基于机器视觉的玻璃纤维管纱毛羽检测

为实现玻璃纤维管纱毛羽检测的自动化,设计了基于机器视觉的玻璃纤维管纱毛羽检测系统。使用光源、相机、电机等搭建图像获取平台得到毛羽图像;利用Blob连通域分析法进行毛羽区域提取,计算毛羽轮廓矩特征与毛羽区域特征,并结合支持向量机实现毛羽分类;根据毛羽分类结果以及前后2帧图像中毛羽位置坐标差值,对不同类型的毛羽数量进行统计;通过毛羽的最小外接矩形,得到每帧图像中的毛羽长度数据,并取每个毛羽长度数据的最大值作为相应的毛羽长度。结果表明:该系统能够代替人工完成管纱毛羽的有效检测,且单个管纱的检测耗时在10 s以内,能够满足实际的工业需要。     

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。     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

交叉毛羽的凹点匹配分割算法

针对纺织行业纱线检测中对于毛羽重叠交叉问题涉及较少,难以准确检测的问题,提出一种基于凹点匹配的方法实现重叠交叉毛羽的分割。首先对纱线图像进行灰度化处理,然后采用形态学方法重建纱线图像,其次利用基于水平集的测地活动轮廓模型(GAC模型)检测纱线毛羽图像的边缘,对边界轮廓进行角点检测,通过设置夹角阈值来寻找纱线毛羽图像轮廓曲线角点中的凹点。最后通过重叠交叉毛羽区域产生的凹点进行匹配构造分割线,对重叠交叉毛羽进行分割。结果表明:该算法对于重叠交叉毛羽的2根分割准确率可达96.8%,对于3～5根重叠交叉毛羽分割准确率可达73.4%。     

改进频率调谐显著算法在疵点辨识中的应用

为提高疵点检测效率和准确率,提出用改进频率调谐显著（FT）算法替代 Gabor 小波方法预处理疵点图像,强化疵点特征向量灵敏度。分析了FT 算法中高斯滤波器模板、Lab 颜色空间、高斯滤波图像中椒盐噪声和 HSV 颜色空间不同通道取值范围不一致对疵点识别的影响,并提出了相应改进方法。利用改进 FT 算法进行图像显著处理;使用灰度共生矩阵方法对疵点显著图进行特征提取;利用概率神经网络分类器分类,检测是否存在疵点。对 2 种不同纹理面料的检测结果表明：改进 FT 算法较改进前计算时间增加约8%,但疵点检测准确率提高18% ～25%;与 Gabor 小波相比,检测准确率基本持平,但计算时间缩短约70%。     

基于非线性扩散和多特征融合的提花针织物疵点检测

为解决提花针织物的复杂纹理在疵点检测过程中易造成检测干扰和疵点误判的问题,提出一种基于非线性扩散和多特征融合的疵点检测方法。采用改进PM模型对提花针织物的花纹和强纹理边缘进行抑制,首先利用梯度差异将疵点图像分为纹理区域及疵点区域,然后结合各区域特点选择对应的扩散方程,依据梯度矩阵计算概率子集、相关准则来确定梯度阈值,实现分区域扩散。根据提花针织物的纹理分布特性,提取改进局部二值算法(LBP)、局部熵、局部相关性等表征参数,然后进行去邻域归一化和多特征融合进一步突出疵点区域,最后利用区域生长法定位分割出疵点形态。实验验证了本文预处理方法及疵点检测方法的有效性,通过与其它预处理算法和疵点检测算法进行对比,结果表明本文算法的检测效果最好,对正常织物图像的误检率为3.3%,对含疵点织物图像检测的准确率为98.6%。     

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%。     

基于改进局部自适应对比法的织物疵点检测

为提高织物疵点检测的准确率和检测效果,采用了一种基于最相似邻域的背景估计法来进行检测。首先,利用同态滤波对图像进行预处理;然后,以滤波后图像每个像素点为中心点,以11像素×39像素的窗口大小为中心区域,通过计算中心区域与周围邻域的相似度,利用最相似的邻域进行背景估计;最后,利用背景差分原理获得目标图像,并采用阈值分割和形态学方法对图像进行处理,最终获得检测结果。实验结果表明:此方法优于传统的检测方法,不仅能够检测到复杂背景下的疵点图像,而且对不同组织及光照因素影响下的织物疵点图像同样具有很好的检测结果,检测准确率可达98%,具有较高的适用性与检出率,也具有一定的抗干扰性。     

基于机器学习算法的缺损米粉块在线快速检测

目的:实现缺损米粉块的快速在线检测。方法:提出运用机器学习算法对缺损米粉块检测数据进行分析。通过相机对米粉块进行非接触式数据采集,图像上传及处理后,获取米粉块的轮廓周长和面积、近似轮廓的周长和面积、近似轮廓点数、轮廓外接圆半径6个特征数据,依据米粉块样本数据特点,运用支持向量机(SVM)分类算法对米粉块的多特征数据组成的样本集进行分析。结果:通过与5种算法测试对比,GBDT分类算法平均准确率89%,用时1.10 s;KNN分类算法平均准确率88%,用时0.23 s;Logistic Regression分类算法平均准确率88%,用时0.68 s;Random Forest分类算法平均准确率87%,用时0.47 s;tree分类算法平均准确率87%,用时0.084 s;SVM分类算法检测平均准确率最高,达95%,平均用时最短,为0.000 97 s。结论:利用SVM分类算法进行米粉块缺损检测准确率高、用时短,适用于生产线的在线检测。     

基于改进多尺度Retinex图像增强和支持向量机的苹果表面缺陷检测

目的 使用改进多尺度Retinex(Multi-Scale Retinex,MSR)图像增强技术和支持向量机(Support Vector Machine,SVM)分类技术实现苹果表面缺陷检测。方法 对苹果实验图像进行MSR图像增强,消除光照不均匀和表面颜色复杂干扰。对图像增强结果图使用自适应gamma矫正提高光晕区域对比度,并使用基于局部灰度的多阈值比较分割消除光晕现象干扰,获得初步缺陷分割结果。在此基础上,提取苹果梗萼与疤痕的颜色特征,并引入SVM对梗萼和疤痕进行分类,并对梗萼进行剔除,仅保留疤痕作为最终检测结果。结果 将本研究的方法部署到嵌入式设备OpenMV4H7Plus中并经实验证明,梗萼识别准确率达到93.8%,疤痕检测准确率达到92.8%。结论 利用改进MSR图像增强技术和SVM分类技术可以在光照不均匀和颜色信息复杂的苹果表面实现疤痕的有效检测。     

Faster RCNN模型在坯布疵点检测中的应用

探讨Faster RCNN模型在坯布疵点检测中的应用效果。在原始Faster RCNN的基础上,采用提取特征效果更好的深度残差网络,先使用残差网络进行坯布图像特征提取,再通过区域生成网络及Fast RCNN检测网络对坯布的疵点目标进行分类与检测。试验对比了Faster RCNN分别与VGG16、ResNet101结合时的检测结果,并讨论了不同参数对结果的影响。试验结果表明:该方法可以有效解决坯布疵点检测问题,检测准确率能够达到99.6%。认为:基于Faster RCNN目标检测与ResNet101卷积神经网络相结合的方法能够满足坯布生产过程中对于表面疵点进行准确检测的需求。     

基于树莓派的深度学习色织物疵点检测研究

研究基于树莓派的深度学习色织物疵点检测效果。设计了一种基于树莓派的深度学习疵点检测系统。采用多线程并发执行思路,将系统任务划分为图像采集、图像处理和人工交互三个线程;采用改进的Inception-v3模型图像处理算法,实现了织物图像疵点检测和分类;通过人工交互界面,实时显示系统的运行数据,根据色织物疵点报警停车。结果表明:该系统实现了色织物疵点检测和分类,平均准确率达94%。认为:该织物疵点检测方法可达到工业现场在线检测的要求。     

基于图像线灰度和BP神经网络的织物疵点检测

探讨织物疵点自动检测的方法。通过对4种常见织物疵点的图像进行线灰度曲线分析和处理,提取疵点图像的特征值,送入BP神经网络进行识别,从而实现织物疵点的检测。试验结果表明,该方法取得了较好的检测效果,织物疵点识别率达到93%以上。认为,此法能够有效识别出织物中的几类常见疵点,应进一步研究,以提高其识别准确率。     

基于多尺度特征融合注意力机制的纸病分类方法研究

针对造纸工业中传统纸病分类算法准确率低的问题,本课题提出一种多尺度图像增强结合注意力机制的方法;采用锐化滤波器和对比度增强操作获得图像对直线信息的响应,同时利用Sobel边缘检测获取图像对边缘信息的响应,然后将这些响应分别放进卷积神经网络(CNN)中提取浅层局部信息后进行特征融合,得到全局信息,最后利用注意力机制,通过关注这些图像中最有特点的部分,进行纸病分类。实验表明,该方法优于HOG+SVM、LBP+SVM以及传统CNN等方法,在自建数据集上,分类准确率可达到96.63%;与现有基于CNN的纸病分类算法相比,所需的数据量更少,分类效果更好。     

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。     

基于主成分分析法的本色布疵点分类算法

特征提取是本色布疵点分类最关键的问题。针对本色布疵点类型多、形态变化大,使得本色布疵点特征提取算法很难实现的问题,从分析本色布编织方法出发,分析本色布图像的特点,发现本色布图像中存在极强的相关性。采用主成分分析法(PCA)对本色布图像进行去相关性处理,将图像压缩到前k个最大方差的子空间,作为图像的特征向量。在含有457幅训练样本,795幅测试样本的平纹本色布数据集上,最大分类准确率达99.11%。     

基于近红外高光谱图像的冬枣损伤早期检测

为了对冬枣损伤进行早期检测,采用近红外高光谱图像技术对损伤区域成像。针对高光谱图像波长多的特点,分别采用连续投影算法、相关特征选择算法、一致性(Consistency)算法选择冬枣损伤的特征波长,对提取的特征波长分别应用k-邻近、朴素贝叶斯(naive bayes,NB)、支持向量机(support vector machine,SVM)3种分类方法进行损伤区域识别。结果表明:所有方法选择的一致特征波长在1 353 nm和1 691 nm附近。Consistency算法选择的特征波长在SVM分类器下分类识别正确率达到95.16%,一致特征波长在NB分类器下分类识别正确率达到84.26%,验证了一致波长的有效性,为多光谱成像技术实现在线检测冬枣损伤提供参考依据。     

基于最大熵与密度聚类相融合的毛羽检测

为能够更加精确地计算出纱线毛羽的根数及毛羽长度,基于最大熵与密度聚类相融合对纱线毛羽的长度及根数进行检测。该方法首先利用双边滤波对采集到的纱线图像进行预处理,滤除图像中的噪声,同时增强纱线毛羽特征;然后利用最大熵对预处理后的纱线图像进行阈值分割,去除条干提取毛羽,并对毛羽进行细化;最后利用密度聚类算法(DBSCAN聚类)对细化后的毛羽进行分类统计,根据所分类的个数以及每类所含像素点的个数计算出毛羽的根数及长度。将实验结果与目测法和基准线法进行比较,结果表明,该方法与目测方法检测的结果非常接近,结果比基准线法更加精确,检测结果准确、有效。     

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。     

计算机图像处理技术在大面积皮革表面缺陷检测中的应用研究

皮革表面的划痕、疵点、破洞等缺陷不仅影响皮革产品的美观,更重要的是降低了高端皮革制品的品质。由于人工检测大面积皮革表面缺陷的难度较大,因此可采用计算机图像处理技术来提高皮革表面检测效率。首先,进行皮革图像的预处理,基于改进LOG算子对皮革图像进行降噪和锐化,处理后的皮革表面图像细节更明显;其次,基于Gabor小波变换提取皮革表面缺陷区域,为降低运算量,进行图像降维然后分割出缺陷区域,并利用灰度共生矩阵提取皮革表面缺陷特征;最后,采用基于SVM的缺陷分类算法,对皮革表面缺陷的种类进行判别和分类。经试验验证：皮革表面缺陷的分类精度在88.5%左右。