基于织物自适应正交小波的疵点检测

应用织物自适应正交小波对织物疵点的检测和识别进行了分析,首先介绍了织物图像的小波分解算法和紧支撑正交小波,在此基础上提出了织物自适应小波的构造,由自适应小波对织物图像分解,然后对分解后的纬向和经向子图像提取特征,由特征什检测和识别疵点。实验证明了该方法对素色织物的常见疵点具有快速、准确的检测效果。     

基于频率域滤波器的织物疵点检测

针对织物疵点检测,设计了一个频率域滤波器,它包括两个最优的圆形Gabor滤波器和一个与Gabor滤波器相切的中心掩模,基于该滤波器提出了一种频率域的疵点检测算法.应用提出的算法对织物疵点图像作疵点检测,实验结果表明,该算法能够有效地检测疵点.     

一种用SAR进行织物疵点检测的方法

目前的疵点检测方法一般基于织物的可见光图像,对色彩或灰度的依赖过大,以致影响到后续的图像处理算法的分类效果,是当前检测算法所面临的严重问题.为解决当前织物疵点检测系统中存在的问题,提出了一种新的利用合成孔径雷达技术进行疵点检测方法.该算法由于与传统的可见光成像机制不同,利用合成孔径雷达技术,避免了对可见光成像依赖性,用sAR的理论和算法解决了一些成像及识别关键问题,理论分析和实测数据的处理结果验证了该方法的有效性.     

基于小波模极大值和自适应Canny算子的织物疵点检测算法

为解决传统人工检测织物疵点时准确率和效率低、经典Canny算子无法自适应平滑和自适应阈值选择的问题,提出一种小波模极大值算法和自适应Canny算子结合的织物疵点检测算法.将自适应Canny算子和小波模极大值算法提取到的织物疵点边缘图像进行加权融合并优化处理.结果显示,该融合算法优于融合前两种单独使用的算法,能有效提取较连续、完整的织物疵点边缘特征,正检率为95.83%,较同类算法提高了1.98%.     

基于最优Gabor滤波器的织物疵点检测

织物的疵点检测在纺织工业生产的质量控制中起着至关重要的作用.针对织物疵点,论文提出一种基于最优Gabor滤波器的织物疵点检测算法.首先,针对4尺度4方向的16个Gabor滤波器,借助的方向模板对疵点图像滤波后的信息量确定2个最优方向;其次,综合信噪比和损失评价函数在2个方向的8个滤波器中各自选取1个最优滤波器;然后,对滤波后的疵点图像做融合和二值化,实现了疵点检测.从实验结果看,该算法能够有效地检测出织物疵点.     

基于方法库的织物图像疵点检测

为准确检测织物在生产过程产生的疵点,提出一种基于改进的Gabor滤波方法、数学形态学处理法和多尺度小波检测的方法库的系统检测法.首先采用改进的Gabor滤波方法,选出最优滤波结果,进行高斯平滑,确定正常织物图像的两个阈值门限,进而分割出织物的疵点图像;其次采用数学形态学处理法对织物图像进行检测;最后采用多尺度小波检测的方法,检测最终结果.由于织物的纹理不同,在生产过程中产生疵点的种类众多,算法采用级联检测,保证了检测疵点的准确有效性.试验证明,所提出的算法检测结果较好,能准确定位疵点的位置.     

基于小波变换的织物疵点检测

本文基于小波变换原理进行织物疵点检测。使用DH-SV 1410FM数字相机采集平纹坯布图样,应用中值滤波和Laplacian算子对图像做去噪和锐化处理。采用Mallat算法对预处理后的图像进行小波分解,分别提取经纬子图的能量、方差、熵、逆差距和极差等特征值,并对提取的特征值进行归一化处理。实验结果表明,疵点使织物图像在经纬方向上产生了不规则的纹理走向,不同类疵点图像的特征值归一化曲线在疵点处有明显的变化。该研究对判断织物是否有疵点的存在、判断疵点的大致走向和确定疵点的位置具有一定的参考价值。     

基于计算机视觉的织物疵点自动检测

用小波变换结合BP神经网络对织物疵点进行检测和分类.采用平纹坯布作为试样,对油渍、缺经、缺纬疵点进行识别.摄相机摄取256×256图像,将拾取图像进行小波分解,然后把小波分解后的图像灰度值作为特征参数输入到BP神经网络进行检测识别.实验结果表明,用这种方法识别织物疵点,识别率可达到98%.     

织物疵点轮廓的计算机提取算法

提出一套新的织物疵点轮廓提取算法,可简单快速地提取织物图像中已确定位置的疵点轮廓.采用"去纹理算法"去掉织物的图像纹理,提出"平均并色法"去掉疵点周围的背景并用扫描法提取疵点形状建立适合后续处理的数据模型;用方向判断法分析疵点内部与背景色颜色一致的点是否需要去除,建立疵点轮廓的环型数据模型供后续疵点的相关进行分析,并建立疵点轮廓逐行数据模型供后续平移、放缩、翻转等处理.通过实例得出该套算法适用范围广,可高速准确地自动提取织物疵点轮廓.     

基于熵和变异度的织物疵点图像分割方法

针对现有织物疵点图像分割方法对光照不均匀敏感的问题,提出了一种基于局部熵和变异度的织物疵点图像分割方法。首先对织物图像进行局部熵和变异度计算,提取疵点的类边缘和区域信息;然后基于人工神经网络脉冲耦合（PCNN ）的区域生长法分割织物疵点图像。通过对T ILDA数据库中的疵点图像和基于线阵CCD在线检测的织物疵点图像进行测试,并与已有的相关方法进行对比实验和评价。结果表明,该方法不仅能有效地抑制光照不均匀和复杂背景干扰的影响,而且分割质量有了明显改进。     

基于小波变换和图像分割的织物等级自动评定

在运用小波变换进行疵点检测的基础上,运用图像处理技术对检测出的疵点进行分割表征,根据人工验布的评分标准结合小波疵点检测和图像分割疵点的特点制定的自动评分准则,并对表征的疵点进行评分,从而实现对织物等级的自动评定.     

基于改进Cascade R-CNN的织物瑕疵检测方法

制造业瑕疵检测问题是工业产品的关键环节,其中织物瑕疵检测尤为关键.针对织物图像尺寸大、局部瑕疵数量少、图像背景复杂等问题,设计了一种基于Cascade R-CNN融合尺度不变特征的织物瑕疵检测方法 .通过训练具有多个递增交并比（IoU）阈值的级联检测网络,解决了传统深度神经网络的过拟合和错配问题;针对工业生产上存在的待检测图片发生倾斜、偏转和迁移等问题,通过尺度不变特征变换（SIFT）算法对待检测织物图进行预处理,将其正确定位到模板图上对应位置后,再进行瑕疵检测;借鉴孪生学习的思路,通过扩充输入通道,同时输入并分析待检测的图像和模板,提高了瑕疵检测的精度.实验结果表明：该模型能够有效地完成瑕疵检测任务,可对7类织物瑕疵进行检测与分类,平均精度均值达87.5%.     

采用频域滤波的织物疵点检测方法

首先,通过傅里叶变换获得含有疵点的织物频谱图,根据频谱图设计频域滤波器分离正常的纹理信息,保留疵点信息;然后,通过傅里叶逆变换进行灰度图重构,得到去除正常纹理的疵点图像;最后,经过高斯平滑后二值化分割出织物疵点.实验选取5种织物疵点进行验证,结果表明:采用频域滤波的织物疵点检测方法检测效果良好,且检测率达到90%以上.     

图象处理在纺织业中的应用现状及动向

本文主要介绍数字图象处理技术在纤维材料性能检测以及纺织品质量检测中的一些应用,并对一些值得注意的研究动向作了简要的说明。     

基于摄像头采集和图像处理的机织物密度检测

采用CCD摄像头拍摄机织物图像,根据其特性进行图像处理,自动寻找条纹方向并旋转图像.通过运用误差处理的方法,得到精确的织物经纬密度.研究结果表明,拍摄一幅图像即可快速得到织物的经纬两个方向的密度,比傅里叶变换和小波变换计算量小,并可以用于实际生产过程中的纺织品密度在线检测.     

A Novel One-Dimensional Projection Based Method for Fabric Texture Representation

Automated defect detection in woven fabrics for quality control is still a challenging novelty detection problem,while the efficient representation of fabric texture is essential for it.This paper presents a novel method for fabric texture representation.Benefiting from the characteristics of the weaving process,the major texture information of woven fabric is concentrated in the warp and weft directions.Thus,the proposed method is firstly to project the image patch along warp and weft directions to obtain projected vectors containing warp and weft informations.Secondly,the obtained vectors instead of image patch,are used to extract the features that are able to represent fabric texture.Finally,the t-test is applied to verifying the usefulness of the proposed method in discriminating defective and normal fabric textures.The experiments on various defective samples demonstrate that the method yields a robust and good performance in representing fabric texture and discriminating defects.     

Fabric Defect Detection Using Adaptive Wavelet Transform

A method of woven fabric defect detection using the wavelet transform adaptive to the fabric has been developed. With reference to the orthogonality constrains of Daubechies wavelet, by taking the minimization of the energy or the gray level of the pixels hi the output sub-images as the additional conditions and using the random algorithm method, two sets of wavelet filters adapted to the fabric texture were formed. The original images of normal fabric texture and the fabric texture with defects were decomposed into horizontal and vertical sub-images by using these filters and the feature indices of these sub-images were also extracted. By comparing the feature indices of the normal texture with that of the defective texture, the fabric defects can be successfully detected and located.     

The Recognition of Silk Fabric Defects Based on Biorthogonal Wavelet Analysis and SOM Neural Network

A feasible approach fog the recognition of silk fabric defects based on wavelet transform and SOM neural network is proposed in this paper, the indispensable processes of which are defect images denoising and enhancement, image edge detection, feature extraction and defects identification. Both geometrical and textural feature panuneters are extracted from the edge image and the enhanced defect image, and utifize SOM neural network to recognize the common defects which silk fabrics have, including warp- lacking, weft-lacking, double weft, loom bars, oll-stalin. Experimental results show the advantages with high identification correctness and high inspection speed.