基于小波和極速學(xué)習(xí)機(jī)的織物疵點(diǎn)檢測(cè)和分類(lèi).pdf

1、織物的疵點(diǎn)檢測(cè)是紡織品質(zhì)量控制的重要環(huán)節(jié)，目前主要還是由人工來(lái)實(shí)現(xiàn)，面臨的問(wèn)題是：隨著技術(shù)的進(jìn)步，市場(chǎng)對(duì)織物質(zhì)量檢測(cè)的要求也越來(lái)越高，傳統(tǒng)的人工檢測(cè)方法存在勞動(dòng)強(qiáng)度大，視覺(jué)疲勞，主觀(guān)性差等一系列問(wèn)題，越來(lái)越不能滿(mǎn)足要求。因而，近年來(lái)，基于機(jī)器學(xué)習(xí)的自動(dòng)化機(jī)器檢測(cè)成為了研究的熱點(diǎn)。本文提出一種基于小波和極速學(xué)習(xí)機(jī)的織物的疵點(diǎn)檢測(cè)系統(tǒng)。其核心包括：疵點(diǎn)檢測(cè)和疵點(diǎn)分類(lèi)。本文選取8種平紋織物瑕疵圖像，主要工作如下：
　　1.綜述了織物疵點(diǎn)

2、檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀，并對(duì)方法做了歸類(lèi)分析。
　　2.織物疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)的概述，闡述了織物疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)的組成及相關(guān)部件的參數(shù)說(shuō)明。
　　3.織物圖像的預(yù)處理。利用同態(tài)濾波的方法消除織物圖像的光照不均勻，然后進(jìn)行直方圖均衡化處理，增強(qiáng)對(duì)比度，突出織物疵點(diǎn)。
　　4.基于閾值自適應(yīng)小波變換的織物疵點(diǎn)檢測(cè)。研究了基于小波變換的織物疵點(diǎn)檢測(cè)，本文根據(jù)織物織造的原理和疵點(diǎn)產(chǎn)生的機(jī)理，提出基于多尺度融合和閾值自適應(yīng)的小波模極

3、大值織物疵點(diǎn)邊緣檢測(cè)，實(shí)驗(yàn)結(jié)果進(jìn)行多種對(duì)比，檢測(cè)的效果較為明顯。
　　5.研究了多特征融合的織物瑕疵紋理特征提取方法。在此基礎(chǔ)上，提出基于鄰域像素中值的均勻模式LBP算子2,_ riuP RM LBP；然后將此算子提取的紋理特征和灰度共生矩陣提取的織物紋理特征（能量、熵、對(duì)比度、相關(guān)性）進(jìn)行主成分分析；最后通過(guò)一種自適應(yīng)權(quán)重的融合算法進(jìn)行特征融合。
　　6.極速學(xué)習(xí)機(jī)算法改進(jìn)并引入到織物疵點(diǎn)的分類(lèi)。極速學(xué)習(xí)機(jī)（Extreme

4、 Learning Machine）ELM簡(jiǎn)單易用，是一種有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。其最大的特點(diǎn)是：只需要設(shè)置網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，在算法執(zhí)行過(guò)程中不需要調(diào)整網(wǎng)絡(luò)輸入權(quán)值和隱層偏置，并可產(chǎn)生唯一的最優(yōu)解，因而具有算法速度快，泛化能力強(qiáng)的特點(diǎn)。本文為了將ELM更好的應(yīng)用于織物的疵點(diǎn)檢測(cè)，首先根據(jù)織物疵點(diǎn)紋理復(fù)雜，數(shù)據(jù)量大，采用在線(xiàn)ELM算法，解決ELM在處理大塊數(shù)據(jù)時(shí)整體處理方式的不足；然后為了提高算法的泛化能力，減小算法性能對(duì)隱層節(jié)