基于机器视觉的衬布缺陷检测系统研究

发布时间：2020-04-17 02:59

【摘要】：衬布是布料的核心,衬布缺陷检测的质量优劣直接关系到布料的质量等级。传统衬布缺陷检测是利用人工在衬布打卷时观察衬布是否存在缺陷,此方法不仅效率低下而且不能保证质量。为了克服衬布缺陷检测的不足,本文通过机器视觉方法对缺陷进行检测,通过机器学习算法对缺陷种类进行分类。首先,为了能和传统的卷布机进行整合,且不改变原机器结构,本文设计了一套机器视觉硬件采集平台。根据实际要求,本文选取了合适的硬件设备,搭建了一套针对衬布缺陷的视觉系统。其次,对衬布缺陷特征进行检测,本文对已有的三种算法进行了改进,基于多尺度均值快速判断缺陷、基于灰度共生矩阵的缺陷检测、基于Gabor通道融合缺陷检测。其中基于多尺度均值快速判断缺陷,由于缺陷区域会破坏布匹纹理的分布,利用统计衬布均值特征,再分析不同尺度上的均值统计,利用统计得出缺陷的概率做出判断。此方法不仅加速检测效率且减轻后续缺陷提取的难度。基于灰度共生矩阵的缺陷特征提取,首先将衬布图像量化到16级灰度范围,然后计算量化图像上的0°、45°、90°、180°这四个方向上的灰度共生矩阵特征值,其中灰度共生矩阵计算四个设计特征,即对比度CON、能量(二阶矩)ASM、熵ENT、逆差矩HOMO,本文通过实验得到最终的效果图明显。基于Gabor通道融合缺陷特征提取,Gabor滤波器对纹理特别敏感,同时Gabor的不同尺度、不同角度对不同的缺陷有着不同的敏感程度,本文改进了一种基于多通道融合的Gabor对衬布缺陷进行提取,使用算法自动选择合适的参数。通过对比三种算法进行使用。再次,对衬布缺陷特征进行分类,本文对已有的两种算法进行对比,即基于SVM支持向量机和BP神经网络。本文结合前人的经验和缺陷提取经验,改进并设计了7个缺陷特征进行训练,即长度、宽度、占空比、能量、熵、对比度、相关性。其中BP神经网络相对于SVM支持向量机较弱,SVM支持向量机分类六种缺陷平均正确率达到90.67%。最后,对衬布缺陷检测设计一套UI界面方便工人实施检测,平台基于OPENCV3.0和QT5.7.0,主要包括衬布缺陷采集、检测、分类、查询等模块。根据本文的研究内容和当前衬布缺陷检测发展现状,本文提出的衬布缺陷检测流程,能够解决现实生活衬布缺陷检测的部分难题,为衬布生产自动化提供重要促进作用。
【图文】：

衬布,制作流程

起到加弹、扩充、补实等作用，与形形色色的面料结合形成衣物。做个简单的比喻：我们都知道上海的“环球金融中心”非常漂亮而且壮观，而它就是靠砖瓦和钢筋混凝土等构造起来，然后辅以灯光等的装饰才变得这样，衬布就相当于大楼的钢筋混凝土，我们看见形形色色的服装就是当今的“环球金融中心”。美丽的服装以衬布作为其核心骨架，一件质量高的衬布就是一件服装的精髓，特别是现代衬布[1]的广泛使用，，使得衣服的设计和制造工艺[2]达到意想不到的效果。衬布的制作流程包括六个方面，如图 1-1 所示。(a) 原料 (b) 加弹 (c) 织布

衬布,照明方式

多个同轴光源进行组合检测。同轴光源的光照范围和中间介质有关，同时和放光区域也有关系，安装较为复杂，目前市场上同轴光源的发光区域一般为 100mm×100mm 左右，如图 2-2(e)所示。对比以上五种方案的优劣势，在不同的应用场景，应该对照明方案进行合理地分析选择并使用。本文的待测物体为斜面上转动的衬布，所以漫射照明不能适应线阵相机对图像的采集需要，同时由于布匹的范围较广且相机距离布匹较远，而漫射照明的距离有限，会导致采集的图片较暗，不利于后期的缺陷处理。由于衬布较薄，使用背光照明很可能难以拍摄出缺陷，导致后期检测失败，且本文采用的视觉组件应尽量在不破坏机器的前提下进行，所以背光灯的安装非常不利，针对以上两个原因背光灯不做选择。通过对比试验结果，本文采用暗场照明方式，由以上的分析可知，暗场照明能够增强目标物体的纹理特征、凹凸处、缺口等，因此常被应用于表面有纹理变化或凹凸的情况，而衬布的缺陷检测需要用到纹理等特性，所以采用此方法。照明方案如图 2-3(a)所示，拍摄的衬布图像如图 2-3(b)所示。
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TS107

【相似文献】