基于小波包的织物纹理分类

采用小波包和BP神经网络相结合的方法对织物纹理进行分类 ,实验表明 ,分类率可达 98%。     

小波分析在织物缝纫平整度客观评价中的应用

提出一种基于小波分析的缝纫平整度客观评价方法,可以克服主观评价的局限性,使得缝纫外观质量的检测更加快速、准确。在对缝纫平整度标样图像进行处理的基础上,采用二维离散小波变换提取图像高频分量中细节系数的标准差作为特征向量,其在特定的分析尺度上随缝纫平整度的恶化呈现出明显的单调递增趋势。通过计算平整度评估因子（EK）确定了最佳小波和最佳小波分析尺度,从而建立了缝纫平整度等级的客观评判模型。采用棉织物的缝纫样本检验了模型,结果表明主客观评价的吻合度达到85%以上,由此验证了该方法的可行性。     

应用单演小波分析的织物疵点检测

为了解决现有织物疵点检测算法对种类繁多的疵点形式尤其是对微弱纹理变化疵点的适应性较弱问题,提出以单演小波分析工具为基础的织物疵点检测算法。通过拉普拉斯分数阶算子与多重调和样条构建各向同性拉普拉斯小波后,对其进行Riesz变换构建Riesz–拉普拉斯小波,实现了织物图像的单演小波分析。对单演小波分析结果中的多分辨率方向与振幅子带,分别设计了最优响应子带判断标准以及最优响应子带分割方法。实验结果表明,本文提出的检测算法可有效分割不同织物纹理中的多种类疵点,分割结果可反映疵点位置与轮廓,对342幅实验样本图像实现了97.37%的检出率,具有较好的自适应性与鲁棒性。     

小波在超声无损检测C复合材料缺陷中的应用研究

针对超声检测碳复合材料易出现的信噪比较低的问题,本文具体分析了典型的超声检测信号的组成和分离方法,提出利用小波包变换提取反映缺陷性质的特征值。结合MATLAB的工具箱编写信号处理程序,实现对信号的小波包的分解,同时输出信号的特征参数值和相关的分析结果图。最后,利用谊程序对带缺陷的碳复合材料进行分析,通过提取的特征值可以方便实现对缺陷定位的无损检测。     

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.     

基于不变矩与神经网络的织物缺陷检测研究

针对织物表面的非结构化畸变缺陷,提出一种基于不变矩与神经网络相结合的织物缺陷检测方法。首先,利用图像处理的方法对织物图像进行预处理分块;其次,提取待检测织物分块图像的7个不变矩值,通过比较分块变换后的统计特征量,发现缺陷织物与非缺陷织物的统计特征量存在差异;基于该特点,建立BP神经网络,应用织物图像的7个不变矩特征值作为神经网络的输入,通过学习大量样本,获取最佳权值参数,实现对非结构化畸变缺陷的识别分类。试验结果表明,该算法检测的准确率达到80%以上,对破洞的检出率接近100%,能够很好检测织物的非结构化缺陷,有效地满足织物的生产工艺要求。     

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％。     

染色织物质量缺陷成因分析中的显微技术

纺织品从纤维到染色的加工过程中,会受到机械、化学和热学的作用,从而导致纤维损伤。每一种损伤引起的质量缺陷都会对产品的质量产生很大的影响,这些质量缺陷往往在生产过程中不易发现,而在最后染色加工中反映出来,而此时质量缺陷已无法弥补。利用显微技术观察纤维损伤,并结合生产实践经验,对质量缺陷成因作出准确的判断,能够搞清许多产品质量的疑难问题,追溯质量缺陷产生工序,控制产品质量缺陷,化解商贸质量纠纷。     

BP神经网络在织物疵点识别中的应用

采用3层BP神经网络对织物疵点进行识别,提出织物疵点识别网络不适宜规则,将其应用于隐含层神经元个数选择和训练方法筛选,以优化网络结构,提高训练速度和网络识别精度,设计出较优的织物疵点识别网络。将丝织物中常见的断经、断纬、重纬、档疵、破洞和油污6类疵点作为识别样本,对按照网络不适宜规则设计的网络进行测试。从识别结果来看,BP神经网络可以满足织物疵点识别需要,且具有正确识别率高,识别速度快的优点。     

Identification of fabric defects based on discrete wavelet transform and back-propagation neural network

Detection of fabric defects can be considered as a texture segmentation and identification problem, since textile faults normally have textural features that are different from features of the original fabric. A feasible approach for the recognition of fabric defects based on discrete wavelet transform and back-propagation neural network is proposed in this article, the indispensable processes of which are defect image preprocessing, wavelet transform, feature extraction, principal component analysis of the extracted feature parameters, and defect identification. Under the experimental condition, the average recognition accuracy of defects and nondefects are 99.2% and 100%, respectively. Experimental results show the advantages with high identification correctness and high inspection speed.     

基于自适应小波的织物疵点自动分割研究

根据小波正交条件,通过使用疵点图像的疵点区与无疵点区能量均值比为优化目标函数,构造与织物纹理模式相匹配的二维自适应平稳小波.实验证明,构造的小波具有更好的鲁棒性和检测能力.     

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.     

织物疵点图像消噪方法的比较

织物疵点图像的消噪是疵点识别和分类的重要预处理步骤。采用中值滤波、Wiener滤波和小波阈值化消噪3种方法对织物疵点图像进行消噪处理。在采用中值滤波和Wiener滤波时,同时选用3×3和5×5滤波器进行消噪;在采用小波阈值化消噪时,计算图像全局阈值,同时采用软、硬阈值消噪方法,对疵点图像进行消噪。通过实验比较,采用小波阈值化方法消噪时,疵点图像边缘清晰,峰值信噪比显著提高,其效果明显好于中值滤波和Wiener滤波;采用小波阈值化消噪后的疵点图像可在特征提取和识别中使用。     

The obtainment and recognition of raw silk defects based on machine vision and image analysis

At present, the raw silk defects detection is traditional seriplane inspection that is greatly influenced by human factors and poorly repeatable. We introduce a method of machine vision and image analysis to intuitively detect the main kinds of raw silk defects which are loops and loose end in this paper. During the experiment, we develop an image acquisition system that includes a charge coupled device line scan sensor, a telecentric lens, a light source, and a raw silk winding device to capture the raw silk images continuously and steadily. After the image capture stage, the defect segmentation using thresholding and morphology operations, such as opening, hole fill up, and image subtraction, is carried out to extract the geometrical features accurately. To describe the defects under visual property, four geometrical features are extracted, which will be used as the input of BP neural network. A BP neural network is designed as a classifier to recognize the test samples. Experimented results indicate that the proposed method can successfully detect and recognize the main kinds of raw silk defects.     

织物褶皱多尺度灰度共生矩阵分析

为建立一套客观、稳定、高效的织物褶皱评价系统,文章提出一种多尺度图像特征提取方法。首先,通过3层小波变换对织物二维图像进行分解,得到其高频系数;对原图及三个尺度下的小波系数分别生成灰度共生矩阵,并对这四个尺度的灰度共生矩阵提取对比度、相关性、角二阶矩、同质性及熵值表征织物褶皱变化;最后通过支持向量机对输入特征进行分类。结果表明,结合小波变换的灰度共生矩阵方法比单独使用灰度共生矩阵分类准确率高,说明多尺度的图像特征能够更加全面地描述织物褶皱变化。     

基于主成分-神经网络预测干洗后织物复合体粘合效果

通过主成分分析,提取了面料和粘合衬性能参数的8个主成分作为新的综合变量。采用BP神经网络技术建立预测干洗后织物复合体粘合效果的3层神经网络模型,运用动量法和学习率自适应调整算法训练模型。通过预测值与试验观测值的比较,表明用主成分神经网络方法预测粘合后织物复合体经干洗后粘合效果具有相当高的准确性,从而在一定程度上证明此方法的可行性。     

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。     

Development of a machine vision system: real-time fabric defect detection and classification with neural networks

In this study, a machine vision system is developed to achieve fabric inspection and defect classification processes automatically. The system consists of an image acquisition hardware and an image processing software. A simple and portable system was designed so that it can be adapted easily to all types of the fabric inspection machines. The software of the system consists of defect detection and classification algorithms. The defect detection algorithm is based on wavelet transform, double thresholding binarization, and morphological operations. It was applied real time via a user interface prepared by using MATLAB^® program. The defect classification approach is based on gray level co-occurrence matrix and feed forward neural network. Five commonly occurring defect types, warp lacking, weft lacking, soiled yarn hole, and yarn flow, were detected and classified. The defective and defect-free regions of the fabric were detected with an accuracy of 93.4% and the defects are classified with 96.3% accuracy rate.