基于快速活动轮廓模型和BP-AdaBoost的织物缺陷检测

摘要

制造业的迅速发展对于各类产品的缺陷检测提出了新的挑战，基于机器视觉的自动检测方法逐渐取代人工肉眼检测成为趋势。针对目前织物缺陷检测定位效率低和分类准确率不理想的问题，提出了基于快速活动轮廓分割模型和BP-AdaBoost的织物缺陷检测算法，将算法分为定位和分类两部分，用以实现对织物缺陷的自动检测。 对于缺陷位置的定位要靠图像分割来完成，在总结分析了目前已有的各种分割方法的优缺点后，在活动轮廓分割模型的基础上提出了快速活动轮廓模型。首先分析了C-V模型、LBF模型和LIF模型这三种传统活动轮廓算法，由于这些算法的能量函数都是非凸的，在求解过程中易获得局部最小值，受初始轮廓位置设置和图像灰度不均影响较大。本文基于上述算法，引入凸优化技术，将求解问题变成了一个凸优化问题，从而解决了活动轮廓模型受初始位置影响大的问题，同时对求解过程进行优化，使算法求解速度得到了较大提升。在几种不同类型图片上进行了对比实验，实验结果表明快速活动轮廓模型分割精度高，且速度明显优于传统活动轮廓模型，平均分割时间仅需0.13秒。 鉴于机器学习在图像分类中的实用性，在分析了几类典型的机器学习分类算法后，选用BP神经网络来完成对缺陷的分类，这种网络结构简单有效，通用性强。为了进一步提高网络的分类能力，引入AdaBoost算法，将算法中的弱分类器以BP网络代替，得到BP-AdaBoost算法。在MNIST、Fashion-MNIST和TFDS三类不同类型的典型数据库上进行算法分类对比实验，实验结果表明，BP-AdaBoost算法在上述三种数据库上的分类准确率明显优于传统SVM和KNN算法，且相比CNN而言，更符合实际产品检测中对实时性和准确性的要求。 基于活动轮廓模型和BP-AdaBoost分类算法设计了织物典型疵点检测算法，完成了对织物缺陷的定位和分类任务。针对两种不同类型织物的破洞和污渍这两种典型缺陷设计了一系列对比实验，确定了网络的最佳参数。在此基础上，对四种缺陷进行了算法有效性实验，实验结果表明算法分类准确率高，定位精确，完成了对织物缺陷的定位和分类任务，能有效的应用于织物的缺陷检测中。

目录

声明

第1章 引 言

1.1 课题综述

1.1.1 课题来源

1.1.2 课题研究背景及意义

1.2 国内外研究现状

1.2.1 基于机器视觉的产品检测研究现状

1.2.2 图像分割研究现状

1.2.3 机器学习分类算法研究现状

1.3 存在的主要问题

1.4 论文的内容安排

第2章 基于快速活动轮廓模型的图像分割

2.1 活动轮廓分割模型概述

2.1.1 参数活动轮廓模型

2.1.2 几何活动轮廓模型

2.2 各模型对比分析

2.3 基于凸优化的快速活动轮廓分割模型

2.3.1 基于凸优化的活动轮廓模型

2.3.2基于Spilt Bregman的快速求解方法

2.4 分割实验设计与结果分析

2.4.1分割效果对比实验

2.4.2分割效率对比实验

2.5 本章小结

第3章 基于BP-AdaBoost的分类算法

3.1 典型机器学习算法概述及分析

3.1.1 SVM

3.1.2 KNN

3.1.3 CNN

3.1.4 各算法优缺点分析

3.2 基于BP-Adaboost的分类算法

3.2.1 BP神经网络

3.2.2 BP-Adaboost算法

3.3 实验设计与结果分析

3.3.1 实验目的及实验条件

3.3.2 实验步骤

3.3.3 实验结果分析

3.4 本章小结

第4章 织物典型缺陷识别分类实验与分析

4.1 基于快速轮廓模型和BP-AdaBoost的织物检测算法设计

4.2 织物图像数据库构建

4.3 实验设计与结果分析

4.3.1 BP-AdaBoost参数寻优

4.3.2 分类结果与分析

4.4 本章小结

第5章 总结与展望

5.1 全文总结

5.2 展望

参考文献

致谢

附录