基于Faster RCNN的布匹瑕疵识别系统

纺织工业是我国的支柱型产业.在布匹生产过程中,布匹瑕疵是影响布匹质量的关键因素.目前纺织服装生产企业主要通过传统的人工肉眼检测布匹瑕疵,成本高、效率低,且漏检率与误检率高.本研究针对布匹数据集中类别数量不均匀的特点,对数据进行增强.在布匹瑕疵类别识别上,采用Faster RCNN模型,并针对布匹数据集中瑕疵目标小的特点...     

基于图像能量的布匹瑕疵检测方法

为了满足布匹瑕疵检测的准确性和实时性要求,通过对几种纹理分析方法的讨论,提出了一种基于能量的瑕疵检测方法;该方法利用图像极坐标系下的傅立叶频谱,得到图像纹理频谱能量的分布情况;由于纹理的空间周期性,其图像的能量在对应的频率处会有峰值出现;如果将这些频率处集中的能量置零,通过傅立叶逆变换得到的图像纹理会被模糊甚至去除,瑕疵与纹理的对比度得到增强;这时再进行边缘检测和二值化处理,即可将瑕疵从背景中提取出来,从而完成瑕疵的检测;实验证明,该方法检测速度快,准确率高,能够满足检测要求。     

基于模板匹配单色布匹瑕疵检测算法

提出一种基于模板匹配的单色布匹瑕疵检测算法,该检测算法首先存储待测布匹的无瑕疵模板图,并对模板图进行分块,然后对待测样本图进行相同的分块操作,进一步利用模板匹配方法对相同分块区域的样本图与模板图进行匹配查找,得到最优匹配图像.在匹配过程中,对模板图按照一定比例进行扩充,以提高匹配的准确性.最后将样本图与最优匹配图像进行差值对比实现布匹瑕疵检测.实验结果表明,算法弥补了传统Gabor算法高度依赖纹理的缺陷,提高了对于纹理模糊的单色布匹瑕疵检测准确率,检测效率与精度满足验布现场需求.     

基于级联卷积神经网络的复杂花色布匹瑕疵检测算法

当布匹的背景信息复杂多变时,复杂花色布匹的瑕疵定位与分类较为困难.针对这一问题,文中提出基于级联卷积神经网络的复杂花色布匹瑕疵检测算法.首先,使用双路残差的骨干特征提取网络,在缺陷图和模板图上提取并融合特征.然后,设计密度聚类边框生产器,指导框架中区域候选网络的预检测框设计.最后,通过级联回归方法完成瑕疵的精确定位和分类.采用工业现场采集的布匹图像数据进行训练与预测,结果表明,文中算法的精准率和召回率较高.     

基于改进Gabor优化选择的布匹瑕疵检测方法

针对传统Gabor优化选择方法用于布匹瑕疵检测时准确率低、鲁棒性差的缺点,提出了改进的优化选择方法,通过瑕疵图像与标准图像Gabor滤波后分块子图均值差平方和的代价函数实现优化选择。设置一组不同方向和尺度的Gabor滤波器并提取标准图像滤波后相关参数,通过改进的优化选择方法实现滤波后瑕疵图像的最优选择,利用迭代式阈值分割对最优滤波后图像进行二值分割,根据分割后图像的像素信息检测是否含有瑕疵并输出瑕疵信息。实验验证该方法,并与传统优化选择方法对比分析,结果表明该方法运算量较少,且检查性能高,可满足在线检测要求。     

FPGA技术在布匹瑕疵检测系统中的应用

使用FPGA能够开发出功能强大，易于更新维护的图像处理系统，文中介绍FPGA技术在图像处理领域中的典型应用，结合自主开发的布匹瑕疵检测系统。详细阐述了FPGA程序设计中并行算法的设计流程。并通过具体例子，提出了FPGA程序设计过程中需要注意的问题和优化程序，节省逻辑资源的几个方法。     

基于图像增强和CNN的布匹瑕疵检测算法

布匹缺陷检测是纺织行业生产过程中保障布匹质量的重要环节,计算机视觉技术的发展使得利用数字图像处理来检测布匹瑕疵成为大势所趋.针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率和漏检率高的问题,结合布匹纹理比较统一的特征以及布匹瑕疵数据规模小的特点,提出一种基于图像增强和卷积神经网络(convolutional neur...     

基于稀疏编码的双尺度布匹瑕疵检测

瑕疵检测是布匹质量控制的重要环节。为了使检测算法具有较高的通用性和检测精度,提出了一种基于稀疏编码的双尺度布匹瑕疵检测算法,综合了大尺度下检测稳定性高和小尺度下检测敏感性高的优点。首先,采用一种小规模过完备字典的训练方法得到大小尺度下的字典;其次,利用检测图像块在字典上的投影提取检测特征;最后,利用距离融合方法综合大小尺度下的检测结果。小规模完备字典的采用以及对大尺度下的检测进行下采样,克服了因引入双尺度而造成计算量太大的缺点。实验采用德国TILDA布匹样本库,实验结果表明,该算法能有效地检测平纹布、格子布、条纹布上的瑕疵,综合检测率达到95.9%,并且计算量适中,能够满足工业实时检测的要求,具有实际应用的价值。     

基于深度学习的纹理布匹瑕疵检测方法

布匹瑕疵检测是纺织工业中产品质量评估的关键环节, 实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义. 在实际布匹生产过程中, 布匹瑕疵在形状、大小及数量分布上存在不平衡问题, 且纹理布匹复杂的纹理信息会掩盖瑕疵的特征, 加大布匹瑕疵检测难度. 本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network, ITF-DCNN), 首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取; 其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network, F-FPN)对特征图中的背景特征进行过滤, 增强其中瑕疵特征的语义信息; 最后构造针对瑕疵数量进行加权的MFL (Multi focal loss)损失函数, 减轻数据集不平衡对模型的影响, 降低模型对于少数类瑕疵的不敏感性. 通过实验对比, 提出的方法能有效提升布匹瑕疵检测的准确率及定位精度, 同时降低了布匹瑕疵检测的误检率和漏检率, 明显优于当前主流的布匹瑕疵检测算法.     

基于改进ShuffleNetV2的轻量级花色布匹瑕疵检测

布匹瑕疵检测是纺织业质量管理的重要环节.在嵌入式设备上实现准确、快速的布匹瑕疵检测能有效降低成本,因而价值巨大.考虑到实际生产中花色布匹瑕疵具有背景复杂、数量差异大、极端长宽比和小瑕疵占比高等结构特性,提出一种基于轻量级模型的花色布匹瑕疵检测方法并将其部署在嵌入式设备Raspberry Pi 4B上.首先在一阶段目标检测网络YOLO的基础上用轻量级特征提取网络ShuffleNetV2提取花色布匹瑕疵的特征,以减少网络结构复杂度及参数量,提升检测速度;其次是检测头的解耦合,将分类与定位任务分离,以提升模型收敛速度;此外引入CIoU作为瑕疵位置回归损失函数,提高瑕疵定位准确性.实验结果表明,本文算法在Raspberry Pi 4B上可达8.6 FPS的检测速度,可满足纺织工业应用需求.     

基于特征残差的色织物瑕疵检测

为解决自动织物瑕疵检测算法中,未知花色织物瑕疵检测困难的问题,提出了一种基于特征残差的色织物瑕疵检测方法.首先使用瑕疵织物图像与模板织物图像的瑕疵残差和正常无标注织物图像进行融合,生成新花色瑕疵织物样本;然后改进特征提取网络采用共享权值方法,对瑕疵织物和模板织物提取特征后计算得到特征残差;最后使用ROIAlign方法将全局上下文信息缩放到和感兴趣区域统一大小后进行特征融合,对融合特征进行瑕疵分类和位置回归.实验针对不包含未知花色和包含未知花色的不同测试集分别进行算法测试实验,结果表明改进后的算法能够较好地消除织物花色对检测结果的影响,在不包含未知花色的测试集中精度得到了较大的提升,在包含未知花色的测试集中,瑕疵检测效果依旧保持不错的精度,相较于改进前的通用算法,最终score分别提升了15.4％和16.2％.     

基于图像距离差的织物疵点检测算法

本文将机器视觉与数字图像处理技术引入到织物疵点检测中,提出了一种织物疵点检测算法——图像距离差算法。该算法可使用户根据织物的类型,自行设置相应的疵点检测控制参数,能够检测出三十多种常见的疵点。实验证明该算法具有识别正确率高,识别速度快等优点。     

一种PCA-NLM的纺织品缺陷检测方法

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,本文提出一种混合方法（hybrid approach）进行纺织品缺陷检测,采用PCA-NLM（Principal Component Analysis-Non Local Means）有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类间可分性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文方法有效提高了纺织品缺陷的检测正确率。     

基于二层自适应正交小波的疵点检测

本文提出了基于二层自适应正交小波的织物疵点检测方法。首先介绍了织物纹理图像的二维正交小波变换．在此基础上借鉴Daubechies小波构造过程，阐明了二层自适应正交小波的构造方法，然后对图象进行二层小波分解。分别比较无缺陷图像与待检测图像二层分解后的纬向和径向子图像，得到纬向和径向疵点信息，最后将两个方向上的疵点信息融合．得到检测结果。实验证明该方法是有效的。     

基于视觉感知机制的织物疵点轮廓检测

针对传统人工织物疵点检测存在的误检及低效等问题,提出了一种基于视觉感知机制的自适应织物疵点轮廓检测方法.首先,模拟视觉系统中视网膜感受野对视觉信息的处理机制对织物疵点图像进行滤波及疵点增强;其次,依据初级视皮层(V1)区对视觉信息响应的方向选择性机制构建织物疵点图像边缘检测模型,实现对织物疵点图像的边缘检测.最后,采用自适应阈值选择的方法对检测到的边缘进行二次处理,获得织物图像疵点的轮廓.为验证本文方法的有效性和准确性,对4类织物疵点图像进行测试,并定性和定量两方面进行比较分析,结果表明文中提出的方法能够较好地检测出织物疵点轮廓信息,不仅可以得到质量较高的织物疵点轮廓图像,而且在整个检测过程中能够自适应的选择参数,避免受人的主观因素影响,具有实际的应用价值.     

注意力残差块引导的师生网络色织物缺陷检测算法

针对传统色织物缺陷检测重构模型存在难以保证缺陷区域的重构效果、漏检和误检率偏高等问题,提出一种注意力残差块引导的无监督师生网络色织物缺陷检测算法。从知识蒸馏角度出发,基于Wide_ Resnet50_2网络设计一种具有编码-解码结构的教师-学生模型,学生网络通过恢复经过预训练的教师网络的多尺度特征增强重构能力。提出一种融合双重注意力的残差模块DARM(Dual Attention Residual Module),对特征信息进行双重权重分配的方式可以去除教师网络输出的冗余信息,进一步扩大师生网络之间对于缺陷区域的表征差异,提升模型的缺陷检测与定位能力。实验结果表明,提出的算法在YDFID-1数据集上AUPRO达到了85.8%、像素级AUROC和图像级AUROC分别达到了96.3%和98.3%;在少样本条件设置下,提出的算法在MVTec数据集上AUPRO和AUROC下降不超过4.5%,实验结果验证了该算法处理色织物缺陷检测问题的有效性以及稳定性。     

基于最优Gabor滤波器的织物缺陷检测

织物缺陷的自动检测是纺织行业所面临的技术难题之一。为了对织物缺陷进行快速准确的自动检测，建立了一种基于Gabor滤波器的织物缺陷自动检测方法，即首先根据无缺陷织物的结构特征，应用小生境遗传算法寻找最优的Gabor滤波器参数和分割阈值；然后将待检图像通过滤波和分割来得到检测结果，同时根据响应矩阵的极小值点来计算缺陷的形状特征。该方法应用于帘子布的缺陷检测的实验结果证明，该方法是可行的和有效的，而且还具有适用性广、识别能力强、检测速度快等特点。