LBPV算法在织物瑕疵检测中的应用

织物瑕疵检测中提取特征是至关重要的,局部二值模式能提取纹理的局部信息,且具有旋转不变性,对光照不敏感的优势。但是在检测经向、纬向分布的线状瑕疵时,瑕疵样本与正常样本的区分不够明显。为了提高LBP算法的性能,提出基于LBPV模式的瑕疵检测算法。融合图像局部区域的对比度信息,将局部区域LBP微模式的权值设置为局部区域的方差,提取图像的LBPV特征向量。同时,根据织物纹理具有周期性和方向性的特点,设计了频域滤波器,消弱正常纹理的频谱信息,突出了疵点信息,方便算法实现疵点的检测。实验表明,基于LBPV模式的检测方法检测正确率达到90%以上,具有实用价值。     

基于时间序列分形特征的织物瑕疵检测

为充分利用织物纹理特点,并大幅度减少计算量,将织物纹理图像的灰度值分别沿纵、横方向投影得到一维时间序列,提取分形特征。根据Fisher判别准则优选了2个具有一定互补性而又能最大限度区分正常与瑕疵样本的时间序列盒维数组成特征向量,对7种具有不同纹理背景的织物进行瑕疵检测。试验结果表明,在一定的阈值范围内,误检率和漏检率可控制在10%以内,表明采用这种方法在大幅减少维数估算计算量的同时能够有效区分正常与瑕疵纹理。     

应用积分图的织物瑕疵检测快速算法

为解决现有基于图像处理的织物瑕疵检测算法实时性较差、正确率偏低等问题,提出一种包含学习和检测2个阶段的瑕疵检测算法。通过对无瑕疵模板图像的梯度能量特征及其分布特性的学习,自适应获得检测阶段所需的参数。一方面利用积分图原理将任意大小的图像块内的求和运算化简为三次加法运算,快速提取织物图像的梯度能量特征,实现织物瑕疵的实时检测,另一方面利用核函数拟合特征参数分布,结合均值漂移法求解分布峰值获得自适应的瑕疵判定阈值参数,实现织物瑕疵的准确分割。通过实验将本文算法与现有基于局部二值模式特征、小波特征、规则带特征等算法进行对比,针对包含3种纹理6类瑕疵的织物图像数据集的测试结果显示,本文算法平均处理时间为56ms,正确率为97%。     

基于K-SVD学习字典的机织物纹理表征及应用

为更好地适应机织物纹理以及减少程序的运行时间,选取平纹、斜纹、缎纹3种组织结构采用Ｋ?奇异值分解（K-SVD）的方法训练得到一个自适应字典。以峰值信噪比、结构相似性为指标,探讨不同稀疏基数对机织物纹理图像重构的影响,针对不同的应用,选取了合适的稀疏基数T。利用该字典重构机织物纹理图像,在此基础上检测织物瑕疵。实验结果表明：T=6 时,算法不仅能有效重构机织物纹理图像（PSNR和SSIM）,而且重构效果要优于初始离散余弦转换（DCT）字典;T=4 时,K-SVD 字典能更好地适应瑕疵样本,且鉴别瑕疵的能力更强。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

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。     

基于图元分割与Gabor滤波的织物瑕疵检测方法

为实现含复杂图案织物的自动化检测,提出基于图元分割与Gabor滤波的织物瑕疵检测方法,对具有复杂周期变化图案的织物进行检测。根据图像纹理的周期变化规律,确定图案单位模板大小,即包含一个周期图案的晶格。对图像进行自适应分割,并通过图元分割获得单元图像元素。通过Gabor滤波器生成特征的响应分布,获取理想的模板晶格,根据提出的投票程序,通过分析其特征向量的Manhattan根据距离图元晶格差异的分布来识别瑕疵图元晶格。实验结果表明:检测方法对星形和箱形图案的织物样本数据集上检测效果较好,显著提高了样本的查全率。     

多纹理分级融合的织物缺陷检测算法

针对织物缺陷检测过程中纹理分布的复杂多样性引起误检和漏检的问题,结合织物纹理周期性特点,提出一种多纹理分级融合的织物缺陷检测算法。在检测过程中,首先利用织物缺陷图像的Tamura粗糙度图,对缺陷区域进行初步定位和自适应性生长,将初步定位的区域映射到原始织物图像中;其次根据织物图像的周期性分布特征,对初步定位区域进行分块,提取图像块的局部相位量化(LPQ)特征、Tamura特征,并将2种特征融合;然后计算融合特征与正常块特征的相似度,获取相似度图;最后将初步定位区域的经纬向特征图与相似度特征图融合,检测缺陷存在的区域。经TILDA织物纹理库数据的实验测试结果表明,缺陷区域的初步定位和自适应生长,降低了缺陷检测过程的冗余度,提高了检测效率,避免了织物缺陷检测过程中的误检和漏检情况。     

采用奇异值分解的机织物瑕疵检测算法

针对现有算法对机织物纹理适应性和实时性不佳的问题,提出一种基于奇异值分解(SVD)的机织物瑕疵检测算法。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4 693个样本的实验,结果表明,在误检率小于10%情况下,本文算法的检出率可达90%。经比较,本文算法在检测精度和实时性上都优于AR模型算法。     

Unsupervised fabric defect segmentation using local patch approximation

In this work, a new method based on local patch approximation is presented to address automated defect segmentation on textile fabrics. The proposed method adopts unsupervised scheme without the need of reference images or any other prior information. Image patch is approximated by dictionary learned from a testing sample in the least squares sense. With the clue of the differentiation in approximation error, abnormal map (each pixel’s anomalous likelihood) can be computed from the patch-level difference. The 2D maximum entropy with neighbourhood considered is applied to segment defective regions from the abnormal map. The experiments on 54 defective samples demonstrate that our method yields a robust and good overall performance with high precision and accepted recall rates.     

Textural fabric defect detection using statistical texture transformations and gradient search

The inspection of the fabric defects is an important problem, which highly affects both the quality and the cost in the textile industry. Because of consistency and accuracy problems, the inspection of the fabric defect by human experts is neither feasible nor efficient. This requires development and use of automated inspection techniques. Thus, in this study, a texture analysis method, which uses sum and difference histograms (SDH) conjointly with co-occurrence matrices, is proposed to introduce an objective criterion for defect detection. To accomplish the detection task with high accuracy, several features were extracted from SDH and then, a defect search technique, which was developed in the context of this study, was applied. Moreover, several experiments and parameter analysis were performed to carry out detection at feasible computation time and memory storage. The developed method was applied to 28 kinds of raw woven fabric defects and 27 of them (i.e. 93.1%) were successfully recognized by the proposed detection system. The quantitative results and qualitative discussions show the effectiveness of the developed strategy.     

织物疵点自动检测技术的研究进展

介绍了织物纹理特征的提取算法、疵点分类方法和织物图像处理的硬件平台.在分析了各种算法的优点和缺点的基础上,提出了将织物疵点的检测分为粗检和细检两个过程的新思路,既可满足快速性的要求,又具有广泛的适应性.     

基于频域特征点提取的素色机织物密度识别算法

通过计算机图像处理技术对织物图像进行分析,利用傅里叶变换技术将织物图像从空间域转换到频率域,并采用对比度拉伸、高斯低通滤波等图像预处理手段来增强图像质量,然后使用阈值处理技术对织物频谱图进行处理,得到包含织物密度信息的特征点坐标。通过频谱图上特征点坐标和空间域周期的对应关系,经计算最终得到织物经纬密度。实验结果表明,织物密度识别最高误差为2.8%,此方法可以实现三原组织素色织物的经纬密度的自动识别。     

Warp-knitted fabric defect segmentation based on non-subsampled Contourlet transform

Differing from the traditional Contourlet transform, the non-subsampled Contourlet transform (NSCT) is proposed to apply in warp-knitted fabric defect segmentation. First, the Laplacian pyramid is used to achieve the decomposition of original fabric image. Second, the high frequency directional sub-band coefficients are extracted by means of the non-subsampled directional filter bank. Then, choose the best high frequency sub-band coefficient at every level based on regional energy maxima and reconstruct the image. Finally, the legible defect profile is obtained by adaptive threshold method and morphological processing. The experimental results including the common defects, such as broken warp, width barrier and oil, show that the NSCT could attain the correct segmentation on directional defect and regional defect. This method fits the directional changes of warp-knitted fabric defect. It provides a new way to detect warp-knitted fabric defects automatically.     

基于通用字典的局部机织物纹理稳定表征

为改善固定字典表征织物纹理的效果,提出基于通用字典表征织物纹理的方法。首先,对字典学习法进行优选,分别选取8种任意正常织物样本和20种不同组织结构样本,采用优选后的字典学习法得到了1种普通通用字典、4种组织结构通用字典和1种联合组织结构通用字典。最后对通用字典的有效性进行试验验证,发现普通通用字典较固定字典能更好地适应织物纹理;在此基础上,比较了3种通用字典的性能。结果表明:在同等试验条件下,与固定字典相比,通用字典能更好地表征织物纹理;不同类型的通用字典可具有较好的通用或专用性。     

应用最优Gabor滤波器的经编织物疵点检测

针对经编织物疵点自动检测问题,提出了一种新的基于最优Gabor滤波器的经编织物疵点检测方法。具体可分为学习阶段和检测阶段;在学习阶段,对于无疵点的经编织物图像构造可调制的二维Gabor滤波器,采用量子行为粒子群优化(QPSO)算法对Gabor滤波器的参数进行优化,得到与无疵点的织物图像纹理特征最匹配的Gabor滤波器参数;在检测阶段,由学习阶段得到的最佳参数构造Gabor滤波器,用该滤波器对待检测织物图像进行卷积处理,然后再对得到的卷积图像进行二值化处理,最终识别出待检测织物是否有疵点存在。结果表明,该方法的检测率可以达到96.67%,具有很好的稳定性和鲁棒性,适合应用于工业生产。     

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。