论文部分内容阅读
布料作为轻工业的重要原材料,其质量一直是纺织行业中的各类企业所重视的核心问题之一。早先由于技术的限制,布料表面的质量检测一直是依赖流水线上的工人的眼睛进行人工检测,存在着诸如错误率高、标准难以统一、受人为因素影响较大等问题。随着近些年来技术的发展,布料的自动化检测技术被越来越多的应用在工厂的实际生产中,使得行业的标准化成为可能,同时也促进了相关行业的发展。随着相关技术的发展,诞生了许多种基于机器视觉的不同算法,这些具体的方法可以大致分为统计法、频谱法、基于模型的方法和近些年诞生的基于机器学习和神经网络的新检测方法。本文针对布料疵点检测中所遇到的实际问题进行了以下工作:1.基于灰度梯度增强和图像非局部自相似性的布料疵点检测算法。针对基于图像非局部自相似(NSS)的检测方法不能有效地检测到小型的线性疵点的问题,在原有的检测方法中引入基于图像灰度密度函数的方法来对于疵点区域进行增强,从而解决原有算法对于小型的线性疵点检测能力不足的问题,即基于增强的NSS疵点检测方法(ENSS)。实验结果表明该算法在保证原有检测性能的前提下解决了原有算法对于小型线性疵点缺乏检测能力的问题。2.基于Haar小波分解与分块方差的布料疵点检测算法。针对当前很多的检测技术对于小型疵点或较为模糊的疵点无法实现有效检测的问题。选择采用基于小波的方法来设计布料疵点检测的算法。首先采用均值滤波器对采集到的图像进行预处理,对经过预处理的图像采用Haar小波进行树状小波分解,选择其中的LH通道,即代表垂直高频系数的图像进行增强,对其他三个通道的信息进行抑制。之后将重构后的图像分为许多等大的小块,计算每个块的方差,结合基于方差的阈值法以确定小块中是否存在疵点区域,然后将这些块合成新图像,从而实现疵点定位的目的。实验结果证明了该算法的有效性。