PCA-NLM的纺织品缺陷检测

在纺织品自动检测过程中,采集的图像容易受到噪声及织物表面材质的干扰,为解决这一问题,提出一种混合方法进行纺织品缺陷检测,将图像增强和缺陷检测方法进行混合处理,在非局部均值滤波算法（NLM）的相似度评价中引入主成分分析（PCA）进行去噪处理,采用的PCA-NLM混合模型有效增强了缺陷区域的灰度共生矩阵纹理特征,提高了缺陷纹理和无缺陷纹理之间的类可分离性。通过对7类缺陷的纺织品图像检测实验分析表明,相比单一的非混合方法,本文的混合模型有效提高了纺织品缺陷的检测正确率。     

基于傅里叶特征谱和相关系数的织物疵点检测

为提高织物疵点自动检测的准确度,提出一种基于傅里叶特征谱和相关系数的织物疵点检测算法。以平纹、斜纹织物为研究对象,对织物图像进行傅里叶变换,得到织物图像的频谱图;定位频谱中的特征峰点,提取表征图像灰度、纹理的五个特征值;以正常织物为模板,计算待检图像特征值与模板图像特征值之间的相关系数,确定用于识别织物疵点的阈值,来实现织物疵点检测。实验结果表明:当阈值设定为0.80时,该算法能够实现稀密路、断经、吊经、纬缩、破洞等常见疵点的准确检测。     

基于多特征融合的织物瑕疵检测研究

织物瑕疵纹理特征复杂,单一特征不能很好地反映纹理信息。为此,本文提出一种基于局部二进制模式(Local Binary Pattern,LBP)算子和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的多特征融合算法。首先,对LBP算子进行了改进,提出一种基于邻域像素中值的中心对称LBP算子;然后,将其提取出的纹理特征和灰度共生矩阵提取的纹理特征进行融合;最后,通过极速学习机和支持向量机做分类实验,验证融合特征描述织物瑕疵纹理特征的能力。实验表明,本文方法提高了织物物疵点检测率,并且具有很好的抗干扰能力。     

织物纹理疵点快速检测方法

根据小波在奇异信号分解中的特点,提出了一种疵点快速检测新方法.首先通过对被检测图像进行小波提升分解,获得相应的子图.然后把高频子图分割成若干子窗口,统计子窗口能量的标准差与均值加权和作为提取的特征.最后把高频子图中的特征均值与正常子图特征均值相比较,判断疵点是否存在.实验结果表明,该检测方法能快速有效的检测疵点.     

基于小波提升格式的织物疵点检测

为了满足织物疵点检测快速而准确的要求,提出了一种基于小波提升格式疵点检测的新方法。首先根据已知滤波器,通过提高消失矩阶次构造与织物纹理相匹配的小波。在此基础上,对构造小波的滤波器进行提升和对偶提升,来获得不同的提升算子和对偶提升算子,从而实现小波的提升分解。最后提取小波分解后的高频子图细节特征,通过与正常织物高频子图细节特征相比较,从而实现疵点检测。实验证明了该方法是可行有效的,检测准确率达到92.5%以上。     

Fabric defect detection based on saliency histogram features

In order to increase the automatic quality control level in the textile industry, depending on the big data collected by the Internet of things of the textile factories, this paper proposes a novel visual saliency–based defect detection algorithm, which has the capability of automatically detecting defect in both nonpatterned and patterned fabrics. The algorithm employs the histogram features extracted from the saliency maps to detect the fabric defects. The algorithm involves three main steps: (1) saliency map generation to highlight the defective regions and suppress the defect‐free regions, (2) saliency histogram features extraction and selection to obtain the feature vectors that can effectively discriminate between the defective and defect‐free fabric images, and (3) fabric defect detection using a two‐class support vector machine classifier that has been trained using sets of feature vectors extracted from defective and defect‐free fabric samples. Experimental results show that our method yields accurate detections, outperforming other state‐of‐the‐art algorithms.     

基于Radon小波低分辨率的织物疵点检测算法

针对纺织过程中可能出现的瑕疵问题,提出了一种新的织物疵点分割方法--四分法和织物疵点特征提取方法--Radon小波低分辨率特征(RWLRC)。该算法先将织物图像经过Gabor滤波器预处理,再将预处理之后的织物图像等分成四部分,通过4部分的最大值与最小值确定阈值并分割。将疵点形状的二值图像进行Radon变换并得到特征曲线,应用Mallat塔式分解算法进行特征降维,最后由神经网络进行状态识别和特征分类。实验结果表明,四分法无需与正常织物对照分割,具有自适应性,Radon小波低分辨率特征的特征值只有3维,具有特征维数低、疵点形状描述准确等特点,所提方法可以有效检测与识别缺纬、缺经、油污、漏洞等常见疵点。     

基于纹理周期性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法。通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点。     

基于离散小波变换的织物疵点检测方法

提出了一种基于离散小波变换的织物疵点检测新方法。首先通过对采集织物图像进行小波变换,然后把子图分割为相互连接、互不交叠的子窗口,计算每个子窗口小波系数的标准差作为特征值,最后对这些特征值再次计算标准差与极差,以此作为依据与正常织物进行比较,实现对织物疵点的检测。通过对不同疵点进行检测实验,证明了该算法是可行有效的,检测的正确率平均可达90%以上。     

基于纹理结构分析的织物疵点检测方法

提出了一种新的基于纹理结构分析的织物疵点检测方法,首先根据规则纹理的特点,利用自相关函数计算纹理基元模板,并通过计算每个纹理基元与基元模板的差来进行疵点区域的增强。然后通过计算纹理图像的局部不平整度来定位疵点,并采用Otsu方法自动获取阈值进行图像分割,从而实现织物疵点的检测。最后通过对不同织物疵点图像检测分割实验证明了算法的有效性和鲁棒性。     

基于自适应LBP和SVM的织物疵点检测算法

为准确提取不同种类织物纹理的特征,提出一种新的纹理特征描述方法——自适应局部二值模式(ALBP)。该方法为不同纹理结构创建相应的主要概率模式子集,避免了均匀局部二值模式(ULBP)使用同一模式集描述不同纹理而导致的描述不准确问题。在该算法基础上构建一种基于支持向量机(SVM)的织物疵点检测算法,将疵点检测问题转化为分类问题。实验结果证明,该算法不仅保持了传统局部二值模式(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清晰、误检率更低、适用范围更广,SVM的优秀分类性能也有效地提高了疵点检测的准确率。     

基于改进Yolo v5的花色布匹瑕疵检测方法

花色布匹的瑕疵检测是纺织工业中必不可少的环节,实现快速、准确的花色布匹瑕疵检测对于提高生产效率具有重要意义;针对花色布匹瑕疵检测中大部分瑕疵目标较小、种类分布不均、部分瑕疵长宽比较为极端以及瑕疵与背景易混淆的检测难点,提出了一种基于YOLOv5网络改进的算法模型DD-YOLOv5;在骨干网络中采用上下文变换器网络（CoTNet,Contextual Transformer Networks）,增强视觉表示能力;在颈部网络中引入卷积注意力模块 (CBAM,Convolutional Block Attention Module),使网络学会关注重点信息;在检测环节增加了一个高分辨率的检测头,加强对小目标的检测;并且使用α-IoU代替原网络中G-IoU方法;经实验证明,改进后的算法在花色布匹瑕疵数据集平均精度均值上 (mAP,mean Average Precision)达到了较原生算法相比提升了8.1%,检测速度也达到了73.6Hz。     

基于结构相似性与模板校正的织物瑕疵检测方法

针对复杂的具有周期性结构的织物瑕疵检测,提出一种基于结构相似性与模板校正的织物瑕疵检测方法。通过图案的周期性,得到图案单位模板大小,再对图像自动分割,同时应用基于模板校正的方法以减少晶格之间未对准的影响,并构建均值模板。通过计算所有晶格间的结构相似性,并将相似关系通过传递闭包的方式得到等价关系,再进行晶格间的聚类。之后通过阈值分割方法,完成瑕疵区域的检测。通过实验表明,改进后的算法检测效果较好,本文算法显著提高了样本的查准率。     

基于Gabor小波和神经网络的布匹瑕疵检测

为了实现布匹表面瑕疵的在线视觉检测,利用Gabor小波函数与神经网络的结合,提出了一种有效提取Gabor滤波最优参数的方法。该方法通过离线构建Gabor小波神经网络,结合Levenberg-Marquardt算法优化得到最优解,重构无瑕疵的布匹图像,以削弱在线检测时布匹纹理对瑕疵检测的影响,从而能够于在线实时监测过程中凸显布匹瑕疵,最终从融合图像中得到瑕疵区域。通过对霉点、断经、油污、破洞四种常见的布匹瑕疵图像进行检测,表明该方法能够满足对瑕疵的实时分割要求。     

基于Gabor滤波器和HOG特征的织物疵点检测

针对织物疵点检测问题,提出了一种基于Gabor滤波器和方向梯度直方图（HOG）特征的织物疵点检测算法。首先使用3个尺度、4个方向的Gabor滤波器组对织物图像进行滤波,并做融合处理,增强织物图像疵点区域和背景纹理之间的对比度;然后使用双边滤波减弱图像背景纹理和噪声的影响;最后将图像划分成均匀子块,提取每个子图像块的HOG特征,利用图像疵点区域和背景纹理的HOG特征差异进行阈值分割实现织物疵点的检测。实验选取5种常见织物疵点进行验证,并与传统的Gabor滤波算法进行了实验对比,结果表明该算法可以较好的抑制织物背景纹理的干扰,更加准确的检测出织物疵点。     

基于EM算法的高斯混合型的织物疵点检测研究

为准确检测织物在生产过程产生的疵点,提出了一种基于EM算法的高斯混合模型的算法来实现织物疵点的自动检测。由于织物背景纹理信息对织物疵点检测影响较大,采用均值采样对其进行预处理来消除背景纹理的影响,用高斯混合模型对新得到的图像进行处理。在进行高斯混合模型计算时分为E步骤、M步骤。E步骤初始化参数,计算样本像素的后验概率,M步骤更新高斯混合模型中的各参数。根据计算各像素的后验概率判断各像素点应该属于疵点部分还是非疵点部分。实验结果证明该算法能检测、分割出较多种类的织物疵点,具有较好的有效性和可靠性。     

Fabric defect inspection using prior knowledge guided least squares regression

Multimedia Tools and Applications - This paper proposes an unsupervised model to inspect various detects in fabric images with diverse textures. A fabric image with defects is usually composed of a...     

LBP和Tamura纹理特征方法融合的织物疵点分类算法

为了找出织物在生产过程中易产生疵点的类型,并反馈到生产工序中以提高织物质量,提出一种基于局部二进制模式与Tamura纹理特征方法相结合的织物疵点分类算法。该算法主要完成的任务是对织物特征向量的提取,局部二进制模式从局部或像素邻域描述纹理的特征,Tamura纹理特征方法从全局描述疵点纹理特征,两者结合能更好地描述疵点纹理特征。完成特征向量提取后,选用共轭梯度BP算法来处理特征向量。共轭梯度BP算法收敛性较好,提高了训练速度和训练精度。实验结果表明,提出的算法对疵点分类具有较高的分类准确率。     

基于局部对比和全局稀有度的显著性检测

为了提高显著图的精确度,能够准确地提取显著目标,提出了结合局部对比和全局稀有度的显著性检测算法.该方法通过两个方面来衡量显著性:局部对比和全局稀有度.采用多尺度高斯差分模拟“中央周边差”计算中心点与其周围点的各特征之间的差异来描述局部对比,采用多尺度高斯卷积图像的特征及特征方差的概率计算全局稀有度,将局部对比和全局稀有度融合和归一化得到最终综合显著图.实验结果表明,该方法能较好地检测图像中的显著区域,在突出图像中不同物体边缘的同时,也能突出图像中同质区域的显著性,说明了结合局部和全局的算法能够得到更好的显著图.     

对比度与空间位置关系驱动的显著性检测

针对已有方法不能很好地检测显著目标边界以及完整区域问题,提出一种基于超像素分割的图像显著性检测方法。首先,对原图像进行双边滤波降低局部颜色差异,使图像更加平滑、均匀,同时能够保留显著目标的边缘信息。然后通过计算局部窗口内像素的差异来实现显著目标边界的初步检测;滤波后的图像通过超像素分割将具有相同或相近颜色特征的像素划分到一个超像素区块内,在此基础上,综合考虑超像素区块的局部对比度与全局对比度以及空间分布关系来计算每个区块的显著值。最后,融合上述两部分的结果并通过引导滤波来对检测结果进行优化处理。在MSRA-1000公开数据集上与其他7种方法进行对比实验,所提方法的平均准确率为81.57%,平均召回率为77.13%,综合指标F-measure值为80.50%。实验结果表明,提出的方法能够很好地检测出显著目标边界与内部信息,均匀突出了显著区域,证明了所提方法的有效性和鲁棒性。