题,提出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5类织物样本,网络训练完成后得到实际分类的...     

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织物瑕疵。     

基于自适应离散小波变换的混合特征畸变织物疵点识别

 本文通过构造自适应正交小波识别混合特征畸变织物疵点。首先确定所设计小波的优化目标，然后采用二通道方法准确重建正交滤波器(Quadrature Mirror Filter, QMF)的结构实现方式，推导出目标函数，并通过目标函数选择具体的优化方法，建立起优化目标和QMF系数间的函数关系；最后采用构造出的自适应正交小波对3种类型的混合特征畸变疵点进行识别，通过两层离散小波分解，验证该方法的可行性。