论文部分内容阅读
织物瑕疵检测作为一种有效的质量保证手段目前主要通过人工来实现,工作量大且检测效率不高。故采用自动化的机器检测是一种合理的选择,其能够保证较高的检测速度和检测率。本文研究了织物瑕疵自动检测与分类两个方面,主要工作如下:1.针对织物瑕疵具有不规则的形状,基于瑕疵纹理特征,本文研究了一种采用Gabor滤波器的织物瑕疵定位方法。Gabor滤波器能够从不同尺度和不同方向来研究物体。本文改进了传统的Gabor滤波器组,其能够更好地反映瑕疵的尺度变化。2.本文采用Gabor滤波器的输出结果作为特征,高斯混合模型(GMM)作为分类器对织物瑕疵分类。GMM可以描述任意未知样本的分布,但其模型个数一般需要人为的指定,不能反映样本的真实情况。我们采用一种新方法,同时也能从训练样本中自动的估计模型个数。由此得到的结果可以更准确的反映每一类瑕疵特征的真实分布情况。3.针对瑕疵分类器,本文研究了径向基(RBF)神经网络。在确定RBF神经网络隐含层参数时,传统方法是采用K均值方法来对训练样本聚类。其中的问题是,这样得到的聚类不一定能保证严格服从高斯分布,因此我们采用GMM来改进。由GMM得到的聚类是严格服从高斯分布的,这与径向基函数能很好地吻合从而对瑕疵样本实现准确分类。4.针对瑕疵分类,本文又单独研究了瑕疵特征提取方法。采用单一特征往往不能全面地描述瑕疵。本文采用了一种复合特征:Gabor和局部二进制模式(LBP),这两个特征能够分别从图像全局和局部来描述瑕疵纹理分布。但同时这种复合特征有较高的维数,我们采用主成分分析(PCA)和核判别分析方法(GDA)。经过处理后的特征具有较低的维数,特征向量之间有较小的相关性,特征类之间有较大的距离,更适合神经网络(ANN)分类器训练。