基于纹理结构异常的织物疵点检测算法研究

合集下载

一种织物瑕疵检测方法

一种织物瑕疵检测方法

一种织物瑕疵检测方法摘要:针对纺织业生产过程中的断线问题,对瑕疵检测进行了研究。

介绍了基于单片机的检测系统的设计,对检测系统实际检测到的布匹瑕疵的波形图进行处理分析,根据分析结果设计基于“自基准判别”的思想的控制程序。

实物检测结果表明,本系统可以准确的检测织物生产出现的瑕疵,是织物瑕疵检测一种可行的方法。

关键词:瑕疵检测、单片机、波形分析、自基准判别0 引言在纺织品生产过程中,质量控制与检测是非常重要的,织物疵点检测是其中最重要的一部分。

目前国内织物检测基本上是由人工视觉来完成。

在检测过程中,由于人眼视觉存在偏差,首先,一个检验员精力集中的最长时间只有20 min~30 min,超过这个时间就会疲劳,检验员的注意力就会降低引起漏检。

其次,一个检验员的工作状态受到外界因素,如疵点类型和大小、频率、天气、身体情况影响会不断变化,较低的重现率并不奇怪,也会影响检测结果。

[1]基于以上原因,织物疵点的自动检测技术是近年来国内外学者共同关注和研究的热门课题之一。

综述其原理方法可分为以下三类:纹理结构模型方法【2】、象素特征统计方法、图像变换滤波方法【3】。

本研究采用单片机对采集的信号进行分析处理,相比于通过分析从图像中发现异常的纹理结构,从而确定织物疵点的图像处理的织物疵点检测技术,本研究检测简单实用、准确率高。

1 系统设计1.1系统框图系统实现过程:光源发出的光线经透镜折射成平行光透射过布匹再聚焦为一点被传感器采集,相比于扩散光线平行光能准确的的反应布匹的信息。

光电传感器将光信号转变为电信号,经滤波放大电路去噪声和优化信号处理,提取有用的信号再经A/D转换成数字信号以便单片机系统可以采集到信号并对信号进行处理。

单片机系统通过内部的自基准瑕疵判断程序对信号进行处理,根据处理结果控制电机和外部人员设备交换信息。

采用单片机控制系统可靠性高,处理速度快,能实现实时控制,一出现瑕疵即可报停,节约生产成本。

一般的光电检测系统都采用反射光检测,但是一般物体表面反射率不到10%,反射的光线很弱,而生产现场往往有白炽灯太阳光反射等嘈杂光信号使信号采集困难、信号信噪比小、信号处理难、系统可靠性差。

织物表面疵点自动检测方法研究

织物表面疵点自动检测方法研究

织物表面疵点自动检测方法研究织物是我们日常生活中常见的一种材料,它被广泛应用于服装、家居用品、车辆内饰等领域。

在织物生产过程中,常常会出现疵点,如结疵、污点、断经、断纬等问题,这些疵点会影响织物的质量和美观度,甚至影响产品的销售。

研究织物表面疵点的自动检测方法对于提高织物生产质量和效率具有重要意义。

本文将探讨织物表面疵点自动检测方法的研究现状和发展趋势。

一、织物表面疵点的特点和影响织物表面疵点主要包括结疵、污点、断经、断纬等问题。

这些疵点会影响织物的外观和质量,降低产品的使用价值。

特别是在服装等领域,疵点对产品的影响更加显著。

及时准确地检测和处理织物表面疵点是非常重要的。

二、织物表面疵点检测的传统方法传统的织物表面疵点检测方法主要依靠人工目视检查和手工智能检测。

人工目视检查虽然可以发现一些明显的疵点,但是由于人的主观判断和疲劳度,往往容易漏检或误判。

而手工智能检测则是依靠专人操作检测设备进行检测,虽然准确度较高,但是成本较高且效率低下。

随着计算机视觉、图像处理和人工智能技术的发展,织物表面疵点自动检测方法也得到了迅速发展。

目前,主要的研究方向包括图像采集、特征提取和疵点识别。

1. 图像采集图像采集是织物表面疵点自动检测的第一步,其主要目的是获取织物表面的图像数据。

近年来,随着成像技术的不断进步,高分辨率、高速度的相机和传感器得到了广泛应用,可以实现对织物表面的高质量图像采集。

2. 特征提取特征提取是织物表面疵点自动检测的关键步骤,其主要目的是从图像数据中提取能够表征疵点的特征。

常用的特征提取方法包括纹理特征、色彩特征、形状特征等。

通过有效的特征提取方法,可以有效地区分疵点和正常区域。

3. 疵点识别疵点识别是织物表面疵点自动检测的最终目标,其主要目的是利用图像处理和机器学习技术识别出织物表面的疵点。

目前,常用的疵点识别方法包括基于规则的方法、基于特征的方法和基于深度学习的方法。

这些方法可以有效地识别出织物表面的疵点,并实现自动化检测。

纹理结构分析技术用于织物疵点检测方法

纹理结构分析技术用于织物疵点检测方法

纹理结构分析技术用于织物疵点检测方法织物疵点的有效检测对纺织企业提高产品质量、降低产品成本具有重要的意义。

目前, 疵点检测还由人眼来进行, 但人眼检测费用高、速度慢、效果差, 只能检测不超过80%的疵点[ 1] 。

因此, 织物疵点的自动检测方法一直是一个重要的研究热点, 提出了许多自动检测方法[ 1 -14] 。

如文献[ 2 -4] 提出采用灰度共生矩阵或灰度差分矩阵的方法;文献[ 5] 提出了采用傅立叶变换方法;文献[ 6 -9] 采用小波变换或小报包变换的方法;文献[ 10, 11] 提出采用Garbor滤波器方法。

但由于织物疵点种类繁多、形态各异, 如何有效地检测疵点仍然是一个重要的研究内容。

疵点检测实际上是一个纹理分割及识别过程, 因为在织物中疵点处的纹理结构不同于正常织物, 因此能够把它们检测出来。

从图像处理的角度, 疵点可以分为灰度突变型疵点、结构突变型疵点[ 12] 。

灰度突变型疵点中疵点的灰度与正常织物的灰度不同, 如油污、破洞等;结构突变型疵点中疵点的灰度与正常织物的灰度差异较小, 只是像素之间的空间关系发生较大变化, 如并经、松经等。

有些疵点则兼而有之, 如经缩、边撑疵等。

由于正常织物图像是一种规则有序纹理, 因此本文提出一种基于纹理结构分析的织物疵点检测方法, 不仅能够有效地分割灰度突变型疵点, 而且对结构突变型疵点也具有较好的分割效果, 并且通过实验对该方法的有效性与鲁棒性进行了验证。

1、织物疵点检测算法织物检测算法流程图如图1所示, 图2给出了算法各步骤的处理效果1.1 零均值图像增强零均值图像增强是本算法中重要的一步预处理算法, 它能够有效地消除图像在采集过程中由于光照强度的不同而造成的明暗差异, 方便后面各步骤的处理。

零均值图像的构造方法是:首先将图像划分为8 ×8的子窗口,。

1.2 构造纹理基元模板织物是由经纬纱按照一定的组织规律交织而成, 具有一定的周期性, 属于规则的有序纹理图像。

织物疵点在线检测理论与应用的研究的开题报告

织物疵点在线检测理论与应用的研究的开题报告

织物疵点在线检测理论与应用的研究的开题报告摘要:本文主要研究织物疵点在线检测的理论和应用。

首先通过对织物生产过程中可能出现的疵点进行分类和描述,构建了疵点检测的分类体系,并详细介绍了常见的疵点检测方法和技术,包括基于图像处理的疵点检测、基于机器视觉的疵点检测以及基于深度学习的疵点检测。

同时,本文还研究了织物疵点在线检测系统的设计和实现。

在该方面,本文首先分析了织物在线检测系统的整体架构,然后详细介绍了系统所需的硬件和软件配置。

最后,通过实验验证了系统在真实环境中的检测效果,证明了系统的可行性和有效性。

关键词:织物疵点;在线检测;机器视觉;深度学习;系统设计一、研究背景及意义织物作为一种广泛应用于服装、家居用品等领域的材料,其品质关系到消费者的舒适度和外观效果。

随着纺织技术的不断发展,织物的生产效率得到了显著提高,但是由于生产中存在的各种因素,例如设备故障、操作不当等,织物可能会出现多种不同类型的疵点,包括缝隙、沾污、破洞等。

这些疵点会降低织物的外观质量,严重的甚至会导致产品被退货或者召回,造成巨大的经济损失和声誉损害。

为了避免这种情况的发生,传统的方法是对织物进行手工检查,然而这种方法效率低下,成本高昂,而且往往由于人为疏漏导致检测漏报或误报的情况发生。

因此,开发一种高效、准确的织物疵点在线检测系统对于提高织物品质、降低成本和提高生产效率都具有重要的意义。

二、研究内容和方法本文主要研究织物疵点在线检测的理论和应用。

研究内容包括:1. 织物疵点分类体系的建立。

将织物生产过程中可能出现的疵点进行分类和描述,为后续疵点检测方法的选择和应用提供分类依据。

2. 常见疵点检测方法的介绍。

包括基于图像处理的疵点检测、基于机器视觉的疵点检测以及基于深度学习的疵点检测。

通过对这些方法的比较和分析,为设计合适的检测系统提供技术基础。

3. 织物疵点在线检测系统的设计和实现。

本文将设计、实现一个基于机器视觉和深度学习的织物疵点在线检测系统。

织物表面疵点自动检测方法研究

织物表面疵点自动检测方法研究

织物表面疵点自动检测方法研究织物表面疵点自动检测是纺织行业中非常关键的一项任务。

传统的手工检测方法既费时又费力,而且效率低下,因此引入自动检测方法,以提高检测效率和精度,已成为目前纺织行业中的一个研究热点。

织物表面疵点的自动检测方法,可以分为两大类:基于计算机视觉的方法和基于深度学习的方法。

接下来,本文将分别对这两大类方法进行详细介绍。

1、基于计算机视觉的方法基于计算机视觉的方法需要提取织物表面的特征,来进行疵点检测。

一般可以从以下几个方面提取织物表面的特征:(1)颜色特征:对织物表面颜色的变化进行分析,通过与正常织物的颜色进行对比,确定疵点的位置。

(2)质感特征:通过分析织物表面图案的形态和构成,发现疵点的位置。

(3)纹理特征:分析织物表面的纹理信息,检测疵点。

此外,还可以结合图像处理技术(如滤波、二值化、形态学处理等方法),对织物表面的图像进行修饰和优化,以提高检测精度。

基于计算机视觉的自动检测方法虽然在一定程度上提高了检测效率和精度,但该方法受到光照和织物表面的噪声等因素的影响比较大,因此其检测精度和稳定性还有待提高。

2、基于深度学习的方法基于深度学习的自动检测方法是近年来纺织行业研究的新方向。

该方法采用深度神经网络(deep neural network),通过学习织物表面图像的特征,来实现自动疵点检测。

该方法的优点在于可以自适应地学习复杂的特征,而且具有较强的泛化能力,能够处理大量数据,进而提高检测效率和精度。

然而,该方法需要大量的数据进行训练,因此对数据集的质量和数量要求非常高。

另外,在训练过程中需要解决诸如过拟合(overfitting)和梯度消失(vanishing gradient)等问题。

总的来说,织物表面疵点自动检测方法的研究对纺织行业的发展至关重要。

基于计算机视觉和基于深度学习的方法均有各自的优点和不足,因此在实际应用中需要根据具体的场景和需求进行选择,以达到最佳的效果。

基于计算机视觉的织物疵点检测技术研究进展

基于计算机视觉的织物疵点检测技术研究进展
Em pii a e uls i di a et i h a c r c h r s nt d a pr a h. rc lr s t n c t he h g c u a y oft e p e e e p o c
Ke o d : m p trv s o ; a rc d f c e e t n De i i n f so y W r s Co u e ii n F b i e e td t c i ; c s o u i n o


Thi ri l es rbe he i a r pr e s n s a tc e d c i s t m ge p e oc s i g f a ur xt a ton,cl s ii a to nd i n ii a i n f r t e t ee rci a s f c ii n a de tfc to o he va i rous a go ih s u h a r y l ve O— c ur e ce M a r x,Loc lB i r te ns C o e ua l rt m ,s c s G a e lC o c r n ti a na y Pa t r nt xt l Ana ys s l i,
在 纺 织 和 服 装 工 业 中 ,疵 点 检 测 研 究 主 要 集 中在 织 物 的 疵 点 检 测 上 。 起 初 , 大 多 是 直 接 对 图 像 的 灰 度
1 疵 点检测
在 自动 化 检 测 中 , 解 决检 测 微 小 疵 点 的 问题 , 需 要 具 有 局 部 破 解 织 品 质 地 样 式 的 同 质 性 以 对 各 种 疵 点 进 行 分 类 处 理 的 能 力 。 在 目前 众 多 检 测 织 品 疵 点 的 技

基于纹理滤波与局部熵的织物疵点检测

基于纹理滤波与局部熵的织物疵点检测
下:


图 1 滑 动 邻 域 示 意 图
图 1的滑 动邻 域 是 一 个 矩 阵 , 点 表 示 中心 像 素 黑 点 。对 于 X/的 滑动 邻 域 来 说 , 2 中心 像 素 点 的位 置
是 :or (/ )2 ( +1/ ] f o[ 7+11 , l 2 )2 。上图的滑动领域中
社 , 0 6 20 .
[] 王 6
华, 颜钢锋 , 张瑞林 . 图像处 理技 术在纺织 品检测 中的

作者 简介 : 陈利珍( 9 7) 女 , 读硕士研究 生 , 1 8 一, 在 研究 方 向: 织材料 与纺 纺 织 品设 计 , - i 6 4 5 4 8 q. o 。 E mal 7 8 5 7 @ q cr : n *通 讯 联 系 人 : 中 民 , , 授 , 士 生 导 师 , - i dm@ wt e u c 邓 男 教 硕 E mal z : u d . n。

4 2・
纺织科 技 进展
2 1 年第 5 01 期
基 于纹 理 滤 波 与 局 部熵 的 织物 疵 点 检 测
陈利 珍 , 中 民 邓
( 汉纺织大学 , 武 湖北 武 汉 4 0 7 ) 3 0 3

要 : 对织物疵点检测 中织物 纹理 常被误认 为噪 声而给疵 点 自动检 测造成很 大干扰 的问题 , 针 以织物纹理 和疵 点
别 于规 则 交织 形 成 的正常 纹理 。然 而织 物正 常 , 常会 影 响 疵 点 的检 测 。对 此利 用 两 者 频 谱 的 常
不同 , 选择 合适 的 滤 波 频 率 , 过 频 域 滤 波 器 , 除正 通 滤
常纹理周期性信息 , 从而将正常纹理与疵点分离开来。 首先在频谱图上分别计算 以 r 和 (z n+ △r r— ) 为半径的圆盘能量 , 然后计算 两个 圆盘之 间圆环 的平

基于纹理滤波与局部熵的织物疵点检测

基于纹理滤波与局部熵的织物疵点检测

基于纹理滤波与局部熵的织物疵点检测陈利珍;邓中民【摘要】In view of that the fabric texture in defect detect is usually considered as noise to cause great interference to the automatic detect of defect,according to the different distribution of fabric texture and defects spectrum,it proposed a detection method for fabric defect by combining with texture filtering and local entropy.By filtering in the frequency domain,it reduced the interference of fabric texture,then combined with local entropy and field operations to realize automatic detection of defects and extract related features parameters.%针对织物疵点检测中织物纹理常被误认为噪声而给疵点自动检测造成很大干扰的问题,以织物纹理和疵点频谱的不同分布为依据,提出了一种结合纹理滤波和局部熵的织物疵点检测方法。

通过频域滤波降低织物纹理的干扰,然后再结合局部熵与领域操作实现疵点的自动检测,并提取相关特征参数。

【期刊名称】《纺织科技进展》【年(卷),期】2011(000)005【总页数】3页(P42-44)【关键词】织物疵点;自动检测;纹理域波;局部熵;领域操作【作者】陈利珍;邓中民【作者单位】武汉纺织大学,湖北武汉430073;武汉纺织大学,湖北武汉430073【正文语种】中文【中图分类】TP391自20世纪90年代以来,基于图像处理的织物疵点自动检测与识别一直是纺织工业自动化研究的热点与难点。

基于纹理周期性分析的织物疵点检测方法

基于纹理周期性分析的织物疵点检测方法
C m u r n i ei d p la os- o p t g er ga A pi t n ̄ 算机 工程 与应用 eE n n n ci I "
基于纹理周期性分析 的织物疵点检测 方法
祝双武 郝 重阳 ,
ZHU h n wu , S ua g HAO o g a g Ch n y n
点处 的纹 理 结 构 不 同于 正 常 织 物 , 因此 能 够 把 它 们
律 交织而成 , 、 经 纬向均具j 一定的周期性 , 并且部 分织物表面还 明显具有方 向性 , 如斜纹 织物 。而纹
理 的视 觉特 征 一般 有 三个 基 本 量 : 周期 性 、 向性 和 方
检测 出来。织物疵点 自动检测方法是一个重要的研 究热点 , 研究人员也提 出了不同的检测方法 , 概括起 来主 要分 为三种 : 基于统 计 的检测 方法  ̄ n 人n l l 等 We 。 提出采用灰度共 生矩 阵或灰度差分矩阵的方法 ; 基 于频域分析的检测方法如 C a 等 出了采用傅里 hn 提
摘 要: 根据织物 图像纹理 自身特点, 图像 纹理的周期性这个重要的视 觉特征入手 , 出了基 于纹理周期性 从 提 分 析 的织 物疵 点检 测 方 法。通 过对 大量不 同疵 点 图像检 测 实验 , 明提 出方法对 织物 疵 点检 测具有 较 好 的有 证 效 性和 可 靠性 , 而且 具有检 测 的疵点种 类 多 、 实用性好 的特 点 。
v l i ee t a rcd f c s n ea l e e t o ek n so b i e e t ai t t d t c b i e e t d t b b et d tc r i d f a rcd f c . d y o f a o o m f

纺织品纹理的检测及异常统计

纺织品纹理的检测及异常统计

纺织品纹理的检测及异常统计摘要:纺织品质料的把控,占据织造行业中特别重要的地位。

尽管现当代纺织机器生产的纺织品缺陷概率已经降到很低,但是生产过程中仍然不可能做到百分之百的没有缺陷。

纺织品表面的疵点和缺陷会明显影响织物的质量,同时也就会影响到纺织品的出售。

因此,纺织品纹理的检测以及异常统计是纺织工业生产中极其重要的环节。

本文主要探讨和研究小波变换,和基于此的异常检测算法以及检测系统的设计。

本次课题研究中,利用检测系统使用图像分割、灰度化处理、去噪以及边缘检测等处理算法对采集到的纹理图像进行处理和量化,运算得出是否具有异常以及异常的类型。

在检测系统的配准方面,采用了Matlab的仿真环境,对基于抽样小波变换等算法进行了仿真,成功出了异常的类型以及对异常进行了统计。

关键词:纺织品纹理;异常检测;图像分割;灰度化;小波变换;Matlab Textile texture detection and anomaly statisticsAbstract:Textile material control is occupied in the special important status in weaving industry. Although contemporary textile machinery production has dropped to the textile defects of probability is very low, but one hundred percent is still not possible during the production of no defects. Defect and defect on the surface of the textile can significantly affect the quality of the fabric, at the same time, it will affect the sale of textiles. As a result, the textile texture detection and anomaly statistics is extremely important link in the production of textile industry. This paper mainly discusses and studies the wavelet transform, and anomaly detection algorithm based on this, as well as the design of the detection system.This topic in the study, the use of detection system using image segmentation, grayscale processing, denoising and edge detection processing algorithm to deal with texture images were collected and quantified, the operation is abnormal and abnormal types are obtained. In terms of detection system of registration, using the Matlab simulation environment, based on sampling wavelet transform algorithm are simulated, such as success out of the abnormal type of exception and statistics.Keywords:Textile texture; Anomaly detection. Image segmentation; Gray; Wavelet transform; Matlab第一章绪论1.1课题研究的背景及意义:纺织品质料的把控,占据织造行业中特别重要的地位。

基于纹理结构分析的织物疵点检测方法

基于纹理结构分析的织物疵点检测方法

基 于纹 理 结构 分 析 的织 物 疵 点检 测 方 法
祝 双武 , 郝重 阳 李鹏 阳 齐 , ,
(h sunw @2 3 nt zuh ag u 6 . e)

(. 1西北工业 大学 电子信息学院 , 西安 70 7 ; 2 西安工程 大学 纺织与材料学院 , 10 2 . 西安 7 0 4 ) 10 8

要 : 出了一种新的基于纹理 结构分析 的织物疵 点检测方法 , 提 首先根 据规 则纹理 的特点 , 用 自相 关函数计 利
算纹理基元模板 , 并通过计算每个纹理基元 与基元模板的差来进行疵 点区域 的增强。然后通过计 算纹理 图像 的局部
不 平整 度 来 定 位 疵 点 , 采 用 Os 法 自动 获 取 阈值进 行 图像 分 割 , 而 实现 织 物 疵 点 的检 测 。 最 后 通 过 对 不 同织 并 t u方 从
a c r a c i t e c aa trs c o h l rg l td e tr , txu e r t e t mp ae a c l ua e u ig u o c o d n e w t h h r ce t s f te wel e u ae txu e e t r p mi v e lt w s ac ltd sn a t・ h i i ・ i i
0 引言
织物疵点 的有效检测对纺织 企业提 高产 品质量 、 降低 产
品 成本 具 有 重 的意 义 。 目前 , 点检 测 还 由人 眼来 进 行 , 疵 但 人 眼检 测 费 用 高 、 度 慢 、 果 差 , 能 检 测 不 超 过 8 % 的疵 速 效 只 0 点 … 。 因此 , 物 疵 点 的 自动 检 测 方 法 一 直 是 一 个 重 要 的研 织

基于纹理特性的织物表面缺陷图像的分类研究

基于纹理特性的织物表面缺陷图像的分类研究

1.. ..... 、: ..... 1.. ... . : . ... .. . .. : .
a pu e[ LW 'a +bj != rln( - l 2 . 1
1 小 波 分 析 和 神 经 网 络
1 1 小 波 分 析 基 本 理 论 .
图 1 3层 BP神 经 网络 结构 图
算 法 的具 体 实 现 步 骤 如 下 :
收 稿 日期 :0 0 0 0 2 1 6 7
基 金 项 目 : 南 省 教 育 厅 自然 科 学 基 金 项 目 ( 0 4 0 6 2 1 2 0 1 4 5 0 ) 河 20 14 5 0 ; 0 50 6 0 2 作 者 简 介 : 洲 峰 ( 9 2 )男 。 南 新 乡 人 , 授 , 士 . 刘 16 一 , 河 教 博
别 , 过 两 者 的仿 真 结 果 得 出 结 论 : 波 神 经 网络 具 有 逼 近 能 力 强 、 敛 速 度快 、 通 小 收 网络 参 数 ( 层 结 点 数 和 权 重 ) 隐 的选 取 有 理论依据的优点.
关 键 词 : 疵 点 检 测 ;BP神 经 网络 ;小 波 神 经 网络 中 图 分 类 号 : TP 9 . 1 3 1 4 文 献标 识 码 : A DOI 1 . 9 9 is . 6 1 6 0 . 0 0 0 . 0 :0 3 6  ̄.s n 1 7 — 9 6 2 1 . 4 0 9
1 3 实 验 结 果 与 分 析 .
小 波 变 换 ( a ee T a som ) 近 年 来 发 展 起 W v l rn fr 是 t
此 实 验 中 , 入 端 是 在 矩 的 基 础 上 对 每 一 个 纹 理 输
来 的一种 用 于信 号分 析 的数学 方 法 .它是 一 种 信号 的

基于语义分割的织物疵点检测算法研究

基于语义分割的织物疵点检测算法研究

基于语义分割的织物疵点检测算法研究织物在各行各业中都扮演着重要的角色,因其广泛的应用领域,对其质量的要求也越来越高。

在织物生产过程中,疵点是一个普遍存在的问题,它们会降低织物的质量,影响产品的市场竞争力。

因此,开发一种高效准确的织物疵点检测算法对于提升织物生产效率和质量具有重要意义。

一、引言织物疵点检测是通过分析织物图像来确定其中存在的缺陷或瑕疵。

传统的织物疵点检测方法主要依赖人工进行目测,这种方法效率低下且容易受主观因素的影响。

近年来,随着计算机视觉和深度学习的发展,基于图像处理的自动织物疵点检测成为了研究的热点。

二、相关技术1. 图像语义分割图像语义分割是将图像中的每个像素点分类到不同的语义类别,常用的方法包括传统的基于阈值的方法和基于深度学习的方法。

基于深度学习的语义分割方法往往能够获得更好的效果,如使用U-Net等结构进行像素级别的分类。

2. 神经网络神经网络在图像处理领域有广泛应用,其中卷积神经网络(CNN)是最常用的一种。

通过使用包含卷积层、池化层和全连接层等组件的CNN网络,可以提取图像的特征并进行分类。

三、基于语义分割的织物疵点检测算法基于语义分割的织物疵点检测算法主要分为训练阶段和测试阶段。

1. 训练阶段在训练阶段,首先需要准备一批有标注的织物图像数据集。

对于每个织物图像,需要手动标注其中的疵点位置。

然后,利用图像语义分割技术,将标注过的图像数据集转换为像素级别的标注,即每个像素点被分类为疵点和非疵点。

接下来,使用已有的图像语义分割网络对标注数据集进行训练,调整网络参数以适应织物疵点检测的任务。

2. 测试阶段在测试阶段,将训练好的图像语义分割网络应用于未标注的织物图像。

首先,通过图像语义分割网络对织物图像进行像素级别的分类。

然后,根据分类结果提取出疵点区域,并进行疵点形状和大小的判断。

最终,将检测到的疵点标注在织物图像上,以便后续处理和分析。

四、实验结果与分析为了评估基于语义分割的织物疵点检测算法的性能,我们使用了公开的织物图像数据集进行实验。

基于语义分割的织物疵点检测算法研究

基于语义分割的织物疵点检测算法研究

基于语义分割的织物疵点检测算法研究作者:赵浩铭张团善马浩然任经琦来源:《现代纺织技术》2024年第01期摘要:針对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。

织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。

针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。

调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明:提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。

关键词:MSCA注意力机制;图像语义分割;多类别损失函数;疵点检测;神经网络中图分类号:TM351文献标志码:A文章编号:1009-265X(2024)01-0027-09织物疵点检测在纺织领域中有着关键作用,缺陷较多的织物会对工厂生产效率产生负面影响,所以织物缺陷的快速检测对提升织物质量、提高生产效率都有着重要意义。

随着计算机检测技术的发展,机器视觉的应用使织物疵点检测的准确率显著提高。

目前主要应用的织物疵点检测方法有基于结构、统计、频谱、网络模型和机器学习的方法[1]。

基于结构的方法虽然比较简单,但是基于结构的方法过于局限,只能将疵点从织物纹理中分离出来;基于统计学的方法,灰度共生矩阵所需数据量大,计算量大,在分辨率较高的图像中,其检测效果不好;基于频谱的方法,傅里叶变换只适用于全局检测,在空间上的应用较差,实时性,通用性不佳。

针对那些方法的缺点,所以出现了卷积神经网络,基于卷积神经网络的织物疵点检测算法被广泛用于疵点检测[2]。

基于纹理增强分水岭的织物瑕疵检测新算法

基于纹理增强分水岭的织物瑕疵检测新算法

基于纹理增强分水岭的织物瑕疵检测新算法
沈晶;况晓静;张量;吴先良
【期刊名称】《合肥工业大学学报(自然科学版)》
【年(卷),期】2014(000)007
【摘要】由于受到织物表面附着有细小绒线、结头、灰尘等材质以及成像噪声的影响,织物图像的纹理特性在一定程度上被模糊,给织物缺陷检测带来了困难。

针对上述问题,文章提出了一种基于纹理增强分水岭的织物瑕疵检测新算法。

该算法首先利用非局部均值滤波实现纹理增强,消除成像噪声及材质的影响,有效地突出了纹理间的差异。

在此基础上,进一步利用纹理分水岭方法,提取缺陷区域;通过对一组纺织品缺陷检测的实验结果表明,该算法能够准确地提取出纺织品的缺陷区域,实现纺织品缺陷检测。

【总页数】6页(P812-817)
【作者】沈晶;况晓静;张量;吴先良
【作者单位】合肥师范学院电子信息工程学院,安徽合肥 230061;合肥师范学院电子信息工程学院,安徽合肥 230061;合肥师范学院电子信息工程学院,安徽合肥 230061;合肥师范学院电子信息工程学院,安徽合肥 230061
【正文语种】中文
【中图分类】TP391
【相关文献】
1.应用局部纹理特征的无监督织物瑕疵检测算法 [J], 周建;王静安;高卫东
2.基于快速傅里叶变换与织物纹理能量算法的起毛起球织物纹理滤除 [J], 邓文;邓中民
3.一种新的基于纹理分水岭的纺织品缺陷检测方法 [J], 沈晶;杨学志
4.基于YOLO v3算法的不同主干网络对织物瑕疵检测 [J], 谢景洋;王巍;刘婷
5.基于对比度受限直方图均衡化和非锐化掩模的织物表面瑕疵图像增强算法 [J], 葛万凯;赵世海;范雨佳
因版权原因,仅展示原文概要,查看原文内容请购买。

基于显著纹理特征的织物疵点检测方法

基于显著纹理特征的织物疵点检测方法

基于显著纹理特征的织物疵点检测方法石美红;张正;郭仙草;陈永当【摘要】针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法.鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区.经TILDA织物纹理图库数据的实验测试结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性.【期刊名称】《纺织学报》【年(卷),期】2016(037)010【总页数】9页(P42-49,55)【关键词】纹理显著性;局部纹理;粗糙度;多尺度度量;织物疵点检测【作者】石美红;张正;郭仙草;陈永当【作者单位】西安工程大学计算机科学学院,陕西西安710048;西安工程大学计算机科学学院,陕西西安710048;西安工程大学计算机科学学院,陕西西安710048;西安工程大学计算机科学学院,陕西西安710048【正文语种】中文【中图分类】TP391.41织物疵点检测是纺织品全质量监控的重要环节之一,其结果的好坏直接影响后续的纺织品等级划分。

目前常用的织物疵点检测方法有[1-3]:数理统计法(经典的有灰度共生矩阵、形态学、自相关函数、分形学等方法[4-7]),这类方法是通过提取织物图像中像素间的空间分布、区域的几何形状、纹理的自相关性或自相似性等特征检测织物疵点;频谱法(典型的有傅里叶变换、小波变换、Gabor变换等方法[8-10]),分别利用傅里叶的功率谱特性、小波时频的多分辨率特性、Gabor的空频特性提取特征检测织物疵点;模型法(经典的有马尔科夫随机场模型、自回归模型等方法[11-12]),它们分别通过描述织物图像中邻域像素间结构与统计特征、不同像素间的线性相关特征检测织物疵点;人工神经网络法[13-14],其中经典的BP 网、脉冲耦合神经网络(简称为PCNN)等方法,利用神经网络的自学习、自组织的能力实现织物疵点的自动检测。

基于图像处理的织物疵点检测算法综述

基于图像处理的织物疵点检测算法综述

基于图像处理的织物疵点检测算法综述刘小敏;刘国高;宗国华;张卓;张学武;刘宇兴【摘要】Fabric defect detection,widely used in the vision detection field,plays an essential role to ensure the quality of products in the textile manufacturing industry.At present,there are still a lot of problems in the detection methods.Such criteria as detection accuracy,versatility and instantaneity are utilized to assess and compare the detection algorithms in recent years,which can be broadly divided into pattern -based detection and non -pattern -based detection.Non -pattern -based approaches are conventional,while pattern -based approaches are relatively complex.The algorithms,including the statistical algorithm,spectral algorithm,model -based algorithm and pattern -based one,are presented to analyze its advantage and disadvantage,and make in -depth comparison between them.At last,a summary is made for the challenge on the detection technologies and the future research.%织物表面疵点的检测在视觉检测领域应用十分广泛,对纺织品制造业中产品质量的监控具有重要的现实意义。

纺织品纹理的检测及异常统计

纺织品纹理的检测及异常统计

纺织品纹理的检测及异常统计摘要:纺织品质料的把控,占据织造行业中特别重要的地位。

尽管现当代纺织机器生产的纺织品缺陷概率已经降到很低,但是生产过程中仍然不可能做到百分之百的没有缺陷。

纺织品表面的疵点和缺陷会明显影响织物的质量,同时也就会影响到纺织品的出售。

因此,纺织品纹理的检测以及异常统计是纺织工业生产中极其重要的环节。

本文主要探讨和研究小波变换,和基于此的异常检测算法以及检测系统的设计。

本次课题研究中,利用检测系统使用图像分割、灰度化处理、去噪以及边缘检测等处理算法对采集到的纹理图像进行处理和量化,运算得出是否具有异常以及异常的类型。

在检测系统的配准方面,采用了Matlab的仿真环境,对基于抽样小波变换等算法进行了仿真,成功出了异常的类型以及对异常进行了统计。

关键词:纺织品纹理;异常检测;图像分割;灰度化;小波变换;Matlab Textile texture detection and anomaly statisticsAbstract:Textile material control is occupied in the special important status in weaving industry. Although contemporary textile machinery production has dropped to the textile defects of probability is very low, but one hundred percent is still not possible during the production of no defects. Defect and defect on the surface of the textile can significantly affect the quality of the fabric, at the same time, it will affect the sale of textiles. As a result, the textile texture detection and anomaly statistics is extremely important link in the production of textile industry. This paper mainly discusses and studies the wavelet transform, and anomaly detection algorithm based on this, as well as the design of the detection system.This topic in the study, the use of detection system using image segmentation, grayscale processing, denoising and edge detection processing algorithm to deal with texture images were collected and quantified, the operation is abnormal and abnormal types are obtained. In terms of detection system of registration, using the Matlab simulation environment, based on sampling wavelet transform algorithm are simulated, such as success out of the abnormal type of exception and statistics.Keywords:Textile texture; Anomaly detection. Image segmentation; Gray; Wavelet transform; Matlab第一章绪论1.1课题研究的背景及意义:纺织品质料的把控,占据织造行业中特别重要的地位。

基于纹理周期性分析的织物疵点检测方法

基于纹理周期性分析的织物疵点检测方法

基于纹理周期性分析的织物疵点检测方法祝双武;郝重阳【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)021【摘要】根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法.通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点.%To begin with an important visual feature of texture, such as periodicity, a new approach is proposed for fabric defect detection based on texture periodicity analysis according to feature of fabric texture image. By different fabric defect images detection experiments, this approach is proved to enjoy the good features of reliability and validity to detect fabric defects and to be able to detect more kinds of fabric defect.【总页数】4页(P163-166)【作者】祝双武;郝重阳【作者单位】西安工程大学纺织与材料学院,西安710048;西北工业大学电子信息学院,西安710072【正文语种】中文【中图分类】TP391【相关文献】1.基于显著纹理特征的织物疵点检测方法 [J], 石美红;张正;郭仙草;陈永当2.一种基于纹理方向性分析的织物疵点检测方法 [J], 祝双武;郝重阳3.基于纹理边缘周期性与局部方向性的织物疵点检测 [J], 吴宁;管声启;徐帅华4.基于纹理结构分析的织物疵点检测方法 [J], 祝双武;郝重阳;李鹏阳;齐华5.基于小波分析与纹理能量变换的织物疵点检测 [J], 王学文;邓中民;严平因版权原因,仅展示原文概要,查看原文内容请购买。

织物疵点粗定位及其检测算法的研究的开题报告

织物疵点粗定位及其检测算法的研究的开题报告

织物疵点粗定位及其检测算法的研究的开题报告一、选题背景纺织品是日常生活中必不可少的物品,如衣着、床上用品等。

然而在制作过程中,由于不可避免的原因,常常会出现一些疵点。

这些疵点不但影响美观,而且降低了纺织品的质量和使用寿命。

因此,疵点检测技术在纺织品生产过程中具有重要意义。

现有的疵点检测方法的问题在于大多只能检测出疵点的存在,而无法从定位和类型上进行准确判断,这就给质检带来了一定的困难。

因此,本课题旨在研究一种织物疵点粗定位及其检测算法,为织物生产提供更有效的质量检查手段。

二、选题意义本课题的研究对于提高纺织品生产的质量、降低不良率具有重要意义。

通过疵点的精确定位和类型检测,可以有效地维护产品的良好质量,提高生产效率,降低生产成本。

三、研究内容本课题将研究织物疵点的粗定位和类型检测算法,具体包括以下几个方面:1. 绪论介绍本课题的研究背景、意义和目的,以及现有相关研究的不足之处。

2. 织物疵点的特征分析和预处理分析织物疵点的不同类型及其特征,通过预处理对织物图像进行增强和分割,为后续步骤做好准备。

3. 织物疵点的粗定位通过借鉴目标检测的技术,将织物图像中的疵点进行定位。

考虑到织物图像中疵点数量较多且分布不均匀的情况,应该选择适合大规模图像处理的算法。

4. 织物疵点的类型检测针对疵点不同的类型,采用不同的特征描述方法和分类模型,对织物图像中的疵点进行分类识别。

该步骤的目的是进一步提高疵点检测的精度和可靠性。

5. 实验结果分析在现有的数据集上进行实验,对算法的精度和效率进行评估分析。

四、研究方法本课题的研究方法主要包括以下几个方面:1. 理论研究对织物疵点的特征和检测算法进行全面深入的理论分析和研究。

2. 算法设计针对目标疵点检测和分类识别的不同需求,设计适合该任务的算法,包括图像处理和机器学习等方法。

3. 实验评估在现有的数据集上进行实验评估,对算法的性能进行测试和比较分析,不断优化和改进算法。

五、预期成果本课题预期达到以下目标:1. 研制出一种织物疵点粗定位及其检测算法。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

用 Ga b o r 滤 波 器 组 来 进 行 疵 点 检 测[ 7 ] , C h a n C 利 用
F o u r i e r 分析 对 几 类 简 单 织 物 进 行 疵 点 检 测 ] , Ng a n H Y T等 利用 小 波 变换 对 有 花纹 的织 物 疵 点 进 行 检 测[ 9 ] , 该方 法被认 为是 织物 疵点 检测 的有效 、 可靠 的方 法, 因为 它适 合 分 析 局 部 特 征口 。然 而 , 这 些 方 法 只 能 分析几 种特 定疵 点 , 且 缺乏 灵活性 , 计算 较复 杂 。 疵点 检测 方法 由纹理 分 割 和 识别 两 个 过 程 组成 ,
织 物疵 点 的检测可 以分 为基 于统计 的织 物疵点 检 测 方法 、 基 于模 型的织 物疵点 检测 方法 、 基 于时频谱 分 析 的织 物疵 点检 测方法 等 。基于 统计 的织物 疵点检 测
是 利用 纹理 分析技 术 进行 疵点 检 测 的 方法 , 通 过 对 织 物纹理 的分 析可 以获 取相 应 的纹理 特 征 ( 在提 取 灰 度 纹理特 征 时可 以利 用灰 度 共 生 矩 阵[ 2 ] 、 子块 的均 值 和
收 稿 日期 : 2 0 1 3 —1 1 —2 7
基金项 目: 国家 自然 科 学 基 金 项 目 ( 6 1 3 7 9 1 1 3 ) ; 河 南 省 基 础 与 前 沿 技 术 研 究 计 划 项 目( 1 3 2 3 0 O 4 1 O 1 6 3 ) 作者简介 : 刘洲 峰( 1 9 6 2 一) , 男, 河 南 新 乡人 , 教授 , 博 士。
理 由一 些基 本 的纹理 基 元 按 照周 期 性 规则 构 成 , 纹 理
基元 的周期 性有 利 于 疵 点检 测 。例 如 Ku ma r A 等 利
称 为搜 索窗 S ) 内其 他像 素 灰 度 的 相 似性 , 则 可 以得
到像素 i 的邻域 相 似 性 , 那 么 纹 理 图像 中 的 高冗 余 性
基 于 纹 理 结 构 异 常 的 织 物疵 点 检 测算 法研 究
刘 洲峰 , 赵 全 军 ,李春 雷 , 董 燕 ,闫 磊
( 中原 工 学院 ,郑 州 4 5 0 0 0 7 )

要 : 提 出 了一 种 基 于 织 物 纹 理结 构异 常 的织 物 疵 点 检 测 算 法 。首 先 计 算 代 表 正 常 纹 理 的 主 邻 域 结 , 故 可 以通 过织 物 纹 理 结 构
方差[ 3 ] 、 子 块 的互 相 关 函数_ 4 ] 和 K— L变 换 [ 5 ] ) , 利 用
此 特征 来检 测疵 点 区域 ; 基 于模 型 的织 物 疵点 检 测 方
特 征 的异 常信 息判 断 疵 点 的位 置 。基 于 此 , 本 文 提 出
比较每个像 素的邻域结构 图与 主邻域结构 图的差异来定义该像素的显著性 , 进而得到显著 图; 最后采用迭代 最优阈值分
割 方法 对 显 著 图进 行 分 割 得 到 疵 点 区域 。试 验 证 明 , 该算法操作简单 、 计算 速 度 快 、 鲁棒性强 , 具 有 较 强 的 自适 应 性 。 关 键 词: 织物 疵 点 ; 疵 点检 测 ; 纹理结构 ; 阚值 分 割
文 献标 志码 : A D OI : 1 0 . 3 9 6 9 / j . i s s n . 1 6 7 1 —6 9 0 6 . 2 0 1 4 . 0 3 . 0 0 6
中 图分 类 号 : T M6 1 5
在 纺织 工业 生产 中 , 疵 点 检测 是 质 量 控 制 的关 键 环节 。据统 计 , 二等布 匹 的价格 是 一 等布 匹 的 4 5 %~
第2 5 卷第 3 期
2 0 1 4年 6月
中 原工 学 院 学报
J OURNAL OF ZHONGYUAN U NI VERS I TY 0F TECHN0L 0GY
Vo 1 . 2 5 No . 3
J u n ., 2 0 1 4
文章编号 : 1 6 7 1 —6 9 0 6 ( 2 0 1 4 ) 0 3 —0 0 2 2 —0 4
之 所 以能 检测 出疵 点位置 是 由于织 物 中疵点处 的纹 理
结 构与正 常织 物不 同 。正 常织 物 的纹理结 构是 按一 定 规 律排列 的 , 像 素之 间表 现 出高 的相 似性 , 而疵 点会 破
坏 这种规 律性 , 导致 纹理结 构 的异常 , 且 疵 点 的 灰 度 与
h e n F S等 [ 6 利用 高斯 马尔 科 夫 随机 场 模 型来 描 述 织
物纹理 , 织 物疵点 检测 过 程 则 可 以看 作 是来 自该 模 型 统计 数 据 中 的假设 —— 检验 问题 ; 基 于 时频 谱分 析 的 织物疵 点检 测方 法主要 是针 对具 有均匀 纹理 的织 物 图 像进行 疵点 检测 的 , 将 织物 图像变 换 到频域 时 , 织 物纹
6 5 。然 而 , 目前 疵点 检测 主要依 靠人 工检测 , 这是 一
项繁重 和重 复 的工 作 。 由于 长时 间 工 作 , 工人 出现 错
误不 可 避 免 , 而 且 只 能检 测 出 主要 疵 点 的 6 O ~
7 5 [ 1 ]

因此 , 织 物疵点 的 自动检测 是一 个研究 热 点 。
了一种基 于纹 理结 构异 常的织 物疵点 检测 算法 。
法 是将 纹理 建模看 成 一个 随机 过 程 , 纹 理 图像 则 可 以 看 成在 图像 空间 上 由这 个 随机 过 程 产 生 的样 本 。C o —
1 邻域结构 图
为 了充分 利用 具有 大量重 复模式 的纹 理 图像 中的 高冗 余性 , 本研 究 提取 了织 物 纹 理 的全 局 特 征 。通 常 情 况下 , 冗 余 性越 高意 味 着 不 同像 素 之 间 的 灰度 越 相 似 。如果 比较给定 像 素 i 与 其 局 部 邻域 ( 该 局 部 邻 域
相关文档
最新文档