实时布匹瑕疵检测系统瑕疵检测算法研究

简述了基于机器视觉理论的瑕疵检测算法基本原理,介绍了基于Gabor滤波器的纹理分割算法的主要步骤和方法;并认为该算法简单,便于用硬件实现,能够更好地实现多种布匹的高精度检测,可应用于布匹检测中。     

一种改进的多通道Gabor滤波器布匹瑕疵检测方法

Gabor变换是一种重要的时频分析方法,有很强的纹理分析能力。采用基于多通道Gabor滤波的瑕疵检测算法,通过分析各个尺度的融合信息,提出一种新的多通道融合算法。使用自动阈值迭代算法对融合结果进行二值化处理,得到最终的检测结果。选取4种具有代表性的布匹瑕疵图片进行验证,实验结果表明,该算法不仅能从多通道滤波图像中选择与主观视觉相吻合的通道,而且降低了计算复杂度。     

一种布匹经纬位置检测系统的开发

构建了用于检测布匹经纬位置的整体设计方案,基于设计方案对系统的关键硬件如光学成像模块、前端采集模块、位置测算模块等进行了选型和设计,基于Microsoft Visual C++6.0平台开发了用于控制硬件系统的软件.试验结果表明,所开发的系统对布匹经纬位置具有很好的定位和识别能力.     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

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。     

皮革小瑕疵的机器视觉识别算法搭建

皮革作为多领域美观性与舒适性的主要材料之一,受制于多重因素影响,其表面不可避免地会出现各式各样小瑕疵,从而影响成品质量,因此准确识别皮革小瑕疵至关重要。为提高识别效率与准确率,本文以机器视觉技术为载体,基于深度学习算法模型、卷积神经网络训练、图像数据增强搭建了皮革小瑕疵识别算法,并对其进行了仿真测试。结果表明,皮革小瑕疵机器视觉识别算法可自动、高效、精准地识别小瑕疵,识别准确率可达96.9%,可充分有效地提高皮革材料的加工效率与质量。     

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。     

机械零件图像表面瑕疵的检测算法

针对机械零件表面瑕疵检测问题,将机器视觉技术用于零件表面图像瑕疵的提取和分析,提出一种基于粒子群优化算法加权模糊C均值聚类的零件缺陷图像智能分割算法,精确定位了机械零件表面的瑕疵区域。缺陷的形状特征是判断其类型的重要依据,提取缺陷的形状特征,设计支持向量机分类器来检测划痕、裂纹、砂眼等表面瑕疵。研究结果表明,该方法具有较强的实用性,在实验数据库上达到90%以上的正确识别率。     

基于图像处理技术的纸张瑕疵自动检测方法研究

在纸张生产过程中,多种影响因素致使纸张容易出现瑕疵,若无法及时发现与补救,则会降低纸张的质量,阻碍造纸行业的发展。为了提升纸张的生产质量,提出基于图像处理技术的纸张瑕疵自动检测方法研究。获取纸张灰色图像,将其转化为直方图形式,均衡增强处理直方图,提升极小瑕疵显现度,以此为基础,检测纸张图像边界,确定瑕疵检测区域,应用Qtsu法分割纸张图像,获取瑕疵图像及其特征,确定纸张瑕疵类型（孔洞、边裂、黑斑、褶皱、亮斑与划痕）,训练卷积神经网络学习瑕疵特征,构建纸张瑕疵分类模型,从而实现了纸张瑕疵的自动检测。实验数据显示：与对比方法相比较,应用提出方法获得的纸张瑕疵自动检测时间更短,检测效果更好,充分证实了提出方法的可行性与有效性,适合大力推广与应用。     

应用非负字典学习的机织物瑕疵检测算法

为进一步提高织物瑕疵检测算法对瑕疵类型的通用性,提出一种采用非负字典学习的机织物瑕疵检测算法。首先对正常机织物图像进行窗口分割,将每个子窗口按列展开成列向量,所有列向量联合组成1个矩阵;然后对该矩阵进行非负字典学习,得到个数最佳的非负字典,即基向量;最后应用该字典对待检测样本在最小平方误差下进行近似,并在重构误差的基础上进行疵点检测。重点探讨了窗口大小和字典个数对检测效果的影响。对4 864个样本的实验结果表明,所提算法能在误检率小于10%情况下,取得90%的检出率。     

基于机器视觉的纸张表面缺陷检测系统

介绍了一套在高档纸生产线上应用的纸张表面缺陷（纸病）检测系统——Fopesigh-PDI,该系统能够在线检测边损、孔洞、白斑、黑点、油斑、褶皱等纸张缺陷。介绍了该系统的功能和特点,探讨其在提高纸张生产效率和质量控制中的重要作用。     

纹理织物疵点窗口跳步形态学法检测

针对纹理织物疵点自动检测时因生产速度快造成的织物抖动以及检测速度难以匹配问题,提出窗口跳步形态学法纹理织物疵点检测算法。使用该算法对图像进行窗口分割及预处理后,首先对纹理织物图像的纹理特征进行分析,然后设计形态学算子进行腐蚀操作,最后使用连通域分析来确定疵点大小及位置。仿真实验及工厂实际应用表明,该算法可有效克服工业生产中纹理织物抖动造成的图像明暗不均,可检测出纹理织物中存在的破洞、经纬疵点、污渍、断线、折痕和结头等各种疵点,而且检测速度明显优于快速傅里叶变换特征点算法以及传统形态学检测算法。实时检测速度超过80 m/min,疵点检测精度为0.1 mm,满足实际生产需求。     

织物疵点自动检测技术的研究进展

介绍了织物纹理特征的提取算法、疵点分类方法和织物图像处理的硬件平台.在分析了各种算法的优点和缺点的基础上,提出了将织物疵点的检测分为粗检和细检两个过程的新思路,既可满足快速性的要求,又具有广泛的适应性.     

应用最优Gabor滤波器的经编织物疵点检测

针对经编织物疵点自动检测问题,提出了一种新的基于最优Gabor滤波器的经编织物疵点检测方法。具体可分为学习阶段和检测阶段;在学习阶段,对于无疵点的经编织物图像构造可调制的二维Gabor滤波器,采用量子行为粒子群优化(QPSO)算法对Gabor滤波器的参数进行优化,得到与无疵点的织物图像纹理特征最匹配的Gabor滤波器参数;在检测阶段,由学习阶段得到的最佳参数构造Gabor滤波器,用该滤波器对待检测织物图像进行卷积处理,然后再对得到的卷积图像进行二值化处理,最终识别出待检测织物是否有疵点存在。结果表明,该方法的检测率可以达到96.67%,具有很好的稳定性和鲁棒性,适合应用于工业生产。     

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。     

基于自适应小波的织物疵点自动分割研究

根据小波正交条件,通过使用疵点图像的疵点区与无疵点区能量均值比为优化目标函数,构造与织物纹理模式相匹配的二维自适应平稳小波.实验证明,构造的小波具有更好的鲁棒性和检测能力.     

Textural fabric defect detection using statistical texture transformations and gradient search

The inspection of the fabric defects is an important problem, which highly affects both the quality and the cost in the textile industry. Because of consistency and accuracy problems, the inspection of the fabric defect by human experts is neither feasible nor efficient. This requires development and use of automated inspection techniques. Thus, in this study, a texture analysis method, which uses sum and difference histograms (SDH) conjointly with co-occurrence matrices, is proposed to introduce an objective criterion for defect detection. To accomplish the detection task with high accuracy, several features were extracted from SDH and then, a defect search technique, which was developed in the context of this study, was applied. Moreover, several experiments and parameter analysis were performed to carry out detection at feasible computation time and memory storage. The developed method was applied to 28 kinds of raw woven fabric defects and 27 of them (i.e. 93.1%) were successfully recognized by the proposed detection system. The quantitative results and qualitative discussions show the effectiveness of the developed strategy.