论文部分内容阅读
织物的表面疵点是影响织物质量和价格的主要因素,传统的织物疵点检测主要由人工完成,但人工检测的速度较慢,容易受主观因素的影响,检测精度不高且极大损害检测工人的视力。为了解决这些问题,急需发展快速、高效的疵点检测系统来代替传统的织物疵点检测。现如今,机器视觉在现代工业表面检测领域中应用范围越来越广,研究开发基于机器视觉的织物疵点自动检测系统是纺织行业发展的必然趋势。本课题主要研究基于机器视觉织物疵点检测及分类的算法,工作如下:(1)针对织物的疵点检测方法,文中提出基于改进的Gabor滤波器的织物疵点检测算法。在织物的疵点纹理图像中,常见织物的特征畸变主要凸显在方向性特征上,所产生疵点的纹理与正常纹理的区别主要是具有不同的方向性特征,因此适合采用多尺度多方向的Gabor滤波器。文中采用的是四尺度、六方向的Gabor滤波器组,然后利用损失评价函数选取四尺度、六方向滤波组中一个最优滤波输出,最后对获得的最优滤波输出进行二值化,二值化的阈值是从正常织物图像获得的。该算法对文中提到的7种类型疵点能准确定位出疵点的位置,检测效果较好。(2)提出采用多尺度小波分解与高斯混合模型结合的织物疵点检测方法。该算法首先对要检测的样本图片进行多尺度小波分解,由于不同织物其纹理结构不同,在进行小波分解过程中不同纹理选用的分解尺度不同。然后对小波分解处理后的小波分解系数进行重构获得降噪后的图像;最后利用基于EM算法的高斯混合模型进行疵点分割。E步求解各像素的分类,M步更新高斯混合模型中的各参数。该算法能精确地定位出疵点的位置,准确的分割出疵点且运算速度较快,从检测结果可以看出检测疵点的效果比基于改进的Gabor滤波器的织物疵点检测算法要优越。(3)针对织物疵点的分类,由于单一的特征往往不能有效的描述织物的疵点特征,本文提出基于局部二进制模式(LBP)和Tamura纹理特征相结合的方法来提取疵点的特征。局部二进制模式从局部描述织物疵点的纹理特征,Tamura纹理特征从全局来描述织物疵点的纹理特征,两者相结合能有效的全面地描述织物疵点的特征。对于提取的特征向量我们采用共轭BP算法对其进行训练,分类。实验结果显示,基于局部二进制模式(LBP)和Tamura纹理特征相结合的方法对织物的疵点进行分类,其分类的准确率较高。(4)文中详细论述了基于机器视觉的织物疵点自动检测系统的硬件组成,硬件平台的设计、搭建,及其工作原理。