基于深度学习的机织印花布疵点实时检测方法研究

为满足纺织业内机织印花布瑕疵检测的实时性需求,基于利用回归思想进行检测的单阶段算法模型YOLOv_(3)(you only look once version 3),提出一种改进的机织印花布疵点实时检测方法。通过优化骨干网络结构,引入可变形卷积,提高印花背景下模型的瑕疵特征提取能力;设计新的损失函数,提高瑕疵分类和定位的精准度;引入几何中位数剪枝算法,去除深层网络冗余参数,进一步提高系统检测速度。试验结果表明,改进算法的模型在测试集上准确率可达92.02%,检测精度显著提高,每张图片检测平均耗时22.61 ms,满足工厂的实时性要求。

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制,而导致网络出现的严重过拟合问题,课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像,相较于传统数据增强方法,语义生成可生成全新图像,更贴近实际缺陷分布,并且可通过判别器对生成图像进行筛选;课题组将语义生成的图像作为语义分割网络的输入,相应的随机语义标签作为目标,免去标注过程,扩充语义分割网络的训练样本,提升网络性能;对于语义分割网络,提出尺寸自适应Dice损失函数,解决样本不平衡问题,提升网络对小尺寸的检测能力。实验结果表明:尺寸自适应Dice损失函数使得模型精度提高11.1%,使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。

采用奇异值分解的机织物瑕疵检测算法

针对现有算法对机织物纹理适应性和实时性不佳的问题,提出一种基于奇异值分解(SVD)的机织物瑕疵检测算法。首先将正常织物图像的灰度值沿纵横方向进行投影,并将投影所得的序列组成联合投影序列;然后对联合投影序列组成的矩阵进行奇异值分解,并提取基向量;最后应用所提取的基向量对待检测样本进行重构,并通过重构误差区分瑕疵和正常纹理。重点探讨了基向量个数和子窗口大小对检测效果的影响。经过4 693个样本的实验,结果表明,在误检率小于10%情况下,本文算法的检出率可达90%。经比较,本文算法在检测精度和实时性上都优于AR模型算法。

基于AR模型的机织物线状疵点研究

针对机织物线状疵点检测效果不佳的问题,采用AR模型的谱估计方法对此问题进行研究。首先将获取织物的图像按照一定的子窗口大小分割,并将子窗口内图像的灰度值按照纵向、横向2个方向分别使用方差的方式投影,得到方差序列;然后选择合适的AR模型阶数,依据Burg算法估计得到谱数据;最后通过求得带有疵点图像的谱估计与正常纹理图像得到的谱估计之间的相关系数检测出疵点及其位置。实验验证表明这种方法对机织物线状疵点的检测是有效的。

竹节纱机织面料的疵点分析和防范措施

分析了竹节纱在机织面料上形成的疵点类型和特点,并根据设备情况按工序提出了具体的防范措施,认为竹节的粗度及其在布面上的分布规律都会影响竹节纱织物的风格,生产前应要多试纺试织,以免造成浪费。

基于K-SVD学习字典的机织物纹理表征及应用

为更好地适应机织物纹理以及减少程序的运行时间,选取平纹、斜纹、缎纹3种组织结构采用K-奇异值分解(K-SVD)的方法训练得到一个自适应字典。以峰值信噪比、结构相似性为指标,探讨不同稀疏基数对机织物纹理图像重构的影响,针对不同的应用,选取了合适的稀疏基数T。利用该字典重构机织物纹理图像,在此基础上检测织物瑕疵。实验结果表明:T=6时,算法不仅能有效重构机织物纹理图像(PSNR和SSIM),而且重构效果要优于初始离散余弦转换(DCT)字典;T=4时,K-SVD字典能更好地适应瑕疵样本,且鉴别瑕疵的能力更强。

基于织物结构特征和小波变换的快速疵点检测

给出了一种利用小波为分析工具,基于织物采样图像进行疵点检测的新方法。首先对织物疵点图片进行了奇偶行列采样抽取,得到奇偶两幅子图像并使得图像的总数据变为原来的二分之一,然后再进行小波变换。在进行小波变换时,采用邻域插值,使得紧支撑小波滤波器的系数序列得到缩短,并可以由原来的滤波器系数计算出缩短后的滤波器系数。实验结果表明该方法可以在保证检测效果准确性的同时,大幅减少数据计算量、提升检测速度。

卷积神经网络在无纺布缺陷分类检测中的应用

目的针对传统无纺布缺陷分类检测中人工依赖性强、效率低等问题,提出一种能够满足工厂要求的卷积神经网络分类检测方法。方法首先建立包括脏点、褶皱、断裂、缺纱和无缺陷等5种共计7万张无纺布图像样本库,其次构造一个具有不同神经元个数的卷积层和池化层的神经网络,然后采用反向传播算法逐层更新权值,通过梯度下降法最小化损失函数,最后利用Softmax分类器实现无纺布的缺陷分类检测。结果构建了12层的卷积神经网络,通过2万张样本进行测试实验,无缺陷样本准确率可以达到100%,缺陷样本分类准确率均在95%以上,检测时间在35 ms以内。结论该方法能够满足工业生产线中对于无纺布缺陷实时分类检测的要求。

基于子窗口字典学习的机织物纹理表征及应用

为了提高机织物纹理表征算法的稳定性,提出了以子窗口字典学习表征机织物纹理的算法。将整幅图像划分为多个子窗口样本,并将子窗口样本展成列向量,所有的列向量联合组成灰度数据矩阵。选定离散余弦变换(discrete cosine transform,DCT)作为初始字典,对子窗口样本矩阵进行字典学习,最终得到了稳定的学习字典。选用均方根误差作为评价指标,对字典个数和子窗口大小进行优化。结果表明,应用学习得到的字典,不仅能近似重构机织物纹理样本图像,而且能在无监督的条件下自动识别织物的瑕疵。

改进二叉树SVM模型在无纺布缺陷检测中的应用

针对传统的人工无纺布缺陷检测效率低、成本较高等问题,提出一种基于改进二叉树SVM模型的无纺布缺陷检测方法。因所采集无纺布图像中存在一定的噪声干扰,需先进行图像预处理,该方法首先对图像使用双边滤波,再利用改进的Canny边缘检测算法对缺陷图像进行边缘检测完成图像分割;接着利用Hu不变矩和颜色矩算法,提取经过预处理的图像的形状特征和颜色特征;最后对改进二叉树支持向量机算法进行训练,实现了对无纺布常见的4类不同缺陷的检测及分类工作。实验结果表明:该方法对无纺布缺陷有着高于93%的分类准确率,并且检测效率高,能够满足无纺布实际生产要求。

基于小波的无纺布疵点实时检测算法研究

针对实验项目所使用的薄型用无纺布传统的疵点检测技术主要依靠人为的主观检测问题,提出基于小波的机器视觉的无纺布疵点检测技术,通过分析各种疵点在频域上的特性,采用具有多分辨率特性的小波算法检测疵点,实验可以检测出非常小的孔洞以及杂质型疵点,结果表明,基于小波的无纺布疵点实时检测算法对于毫米级大小直径的杂质型疵点检测效果明显,极大提升了检测速度和准确性。

降低3/1纱卡织物织疵的实践

对织造高密 3 /1纱卡织物过程中产生的织疵作了分析 。

基于最优Gabor滤波器的无纺布缺陷检测

缺陷检测是无纺布生产过程中至关重要的一个环节,针对无纺布的常见缺陷,设计了一种基于最优Gabor滤波器的无纺布缺陷检测算法。首先针对5尺度8方向上的40个Gabor滤波器,对每个滤波子图像的熵进行计算,确定了一个最佳的滤波方向;其次,根据损失评价函数值从最佳方向上的5个滤波器中确定了一个最佳的滤波尺度;最后,对滤波结果进行阈值分割及伪缺陷剔除,实现了缺陷检测。从实验结果来看,所设计的算法可以有效地检测出无纺布缺陷。

基于深度特征融合的无纺布低对比度浆丝缺陷检测方法

针对无纺布生产过程中产生的浆丝缺陷对比度较低,以及传统图像处理方法对其检测效果较差的问题,提出了一种基于卷积神经网络(CNN)的无纺布低对比度浆丝缺陷检测方法。首先,对采集到的无纺布图像进行预处理以构建浆丝缺陷数据集;然后,利用改进的卷积神经网络以及多尺度特征采样融合模块构造编码器以提取低对比度浆丝缺陷的语义信息,并在解码器中采用跳跃连接进行多尺度特征融合来优化上采样模块;最后,通过所构建的数据集训练网络模型,从而实现低对比度浆丝缺陷的检测。实验结果表明,所提方法可以有效定位并检测出无纺布上的低对比度浆丝缺陷,其平均交并比(MIoU)、类别平均像素准确率(MPA)分别可以达到77.32%和86.17%,单张样本平均检测时间为50 ms,能够满足工业生产的要求。