基于低秩分解的织物疵点检测

针对传统低秩分解法导致的图像信息过度丢失和织物弹性导致的歪斜问题,提出一种基于Beta范数的改进低秩分解检测方法。首先,通过提取织物图的基元特征构造先验信息图。其次,采用Beta范数代替低秩分解中的核范数,并由先验信息图引导低秩分解方法对织物图进行分解,解决了传统低秩分解方法中核范数导致的图像信息过度丢失的问题。进而,提取织物图的方向梯度直方图(HOG)特征构造后验信息图,并将后验信息图和通过低秩分解得到的稀疏分量进行哈达玛乘积获得显著图,解决了织物弹性导致的歪斜问题。最后,利用最优阈值分割得到疵点图。将实验结果与已有的4种方法进行对比,结果表明,该方法可以有效抑制歪斜干扰,且检测时间更短。     

基于对偶范数低秩分解的织物疵点检测方法

研究一种基于对偶范数低秩分解模型的模式织物疵点检测方法。通过Log-Gabor滤波器提取织物图像的纹理特征,进而构造高度低秩的特征矩阵;采用基于对偶范数的低秩分解模型将特征矩阵分为低秩部分(背景)与非低秩部分(疵点),采用核范数的对偶范数作为正则项来替代原有低秩分解模型中的"稀疏"约束,使背景和疵点的相关度最小,从而实现疵点的有效分离;最后采用改进的自适应阈值算法对由非低秩部分生成的显著图进行分割,从而定位出疵点区域。认为:该算法具有较高的检测率及鲁棒性,且优于现有的疵点检测方法。     

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。     

基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法

为提高织物疵点检测算法对简单纹理织物、模式纹理织物及条纹纹理织物检测时的普适性和准确性,提出了一种基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法。首先,对织物图像进行直方图均衡化并将处理后的图像均匀划分为子图像块;其次,对每个子图像块提取28个纹理能量特征(利用7个Laws滤波模板在4个尺度上提取),计算所有子图像块提取到的特征均值并组成特征矩阵;然后,利用特征矩阵构建低秩分解模型,通过方向交替方法(ADM)优化求解,得到低秩部分和稀疏部分;最后,由稀疏部分生成疵点显著图,采用迭代阈值分割法对其进行分割,得到织物疵点检测结果。为验证该算法的有效性,在织物图像数据集选取了包含错纬、断经、跳花、破洞等常见疵点的织物图像,并将实验结果与已有3种算法进行了对比。实验结果表明,该算法在简单纹理织物、模式纹理织物及条纹纹理织物检测上具有更好的普适性和准确性,且检测效率具有一定优势。     

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。     

基于小波分解和奇异值分解的织物疵点检测

探讨基于小波分解和奇异值分解的织物疵点检测效果。运用三种算法进行了织物疵点检测。采用基本奇异值分解法进行机织物疵点检测,检测结果受噪声影响较大;采用Haar小波对待测图像进行除噪,边缘检测性较弱。利用Gabor小波良好的图像边缘敏感度、方向和尺度选择性,进行图像滤波,再进行SVD分解。结果表明:Gabor小波和SVD的融合算法可以对图像多种方向多种尺度进行调节,检测效果较好。认为:Gabor小波和奇异值分解相融合算法可应用于机织物疵点检测。     

基于自适应小波三层分解的织物疵点检测

提出了运用自适应正交小波对织物图像进行三层分解的织物疵点检测方法。通过借鉴Daubechies的构造条件构造织物自适应小波,由自适应小波对织物图像进行三层分解,将疵点信息融合后设定固定的闻值进行二值化。同采用DB族小波分析结果比较与实验检测,表明此方法有效。     

基于显著纹理特征的织物疵点检测方法

针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法。首先,鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;然后,结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区。经TILDA织物纹理图库数据的实验测试,结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性。     

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。     

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。     

基于Gabor滤波器的织物疵点检测

从疵布结构纹理模型出发阐述Gabor滤波器疵点边缘增强原理。根据织物特征设计织物自适应Gabor滤波器,确定Gabor滤波器的中心频率。再利用设计好的Gabor滤波器对方向性特征畸变织物疵点进行增强,并通过阈值处理完成疵点边缘检测。实验证明,织物自适应Gabor滤波器对方向性特征畸变疵点具有良好的边缘增强效果,可以突出织物纹理的能量,抑制疵点纹理的能量,同时该算法的最高检测速度可以达到7m/min。     

基于曲线拟合的织物疵点检测方法

由于以CCD数字摄像机获取的图像质量易受光照、噪声及组织纹理等因素的影响,使织物图像疵点分割成为织物疵点检测的难点,提出一种基于曲线拟合的疵点检测方法。利用线扫描方式逐行获取图像信息,采用最小二乘拟合方法削弱疵点信号对所获图像信号的影响,从而将拟合曲线作为标准无疵点的参照与原始图像信号相减,得到疵点信息。运用LabVIEW编程工具,选取了疵点织物图像进行测试验证,结果表明,本方法对常见的织物疵点具有快速、准确的分割结果。     

基于计算机视觉的织物疵点检测

织物疵点种类繁多,建立织物疵点自动检测系统需要强力高效的检测算法。基于织物表面特征的疵点检测方法可分为三类：统计方法,频谱方法和基于模型的方法,本文通过对现有的疵点检测方法实用性的分析综述表明,三种方法相结合比单一算法更有效。     

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。     

基于小波包的织物疵点检测

本文采用最佳树形结构小波包变换算法,并抽取表征织物图像纹理的中频频带的子图像,计算出其的能量值和熵值作为疵点检测的特征量,并与正常图像的特征值进行比较,以判断是否有疵点存在。文章同时采用平纹棉白布的几种典型疵点形态进行了检测,试验结果表明该方法有效可行。     

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。     

织物疵点检测与神经网络技术

本文用灰度统计量法对丝织物疵点图像进行了检测。并用神经网络技术对检测结果进行了分析和分类。     

织物疵点检测的自动化

一、前言近年来,在各生产工序中引入了终端寄存器(FA)、计算机辅助设计(CAD)、计算机辅助生产(CAM)新技术,为操作和生产过程的自动化作出了贡献。当前自动化的特征,与微机技术的进步密切有关,其目的并不是完全为了减轻劳动强度,还有代替人们高度的判别功能。为了自动化,取得正确的情报是必要的,其中传感器技术又是重要的因     

基于BP神经网络织物疵点检测识别

根据疵点的特征对简单的织物疵点进行识别,先采用直方图均衡化、小波分解、二值化等方法对织物图像进行一系列的预处理,然后提取出织物疵点的特征值,再利用3层BP神经网络对织物疵点进行训练识别分类,试验结果表明识别率达95％。