基于LTP和GLCM的布匹瑕疵检测方法的研究及其应用

发布时间：2020-10-26 16:12

　　 针对中小企业在箱包制造领域对布匹瑕疵检测仍然采用人工方式,存在检测效率低,成本高,劳动强度大等问题,本文致力于研究一种满足这些企业需求的基于机器视觉方法的布匹瑕疵检测方法,建立了基于LTP+GLCM的布匹瑕疵检测模型,提出了基于LTP+GLCM特征提取方法和瑕疵检测方法,所提出的针对箱包领域中小企业需要的布匹瑕疵检测方法经过真实数据的测试,达到了可以实用的程度。本文主要研究内容和特色如下:(1)在对基于LBP、LTP和GLCM来提取布匹纹理特征和基于这些特征进行布匹瑕疵检测进行了较深入研究的基础上,提出融合LTP特征和GLCM特征的新的特征提取方法。该方法能够有效且快速的提取布匹的纹理特征,对有瑕疵的纹理和正常部位的纹理,该算法能在提取的特征上进行有效区别。(2)建立了基于LTP+GLCM进行布匹图像瑕疵检测模型,设计了相应的实现算法,包括图像预处理方法、LTP(LBP)特征图构建算法、基于LTP(LBP)特征图的模式级别变换和分块处理算法、基于区块进行GLCM特征提取算法,以及对待检测布匹图像进行样本相似度匹配和瑕疵检测算法等。(3)对提出的布匹检测方法进行较全面的对比测试和结果分析,包括在不同布匹图像样本、不同布匹图像分辨率、不同布匹图像尺度、不同个数的瑕疵等场景下进行测试和结果分析。另外,针对本文所提出的方法在不同区块大小和不同模式级别下进行了对比测试。通过这些测试验证了所提出方法的有效性和稳定性。(4)基于本文所提出的布匹瑕疵检测方法,设计并实现一个验证用的演示系统,包括系统的需求分析、概要设计、详细设计和编码实现等环节。通过所设计和实现的演示系统进一步验证了本文提出方法的可应用性。论文最后给出了本文所做的主要工作和存在的问题及后续研究的方向。
【学位单位】：南昌大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F426.8;TP391.41
【部分图文】：

LBP（Local binary patterns，局部二值模式）算法是机器视觉领域中用于描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点。它首先由 T.Ojala, M.Pietik inen,和 D. Harwood 在 1994 年提出[23-24]。LBP 是一个效果出众且简单的提取局部纹理特征方法，它将各个点的像素与该点附近领域内的像素相比较，并把比较结果保存为一组二进制数将原始图像转换为 LBP 图，然后对 LBP 图进行统计得到一个以向量形式的直方图来表示原始的图像。LBP计算简单且对如光照变化等环境因素造成的图像灰度变化具有鲁棒性，仍能稳定的提取出图像的纹理特征，这使得局部二值模式被广泛的应用于图像分类各领域[25-27]。原始的 LBP 算子定义为：在 3*3 的窗口内，以窗口中心像素的灰度值为阈值，将其周围的 8 个像素的灰度值按顺时针方向与阈值进行比较，若周围像素的灰度值大于中心像素，则该像素点的位置被标记为 1，否则为 0。这样 3*3 邻域内的8个点经比较可得到一组8位二进制数（通常转换为十进制数即 LBP码，共有 256 种可能性组合），即得到该窗口中心像素点的 LBP 值，并用这个值来反映该区域的纹理信息[28]。LBP 原理示意图如图 2.1 所示：

改进后的LBP 算子可在圆形领域内取任意多个像素点，可适应不同尺度的纹理特征。图2.2 给出了四种扩展后的 LBP 例子，其中，R 可取任意的值（可以为整数或小数），对于没有落到整数位置的点，根据轨道内离其最近的两个整数位置像素灰度值，利用双线性插值的方法可以计算它的灰度值[30]。图 2.2 圆形 LBP 特征对于半径为 R 的含有 P 个采样点的圆形区域， ( )算子可得到有 p^2种二进制模型。显然，随着领域的扩大采样点的增多，二进制模式的种类将会

图 3.2 LTP 原理图这么做的目的是将在中心点像素的 t 范围内的点量化为 0，从而消除噪声、光照等因素对图像特征提取的影响。3.1.3 LTP 特征图的模式级别变换和区块分割处理原始彩色图片经过预处理、提取 LTP（包括 LBP）特征形成 LTP（包括 LBP）特征图后，需要对形成的 LTP（包括 LBP）特征图进行进一步的处理，包括对LTP（包括 LBP）特征图的模式级别变换和区块分割处理两个环节，以便于下一步的提取 GLCM 特征。处理 LTP（包括 LBP）特征图的第一个步骤是模式级别变换，经过提取的LTP（包括 LBP）特征图的模式范围为 0-255。对于提取 GLCM 特征而言，这意味着提取特征时需要计算的矩阵大小为 256*256，计算量过大，对于工业生产而言效率过于低下，故而此处将 256 模式进行下级操作，将一个 256 范围的模式级别降维为 16 个等级的模式。本文对模式级别进行变换处理的方式就是将提取
【相似文献】

相关期刊论文 前10条

1 董蓉;李勃;徐晨;;应用积分图的织物瑕疵检测快速算法[J];纺织学报;2016年11期

2 荆辰未;李启顺;朱玉全;;基于改进视觉显著性的布匹瑕疵检测方法[J];信息技术;2017年09期

3 叶鉴霆;朱秋平;范赐恩;;基于稀疏编码投影特征的布匹瑕疵检测[J];科学技术与工程;2014年33期

4 任文杰;李磊;;改进型快速分群算法在偏光板瑕疵检测中的应用[J];机床与液压;2019年16期

5 毛兆华;汪军;周建;卜佳仙;陈霞;李立轻;;应用非负字典学习的机织物瑕疵检测算法[J];纺织学报;2016年03期

6 孟曼;韦庆玥;;基于LabVIEW的玻璃瑕疵检测系统研究[J];计量与测试技术;2018年11期

7 纪旋;梁久祯;侯振杰;常兴治;刘威;;基于模板校正与低秩分解的纺织品瑕疵检测方法[J];模式识别与人工智能;2019年03期

8 田承泰;步红刚;汪军;陈霞;;基于时间序列分形特征的织物瑕疵检测[J];纺织学报;2010年05期

9 张龙剑;张卓;范赐恩;邓德祥;;基于稀疏编码的双尺度布匹瑕疵检测[J];计算机应用;2014年10期

10 刘洪波;吴敏渊;邹炼;平蕾;何炜;;基于TMS320C6678的布匹瑕疵检测算法的并行实现[J];科学技术与工程;2014年30期

相关博士学位论文 前4条

1 王楠;基于视觉的硅太阳能电池检测方法的研究[D];河北农业大学;2014年

2 朱秋平;基于稀疏编码的织物瑕疵检测算法研究[D];武汉大学;2014年

3 周建;基于字典学习的机织物瑕疵自动检测研究[D];东华大学;2014年

4 崔玲玲;布匹瑕疵识别中的关键技术研究[D];西安电子科技大学;2014年

相关硕士学位论文 前10条

1 李欣;基于局部二值模式的布匹瑕疵检测研究[D];河南理工大学;2018年

2 杜雨辰;基于LTP和GLCM的布匹瑕疵检测方法的研究及其应用[D];南昌大学;2019年

3 胡峰;基于机器视觉的布料瑕疵检测若干关键技术研究与实现[D];浙江工业大学;2018年

4 吴志洋;基于深度卷积神经网络的单色布匹瑕疵检测识别[D];厦门大学;2018年

5 孙东平;基于DCGAN样本生成的小样本视觉外观瑕疵检测[D];吉林大学;2019年

6 贾超云;条纹布匹微小瑕疵检测[D];吉林大学;2018年

7 郝阳;基于机器视觉的纺织品瑕疵检测与分类[D];东华大学;2018年

8 李倩倩;基于视觉显著性的织物瑕疵检测[D];东华大学;2018年

9 韩宇飞;基于图像处理的自适应布面瑕疵检测算法[D];吉林大学;2018年

10 陈宇俊;基于深度卷积神经网络的织物瑕疵检测方法研究[D];广东工业大学;2018年

本文编号：2857216