基于通用字典的局部机织物纹理稳定表征

为改善固定字典表征织物纹理的效果,提出基于通用字典表征织物纹理的方法。首先,对字典学习法进行优选,分别选取8种任意正常织物样本和20种不同组织结构样本,采用优选后的字典学习法得到了1种普通通用字典、4种组织结构通用字典和1种联合组织结构通用字典。最后对通用字典的有效性进行试验验证,发现普通通用字典较固定字典能更好地适应织物纹理;在此基础上,比较了3种通用字典的性能。结果表明:在同等试验条件下,与固定字典相比,通用字典能更好地表征织物纹理;不同类型的通用字典可具有较好的通用或专用性。     

基于字典学习的机织物疵点图像等级评定研究

针对机织物疵点图像等级自动评定问题,在应用字典学习方法对疵点图像稀疏表达的基础上提出一种等级自动评定方法,采用该方法分别对样本大小和字典原子个数进行优化,首先在机织物纹理图像上截取特定尺寸的疵点纹理图像和正常纹理图像,对正常织物纹理图像进行K-SVD字典学习,然后用学习得到的字典对疵点纹理图像进行重构,最后根据重构效果进行等级评定。实验结果表明:最佳子样本尺寸为128像素×128像素,最佳字典原子个数为256。该方法的自动评定结果相对于人工评定结果准确率达到了83.61%。     

基于离散余弦变换过完备字典的机织物纹理稀疏表征

为进一步研究基于字典学习的机织物纹理表征算法的稳定性与可比性,提出用离散余弦变换（DCT）过完备字典稀疏表征算法来重构织物纹理图像。重点探讨了稀疏度、子窗口大小、字典个数对纹理表征效果的影响,利用均方根误差和峰值信噪比指标对机织物原图与重构图像之间的近似程度进行量化,并确定最终优选的稀疏度为10,子窗口大小为8像素×8像素,字典个数为256。实验结果表明,所提方法不仅方便快捷,还可得到较好的表征效果。此外,其DCT过完备字典峰值信噪比值仅次于基于训练的自适应学习字典,且优于主成分分析和非稀疏表征算法约4 dB。     

机织物密度对字典学习纹理表征的影响

为探讨纺织品表观质量的客观、智能评定方法,使用不同密度的机织物图像,采用子窗口样本获取方式作为学习样本,以离散余弦字典作为初始学习字典,选择基于最小二乘的字典学习算法求解用于表征织物纹理图像的字典,再通过字典元素的线性组合对织物图像进行重构。以均方误差为指标,首先讨论织物图像灰度值分布对字典学习算法重构误差的影响,然后对图像灰度值进行标准化处理,在此基础上探讨织物经纬密度对重构图像误差的影响。实验结果发现,当字典个数等于9时,织物密度在150 ~ 360根/10 cm之间,随着织物密度的增加,平纹重构图像的均方误差先变大,以后不再增加,而斜纹重构图像的均方误差增大。     

应用非负字典学习的机织物瑕疵检测算法

为进一步提高织物瑕疵检测算法对瑕疵类型的通用性,提出一种采用非负字典学习的机织物瑕疵检测算法。首先对正常机织物图像进行窗口分割,将每个子窗口按列展开成列向量,所有列向量联合组成1个矩阵;然后对该矩阵进行非负字典学习,得到个数最佳的非负字典,即基向量;最后应用该字典对待检测样本在最小平方误差下进行近似,并在重构误差的基础上进行疵点检测。重点探讨了窗口大小和字典个数对检测效果的影响。对4 864个样本的实验结果表明,所提算法能在误检率小于10%情况下,取得90%的检出率。     

基于通用学习字典的机织物纹理表征

为了提高学习字典的通用性,使其对不同织物密度样本均具有良好重构效果,提出一种包含多种织物纹理特征的通用学习字典构造方法。首先确定不同织物密度样本的取样尺寸和优化用于重构不同织物密度样本的学习字典原子个数,然后依据优化的参数训练得到不同织物密度样本的字典,最后将上述字典进行合并得到通用学习字典。针对不同密度的机织物纹理图像样本分别分析了取样尺寸和字典原子个数对图像重构误差的影响。试验结果表明:通用学习字典对不同机织物纹理的表征性能明显优于离散余弦变换字典。认为:通用学习字典具备了对多种不同密度织物的通用性,重构性好。     

基于稀疏优化的织物疵点检测算法

为提高稀疏表示方法对织物疵点的检测精度,提出了基于稀疏优化的织物疵点检测算法。首先,利用L1范数最小化从待检织物图像中学习出自适应字典库,用该库对织物图像稀疏表示,进而计算出稀疏表示系数矩阵;然后,对系数矩阵进行优化处理,采用字典库及优化系数矩阵对织物图像稀疏重构;最后,将重构图像与待检织物图像相减生成残差图像,用最大熵阈值方法对残差图像分割,定位出疵点区域。实验结果表明,本文算法所重构图像准确表示了正常织物纹理,相比已有检测方法具有较高的疵点检测精度。     

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。     

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。     

基于奇异值分解的机织物瑕疵检测算法

针对现有算法对不同机织物纹理适应性和实时性不佳的问题,本文提出了一种基于奇异值分解（SVD）的机织物瑕疵检测。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。本文重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4693个样本的实验,结果表明,本文所提算法能够使误检率小于10%,检出率大于90%。与AR模型算法进行实验比较,本文所提算法在检测精度和实时性上都优于AR算法。     

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。     

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。     

织物疵点图像消噪方法的比较

织物疵点图像的消噪是疵点识别和分类的重要预处理步骤。采用中值滤波、Wiener滤波和小波阈值化消噪3种方法对织物疵点图像进行消噪处理。在采用中值滤波和Wiener滤波时,同时选用3×3和5×5滤波器进行消噪;在采用小波阈值化消噪时,计算图像全局阈值,同时采用软、硬阈值消噪方法,对疵点图像进行消噪。通过实验比较,采用小波阈值化方法消噪时,疵点图像边缘清晰,峰值信噪比显著提高,其效果明显好于中值滤波和Wiener滤波;采用小波阈值化消噪后的疵点图像可在特征提取和识别中使用。     

基于时间序列分形特征的织物瑕疵检测

为充分利用织物纹理特点,并大幅度减少计算量,将织物纹理图像的灰度值分别沿纵、横方向投影得到一维时间序列,提取分形特征。根据Fisher判别准则优选了2个具有一定互补性而又能最大限度区分正常与瑕疵样本的时间序列盒维数组成特征向量,对7种具有不同纹理背景的织物进行瑕疵检测。试验结果表明,在一定的阈值范围内,误检率和漏检率可控制在10%以内,表明采用这种方法在大幅减少维数估算计算量的同时能够有效区分正常与瑕疵纹理。