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。     

基于多分辨率的全局及局部显著性的色织物疵点检测

为提高色织物疵点检测效率和准确性,提出一种融合多分辨率的全局及局部显著图的色织物疵点检测方法。针对织物疵点及纹理的频谱特征,通过高斯金字塔生成不同分辨率图像,采用小波变换的全局显著性算法,以及傅里叶变换融合的方法得到全局综合显著图。使用基于图论的显著性(graph-based visual saliency, GBVS)算法计算织物图像局部显著性。加权融合全局及局部显著图得到综合显著图,并进行图像分割及形态学操作对疵点区域进行检测。使用不同算法对5种不同类型色织物疵点进行检测,结果表明:提出的方法的疵点检测率达92.0%,与传统方法相比有较大提高,且检测时间较短。     

基于局部统计与整体显著性的织物疵点检测算法

由于织物疵点类别较多及图像纹理多样化,为了能更有效检测织物疵点,本研究结合局部统计特征与整体显著性分析,提出一种新的织物疵点检测算法。首先将图像分为大小相同的图像块,采用局部二进制模式和灰度直方图分别提取图像块局部统计特征;其次针对每个当前图像块,随机选取K个其它图像块,分别计算局部二进制模式统计特征对比度和灰度统计特征对比度,完成基于上下文整体显著性分析生成视觉显著图;最后采用基于迭代最优阈值分割算法对显著图进行分割,得到织物疵点检测结果。实验结果表明,该算法综合了局部统计特征和整幅图像的上下文信息,可显著突出织物疵点区域,实现对织物疵点的有效检测。     

基于显著纹理特征的织物疵点检测方法

针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法。首先,鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;然后,结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区。经TILDA织物纹理图库数据的实验测试,结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性。     

基于方向灰度积分曲线特征的织物疵点检测算法研究

针对于断纱、缺纱、穿错、粗纱等这类结构型织物疵点,由于其具有灰度跳变不明显、疵点面积小的特征在疵点检测过程中难以检测这一问题,本文结合织物图像自身的纹理特征及结构型疵点的方向性特征,创新性地提出基于方向灰度积分曲线特征的织物疵点检测方法,将二维织物图像的疵点检测转化为对一维灰度积分曲线特征的分类识别。该方法通过对输入的图像提取垂直水平方向灰度积分波形曲线,并对积分曲线提取了包括平均值、方差、能量等14个波形特征,然后利用可优化SVM分类算法对提取特征进行疵点判别。通过对漏针、断纱、并经、粗纱等疵点进行检测试验,结果表明,本文提出的疵点检测方法不仅对检测灰度跳变较小的结构型疵点具有较好的检测效果,检测准确率达到了94.34%,而且检测速度快,可以满足实时检测的速度要求。     

k-means聚类算法在织物疵点检测中的应用

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点区域被划分一类,非疵点区域划分为一类。最后经过二值化,分割出疵点。实验证明,该方法能快速、准确的检测出织物的常见疵点。与其他方法相比,文章提出的算法采用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;另外经过方差采样算法处理后疵点信息明显增强,使得疵点信息与纹理明显不同,从而使聚类更为准确,增加了检测的准确度。     

自适应局部二值模式算法及其在织物疵点检测中的应用

为了能够准确地提取不同纹理的特征,提出一种新的纹理特征提取方法,自适应局部二值模式为不同纹理特征创建相应的主要概率模式子集,避免了均匀局部二值模式使用同一模式集描述不同纹理结构而导致的描述不准确问题.在该算法基础上构建一种新颖的织物疵点检测算法,使用本文提出的特征提取方法获取无疵点织物图像特征并确定疵点判断阈值,然后将待检测织物图像分割为大小相同的检测窗提取特征后,与阈值比较以判断是否为疵点区域.实验证明此算法不仅保持了传统LBP的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加细腻、误检率更低、适用范围更广.     

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Frangi滤波器的织物疵点检测方法

提出了一种基于Frangi滤波器的织物疵点检测方法。该算法首先对样本织物图像进行均值下采样处理,淡化和消除背景纹理对织物疵点检测的影响,然后将均值下采样处理后的图像经Frangi滤波器进行滤波,从而增强织物疵点部分以利于疵点的分割,最后对Frangi滤波后的图像进行阈值分割,分割出织物疵点部分。采用该算法对6种纹理织物进行处理,检测出26种疵点,92%的疵点能被准确的检测和定位,误报率为8%,检测效果较好。     

基于相对总变差模型与自适应形态学的织物瑕疵检测

为解决目前基于图像处理的织物瑕疵检测算法中,因织物纹理的多样性与瑕疵形状尺寸的不确定性所造成的检测效果差的问题,提出一种基于结构-纹理模型与自适应数学形态学的织物瑕疵检测算法。首先采用相对总变差模型对织物图像进行滤波以去除织物纹理,然后在得到的灰度图像上直接进行基于自适应邻域的灰度形态学运算,形态学算子采用开运算算子,最终得到织物瑕疵的增强图像。采用基于相对总变差模型与自适应形态学相结合的方法与2种已知的Gabor算法进行比对,对4类典型织物瑕疵进行检测实验和分析。结果表明,本文方法能更好地提取出织物瑕疵。     

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。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

Fabric defect detection using Gabor filters and defect classification based on LBP and Tamura method

This paper aims at investigating methods for solving the problem of automated fabric defect detection and classification, which are more essential and important in assuring the fabric quality. The work focuses on two aspects: fabric defect detection and classification. In the experiment, first, the detection texture features for texture defect are extracted using Gabor filters. The method would automatically segment defects from the regular texture. Second, texture features for classification use local binary patterns and Tamura method. Fabric samples are used in evaluation and the experimental results obtained further confirm the designed algorithm achieved a high detection success rate.     

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。     

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。     

基于非下采样轮廓波变换和朴素贝叶斯分类器的织物缺陷检测

为检测织物生产过程中产生的缺陷,提出一种非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT)和朴素贝叶斯分类器(naive Bayes classifier,NBC)相结合的缺陷检测算法.该方法分为2个阶段:学习阶段和检测阶段.在学习阶段,分别提取有缺陷和无缺陷织物的子块集合,首先利用NSCT进行滤波去噪;然后提取每个子块的广义高斯分布的混合(mixture of the generalized Gaussion distribution,MoGG)模型,并计算子块之间的相对熵(kullbackleibler divergence,KLD);最后利用得到的数据训练NBC.在检测阶段,将待检测图像分割成子块,利用经过训练的NBC检测子块,输出缺陷检测结果.实验结果表明,该算法对于灰度均匀织物及净色纹理织物的缺陷检测均具有良好效果,并且利用该算法可以检测出多种缺陷类型,检测精度可达到97%,能满足工业生产需求.     

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。