基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法

为提高织物疵点检测算法对简单纹理织物、模式纹理织物及条纹纹理织物检测时的普适性和准确性,提出了一种基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法。首先,对织物图像进行直方图均衡化并将处理后的图像均匀划分为子图像块;其次,对每个子图像块提取28个纹理能量特征(利用7个Laws滤波模板在4个尺度上提取),计算所有子图像块提取到的特征均值并组成特征矩阵;然后,利用特征矩阵构建低秩分解模型,通过方向交替方法(ADM)优化求解,得到低秩部分和稀疏部分;最后,由稀疏部分生成疵点显著图,采用迭代阈值分割法对其进行分割,得到织物疵点检测结果。为验证该算法的有效性,在织物图像数据集选取了包含错纬、断经、跳花、破洞等常见疵点的织物图像,并将实验结果与已有3种算法进行了对比。实验结果表明,该算法在简单纹理织物、模式纹理织物及条纹纹理织物检测上具有更好的普适性和准确性,且检测效率具有一定优势。

融合瓶颈注意力模块的改进YOLOv7织物疵点检测算法

针对织物疵点检测中多尺度、微小目标检测精度低、速度慢等问题,提出一种基于改进YOLOv7模型的织物疵点检测算法。在YOLOv7的特征提取网络中替换标准卷积块,采用可形变卷积融合更多感受野在采样时更贴近疵点的形状和尺寸特征;同时嵌入瓶颈注意力模块,捕获更多疵点的特征信息强化对微小目标的敏感度。经试验,改进YOLOv7模型对各类别样本的检测精确率P达到97.3%,相比于原始YOLOv7算法提升5.2个百分点,召回率R提升5.9个百分点,mAP@0.5提高14.3个百分点。改进后的YOLOv7模型可以准确地实现对织物疵点的检测。

基于特征提取和图像分类的螺旋网疵点自动检测

为了解决当前螺旋网人工疵点检测效率低、误检率高等问题,提出了一种基于分类思想的螺旋网疵点检测方法。对螺旋网图像提取多模式多尺度的LBP特征,充分表征螺旋网图像的信息,通过构建支持向量机(Support vector machine,SVM)分类器实现螺旋网疵点自动检测。结果表明:对于螺旋网疵点图像的局部二值模式(Local binary pattern,LBP)特征,采样半径为2,采样点个数为8时的均匀模式LBP的分类准确率优于其他模式和尺度的LBP,达到了100%,检测速度为0.48 s/张。通过对比不同的特征提取方法和分类器,验证了该文方法对于螺旋网疵点自动检测的适用性,可以实现纺织企业中螺旋网的自动化检测。

基于注意力机制改进的YOLOv7服装缝线疵点检测方法

针对目前肉眼检测服装缝线疵点效率低下、成本较高、准确率不高、容易出现漏检和误检等问题,文章利用深度学习的方式对服装缝线疵点进行实时检测,构建了一个服装缝线疵点检测的数据集,包含了常见的服装缝线疵点类型,提出了一种基于注意力机制的YOLOv7算法SK-YOLOv7,在YOLOv7的骨干网络添加3个SK模块,以增强主干网络的特征提取能力,并引入CBAM-YOLOv7和SE-YOLOv7算法进行对比实验。实验结果表明:SK-YOLOv7具有较高的查准率及查全率,平均检测精度也有所提高。SK-YOLOv7相较于CBAM-YOLOv7和SE-YOLOv7在缝线检测上表现更好。文章对数据集采用不同的标记方式进行对比测试,发现对疵点区域进行一次标记的方法会导致特征大量丢失,而对疵点区域内进行分块标记的方法表现出了更好的检测效果。综合实验结果得出,基于注意力机制改进的YOLOv7服装缝线疵点检测方法是可行的,可以较好地推动纺织服装检测行业的发展进步。

基于改进YOLOv7的织物表面疵点检测技术

针对目前纺织工业中织物疵点检测技术的局限性,提出一种用于自动检测织物缺陷的改进YOLOv7算法。首先,在颈部网络引入SPD-Conv模块,在进行卷积下采样时保留与疵点相关的特征辨别信息,解决了原网络对于小目标的特征信息学习不足的问题;其次,YOLOv7的主干网络通过引入CA注意力机制,在兼顾通道注意力的同时,还考虑了位置信息,从而更有效地识别疵点;最后,把WIoU用作边框损失函数,使其更加侧重于一般品质的锚框,从而增强了YOLOv7的泛化能力。通过实验对比发现,改进后算法的mAP值为92.28%,精度为95.65%,分别比原始YOLOv7算法提高了2.64%和4.12%,能够达到纺织产业在疵点检测方面的要求。

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明:提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。

基于DCGAN和改进YOLOv5的织物疵点检测算法

针对传统的织物疵点检测算法的精度低、速度慢、漏检率高等难点,提出了基于深度卷积生成式对抗网络和改进YOLOv5的织物疵点检测算法。首先,将公开的天池阿里云织物疵点图像通过DCGAN网络进行数据增强,建立各类疵点样本较为完善的数据集;其次,为了提高模型的检测精度,在YOLOv5模型上引入CBAM注意力机制模块,让模型检测更能聚焦在缺陷区域,从而降低漏检率;再次,将Mish激活函数替换Leaky ReLU函数,增强模型的泛化能力。最后通过改进模型与原模型的对比实验,得出结论,提出的模型相比其他深度学习模型具有更好的检测度和鲁棒性。

基于无抽样离散小波变换的复杂纹理织物疵点检测

为了进一步提高复杂纹理织物的疵点识别率,本文采用新型算法检测复杂纹理织物的疵点。首先分析了无抽样离散小波的变换原理,选取二维无抽样小波对织物疵点进行检测;接着分析了小波基和分解尺度的选择依据,并在此基础上提出织物疵点的判别流程;最后为了验证无抽样离散小波变换算法的有效性,与其他主流算法进行对比分析。由于抽样离散小波具有平移不变特性,在疵点区域小波变换对应的能量会增大,而在无疵点区域能量会减小,选用Daubechies D2小波作为小波基,小波分解尺度的选择需要考虑织物图像的纹理特征,选择的尺度以适中为宜;从织物图像区域中提取水平、垂直和对角线方向能量作为特征值,分别选取6种类型的织物疵点进行对比实验。实验结果表明,采用无抽样离散小波变换算法进行织物疵点检测平均正确率和实时检测速度均高于其他主流算法,可以较好地用于复杂纹理的织物疵点检测。

基于改进类激活映射的织物疵点检测

为实现弱监督条件下的织物疵点检测,提出一种基于改进类激活映射(Class activation mapping,CAM)的疵点检测方法。在卷积神经网络中加入SE模块,并将深层和浅层卷积层进行结合,以此提高网络的分类性能;为了提高疵点定位的准确性,将两种分辨率的类激活图进行融合来生成改进的类激活图。实验结果表明,该算法对无疵点、孔、污渍和纱疵四个类别织物图像的识别准确率达到了96.88%,并且在数据集只有图像级标注的情况下,实现了织物疵点的定位。

纱线疵点产生的原因分析

随着生活水平的不断提高,人们对面料手感和外观的要求越来越高,而纱线疵点直接影响面料的手感和外观。在原料及纱线品种的不断开发和发展过程中,相关设备、工艺的更新和改进能提升面料手感和外观质量,因此,有必要加强对纱线疵点的分析和控制,提高纱线质量。基于此,文章对纱线疵点产生的原因进行分析。

改进YOLOv8的织物疵点检测算法

针对传统织物疵点检测方法耗时耗力,主流检测模型速度慢或精度低的问题,改进了YOLOv8模型,旨在提高织物疵点检测的性能。选择性注意力模块(LSKBlock)融入YOLOv8主干网络,使模型自动学习并决定哪些信息值得关注与处理,优化模型对相关信息的处理效果;在颈部将卷积层替换为可变形卷积(DCN),加强网络感知目标形变的能力,进一步提升网络的特征提取和定位能力;另外通过设计一种轻量型范式(Slimneck),提高模型精度并降低复杂度。在TILDA和织物疵点数据集上进行性能评估,结果显示,改进的YOLOv8模型在两个数据集上的mAP分别达到88.6%和92.7%,相较原模型提高了4.1和4.0个百分点,且检测速度满足实际生产中的要求。

基于机器视觉的织物疵点检测方法综述

对基于机器视觉的各种织物疵点检测方法进行综述,将检测系统分成3个层次:疵点判别、疵点分割和疵点分类,给出了对各个层次的要求和完成的目标,并将已经提出的大多数疵点检测方法按其特点归类到3个层次中,具体描述了各类方法的优缺点,分析其实用性,最后总结了该领域的发展趋势.

基于改进的EfficientDet的布匹疵点识别

为了准确而高效地识别出布匹各种疵点的种类,采用改进的EfficientDet算法进行布匹疵点识别。首先采取改进的Ostu阈值分割算法进行特征边缘的检测,采用非极大值抑制方法对边缘进行筛选,确定候选区域;然后采用筛选器对候选区域的疵点进行识别和分类,其中筛选器采用改进的EfficientDet算法。改进的EfficientDet算法与其他优秀的目标检测算法以及原算法进行了比较。结果表明,改进的Ostu分割算法相较于传统算法不仅可以在更多的布匹图像中更准确地识别疵点区域,而且抑制了假边缘现象;该模型规模是几种算法中最小的,识别准确率达到94%,高于目前最优算法4个百分点。

基于改进YOLOv7的织物疵点检测算法

针对织物疵点检测方式大多为人工操作且检测耗时、背景复杂、所含疵点种类繁多等问题,提出一种改进YOLOv7算法的轻量级检测方法。首先,在主干和颈部引入FasterNet结构,在保证检测精度的同时又降低网络参数量;其次,为减少位置信息丢失,在特征提取阶段引入CA注意力模块,以提高网络的表达能力;最后,引入新的损失函数Focal-EIoU,将Focal与EIoU相结合,提高疵点的分类和定位精度。通过对构建的含有6种疵点的面料数据集进行测试可以看出,相比于原算法,所提算法计算量GFLOPS降低至38.6,参数量降低6.14×10^(6),平均精度均值提高4.6%,漏检率降低5.5%,帧率达到63.2帧/s。

基于方向灰度积分曲线特征的织物疵点检测算法研究

针对于断纱、缺纱、穿错、粗纱等这类结构型织物疵点,由于其具有灰度跳变不明显、疵点面积小的特征在疵点检测过程中难以检测这一问题,本文结合织物图像自身的纹理特征及结构型疵点的方向性特征,创新性地提出基于方向灰度积分曲线特征的织物疵点检测方法,将二维织物图像的疵点检测转化为对一维灰度积分曲线特征的分类识别。该方法通过对输入的图像提取垂直水平方向灰度积分波形曲线,并对积分曲线提取了包括平均值、方差、能量等14个波形特征,然后利用可优化SVM分类算法对提取特征进行疵点判别。通过对漏针、断纱、并经、粗纱等疵点进行检测试验,结果表明,本文提出的疵点检测方法不仅对检测灰度跳变较小的结构型疵点具有较好的检测效果,检测准确率达到了94.34%,而且检测速度快,可以满足实时检测的速度要求。

一种基于改进YOLOv5的复杂背景织物疵点检测方法

受背景中复杂纹理的影响,有花纹和图案的织物检测疵点一直是该领域的难题。对此提出了一种改进YOLOv5模型的疵点检测方法,该方法将模型中原来的特征金字塔网络模块替换为双向特征金字塔网络,以更好地融合不同尺度下提取的特征。实验中使用该模型对具有花纹和图案的织物样本进行检测,结果表明改进后的模型有较为明显的性能提升。

USTERQUANTUM3型清纱器清纱疵点分析与跟踪

为充分发挥USTER QUANTUM 3型清纱器的清纱效能,减少布面纱线疵点,对该清纱器的清纱疵点NSLT的分析方法和来源追溯进行研究。分析了NSLT纱疵的外形特点和产生原因。研究结果表明:利用清纱器的抓纱疵功能,将纱疵收集在纱疵卡上分析纱疵来源,结合用户反馈可进一步优化清纱工艺参数;通过清纱器的“概况”功能,可以观察某个班次某种纱疵概况和每个锭子的具体情况,对波动大的纱疵应分析原因,对纱疵出现频率高的锭子应追溯纱疵来源。认为:企业应建立纱疵监控数据、模拟图跟踪机制,制定跟踪计划,一旦发现纱疵数据和纱疵模拟图变化较大,可立即启动突发性纱疵分析机制,以减少布面质量波动、原材料消耗和机物料消耗。

基于轮廓拟合与距离分析的茧丝疵点分割算法

针对目前茧丝疵点检测自动化程度低、分割精度不高等问题,提出一种基于轮廓拟合与距离分析的茧丝疵点分割算法。背景糙点的外接矩形面积较小,据此将其剔除。针对疵点边缘分割易失真的问题,对茧丝曲线轮廓重新进行多线段拟合。根据采用多线段拟合疵点与丝干轮廓时两者相邻线段端点距离差异较大的特点,设置距离阈值先删除疵点轮廓,再与曲线轮廓作差得到疵点图像。研究结果表明,基于轮廓拟合与距离分析的茧丝疵点分割算法的平均交并比与平均F1分数分别达85.57%和91.50%,能较好地保留疵点边缘轮廓信息,同时显著提升疵点提取精度。

横条疵点的控制与管理

为了减少横条疵点的产生并加强控制,通过对上下游纺纱厂、织布厂、染整厂横条疵点产生原因的分析,说明了针织物横条疵点具有的共性与危害;总结了横条疵点的控制方法与预防措施,上下游相关联的责任区分,以及横条疵点与原料、工艺、设备、管理之间的关系;指出针织物横条疵点难以用具体的稀纱质量指标来预防和控制。原料的质量、混配与接替,细化生产和设备管理标准是控制的关键,强化管理、优化工艺参数,明确责任区分、加强上下游相关联厂的沟通,能有效地遏制横条疵点的发生。

基于数据挖掘的织物疵点MES系统开发

针对当前纺织车间织物疵点管理流程中数据化信息采集程度低、疵点信息分析维度复杂、疵点与工种绩效关联等现状,结合其问题的具体表现,设计开发了基于数据挖掘的织物疵点MES系统。该系统采用编程语言Java,通过简单页面进行操作,实现了疵点快捷录入、疵点自动评分、品种信息管理、工艺优化推荐、员工绩效计算等功能,能够提高企业的管理效率,降低人工操作成本。该系统使得织物疵点管理操作更加智能和便捷。