论文部分内容阅读
人们生活的水平不断提高，对于织物的质量要求也随之提高，而织物瑕疵是影响其质量的一个重大因素。传统人工检测疵点的方式效率和精度低下且成本较高。故实现织物疵点自动检测系统意义重大。本文主要研究了三种基于奇异值分解的织物疵点检测算法以及织物疵点的自动检测系统。
奇异值分解(SVD)进行织物的疵点检测具有很多优势，如：图像的奇异值具有良好的鲁棒性，当待测图像存在噪声、光照不均匀、旋转、平移或者放大的情况时，图像的奇异值基本保持不变，对于后续图像处理的影响较小；并且奇异值分解的方法可以降低维度，减小计算复杂度的同时提取图像的主要信息，达到疵点检测的目的。而织物疵点的在线检测对算法的实时性要求较高，本文针对这一问题，提出了三种基于奇异值分解的方法进行织物的疵点检测。第一种，改进的奇异值分解法是对待检测的图像进行处理，提取出我们所感兴趣的瑕疵区域(ROI)，对ROI区域进行图像分割，再进行奇异值分解，去除较大的奇异值来抑制背景能量信息。这样对子图像的处理减小了计算量，从而提高了检测速度。随后用剩下的奇异值进行图像重构，增加织物图像瑕疵区域和背景纹理的能量差异，计算其相似度系数，达到疵点检测目的；第二种，奇异值投影法是对无瑕疵样本图像进行有重叠的分割，计算子图像纵、横方向上的投影，将两个方向上的投影序列首尾相连接组成联合投影序列，对所有子窗口进行上述操作用以构建联合投影矩阵，再对其进行奇异值分解，并提取基向量。利用此基向量对待测图像进行重构，计算重构误差来判断待测图像是否存在瑕疵。该方法只是对模板织物图像进行奇异值的分解，不对待测图像进行此操作，因此减少了计算步骤，从而提高了算法的运行速度；第三种，二维奇异值分解的方法是分别计算模板织物图像和待测图像的行和列的协方差矩阵，并分别对其进行奇异值分解，选择能代表大部分信息的行向量和列向量，构建散布矩阵，求取其低秩最优近似，并计算范数，对比并判断其能量是否在正常的阈值范围内，从而判断是否存在瑕疵。该方法是基于二维的，不用将二维空间图像转化到一维向量，以此来提高检测效率。
在实验室环境下设计并搭建了一套织物疵点自动检测系统，通过软件、硬件的结合来实现布匹的在线、实时检测。实验表明该系统对常见的织物瑕疵的检测准确度高、可靠性强且具有一定的实时性。可考虑将其推广到工业领域进行实验调试。
奇异值分解(SVD)进行织物的疵点检测具有很多优势，如：图像的奇异值具有良好的鲁棒性，当待测图像存在噪声、光照不均匀、旋转、平移或者放大的情况时，图像的奇异值基本保持不变，对于后续图像处理的影响较小；并且奇异值分解的方法可以降低维度，减小计算复杂度的同时提取图像的主要信息，达到疵点检测的目的。而织物疵点的在线检测对算法的实时性要求较高，本文针对这一问题，提出了三种基于奇异值分解的方法进行织物的疵点检测。第一种，改进的奇异值分解法是对待检测的图像进行处理，提取出我们所感兴趣的瑕疵区域(ROI)，对ROI区域进行图像分割，再进行奇异值分解，去除较大的奇异值来抑制背景能量信息。这样对子图像的处理减小了计算量，从而提高了检测速度。随后用剩下的奇异值进行图像重构，增加织物图像瑕疵区域和背景纹理的能量差异，计算其相似度系数，达到疵点检测目的；第二种，奇异值投影法是对无瑕疵样本图像进行有重叠的分割，计算子图像纵、横方向上的投影，将两个方向上的投影序列首尾相连接组成联合投影序列，对所有子窗口进行上述操作用以构建联合投影矩阵，再对其进行奇异值分解，并提取基向量。利用此基向量对待测图像进行重构，计算重构误差来判断待测图像是否存在瑕疵。该方法只是对模板织物图像进行奇异值的分解，不对待测图像进行此操作，因此减少了计算步骤，从而提高了算法的运行速度；第三种，二维奇异值分解的方法是分别计算模板织物图像和待测图像的行和列的协方差矩阵，并分别对其进行奇异值分解，选择能代表大部分信息的行向量和列向量，构建散布矩阵，求取其低秩最优近似，并计算范数，对比并判断其能量是否在正常的阈值范围内，从而判断是否存在瑕疵。该方法是基于二维的，不用将二维空间图像转化到一维向量，以此来提高检测效率。
在实验室环境下设计并搭建了一套织物疵点自动检测系统，通过软件、硬件的结合来实现布匹的在线、实时检测。实验表明该系统对常见的织物瑕疵的检测准确度高、可靠性强且具有一定的实时性。可考虑将其推广到工业领域进行实验调试。