基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

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。     

深度学习算法在织物疵点识别中的应用研究

目前,纺织厂织物疵点识别工作仍由人工完成,但传统人工验布方法检测效率低,漏检率高.文章采用深度学习算法中的卷积神经网络自动提取织物特征,同时对织物中三种经典类型的布进行训练学习,经过多个卷积层和池化层,最后采用Sigmoid函数进行分类.在包含3600幅图像的数据集上进行实验,其中训练集2000幅、验证集800幅、测试...     

应用最优Gabor滤波器的经编织物疵点检测

针对经编织物疵点自动检测问题,提出了一种新的基于最优Gabor滤波器的经编织物疵点检测方法。具体可分为学习阶段和检测阶段;在学习阶段,对于无疵点的经编织物图像构造可调制的二维Gabor滤波器,采用量子行为粒子群优化(QPSO)算法对Gabor滤波器的参数进行优化,得到与无疵点的织物图像纹理特征最匹配的Gabor滤波器参数;在检测阶段,由学习阶段得到的最佳参数构造Gabor滤波器,用该滤波器对待检测织物图像进行卷积处理,然后再对得到的卷积图像进行二值化处理,最终识别出待检测织物是否有疵点存在。结果表明,该方法的检测率可以达到96.67%,具有很好的稳定性和鲁棒性,适合应用于工业生产。     

基于离散粒子群算法的织物疵点特征选择

为提高识别织物疵点的准确率,提出基于离散粒子群算法(Bpso)进行织物疵点特征选择的方法.首先收集织物疵点图像并进行预处理,提取常用的纹理特征构成候选特征.然后采用BPSO对这些候选特征进行选择,得到优选特征和冗余特征.最后分别在这3类特征下训练支持向量机并进行织物疵点识别测试.结果表明,优选特征的疵点识别准确率大大高...     

基于树莓派的深度学习色织物疵点检测研究

研究基于树莓派的深度学习色织物疵点检测效果。设计了一种基于树莓派的深度学习疵点检测系统。采用多线程并发执行思路,将系统任务划分为图像采集、图像处理和人工交互三个线程;采用改进的Inception-v3模型图像处理算法,实现了织物图像疵点检测和分类;通过人工交互界面,实时显示系统的运行数据,根据色织物疵点报警停车。结果表明:该系统实现了色织物疵点检测和分类,平均准确率达94%。认为:该织物疵点检测方法可达到工业现场在线检测的要求。     

基于人工神经网络的织物疵点聚类分析

本文提出了一种基于人工神经网络的织物疵点分类方法。首先利用灰度共生矩阵提取织物疵点图像的纹理特征参数;然后阐述前馈BP神经网络的拓扑结构,并提出该网络的具体训练过程;最后利用人工神经网络对真实织物疵点样本进行分类,实验采用五类织物样本,网络训练完成后得到实际分类的疵点数据,并利用该数据进行织物疵点分类,分类的准确率达到100%,从而验证了该方法的可行性。     

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。     

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。     

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.     

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.     

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...     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

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。     

Yarn-dyed woven defect characterization and classification using combined features and support vector machine

In this paper, we present a novel defect evaluation method that uses combined features and modified support vector machine (SVM) classifiers to characterize and classify the defects of yarn-dyed fabrics. Yarn-dyed fabric images are preprocessed, and nine parameters are defined in the combined feature extractors. Based on binary and textural energy images for defect regions, yarn-dyed fabric defect features can be described, such as weft length, warp length, weft length to warp length ratio, perimeter, area, roundness, coarseness, contrast, and directionality. These parameters are also used as the inputs of optimized SVM classifiers to obtain overall defect classes in accordance with the Chinese National Standard of Yarn-dyed Pattern Fabrics (GB/T 22851 – 2009). The effectiveness of this evaluation method is tested by 180 selected defect images of yarn-dyed fabrics that have different patterns. The cross-validation tests on the yarn-dyed fabric defect classifications indicate that the defect categories of more than 91% of these diversified samples can be recognized correctly by using the SVM classification scheme. Furthermore, the extracted defect parameters provide useful information for textile and clothing manufacturing to grade yarn-dyed fabrics.