本文關(guān)鍵詞：基于二維EMD的織物疵點(diǎn)檢測(cè)研究

  更多相關(guān)文章： 織物疵點(diǎn)檢測(cè) 二維經(jīng)驗(yàn)?zāi)B(tài)分解 內(nèi)蘊(yùn)模式函數(shù) Laws紋理能量測(cè)量 單演小波分析

【摘要】：織物疵點(diǎn)的產(chǎn)生直接影響織物質(zhì)量、外觀和性能,并導(dǎo)致生產(chǎn)企業(yè)的利潤(rùn)受損,因此疵點(diǎn)檢測(cè)是紡織企業(yè)產(chǎn)品質(zhì)量控制中的重要一環(huán)。目前絕大多數(shù)國(guó)內(nèi)紡織企業(yè)采用人工驗(yàn)布方式,受制于人類視覺和大腦的生理限制,具有檢測(cè)速度慢、漏檢率低、主觀性強(qiáng)、無法生成可用數(shù)據(jù)和增加企業(yè)用工成本等缺點(diǎn),已經(jīng)無法滿足現(xiàn)代紡織生產(chǎn)的要求。使用基于機(jī)器視覺與圖像分析技術(shù)的自動(dòng)驗(yàn)布機(jī)替代人工織物疵點(diǎn)檢測(cè)是紡織行業(yè)自動(dòng)化與信息化發(fā)展的必然趨勢(shì)。然而國(guó)內(nèi)外關(guān)于自動(dòng)驗(yàn)布機(jī)的研發(fā)已進(jìn)行三十多年仍未普及應(yīng)用,根本原因是疵點(diǎn)檢測(cè)算法對(duì)種類繁多形式各異的織物疵點(diǎn)缺乏自適應(yīng)性。本課題的研究目的是提出一種高自適應(yīng)性的機(jī)器視覺織物疵點(diǎn)檢測(cè)算法。通過分析現(xiàn)有織物疵點(diǎn)檢測(cè)算法的不足,引入了二維經(jīng)驗(yàn)?zāi)B(tài)分解(bidimensional empirical mode decomposition,二維EMD)作為算法核心。二維EMD不使用任何基函數(shù)或?yàn)V波器,直接根據(jù)數(shù)據(jù)自身特征,生成表征信號(hào)內(nèi)各振動(dòng)模式的函數(shù)分量(內(nèi)蘊(yùn)模式函數(shù),intrinsic mode function,IMF)。對(duì)二維EMD進(jìn)行針對(duì)織物疵點(diǎn)檢測(cè)需求的改進(jìn)與優(yōu)化后,將織物圖像分解為包含紋理信息的IMF1與包含大尺度灰度變化的IMF2與IMF3。針對(duì)各IMF信號(hào),分別設(shè)計(jì)了不同的信號(hào)處理與分割方法,形成包括灰度檢測(cè)通道與紋理檢測(cè)通道的疵點(diǎn)檢測(cè)算法,實(shí)現(xiàn)了多種類織物疵點(diǎn)分割。實(shí)驗(yàn)結(jié)果表明該檢測(cè)算法具有良好的自適應(yīng)性和魯棒性。本課題的主要研究?jī)?nèi)容和結(jié)論如下:(1)研究了人眼識(shí)別灰度變化和紋理變化兩類疵點(diǎn)的方式,以及二維EMD對(duì)織物圖像的自適應(yīng)性分解能力,提供了基于二維EMD的織物疵點(diǎn)檢測(cè)算法理論依據(jù)。人眼識(shí)別灰度變化類疵點(diǎn)時(shí)忽略織物信息重點(diǎn)感知織物表面的顏色突變;識(shí)別紋理變化類疵點(diǎn)時(shí)則注重感知紋理模式的變化。盡管這兩種識(shí)別方式通常是同時(shí)進(jìn)行的,但并不能一概而論�，F(xiàn)有疵點(diǎn)檢測(cè)算法中常用的圖像分解工具,如小波分解等,無法根據(jù)織物圖像特征將其分解為紋理信號(hào)與大尺度灰度變化信號(hào)。因此,本課題在分析了二維EMD原理與其在織物圖像分解中表現(xiàn)出的自適應(yīng)性后,采用了二維EMD作為織物疵點(diǎn)檢測(cè)算法的核心工具。(2)研究了二維EMD中各環(huán)節(jié)對(duì)分解結(jié)果的影響與現(xiàn)有研究中存在的問題,提出了針對(duì)織物疵點(diǎn)檢測(cè)需求的改進(jìn)方法,實(shí)現(xiàn)了良好的織物疵點(diǎn)圖像自適應(yīng)分解。首先,將二維EMD中的關(guān)鍵環(huán)節(jié)歸納為極值點(diǎn)判斷、邊界處理、插值方法選擇和停止準(zhǔn)則設(shè)計(jì)四項(xiàng)。對(duì)于極值點(diǎn)判斷,定義了區(qū)域性極值點(diǎn)以包含二維信號(hào)中的多種極值點(diǎn)表現(xiàn)形式,并引入數(shù)學(xué)形態(tài)學(xué)測(cè)地膨脹算子進(jìn)行區(qū)域性極值點(diǎn)尋找;對(duì)于邊界處理,提出了對(duì)極值點(diǎn)集以圖像邊界為軸的鏡像延拓處理方法,有效抑制了篩分過程中的邊界效應(yīng);對(duì)于插值方法,在比較了多種徑向基函數(shù)(RBF)插值與德勞內(nèi)三角化(DT)插值方法后,提出了先DT 三次樣條插值再下采樣最后RBF 薄板樣條插值的組合插值方法,實(shí)現(xiàn)了計(jì)算速度與插值結(jié)果光滑性的兼顧;對(duì)于停止準(zhǔn)則的設(shè)計(jì),在分析停止準(zhǔn)則影響和觀察織物圖像實(shí)際分解表現(xiàn)后,制定了SDmax=0.2為織物圖像二維EMD停止準(zhǔn)則。實(shí)驗(yàn)結(jié)果表明,通過對(duì)二維EMD各環(huán)節(jié)進(jìn)行改進(jìn)和優(yōu)化,實(shí)現(xiàn)了良好的計(jì)算效率與織物圖像分解效果。(3)以改進(jìn)二維EMD對(duì)織物圖像的自適應(yīng)性分解為基礎(chǔ),設(shè)計(jì)了包含灰度檢測(cè)通道和紋理檢測(cè)通道的織物疵點(diǎn)檢測(cè)算法�；叶葯z測(cè)通道中,將IMF2與IMF3融合,生成包含灰度變化信息的IMF2+3信號(hào)作為疵點(diǎn)分割對(duì)象。紋理檢測(cè)通道中,使用全向Hilbert變換與Laws紋理能量測(cè)量工具提取IMF1的紋理特征作為疵點(diǎn)分割對(duì)象。疵點(diǎn)分割方法為首先通過單雙高斯擬合對(duì)輸入信號(hào)進(jìn)行雙峰模式識(shí)別,分為小面積疵點(diǎn)(包括無疵)與大面積疵點(diǎn),二者經(jīng)過四階偏微分方程混合降噪后,分別使用置信區(qū)間雙閾值和OTSU閾值方法進(jìn)行分割。合并灰度檢測(cè)通道和紋理檢測(cè)通道的分割結(jié)果,可得到疵點(diǎn)分割最終結(jié)果。離線實(shí)驗(yàn)表明該疵點(diǎn)檢測(cè)算法檢出率為92.69%,且大多數(shù)疵點(diǎn)是灰度變化與紋理變化兩種形式的組合,在單個(gè)檢測(cè)通道分割的疵點(diǎn)區(qū)域通常不完整,合并后可得到較完整的疵點(diǎn)區(qū)域。(4)為提高紋理變化類疵點(diǎn)的檢測(cè)效果,引入單演小波分析替代全向Hilbert變換和Laws紋理能量測(cè)量作為新的紋理特征提取工具。在織物圖像IMF1信號(hào)上的單演小波分析實(shí)驗(yàn)表明,單演小波分析具有良好的各向同性性質(zhì)和對(duì)振動(dòng)方向的響應(yīng)能力,疵點(diǎn)區(qū)域的微弱紋理變化能夠在方向和振幅信號(hào)的某一分辨率上得到良好響應(yīng)。對(duì)多分辨率方向和振幅信號(hào),設(shè)計(jì)了不同的最優(yōu)響應(yīng)判斷標(biāo)準(zhǔn)。方向信號(hào)經(jīng)π相移處理后,統(tǒng)計(jì)各分辨率子帶的內(nèi)部均方差σ,選取σ最小且滿足σ0.1的信號(hào)為最優(yōu)響應(yīng)。定義振幅信號(hào)各子帶OTSU分割后前景背景間的均值差(最大類間均值差,MICMD)為判斷標(biāo)準(zhǔn),具有最大MICMD的振幅信號(hào)為最優(yōu)響應(yīng)。最優(yōu)響應(yīng)信號(hào)經(jīng)分割后輸出疵點(diǎn)檢測(cè)結(jié)果。離線實(shí)驗(yàn)結(jié)果表明,使用單演小波分析替代原紋理分析工具后,總體檢出率提高至98.83%,紋理變化類疵點(diǎn)檢測(cè)效果得到顯著改善。
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TS101.97;TP391.41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 嚴(yán)平;鄧中民;劉童花;;基于改進(jìn)的小波分解織物疵點(diǎn)檢測(cè)[J];紡織科技進(jìn)展;2007年04期

2 餳谷`欠，

本文編號(hào)：1199545