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％。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

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。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

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。     

基于图像线灰度和BP神经网络的织物疵点检测

探讨织物疵点自动检测的方法。通过对4种常见织物疵点的图像进行线灰度曲线分析和处理,提取疵点图像的特征值,送入BP神经网络进行识别,从而实现织物疵点的检测。试验结果表明,该方法取得了较好的检测效果,织物疵点识别率达到93%以上。认为,此法能够有效识别出织物中的几类常见疵点,应进一步研究,以提高其识别准确率。     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

基于神经网络的织物疵点识别技术

因织物组织繁多,表面特征各异,很难建立一个统一的织物疵点识别模型。为了解决这一问题,实现自动验布,提出采用双层神经网络和小波变换来识别织物疵点的方法。先对正常织物进行训练,得到织物的特征,应用第1层简单BP网络来分辨正常织物和疵点。然后对疵点图像进行二维离散小波变换,并去除织物本身的特征,利用已训练的BP网络进行具体疵点识别。试验证明,这种方法的准确性较高,速度快,基本接近自动验布系统的要求。     

基于二维小波变换的织物色柳疵点检测

色柳是染整过程中形成的常见疵病,在纺织品的疵点自动检测识别中,疵点信息的检测最为关键。文章提出了色柳疵点的检测方法,利用图像的色彩模型提取不同的颜色值,并通过小波变换的多分辨率技术进行疵点的提取。实验表明该方法是可行的。     

利用上下文视觉显著性检测色织物的疵点

利用上下文视觉显著性,探讨了格子、星形和点状色织物瑕疵检测的方法。针对色织物织物背景和瑕疵的对比度和分布特点,提出一种融合主成分分析法和上下文视觉显著性的色织物瑕疵检测算法。针对几种不同图案和纹理的色织物以及5种不同类型的瑕疵进行检测验证。试验结果表明:该算法能够较好地抑制不同类型织物花纹背景,疵点平均检测准确率达92.2%。认为:本文所采用的算法在色织物瑕疵的自动检测应用上具有一定可行性。     

应用上下文视觉显著性的色织物疵点检测

为实现色织物疵点的有效检测,提出一种应用上下文视觉显著性的疵点检测方法。根据上下文视觉显著性的原则,将织物图像分为大小相同的图像块;然后针对每个图像块,选取K个与其最相似的图像块计算与该图像块的差异值之和,用该差异值之和表示该图像块中心像素的显著性;从而生成一幅视觉显著性图;最后对显著性图进行阈值分割,得到色织物疵点的检测结果。为验证该算法的有效性,将带有纬缩、破洞和跳花等区域性疵点的素色、条纹和格子色织物图像作为样本进行检测。结果表明:该方法可较好地抑制不同种类织物的纹理背景,突出疵点区域,实现疵点的有效检测,该方法在色织物疵点检测上具有一定的可行性。     

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PSO-BP神经网络的织物疵点分类方法

将粒子群优化算法运用于BP神经网络的训练,更合理地确定神经网络的连接权重和阈值,提高解决实际问题的能力。同时将PSO-BP神经网络的模型用于织物疵点的分类中。采用正交小波变换的方法对织物图像进行单层分解,并提取水平和垂直2个方向的子图像,分别代表织物的纬向和经向纹理,然后计算其经、纬向的能量、方差、熵等特征值,做为神经网络的输入值。将PSO-BP神经网络与BP神经网络分类的结果相比较,表明PSO-BP神经网络能够取得较好的效果。     

基于卷积神经网络的机织物密度均匀性检测

针对目前基于机器视觉的机织物密度自动检测时织物检测视野小、精度低、品种适应性差的问题,提出一种基于多尺度卷积神经网络的检测方法.首先设计了一套离线图像采集系统连续采集织物图像,并建立一个包含详细织物参数的织物图像数据集;然后采用一种具有不同大小局部感受野的多尺度卷积神经网络适应不同大小的织物结构特征,定位纱线位置;最后...     

基于小波分析和统计分析的织物疵点检测

根据疵点形态特征上的差异而采用不同检测方案的思想,在图像的空间域中,采用改进的标准差方法检测油污、破洞等没有方向性的疵点:在图像频率域中,结合二阶统计分析,用纬向的矩形窗口分割图像小波分解的垂直分量并检测缺纬、双纬等纬向疵点;用经向的矩形窗口分割图像小波分解的水平分量并检测断经、双经等经向疵点.为确定窗口分割的最佳宽度,研究提出一种基于灰度差分和窗口分割迭代算法.实验表明:方法实现了油污、破洞、断经、缺纬4类疵点的准确检测与分类.     

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。