基于纹理差异视觉显著性的织物疵点检测算法

由于织物图像纹理多样化及疵点类别较多,为了更有效地检测织物疵点,结合织物图像特性及借鉴人类视觉感知机理,提出一种基于纹理差异视觉显著性模型的织物疵点检测算法。该算法首先对图像进行分块,计算各个图像块LBP（local binary pattern）纹理特征,与图像块平均纹理特征的相似度比较,进行显著度计算,从而有效突出了疵点区域。最后利用改进阈值分割算法,实现对疵点区域的定位。通过与已有视觉显著性模型进行比较,得出该算法更能有效地突出疵点区域;同时,分割结果与已有织物疵点检测算法相比发现,该算法具有更强的疵点检测及定位能力。     

基于机器视觉检测算法的织物疵点检测系统研究

为实现织物疵点的自动检测,设计了一种织物疵点检测系统。使用Matrox图像采集卡、Basler CCD相机及运动平台等构建了织物疵点检测系统的硬件部分。采用基于VC++2010并调用MIL9.0库函数的软件平台,结合改进的阈值分割算法实现了对织物图像的采集、预处理和疵点检测的软件设计。实验结果表明,该检测系统可较好地识别织物疵点。     

基于全局和局部显著性的织物疵点检测

针对织物疵点检测过程中疵点种类繁多、大小差异和受织物本身纹理干扰等特点,提出了一种全局显著性和局部显著性相结合的织物疵点检测方法.首先对图像进行稀疏表示,然后计算系数矩阵的增量编码长度,根据增量编码长度量得到局部显著图,再利用频率调谐法计算全局显著图,接着将这两类显著图相融合得到综合显著图,最后,通过自适应阈值分割法求得二值化图像.实验证明:该算法的检测效率高,并具有较强的抗干扰能力.     

基于机器视觉的织物疵点检测系统

针对目前织物疵点检测主要采用人工检测,检测精度、速度、检出率都较低等问题,研究了一种基于机器视觉的织物疵点检测系统．该系统采用模块化硬件设计．并为之设计了完整的系统软件．经实验验证,该系统具备理想的检测能力,能满足实时在线检测的要求,可以有效检测出生产线上的疵点．     

基于机器视觉的织物疵点检测方法综述

对基于机器视觉的各种织物疵点检测方法进行综述,将检测系统分成3个层次:疵点判别、疵点分割和疵点分类,给出了对各个层次的要求和完成的目标,并将已经提出的大多数疵点检测方法按其特点归类到3个层次中,具体描述了各类方法的优缺点,分析其实用性,最后总结了该领域的发展趋势.     

基于纹理结构异常的织物疵点检测算法研究

提出了一种基于织物纹理结构异常的织物疵点检测算法。首先计算代表正常纹理的主邻域结构图;其次通过比较每个像素的邻域结构图与主邻域结构图的差异来定义该像素的显著性,进而得到显著图;最后采用迭代最优阈值分割方法对显著图进行分割得到疵点区域。试验证明,该算法操作简单、计算速度快、鲁棒性强,具有较强的自适应性。     

织物表面疵点检测算法综述

介绍了机器视觉系统及应用于坯布疵点检测的现状,全面总结了最新国内外对于疵点检测的各种算法及其优缺点,提出生产实际中检测算法的评判标准．     

基于Log-Gabor滤波器组的织物疵点检测算法

利用Log-Gabor滤波器组实现了对织物图像的疵点检测.首先给出了构建Log-Gabor滤波器组的方法,然后利用滤波器组对织物图像进行滤波处理,并对滤波后的图像进行分割和融合,最后将疵点从织物图像的背景纹理中分割出来.实验结果证明该方法能够有效地检测出织物疵点.     

基于优化Gabor滤波器的织物疵点检测算法

提出了一种基于优化Gabor滤波器的织物疵点检测算法.首先介绍了Gabor滤波器的滤波原理,然后提出了Gabor滤波器优化算法,该算法针对一幅标准织物图像,通过计算Gabor滤波器与标准织物图像卷积结果的Fisher Cost函数最小值,得到一组优化Gabor滤波器参数.使用具有这些参数的Gabor滤波器分别对标准织物图像和样本织物图像进行滤波处理,将滤波结果进行比较和融合,得到检测结果.实验证明:该算法能获得良好的检测效果.     

基于视觉显著性与RBF神经网络融合的织物瑕疵检测

为提升织物瑕疵检测准确率,避免出现漏检或误检,提高织物检测智能化程度,提出基于视觉显著性与RBF神经网络融合的织物瑕疵检测方法,将织物图像经中值滤波降噪后,通过织物瑕疵区域对比度、纹理粗糙度和纹理方向的异常显著性模型计算获得显著图,并经RBF神经网络训练获得的映射函数和网络特征字典重构织物图像提取特征,之后采用最大熵自动阈值法定位分割,有效获得织物瑕疵检测结果。实验结果表明：此方法能实时有效对多种异常特征较弱的织物瑕疵进行检测,适应性强,检测准确率大幅提升,能满足实际工业织物瑕疵检测要求。     

基于小波分解的织物疵点检测

根据小波在奇异信号分解中的特点,提出了一种基于小波分解的疵点检测新方法．首先根据织物纹理特点,确定小波函数．其次对被检测图像进行小波变换,获得分解后的子图;根据织物纹理组织单元,把高频子图分割成若干子窗口,统计子窗口的能量标准差与均值加权求和作为提取的特征．最后通过测试图像子窗口特征与标准予窗口特征相比较,判断疵点是否存在．实验表明,该检测方法是有效的,检测正确率达到90％以上．     

基于局部熵的织物疵点检测

在局部熵的基础上提出了一种织物疵点的检测与识别方法.在进行检测时,将织物图像分成大小相同的局部窗口,选取局部熵最小的窗口为待研究的区域,分割出疵点图像并用数学形态学中的开运算滤掉噪声,最后提取形态特征参数,识别疵点类型.研究表明此方法能避免对整幅图像进行复杂运算,具有识别正确率高,抗噪声能力强等优点.     

基于二维稀疏表示和范数优化的织物疵点分类研究

针对一维压缩采样丢失图像的结构信息,并带来识别精度损失的问题,提出了二维压缩采样的方法.利用一组稀疏基对疵点原始数据进行感知得到稀疏化数据,将织物疵点数据用二维稀疏表示,再利用范数优化的方法实现压缩数据的准确重建,根据稀疏基的不同得到织物疵点的不同分类.该方法解决了采集数据的泛滥和传感器的浪费,降低了计算的复杂度,有利于织物疵点的分类研究,进而为机器视觉识别织物疵点打下理论基础.     

摩擦片表面缺陷的视觉显著性检测算法

针对摩擦片表面缺陷高精度高效率的检测要求以及摩擦片自身复杂的表面状况,提出基于视觉显著性的检测算法. 利用图像分割,将摩擦片从背景中分离;使用高斯平滑弱化表面纹理,采用多尺度细节增强算法补偿高斯平滑中丢失的缺陷边缘信息,计算图像中目标的显著性进行强弱分化;采用连通域法和OTSU,提取缺陷区域的二值图像. 经由实验验证,该算法针对摩擦片的缺陷检测具有较强的针对性,缺陷识别率超过98%,双面检测100个摩擦片用时27 s. 从客观和主观两个方面对检测结果进行评价验证,结果表明,该算法具有较高的识别率和精确度,满足工业检测的需求.     

基于光纤锥成像的织物疵点检测

给出了一种基于光纤锥的织物疵点高分辨率检测方法,将光纤锥小端与电荷耦合器件(CCD)敏感面直接耦合,大端与织物接触成像,可获得织物微米级的高分辨率图像,给出了系统空间分辨率计算公式,具有结构简单、分辨率高、成本低等特点.此外,提出了一种基于快速傅立叶变换的织物疵点图像分割算法,通过计算子图像的傅立叶幅值谱方差描述疵点特征,用双线性插值恢复原始图像大小,经阈值化处理可获得疵点分割结果,实例表明了该算法的有效性.     

基于双目视觉的显著性区域检测

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法. 采用简单线性迭代聚类（SLIC）方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.     

基于近似L0范数算法的跳频信号时频分析

针对跳频信号的参数化时频分析方法加以改进。对跳频信号进行完备傅里叶基表示,建立其稀疏优化表示模型,将跳频信号的时频分析问题转化为稀疏优化问题,然后借助近似L0范数优化方法进行时频分析。针对时长0.01s的一段跳频信号进行计算机仿真,所得时频分布图显示,改进方法比短时傅里叶变换和WVD方法具有更高的时频分辨率和更强的抑制干扰能力。     

基于视觉中心转移的视觉显著性检测方法

针对现有许多检测方法提取出的显著性区域不够清晰的问题,提出一种基于视觉中心偏移的视觉显著性检测方法,在对图像进行预分割的基础上,结合图像的颜色对比特征、颜色分布特征和位置特征,提取出图像显著性区域,利用视觉中心转移模拟人类视野系统的视野转移过程,对图像进行多尺度分析,融合不同尺度显著图得到最终显著图。试验结果表明,本方法较现有显著性检测方法在视觉效果和查准率召回率有明显提高,ROC曲线下的面积可达0.952。     

基于光纤锥成像的织物疵点检测

给出了一种基于光纤锥的织物疵点高分辨率检测方法,将光纤锥小端与电荷耦合器件（CCD）敏感面直接耦合,大端与织物接触成像,可获得织物微米级的高分辨率图像,给出了系统空间分辨率计算公式,具有结构简单、分辨率高、成本低等特点。此外,提出了一种基于快速傅立叶变换的织物疵点图像分割算法,通过计算子图像的傅立叶幅值谱方差描述疵点特征,用双线性插值恢复原始图像大小,经阈值化处理可获得疵点分割结果,实例表明了该算法的有效性。     

基于局部哈达玛变换的织物疵点检测

提出一种局部哈达玛变换和互相关相结合的织物检测疵点方法.首先,选取正常织物作为模板并对模板和待检测织物图像进行直方图均衡化增强.在此基础上,对待检测织物图像进行等尺寸分割,分割得到的子图像大小与选定的模板相同.然后,分别对织物模板和待检测子图像做二维哈达玛变换.最后,分别计算模板图像与待检测子图像哈达玛变换的互相关,并选取合适的阈值作为疵点判别的依据.仿真试验表明,本方法对断经、跳花、勾丝、缺经等常见织物疵点具有良好的检测效果.