近代胶东半岛花边织物的发展诱因与分析

通过对近代胶东半岛花边织物的系统探究,并追溯其在山东胶东半岛的发展历程,详细论述近代胶东半岛花边织物的工艺技术和艺术特征,进而阐明西方花边织物在胶东半岛的传播中蕴含了丰富的历史和现实意义。并对近代胶东半岛花边织物的发展成因这一课题进行研究,可以充分挖掘近代胶东半岛花边织物在极具浓郁地方特色的成因过程,科学吸收西方花边织物与当地民间花边织物的有机融合成果,对于当前我国纺织花边业的健康发展和技术提升具有重要的借鉴意义。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

融合高级语义特征的色纺织物图像快速检索

为提高色纺织物图像检索系统的有效性与执行效率,建立了融合高级语义特征的色纺织物图像检索系统.该系统利用深度卷积神经网络对色纺织物图像的风格等高级语义特征进行提取,并融合图像的局部二值模式与方向梯度直方图等浅层纹理特征构建层次化检索系统.与此同时,采用二进制哈希编码对提取的高维特征向量进行降维.采用该系统对具有9种不同纹...     

蕾丝花边的改进型纹理特征检索方法

针对传统的蕾丝花边检索主要依赖于人的视觉检测及文本检索,存在信息不稳定、效率低、检索效果不可靠的现象,提出了一种基于层次匹配下多特征融合的蕾丝花边检索方法。通过运用图案纹理特征标识图像,首先分别用灰度共生矩阵、灰度梯度共生矩阵、局部二进制算子提取纹理特征进行匹配。然后将3种提取纹理特征方法分别结合几何特征、不变矩特征量进行逐层匹配。最后将层次匹配下各个纹理特征进行融合,弥补了单个匹配方法的不足,同时在蕾丝花边库中验证所用检索方法的正确率。分析结果表明,该方法优于任意单个的蕾丝花边匹配方法,能较好地实现蕾丝花边检索,有效地提高图案检索的可靠度和准确率。     

织物颜色配准到标准色卡的计算机识别与仿真

为克服人工目测织物的颜色易受到光线和经验的影响产生误差的问题,提出一种基于计算机视觉和图像分析技术的织物颜色与纺织专用标准色卡自动配准的颜色识别与仿真方法,实现了针对1925种潘通色卡的织物颜色自动配准系统。该方法利用扫描仪获得潘通色卡棉布版的扫描图像,然后从色卡图像中提取颜色有效特征信息,构造色卡图像的色度特征数据库;设计了颜色分层模型和基于“一对一”支持向量机（SVM）与色卡图像数据的配准模型,经过对SVM模型参数优化和识别训练,系统与色卡匹配的正确率达96.89% 。另外使用296种未知色号的织物样本,将它们与系统进行配准实验,匹配正确率为 98.85%,为客观、快速地测色和数字仿真颜色提供了参考工具。     

基于边缘和颜色特征的织物印花花型检索

针对织物印花花型同型不同色和同形异构的特点,提出了一种综合花型边缘和颜色特征的图像检索算法。首先利用中值滤波对花型图像进行滤波去噪,并采用Canny算子获取花型边缘;以边缘像素坐标加权中心点为圆心,将各边缘点划分到若干等距环面内,提取花型边缘距离直方图,并在对边缘像素点直线拟合基础上,提取边缘方向直方图;然后在HSV空间内对彩色边缘进行颜色量化,提取各颜色分量构成颜色直方图;最后对3种特征分别进行相似性度量,并赋予三者不同权重予以结合,获得图像间相似度。结果表明,该算法具有平移、缩放、旋转不变性,并能兼顾边缘特征和颜色特征对检索结果的影响,准确区分同型不同色和同形异构的花型图案,该算法平均查准率可达93.17%。     

利用相关反馈技术和形状特征的服装图像检索算法

基于内容的图像检索在服装电子商务中是受关注的研究热点。形状特征是服装图像的最重要的视觉特征之一,但基于形状特征的图像检索一直是图像处理领域多年的难题。为了提高准确性,提出一种利用通用Fourier描述子与改进的相关反馈技术来提高服装图像检索精度的算法。通用Fourier描述子在所有形式的Fourier描述子中性能突出,同时根据样本的概率分布改进了查询向量优化算法中的权值计算方式,使相关尺度更加合理。实验结果表明所提出的算法相较于传统算法的优势。     

A fast approach for finding design repeat in textile rotary printing for fault detection

Speed is the most critical factor for real-time defect detection in fabric rotary printing systems. Most of the methods proposed in the literature work by acquiring an error-free image and registering this image with subsequent images captured during the production. In these methods, major time-consuming problem is to find the design repeat in the sample image before further processing. We proposed a fast method for finding the design repeat. The method is tuned up according to the textile printing domain. During the printing process, the fabric moves in a horizontal direction, so the image registration can be restricted to the same direction. To further speed up the process, the image registration method is applied using few initial pixel columns of the reference image with the sample image. This bunch of selected columns of the reference image is matched with the same number of columns selected from the sample image by moving this bunch on the sample image column by column. The maximum matching position is marked as a start of the design repeat. Since the repeat size is always fixed, we can extract the complete design pattern from an acquired image for further processing of fault detection. Experimental results on different fabric designs using the above-mentioned method are very promising.     

轧光工序中织物接缝线的图像检测

针对轧光工艺中织物接缝线的自动检测,本文提出了一种基于数字图像处理的判别方法。以防羽布的轧光工艺为例,首先对获取的图像进行灰度化与中值滤波预处理;然后对预处理的图像提取均值、标准差与变异系数(CV值)等特征参数;最后通过对这三项特征参数的分析与对比,发现特征参数CV值可以作为防羽布有无接缝线的判别依据。实验结果表明,特征参数CV值能够精确地判别织物有无接缝线,并且图像处理的计算量小,检测速度快,可实现接缝线的及时避让。     

Identification of fabric defects based on discrete wavelet transform and back-propagation neural network

Detection of fabric defects can be considered as a texture segmentation and identification problem, since textile faults normally have textural features that are different from features of the original fabric. A feasible approach for the recognition of fabric defects based on discrete wavelet transform and back-propagation neural network is proposed in this article, the indispensable processes of which are defect image preprocessing, wavelet transform, feature extraction, principal component analysis of the extracted feature parameters, and defect identification. Under the experimental condition, the average recognition accuracy of defects and nondefects are 99.2% and 100%, respectively. Experimental results show the advantages with high identification correctness and high inspection speed.     

仿蕾丝浮凸花纹效果提花面料的设计研究

为使提花面料具有仿蕾丝浮凸花纹效果,提取蕾丝的视觉风格特征要素(色彩、图案、肌理)作为设计元素,通过合理的组织结构设计和纱线配置来实现提花面料的创新设计。面料设计流程包括蕾丝图案设计和组织结构设计,蕾丝图案设计采用分层组合的图案设计方法;高花结构设计采用纬二重和双层结构相结合的组织结构。通过设计实践织出的仿蕾丝浮凸花纹效果提花面料的表面花纹不仅具有立体浮凸的效果,同时具有影光过渡的色彩效果。文章提出的仿蕾丝浮凸花纹效果提花面料的设计方法,不仅丰富了提花面料的外观效果,也为提花面料的创新设计提供了新的思路。     

织物褶皱多尺度灰度共生矩阵分析

为建立一套客观、稳定、高效的织物褶皱评价系统,文章提出一种多尺度图像特征提取方法。首先,通过3层小波变换对织物二维图像进行分解,得到其高频系数;对原图及三个尺度下的小波系数分别生成灰度共生矩阵,并对这四个尺度的灰度共生矩阵提取对比度、相关性、角二阶矩、同质性及熵值表征织物褶皱变化;最后通过支持向量机对输入特征进行分类。结果表明,结合小波变换的灰度共生矩阵方法比单独使用灰度共生矩阵分类准确率高,说明多尺度的图像特征能够更加全面地描述织物褶皱变化。     

基于纤维纵向显微图像的棉／亚麻单纤维识别

 针对棉/亚麻混纺纤维构成的织物,基于其单纤维纵向显微图像（纤维切段的长度约为0.5mm）,研究了纤维的自动识别方法。在纤维检测中,先对纤维图像进行去背景处理,而后运用形态学闭运算和背景区域生长相结合的方法获得纤维的目标区域,对图片中出现的玻璃划痕、干扰杂物等进行了很好的滤除。由纤维骨架垂直方向上的区域图、二值图和细化图得到它们的垂直积分投影序列,并提取这3条序列各自的变异系数CV值和平均值共计6个参数。将这6个参数作为棉/亚麻纤维的特征参数,训练最小二乘支持向量机分类器,对测试集的测试结果表明该分类器对棉/亚麻短纤维的识别率正确率平均为93.3%。     

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%。     

基于图像处理的织物保形性检测

为更加全面、准确地评价织物保形性,开发了能够模拟织物在日常使用中被压皱后展平的恢复过程动态检测系统。通过检测系统获取织物折痕回复的视频序列,利用程序提取出各时刻的单帧视频图像,然后依次对图像进行预处理、二值化处理与细化处理,最后提取出反映织物保形性的指标,包括顶角、顶高、保形面积。实验结果表明:在折痕回复阶段,随时间延长各指标变化速率逐渐降低,在压力为10 N,加压时间为10 s的条件下,试样在60 s后趋于平稳;60 s时的顶角与现有标准方法测得的折皱回复角存在线性函数关系,顶高、保形面积与标准方法测得的悬垂系数之间存在线性函数关系。该系统可以通过顶角、顶高、保形面积3项指标预测织物折皱回复角与悬垂系数,并能够精确描述织物保形性动态变化过程,可实现对织物保形性精确、全面的评价。     

融合高光谱和图像深度特征的腊肉分类与检索算法研究

本文以腊肉为实验对象,建立一种融合光谱曲线特征和图像特征的肉类食品分类与检索方法,利用10个3×3的卷积层、3个5×5的卷积层、5个5×5的池化层和2个全连层的CNN模型对高光谱图像进行特征提取,并以交叉熵作为优化目标,同时利用多元散射校正和主成分分析方法(Principal Component Analysis,PCA)对光谱特征进行预处理和特征提取,然后将两种特征进行融合,并将融合特征利用支持向量机(Support Vector Machine,SVM)进行分类。结果表明,直接使用CNN训练好的模型对高光谱图像进行特征提取,利用SVM作为分类器,分类的准确率只有75.6%,融合光谱曲线特征后用SVM进行分类,准确率可达99.2%。此外,本文还计算了被检索样本和标准等级样本特征向量的欧氏距离,完成了腊肉新鲜度等级的检索任务,显示了该方法的可行性和有效性。     

织物纹样特征提取与匹配方法比较

针对织物纹样自动识别过程中因尺度、旋转和褶皱等因素引起图像差异的问题,探索了复杂纹样特征的准确提取与匹配方法。以江崖海水纹样为例,采集尺度、旋转、模糊、光照、褶皱5种变化下的织物纹样图像,分别运用尺度不变特征变换(SIFT)、快速鲁棒性尺度不变特征(SURF)、二进制鲁棒不变可扩展关键点(BRISK)3种方法提取纹样局部特征,然后采用欧氏距离进行特征匹配计算,最后通过随机抽样一致算法剔除误匹配对。结果表明:采用BRISK算法的准确配对率最高,平均准确匹配率达87.10%;褶皱对织物特征匹配的影响最大,该变化下BRISK算法的鲁棒性优于SIFT和SURF算法;BRISK算法速度最快,图像平均匹配时间0.551 s;在织物纹样特征匹配中,BRISK算法比SIFT和SURF算法具有更好的适用性。     

基于计算机视觉的核桃外观缺陷检测

为快速准确识别核桃外观缺陷(黑斑、破裂),自行搭建图像采集系统采集样本图像。预处理后采用形态学和逻辑运算去除背景,基于样本图像提取18个颜色特征参数和20个纹理特征参数。采用形态学和逻辑运算提取缺陷部分和样本投影像素面积的比值t以及样本图像阈值分割后二值图像的欧拉数。分别采用回归系数法(Regression Coefficient,RC)和连续投影法(Successive Projections Algorithm,SPA)优选特征参数并建立偏最小二乘法(PLS)模型。结果表明,基于SPA法优选特征参数建立的模型性能最优。将SPA法提取的5个优选特征参数作为输入建立最小二乘支持向量机(LS-SVM)模型,并对预测集样本进行预测。结果表明,对正常核桃、黑斑核桃、破裂核桃的判别准确率分别为88.9%、83.3%、94.6%,总判别率为88.9%。本研究建立的方法能够很好的对核桃外观缺陷进行检测,为今后核桃的在线检测分选提供了技术支持。     

基于BPNN和SVM的烟叶成熟度鉴别模型

为了在烟叶采收环节中快速准确地鉴别适熟烟叶。以下部烟叶为样本,利用烟叶图像的RGB颜色特征信息,以目标区域和背景区域平均灰度值的最大对比度为依据,选取G-B图像提取烟叶目标区域。目标区域通过形态学膨胀和腐蚀运算去除噪声后,从原始烟叶图像中得到目标烟叶图像。通过MATLAB软件提取R、G、H、S、V颜色特征均值,以及能量ASM、熵ENT、惯性矩INE、相关性CORRL纹理特征,将这9个变量作为输入参数,分别建立基于BP神经网络、支持向量机的烟叶成熟度鉴别模型,准确率分别为93.83%和97.53%。试验结果表明,通过机器视觉对烟叶成熟度鉴别是可行的,为进一步研制烟叶采收机奠定了基础。      

多梳拉舍尔定位蕾丝面料的边部设计

边部设计对多梳拉舍尔定位蕾丝面料整体的美观效果和服用性能起着关键作用,为此,针对多梳拉舍尔定位蕾丝面料的边部设计问题,分析了大量边部特点,系统总结了常用的边部形态结构和边部排列方式。将边部设计方法概括为独立纹样设计法、主体纹样设计法以及相似纹样设计法3种,详细阐述了3种设计法的特点和元素搭配,得出一套适用于多梳拉舍尔定位蕾丝面料边部设计的设计理念,为提高这类面料的设计水平和生产水平提供参考。