论文部分内容阅读
纺织品瑕疵检测是计算机机器视觉技术的一个重要应用领域。机器视觉技术的引入使得原本通过人力手工解决的纺织品瑕疵检测问题能够高效的解决。目前常用的纺织品疵点检测方法可以归纳为使用空间域和频率域两种宏观的分析方法。其中灰度特征法、形态学度量法、小波分析方法和高低频滤波法等是主要研究手段。纺织品图像的带状瑕疵部分特征信息是区别于正常纹理特征信息的。对于未经印染的平纹织物的瑕疵图像来说,我们可以通过一些图像处理实验获得它一些特征的属性信息。具体地讲,特定瑕疵部分的能量特征数值较其他部分的值偏大,相关特征数值也是偏大的,熵特征数值偏小,对比度特征数值偏小此外,带状瑕疵部分的分形维特征数值偏小,局部熵特征数值偏大。本文根据这六个特征一能量,相关,熵,对比度,分形维和局部熵,设计算法,实现织物带状瑕疵的自动提取。在使用这些特征之前,本文使用分数阶微分对图像进行预处理,之后将原始织物图像均匀划分成等尺寸的小块。计算每一小块的灰度共生矩阵,由灰度共生矩阵计算出能量特征,相关特征,熵特征和对比度特征。再结合每一小块的分形维特征数值和局部熵特征数值,通过一些图像处理实验获得特定瑕疵的特征属性信息。根据已经获得的几种特征的属性信息,自动提取特征数值的阈值。实际进行图像处理的时候本文通过Box-plot方法结合多数投票法自动地选取特征数值的阈值,将瑕疵部分与正常纹理部分区别开来。实际的图像处理实验表明,本文提出的针对于纺织品图像带状瑕疵的检测方法有着相对较快的计算速度。此外,它的检测效果是不错的。由于本文采用自动提取阈值的方法,所以方法的自适用性也是理想的。分数阶微分的使用使得我们能够合理地改善原始图片的图像质量,达到削弱噪音信息的目的。从而使得我们在实际图像处理实验中,能够更好地使用能量等特征信息进行瑕疵检测。本文提出的算法针对于呈条带状分布的瑕疵。如果瑕疵分布过于复杂,本文提出的方法,就很难发挥作用了。所以,我们也需要通过改进这种方法使得它能够检测出多种形状的瑕疵。具体地,我们可以引入能够更好地标示瑕疵的特征,使用更加优良的数据训练方法,以期找到更合适的阈值。当然对于数据分类,我们也可以通过支持向量机或是BP神经网络的方法,训练出合适的阈值。这将是我们下一步的工作重点。最后本文通过大量的实验结果和数据分析证实了所提出的瑕疵检测方法的适用性。