基于图像匹配的制衣裁片对横条方法

针对格子类衬衫的衣服裁片缝制时需要对条对横的基本要求,提出在机器视觉范围内制衣裁片对横条方法。此方法通过工业相机获取需要缝制的格子类裁片的图像。首先,运用阈值法分割出裁片,孔洞填充以及形态学方法使锯齿边缘消除,通过面积大小识别前幅后幅并进行校正;然后,根据纹理灰度变化梯度计算裁片最小格子单元,选取缝合边缘区域大小为6~8个最小纹理周期作为模板,匹配另一相应缝制区域裁片,模板及匹配区域同时包含非裁片区域。经实验对比了几种不同模板及匹配算法后,分析裁片对横条产生偏移的原因,提出基于灰度的互相关匹配的裁片对横条方法,该方法能够不偏移的对齐横条,且误差小于1像素。     

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。     

窗口加权协方差矩阵特征值检测织物瑕疵

针对织物瑕疵严重影响布匹质量的问题,提出织物窗口加权协方差特征值自动检测织物瑕疵的方法。首先,选择织物窗口,以每个织物灰度值为中心的窗口遍历整幅织物图像,计算织物遍历窗口的加权协方差矩阵,从而得出织物窗口加权协方差矩阵的特征值。织物瑕疵对应的加权协方差矩阵的特征值小于织物无瑕疵区域对应的特征值。织物无瑕疵织物窗口加权协方差特征值的均值作为织物瑕疵分割阈值。在检测阶段,根据分割阈值对待测织物的窗口加权协方差特征值进行判别,从而达到准确检测织物瑕疵的目的。实验结果表明,织物窗口尺寸范围在(11,31)时,织物的窗口加权协方差矩阵特征值可以准确快速检测织物瑕疵。避免了PCA多维特征值分类的过程,提高了检测织物瑕疵的效率,满足了织物工业在线检测需求。     

应用显著性算法的纱线条干均匀度检测

针对运用图像方法进行纱线条干均匀度检测时,背景黑板、纱线毛羽以及图像噪声等对检测结果影响较大的问题,借鉴人的视觉感知机制,提出一种应用显著性算法检测纱线条干均匀度的方法。对采集到的纱线图像提取颜色和亮度特征,进行显著性分析,突出纱线条干区域,然后利用迭代阈值分割算法和区域滤波,得到准确清晰的纱线条干二值图像,基于此进行直径计算、均匀度分析和纱线疵点判定。通过边缘准确性评价可知,采用所提方法分割得到的纱线条干二值图像有着较高的分割精度。通过与Uster Classimat 5的均匀度检测结果进行比较,证明这种方法可得到准确的结果,与Used Classimat 5 的测量结果有着较好的一致性。     

基于微波透射法的织物含水率测试

探讨微波投射技术用于检测织物含水率的方法和效果.针对国内大多数纺织企业现有的检测方法大多为人工检测,且效率低、能源浪费严重的现状,设计出一种基于微波透射法的含水率检测系统.利用所建立的检测系统对细棉布、牛仔布和棉麻布含水率进行了测量,最后通过人工神经网络对所检测到的数据进行训练,并与传统称重法得到的结果进行比较.结果表明:该系统的检测精度高,达到了预期目标.认为:该系统具有实时性好、非接触、检测精度高、可实现在线检测等优点.     

基于FPGA的备自投的设计及实现

基于FPGA的设计技术是当前电子设计领域的前沿技术之一,该文根据目前电力系统的现状,根据备自投基于时序的特征,发挥FPGA逻辑处理速度快和并行特性,设计了基于有限状态机的备自投装置,实现供电的间断性最小化,较好的解决了停电时快速投切的问题。满足了电力系统实时性、可靠性的要求。     

异步电动机调速控制系统设计

运用正弦脉宽调制(SPWM)技术,以数字信号处理器(DSP)芯片TMS320LF2407为核心,辅以智能功率模块IPM和其它外部器件,设计了一种通用异步电动机变频调速系统。详细介绍了系统的硬件设计,给出了硬件的设计方案。软件控制程序主要由主程序和SPWM中断服务程序组成。实验结果表明:该实验装置结构简单,控制精度高,输出电流谐波失真小,有较强的实时性。     

两种带有CAN控制器的微控制器比较

对两种带有CAN控制器的微控制器的体系结构、内部特点、内置的CAN控制器、以及应用领域等进行了比较,详细介绍了它们在内置CAN控制器方面的区别.提供了在不同应用领域选择不同微控制器的新思路.     

基于多特征融合的电子布缺陷分类

针对传统的电子布缺陷分类方法效率低,稳定性差的问题,提出了基于多特征融合的电子布缺陷分类算法。首先,使用中值滤波对电子布图像进行预处理,滤除细节噪声,减少背景纹理的影响;其次,对预处理后的图像进行Canny边缘检测,利用Hu不变矩提取缺陷的几何特征;再利用尺度不变特征变换(SIFT)提取图像的纹理特征,使用K-means聚类后,构建电子布图像的词袋模型(BoW);最后,将几何特征和纹理特征融合,并传入SVM中进行训练,得到相应的电子布缺陷分类模型。实验结果表明,应用多特征融合的方法对电子布缺陷进行分类,其平均准确率可达97.22%,能够满足企业的实际需求。