基于改进甲壳虫全域搜索算法的机织物疵点检测

为解决深度学习模型在面对跨场景的织物疵点检测时存在泛化性能差的问题,在甲壳虫全域搜索算法(BAS)的基础上添加了本地搜索能力构建了一种基于甲壳虫算法的混合算法,该算法可具体分为训练阶段和检测阶段。在训练阶段,通过对无疵点织物进行训练构建二维Gabor滤波器,然后使用改进BAS的混合模型对Gabor滤波器的参数进行了优化,使改进后的算法具备全局搜索和局部搜索的能力;在检测阶段,根据在训练阶段获得最佳参数构造Gabor滤波器,对待检测的织物图像进行卷积运算,并对卷积后图像进行二值化处理,最终识别待测试织物是否含有疵点。实验结果表明:该方法的特征提取具有良好的类别区分性,更加集中在疵点范围内,检测准确率可达99.26%,具有良好的稳定性和泛化性能。

基于改进级联卷积神经网络的织物疵点检测

为了改进当前织物检测算法样本数量少、织物疵点检测准确率低和定位精准度差的问题,提出一种端到端的改进的织物疵点检测算法。针对公开数据集样本数量少、样本种类不均衡的问题,采用线下与线上结合的数据增广方式,除了基本的数据增广方法,同时引入复制粘贴以及混合的方式对样本进行扩充与增强;针对特征提取算法提取特征不精确的问题,对特征金字塔进行改进,通过加入可变形卷积、递归特征金字塔、可切换的空洞卷积、全局语义信息的方法扩大感受野、增强语义信息。实验结果验证了算法的有效性,该算法对天池雪浪制造数据集9种布匹疵点进行检测,检测是否具有瑕疵的准确率达到97%以上,疵点定位的平均检测精度为56.7%,样本检测效率为2.4 FPS。相对于基础模型定位精准度提升了10%以上,并且检测效果满足工业上的生产需求。

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。

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。

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明:所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。

改进YOLOv5的织物疵点检测算法

针对目前应用到织物疵点检测的网络模型中存在的两阶段算法检测速度慢、一阶段算法检测精度低的问题,提出了一种改进YOLOv5的织物疵点检测算法。针对织物疵点大小不一的问题,对K-mean算法的聚类距离标准进行修改,重新计算先验框大小;对网络Neck层标准卷积(standard convolution,SC)进行改进,将深度分离卷积(depth separation convolution,DSC)与标准卷积结合,减少网络层参数量,同时保持网络的特征提取能力;在特征融合阶段引入坐标注意力机制(coordinate attention,CA),使网络能够捕捉各通道之间联系的同时保留目标的精确定位信息,加强网络的特征提取和定位能力;使用加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)中的方法,对特征金字塔模块进行修改,实现简单快速的多尺度特征融合。在数据集上进行训练,结果表明,改进的YOLOv5模型的mAP值可达到97.4%,相比于原网络精度提高了2.8个百分点,满足了织物疵点检测的要求。

基于纹理抑制FCM和小波模极大值的织物疵点检测算法

为实现织物疵点的自动化检测,提出一种纹理抑制FCM和小波模极大值的织物疵点检测方法,该方法对输入图像进行中值滤波处理,采用改进总变差模型(RTV)提取织物图像的主结构信息(疵点),实现抑制背景纹理,再利用最大类间方差(Otsu)算法将模糊C均值(FCM)算法聚类获得的隶属度矩阵进行分割,获得二值化的疵点图像,然后采用小波模极大值算法获取疵点的二值化边缘图像,最后将两个二值化结果进行点乘与形态学处理,分割出疵点区域.结果显示,该方法可以检测油污、飞丝和破洞等疵点类型,检测效果较好,相比于RTV-FCM算法和RPCA算法,正检率分别提高了3.08%和4.61%.

基于胶囊网络与滑动窗口的织物疵点检测方法

针对卷积神经网络因池化过程造成提取特征不充分,导致织物疵点检测精度差的问题,提出一种基于胶囊网络与滑动窗口的织物疵点检测方法。应用K-means聚类方法对标注的目标框进行聚类分析,得到合适的滑窗切分尺寸;应用滑动窗口按照一定尺寸切分疵点图像,以此实现后续的疵点定位;将得到的不同尺寸疵点图像输入胶囊网络实现疵点分类,并应用NMS算法去除冗余框得到疵点检测结果。基于Pytorch框架构建胶囊网络模型,并就各种模型参数对织物疵点分类准确率的影响进行分析,利用在实际场景中采集的各类疵点图像,对胶囊网络织物疵点检测模型进行验证,得到4种疵点的检测结果。为了证明该方法的泛化性,在TILDA数据集上进行验证,并与目前主流目标检测模型的检测精度进行对比。结果表明:该方法能够准确、有效地对织物疵点进行检测和分类识别,平均精度均值达到90.78%,比大部分主流目标检测模型的检测精度高。

基于Gabor滤波器组的织物疵点检测方法

给出了基于Gabor滤波器组的织物疵点检测方法。在分析Gabor滤波器时频特性的基础上,针对素色坯布织物疵点图像,设计了椭圆形多尺度多方向的Gabor滤波器组,并应用该滤波器组在频域对织物疵点图像进行滤波处理,对滤波后的多幅图像进行融合与分割处理,将疵点从织物背景中分割出来,从而实现了疵点的检测。实验结果证明了该方法的有效性。

基于显著纹理特征的织物疵点检测方法

针对显著纹理背景下织物图像灰度级有限、对比度不明显致使目标疵点自动检测难度较大的问题,提出了一种用于显著纹理背景的织物疵点检测方法。鉴于Tamura纹理模型具有分辨能力强、旋转不变性以及算法鲁棒性强的特点,提出了多尺度度量局部纹理粗糙度的改进算法,以增强纹理分辨能力;结合织物疵点图像视觉显著性分析,基于局部纹理最佳窗口,通过提取与融合粗糙度、对比度和方向生成视觉显著性特征图,以显著突出织物疵点区。经TILDA织物纹理图库数据的实验测试结果表明,与其他相关方法相比,此方法在有效抑制显著纹理背景的同时,检测的目标疵点具有较好的一致性和完整性。

改进型奇异值分解在织物疵点检测上的应用

为识别不同织物表面多种类型的疵点,提出一种基于矩阵奇异值分解(SVD)的疵点检测方法。首先采用自动识别技术提取织物图像中包含疵点的感兴趣区域(ROI),其次将包含疵点的ROI部分继续分割成若干小的不重叠的子图像,并对其作奇异值分解。通过去除表征织物纹理背景能量的奇异值,以余下的奇异值重组子图像,从而增加疵点区域与纹理背景的能量差异。最后再对ROI区域进行复原时,会出现子图像重构过程不完全连接的情况,采用二值化阈值处理可以消除影响,完成检测目的。实验证明,所提出的改进型奇异值分解技术,耗时短,效率高,对于选取7种纹理结构不同的织物中大多数疵点均能够识别其形状和位置。

基于DSP的实时织物疵点检测系统

基于DSP技术开发一种实时织物疵点检测系统,用于解决传统人工检测织物疵点存在检测精度差、效率低、成本高等问题。在分析疵点纹理灰度特征的基础上,通过块操作提取织物图像背景,将疵点图像进行预处理、自适应阈值二值化(Ostu法)、形态学开运算处理完成疵点检测;描述了系统软件算法的设计,在TI的DSP TMS320DM6446、Linux和CCS开发环境下编程和调试,在显示器上实时显示检测结果。经实验验证,该系统具有检测精度高、实时性好、效率高等特点。

应用Gussian回代交替方向图像分解算法的色织物疵点检测

针对传统的人工织物检测方法效率低,稳定性差,处理速度慢的问题,提出了基于Gaussian回代交替方向(ADMG)图像分解的色织物疵点检测算法。首先对疵点织物进行直方图均衡化的预处理操作,以减少织物背景纹理信息对织物疵点检测产生的影响。然后采用总方差范数与Sobolev空间中的半范数相结合的Gaussian回代交替方向的图像分解算法,将色织物图像分解为疵点部分u和纹理部分v。最后,应用二维Otsu阈值方法将图像的疵点部分u分割,识别织物图像上的疵点。实验结果表明:通过基于ADMG图像分解算法对包括星型、方格型和圆点型在内的色织物图像疵点检测是可行、有效的,可得到满意的识别结果。

应用单演小波分析的织物疵点检测

为解决现有织物疵点检测算法对种类繁多的疵点形式尤其是对微弱纹理变化疵点的适应性较弱问题,提出以单演小波分析工具为基础的织物疵点检测算法。通过分数阶拉普拉斯算子与多重调和样条构建各向同性拉普拉斯小波后,对其进行Riesz变换生成Riesz-拉普拉斯小波,实现了织物图像的单演小波分析。对单演小波分析结果中的多分辨率方向与振幅子带,分别设计了最优响应判断标准以及最优响应子带分割方法。实验结果表明,所提出的检测算法能有效分割不同织物纹理中的多种类疵点,分割结果可反映疵点位置与轮廓,对342幅实验样本图像实现了97.37%的检出率,具有较好的自适应性与鲁棒性。

基于纹理周期性分析的织物疵点检测方法

根据织物图像纹理自身特点,从图像纹理的周期性这个重要的视觉特征入手,提出了基于纹理周期性分析的织物疵点检测方法。通过对大量不同疵点图像检测实验,证明提出方法对织物疵点检测具有较好的有效性和可靠性,而且具有检测的疵点种类多、实用性好的特点。

基于小波分解和奇异值分解的织物疵点检测

探讨基于小波分解和奇异值分解的织物疵点检测效果。运用三种算法进行了织物疵点检测。采用基本奇异值分解法进行机织物疵点检测,检测结果受噪声影响较大;采用Haar小波对待测图像进行除噪,边缘检测性较弱。利用Gabor小波良好的图像边缘敏感度、方向和尺度选择性,进行图像滤波,再进行SVD分解。结果表明:Gabor小波和SVD的融合算法可以对图像多种方向多种尺度进行调节,检测效果较好。认为:Gabor小波和奇异值分解相融合算法可应用于机织物疵点检测。

基于深度学习的复杂图案印花织物疵点检测

针对复杂图案印花织物疵点检测准确率不足以及误检率和漏检率较高的问题,提出了一种基于深度学习的复杂图案印花织物疵点检测方法。基于ResNet50网络融入了可变形卷积结构,获得ResNet50⁃DCN网络模型,提高了模型对不规则织物疵点的适应能力。本研究使用BFP⁃FPN模块,解决了FPN网络中存在的不同层级特征不平衡的问题,并且在BFP⁃FPN模块的输出部分引入特征融合模块,有效地消除了复杂图案花色背景的影响,并结合优化过的损失函数保证了数据处理的正确性和稳定性。本研究改进算法的mAP值67.87%,准确率93.56%,误检率与漏检率分别为6.44%、1.38%。认为:改进的复杂图案印花织物疵点检测模型有效提高了mAP值和准确率,降低了误检率和漏检率。

基于视觉显著性的平纹织物疵点检测

受检测环境及疵点特点影响,传统的检测算法难以满足疵点动态检测,为此,提出基于视觉显著性疵点动态检测的新方法。先将采集的图像进行特征提取形成特征图,再对特征图进行小波多层分解形成特征子图;在此基础上,对分解后的特征子图进行中央周边操作构建特征差分子图;然后,通过特征差分子图的融合策略形成显著图;最后,采用阀值法分割出兴趣区,并通过区域生长分割出疵点目标。结果表明,该方法能够完整检测出平纹织物疵点信息,并且具有较强的抗干扰能力。

基于小波分析和统计分析的织物疵点检测

根据疵点形态特征上的差异而采用不同检测方案的思想,在图像的空间域中,采用改进的标准差方法检测油污、破洞等没有方向性的疵点;在图像频率域中,结合二阶统计分析,用纬向的矩形窗口分割图像小波分解的垂直分量并检测缺纬、双纬等纬向疵点;用经向的矩形窗口分割图像小波分解的水平分量并检测断经、双经等经向疵点。为确定窗口分割的最佳宽度,研究提出一种基于灰度差分和窗口分割迭代算法。实验表明:方法实现了油污、破洞、断经、缺纬4类疵点的准确检测与分类。