论文部分内容阅读
在机器视觉检测帘子布疵点的过程中，疵点多样性是帘子布进行等级判定的重要指标。传统的疵点检测受限于传感器的精度和机器视觉算法的有效性，虽然能够简单识别出织物疵点，但却很难精确描述出织物疵点的种类。采用新技术和行之有效的算法，以较低的硬件成本，提升机器视觉检测织物疵点的准确性和有效性是非常有实际意义的。通过对已有图像识别算法的分析表明，机器视觉对织物疵点进行识别分类可以归纳为：首先利用适当的特征提取方法提取疵点图像特征，然后根据疵点特征选择合适的分类器对织物疵点进行识别和分类。本文通过对已有疵点图像数据库分析，利用最新提出的压缩感知知识和疵点图像的二维结构特征对帘子布疵点数据进行二维稀疏表示，对不具有稀疏性的疵点数据使用稀疏基进行稀疏化，在此基础上提出了基于稀疏感知字典的特征提取方法，随后对提取到的特征值通过寻找合适的范数进行优化。最后通过比较几种常用的图像识别分类器，提出带有流形信息的稀疏表示算法以及利用稀疏表示分类器与感知字典特征提取相结合的算法对帘子布织物疵点图像进行有监督分类，由此得到帘子布疵点的分类信息。在织物疵点图像的快速识别分类过程中，已有的图像识别算法如：灰度直方图算法误检率高，BP神经网络算法需要庞大的训练样本计算量大。随着图像获取技术的发展，利用疵点图像的稀疏性和流形信息，提出的基于稀疏表示和向量范数优化的织物疵点检测算法，减少了数据的冗余计算量大大减少同时受外界干扰较小，能够快速有效地检测出帘子布疵点并对其进行分类识别。因此这种图像识别算法更适合复杂背景下的织物疵点快速识别分类。