半身裙视错图案的感官舒适度主客观评价

针对服装视错图案客观性评价欠缺的问题,提出了一种利用灰度共生矩阵、小波分析和BP神经网络来客观评价视错图案感官舒适度的方法。提取10款视错裙图像灰度共生矩阵的对比度、相关性、熵值、均匀度和能量值5个特征参数,以及Haar小波分解五层时水平、垂直和对角线方向上的维度特征参数。最后选取这两类纹理特征值中与主观评价结果显著相关的特征参数,输入到BP神经网络中进行迭代训练和预测评估。结果显示:该算法的识别正确率高达100%,预测效果较好,可以利用灰度共生矩阵、小波分析和BP神经网络相结合的方法,进行视错图案感官舒适度的客观评价。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

缝纫平整度客观评判模型的研究

借助于图像处理技术,提取缝纫平整度照片的图像灰度标准差、图像熵、小波变换系数标准差、小波信息熵等特征参数,建立了缝纫平整度的客观评判的概率神经网络模型.经过训练和检验,得出该模型的预测值与期望值之间的相关系数在0.99以上,说明网络模型有效,且精度高,可以用于预测未知缝纫样本的缝纫平整度等级.     

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。     

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。     

基于灰度共生矩阵的织物组织结构差异分析

应用灰度共生矩阵分析不同织物组织结构的纹理特征差异。首先将图像的灰度级由256级降为16级以减少计算量;再通过计算图像的灰度共生矩阵选取由灰度共生矩阵衍生的能量、对比度、相关、熵和逆差矩5种特征值作为描述织物纹理的特征参数,并与实际织物纹理特征相比较。分析结果表明,该方法能够较好地提取平纹、斜纹和缎纹织物的纹理特征,可进一步实现织物纹理的分类。     

基于遗传算法的织物疵点特征选择

 为提高疵点分类的正确率,提出应用遗传算法对织物的疵点进行特征选择。首先提取机织物疵点图像,基于直方图、灰度共生矩阵、灰度差分统计、小波差分统计等描述纹理特征,采用遗传算法对这些特征组成的特征向量进行特征选择,再用支持向量机（SVM）分别对原特征向量和选择的特征子向量进行分类。实验结果显示,织物疵点的平均识别率从原来的89%提高到95%,说明该算法对织物疵点特征选择是有效的。     

小波分析在织物缺陷检测中的应用

对于织物缺陷的检测，可以使用多种不同的图像处理技术．而具有多分辨特性的小波变换是一种分析图像的新方法，它的变尺度特性与人类视觉中的空间频率多通道相吻合．使用小波分析的方法对3种织物缺陷进行检测分类．首先将织物图像进行3层小波分解，然后把小波分解后的图像灰度值作为特征参数输入到BP神经网络进行检测识别，实验结果表明，用这种方法识别织物缺陷识别率可达到98％。     

基于基本规格参数的织物缝纫平整度的研究

以毛精纺织物的基本规格参数及织物丝绺角度作为变量,应用主成分分析法探讨这些变量对服装缝纫平整度的影响,并利用这些变量建立BP神经网络模型,预测织物的各向缝纫平整度.实验结果表明:织物的丝绺角度与织物中羊毛纤维的含量对缝纫平整度的影响较为显著;利用毛精纺织物的基本规格参数及织物丝绺角度建立的BP神经网络模型能够快速、准确地预测毛精纺织物的各向缝纫平整度,从而为毛精纺织物缝纫平整度的客观评价提供了一条便捷、实用、高效的途径.     

基于褶皱特征参数的男西装袖弊病类别的自动识别

为实现自动判别男西装袖的弊病类型，提出了一种将图像处理技术与BP神经网络相结合的判别方法。首先收集不同弊病类型的男西装袖图像，借用MATLAB平台，对图像进行灰度化、灰度增强、二值化等预处理，绘制褶皱部位的灰度曲线图；然后基于灰度曲线图以及二值化图提取褶皱宽度、褶皱深度和褶皱斜率等3个特征参数；最后将提取的特征参数和对应的弊病类型输入到BP神经网络中训练和识别，对男西装袖弊病图像的类型进行分类。结果显示，提出的方法对袖弊病类型的判别具有较高的准确率与稳定性。     

基于计算机视觉鉴别肉松与肉粉松

为实现快速鉴别肉松和肉粉松,文中提出了一种基于计算机视觉和BP人工神经网络的快速无损检测方法。先对60组肉松和60组肉粉松图像进行灰度化并剪切成长宽为899×772像素,然后在剪切后的灰度图像中提取灰度均值、总熵值、灰度等级矩阵的标准差、基于灰度共生矩阵的对比度、相关度、纹理二阶矩和均匀度,在剪切后的二值图像中提取分形维数,共计8个纹理指标,再将45组肉松和44组肉粉松作为训练集输入BP人工神经网络进行训练,剩余样本作为测试集进行测试。研究结果表明:构建的BP神经网络总分类准确率为80.65%,其中有2组肉松被误判为肉粉松,有4组肉粉松被归为肉松。该研究成果可为销售点快速无损鉴别肉松与肉粉松提供了一种技术方法。     

基于不变矩和改进SVM的牛肉大理石纹评级

针对牛肉大理石纹人工评级过程中人为误差干扰大的问题,研究利用图像处理技术提高牛肉大理石纹评级的客观性并增强自动化程度,提出基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机(Support Vector Machine,SVM)的牛肉大理石纹评级法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造特征向量;然后将训练和测试样本输入到混合核函数SVM,采用混沌蜂群算法优化SVM中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待评级样本进行分类识别,得到最优评级结果。大量实验结果表明:根据我国NY/T676-2010牛肉大理石纹标准图谱,评级正确率分别达到100%(一级)、93.3%(二级)、93.3%(三级)、96.7%(四级)、100%(五级)。与基于灰度矩和SVM法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文所得评级正确率最高,且与专业评级师的实际评级情况最相符。     

基于小波特征和SVM的织物疵点识别

针对常见织物疵点具有方向性,利用传统空间域特征识别方法不能有效定位局部疵点区域且当样本较少时分类率低的问题,为有效定位疵点且提高分类率,提出了水平和垂直方向上小波域特征,利用能有效解决小样本分类问题的支持向量机进行分类识别;并对利用图像灰度共生矩阵特征及小波域特征的分类结果进行了比较。仿真实验结果表明,所选特征不仅能对织物疵点区域进行水平和垂直方向上的定位,而且得到了较高的正确分类率。     

基于高光谱图像技术的固态发酵中芽孢杆菌的快速识别

利用高光谱图像技术结合模式识别方法,研究了镇江香醋固态发酵中产酸芽孢杆菌的快速识别方法。筛选3种芽孢杆菌为标准菌,以标准菌生长12 h的菌落为研究对象,利用高光谱成像系统采集图像:提取感兴趣区域(20×20)单菌落平均光谱共120条,并SNV预处理,采用主成分分析(PCA)从每幅图像优选3幅特征图像,并从每幅特征图像提取4个基于灰度共生矩阵的纹理特征变量;对光谱和图像纹理的特征变量均进行PCA,分别提取合适的主成分构建BP-ANN和KNN识别模型。其中,光谱模型识别效果优于图像模型,且BP-ANN光谱模型识别效果最优,对校正集和预测集样本的识别率分别为98.70%和97.78%,主成分因子数为5。研究表明,菌落内部特征是识别菌种属的关键,且利用高光谱图像技术识别细菌具有可行性,且快速简便。     

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.     

基于机器视觉的透明包装袋真空封口纹理缺陷检测方法

目的:解决由于目前在食品包装领域采用人工抽检方式导致的真空封口质检难以长时间连续作业，易发生漏检、错检，检测准确率稳定性不可靠等问题。方法:提出了一种基于机器视觉的透明包装袋真空封口纹理检测方法代替人工检测。利用ROI区域提取、仿射变换和局部二值化模式等算法进行图像预处理，凸显出纹理特征。在此基础之上，利用灰度共生矩阵分析“良好”和“缺陷”封口纹理图像特征设置灰度共生矩阵参数，将纹理特征的均匀性与共生灰度矩阵特征量相关联。最后，以灰度共生矩阵特征量作为SVM分类器的输入量，通过计算对封口缺陷进行识别与分类。结果:该在线检测方法对透明包装袋真空封口的缺陷检测结果与人工质量结果对比同一性高达97.5%。结论:该方法具备较高的检测准确率和较好的实用性，可满足在线检测的需求。