基于最大熵快速迭代算法和边缘算子的织物疵点分割

将信息熵引入图像处理中,把疵点图像分为背景和目标两部分,分别对两个区域进行处理;通过求最大熵值的快速迭代算法,在满足信息熵最大要求的前提下对织物疵点区域进行分割,然后利用Canny边缘检测算子对分割后的疵点图像进行边缘检测,从而达到识别织物疵点的目的。仿真实验结果表明,将最大熵快速迭代算法与边缘算子结合进行疵点分割识别的方法是有效的。     

基于Frangi滤波器的织物疵点检测方法

提出了一种基于Frangi滤波器的织物疵点检测方法。该算法首先对样本织物图像进行均值下采样处理,淡化和消除背景纹理对织物疵点检测的影响,然后将均值下采样处理后的图像经Frangi滤波器进行滤波,从而增强织物疵点部分以利于疵点的分割,最后对Frangi滤波后的图像进行阈值分割,分割出织物疵点部分。采用该算法对6种纹理织物进行处理,检测出26种疵点,92%的疵点能被准确的检测和定位,误报率为8%,检测效果较好。     

基于总变差的织物疵点分割方法

为解决当前机织物疵点检测方法精度不足的问题,提出了基于总变差模型的织物疵点分割方法,并着重分割经纬向尺寸小且异常不显著的疵点。首先应用奇异值分解低秩重建的方法将织物纹理背景去除,获取疵点异常图;然后通过构建总变差模型对疵点异常图进行最优化求解处理,得到不同约束下的疵点增强图;最后通过常规分割算法实现疵点的准确分割。实验结果表明:经总变差模型处理后的疵点异常图,其疵点与背景的可分割性得到显著提升。通过讨论总变差模型的参数对分割结果的影响,进一步验证了基于总变差的织物疵点分割方法的有效性和稳定性。     

基于改进的加权中值滤波与K-means聚类的织物缺陷检测

为检测纹理织物在生产过程中产生的各种疵点,提出一种基于改进的加权中值滤波与K-means聚类相结合的纹理织物疵点检测方法。首先利用改进的加权中值滤波对纹理织物图像进行预处理,以减少纹理信息对疵点检测产生的影响,同时通过联合直方图动态数据分配权重和像素,减少寻求中位数的时间来有效地缩短检测时间,提高了执行速度;然后采用K-means算法对滤波后的织物图像进行聚类,计算织物图像疵点和非疵点的聚类中心,进而实现图像疵点区域的分割。实验结果表明,该方法可有效地检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点,并显著提高检测速度。     

基于尺度变换的Gabor滤波器织物疵点检测

针对织物表面疵点自动图像检测问题,提出一种基于尺度变换的Gabor滤波器织物疵点提取方法,该方法使Gabor滤波函数的比例伸缩尺度随中心频率而变化。用Gabor尺度变换的3个尺度和4个方向的滤波器组分别与正常和待识别的疵点织物图像进行卷积,提取正常与异常织物纹理特征,从而得到偏差图像。再对偏差图像进行融合,使织物疵点突显出来。最后通过阈值处理检测出织物疵点。对缺经、缺纬、经纬交错和油污4种常见织物缺陷的实验结果表明,这种方法是有效的。     

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。     

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.     

改进频率调谐显著算法在疵点图像分割中的应用

为提高织物疵点分割精度,提出了一种用于织物疵点图像分割的改进频率调谐显著（FT）算法。首先,利用织物疵点和背景区域透光率的不同,将光源和相机分别置于织物两侧来获取图像,提高疵点区域对比度;其次,应用非局部均值滤波器（NLM）替代FT 算法中的高斯滤波器,增强对背景纹理的平滑和降噪能力;研究发现NLM滤波器中滤波参数对疵点分割精度影响较大,提出了基于平均最大类间方差的参数优化方法;然后,将改进FT 算法应用于疵点图像预处理,进一步提高疵点对比度;最后,使用最大类间方差法对疵点显著图进行分割。对2 种不同织物疵点图像的分割实验结果表明,使用改进FT 算法对粗经、竹节、结头、断纬、油污和破洞等常见疵点图像进行预处理,可显著提高疵点分割精度。     

应用视觉显著性的小提花织物疵点检测

为实现小提花织物的疵点检测,提出了一种基于视觉显著性的疵点定位与分割方法。针对小提花织物的花型具有周期性的特点,通过对织物图像进行快速傅里叶变换和形态滤波来抑制正常花纹的显著性,突出疵点区域的显著性,以获取图像的全局显著图;然后使用基于图论的视觉显著模型来计算图像的局部显著图,并对全局和局部显著图进行合并生成综合显著图;最后使用最大熵法对综合显著图进行分割,以得到疵点目标。实验结果表明,在对横裆、破洞、断头、打结和跳花等5 种瑕疵进行测试时,该方法的正确率高达93.5%,非常适合于对小提花织物进行疵点检测。     

基于改进局部自适应对比法的织物疵点检测

为提高织物疵点检测的准确率和检测效果,采用了一种基于最相似邻域的背景估计法来进行检测。首先,利用同态滤波对图像进行预处理;然后,以滤波后图像每个像素点为中心点,以11像素×39像素的窗口大小为中心区域,通过计算中心区域与周围邻域的相似度,利用最相似的邻域进行背景估计;最后,利用背景差分原理获得目标图像,并采用阈值分割和形态学方法对图像进行处理,最终获得检测结果。实验结果表明:此方法优于传统的检测方法,不仅能够检测到复杂背景下的疵点图像,而且对不同组织及光照因素影响下的织物疵点图像同样具有很好的检测结果,检测准确率可达98%,具有较高的适用性与检出率,也具有一定的抗干扰性。     

Adaptive detection of weft‐knitted fabric defects based on machine vision system

This paper describes a machine vision system for the detection of weft‐knitted fabric defects based on an adaptive pulse‐coupled neural network (PCNN) and Ridgelet transform. In order to classify defects according to their different texture features, two methods are implemented: an improved PCNN method to segment the defects such as hole and dropped stitch from background image and a Ridgelet transform method based on wavelet analysis to identify the defect such as course mark. In implementing the PCNN model, necessary parameters of PCNN model such as linking coefficient, connection weight, and iteration number are automatically calculated in accordance with the spatial distance of neurons, mean, and variance value of whole image, and the cross‐entropy criterion. The function of Ridgelet transform is to identify the straight line marks and fit the regression equation for simulating the course mark in the image. The Ridgelet transform model can be simplified as the combination of Radon and wavelet transforms. The parameters of detected line are acquired by wavelet analysis in Fourier semicircle region. The experiment materials were several plain and interlocked weft‐knitted fabrics with hole, dropped stitch, and course mark defects. The fabric images were captured by an area‐scan camera with a resolution of 600 × 800 pixels, and signal processing was controlled by a digital signal processing multiprocessor on the inspection machine. The validation tests proved that the system performed well.     

丝织物疵点智能化判别

主要对平纹、斜纹和缎纹组织丝织物的一些常见疵点，如档疵、缺纬、缺经、重纬、油污等进行了智能化判别。先用SONY数码相机在黑色的背景下对疵点进行了拍照得到了图像数据，然后用一系列图像预处理法，如直方图处理变换增加了织物图像的对比度、用计算得到的阈值对织物进行了二值化处理、滤波方法消除二值化处理后图像噪声等，从织物纹理分离出疵点部分，得到了可以分析的织物疵点图像。用灰度统计法对预处理得到的织物疵点图像进行了分析，得到了织物各疵点基本特征值信息。织物疵点智能化判别是用BP神经网络进行的，首先对BP神经网络进行了训练，然后将灰度统计法得到的疵点特征值信息输入到BP神经网络，对疵点进行了分类。     

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.     

基于最大多符号信息熵的织物图像匹配

为了实现利用机器视觉技术识别织物图案的组成 ,对织物图案进行研究。依据熵函数是一个连续函数 ,且具有极值性 ,将其运用到图像检测与匹配中。把织物图像中的每一点作为单符号信源 ,整幅图像作为多符号信源 ,在织物成品图像上选取和基准样图尺寸大小相同的图像计算信息熵 ,若与样品图的信息熵相等 ,则说明在织物成品图中检测到样图 ,否则没有。实验结果表明该方法在织物图案匹配中是一种实用和成功的方法。     

Detection of defects in fabrics using subimage-based singular value decomposition

Matrix singular value decomposition technique is employed for the detection of defects in fabrics. Firstly, a region of interest (ROI) containing the defect is identified by a proposed adaptive partitioning technique – thus reducing the computational duty of operating over the whole image. The ROI portion of fabric image is then divided into small nonoverlapping subimages to further reduce the computational complexity and the average singular values of the subimages are calculated. To remove the interlaced warp–weft grating structure from ROI, which is the global information in the fabric image, selected singular values associated with positive average singular numbers are rejected and the fabric image is reconstructed to yield the image of the defect. Since the resulting image is saturated with noise and some unconnected parts mainly due to dissimilarity of the subimage of the fabric structure, postprocessing is carried out by binarization and edge detection to yield the edge map of the defect. Validity and feasibility of the proposed approach is established for detection of defects form images of TILDA database. The detection rate of 95% and detection success rate of 94.1% are achieved when tested over 460 samples.     

基于计算机视觉的织物疵点自动检测方法研究

为了快速、准确地检测织物上存在的疵点,提出了一种基于计算机视觉的织物疵点自动检测方法。用具有高分辨率的CCD摄像头,在可移动云台及可调标准光源的照射下,捕获织物图像,存储至计算机;采用能量、方差、熵、极差、对比度作为特征值,进行织物图像的特征值提取与归一化处理;基于小波分析方法,提出自动选择子图像的小波重构方法,将织物图像中的疵点部分分离出来进行定位、识别。经试验证明,该方法具有检测速度快、定位准确等优点。     

无彩数码提花织物的创新设计原理和方法

根据数码设计原理,数码提花织物的创新设计研究按设计方法可分为无彩和有彩两种类型。对无彩数码提花织物的创新设计原理和方法进行深入分析,提出无彩灰度的计算机色彩设计原理以及对应的数码全息组织库的建立方法。以单层结构提花织物为基础,在设计方法上将织物结构设计与织物色彩设计有效分离,在CAD系统中根据不同亮度值将数码图像灰度与组织库中的组织进行配对替换,实现织物结构的自动设计,该设计原理和方法满足无彩提花织物人工智能设计的技术要求,同时也是彩色提花织物组织自动生成原理和方法的基础。     

信息熵在图像处理中的应用

为了寻找快速有效的图像处理方法，信息理论越来越多地渗透到图像处理技术中。文章介绍了信息熵在图像处理中的应用，总结了一些基于熵的图像处理特别是图像分割技术的方法，及其在这一领域内的应用现状和前景。同时介绍了熵在织物疵点检测中的应用。     

有彩数码提花织物的创新设计原理和方法

根据数码设计原理,数码提花织物的创新设计研究可分为无彩和有彩,通过对有彩数码提花织物的创新设计原理和方法进行深入的分析,提出分层组合的色彩设计和结构设计原理以及数码组织库建立和组合的方法。以无彩数码提花织物设计为前提,采用织物色彩与织物结构分离的数码设计理念,用分层组合的设计方法对单层结构进行有效组合,设计所得的复合结构能使织物色彩的表现能力达到百万级的水平,实现了彩色提花织物的产品创新。该设计原理和方法能满足彩色提花织物人工智能设计的技术要求。