Delphi编程图像处理在针织物疵点检测中的应用

简介了针织物常见疵点,并采用可视化编程工具Delphi进行编程,综合利用噪声处理、二值化处理、边缘增强、边缘检测、二值图像细化等一系列图像处理和识别方法,对针织物进行疵点检测,提出了图像处理在针织物疵点检测中的一般方法。     

数字图像处理技术在针织物检测中的应用

利用数字图像处理技术现在可以有效地检测针织物表面的疵点,进行起毛起球性的评价,实现简单针织物结构参数的自动测量以及自动识别纬编提花组织等。文中对数字图像处理技术在针织物检测中的应用进行了综述,该技术的应用改变了传统的织物检测方式,实现了主观方法向客观方法的转变,对针织行业的自动化进程具有极大的推动作用。     

针织物疵点自动检测与分类方法的研究

设计了针对圆筒针织物的疵点检测系统,在该检测系统的基础上,研究了一种基于小波分解的疵点检测方法和一种基于极限学习机的疵点分类方法。对采集得到的针织物疵点图像进行图像灰度转换、光照不匀校正、中值滤波等预处理,并采用Bior3.7小波分解图像,对分解后得到的纵向和横向纹理子图像提取特征值,选取针织物中常见的破洞、花针、漏针和直稀路4种疵点作为研究目标,将提取的特征值输入极限学习机中进行训练。结果表明,此方法可以有效地检测和分类白坯针织物的常见疵点。     

基于非线性扩散和多特征融合的提花针织物疵点检测

为解决提花针织物的复杂纹理在疵点检测过程中易造成检测干扰和疵点误判的问题,提出一种基于非线性扩散和多特征融合的疵点检测方法。采用改进PM模型对提花针织物的花纹和强纹理边缘进行抑制,首先利用梯度差异将疵点图像分为纹理区域及疵点区域,然后结合各区域特点选择对应的扩散方程,依据梯度矩阵计算概率子集、相关准则来确定梯度阈值,实现分区域扩散。根据提花针织物的纹理分布特性,提取改进局部二值算法(LBP)、局部熵、局部相关性等表征参数,然后进行去邻域归一化和多特征融合进一步突出疵点区域,最后利用区域生长法定位分割出疵点形态。实验验证了本文预处理方法及疵点检测方法的有效性,通过与其它预处理算法和疵点检测算法进行对比,结果表明本文算法的检测效果最好,对正常织物图像的误检率为3.3%,对含疵点织物图像检测的准确率为98.6%。     

三维编码彩色光栅在织物疵点检测中的应用

为了更准确地识别织物疵点以及提高在线检测的实时性．研究了一种基于三维编码彩色光栅的织物疵点检测方法．并以素色平纹针织物为试样进行检测与分析。通过在织物表面投射一幅固定的彩色光栅图像的编码方法．就可以迅速解算出织物的三维骨架数据信息．再根据此信息与无疵点织物的骨架阈值范围进行判定,     

纬编针织物疵点的实时检测

 本文构建了图像采集,数据信号处理和光源的纬编针织物疵点实时检测系统.针对纬编针织物部分疵点在图像上灰度分布明显,但形状不规则的特点,使用了细胞神经网络对疵点进行分割;对于灰度差异较小,却呈线形状分布的疵点,引入线检测的方法,使用Radon变换定位疵点的位置.实验表明,该算法可以有效的检测出破洞,漏针,飞花,跳纱,横路和花针等纬编针织物疵点.     

纬编光坯织物疵点图像的特征量提取

针对纬编光坯针织物中存在的不同类型疵点,使用Photoshop和MATLAB软件对其疵点的扫描图像进行预处理,以检测传统的织物疵点。然后通过对色点、玷污、破洞、粗纱等几种疵点图像进行分析和处理,最终得出常见的针织物疵点图像的特征量提取方法。实验结果表明,对于不同类型的疵点,可通过不同的处理方法来获得较佳的结果。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

图像处理技术在织物花型结构识别中的应用

对数字图像处理技术在织物花型与结构识别的应用现状进行了探讨,着重对机织物、针织物花型与结构识别中所运用的图像处理、图像识别方法进行了阐述.指出几种常用方法和它们的优缺点,对几种图像理解与识别的方法在织物花型、结构识别中的应用前景进行了展望.     

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。