应用积分图的织物瑕疵检测快速算法

为解决现有基于图像处理的织物瑕疵检测算法实时性较差、正确率偏低等问题,提出一种包含学习和检测2个阶段的瑕疵检测算法。通过对无瑕疵模板图像的梯度能量特征及其分布特性的学习,自适应获得检测阶段所需的参数。一方面利用积分图原理将任意大小的图像块内的求和运算化简为三次加法运算,快速提取织物图像的梯度能量特征,实现织物瑕疵的实时检测,另一方面利用核函数拟合特征参数分布,结合均值漂移法求解分布峰值获得自适应的瑕疵判定阈值参数,实现织物瑕疵的准确分割。通过实验将本文算法与现有基于局部二值模式特征、小波特征、规则带特征等算法进行对比,针对包含3种纹理6类瑕疵的织物图像数据集的测试结果显示,本文算法平均处理时间为56ms,正确率为97%。     

基于相对总变差模型与MSER的织物毛球等级评价

针对人工评价织物起毛起球等级存在主观因素强、效率低等问题,提出基于相对总变差模型与MSER(最大稳定极值区域)相结合的织物起毛起球等级评价方法。首先对织物起毛起球图片进行预处理,以消除光照不均的影响并增强毛球信息;然后利用相对总变差模型抑制毛球图像的纹理信息,使用MSER分割毛球区域,再通过形态学运算处理该区域;最后以毛球总面积占图像面积的比例作为起毛起球等级评价参数,建立织物起毛起球等级评价标准,实现对织物起毛起球等级的客观评价。实验结果表明,该方法可以有效地完成织物起毛起球等级评价,能够满足实际工业需求。     

基于奇异值分解的机织物瑕疵检测算法

针对现有算法对不同机织物纹理适应性和实时性不佳的问题,本文提出了一种基于奇异值分解（SVD）的机织物瑕疵检测。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。本文重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4693个样本的实验,结果表明,本文所提算法能够使误检率小于10%,检出率大于90%。与AR模型算法进行实验比较,本文所提算法在检测精度和实时性上都优于AR算法。     

纺织品疵点自动识别方法研究

疵点检测是纺织品质量检验中的重要一环,因织物的组织结构多样,不同织物表面的纹理特征具有较大差异,很难建立一种通用的数学模型来描述。介绍了一种基于SVM和自适应LBP算子的织物疵点识别方法。利用自适应LBP算子的灰度不变性和自适应纹理分析性能提取图像的归一化直方图特征参数,并将其作为支持向量机的输入参数进行训练,获得支持向量。然后将支持向量机作为分类器最终实现疵点图像的识别。实验表明,该方法的准确性较高,速度快,适应性强,是一种比较理想的织物疵点识别方法。     

采用奇异值分解的机织物瑕疵检测算法

针对现有算法对机织物纹理适应性和实时性不佳的问题,提出一种基于奇异值分解(SVD)的机织物瑕疵检测算法。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4 693个样本的实验,结果表明,在误检率小于10%情况下,本文算法的检出率可达90%。经比较,本文算法在检测精度和实时性上都优于AR模型算法。     

基于DSP的实时织物疵点检测系统

基于DSP技术开发一种实时织物疵点检测系统,用于解决传统人工检测织物疵点存在检测精度差、效率低、成本高等问题。在分析疵点纹理灰度特征的基础上,通过块操作提取织物图像背景,将疵点图像进行预处理、自适应阈值二值化(Ostu法)、形态学开运算处理完成疵点检测;描述了系统软件算法的设计,在TI的DSP TMS320DM6446、Linux和CCS开发环境下编程和调试,在显示器上实时显示检测结果。经实验验证,该系统具有检测精度高、实时性好、效率高等特点。     

基于图像预处理与改进的Canny算子的织物瑕疵检测

目的:本文针对常见的布匹瑕疵检测方法对破洞、油污检测不敏感的缺点,提出了一种将图像预处理和边缘检测相结合的检测方法。方法:该方法根据瑕疵边缘变化的差异,先进行图像预处理,即利用直方图规定化对图像做出修正与增强,再应用中值滤波的方法消除图像孤立的噪声点;最后利用改进的Canny算子提取布边缘特征,即采用Otsu阈值方法求取自适应阈值,自动选择并去除布匹纹理提取瑕疵识别出瑕疵。结果:通过计算机Matlab进行实验,发现不同疵点其相应特征值的图像纹理频谱分布情况存在差异:正常织物特征值变化较平稳,没有太大的波动;断经织物的垂直能量,方差,极差均有明显突变;断纬织物的水平能量,方差,极差也有明显突变;破洞织物的水平、垂直特征值都会有不正常的波动;由此可以判断出疵点是否存在及其类别。结论:实验表明,与传统方法相比,改进方法使织物瑕疵边缘提取更加清晰平滑,阈值的自动选取也使运算时间大幅度下降。从而可知该方法的检测速度快,准确率高,可以满足纺织产业中自动布匹瑕疵检测的一般应用检测要求。     

基于总变差的织物疵点分割方法

为解决当前机织物疵点检测方法精度不足的问题,提出了基于总变差模型的织物疵点分割方法,并着重分割经纬向尺寸小且异常不显著的疵点。首先应用奇异值分解低秩重建的方法将织物纹理背景去除,获取疵点异常图;然后通过构建总变差模型对疵点异常图进行最优化求解处理,得到不同约束下的疵点增强图;最后通过常规分割算法实现疵点的准确分割。实验结果表明:经总变差模型处理后的疵点异常图,其疵点与背景的可分割性得到显著提升。通过讨论总变差模型的参数对分割结果的影响,进一步验证了基于总变差的织物疵点分割方法的有效性和稳定性。     

Frangi滤波器和模糊 C 均值算法相结合的织物瑕疵检测

为解决织物瑕疵自动检测问题,提出一种基于Frangi滤波器和FCM相结合的织物瑕疵检测方法。首先采用均值下采样方法对采集的织物图像进行预处理,以减少织物背景纹理信息对织物瑕疵检测产生的影响;然后通过Frangi滤波器进行滤波增强织物的瑕疵区域;最后利用FCM对滤波后的图像处理,确定织物瑕疵区域的像素和非瑕疵区域像素的聚类中心,并分割出瑕疵区域和非瑕疵区域。实验结果表明,提出的方法检测织物瑕疵种类较多,分割效果较好。与其他方法相比,提出的算法利用的是聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算。     

织物纹理均匀度的计算机评价

为用计算机代替人工对织物的纹理均匀度进行快速准确地评价,提出一种基于差值矩阵的计算机识别算法,通过建立灰度差值矩阵模型分析织物纹理均匀度指标。对织物图像进行预处理以增加其清晰度。通过检测织物经纬向灰度局部极值,建立横纵向纹理特征矩阵及位置矩阵。将矩阵中相邻行与列的元素依次相减,得到横纵向灰度差值矩阵模型。根据这2个矩阵模型,提出偏移平均值及综合评价公式对织物纹理均匀度进行评价,并通过实例给出了评价指标的分级范围。结果表明,这种方法简单准确且速度快,能较好评价织物的纹理均匀度。     

基于相似性定位和超像素分割的织物疵点检测

为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。     

应用纱线序列图像的电子织物构建

为检测纱线条干均匀性对织物外观的影响,在纱线条干图像测量的基础上,提出了一种基于纱线序列图像的电子织物的构建方法。通过建立织物组织变化模型和光照模型,将纱线直径值与基元组织点外观灰度纹理分布相结合,构建电子织物外观数学模型。实验中通过将采集的纱线序列图像进行图像分割和形态学运算等处理,获取纱线直径数据,代入到构建的织物外观数学模型中,实现基于纱线序列图像的电子织物的模拟并且相关参数可调。通过选择合理的织物结构参数,提出的电子织物模型能够真实的反映纱线条干均匀性对织物外观的影响,准确预测布面效果。     

纹理织物疵点窗口跳步形态学法检测

针对纹理织物疵点自动检测时因生产速度快造成的织物抖动以及检测速度难以匹配问题,提出窗口跳步形态学法纹理织物疵点检测算法。使用该算法对图像进行窗口分割及预处理后,首先对纹理织物图像的纹理特征进行分析,然后设计形态学算子进行腐蚀操作,最后使用连通域分析来确定疵点大小及位置。仿真实验及工厂实际应用表明,该算法可有效克服工业生产中纹理织物抖动造成的图像明暗不均,可检测出纹理织物中存在的破洞、经纬疵点、污渍、断线、折痕和结头等各种疵点,而且检测速度明显优于快速傅里叶变换特征点算法以及传统形态学检测算法。实时检测速度超过80 m/min,疵点检测精度为0.1 mm,满足实际生产需求。     

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。     

基于奇异值分解的双算法织物缺陷检测

针对难以有效地同时检测洞形缺陷和线形缺陷问题,提出一种基于奇异值分解的双算法织物缺陷检测方法。该方法首先对图像进行奇异值分解,通过对原图与特征值图进行布尔差集运算消除背景纹理并保留缺陷区域;然后采用均值滤波、直方图均值化及方差阈值滤波消除纹理及噪声点的干扰;接着通过形态学处理确定缺陷位置;最后采用面积阈值和方差阈值的方式获取线形缺陷和洞形缺陷。实验结果表明：该方法不仅能够有效地检测洞形缺陷,而且在检测线形缺陷上也有很好的表现,并在准确率上明显高于传统算法,证明了本文算法的有效性和多用途性。     

基于位平面的纸病检测算法研究

针对当前纸病检测算法存在抗干扰能力差、定位不准确和运算复杂等问题,提出一种基于位平面的纸病检测算法。首先,采用自适应中值滤波算法对纸病图像进行滤波,然后,对滤波后的图像进行位平面分解,并运用格雷码对位平面加以增强,最后,使用数学形态学对其进行边缘检测,得到最终的纸病检测结果。仿真结果表明：该方法运算简单,能够较好地检测出纸病缺陷,并具有较好的抗干扰性和定位准确性。     

改进型奇异值分解在织物疵点检测上的应用

为了识别不同织物表面多种类型的疵点,提出了一种基于矩阵奇异值分解（SVD）的疵点检测方法。首先采用自适应分割技术提取织物图像中包含疵点的感兴趣区域（ROI）,其次将包含疵点的ROI部分继续分割成若干小的不重叠的子图像,并对子图像进行奇异值分解。由于奇异值与织物图像的能量信息相关,通过去除表征织物纹理背景能量的奇异值,以余下的奇异值重组子图像,从而增加疵点区域与纹理背景的能量差异。最后再对ROI区域进行复原时,会出现子图像重构过程不完全连接的情况,采用二值化阈值处理可以消除影响,完成检测目的。实验证明,所提出的改进型奇异值分解技术,耗时短,效率高,对于选取的7种纹理结构不同的织物中大多数疵点,都能够识别其形状和位置。     

基于AR模型的机织物线状疵点研究

针对机织物线状疵点检测效果不佳的问题,本文采用AR模型的谱估计方法对此问题进行研究。首先将获取织物的图像按照一定的子窗口大小分割,并将子窗口内图像的灰度值按照纵向、横向两个方向分别使用方差的方式投影,得到方差序列;然后选择合适的AR模型阶数,依据Burg算法估计得到谱数据;最后通过求得带有疵点图像的谱估计与正常纹理图像得到的谱估计之间的相关系数检测出疵点及其位置。论文采用试验验证检验了该方法对机织物线状疵点检测的有效性。     

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。