织物疵点检测与自动化等级评定系统研究

论文摘要

织物疵点检测系统是用机器视觉的方法来代替人工检测。它可以克服人工检测的漏检、误检、检测速度慢等缺点,适应了提高劳动生产率、纺织科技发展和人们对纺织品质量不断提高的要求。因此对该系统的探索性研究,具有一定的科技和市场价值。编码器配合线阵相机完成织物图像的采集,并从特征点匹配和重合区域的融合两个方面讨论了织物图像的拼接。分析比较了各种方法的特点,并成功实现了双摄像机采集织物图像的无缝拼接。采集到的图像经过去噪等预处理后,建立广义高斯分布的模型,并从基于图像特征库的织物疵点检索识别和基于Contourlet变换的BP神经网络的织物疵点识别方法分别识别织物疵点。经试验,两种方法的正确识别率分别为57.67%和94.33%。在织物疵点正确识别的基础上,应用Access2007数据库实现织物疵点的自动评分和织物的自动化等级评定,为工厂的数字化管理提供完整的数据资料。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的和意义
• 1.2 国内外研究情况
• 1.2.1 基于机器视觉的织物疵点检测系统研究情况
• 1.2.2 织物疵点检测算法研究情况
• 1.2.3 织物等级自动化评定的研究进展
• 1.3 研究内容
• 第2章 硬件配置
• 2.1 织物图像采集系统
• 2.1.1 编码器
• 2.1.2 线阵相机的图像采集
• 2.2 图像拼接
• 2.2.1 匹配方法研究
• 2.2.2 融合方法的比较
• 2.2.3 拼接效果的评价
• 2.2.4 摄像机拼接实例
• 2.3 本章小结
• 第3章 织物疵点检测与识别
• 3.1 图像去噪
• 3.1.1 概述
• 3.1.2 常见的去噪方法
• 3.1.3 图像质量评价
• 3.1.4 去噪方法在织物图像上的应用
• 3.2 特征选择与分析
• 3.2.1 广义高斯分布模型
• 3.2.2 广义高斯分布参数的估计
• 3.2.3 无疵点织物的广义高斯分布模型
• 3.3 基于特征集的织物疵点识别
• 3.3.1 特征集的选择
• 3.3.2 特征匹配
• 3.3.3 织物疵点查询识别
• 3.4 基于轮廓波变换和BP 神经网络的织物疵点识别
• 3.4.1 轮廓波变换
• 3.4.2 BP 神经网络的设计
• 3.4.3 织物疵点分类识别
• 3.5 本章小结
• 第4章 织物等级自动评定
• 4.1 现有的织物评分标准
• 4.1.1 美标4 分制评分标准
• 4.1.2 国标评分标准
• 4.2 织物评分软件的设计
• 4.2.1 系统总体设计
• 4.2.2 软件模块设计
• 4.2.3 软件功能
• 4.3 评分准确性评价
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 攻读硕士学位期间本人公开发表的论文
• 附录
• 致谢