基于计算机视觉的织物疵点检测与分类方法的研究

论文摘要

织物疵点检测是纺织生产过程中的关键工序之一。为克服目前人工目测方法疵点检出率低、效率低、劳动强度大的缺点,开展基于计算机视觉的织物疵点自动检测技术的研究十分必要,有重要工程意义。本文在分析比较现有疵点检测理论和方法的基础上,对基于计算机视觉的织物疵点自动检测的图像预处理、特征值提取和应用BP神经网络的疵点分类方法进行较深入的理论分析和实验研究。首先对所采集织物图像的噪声及其产生原因进行分析,给出中值滤波与小波去噪相结合的去噪方法,改进了去噪效果；针对去噪后图像细节信息变模糊的问题,采用拉普拉斯算子作为检测算子对去噪图像进行锐化处理,使得预处理后图像更加清晰,易于特征值的提取。其次给出了利用自相关函数的周期性对预处理图像进行窗口分割的方法,根据小窗口的灰度均值与图像整体均值的差异初步确定可能含有疵点的窗口,再进行九宫格扩散构成待检区域,提高了检测速度。采用小波分析方法提取待检区域的能量、方差、熵值、极差、逆差矩和对比度这六个特征值作为疵点识别的依据,提高了疵点识别的准确率。另外给出了基于3层BP神经网络对疵点进行识别与分类的方法。较深入探讨了BP神经网络的结构特性和算法选取,对神经网络的结构进行优化设计,给出了输入层神经元数、隐层神经元数和输出层神经元数的优化结果。最后在理论研究的基础上,以平纹坯布为实验对象,对飞花、掉扣、断经、破洞、色污、白杠、断纬、杂纤维、绞纱和无疵点平纹织物共十种样片进行检测实验与分析。实验结果验证了文中理论方法的可行性和有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的目的与意义
• 1.2 国内外研究动态
• 1.2.1 基于计算机视觉的织物疵点检测
• 1.2.2 国外研究动态
• 1.2.3 国内研究动态
• 1.3 本文研究内容
• 第二章 织物图像预处理
• 2.1 小波分析理论
• 2.1.1 小波基函数
• 2.1.2 连续小波变换
• 2.1.3 离散小波变换
• 2.1.4 多分辨率分析
• 2.1.5 Mallat快速算法
• 2.2 织物图像噪声分类与去噪方法
• 2.2.1 噪声分类
• 2.2.2 图像的空间域去噪方法
• 2.2.3 图像的频域去噪方法
• 2.3 织物图像锐化
• 2.3.1 高通滤波
• 2.3.2 Sobel算子
• 2.3.3 Laplacian算子
• 2.4 本章小结
• 第三章 织物疵点图像的特征值提取
• 3.1 织物灰度图像窗口分割
• 3.1.1 分割窗口大小的确定
• 3.1.2 灰度均值比较阈值选取
• 3.2 织物图像特征值提取方法
• 3.2.1 空间域提取特征值
• 3.2.2 频率域提取特征值
• 3.2.3 数学形态学
• 3.3 织物图像纹理特征值提取
• 3.3.1 纹理特征值的选取
• 3.3.2 最优小波基的选择
• 3.3.3 小波分解层数确定
• 3.3.4 无疵点织物特征值提取与归一化处理
• 3.3.5 待检图像特征值阈值选取
• 3.4 本章小结
• 第四章 织物疵点的识别与分类
• 4.1 织物疵点识别方法
• 4.1.1 基于模糊逻辑的疵点识别
• 4.1.2 基于人工神经网络的疵点识别
• 4.2 BP神经网络识别织物疵点
• 4.2.1 BP神经网络的结构与特性
• 4.2.2 BP神经网络的算法选取
• 4.2.3 疵点网络的结构设计
• 4.3 本章小结
• 第五章 疵点自动检测实验结果分析
• 5.1 实验系统设计
• 5.2 实验结果分析
• 5.2.1 程序流程图
• 5.2.2 常见疵点的实验结果分析
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读硕士期间研究成果
• 致谢