高效能的织物疵点识别算法及其实现

通过对织物结构的深入剖析，提出运用布纹的直线特征纹理，由概率统计生成直方图，有效地提取织物的特征波形，经大量试验检测证明特征波可靠稳定。基于波形参数对比能准确定位突变或异常位置，正确识别织物疵点。为简化识别算法可引入阀值过滤，允许正常波形参数通过而记录异常状态变化，用过滤单一的正常纹理来鉴别类型复杂的疵点，成为简单高效的织物视觉检测算法。     

基于支撑矢量机的织物疵点识别算法

为了使用机器对织物疵点进行有效地检测和分类,提出了基于直方图统计和支撑矢量机的织物疵点识别算法。该算法运用直方图统计的方法,由概率统计生成直方波形,基于波形特征参数对比能准确定位织物纹理结构的异常位置,正确识别织物疵点,并将其作为支撑矢量机的输入参数,用于训练特征样本集,以获得支撑矢量,对待识对象进行识别,得到识别结果,在识别结果中寻找最优匹配,将待识图像归入最匹配类中。实验结果表明,该算法用于织物疵点检测是可行、有效的,可得到满意的识别结果。     

基于GMRF模型的统计特征畸变织物疵点识别

为了提高纹理模型对统计特征畸变织物疵点的识别率,本文提出了一种GMRF纹理模型自动识别不同种类的统计特征畸变织物疵点。首先,介绍了GMRF纹理模型并对GMRF模型参数进行估计;然后,利用生成的GMRF纹理模型进行仿真实验,以验证参数估计算法和纹理合成算法的正确性;最后,设计织物疵点的检测流程,并对实际疵布进行自动检测,实验证明：通过GMRF模型参数构造的距离统计量能够敏感地区分正常织物纹理和统计特征畸变疵点纹理,比较适用于统计特征畸变疵点的自动检测。     

织物疵点图像的直方图处理与增强

图像增强能有效增强罔像整体或者局部特征,直方图规定化和均衡化能有效用于图像增强.原始采集到的机织物疵点图像经过直方图均衡化或规定化处理后能较好地识别其中的疵点部分.利用matlab的图像工具箱函数,讨论直方图处理技术对织物疵点图像进行增强处理,同时,选取不同的规定化函数对直方图处理织物疵点图像结果作相关比较.     

基于局部统计与整体显著性的织物疵点检测算法

由于织物疵点类别较多及图像纹理多样化,为了能更有效检测织物疵点,本研究结合局部统计特征与整体显著性分析,提出一种新的织物疵点检测算法。首先将图像分为大小相同的图像块,采用局部二进制模式和灰度直方图分别提取图像块局部统计特征;其次针对每个当前图像块,随机选取K个其它图像块,分别计算局部二进制模式统计特征对比度和灰度统计特征对比度,完成基于上下文整体显著性分析生成视觉显著图;最后采用基于迭代最优阈值分割算法对显著图进行分割,得到织物疵点检测结果。实验结果表明,该算法综合了局部统计特征和整幅图像的上下文信息,可显著突出织物疵点区域,实现对织物疵点的有效检测。     

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。     

应用Prewitt算子的织物疵点检测改进算法

针对经典Prewitt算子在织物疵点边缘检测中存在的检测边缘较粗、定位不准确和人为选取阈值会造成边缘点误判等缺点,基于改进的Prewitt算子,提出了一种与非极大值抑制方法相结合的自适应阈值的织物疵点检测方法。该方法对织物原图像采用高斯滤波进行预处理,以消除图像上的光照不均和噪声等影响,增加45°和135°方向模板完善边缘结构,利用非极大值抑制方法细化边缘,并用自适应阈值法确定最优阈值来减少边缘点的误判。通过对不同类型织物疵点的试验结果进行分析,证明改进后的算法具有更好的自适应能力,提高了算法的有效性。     

基于PCNN的织物疵点识别研究

根据织物表面图像的灰度强度和织物疵点图像的灰度强度的不同 ,运用PCNN对织物疵点进行自动检测。从理论上分析PCNN模型 ,并用其对织物疵点进行特征的提取 ,证明PCNN在自动检测过程中的适用性 ,以及PCNN模型中迭代次数对实验结果的影响。     

基于多特征融合的织物印花图像分割

针对织物印花检测精度的问题,采用结合颜色特征和纹理特征多特征融合的方法,对织物印花图像进行有效分割,从而为提高织物印花的检测精度奠定了基础。在织物印花的分割过程中,首先采用颜色特征结合基于自动种子点选取的区域增长算法对图像进行初始分割,在初始分割的基础上,利用小波变换提取干扰区域的纹理特征,从而可以进一步地消除干扰区域,实现织物印花图像的准确分割。实验结果表明：基于多特征融合的分割算法能够准确地分割出织物的印花图案,克服了仅仅采用颜色特征或者纹理特征时产生的分割失真,提高了分割的质量,具有较好的应用价值。     

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。     

几种基于图像自适应阈值分割的织物疵点检测方法比较

为了比较四种自适应阈值算法对目标和背景灰度值差异较大的织物疵点的检测效果,进而综合比较四种算法的优劣情况,本文首先对Otsu算法、改进的Otsu算法、局部阈值分割算法以及最大熵阈值法共四种图像自适应阈值算法的原理进行了介绍,然后分析了运用图像自适应阈值算法检测织物疵点的方法与步骤,在此基础上分别用四种自适应阈值算法对平纹和斜纹织物疵点图像进行了检测,并对检测结果进行了详细的分析和比较。实验结果证明文中所述四种自适应阈值算法在一定程度上都能用于织物疵点的检测,当不考虑算法执行时间时,检测效果为：局部阈值分割算法＞改进的Otsu算法＞Otsu算法＞最大熵阈值法。当考虑算法执行时间时,综合检测效果为：局部阈值分割算法＞Otsu算法＞最大熵阈值法＞改进的Otsu算法。     

轧光工序中织物接缝线的图像检测

针对轧光工艺中织物接缝线的自动检测,本文提出了一种基于数字图像处理的判别方法。以防羽布的轧光工艺为例,首先对获取的图像进行灰度化与中值滤波预处理;然后对预处理的图像提取均值、标准差与变异系数(CV值)等特征参数;最后通过对这三项特征参数的分析与对比,发现特征参数CV值可以作为防羽布有无接缝线的判别依据。实验结果表明,特征参数CV值能够精确地判别织物有无接缝线,并且图像处理的计算量小,检测速度快,可实现接缝线的及时避让。     

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。