基于奇異值分解的機(jī)織物瑕疵檢測(cè)算法研究.pdf

1、最近幾年隨著人工成本的增加，生產(chǎn)自動(dòng)化越來(lái)越受到人們的關(guān)注。在紡織品生產(chǎn)過(guò)程中引入信息技術(shù)不但能降低用工成本，還能提高生產(chǎn)效率。而紡織品生產(chǎn)工序中，機(jī)織物的瑕疵檢測(cè)是很重要的一步。因此如果能有效的對(duì)機(jī)織物瑕疵進(jìn)行檢測(cè)，將對(duì)提高紡織品質(zhì)量、降低生產(chǎn)成本具有重要的意義。
　　但現(xiàn)有算法對(duì)不同機(jī)織物紋理適應(yīng)性和實(shí)時(shí)性不佳，難以適應(yīng)生產(chǎn)實(shí)際的需要。為此本文采用了一種基于奇異值分解(SVD)的機(jī)織物瑕疵檢測(cè)算法。奇異值分解在圖像處理方面有如

2、下優(yōu)點(diǎn):(1)圖像的奇異值具有很好的穩(wěn)定性，即當(dāng)圖像中有噪點(diǎn)，或者圖像光照不勻時(shí)，對(duì)圖像的奇異值不會(huì)有大的影響;(2)奇異值分解算法能降低計(jì)算的復(fù)雜性，但同時(shí)又能提取圖像的主要特征。故在處理圖像時(shí)，能達(dá)到較快的速度和較高的準(zhǔn)確性。
　　本文采用基于奇異值分解的算法首先對(duì)正?？椢飯D像子窗口樣本進(jìn)行縱橫方向的投影操作，然后將兩個(gè)投影序列聯(lián)合成一個(gè)投影序列，再將正?？椢飯D像中所有子窗口對(duì)應(yīng)的聯(lián)合投影序列組成一個(gè)矩陣，并對(duì)該矩陣進(jìn)行奇異值

3、分解，提取基向量。最后將得到基向量對(duì)待檢測(cè)織物樣本進(jìn)行重構(gòu)，通過(guò)重構(gòu)誤差來(lái)判定是否為瑕疵并確定其位置。為了對(duì)檢測(cè)效果有直觀的認(rèn)識(shí)，論文最后將本算法的檢測(cè)效果和基于AR模型算法檢測(cè)效果進(jìn)行比較。下面對(duì)本課題主要的研究?jī)?nèi)容進(jìn)行闡述。
　　(1)對(duì)織物圖像樣本特征的獲取方法及如何降低計(jì)算量的探索
　　由于本課題所研究的瑕疵檢測(cè)方法是基于子窗口進(jìn)行的，并視每個(gè)子窗口為一個(gè)樣本，將子窗口中的像素點(diǎn)灰度值縱橫方向投影，并首尾相連組成聯(lián)合

4、投影序列，能在不損失織物圖像重要信息的情況下，大大降低了計(jì)算量。
　　(2)利用奇異值分解得到的基向量，對(duì)檢測(cè)樣本進(jìn)行重構(gòu)
　　通過(guò)奇異值分解，從正常樣本中得到只反映正常紋理特征的基向量，然后對(duì)待檢測(cè)的樣本用基向量進(jìn)行重構(gòu)，通過(guò)比較重構(gòu)樣本和原始樣本的重構(gòu)誤差來(lái)判斷是否為瑕疵樣本。
　　(3)窗口大小的優(yōu)選
　　窗口大小對(duì)最終檢測(cè)的效果具有很大的影響，所以必須對(duì)窗口大小進(jìn)行優(yōu)選。通常選擇子窗口的尺寸時(shí)，應(yīng)考慮瑕疵

5、的尺寸及其在子窗口中所占比重。
　　(4)基向量的個(gè)數(shù)的優(yōu)選
　　基向量個(gè)數(shù)k決定著重構(gòu)誤差?；蛄總€(gè)數(shù)越多，重構(gòu)誤差越小，對(duì)檢測(cè)效果有很大的影響。在試驗(yàn)探索時(shí)，希望找到這樣一個(gè)基向量個(gè)數(shù)，在該基向量個(gè)數(shù)情況下，能很好的將正常紋理區(qū)域進(jìn)行重構(gòu)，即對(duì)正常部分重構(gòu)誤差很小，與此同時(shí)又不將瑕疵紋理區(qū)域重構(gòu)的很好，即對(duì)瑕疵部分重構(gòu)誤差很大。
　　(5)與基于AR模型的算法的檢測(cè)效果進(jìn)行對(duì)比
　　完成本算法重要參數(shù)的優(yōu)化后