论文部分内容阅读
在纺织业高速发展的今天,人们对纺织品种类和质量的要求越来越高,纺织品的质量控制逐渐成为纺织行业关注的焦点。然而,现有的人工视觉检测存在效率低、精度差等问题,同时还容易受到验布人员主观状态的影响,已不能满足纺织行业的发展需求。因此,基于这一工业需求,纺织品自动化检测成为一种新的、必然的发展趋势,本课题对基于图像处理的织物疵点检测和分类领域展开研究。
本课题将织物疵点自动检测作为核心部分,以追求适用性强的算法为目标,同时对织物疵点分类算法进行研究。具体工作如下:
(1)提出了基于主成份分析的独立分量织物疵点检测算法。该算法在利用主成份对数据进行降维的基础上,利用快速固定点算法迭代出分离矩阵,得到源信号的最佳估计。算法主要包括两大部分,即训练部分和检测部分,训练部分旨在求取标准特征,而检测部分则可以利用得到的标准特征分割出疵点区域。该算法对C1R1、C1R3及C2R3三种织物均具有较高的检测准确率。
(2)提出了基于均值平移滤波的织物检测算法。该算法以核密度估计理论和熵图像特性为基础,充分发挥均值平移滤波特性,成功地实现了图像背景与疵点的分离。实验结果证明,该算法可以获得更为理想的检测结果,且适用于多种类型的疵点检测。
(3)对等级分的思想进行了拓展,提出了一种适用性较强的织物疵点检测算法。基于等级分的织物疵点检测方法,首先利用小波变换对图像进行分解,然后将二层小波分解图像作为下一步处理对象,利用等级分原理提取织物样本的特征,最终成功实现了坯布、净色织物和重复图案织物三种样本的自动疵点检测,并且取得了较高的检测率。另外,本课题对涉及到的疵点检测算法进行整理,开发了人机交互界面,不但方便各算法参数的设置和记录,同时解决了算法的实际应用问题。
(4)以局部二进制模式为出发点,提出了完整局部二进制模式和Tamura纹理特征相结合的织物疵点分类算法。本课题将完整局部二进制模式和Tamura纹理特征有效地结合在一起,避免了单一特征无法准确表述图像特性这一问题。本课题选取支持向量机作为分类器,考虑到分类结果的有效性,本课题采用了交叉验证的方法。多组分类结果证明,该算法可以成功实现织物疵点分类,且分类结果的准确率较理想。
本课题将织物疵点自动检测作为核心部分,以追求适用性强的算法为目标,同时对织物疵点分类算法进行研究。具体工作如下:
(1)提出了基于主成份分析的独立分量织物疵点检测算法。该算法在利用主成份对数据进行降维的基础上,利用快速固定点算法迭代出分离矩阵,得到源信号的最佳估计。算法主要包括两大部分,即训练部分和检测部分,训练部分旨在求取标准特征,而检测部分则可以利用得到的标准特征分割出疵点区域。该算法对C1R1、C1R3及C2R3三种织物均具有较高的检测准确率。
(2)提出了基于均值平移滤波的织物检测算法。该算法以核密度估计理论和熵图像特性为基础,充分发挥均值平移滤波特性,成功地实现了图像背景与疵点的分离。实验结果证明,该算法可以获得更为理想的检测结果,且适用于多种类型的疵点检测。
(3)对等级分的思想进行了拓展,提出了一种适用性较强的织物疵点检测算法。基于等级分的织物疵点检测方法,首先利用小波变换对图像进行分解,然后将二层小波分解图像作为下一步处理对象,利用等级分原理提取织物样本的特征,最终成功实现了坯布、净色织物和重复图案织物三种样本的自动疵点检测,并且取得了较高的检测率。另外,本课题对涉及到的疵点检测算法进行整理,开发了人机交互界面,不但方便各算法参数的设置和记录,同时解决了算法的实际应用问题。
(4)以局部二进制模式为出发点,提出了完整局部二进制模式和Tamura纹理特征相结合的织物疵点分类算法。本课题将完整局部二进制模式和Tamura纹理特征有效地结合在一起,避免了单一特征无法准确表述图像特性这一问题。本课题选取支持向量机作为分类器,考虑到分类结果的有效性,本课题采用了交叉验证的方法。多组分类结果证明,该算法可以成功实现织物疵点分类,且分类结果的准确率较理想。