论文部分内容阅读
我国是一个纺织大国,然而纺织品仍处于人工检测的阶段。传统的人工检测方法存在检测速度慢,漏检率、误检率较高等问题。鉴于此,本文开展了基于机器视觉的单色布匹瑕疵检测技术的研究。本文以成品单色布为主要研究对象,选用工业线阵相机,线阵光源等硬件搭建应用平台,开发了一套适用于企业生产的布匹表面瑕疵检测系统。该系统对七类瑕疵进行检测和分类。论文的主要研究工作如下:1、针对图像受到噪声、光照不均匀等因素的影响,本文选用中值滤波去除噪声、Sobel算子对图像进行边缘增强和顶帽变换消除图像光照不均匀的影响。针对瑕疵不易检测,Laws纹理滤波不能充分运用不同空间和尺度层上的信息的缺点,提出了一种基于小波变换的Laws纹理滤波的布匹瑕疵检测算法。该方法对预处理后图像采用小波分解,并对分解后的图像进行Laws纹理滤波,采用加权平均的方法对滤波后的图像进行融合,通过小波逆变换重构图像得到瑕疵特征,并采用数学形态学等方法分割出瑕疵区域。结果表明,本文所提算法的检测精度比Gabor算法高,平均检测正确率达到94.7%,满足了检测要求。2、针对瑕疵分类困难的问题,提出了一种基于模拟退火和粒子群混合算法的BP神经网络的瑕疵分类算法。在空间域提取瑕疵全局统计特征,针对叠纱和上胶不均匀全局特征相似的问题,采用局部二进制模式(LBP)和灰度共生矩阵(GLCM)提取瑕疵局部特征,并把所有特征作为分类器的输入。充分利用模拟退火和粒子群算法的全局搜索能力优化BP神经网络,采用优化后的神经网络对瑕疵进行分类。结果表明,混合特征提取方法能更好地描述瑕疵,优化后的分类算法的分类准确率比高斯混合模型和BP神经网络高,对七类瑕疵的平均分类正确率达到95.3%,满足了分类要求。3、采用Matlab算法库、C++语言以及Qt应用程序发开框架对布匹瑕疵检测系统进行开发。通过对系统性能进行验证,表明本系统对不同颜色的布匹检测正确率在92%～93%之间(大于90%),达到了预期效果。