布匹瑕疵識(shí)別中的關(guān)鍵技術(shù)研究.pdf

1、布匹的質(zhì)量控制在紡織品行業(yè)中起著非常關(guān)鍵的作用,而布匹瑕疵是影響布匹質(zhì)量控制的重要因素。目前,布匹瑕疵識(shí)別主要依靠傳統(tǒng)的人工離線完成,存在工作量大、檢測(cè)速度慢且準(zhǔn)確度低等問(wèn)題。隨著計(jì)算機(jī)和模式識(shí)別技術(shù)的快速發(fā)展,布匹瑕疵自動(dòng)識(shí)別是紡織工業(yè)生產(chǎn)中質(zhì)量監(jiān)控的必然趨勢(shì)。當(dāng)前,布匹瑕疵自動(dòng)識(shí)別的研究雖然已經(jīng)取得了一定的成果,但是由于采集圖像受光照變化、噪聲等影響,以及瑕疵具有類別較多等問(wèn)題,使得布匹瑕疵識(shí)別仍然是一個(gè)具有挑戰(zhàn)性的研究課題。

2、>　　本文將重點(diǎn)放在瑕疵識(shí)別中檢測(cè)和分類等關(guān)鍵算法的研究上,將近年來(lái)模式識(shí)別領(lǐng)域的前沿理論引入布匹瑕疵識(shí)別中,針對(duì)10類常見(jiàn)瑕疵的識(shí)別問(wèn)題進(jìn)行深入研究,論文取得了以下主要研究成果:
　　1.針對(duì)瑕疵類別較多,以及單一方法只對(duì)某些類別瑕疵有效的問(wèn)題,設(shè)計(jì)了一種小波變換多尺度積和數(shù)學(xué)形態(tài)學(xué)的瑕疵檢測(cè)算法。首先采用非下采樣小波變換把瑕疵圖像分解成多個(gè)子圖,然后對(duì)低頻近似子圖進(jìn)行數(shù)學(xué)形態(tài)學(xué)運(yùn)算,得到瑕疵的形狀特征,對(duì)高頻子圖采用小波多尺度

3、積方法,可以抑制噪聲的同時(shí)增強(qiáng)瑕疵的邊緣特征,最后用加權(quán)平均法融合得到檢測(cè)結(jié)果。實(shí)驗(yàn)從主觀和客觀兩方面進(jìn)行評(píng)價(jià),與經(jīng)典的Gabor和小波變換算法比較,該算法能快速有效地實(shí)現(xiàn)布匹瑕疵檢測(cè),綜合性能優(yōu)于對(duì)比算法。
　　2.利用非下采樣Contourlet變換(Nonsubsampled Contourlet Transform,NSCT)的分解系數(shù)能較好地描述瑕疵圖像輪廓的特性,提出了兩種基于NSCT的布匹瑕疵檢測(cè)算法。(1)提出一種

4、基于NSCT標(biāo)準(zhǔn)差的檢測(cè)算法。通過(guò)方差代價(jià)函數(shù)得到最優(yōu)子帶,由于瑕疵和非瑕疵區(qū)域系數(shù)差別較小,閾值法很難進(jìn)行瑕疵分割,采用標(biāo)準(zhǔn)差法可以較好地處理這個(gè)問(wèn)題。該算法對(duì)瑕疵定位較準(zhǔn)且計(jì)算量小。(2)提出一種基于NSCT的高斯混合模型(Gaussian Mixture Model,GMM)的檢測(cè)算法。該算法通過(guò)代價(jià)函數(shù)法獲取最優(yōu)子帶,然后實(shí)時(shí)地估計(jì)瑕疵和非瑕疵區(qū)域的GMM參數(shù),避免了對(duì)每一類瑕疵的估計(jì),最后根據(jù)最大后驗(yàn)概率進(jìn)行瑕疵分割。該算法不

5、需要瑕疵的先驗(yàn)知識(shí),與幾種對(duì)比算法相比性能得到了較大的提升。
　　3.針對(duì)布匹瑕疵種類多,相似類瑕疵不易區(qū)分的問(wèn)題,提出一種基于改進(jìn)GMM參數(shù)估計(jì)的布匹瑕疵分類算法。對(duì)變換域的子帶提取全局統(tǒng)計(jì)特征,實(shí)驗(yàn)表明全局特征在類內(nèi)具有穩(wěn)定性;針對(duì)局部二值模式(Local Binary Pattern,LBP)和灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)各自的優(yōu)勢(shì),提出采用兩者融合的局部特征提取方

6、法,該特征反映了瑕疵的細(xì)節(jié)特性且維數(shù)較小。然后引入最小誤分率函數(shù),提出一種聯(lián)合估計(jì) GMM參數(shù)的方法,最后通過(guò)貝葉斯分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明,混合特征能更好地表述瑕疵特征,相對(duì)于傳統(tǒng)分類方法,本文算法得到更高的分類正確率,而且樣本變化對(duì)性能影響較小。
　　4.基于過(guò)完備字典的稀疏表示是一種新興的信號(hào)表示理論。針對(duì)過(guò)完備字典可以有效地捕捉圖像各種特征的優(yōu)勢(shì),以及已有瑕疵分類算法對(duì)分割效果的依賴性,提出了基于字典學(xué)習(xí)的稀疏表示布匹