一种基于Canny的原棉杂质图像分割方法研究

针对原棉杂质人工检验方式效率和效果不能保证的问题,提出一种基于Canny的原棉图像分割方法。该方法首先通过计算灰度的二阶微分增强图像,然后采用梯度按阈值取舍的方法检测图像边缘,在此基础上,结合"非极大值抑制"和形态学的连接操作,确保图像分割的效果。原棉杂质图像分割实验结果表明,该方法能够有效地将杂质与原棉背景分离,获取的杂质边缘清楚、流畅,有利于后期原棉杂质的分类与识别,同时,为棉纤维检验领域中机器视觉检测系统的研发提供了技术支撑和数据参考。     

基于图像处理的棉花表面杂质自动识别

针对棉花杂质检测中测量仪器成本高与不能实现杂质分类的问题,搭建了一种低成本的棉花表面杂质自动识别与检测系统。系统采用基于Canny的杂质图像处理算法,通过图像平滑滤波、梯度幅值和方向计算、非极大值抑制、高低阈值检测以及边缘连接,有效抑制了杂质图像虚边缘的产生,实现了棉花表面杂质的精准检测与识别。试验结果表明,以HVI检测结果为依据,该方法在含杂面积检测结果的标准偏差为0.021 2,含杂个数检测结果总体标准偏差为2.612 6,与HVI检测结果一致性较好;同时,在破籽类杂质的识别中,该方法与人工感官检验方法结果间总体标准偏差为1.019 8,识别结果整体离散性小,进一步验证了方法的有效性,也为棉花杂质的智能检测与分类识别提供了参考依据。     

应用自适应滤波与阈值迭代的原棉杂质视觉检测方法

针对Canny算子滤波模板参数与高低阈值人为设定而导致的杂质弱边缘丢失问题,提出一种基于改进Canny算子的原棉杂质检测方法,该方法采用自适应平滑滤波代替高斯滤波对原棉图像进行平滑,以小尺寸平均加权滤波模板与原图像迭代卷积,并在每次迭代过程中自适应地调整各像素的加权系数,同时,采用的最大类间方差法能够自适应地确定高低阈值,实现了滤波模板参数与高低阈值的自动优化,避免了弱边缘的丢失。仿真实验结果表明:该方法检测到的原棉杂质边缘完整、流畅,减少了伪边缘的出现,8连通域数与边缘点总数比值比Canny方法平均降低16.8%,8连通域数与4连通域数比值比Canny方法平均降低18.8%;同时,在对4种原棉常见杂质的识别上,该方法与国标方法检测结果平均相符率达到92.7%,能够有效用于原棉杂质的自动化检测。     

原棉疵点及杂质的检测方法研究与应用

采用数字图像处理技术对原棉疵点杂质进行检测与识别。利用自适应阈值分割的方法对目标图像进行分割及轮廓提取,并根据目标图像的相关特征值,提出了离心率与面积周长之比相结合的人工智能分析方法对原棉疵点杂质进行识别分类,取得了很好的效果。     

基于Faster R-CNN的织物表面打印导电线路中微滴目标检测

针对织物表面打印导电线路中传统的微滴目标检测通用性及智能化程度低的问题，使用深度学习模型实现了微滴形态的实时检测。通过对训练图片进行预处理，使用Labelimg工具标记不同形态的微滴灰度图像目标区域，生成相应的数据信息库，为后续的训练和测试提供数据集。利用深度学习目标检测模型训练标记好的数据集，得到最优检测模型。实验结果表明：相比于传统目标检测方法，深度学习检测模型对不同形态的微滴具有很好的适用性；相比于其他深度学习模型，Faster R-CNN模型的精度更高，对正常微滴和不良液滴检测的平均精度均值为84.89%。该研究为后续织物表面导电线路的精确成形提供了参考。     

应用聚类统计分析的棉花异纤图形检测算法

在棉纺企业原棉异性纤维剔除工艺过程中,异性纤维种类及特征多样,难以构造统一的识别模型,为此,提出了一种基于聚类统计分析的棉花异性纤维图形检测算法。通过获取原棉纤维及异性纤维在RGB颜色模型空间的各分量值,进行数值聚类统计分析,采用RGB彩色图像阈值聚类统计分类的方法将获取的图片信息分为3类,进而判断有无异性纤维,再经过形态学等预处理修缮图像,对棉花中异性纤维的特征进行提取,较准确地得到异性纤维的面积、质心坐标和周长等参数,为异性纤维的清除提供条件。实验结果表明,该算法能较准确地识别异性纤维。     

基于光电技术的棉纤维杂质快速测定

针对棉纤维杂质人工检测耗时长、劳动强度大等问题,提出一种基于光电技术的棉纤维杂质机器视觉测定方法。首先通过改变平滑模板窗口尺寸对棉纤维图像自适应中值滤波优化,然后采用Otsu算法自适应选取分割阈值,并遍历整个图像,进行边缘断裂端点的连接、边缘生长与连接,搭建光电检测系统原型,实现了棉纤维杂质的快速测定。实验结果表明:该方法能够有效去除图像噪声,避免伪边缘的产生,检测到的杂质边缘清晰完整。光电检测耗时较GB/T 6499—2012《原棉含杂率试验方法》降低95.1%,结果间误差为2.35%,杂质粒数与杂质面积比参数结果误差均在2.1%以内,能够有效用于棉纤维杂质的快速准确测定。     

基于高低阈值迭代优化的原棉图像杂质检测

在原棉杂质图像的Canny边缘检测中,高低阈值直接影响到杂质检测结果的准确性,而目前高低阈值主要靠人工经验来设定,针对这一问题,提出一种改进的原棉杂质图像识别方法。方法在传统Canny方法的基础上,通过新加入45°、135°方向模板求取梯度幅值,在采用线性插值法进行非极大值抑制的同时,进行高低阈值的迭代优化,进而实现阈值的自动优化以及伪边缘的抑制。仿真实验表明,本文方法在有效抑制噪声的同时,能够自适应地优化高低阈值,一定程度上的减少了伪边缘的出现,检测到的原棉杂质边缘完整,尤其对于破籽的识别,其相符率达到93.2%,能够有效应用于原棉中杂质的识别与检测。     

基于边缘检测的原棉杂质图像识别方法适用性分析

针对如何选择适合原棉图像的边缘检测方法,高效地进行含杂分析与识别的问题,选取Sobel算子、Roberts算子、LoG算子、Canny算子4种边缘检测方法进行适用性分析,实验选取原棉作为样本,在检测效果、检测耗时、检测概率比3个方面对各算子进行了对比与分析。结果表明,相比其他算子,Canny算子在高阈值为1.5时,低阈值为0.2时杂质边缘定位准确、背景噪声小,尤其对于破籽类杂质的识别,检测概率比达到92.5%,检测效果优于其他算子,更适用于原棉杂质图像的分析与识别。     

基于树莓派的深度学习色织物疵点检测研究

研究基于树莓派的深度学习色织物疵点检测效果。设计了一种基于树莓派的深度学习疵点检测系统。采用多线程并发执行思路,将系统任务划分为图像采集、图像处理和人工交互三个线程;采用改进的Inception-v3模型图像处理算法,实现了织物图像疵点检测和分类;通过人工交互界面,实时显示系统的运行数据,根据色织物疵点报警停车。结果表明:该系统实现了色织物疵点检测和分类,平均准确率达94%。认为:该织物疵点检测方法可达到工业现场在线检测的要求。     

基于图像处理和神经网络的原棉的杂质及颜色的客观评定

原棉中的杂质和原棉的颜色是当前棉花分级系统中非常重要且又起决定作用的因素。本文中 ,所研制的图像系统能从彩色ＣＣＤ摄像机拍摄的原棉图像中将杂质特征描述出来 ,并获取颜色参数。在原棉的实物标准图像阈值化及连贯性检查后能够求出杂质颗粒的数量、含量、大小、大小分布和空间密度。如果原棉的图像中含有杂质 ,则原棉的颜色分级要受到杂质的影响。因此 ,采用一个能计算含杂图像和不含杂图像间颜色差别的色差方程 ,研究了杂质对颜色分级的影响。原棉的颜色分级系统包括一个证明有很好分级力的经训练的人工神经网络 ,证明应用人工神经网…     

微电脑原棉杂质分析机

1　概述原棉含杂率是评定棉花质量等级的一项重要参数 ,原棉杂质分析机是获取这项参数必不可少的检测设备。目前 ,在国内市场占主导地位的原棉杂质分析机是ＹＧ0 4 1和ＹＧ0 4 2型。虽然它们的机械结构和工作气流方式已对原有的Ｙ1 0 1型有所改进 ,但是其控制、测定仍然采用传统的手工操作及计算 ,工作量大 ,效率低 ,人为因素多 ,易产生误差。在我国已加入ＷＴＯ ,棉花公证检验制度已在全国全面推行的今天 ,运用电子技术改造提升传统的原棉杂质分析机的性能及水平势在必行。ＹＧ0 4 2Ｗ型微电脑原棉杂质分析机就是在这种形势下应运而生的 ,…     

基于深度学习的电线杆检测方法

针对复杂检测环境下的电线杆检测问题,将电线杆检测转化为图像中的目标检测,并将基于深度学习的目标检测算法应用于电线杆检测。通过构建电线杆图像数据集,进行大量实验,验证了检测系统的有效性。该检测系统是一个端到端检测系统,只需输入图像或视频帧,即能快速准确地定位图像或视频帧中电线杆的位置,并做出类别预测,其中:电线杆定位准确率高达98.77%,相同条件下检测效率高于现有实时目标检测系统,可保证电线杆定位准确。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于深度神经网络的卷烟燃烧锥落头检测和分类识别

为提高卷烟质量评价过程中燃烧锥落头倾向的判断效率和准确性,构建了卷烟燃烧锥落头检测和分类识别模型。测试了100种市售卷烟的燃烧锥落头倾向,对收集的卷烟燃烧锥图像进行缺陷剔除、分类标注以及特征增强或减弱等处理后分别建立落头检测数据集和落头分类识别数据集;选取ResNet、MobileNet和ViT(Vision Transformer)作为主干网络建立3个深度神经网络模型,利用燃烧锥落头图像对模型进行训练,并采用精确率（P）、召回率（R）、f1分数以及模型容量对模型表现进行评估。结果表明：(1)3个模型均能较好地进行落头检测（模型损失值L<0.05,P>99%,R>99%）,但ViT模型在落头分类识别测试集上的损失值一直未能收敛,不适用于落头分类识别（P=86.05%,R=76.04%）;(2)基于f1分数和模型容量优选出的MobileNet模型具有准确度高、运算速度快等优势,对落头检测和落头分类识别的平均精确率分别为99.64%和89.50%。该方法可为研究卷烟表观燃烧性能提供支持。     

深度学习算法在织物疵点识别中的应用研究

目前,纺织厂织物疵点识别工作仍由人工完成,但传统人工验布方法检测效率低,漏检率高.文章采用深度学习算法中的卷积神经网络自动提取织物特征,同时对织物中三种经典类型的布进行训练学习,经过多个卷积层和池化层,最后采用Sigmoid函数进行分类.在包含3600幅图像的数据集上进行实验,其中训练集2000幅、验证集800幅、测试...     

YG041型原棉杂质分析仪使用中存在的问题与设计改进

<正>YG041型原棉杂质分析仪是一款在棉花加工厂广泛使用的皮棉含杂率测试仪器,是大部分棉花加工厂进行收购和加工时进行棉花含杂率分析的主要仪器。近期由于工作原因笔者使用该型原棉杂质分析仪做皮棉含杂率分析实验,在对该型仪器的操作过程中发现了一些问题并由此引发了思考,现将所发现的问题和想法总结如下,供大家探讨。     

原棉在库分组精准配货技术试验性研究

研究、验证原棉精准配货、排序装卸算法,实现棉花流通各环节信息流与物流精准对接,实现棉包信息的融合与共享.与用棉企业、仓储企业合作,利用电脑配棉系统原棉分组算法,结合物流过程中的搬倒环节,为棉包重新赋予信息条码,实现原棉的按质、按需分类,存储及精准配货使用.具体利用实验,对分组过程中的用工、用时、设备等情况进行统计分析,...     

基于局域特征相似性度量的卷烟制品外观缺陷检测

为解决深度学习技术在卷烟制品外观缺陷检测中存在人工标注繁琐、目标形态随机性大等问题，提出了一种基于局域特征相似性度量（Local Characteristic Similarity Metric,LCSM）的图像算法。LCSM算法只需要对正常样本进行训练，使用特定的卷积神经网络提取正常样本的特征并构建图像每个区域的数据特征分布，再提取测试图像局域特征向量并采用Wasserstein距离度量其特征分布与对应正常样本特征分布之间的相似性，从而判断测试图像是否存在缺陷。采集并制作了卷烟小盒、烟用胶囊和烟支3个数据集用于验证LCSM算法性能。结果表明：LCSM算法在3个数据集的缺陷检测准确率分别达到98.75%、99.50%和98.50%，与近期报道的Skip-GANomaly、STPM以及IGD算法相比，分别提高14、2和2百分点。该方法可为提高卷烟制品外观缺陷检测准确率提供技术支持。     

基于迁移学习的小样本织物图像自动分类与检索系统

针对织物图像在电子商务、库存管理等领域的应用存在分类繁琐、检索精度不高等问题，提出了一种基于迁移学习的小样本织物图像自动分类与检索系统。首先，设计并改进了基于迁移学习的深度学习模型，对其进行微调；然后基于小样本织物图像集训练，生成新的分类模型，实现织物图像自动分类；最后，去除新模型中的分类层，提取数据集所有织物图像的图像特征，存储到Milvus向量数据库中，输入待检索织物图像，选择相似度计算方法，实现织物图像top k检索。实验结果表明：预训练模型经重新设计及训练后，织物图像识别精度可达99.5%,top 5检索的平均精度均值为0.992,平均查准率为99.65%,平均检索时间0.165 3 s。通过系统的实施，可为小样本织物图像分类与检索领域现存问题提供可行的解决方案。