织物疵点

摘要： 本文提出一种基于机器视觉的在线检测方法,用于圆形纬编机针织面料疵点的自动检测。在归纳总结针织面料疵点图像学特征的基础上,设计一种可检测织物疵点的深度学习神经网络。基于单阶段目标检测模型YOLOv3,修改网络结构中的两条支路后该网络可参照图像中的背景织物用以识别其上的疵点。并使用深度可分离卷积层降低模型参数、加快检测速度。实验表明,基于YOLOv3改进的纬编针织面料疵点检测算法的m AP(各类别平均准确率的平均值)为81.44%,相较于YOLOv3明显提升。

摘要： 提出一种改进的基于深度卷积网络Cascade RCNN的织物疵点检测算法。针对织物存在疵点长宽比极端、疵点小以及疵点类间数量不均衡导致识别准确率低的问题,引入特征金字塔网络(FPN)和深度残差网络(ResNet101)进行高低层特征融合,获取更全面的织物疵点多尺度特征信息。采用二步聚类算法确定适用于极端形状疵点检测的预定义框最佳尺寸。采用改进的Cascade RCNN网络构架和二步聚类法确定的预定义框进行织物疵点检测试验。结果表明:改进后疵点识别准确率最高可达到98.4%。认为:改进特征提取网络和适用于极端形状疵点的预定义框能有效提高织物疵点识别准确率和定位精度。

摘要： 针对工业条件限制下采集的印花布数据集图像分辨率低、检测效果差等问题,课题组提出基于超分辨率模型SRGAN与YOLO-V4网络的织物疵点检测方法,并对SRGAN算法进行改进。课题组首先使用改进的SRGAN算法对原数据集进行超分辨率重构,提高图像分辨率;然后将重构图翻转变化与原图共同作为数据集输入YOLO-V4进行网络训练;最后通过YOLO-V4网络检测印花布表面疵点。实验结果表明:该方法可提高低分辨率织物图疵点检测效果,准确率高达90.29%,比超分辨率重构前提升了13.19%,能实现实时定位疵点的准确位置并输出疵点类别。

摘要： 为了解决织物疵点检测基本靠人工目测、检出效率低的问题,设计基于改进YOLOv5算法的织物疵点检测系统。该系统以YOLOv5算法为基础,通过引入CBAM网络模型,在通道和空间上增强特征图重要信息的表达能力,并直接融合拥有更丰富感受野信息的SPPF特征层,提高对细微疵点的检测精度与检出效率。通过对比试验发现,改进后的算法比原始YOLOv5算法的mAP@0.5值提高了2.1个百分点。认为:该研究提出的算法更适合织物疵点检测,能够满足工业需求。

摘要： 探讨一种基于Faster RCNN改进的织物疵点检测方法用于喷水织机织物疵点检测的效果。首先,对织物疵点图进行预处理,将疵点与背景有效区分开,凸显出疵点区域;其次,建立一种基于特征融合的ResNet50卷积神经网络模型对织物疵点进行特征提取;采用ROIAlign将经过初步筛选后的预选框映射到固定大小的特征图上,减少映射误差与均分误差;最后进行目标分类与位置回归任务。试验结果表明:该研究算法的mAP值达到95.50%。认为:该检测方法能有效提高喷水织机织物疵点的检测效果。

摘要： 探讨基于机器视觉的织物疵点检测应用现状及发展趋势.介绍了织物疵点视觉检测系统的基本结构和工作原理.从图像预处理算法、图像分割算法、织物疵点特征提取算法等3个方面,剖析了各种算法在织物疵点检测中的实际应用情况.总结了不同算法的检测效果和存在的不足之处,并对织物疵点检测的未来发展进行展望.认为:结合人工智能、多传感器的技术,构建稳定可靠的基于机器视觉的织物疵点检测系统可进一步提高疵点检测的准确性.

摘要： 为提高复杂背景下织物疵点检测的准确率,提出了一种融合主结构提取和多尺度线性滤波的疵点检测方法.该方法对输入图像进行中值滤波和对数增强预处理以增加疵点和背景的对比度,并利用相对总变差模型提取织物图像的主结构信息——疵点,达到抑制背景纹理的效果;然后利用多尺度线性滤波器实现精确定位达到增强疵点区域的目的;最后利用预处理与疵点增强结果进行点乘的形态学处理得到完整疵点区域.实验结果表明:此方法可以检测污渍、破洞、带纱、霉斑、结团等多种疵点类型,与RPCA等3种检测方法相比,检测准确率提高了9％ 以上.

摘要： 为解决当前机织物疵点检测方法精度不足的问题,提出了基于总变差模型的织物疵点分割方法,并着重分割经纬向尺寸小且异常不显著的疵点.首先应用奇异值分解低秩重建的方法将织物纹理背景去除,获取疵点异常图;然后通过构建总变差模型对疵点异常图进行最优化求解处理,得到不同约束下的疵点增强图;最后通过常规分割算法实现疵点的准确分割.实验结果表明:经总变差模型处理后的疵点异常图,其疵点与背景的可分割性得到显著提升.通过讨论总变差模型的参数对分割结果的影响,进一步验证了基于总变差的织物疵点分割方法的有效性和稳定性.

摘要： 随着对纺织工业产品质量要求的提高以及传统疵点检测方法存在局限性,基于图像处理技术的织物疵点自动检测技术得到了快速的发展.为提高图像处理技术的应用效率,实现纺织行业的数字化与智能制造,介绍了织物图像的预处理技术,对织物疵点检测的主流方法进行了总结,包括基于结构、统计、频谱、模型和学习的方法,并对这些方法的检测原理做了概括,分析了其优缺点与适用范围;介绍了现有成品检测设备,对比分析了仪器和系统处理技术的优缺点;最后,梳理分析了现有的图像处理技术在纺织工业应用中所面临的难题,并提出了对未来发展的构想.

摘要： 针对传统人工织物疵点检测存在的误检及低效等问题,提出了一种基于视觉感知机制的自适应织物疵点轮廓检测方法.首先,模拟视觉系统中视网膜感受野对视觉信息的处理机制对织物疵点图像进行滤波及疵点增强;其次,依据初级视皮层(V1)区对视觉信息响应的方向选择性机制构建织物疵点图像边缘检测模型,实现对织物疵点图像的边缘检测.最后,采用自适应阈值选择的方法对检测到的边缘进行二次处理,获得织物图像疵点的轮廓.为验证本文方法的有效性和准确性,对4类织物疵点图像进行测试,并定性和定量两方面进行比较分析,结果表明文中提出的方法能够较好地检测出织物疵点轮廓信息,不仅可以得到质量较高的织物疵点轮廓图像,而且在整个检测过程中能够自适应的选择参数,避免受人的主观因素影响,具有实际的应用价值.

摘要： 织物疵点的检验是织物评定质量优劣、评定等级的主要依据.常按织物疵点的影响程度、大小、对后加工要求评定分数进行疵点的清除、修复或开剪,保证后加工产品的正品率,减少剔片率,是有重大的经济意义.传统纺织企业设有整理车间,专职负责织造后织物(俗称坯布)的检验、复查、修复的工种,配置相应的设备,也可在织物预缩、拉幅等工序后设置织物疵点检测设备.

摘要： 设计了一种利用机器视觉,并且结合LabVIEW多线程处理机制与Hough变换及Gabor算法的织物疵点检测系统.通过LabVIEW中基于数据流的生产/消费者并行软件编写模式与队列的结合,防止内存中的图像因为采集速度过快而被覆盖,造成数据丢失.在检测算法中使用Hough变换获取织物纹理方向角并作为Gabor滤波器的方向以检测织物疵点,再通过最大熵进行图像分割.实验结果表明,该处理机制与检测算法的结合具有良好的织物疵点检测效果.

摘要： 本文织物疵点特征提取算法将灰度共生矩阵和Gabor滤波嚣相结合,利用Gabor滤波器能捕获纹理较多的有用信息和准确度高的优势,辅以灰度共生矩阵特征一起作为图像特征信息,增强了织物疵点分类的准确性.在分类器选择上,为减少训练完后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法-高稀疏性最小二乘支持向量机(HS-LSSVM).在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题.对多个织物疵点分类问题的实验表明,HS-LSSVM具有稀疏率高,分类性能强,且稀疏化速度较快等优点.

摘要： 阐述了一阶、二阶微分，Canny和基于小波等多种图像边缘检测方法，并对织物疵点图像进行了边缘检测，分析了各种方法在图像边缘检测应用中的优势和缺陷，结果表明，Canny和小波检测算法对织物疵点图像的边缘检测能够得到满意的效果，提供了较好的织物疵点边缘检测的途径。

摘要： 用小波变换结合BP神经网络对织物疵点进行检测和分类.采用平纹坯布作为试样,对油渍、缺经、缺纬疵点进行识别.摄相机摄取256×256图像,将拾取图像进行小波分解,然后把小波分解后的图像灰度值作为特征参数输入到BP神经网络进行检测识别.实验结果表明,用这种方法识别织物疵点,识别率可达到98%.

摘要： 目前的疵点检测方法一般基于织物的可见光图像,对色彩或灰度的依赖过大,以致影响到后续的图像处理算法的分类效果,是当前检测算法所面临的严重问题.为解决当前织物疵点检测系统中存在的问题,提出了一种新的利用合成孔径雷达技术进行疵点检测方法.该算法由于与传统的可见光成像机制不同,利用合成孔径雷达技术,避免了对可见光成像依赖性,用sAR的理论和算法解决了一些成像及识别关键问题,理论分析和实测数据的处理结果验证了该方法的有效性.

摘要： 提出一套新的织物疵点轮廓提取算法,可简单快速地提取织物图像中已确定位置的疵点轮廓.采用"去纹理算法"去掉织物的图像纹理,提出"平均并色法"去掉疵点周围的背景并用扫描法提取疵点形状建立适合后续处理的数据模型;用方向判断法分析疵点内部与背景色颜色一致的点是否需要去除,建立疵点轮廓的环型数据模型供后续疵点的相关进行分析,并建立疵点轮廓逐行数据模型供后续平移、放缩、翻转等处理.通过实例得出该套算法适用范围广,可高速准确地自动提取织物疵点轮廓.

摘要： 针对目前织物疵点检测主要采用人工检测,检测精度、速度、检出率都较低等问题,研究了一种基于机器视觉的织物疵点检测系统.该系统采用模块化硬件设计.并为之设计了完整的系统软件.经实验验证,该系统具备理想的检测能力,能满足实时在线检测的要求,可以有效检测出生产线上的疵点.

摘要： 对改进的基于局部熵的织物疵点检测方法进行了研究。对不同图像的处理，使用自适应性阈值，有效降低了传统方法中变化的背景和主观选择带来的误差;采用泰勒展开式简化了局部熵的计算公式，加快了运算速度。另外，运用数学形态学中的开运算，显著地滤除了图像中的噪声，并保持原疵点图像的大致形状。最后，用改进的方法进行了局部熵疵点检测实验，结果表明此方法极大提高了图像识别的正确率和抗噪滤波的能力，得到了满意的效果。

摘要： 随着人们消费观念的发展和人们对生活质量的进一步提高，人们对时装面料的需求也就转变了过去传统的思维观念和时装采购要求，这就不仅对高档面料的花色提出了更严格的要求，而且对织物面料的疵点大小也提出了更严格的质量标准，使我们在日常生活中所经常谈论到的客户越来越挑剔的话题变得真实起来，面对现实生活中的激烈竞争和供大于求的市场现实，从纺织设备的生产厂家、棉纺厂、织造厂到染整厂都在提高本工序的产品质量和开发新的产品，以此来满足人们不断变化的和不断提高的消费要求，所以在二十世纪的中后期纺纱设备就出现了转杯纺纱机、喷气纺纱机、涡流纺纱机、赛络纺纱机、花式纺纱机等等。

摘要： 本发明涉及纺织物缺陷检测技术领域，具体涉及一种基于半监督网络的纺织物表面疵点检测方法及系统：获取待检测纺织物的表面图像的灰度图像；将灰度图像输入到半监督检测网络中，从而确定待检测纺织物是否存在缺陷；该半监督检测网络的获取步骤为：获取N张纺织物的表面图像的灰度图像，从而确定各个待重构样本图像及其对应的重构系数，进而利用自编码网络对各个待重构样本图像进行重构，得到重构后的各个样本图像，并利用重构后的各个样本图像对构建的半监督检测网络进行训练，从而得到最终的半监督检测网络。本发明通过采用重构后的样本图像对半监督检测网络进行训练，有效提高了网络识别纺织品缺陷的识别精度。

摘要： 本发明涉及一种基于摩擦振动信号的织物表面疵点检测方法，采用接触式探头提取织物表面的摩擦振动信号后，先对摩擦振动信号进行聚类分析，判断信号是否存在异常，如果信号不存在异常，则织物表面无疵点；如果信号存在异常，则对摩擦振动信号进行解构得到含有疵点信息的信号成分后，再对含有疵点信息的信号成分进行聚类分析确定织物表面疵点的种类数。本发明创新性地利用反映织物表面信息的摩擦振动信息来反映疵点信号信息，同时利用机器学习和时频分析算法来处理摩擦振动信号，以达到准确反映疵点信号的特征的目的，基于摩擦振动信号的纺织品疵点检测有助于推动纺织品疵点检测的数字化实现。

摘要： 本发明公开了一种基于DPGAN模型的疵点织物生成方法，属于织物疵点检测领域。本发明包括：S1、获取织物与疵点的语义分割图；S2、将语义分割图、无疵点图和疵点图对应进行横向拼接；将拼接图像分离为语义分割图、无疵点图和疵点图，进行归一化；将语义分割图与无疵点图打包作为生成器的训练集导入，疵点图导入判别器；S3、根据生成器生成图与判别器疵点图的交叉熵和L1Loss损失函数之和来优化，使得生成器输出目标域图片，得到DPGAN模型；S4、在新的纹理织物上随机进行语义分割，将语义分割后的图与原无疵点织物图拼接，输入DPGAN模型中，生成新纹理疵点织物图。本发明能够在不同纹理织物上生成缺陷，增强数据集。

摘要： 本发明公开了一种基于无监督学习的织物疵点检测算法，涉及织物疵点检测领域，现提出如下方案，包括如下步骤：S1、设计自动编码器的重构模型，用于实现正常布匹图像的重构；所述重构模型由编码器和解码器两部分组成，编码器用于查找训练数据的压缩表示方法，解码器用于通过压缩信息进行原始数据的重构；S2、基于S1中自动编码器设计出基于高斯噪声约束的变分自动编码器，引入结构相似性指标并对其进行改进，利用改进的结构相似性指标与高斯噪声约束对重构模型进行训练，生成结构相似性残差图；S3、采用Gabor小波滤波方法对残差图进行缺陷定位。本发明可以有效的分割目标缺陷图像，相对于传统算法以及其他网络组合模型有更好的检测精度。

摘要： 本发明涉及一种基于混合膨胀卷积和多尺度特征融合的织物疵点检测方法，其步骤为：首先，建立用于训练卷积神经网络的织物疵点模型的数据集，并将织物图像数据集分成训练集和测试集；其次，设计混合膨胀卷积模块、特征融合方法和候选框架构，搭建织物疵点检测网络；然后，将训练集输入织物疵点检测网络中进行训练，并利用异步梯度下降的训练策略调整织物疵点检测网络的参数，得到织物疵点检测模型；最后，将测试集输入织物疵点检测网络模型中，定位出图像中的目标疵点及位置坐标，并在图像中框出疵点目标。本发明将混合膨胀卷积和多尺度特征提取相结合搭建织物疵点检测网络模型，在保证有较高检测精度的同时，减少了模型的尺寸大小。

摘要： 本发明属于织物瑕疵检测领域，涉及到一种基于分步识别策略的织物疵点检测方法。该方法基于自行设计一套在线检测设备，检测方法分为七个步骤：织物图像采集、图像预处理、图像分区、疵点局部识别、激活图生成、疵点全局识别和结果反馈，使用图像增强的方式对采集的图像的疵点信息进行加强，然后使用局部识别模型预测图像中每个区域存在疵点的可能性，预测结果形成一张疵点激活图，最后使用全局识别模型对激活图进行预测完成对收集图像中疵点的识别，计算机对识别结果及时的反馈。本发明提供的设备可直接安装在织机上，在织造过程中完成对坯布疵点的检测工作，具有较高的检测效率。

摘要： 本发明涉及图像识别技术领域，具体涉及一种基于人工智能的织物疵点识别方法及系统，包括：获取待检测织物表面的RGBD图像以获取RGB图像和深度图，进而获取LABD四通道图像；确定该四通道图像中的每一个像素点在不同尺寸下的邻域区域，进而确定LABD四通道图像中的每一个像素点在不同尺寸下的显著值，并确定该四通道图像中的每一个像素点在不同尺寸下的权重值；根据显著值和权重值，确定四通道图像的显著图，从而得到各个形态图，根据各个形态图、显著图和深度图得到疵点识别结果。本发明通过获取检测织物表面的RGBD图像对应的各个形态图、显著图和深度图，从多尺度准确地描述了疵点的特征，有效提高了疵点识别和分类的准确性。

摘要： 本发明涉及机器学习技术领域，具体涉及一种基于灰度共生矩阵的织物疵点分割方法。该方法包括：根据待检测图案灰度图像和标准图案灰度图像获得第一灰度分布序列和第二灰度分布序列；利用第一灰度分布序列和第二灰度分布序列对应元素差值对待检测图案灰度图像的像素点分类获得像素点类别图像；计算像素点类别图像中各像素点灰度共生矩阵获得该像素点为疵点的概率；将待检测图案灰度图像中每个像素点的灰度值转变为该像素点为疵点的概率获得疵点共生表示图像；对疵点共生表示图像进行阈值分割获得疵点区域。本发明基于灰度共生矩阵识别织物中的疵点，提高了对织物中的疵点检测的效率，同时基于疵点共生表示图像获得疵点区域，提高了检测的精度。

摘要： 本公开涉及材料测试和分析技术领域，具体涉及一种基于条纹规律性和生成对抗网络的色织物疵点识别方法，该方法利用可见光手段获取色织物可见光图像，并根据可见光图像进行材料分析，即根据色织物可见光图像得到去噪图像；确定去噪图像内的锚定区域；将去噪图像分割为横纵条纹图和相交区域图；对横纵条纹图分别进行颜色组成规律性分析和条纹内纹理规律性分析；对相交区域图分别进行颜色组成规律性分析和条纹内纹理规律性分析；生成横纵条纹生成图；生成相交区域生成图；将横纵条纹生成图和相交区域生成图进行融合；对总生成图和去噪图像进行疵点识别处理。本公开利用可见光手段进行材料分析和测试，提高了色织物疵点识别的准确度。

摘要： 本发明提供一种用于织物疵点检测的模板匹配方法和系统，模板匹配方法包括以下步骤：特征值计算步骤，对模板图像进行裁剪、分块、均衡化，再对模板图像的灰度共生矩阵特征的统计值进行计算获得模板图像的特征值；模板制作步骤，根据特征值计算步骤中获得的特征值，分块制作模板；检测图像处理步骤，在用相机拍摄检测图像之后，进行裁剪、分块、均衡化，再对检测图像的灰度共生矩阵特征的统计值进行计算获得检测图像每一块的特征值；模板匹配步骤，对于已分块的检测图像的每一块，读入该块的模板信息，将该块的特征值传入模型判断该块是否为疵点块。根据本发明，有效解决对检测图像要求质量过高的问题，实现质量稳定、检测准确、节约成本。