基于视觉显著模型的织物起球等级评价

为实现织物起毛起球性能评价的客观性及准确性,提出一种基于视觉显著性的织物起球等级评价新算法。首先,利用局部特征显著机制—高斯金字塔分解实现毛球与织物纹理及光照不均等信息的分离,并采用中央-周边操作获得织物起球疵点显著图,再通过融合全局特征显著机制—谱残差提高织物起球疵点显著度;其次,采用平均结构相似度评价算法对织物起球显著图进行质量评估;最后,采用高斯拟合阈值分割得出织物起球兴趣图,从而提取起球特征参数进行等级评价。实验结果表明:该算法能够增强起球显著度,得到有效的起毛起球特征参数,实现1~5级织物起毛起球等级的准确评定。

基于改进的SSD深度学习算法的双目视觉纱筒识别定位

针对纺织厂转型升级过程中,传统视觉技术对于多种颜色纱筒识别定位准确率较低的问题,提出了一种新的双目视觉纱筒识别定位方法。首先,用MobileNet V3替换VGG16作为改进SSD(single shot multibox detector)深度学习算法的主干特征提取网络,并引入特征融合模块,提升了网络浅层的特征提取能力;其次,利用双目相机采集的左侧纱筒图像作为数据集,完成改进SSD深度学习算法的训练和测试;最后,将双目校正的纱筒图像输入算法进行识别,并通过双目视觉技术实现纱筒的定位。实验结果表明,改进SSD深度学习算法的识别平均精度达到了94.6%,每秒传输帧数达到了52.3,双目定位的平均误差为1.63%。