基于机器视觉的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测的方法。该方法是在融合图像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类。实验结果表明,对帘子布常见疵点如油污、破洞、断经、断纬等能比较准确地识别。     

基于小波神经网络的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测上.在融合图像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类.结果表明:对帘子布常见疵点如油污、破洞、抽经、断纬等能比较准确地识别.     

基亏小波神经网络的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测上。在融合罔像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类。结果表明：对帘子布常见疵点如油污、破洞、抽经、断纬等能比较准确地识别。     

锦纶66帘子布织造边部断经的原因分析和改进措施

本文对轮胎骨架材料锦纶66帘子布织造边部断经原因进行了详细分析,阐述了制定的预防方法和解决措施,使产品明显降低了边部断经疵点,有效的提高了帘子布质量.     

基于一维最优Gabor滤波器的帘子布疵点检测算法

传统的二维Gabor滤波器用于帘子布疵点检测非常有效,但计算量巨大,为此提出一种快速自动检测帘子布疵点的方法。通过一维环形投影变换把一幅二维灰度图像压缩成一维形式,然后使用一维最优Gabor滤波器检测嵌入在帘子布均匀纹理中的疵点。采用粒子群优化算法进行一维Gabor滤波器最优参数的求解。假设图像大小为N×N,滤波器窗口为W×W,计算的复杂度可以显著地从二维Gabor空间的O(W2N2)到一维Gabor空间的O(WN2),并用实验验证了该方法的有效性。     

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.     

基于改进的小波分解织物疵点检测

采用小波分解的改进方法，运用二维离散小波变换进行分解，有效地从图像中提取信息，分析织物的纹理特征并进行相应处理，实现目标图像的特征提取和输入LMBP神经网络进行学习训练。实验结果表明，对油污、破洞、断经、断纬能比较准确地识别和定位，可快速有效地进行织物疵点检测。     

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。     

帘子布缺纬疵点原因及预防探讨

本文就有梭帘子布织机造成缺纬的原因进行全面分析,结合实际生产,提出了有效的预防解决措施,减少了帘子布缺纬疵点,提高了帘子布布面质量。     

一种基于OpenCV的织物疵点检测方法

在织物疵点自动检测开发中,传统的图像处理代码编写繁琐、效率不高.OpenCV具有较强的图像处理能力且提供了丰富的图像处理函数,可以把OpenCV运用到织物疵点检测上.以断经、纬疵样本为例,提出在OpenCV环境下采用阈值分割提取疵点图像,利用形态学技术实现噪点分离及断线连接.边缘检测实现了疵点图像在原图像中的准确定位.实验结果表明,OpenCV有简化代码、提高编程效率的图像处理强大功能,疵点检测结果准确,效率高.     

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。     

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。     

Warp-knitted fabric defect segmentation based on non-subsampled Contourlet transform

Differing from the traditional Contourlet transform, the non-subsampled Contourlet transform (NSCT) is proposed to apply in warp-knitted fabric defect segmentation. First, the Laplacian pyramid is used to achieve the decomposition of original fabric image. Second, the high frequency directional sub-band coefficients are extracted by means of the non-subsampled directional filter bank. Then, choose the best high frequency sub-band coefficient at every level based on regional energy maxima and reconstruct the image. Finally, the legible defect profile is obtained by adaptive threshold method and morphological processing. The experimental results including the common defects, such as broken warp, width barrier and oil, show that the NSCT could attain the correct segmentation on directional defect and regional defect. This method fits the directional changes of warp-knitted fabric defect. It provides a new way to detect warp-knitted fabric defects automatically.     

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。     

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。     

浸胶帘子布横向收缩问题的探讨

从浸胶液的作用、伸张作用、张力不匀的影响和弧形扩布器的扩布效果几方面分析了帘子布产生横向收缩的机理。认为造成帘子布横向收缩的主要原因是伸张、经丝纬纱收缩及直径变化、纬纱沿布面弯曲,降低收缩率必须提高织机性能、选用重型或特重型织机,注意经丝原料性能和经丝张力的均匀稳定,适当调节弧形扩布器。     

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。     

基于动态模糊聚类的织物织造疵点检测算法

针对目前织物疵点检测算法普遍存在的适应性不强,实时性不高等问题,通过对织物织造疵点的深入分析,提出一种基于动态模糊聚类的织物织造疵点检测算法。该算法在对织物图像进行预处理之后,以织物图像的经纬向灰度均值投影为特征值,然后根据疵点区域灰度均值投影的畸变现象,利用动态模糊聚类算法分离出可能的疵点区域,最后设置合适的畸变密度和畸变度阈值对“伪疵点”区域实施有效过滤,以识别并定位疵点区域。实验证明,该算法可靠稳定,适应性强,并且具有较强的抗噪声干扰的能力。     

精纺呢绒经档原因分析和过程控制及预防

通过对经档、经绞印在精纺毛织物中的表现形式,指出了在影响产品质量的众多因素中经档、经绞印相对于其他纺织疵点来说具有较大的危害性、隐蔽性;同时通过对经档、经绞印形成原因的分析,总结出此类疵点可能产生的生产工序及形成原因,并对其做了较为详细的分析研究,提出了在实际生产过程中解决此类疵点相应的预防、控制措施,尤其是对含水溶性纤维的产品呢面经档、经绞印的预防、控制有独到的见解,对企业的生产具有一定的指导意义。     

稀经密高纬密粗厚织物的织造

为了解决稀经密高纬密粗厚织物在剑杆织机上织造时断边严重、断纬开车横档多等问题,通过对其经纬纱号及组织结构特点分析,从减少地组织与边组织缩率差异出发,优化边组织结构,对破斜纹类织物采用特殊的开车方法,使该品种织机效率从56%上升到85%以上,下机一等品率达80%以上.