色织物表面缺陷检测算法研究

发布时间：2020-08-27 19:03

【摘要】：色织物缺陷检测是纺织品制造中质量控制的核心。然而,传统的人工检测方法存在误检率高、检测速度慢及劳动强度大等缺点,且检测结果易受到主观因素和外界环境的影响。由于色织物缺陷种类繁多,现有的检测算法难以满足准确性和普适性的要求。本课题将色织物缺陷检测算法作为主要研究内容,以算法的准确性和普适性为目标。具体工作如下:(1)针对图案织物缺陷检测问题,采用LBP和HOG特征相结合的检测算法。首先,对图案织物进行直方图均衡化处理,使图像的灰度值分布均匀并增强图像细节。均衡化后的图像通过距离匹配函数被分解为多个重复单元,提取LBP和HOG特征并使用PCA降维。其次,通过带有类别标签的重复单元特征来训练支持向量机。最后,利用训练好的分类器依次判断织物图像中的重复单元是否存在缺陷,并输出重复单元在织物图像上的位置,实现图案织物缺陷检测。(2)针对小样本下色织物缺陷检测问题,采用基于卷积神经网络的织物缺陷检测算法。为达到同时检测和定位缺陷的目的,在训练阶段将图像分解后的局部块作为训练样本,测试阶段对原始织物图像按其周期依次检测。首先,采用MNIST数据集预训练网络模型并保存训练后的模型参数,将其作为训练织物局部块的初始化参数。然后,采用自相关函数将原始图像分解为局部块并标记相应的类别构造新的数据集,加载预训练模型采用迁移学习的方法进行参数微调,以此来加速和优化学习效率。最后,利用训练好的模型在原始图像上滑动来检测每个局部块的缺陷,并获得缺陷的位置。(3)针对净色布和图案织物缺陷检测问题,采用基于非下采样轮廓波变换和广义高斯混合模型的织物缺陷检测方法。首先预设检测窗口大小,采用非下采样轮廓波变换提取每个窗口中的特征。然后使用广义高斯混合模型对非下采样轮廓波系数特征进行建模。最后选择无缺陷的子块作为模板,计算模板与待检测子块的广义高斯混合模型之间的相对熵,通过阈值实现缺陷检测。本文图35幅,表8个,参考文献93篇。
【学位授予单位】：西安工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TS107;TP391.41;TP183
【图文】：

(a) 织物图像 (b) 根据周期划分 (c) 最小重复单元图 2-2 图案织物和最小重复单元物局部图像的 LBP 特征始 LBP 特征jala 提出局部二值模式（LBP）描述图像局部的纹理特征，具有旋转不性和对光照不明感等显著的优点[79]。原始的 LBP 算子定义为：在 3×窗口中心像素为阈值，将相邻的 8 个像素的灰度值与其进行比较，若中心像素值，则该像素点的位置被标记为 1，否则为 0，再顺时针方并将八位二进制数作为响应。3×3 邻域内的 8 个点经比较可产生 8 位转换为十进制数即 LBP 码，共 256 种），即得到该窗口中心像素点的 值来反映该区域的纹理信息，LBP 算法的基本思想如图 2-3 所示。二进制：00010011十进制：191 4 38 5 76 3 1阈值0 0 01 11 0 0

(a) 毛羽 (b) 结头 (c) 油污 (d) 断经 (e) 划痕 (f) 破洞图 2-7 部分坯布图像缺陷检测结果(a) 异物 (b) 异物 (c) 断经 (d) 断经 (e) 异物 (f) 异物图 2-8 部分格子布和条纹布图像缺陷检测结果

(a) 异物 (b) 异物 (c) 断经 (d) 断经 (e) 异物 (f) 异物图 2-8 部分格子布和条纹布图像缺陷检测结果(a) 带纱 (b) 污渍 (c) 带纱 (d) 结头 (e) 带纱 (f) 破洞图 2-9 部分圆点、方格和星星织物的缺陷检测结果

【相似文献】

相关期刊论文 前10条

1 张昱;张健;;模糊专家系统在TFT-LCD缺陷检测中的应用[J];光电子·激光;2006年06期

2 吴明复;纤维增强复合材料的应用及其缺陷检测[J];航天工艺;1988年01期

3 张兴森;边美华;梁庆国;卢展强;;基于涡流检测的电力线夹缺陷检测与分类方法[J];中国科技论文;2017年04期

4 张国强;张晓;隋文涛;;基于敲击信号的刹车片内部缺陷检测[J];组合机床与自动化加工技术;2017年10期

5 包正林;;有关阀门缺陷检测方法的分析[J];科技创业家;2013年22期

6 黄艳红;高晓蓉;杜路泉;;光纤光栅传感器在桥梁缺陷检测和结构健康监测中的应用[J];铁道技术监督;2007年11期

7 马少林;用于全寿命风险管理的缺陷检测和预防技术研究[J];航空兵器;2005年02期

8 苏若;吴际;刘超;杨海燕;;基于多视角卡牌模型的需求缺陷检测[J];计算机科学;2018年10期

9 顾杰;肖辽;马军山;;机器视觉在TFT-LCD暗画面缺陷检测中的应用[J];光学仪器;2017年03期

10 李羽可;涂君;宋小春;;超声相控阵缺陷检测聚焦技术仿真分析[J];测控技术;2016年07期

相关会议论文 前10条

1 赵涟漪;许宝杰;童亮;;在线玻璃缺陷检测系统的研究[A];机械动力学理论及其应用[C];2011年

2 王彩霞;何文华;杨威;;基于图像分割的包装缺陷检测分析[A];2012年陕西省焊接学术交流会论文集[C];2012年

3 赵鸿雁;李超;江玉杰;葛亚萍;侯沛东;;图像增强算法在印刷缺陷检测中的应用研究[A];2015第四届中国印刷与包装学术会议论文摘要集[C];2015年

4 唐辉;万来毅;吴晓鹏;;铸坯表面质量缺陷检测系统的算法研究[A];全国冶金自动化信息网2011年年会论文集[C];2011年

5 于景兰;于健;翁昌年;;探地雷达在桥梁缺陷检测中的应用初探[A];中国地球物理第二十一届年会论文集[C];2005年

6 裴翠祥;陈振茂;刘皓晨;邱金星;;激光诱发热波及超声波在材料表面和内部缺陷检测中的应用研究[A];中国力学大会-2015论文摘要集[C];2015年

7 蔡茂蓉;;PCB缺陷检测系统的研究与实现[A];第三届全国软件测试会议与移动计算、栅格、智能化高级论坛论文集[C];2009年

8 朱尔玉;张文辉;刘福胜;杨威;;混凝土灌注桩缺陷检测及施工质量评估[A];工程安全及耐久性——中国土木工程学会第九届年会论文集[C];2000年

9 薛仁杰;王晓晨;杨荃;董峰;张彦杰;;基于激光超声技术的金属板带缺陷检测研究[A];2018年全国固体力学学术会议摘要集（下）[C];2018年

10 胡达明;;红外热像仪在建筑节能工程质量缺陷检测中的应用研究[A];2009年福建省暖通空调制冷学术年会论文资料集[C];2009年

相关重要报纸文章 前7条

1 ;圆棒表面微小缺陷检测技术[N];世界金属导报;2017年

2 ;智能化：传统企业要行动[N];第一财经日报;2017年

3 本报记者 宋利彩;加快新技术在出生缺陷检测中的转化[N];中国妇女报;2014年

4 记者 胡拥军　通讯员 朱其康 张根华;管道缺陷检测不再“脱外衣”[N];中国石化报;2010年

5 ;英特尔OpenVINO~(TM)助推工业质检智能化[N];中国信息化周报;2019年

6 薛守仁;防范基因歧视[N];科技日报;2001年

7 本报记者 滕继濮;油气命脉里的“机器医生”[N];科技日报;2013年

相关博士学位论文 前10条

1 艾矫燕;基于计算机视觉的墙地砖颜色分类和缺陷检测研究[D];华南理工大学;2003年

2 张昱;基于机器视觉的TFT-LCD屏mura缺陷检测技术研究[D];哈尔滨工业大学;2006年

3 彭艳华;基于激光散斑的轮胎制造内部缺陷检测与疲劳寿命预估[D];华南理工大学;2017年

4 陆向宁;基于主动红外热成像的倒装焊缺陷检测方法研究[D];华中科技大学;2012年

5 陈志彦;并行谱域光学相干层析成像系统的研制与应用研究[D];浙江大学;2017年

6 陆宁;基于主动红外热成像的倒装焊缺陷检测方法研究[D];华中科技大学;2012年

7 赵云山;基于符号分析的静态缺陷检测技术研究[D];北京邮电大学;2012年

8 何健鹏;面向钢板缺陷检测的电磁超声兰姆波换能器研究[D];北京科技大学;2018年

9 崔克彬;基于图像的绝缘子缺陷检测中若干关键技术研究[D];华北电力大学(北京);2016年

10 康维新;基于小波和支持向量机的桩基缺陷检测技术研究[D];哈尔滨工业大学;2010年

相关硕士学位论文 前10条

1 徐雁冰;基于机器视觉的卡口式车灯外观缺陷检测系统研究[D];湘潭大学;2019年

2 韩慧;基于深度学习的工业缺陷检测方法研究[D];重庆邮电大学;2019年

3 杨洋;基于机器视觉的汽车保险盒内孔缺陷检测系统研究[D];南京航空航天大学;2019年

4 郭毅强;晶圆表面缺陷视觉检测研究[D];哈尔滨工业大学;2019年

5 顾小东;基于深度学习的小样本图像缺陷检测方法研究[D];哈尔滨工业大学;2019年

6 宋柯;基于图像的墙纸缺陷检测与识别方法研究及实现[D];西华大学;2019年

7 马浩;色织物表面缺陷检测算法研究[D];西安工程大学;2019年

8 郭根;基于机器视觉的丝饼外观缺陷检测系统设计[D];西安工程大学;2019年

9 殷鹏;基于迁移学习的织物布面缺陷检测研究[D];西安工程大学;2019年

10 刘娆;卷积神经网络在纺织品缺陷检测中的应用研究[D];西安工程大学;2019年

本文编号：2806497