基于梯度方向直方图的本色布疵点检测算法

本色布疵点检测是质量控制重要环节,目前仍由人工来完成。文章采用梯度模板与灰度化处理之后的本色布图像进行卷积,得到图像的梯度模和角度,将角度离散化,然后将图像分块,每块内根据离散化后的角度统计直方图,将所有分块的直方图连接,构成原始图像的梯度方向直方图特征向量,最后采用卡方距离和最近邻分类器进行分类。在包含1 252幅图像的数据集上进行实验,其中训练图像457幅,测试图像795幅,准确率达到96.85%。实验结果表明基于梯度方向直方图的特征提取算法能有效识别出本色布图像中的疵点。     

基于MSER和SVM的玻璃纤维管纱毛羽检测

为解决管纱人工检测质量不稳定的问题,提出一种基于最大稳定极值区域(MSER)和支持向量机(SVM)的玻璃纤维管纱毛羽检测方法。首先搭建管纱毛羽疵点检测平台,获取毛羽图像。其次对采集到的图像使用MSER提取疵点区域,确定感兴趣区域(ROI)。最后利用局部二值模式(LBP)对疵点区域进行特征提取,并结合SVM实现疵点分类判别。端毛羽、毛圈、毛夹的分类准确率分别为94.7%、97.7%、98.6%。认为:该方法能够有效地对管纱毛羽疵点进行检测,准确率高,具有较好的稳定性。     

基于自动编码器的本色布疵点检测算法

为解决用于本色布疵点检测的浅层机器学习方法中人工特征提取主观性强、同一种特征提取方法无法适用于不同组织结构织物的问题,采用具有特征学习功能的自动编码器神经网络对原始图像进行特征自动提取。设计了含有一个隐藏层的全连接恒等神经网络,原始数据输入该神经网络后,被隐藏层压缩,并在输出层重构,训练过程中通过优化重构层与输入层之间的误差来求解神经网络最佳系数。将训练好的自动编码器神经网络用于对原始图像进行编码压缩,经过压缩后的数据通常维数远远低于输入数据,将压缩结果作为输入图像所对应的特征向量,采用支持向量机进行分类。通过将应用自动编码器自动提取的特征与传统的PCA、HOG特征进行对比实验,结果表明,采用自动编码器自动提取的特征性能明显优于传统手工提取的特征。     

纺织行业标准简介

该标准规定了苎麻纯纺本色布的要求、试验方法、检验规则及标志、包装、运输和贮存，适用于鉴定苎麻长纤纯纺本色布的品质。苎麻本色布按品种、规格分类；技术要求包括织物组织、幅宽、密度、断裂强力、布面疵点共5项。该标准调整了密度、幅宽、断裂强力等指标各品等的允许偏差，密度取消了上限偏     

几种织物疵点图像消噪方法的比较

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,采用基于轮廓波的Donoho多尺度分层阈值、基于方向子带能量的轮廓波Donoho多尺度分层阈值和基于方向子带系数相关性的Donoho多尺度分层阈值3种消噪算法对织物疵点图像进行消噪处理。通过实验,经基于方向子带系数相关性的轮廓波Donoho多尺度分层阈值消噪后的织物疵点图像的峰值信噪比和边缘保持指数均高于其它两种方法,更适合对织物疵点图像进行消噪处理。     

两种棉本色布外观质量检验标准的比较分析

针对国标GB/T 406—2008《棉本色布》"四分制"与美标ASTM D5430-07"四分制"检测标准的外观质量检验部分,对疵点的分类、布面疵点评分要求、疵点划条评分的规定、等级计算、检验规则和合格判定的对比等方面进行比较、分析,以方便检验人员及贸易商在实际检验工作中掌握,并为以后的标准修改提供参考性意见。     

基于ZYNQ-7000的织物疵点识别技术

针对织物疵点分类的高精度和实时性要求,利用解决小样本问题的支持向量机分类器,采用ZYNQ平台实现疵点的识别并显示结果。介绍了ZYNQ硬件平台,对采集到的图像预处理之后应用局部二进制模式和灰度共生矩阵进行特征提取,最后通过支持向量机对提取的特征值进行学习训练,构建分类器,实现了织物生产过程中常见6种疵点的分类。经试验验证:该系统具有精度高,检测速度快等优点。认为:该系统可以满足实时在线应用。     

织物疵点图像消噪方法的比较

织物疵点图像的消噪是疵点识别和分类的重要预处理步骤。采用中值滤波、Wiener滤波和小波阈值化消噪3种方法对织物疵点图像进行消噪处理。在采用中值滤波和Wiener滤波时,同时选用3×3和5×5滤波器进行消噪;在采用小波阈值化消噪时,计算图像全局阈值,同时采用软、硬阈值消噪方法,对疵点图像进行消噪。通过实验比较,采用小波阈值化方法消噪时,疵点图像边缘清晰,峰值信噪比显著提高,其效果明显好于中值滤波和Wiener滤波;采用小波阈值化消噪后的疵点图像可在特征提取和识别中使用。     

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。     

并粗工序对布面疵点的影响与控制

0　前言根据国标《ＧＢ Ｔ 4 0 6— 93》对棉本色布、《ＧＢ Ｔ53 2 5— 1 997》对精梳涤 棉混纺本色布的分等规定 ,并粗工序造成的布面纱疵主要表现形式有 :(1 )错纬 :织入布内达半幅及以上的粗纬、细纬 ;(2 )粗经 :织入织物内达 0 .5ｍｍ以上的明显偏粗的经纱段 ;(3 )竹节 :比原经或纬纱粗二倍 ,在织物经向或纬向 0 .5ｍ内的连续评分 1 0分以上 ;(4 )中长片段条干不匀 :纬纱的粗节长度在 8ｃｍ及以上 ;棉布叠起来看 ,疵点部位与其前后的正常部位有明显的划分得开的较差的纬纱条干不匀。并粗工序上述的四类疵点均为布面显著性疵点 ,是影响…     

基于机器视觉的轻薄弹性裤袜破洞类疵点检测

为了甄别在弹性裤袜中可能会出现的损坏性破洞,提出了一种基于机器视觉的检测方法。利用工业摄像头获取裤袜图像,选用合适的小波基,对经过预处理的裤袜图像进行二维离散小波变换,从小波分解得到的裤袜经向和纬向子图像中提取特征值,对含有疵点的裤袜图像的高频细节子图进行特征提取和归一化处理。对得到的特征值曲线进行分析,根据曲线的突变位置,判断待检测裤袜中疵点的位置;采用基于最大熵的阈值分割法进行阈值分割,从而获取裤袜疵点位置。     

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。     

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.     

机器视觉在织物疵点检测中的应用进展

探讨基于机器视觉的织物疵点检测应用现状及发展趋势。介绍了织物疵点视觉检测系统的基本结构和工作原理。从图像预处理算法、图像分割算法、织物疵点特征提取算法等3个方面,剖析了各种算法在织物疵点检测中的实际应用情况。总结了不同算法的检测效果和存在的不足之处,并对织物疵点检测的未来发展进行展望。认为:结合人工智能、多传感器的技术,构建稳定可靠的基于机器视觉的织物疵点检测系统可进一步提高疵点检测的准确性。     

一种提高坯布检测速度的疵点分类方法

疵点识别困难与分类耗时较长,是机器视觉质量检测系统开发的瓶颈。根据国标GB/T 17759—2009《本色布布面疵点检验方法》中的疵点种类,提出将疵点分为"不必要修复"和"有必要修复"两大类的初检算法,检测速度由0.7m2/min提高到3.2m2/min。     

高密卡其织物经缩疵点的修整方法

高密卡其织物上的经缩 ,主要是指部分经纱受意外张力后松弛 ,使织物表面上呈现出的条状不平。依其程度分为经缩波纹与经缩浪纹。由于经缩大多是因挡车工操作不当或开关车所致 ,所以 ,疵点较普遍 ,量也较大。按照ＧＢ Ｔ 40 6— 93棉本色布评分标准 ,1楞～ 2楞通幅经缩波纹评 1分 ,1楞～ 2楞通幅经缩浪纹评 3分 ,半幅以下波纹、浪纹不评分。可以看出 ,国家标准对经缩疵点的评分要求不是很严格。因此 ,原来对经缩疵点的修整也不太重视。但是 ,随着市场竞争日趋激烈 ,用户对原布的质量要求越来越高。我公司的主导产品是 2 9.1 5 36.4450 3.5 2 …     

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。     

高纬密织物钩入边的生产体会

采用片梭织机织制高纬密钩入边织物时,易产生边部疵点,分析了钩入边产生疵点的原因,通过调整钩入边组织结构与密度、调节布边开口时间及开口高度、合理配置筘幅与边撑位置,协调边纱钳与钧边针动作,有效地消除了钩入边边部疵点.     

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。