基于機器視覺的布匹疵點檢測系統(tǒng)研究.pdf

1、產品的質量控制在當今商業(yè)市場競爭中起著十分重要的作用。在紡織工業(yè)中,布匹的疵點是影響布匹質量的主要因素,而疵點檢測則是保證布匹質量的主要手段。傳統(tǒng)的人工檢測,勞動強度大,檢測速度低,其檢測精度會受到驗布工人的經驗與疲勞程度影響,缺乏一致性與可靠性。因此采用布匹疵點的自動檢測是紡織工業(yè)生產中布匹質量控制的必然趨勢。
　　本文將機器視覺技術引入紡織工業(yè)檢測領域,并用以完成布匹疵點的檢測。其關鍵在于通過對布匹圖像的處理與分析,設計一種檢

2、測算法能快速高精度地檢測出不同布匹中的各種疵點。本文采用了檢測精度、通用性(即對各種布匹與疵點都有效)與實時性(對應于檢測速度)等三個指標用以衡量檢測算法的檢測性能,并根據檢測目的與檢測結果表現方式的不同,將布匹疵點檢測分為疵點判別與疵點分割兩種類型。
　　為了使檢測算法具有較高的通用性,即對各種類型的布匹與疵點(包括全局疵點與局部細小疵點)都具有高檢測精度,本文采用了多分辨率分析方法在多個尺度上對各種類型的布匹疵點進行分析,采用

3、非采樣小波變化取代標準小波變換以達到平移不變性,并將其用于布匹疵點判別。為了提高檢測精度,本文提出了一種小波分解尺度選擇策略,能夠根據待檢測布匹紋理頻率特性對非采樣小波變換的分解尺度進行自適應的設定,以抑制布匹正常紋理能量并增強疵點區(qū)域能量。檢測算法采用了一個簡單高效的小波系數幅值劃分與數據融合方法,將各個尺度的小波分解系數進行融合,并從融合后的圖像中提取出若干個基于疵點能量估計的特征用于進行疵點判別。
　　由于疵點判別方法僅能夠

4、檢測出疵點在布匹圖像中的位置,為了獲得疵點的形態(tài)學特征(如大小、長度、方向等),本文對基于多分辨率分析方法的疵點判別算法進行了改進,提出了一種基于 Gabor小波的疵點分割算法,并提出了一種自適應的Gabor小波調校方法,能根據待檢測布匹的紋理特性對 Gabor小波的參數進行自適應設定。與非采樣小波變換相比,Gabor小波變換能更靈活地對各個濾波器的通帶中心頻率進行調校,因此能夠更好地抑制布匹正常紋理能量并增強疵點區(qū)域能量,從而使得正常

5、紋理與疵點區(qū)域之間具有更大的差異。對濾波后的圖像進行閾值分割后,能達到更高的分割正確率。本文通過大量實驗將該疵點分割算法與兩種無自適應調校的Gabor濾波器疵點分割算法進行比較,結果表明,本文所采用的方法具有更好的實時性以及分割正確率。
　　針對大多數布匹疵點檢測算法的實時性不足問題,本文提出了一種基于機器學習的高實時性布匹疵點判別算法。該算法從布匹圖像中提取了兩個灰度共生矩陣特征與兩個新的紋理特征以刻畫布匹紋理并突出其中所包含的

6、疵點,并采用支持向量數據描述分類器對提取出的特征進行分類,判斷其是否為疵點。在特征提取的過程中,提出了一種自適應的量化方法,將原本含有256個灰度級別的原始圖像量化為少量的量化級別,極大地減少了各個紋理特征的計算量,提高了檢測算法的實時性。
　　本文論述了布匹疵點視覺檢測系統(tǒng)的結構,分析了系統(tǒng)各個組成部分(如光源與成像、圖像采集與處理、人機交互等)的功能與實現方式。采用嵌入式數字信號處理器取代通用CPU完成檢測功能以提高系統(tǒng)的計算