论文部分内容阅读
在工业生产过程中,疵点不仅会影响织物质量,而且会影响企业的经济效益,因此关于疵点的研究对提高织物质量、增强织物竞争力具有重要的理论和实际意义。BP神经网络是一种经典的模式识别方法,能够作为识别玻纤布疵点的强有力的工具。Gabor滤波器能捕捉图像的纹理信息,且具有极佳的空间频域联合分辨率,是检测玻纤布疵点的方法之一。本文设计了一个三层BP神经网络对玻纤布疵点进行识别,同时,提出了基于最优Gabor滤波器的玻纤布疵点检测算法。(1)针对玻纤布疵点的识别,本文设计了三层BP神经网络:输入层的输入向量由玻纤布图像的m维特征构成的,即输入层有m个节点;玻纤布疵点的识别就是判别图像是否具有疵点,由此可知输出层有2个节点数;隐含层的节点数是通过它与输入层和输出层节点数的关系确定的,节点数确定为8;特别地,在三层BP神经网络中,输入层的关键是输入向量的选取,本文应用玻纤布图像对应矩阵的奇异值来选择输入向量,它的选取是通过奇异值的累计贡献率来确定的。然后,我们设计三层BP神经网络对157幅图像进行训练和测试,实验表明选择出来的特征是合理,网络是有效的,准确率达到94.42%。(2)针对玻纤布的疵点检测,本文提出一种基于最优Gabor滤波器的疵点检测算法。一方面,根据玻纤布疵点图像确定1-2个最优的Gabor滤波器。首先,应用8个大小为3?3的方向模板对疵点图像进行卷积,根据卷积图像信息量的相对误差来确定选择1个还是2个最优Gabor滤波器检测疵点。其次,根据疵点图像与滤波图像的误差图像的能量确定相应的1个或者2个最优方向。最后,在1个最优方向中的8个滤波器利用干扰系数选择1个最优尺度,进而得到一个最优Gabor滤波器;针对2个最优方向情形,在每个方向中的8个滤波器中应用滤波图像的信息量分别确定2个最优尺度,得到共计4个滤波器,然后在这4个滤波器中选择2个信息量大的作为最终的2个最优Gabor滤波器。另一方面,本文提出了基于1-2个最优滤波器的玻纤布进行疵点检测算法,由最优Gabor滤波器选择过程可见滤波器的数量与织物疵点具有一定的自适应性,实验结果表明使用该算法检测疵点效果良好。