基于机器学习的织物疵点检测

发布时间：2021-12-31 03:06

　　针对织物疵点自动检测的问题,选用破洞、稀纬、断经、结头、棉球、沾色、带纱等7种织物疵点类型,运用决策树、随机森林、支持向量机算法来对疵点数据训练,建立分类模型。选择了不同纹理和疵点类型共计4 000幅织物图像作为训练和测试对象,交叉验证结果表明,随机森林模型效果最佳,模型准确率达97.92%。 

【文章来源】：纺织科技进展. 2020,(10)

【文章页数】：6 页

【部分图文】：

决策树模型

紫色点的标签为1，红色点的标签为-1。在这个数据集上寻找一个决策边界，在二维平面上，决策边界（超平面）就是一条直线。紫色点所代表的标签y是1，所以规定P>0，红色点表示的标签y是-1。图3 样本可视化（2)

图2 样本可视化（1)平行于决策边界的2条线的表达式：w×x+b=1,w×x+b=-1。表达式两边的1和-1分别表示了2条平行于决策边界的虚线到决策边界的相对距离。此时，让这2条线分别过2类数据中距离决策边界最近的点，这些点就被称为“支持向量”[6]。如图3、图4所示。

【参考文献】：
期刊论文
[1]基于交叉验证的模型选择中投票和平均方法的对照[J]. 侯利君.  数学的实践与认识. 2019(09)
[2]基于灰度梯度共生矩阵和SVDD的织物疵点检测[J]. 王孟涛,李岳阳,杜帅,蒋高明,罗海驰.  丝绸. 2018(12)
[3]纹理织物疵点窗口跳步形态学法检测[J]. 何峰,周亚同,赵翔宇,刘猛,张忠伟.  纺织学报. 2017(10)
[4]基于稀疏编码字典学习的疵点检测[J]. 刘绥美,李鹏飞,张蕾,张宏伟,张缓缓,景军锋.  西安工程大学学报. 2015(05)
[5]我国纺织品检测技术发展现状[J]. 陈巧仙.  纺织科技进展. 2013(04)
[6]图像纹理特征提取方法综述[J]. 刘丽,匡纲要.  中国图象图形学报. 2009(04)
[7]基于PSO-BP神经网络的织物疵点分类方法[J]. 刘素一,刘晶璟,章乐多.  毛纺科技. 2008(10)
[8]基于随机森林的文本分类模型研究[J]. 张华伟,王明文,甘丽新.  山东大学学报(理学版). 2006(03)

博士论文
[1]基于机器视觉的布匹疵点检测系统研究[D]. 毕明德.华中科技大学 2012

硕士论文
[1]模型决策树方法研究[D]. 尹儒.山西大学 2019
[2]织物疵点检测的若干问题研究[D]. 侯璇.武汉纺织大学 2019
[3]基于机器视觉的布匹疵点检测系统的设计与实现[D]. 田猛.电子科技大学 2019



本文编号：3559504