基于图元分割与Gabor滤波的织物瑕疵检测方法

为实现含复杂图案织物的自动化检测,提出基于图元分割与Gabor滤波的织物瑕疵检测方法,对具有复杂周期变化图案的织物进行检测。根据图像纹理的周期变化规律,确定图案单位模板大小,即包含一个周期图案的晶格。对图像进行自适应分割,并通过图元分割获得单元图像元素。通过Gabor滤波器生成特征的响应分布,获取理想的模板晶格,根据提出的投票程序,通过分析其特征向量的Manhattan根据距离图元晶格差异的分布来识别瑕疵图元晶格。实验结果表明:检测方法对星形和箱形图案的织物样本数据集上检测效果较好,显著提高了样本的查全率。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

自适应局部二值模式算法及其在织物疵点检测中的应用

为了能够准确地提取不同纹理的特征,提出一种新的纹理特征提取方法,自适应局部二值模式为不同纹理特征创建相应的主要概率模式子集,避免了均匀局部二值模式使用同一模式集描述不同纹理结构而导致的描述不准确问题.在该算法基础上构建一种新颖的织物疵点检测算法,使用本文提出的特征提取方法获取无疵点织物图像特征并确定疵点判断阈值,然后将待检测织物图像分割为大小相同的检测窗提取特征后,与阈值比较以判断是否为疵点区域.实验证明此算法不仅保持了传统LBP的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加细腻、误检率更低、适用范围更广.     

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。     

采用奇异值分解的机织物瑕疵检测算法

针对现有算法对机织物纹理适应性和实时性不佳的问题,提出一种基于奇异值分解(SVD)的机织物瑕疵检测算法。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。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4 693个样本的实验,结果表明,在误检率小于10%情况下,本文算法的检出率可达90%。经比较,本文算法在检测精度和实时性上都优于AR模型算法。     

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。     

应用积分图的织物瑕疵检测快速算法

为解决现有基于图像处理的织物瑕疵检测算法实时性较差、正确率偏低等问题,提出一种包含学习和检测2个阶段的瑕疵检测算法。通过对无瑕疵模板图像的梯度能量特征及其分布特性的学习,自适应获得检测阶段所需的参数。一方面利用积分图原理将任意大小的图像块内的求和运算化简为三次加法运算,快速提取织物图像的梯度能量特征,实现织物瑕疵的实时检测,另一方面利用核函数拟合特征参数分布,结合均值漂移法求解分布峰值获得自适应的瑕疵判定阈值参数,实现织物瑕疵的准确分割。通过实验将本文算法与现有基于局部二值模式特征、小波特征、规则带特征等算法进行对比,针对包含3种纹理6类瑕疵的织物图像数据集的测试结果显示,本文算法平均处理时间为56ms,正确率为97%。     

基于改进局部自适应对比法的织物疵点检测

为提高织物疵点检测的准确率和检测效果,采用了一种基于最相似邻域的背景估计法来进行检测。首先,利用同态滤波对图像进行预处理;然后,以滤波后图像每个像素点为中心点,以11像素×39像素的窗口大小为中心区域,通过计算中心区域与周围邻域的相似度,利用最相似的邻域进行背景估计;最后,利用背景差分原理获得目标图像,并采用阈值分割和形态学方法对图像进行处理,最终获得检测结果。实验结果表明:此方法优于传统的检测方法,不仅能够检测到复杂背景下的疵点图像,而且对不同组织及光照因素影响下的织物疵点图像同样具有很好的检测结果,检测准确率可达98%,具有较高的适用性与检出率,也具有一定的抗干扰性。     

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。     

基于图像处理的无图案纺织品瑕疵检测方法

瑕疵检测是纺织品生产过程中的重要一环,直接影响产品销量。文章提出了一种基于图像处理的无图案纺织品瑕疵检测方法,主要由预处理、阈值检测和瑕疵定位3个部分组成,首先,对无图案纺织品图像进行预处理操作,通过灰度直方图均衡化和中值滤波对无图案纺织品图像进行平滑去噪;其次,通过阈值处理,对无图案纺织品图像进行二值化处理,将无瑕疵区域看作背景、瑕疵区域看作前景;最后,对瑕疵区域进行特征提取,定位瑕疵并输出。实验表明,基于图像处理的无图案纺织品瑕疵检测方法能有效检测无图案纺织品中的瑕疵位置。     

基于相似性定位和超像素分割的织物疵点检测

为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。     

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...     

基于多特征融合的织物印花图像分割

针对织物印花检测精度的问题,采用结合颜色特征和纹理特征多特征融合的方法,对织物印花图像进行有效分割,从而为提高织物印花的检测精度奠定了基础。在织物印花的分割过程中,首先采用颜色特征结合基于自动种子点选取的区域增长算法对图像进行初始分割,在初始分割的基础上,利用小波变换提取干扰区域的纹理特征,从而可以进一步地消除干扰区域,实现织物印花图像的准确分割。实验结果表明：基于多特征融合的分割算法能够准确地分割出织物的印花图案,克服了仅仅采用颜色特征或者纹理特征时产生的分割失真,提高了分割的质量,具有较好的应用价值。     

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.     

基于人工神经网络的织物疵点聚类分析

本文提出了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,实验采用五类织物样本,网络训练完成后得到实际分类的疵点数据,并利用该数据进行织物疵点分类,分类的准确率达到100%,从而验证了该方法的可行性。     

基于局部统计与整体显著性的织物疵点检测算法

由于织物疵点类别较多及图像纹理多样化,为了能更有效检测织物疵点,本研究结合局部统计特征与整体显著性分析,提出一种新的织物疵点检测算法。首先将图像分为大小相同的图像块,采用局部二进制模式和灰度直方图分别提取图像块局部统计特征;其次针对每个当前图像块,随机选取K个其它图像块,分别计算局部二进制模式统计特征对比度和灰度统计特征对比度,完成基于上下文整体显著性分析生成视觉显著图;最后采用基于迭代最优阈值分割算法对显著图进行分割,得到织物疵点检测结果。实验结果表明,该算法综合了局部统计特征和整幅图像的上下文信息,可显著突出织物疵点区域,实现对织物疵点的有效检测。     

基于完全局部二值模式的多光谱法识别损伤苹果

目的 建立一种基于完全局部二值模式的多光谱法识别损伤苹果。方法实验搭建苹果的多光谱数据采集平台,采集了558组苹果多光谱数据。使用完全局部二值模式算法提取苹果的特征向量,再将特征向量送入支持向量机中,比较分类结果。结果通过准确率、特异度和召回率三种平均指标,在完全局部二值模式结合支持向量机分类模型下,苹果多光谱图像的25 个波段对表皮有损苹果和表皮无损苹果有很好的识别效果。并在第20 波段的识别准确率达到最高为99.63%。多光谱25个波段的平均分类准确率达到了99.110%,第20波段分类准确率最高,达到了99.632%,准确率越高,分类效果越好。结论所建立的方法可以实现有损苹果和无损苹果的高效识别,对苹果的储运和分选都有一定的意义。