基于机器学习的染色物色差等级分类研究

发布时间：2021-11-05 00:56

　　随着产品质量意识的提高,与颜色质量相关的各行各业对高精确的颜色质量成为了一种必要性。尤其是纺织印染领域,印染成品的颜色质量成为企业在市场的一种强势竞争力,故纺织印染企业将高颜色质量作为一个必不可少的性能指标。纺织印染企业最开始的色差检测系统就是靠经验丰富的人工来检测,人工检测没有固定的标准且人的眼睛易疲劳,所以存在很大的主观意识,同时人工检测的效率低下。随着人工智能和互联网的快速发展,将包含机器学习的智能色差检测系统代替人工进行印染品的色差检测成为了色差检测的必要趋势。故本文针对色差检测及色差检测涉及的光照估计存在的关键问题进行研究并使用机器学习去解决问题,致力于构建高精度、高稳定的色差检测模型和光照估计模型。论文的主要的研究内容和成果如下:为了解决色差检测中存在的光照问题,其中,主要包括同等标准光源下不均匀光照的色差评价问题和不同标准光源条件下的色差评价问题。本文提出了正则化的随机向量功能连接（RVFL）染色物光照估计算法（RRVFL）。由于标准的RVFL的输出权重存在病态解。所以采用正则化去解决这个问题,这样构成了鲁棒性高的正则化RVFL染色物光照估计模型。首先通过使用Gray-E... 

【文章来源】：浙江理工大学浙江省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图２．１图像采集流程图??（１）如图２．１所示，使用ＢＮＣ视频连接器输出标准ＰＡＬ视频信号的ＳＯＮＹＳＳＣ－ＤＣ３９８Ｐ彩??

浙江理工大学硕士学位论文??基于机器学习的染色物色差等级分类研宄??图２．２到图２．５分别表示待处理的图像、中值滤波的效果图、邻域平均法的效果图、高??斯滤波的效果图，从各图的效果分析来看，邻域平均法处理完的图像的边缘留下了黑框，??留下黑框的原因是边缘附近的高频信息污染了图像的边缘。中值滤波处理完的图像的四角??产生了凸点。但是高斯滤波处理完的图像就不存在以上问题，它的边缘信息保护的很好。??故本文的色差等级分类中所用的样本图像采用高斯滤波更加合适，因此，本文以下的样本??图像都将采用高斯滤波进行图像的预处理操作。??２．３色差公式的选择??在色差检测系统中，色差公式的选择很重要，对于不同的色彩空间有不同的色差公式。??为了更好地评估色差并满足人们的视觉感知，因此选择适合其行业的色差公式非常重要。??目前，色差计算公式主要是基于ＣＩＥＬＡＢ色彩空间的ＣＩＥＬＡＢ公式和其他一些相关的ＣＭＣ、??ＣｆｆｉＤＥ２０００［３７＾式等。本文分别使用ＣＩＥＬＡＢ，?ＣＭＣ，?ＣＩＥＤＥ２０００公式计算色差，对色??差的计算有一些简单的分析。??如图２．６所示，在相同的照明条件下，拍摄了没有视觉色差的两帧（ａ，ｂ）和具有视觉??色差的一帧（ｃ），如图２．６所示。使用没有视觉色差的一幅图像作为参考图像，三个色差??公式用于计算其他无视觉色差的帧图像与参考图像之间的色差。然后，如表２．１所示，获??得基于可以计算平均值和方差的像素点的色差数据集。然后，计算具有视觉色差的一帧图??像与参考图像之间的色差。获得另一个基于像素点的色差数据集。表２．２列出了计算出的??平均值和方差。??Ｐ國，??ａ?ｂ?ｃ??图２．６在色差公式

浙江理工大学硕士学位论文?基于机器学习的染色物色差等级分类研究??＜■?；？）＾－？＃?１?＜：＂＇＊－：？?？?－ｒｒ，ｖ？?？？＇？？?：??ｆ??■１＾＾｜截?＿酬??麵＿＿，＿：攀纖響：．??ｇ??图２．７不同颜色的样本图像??表２Ｊ?Ｃ１ＥＤＥ２０００公式和Ｄａｔａｃｏｌｏｒ?６５０色差仪的测量结果??Ｇｒｏｕｐ?ＣＩＥＤＥ２０００?Ｄａｔａｃｏｌｏｒ?６５０??ａ?０．３７９?０．２５５??ｂ?１．６７５?２．１６７??ｃ?１．４７４?１．４３９??ｄ?１．４４１?１．４１０??ｅ?Ｌ９４７?１．９９０??ｆ?０．０１８６?０．０８２７??ｇ?０．７６１９?０．７８４３??综上两个对比实验得出：考虑到ＣＩＥＤＥ２０００、ＣｆｆｉＬＡＢ、ＣＭＣ三种公式在计算色差??的整体表现和ＣＩＤＥ２０００与色差仪Ｄａｔａｃｏｌｏｒ?６５０测量结果差距，并且在对现有色差模型??和视觉评估数据进行分析和整合的基础上，本文最后选择了?ＣＩＥＤＥ２０００色差公式来计算??１３??

【参考文献】：
硕士论文
[1]基于DSP的染色品色差检测系统的研究与设计[D]. 吴小亮.浙江理工大学 2016
[2]基于机器视觉的染色品色差检测系统的关键技术研究[D]. 常卫.浙江理工大学 2012



本文编号：3476749