基于滚动引导滤波与FT算法的色织物疵点检测

针对色织物疵点检测纹理背景对检测结果影响大的问题,提出一种滚动引导滤波和频率调谐显著性相结合的色织物疵点检测算法。采用滚动引导滤波在保留疵点区域的同时抑制色织物的纹理背景;应用频率调谐视觉显著性算法得到全分辨率的显著图;使用迭代阈值分割将显著图二值化,并运用形态学运算去除孤立的像素点,疵点检测效果较好。认为:该算法能够有效抑制织物的纹理,对疵点区域精准分割。     

基于裂变粒子滤波算法的织物图像疵点检测研究

为了提高织物图像疵点检测的效果采用裂变粒子滤波算法。通过分类复制算法对粒子进行选择,整个过程粒子总数不变;裂变因子控制粒子裂变数量与其对应的被裂变粒子权值成正比,大权值的粒子能够裂变生成更多的粒子,根据多样性函数以及广义似然比检验定律判断是否处于有限收敛界,若是则停止裂变;织物图像的像素点分预测、更新消噪过程,疵点区域通过最佳阈值分割;给出织物图像疵点检测过程。实验仿真显示,此算法对织物图像疵点检测效果清晰,疵点在整体上保持了较为完整的检测效果,误检率、检出率指标较优。     

基于改进宇宙算法的织物图像疵点检测研究

为了提高织物图像疵点检测的质量,采用改进宇宙算法对织物图像疵点进行检测。首先建立织物图像透光率模型,通过检测成像图像灰度的变化即可检测织物图像疵点,并对参考与待测图像的灰度差值进行计算,对存在缺陷的区域通过概率密度分布函数得到最优分割阈值;然后确定宇宙拓扑结构,某个宇宙内的信息发生变化,通过信息移民策略使得其他宇宙的信息发生变化,实现信息交流的并行性,根据适应度宇宙自适应进化;最后给出了算法流程。实验仿真显示该算法能够准确检测出织物图像疵点,检测效率较优。     

基于改进RefineDet的织物疵点检测

为了实现织物疵点的自动检测与分类,提出了一种基于改进RefineDet的疵点检测方法。首先,将VGG16改为全卷积网络对织物图像特征进行提取;其次,为了获取疵点重要的特征并抑制不必要的特征,在Anchor细化模块(Anchor refinement module, ARM)中加入了注意力机制;为了提高网络的分类性能,在传输连接块(Transfer connection block, TCB)中加入了SE模块(Squeeze and excitation, SE);最后,目标检测模块(Object detection module, ODM)将检测的结果回归到准确的目标位置,并预测疵点的类别,对疵点进行定位。结果表明：本文算法对孔、污渍、纱疵和线状4种类别织物图像的均值平均精度mAP达到了79.7%,比传统RefineDet检测方法均值平均精度提高了5.0%,具有良好的分类和定位效果。     

应用Canny算子的织物疵点检测改进算法

为克服当前Canny算子在织物疵点边缘检测中存在的阈值设定、滤波参数选择等自适应问题,提出一种基于Canny算子的改进算法。通过分析不同种类的织物疵点特征,选择不同参数的高斯滤波器,对织物疵点图像进行滤波处理;采用自适应形式获取图像边缘信息的阈值,避免了因阈值取值过高或过低而无法获得较好织物疵点的边缘信息的问题,同时还可根据不同织物疵点类型选择不同的滤波参数。结果表明,改进后的Canny算法可有效地检测到织物疵点的边缘细节,具有较好的自适应能力,并且提高了算法的有效性。同时对典型的织物疵点进行检测并与传统算法比较,其检测效果更优。     

基于最大熵阈值算法的织物疵点检测与疵点织物应用

对织物表面出现的断经、断纬、破洞、油污等疵点进行识别并在实际中应用。将熵阈值分割应用于图像处理,通过最大熵阈值分割的迭代运算,将目标区域与背景区域分割开,即将织物疵点区域与正常区域划分出来,然后进一步对图像进行特征化处理,同时将实际生活中的乞丐装样式织物进行特征化处理,经过二者之间的特征化图像比对,确定疵点织物应用于实际生产的样式,以实现对疵点织物的有效利用。     

应用Prewitt算子的织物疵点检测改进算法

针对经典Prewitt算子在织物疵点边缘检测中存在的检测边缘较粗、定位不准确和人为选取阈值会造成边缘点误判等缺点,基于改进的Prewitt算子,提出了一种与非极大值抑制方法相结合的自适应阈值的织物疵点检测方法。该方法对织物原图像采用高斯滤波进行预处理,以消除图像上的光照不均和噪声等影响,增加45°和135°方向模板完善边缘结构,利用非极大值抑制方法细化边缘,并用自适应阈值法确定最优阈值来减少边缘点的误判。通过对不同类型织物疵点的试验结果进行分析,证明改进后的算法具有更好的自适应能力,提高了算法的有效性。     

基于显著性区域的织物疵点检测算法

显著性检测运用到织物疵点检测能够体现织物检测时的智能性。基于显著性区域的织物疵点检测方法主要是通过将空间关系和区域级对比结合到一起,首先将图像分割成若干区域,然后计算区域级颜色对比度,再利用每个区域和其他区域的对比度加权和来为此区域定义显著性值。权值由区域空间距离决定,较远的区域分配较小的权值。实验结果表明,该算法能够很好地检测织物疵点,且优于其他算法。     

基于改进的小波分解织物疵点检测

采用小波分解的改进方法,运用二维离散小波变换进行分解,有效地从图像中提取信息,分析织物的纹理特征并进行相应处理,实现目标图像的特征提取和输入LMBP神经网络进行学习训练。实验结果表明,对油污、破洞、断经、断纬能比较准确地识别和定位,可快速有效地进行织物疵点检测。     

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。     

基于纹理滤波与局部熵的织物疵点检测

针对织物疵点检测中织物纹理常被误认为噪声而给疵点自动检测造成很大干扰的问题,以织物纹理和疵点频谱的不同分布为依据,提出了一种结合纹理滤波和局部熵的织物疵点检测方法。通过频域滤波降低织物纹理的干扰,然后再结合局部熵与领域操作实现疵点的自动检测,并提取相关特征参数。     

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明：提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。     

基于灰度分布梯度的织物疵点检测算法

针对织物疵点检测算法实用性差的问题,提出一种基于灰度分布梯度检测算法,通过对纹理织物相邻像素灰度差异和单位距离的商来判断纹理是否异变。在对灰度试样提高对比度和二值化图像预处理,并根据织物组织结构确定检测窗口的基础上,把试样分解成经向和纬向2个子图并得到各自方向的能量统计值,从中提取跃迁比等4种特征值,综合各类疵点对方向特征值的不同敏感程度检测出疵点。该算法简便,实时性好,特别适合方向性疵点及块状疵点的检测。     

基于二维Otsu算法的织物疵点检测

为了准确检测织物的疵点,提出一种基于二维Otsu算法的织物疵点检测方法。首先采用均值滤波对采集的织物疵点进行预处理,减少高斯噪声对图像质量影响的同时,也有效地抑制了织物背景纹理信息对织物疵点检测的影响;然后对处理后的图像采用二维Otsu算法进行阈值分割;最后对分割后的图像进行形态学运算后处理,平滑图像轮廓,去除毛疵点和孤立点等。实验结果表明:对比其他检测方法,综合主观视觉效果和客观峰值信噪比(PSNR)值,该方法在织物疵点检测中既能有效保留图像的边缘信息,也不损伤图像的细节质量,检测效果较好,在疵点检测方面具有一定的实用价值。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低,小目标检测较困难的问题,提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制,使模型聚焦于图像中的关键信息,改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能,其中引入CBAM模块后提升幅度最明显,较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

基于迁移学习和改进ResNet50网络的织物疵点检测算法

针对目前工业现场织物疵点检测准确率低、速度慢和疵点识别种类少的问题,提出一种改进ResNet50网络的织物疵点检测算法。首先对数据集进行预处理,对数据样本切割增强生成模型训练集,包括无疵点和8类常见疵点类别;然后改进ResNet50网络结构,提取在大型数据集ImageNet上预训练好的权重参数迁移学习;最后反复调整超参数训练得到的疵点检测识别模型。通过多组对比实验结果表明,改进模型对正常织物和8类常见疵点识别准确率达到96.32%,比标准模型精度提升4.2%,速度提升1倍。在不同织物疵点数据集中测试,综合性能最好,泛化能力强,鲁棒性好,可以满足工业生产现场织物疵点检测需求。     

基于人工神经网络的织物疵点检测

根据疵点的特征对常见织物疵点进行了简单的划分。采用直方图均衡化、二值化、中值滤波、腐蚀和膨胀等方法对织物图像进行一系列的预处理,对织物疵点的特征参数进行提取,利用人工BP神经网络来判别疵点的类别并进行分类。结果表明,利用BP神经网络识别织物疵点并进行分级是行之有效的。     

采用Gabor滤波簇和等距映射算法的织物疵点检测方法

为提高织物疵点检测率,将Gabbor滤波法与等距映射方法进行融合,克服疵点检测过程中存在的问题。首先用由3个尺度和5个方向组成的15个Gabor滤波器簇对织物疵点图像进行滤波,减少疵点图像光照不均和对比度低的影响;然后将滤波图像划分成面积相等且互不重合的邻域,并从邻域中提取高维特征向量。采用等距映射方法对高维特征向量进行降维,剔除高维特征中冗余信息,强化分类器拟合能力;再用低维嵌入模型提取新增样本低维特征向量,用于概率神经网络分类器分类,检测是否存在疵点;最后用2种不同纹理的织物进行检测实验。结果表明,本文方法能有效提高疵点的检测精度。