織物瑕疵在線檢測(cè)技術(shù)的研究和實(shí)現(xiàn).pdf

1、紡織業(yè)的發(fā)展一直推動(dòng)我國(guó)經(jīng)濟(jì)發(fā)展。隨著經(jīng)濟(jì)國(guó)際化和市場(chǎng)經(jīng)濟(jì)的推動(dòng)，紡織品質(zhì)量成為影響企業(yè)競(jìng)爭(zhēng)力的關(guān)鍵因素。過(guò)去20多年，瑕疵檢測(cè)主要依靠官能檢測(cè)，人眼的累乏或環(huán)境的危險(xiǎn)都無(wú)法保證紡織品的質(zhì)量。隨著信息時(shí)代來(lái)臨，計(jì)算機(jī)開(kāi)始走進(jìn)幾乎所有領(lǐng)域，工業(yè)自動(dòng)化也越來(lái)越勢(shì)不可擋。而基于機(jī)器視覺(jué)的織物瑕疵檢測(cè)系統(tǒng)的研究則可以有效做到紡織品質(zhì)量控制，且控制人工支出?；诂F(xiàn)有的國(guó)內(nèi)圖像處理技術(shù)相關(guān)研究成果，還沒(méi)有推出能面向市場(chǎng)的實(shí)時(shí)、在線的織物檢測(cè)系統(tǒng)，則

2、有必要對(duì)在線檢測(cè)算法進(jìn)行進(jìn)一步研究。
　　為了實(shí)現(xiàn)在線檢測(cè)，各環(huán)節(jié)需要選取最適合系統(tǒng)的算法，即最高效和最符合需求的算法。檢測(cè)算法是其中的關(guān)鍵，用于區(qū)別正常與異常紋理，之后基于一些區(qū)分準(zhǔn)則提取缺陷所在區(qū)域。除此之外，檢測(cè)算法還有特征提取、缺陷分類(lèi)等環(huán)節(jié)，獲取可以表征紋理的信息，再指定分類(lèi)學(xué)習(xí)算法分辨信息。
　　本文主要研究了以下幾個(gè)內(nèi)容:
　　1.對(duì)采集的圖像進(jìn)行預(yù)處理。研究分析各類(lèi)噪聲處理算法，消減甚至消除因?yàn)橄到y(tǒng)或圖

3、像獲取、傳輸過(guò)程中帶來(lái)的各類(lèi)不利噪聲。研究閾值分割和圖像增強(qiáng)常用算法，使經(jīng)過(guò)預(yù)處理的圖像最接近檢測(cè)目標(biāo)要求。
　　2.提出基于LSD的改進(jìn)算法，用于研究和實(shí)現(xiàn)毛巾計(jì)數(shù)。邊沿是分割毛巾織面的標(biāo)志，表現(xiàn)為一條直矩塊。通過(guò)確定邊沿中心點(diǎn)明確毛巾編號(hào)，方便瑕疵區(qū)域檢測(cè)出之后，確定瑕疵位置。該算法先將圖像進(jìn)行簡(jiǎn)單的邊緣處理，之后直線檢測(cè)，來(lái)代替縮放達(dá)到消除鋸齒效果，再進(jìn)行梯度計(jì)算和尋找最長(zhǎng)連通向量，然后處理經(jīng)緯灰度變化，確定邊沿的中心點(diǎn)。實(shí)

4、驗(yàn)表明，此算法邊沿識(shí)別率高于其他算法。
　　3.提出了基于模板匹配的檢測(cè)算法。根據(jù)經(jīng)緯灰度變化周期在標(biāo)準(zhǔn)圖中提取紋理基元后，在目標(biāo)圖中采用基于灰度的模板匹配方法定位基元，通過(guò)減少匹配信息和縮小搜索范圍來(lái)減少運(yùn)算量，再根據(jù)邊沿位置和基元位置構(gòu)建可變模板，再與目標(biāo)圖差分實(shí)現(xiàn)瑕疵檢測(cè)。并與其他算法效果對(duì)比，證明有更高的瑕疵檢出率。
　　4.提出了基于區(qū)域分割的區(qū)域生長(zhǎng)法的后處理算法，用于研究瑕疵分割和特征提取。種子選取后生長(zhǎng)覆蓋整

5、個(gè)區(qū)域，再進(jìn)行區(qū)域合并，意在合并一些點(diǎn)狀、散狀瑕疵，提高了瑕疵分割的準(zhǔn)確率，便于特征提取。對(duì)大量特征值甄別，選取最適當(dāng)?shù)奶卣饕詼p少運(yùn)算量。對(duì)比其他的后處理算法，此算法對(duì)于分割有更好的效果。
　　5.重點(diǎn)研究BP神經(jīng)網(wǎng)絡(luò)機(jī)制并根據(jù)本論文瑕疵特征進(jìn)行設(shè)計(jì)。進(jìn)行了瑕疵分類(lèi)的算法對(duì)比研究，尤其是BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型構(gòu)建中的前饋算法、反傳播算法的研究，后又進(jìn)行設(shè)計(jì)與學(xué)習(xí)。
　　6.基于OpenCV的軟件平臺(tái)開(kāi)發(fā)。軟件可以連接攝像頭