基于非负矩阵分解的图案织物疵点检测

利用距离匹配函数确定图案的周期,并以周期大小的图像块为检测样本。利用非负矩阵分解方法得到图像块的系数矩阵,并将系数矩阵转换为系数特征,并根据正常样本确定标准系数特征和相似准则。对比测试样本的系数特征和标准系数特征,根据建立的相似准则判定图像块是否包含疵点,完成织物疵点定位。在非负矩阵分解的过程中,采用非负双重奇异值分解初始化的方法减少矩阵分解的迭代次数。多种图案织物检测结果表明,提出的方法能够准确检测出织物是否包含疵点,准确率在96%以上。

基于均值hash的图案织物疵点检测

图案织物的疵点检测是织物瑕疵自动化检测的难点,论文提出以均值hash特征描述子表示图案织物的均值hash特征和灰度特征,实现了图案织物的疵点检测。首先,基于图案织物的周期性,构建了无疵点织物的均值hash特征词典;然后,提取测试织物图像块中的均值hash特征和灰度特征;通过图像块的均值hash特征与词典进行匹配,利用汉明距离表示差异度,获得了结构显著图;将图像块的灰度特征与全局灰度平均值比较,得到灰度显著图;最后,融合显著图,定位了缺陷位置。大量图案织物的实验结果表明,均值hash特征描述子能有效地表示周期性图案织物的结构特征,算法结合灰度特征,提高了织物疵点检测的成功率,并具有良好的视觉效果。