论文部分内容阅读
织物瑕疵识别是织物生产过程中的重要环节之一。传统的人工识别方法不但耗时耗力,而且容易误检和漏检。随着图像处理技术的飞速发展,织物瑕疵识别已逐步走向自动化,基于机器视觉的瑕疵识别和分类算法的研究与开发已经成为纺织领域的一大热点。本文在运用图像处理技术提取织物纹理特征的基础上,提出一种无图案织物瑕疵识别方法,并且结合机器学习对瑕疵进行分类,实现织物瑕疵识别与分类的自动化。
为降低图像噪声,本文对采集到的原始图像进行了预处理操作,以保留和增强织物纹理特征。针对局部二值模式(LBP)和近邻二值模式(NBP)这两种局部纹理特征描述算子的不足,本文提出了多向二值模式(MDBP),能够通过比较图像线形邻域内的近邻像素点之间的灰度差异来提取纹理的局部特征,并关注图像在多个方向上的纹理表达以增强算子的纹理描述能力。为了降低计算复杂度,提高检测效率,本文进一步提出具有等价模式的MDBP算子。结合灰度共生矩阵(GLCM)这一全局纹理特征统计方法和具有等价模式的MDBP算子,本文设计了织物纹理特征提取算法,能够从局部和全局两个方面提取到具有较强表征能力和区分能力的纹理特征。
基于MDBP和GLCM相结合的纹理特征提取算法,本文设计了无图案织物瑕疵识别方法,方法分为两个阶段。在模板纹理特征提取阶段,主要基于无瑕疵图像的多方向纹理特征矩阵间的相似度确定出检测阈值;在织物瑕疵识别阶段,采用重叠滑动检测方法,计算每个检测窗口与无瑕疵织物模板图像的纹理相似度,根据与检测阈值的比较结果进行瑕疵检测。本文进一步分析了算法的有效性,并根据算法中参数的不同取值对检测结果的影响,选取了合适的参数值。本文对比了基于LBP、基于NBP、基于GLCM和基于MDBP和GLCM的织物瑕疵识别方法的检测结果,表明本文设计的瑕疵识别算法具有较强的瑕疵检测能力,并对织物类型的变化具有很好的适应性。
本文以瑕疵图像的纹理特征和几何特征作为分类特征,设计并实现了增量贝叶斯分类器,通过对追加的样本进行自我学习来快速修正分类器参数,逐渐优化瑕疵分类效果。此外,本文对比了朴素贝叶斯分类器、增量贝叶斯分类器、支持向量机(SVM)分类器和CART决策树分类器的瑕疵分类结果,表明增量贝叶斯分类器针对不同类型的织物都有较好的瑕疵分类能力。
为了更好地对算法进行对比分析和验证,本文根据实验需求进一步搭建了物理平台,开发了织物瑕疵实时识别和分类系统,实现织物瑕疵实时检测和分类的自动化,为本文提出的瑕疵识别和分类算法的工业应用提供了良好的可行性。
为降低图像噪声,本文对采集到的原始图像进行了预处理操作,以保留和增强织物纹理特征。针对局部二值模式(LBP)和近邻二值模式(NBP)这两种局部纹理特征描述算子的不足,本文提出了多向二值模式(MDBP),能够通过比较图像线形邻域内的近邻像素点之间的灰度差异来提取纹理的局部特征,并关注图像在多个方向上的纹理表达以增强算子的纹理描述能力。为了降低计算复杂度,提高检测效率,本文进一步提出具有等价模式的MDBP算子。结合灰度共生矩阵(GLCM)这一全局纹理特征统计方法和具有等价模式的MDBP算子,本文设计了织物纹理特征提取算法,能够从局部和全局两个方面提取到具有较强表征能力和区分能力的纹理特征。
基于MDBP和GLCM相结合的纹理特征提取算法,本文设计了无图案织物瑕疵识别方法,方法分为两个阶段。在模板纹理特征提取阶段,主要基于无瑕疵图像的多方向纹理特征矩阵间的相似度确定出检测阈值;在织物瑕疵识别阶段,采用重叠滑动检测方法,计算每个检测窗口与无瑕疵织物模板图像的纹理相似度,根据与检测阈值的比较结果进行瑕疵检测。本文进一步分析了算法的有效性,并根据算法中参数的不同取值对检测结果的影响,选取了合适的参数值。本文对比了基于LBP、基于NBP、基于GLCM和基于MDBP和GLCM的织物瑕疵识别方法的检测结果,表明本文设计的瑕疵识别算法具有较强的瑕疵检测能力,并对织物类型的变化具有很好的适应性。
本文以瑕疵图像的纹理特征和几何特征作为分类特征,设计并实现了增量贝叶斯分类器,通过对追加的样本进行自我学习来快速修正分类器参数,逐渐优化瑕疵分类效果。此外,本文对比了朴素贝叶斯分类器、增量贝叶斯分类器、支持向量机(SVM)分类器和CART决策树分类器的瑕疵分类结果,表明增量贝叶斯分类器针对不同类型的织物都有较好的瑕疵分类能力。
为了更好地对算法进行对比分析和验证,本文根据实验需求进一步搭建了物理平台,开发了织物瑕疵实时识别和分类系统,实现织物瑕疵实时检测和分类的自动化,为本文提出的瑕疵识别和分类算法的工业应用提供了良好的可行性。