织物自动检测系统设计与实现

应用4片DSP+FPGA流水阵列结构,用现场可编程门阵列FPGA对采集的视频数字图像信息进行处理,实现了织物疵点自动检测。设计了以4片TMS320C62x为数字图像信息处理核心,由FPGA实现系统控制互连的织物疵点自动检测系统,设计了基于直方图统计和基于支撑矢量机的织物疵点分类识别算法。实验结果表明,当样布传送速度达到100、120 m/min时,该织物疵点自动检测系统对样布的疵点识别准确率分别达到80%和60%。     

基于直方图统计的织物疵点识别算法

 提出运用织物图像的直线纹理特征 ,由概率统计生成直方图 ,有效地提取织物图像的特征波形 ,经大量检测试验证明特征波可靠稳定。基于波形特征参数对比能准确定位织物纹理结构的异常位置 ,正确识别织物疵点。为简化识别算法可引入阈值过滤 ,允许正常波形参数通过过滤 ,而记录异常波形变化 ,用过滤单一的正常纹理来识别类型复杂的织物疵点。     

高效能的织物疵点识别算法及其实现

通过对织物结构的深入剖析，提出运用布纹的直线特征纹理，由概率统计生成直方图，有效地提取织物的特征波形，经大量试验检测证明特征波可靠稳定。基于波形参数对比能准确定位突变或异常位置，正确识别织物疵点。为简化识别算法可引入阀值过滤，允许正常波形参数通过而记录异常状态变化，用过滤单一的正常纹理来鉴别类型复杂的疵点，成为简单高效的织物视觉检测算法。     

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。     

应用Gussian回代交替方向图像分解算法的色织物疵点检测

针对传统的人工织物检测方法效率低,稳定性差,处理速度慢的问题,提出了基于Gaussian回代交替方向(ADMG)图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作,以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法,将色织物图像分解为疵点部分u和纹理部分v。最后,应用二维Otsu阈值方法将图像的疵点部分u分割,识别织物图像上的疵点。实验结果表明:通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的,可得到满意的识别结果。     

基于遗传算法的织物疵点特征选择

 为提高疵点分类的正确率,提出应用遗传算法对织物的疵点进行特征选择。首先提取机织物疵点图像,基于直方图、灰度共生矩阵、灰度差分统计、小波差分统计等描述纹理特征,采用遗传算法对这些特征组成的特征向量进行特征选择,再用支持向量机（SVM）分别对原特征向量和选择的特征子向量进行分类。实验结果显示,织物疵点的平均识别率从原来的89%提高到95%,说明该算法对织物疵点特征选择是有效的。     

织物疵点图像的直方图处理与增强

图像增强能有效增强罔像整体或者局部特征,直方图规定化和均衡化能有效用于图像增强.原始采集到的机织物疵点图像经过直方图均衡化或规定化处理后能较好地识别其中的疵点部分.利用matlab的图像工具箱函数,讨论直方图处理技术对织物疵点图像进行增强处理,同时,选取不同的规定化函数对直方图处理织物疵点图像结果作相关比较.     

纺织品疵点自动识别方法研究

疵点检测是纺织品质量检验中的重要一环,因织物的组织结构多样,不同织物表面的纹理特征具有较大差异,很难建立一种通用的数学模型来描述。介绍了一种基于SVM和自适应LBP算子的织物疵点识别方法。利用自适应LBP算子的灰度不变性和自适应纹理分析性能提取图像的归一化直方图特征参数,并将其作为支持向量机的输入参数进行训练,获得支持向量。然后将支持向量机作为分类器最终实现疵点图像的识别。实验表明,该方法的准确性较高,速度快,适应性强,是一种比较理想的织物疵点识别方法。     

基于遗传规划的织物自适应正交小波基的构造和优化

 为了实现机织物疵点的自动检测,文章在构造织物自适应正交小波库的基础上,运用遗传规划算法,将构造的小波库作为群体规模,对遗传规划算法四种不同的适应度函数进行优选后,从群体规模中优化出与织物纹理相匹配的小波基。研究结果表明,以织物纹理波动为适应度函数得到的小波基与织物的匹配性较好。试验验证了该方法对相关疵点检测的有效性,并采用窗口分割法对织物疵点进行定位,表明采用遗传规划算法结合适应度函数优选的方法,能够找到与织物纹理相适应的最优小波基,实现织物疵点的自动检测。     

基于方向灰度积分曲线特征的织物疵点检测算法研究

针对于断纱、缺纱、穿错、粗纱等这类结构型织物疵点,由于其具有灰度跳变不明显、疵点面积小的特征在疵点检测过程中难以检测这一问题,本文结合织物图像自身的纹理特征及结构型疵点的方向性特征,创新性地提出基于方向灰度积分曲线特征的织物疵点检测方法,将二维织物图像的疵点检测转化为对一维灰度积分曲线特征的分类识别。该方法通过对输入的图像提取垂直水平方向灰度积分波形曲线,并对积分曲线提取了包括平均值、方差、能量等14个波形特征,然后利用可优化SVM分类算法对提取特征进行疵点判别。通过对漏针、断纱、并经、粗纱等疵点进行检测试验,结果表明,本文提出的疵点检测方法不仅对检测灰度跳变较小的结构型疵点具有较好的检测效果,检测准确率达到了94.34%,而且检测速度快,可以满足实时检测的速度要求。     

一种帘子布疵点检测新方法

帘子布作为一种特殊纺织品,其外形的不确定性给疵点的自动识别带来了困难。针对帘子布的纹理特点,提出了一种参数优化的第三代人工神经网络(PCNN)模型,利用此模型对帘子布疵点特征值进行提取,然后用BP神经网络实现帘子布疵点检测。实验表明该方法可准确检测帘子布中劈缝、浆斑、经线粘连、颜色不均、稀经、断经和断纬七种疵点,具有分类准确、识别速度快的优点。     

Yarn-dyed woven defect characterization and classification using combined features and support vector machine

In this paper, we present a novel defect evaluation method that uses combined features and modified support vector machine (SVM) classifiers to characterize and classify the defects of yarn-dyed fabrics. Yarn-dyed fabric images are preprocessed, and nine parameters are defined in the combined feature extractors. Based on binary and textural energy images for defect regions, yarn-dyed fabric defect features can be described, such as weft length, warp length, weft length to warp length ratio, perimeter, area, roundness, coarseness, contrast, and directionality. These parameters are also used as the inputs of optimized SVM classifiers to obtain overall defect classes in accordance with the Chinese National Standard of Yarn-dyed Pattern Fabrics (GB/T 22851 – 2009). The effectiveness of this evaluation method is tested by 180 selected defect images of yarn-dyed fabrics that have different patterns. The cross-validation tests on the yarn-dyed fabric defect classifications indicate that the defect categories of more than 91% of these diversified samples can be recognized correctly by using the SVM classification scheme. Furthermore, the extracted defect parameters provide useful information for textile and clothing manufacturing to grade yarn-dyed fabrics.     

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。     

织物表面疵点检测方法的设计与实现

针对传统织物生产企业中,人工检测织物存在瑕疵检出效率低、误检率高的问题,提出了一种织物表面疵点检测方法。该方法首先采用高斯滤波、线性归一化以及限制对比度自适应直方图均衡化对织物表面图像进行预处理,从而有效增强图像中的疵点表现细节,然后通过改进的Gabor优化选择,再对选择后的图像进行初分解,从中挑选出最优滤波图像进行二值化处理,最后运用统计学方法进行疵点判断并获得最终结果。该方法实现简便、硬件要求低、适应性广,可用于判断织物表面是否含有疵点,并定位疵点。实验证明,织物表面疵点检测准确率高达95.38%。     

基于机器学习的布匹瑕疵识别研究

纺织工业是我国制造业出口的重要组成部分。布匹的质量控制在纺织工业中尤为重要,而布匹瑕疵是影响布匹质量控制的重要因素之一。在中小企业中,布匹瑕疵识别主要依靠人工流水线作业,存在着人工成本高、人眼识别准确度低等问题。因此,一个有效的布匹瑕疵检验系统是十分必要的,布匹瑕疵分类算法是保证疵点判决效率的核心。基于布匹生产企业存在的问题,有针对性地研究了机器学习与计算机视觉的布匹瑕疵识别算法的基本原理,介绍了各类布匹瑕疵识别中的检测与分类算法,将最近发展迅速的机器学习的理论研究引入布匹瑕疵识别中,对涉及机器学习的模式识别算法进行了介绍。     

基于支持向量机的白酒上甑探汽方法研究

针对白酒"探汽上甑"工艺在实现自动化过程中出现的探汽准确率低的问题,提出了一种基于支持向量机的探汽方法。使用红外热成像仪采集甑桶内酒醅表面的红外灰度图像并进行直方图处理,再提取多个特征,结合工程经验添加标签构成训练集,通过支持向量机训练得到上甑过程中的探汽模型。通过测试,该方法的探汽准确率高达96%,能满足白酒生产工艺要求。     

机械图像处理技术在织物疵点检测中的应用

提出了一种基于机械图像处理技术的织物疵点检测新方法.首先对采集的织物图像进行小波变换,对增强后的疵点图像采用最佳阈值分割和形态学运算,最后对织物疵点进行边缘检测.比较表明,新方法优于经典的边缘检测方法,对织物疵点边缘检测更为有效.