本文關(guān)鍵詞： 色差分類 疵點檢測 極限學(xué)習(xí)機(jī) 差分進(jìn)化算法 多尺度字典學(xué)習(xí)　出處：《浙江理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在現(xiàn)代紡織織造行業(yè),紡織品成品的質(zhì)量直接關(guān)系到其銷量,只有提高紡織品的質(zhì)量才能提高行業(yè)競爭力。通常來說,影響紡織品質(zhì)量的兩個關(guān)鍵因素是色差和疵點。在傳統(tǒng)的紡織品織造行業(yè),色差和疵點的檢測大多都是通過經(jīng)驗豐富的技術(shù)人員的肉眼來完成。但是由于現(xiàn)場環(huán)境的惡劣和技術(shù)人員的視覺疲勞,檢測效率往往非常低下,強(qiáng)烈依賴于技術(shù)人員的主觀意識。因此基于機(jī)器視覺的紡織品圖像檢測應(yīng)運而生,不但解決了傳統(tǒng)的檢測方法依賴人工完成,而且大大提高了檢測的正確率。本文的研究工作主要圍繞基于機(jī)器學(xué)習(xí)的紡織品色差檢測和疵點檢測兩個方面,致力于構(gòu)建具有良好穩(wěn)定性的色差分類模型和疵點檢測模型,并用于解決紡織品在印染和織造過程中的色差和疵點問題。論文的主要工作和研究成果概括如下:(1)對紡織品的色差,疵點的基本概念和研究現(xiàn)狀進(jìn)行了簡要的介紹,分析和比較了各種色差分類和疵點檢測算法的特點及優(yōu)缺點。針對紡織品的色差分類,著重研究了具有良好分類性能的極限學(xué)習(xí)機(jī)算法,并且對極限學(xué)習(xí)機(jī)的理論基礎(chǔ)和存在的問題進(jìn)行了分析和探討。針對紡織品的疵點檢測,重點研究了基于字典學(xué)習(xí)的疵點檢測算法,并且結(jié)合稀疏編碼理論對字典學(xué)習(xí)方法的工作原理和隱含的問題進(jìn)行了深入的分析和討論,為本文后續(xù)的工作提供堅實的理論基礎(chǔ)。(2)為了建立紡織品色差分類模型,本文提出了一種基于動態(tài)參數(shù)選擇的差分進(jìn)化算法優(yōu)化正則化極限學(xué)習(xí)機(jī)方法。首先,針對傳統(tǒng)的極限學(xué)習(xí)機(jī)隨機(jī)生成輸入權(quán)重和隱層偏置的問題,利用差分進(jìn)化算法良好的全局搜索能力迭代優(yōu)化求取極限學(xué)習(xí)機(jī)的輸入權(quán)重和隱層偏置;同時,由于傳統(tǒng)極限學(xué)習(xí)機(jī)在計算輸出權(quán)重時只考慮到經(jīng)驗風(fēng)險,故引入了代表結(jié)構(gòu)風(fēng)險的正則化參數(shù),防止生成病態(tài)解矩陣;最后,采用動態(tài)參數(shù)選擇方法選取差分進(jìn)化算法最優(yōu)的參數(shù)組合模型,構(gòu)建最優(yōu)化的色差分類模型。實驗結(jié)果表明,相比于差分進(jìn)化算法優(yōu)化原始極限學(xué)習(xí)機(jī)的色差分類方法,本文提出方法取得較高的分類精度,并且具有較好的穩(wěn)定性和泛化能力。(3)紡織品是由經(jīng)緯紗線按一定的規(guī)則編織而成,故其表面呈現(xiàn)高相關(guān)性,疵點區(qū)域可視為局部異常紋理�？紤]到織物表面的紋理結(jié)構(gòu)和疵點的尺寸,本文提出一種基于多尺度字典學(xué)習(xí)的疵點檢測方法,所提出的多尺度字典學(xué)習(xí)方法能夠更加清晰的描述紡織品圖像細(xì)節(jié)。由于原始字典學(xué)習(xí)算法計算量大,故在學(xué)習(xí)字典階段,引入改進(jìn)的字典學(xué)習(xí)算法KSVD,加快字典更新速度。并提出了自適應(yīng)差分進(jìn)化算法優(yōu)化正則化極限學(xué)習(xí)機(jī)的紡織品疵點檢測模型。在模型訓(xùn)練階段,引入自適應(yīng)變異算子以解決差分進(jìn)化算法尋優(yōu)過程中的參數(shù)設(shè)置問題。實驗結(jié)果表明,與傳統(tǒng)的應(yīng)用Gabor濾波器方法,形態(tài)學(xué)操作方法和局部二值模式相比,本文提出的方法能精確的定位疵點區(qū)域,實現(xiàn)較高的疵點檢出率。并且,本文提出的方法針對純紅色布和純粉色布的疵點也能實現(xiàn)非常好的檢測。
[Abstract]:In modern textile weaving industry, textile product quality is directly related to its sales, only to improve the quality of textiles to improve the competitiveness of the industry. Generally speaking, the two key factors affecting the quality of textiles is color and defects. In the traditional textile industry, color difference and defect detection is almost completed by technical personnel experience rich eye. But because of the bad environment of visual fatigue and technical personnel, the detection efficiency is very low, is strongly dependent on the technical personnel's subjective consciousness. Therefore textile machine vision detection based on image came into being, not only solved the traditional detection method relies on manual work, but also greatly improve the detection accuracy. This thesis is mainly focus on the two aspects of machine learning and textile defect detection based on color difference detection, is committed to building a The color classification model and the defect detection model of good stability, and is used to solve the textile printing and dyeing and weaving process in color and defects. The main work and research results are summarized as follows: (1) the color of textiles, briefly introduces the basic concepts and research status of defects, analyzes and compares the characteristics of various color classification and defect detection algorithm and its advantages and disadvantages. According to the color classification of textiles, focuses on the ultimate has good classification performance of machine learning algorithms, and discusses the theoretical basis and extreme learning machine and problems. In view of the textile defect detection, focusing on the defect detection algorithm based on dictionary learning the working principle, and combined with the theory of sparse encoding dictionary learning method and hidden problems are analyzed and discussed deeply, for the following Provide a solid theoretical basis. (2) in order to establish the textile color classification model, this paper proposes an algorithm of optimal regularization parameter selection method of dynamic extreme learning machine based on the difference. First, the traditional extreme learning machine randomly generated input weights and hidden layer bias problem, using the differential global evolutionary algorithm good search limit from learning the input weights and hidden layer offset machine for iterative optimization ability; at the same time, because of the traditional extreme learning machine in the calculation of output weights when considering only the empirical risk, so the introduction of the regularization parameter represents the structural risk, prevent the formation of ill posed matrix; finally, selection methods difference parameter combination model optimal evolution algorithm for dynamic parameters using optimization model, color classification. The experimental results show that compared to the original color difference optimization evolutionary algorithm for extreme learning machine The classification method proposed in this paper has high classification accuracy method, and has good stability and generalization ability. (3) is made of textile warp and weft yarn woven according to certain rules, so the surface showed a high correlation, the defect region can be regarded as abnormal local texture. Considering the texture and structure of fabric surface size in this paper, a method of detecting defects based on multiscale dictionary learning, multiscale dictionary learning method proposed can describe the textile image details more clearly. Because the original dictionary learning algorithm. So in the dictionary learning stage, the introduction of improved dictionary learning algorithm KSVD, accelerate the dictionary update speed. And put forward the points evolutionary algorithm regularized extreme learning machine textile defect detection model. During the training phase adaptive model, introducing the adaptive mutation operator to solve differential evolution Algorithms for parameters optimization in the process of setting problem. Experimental results show that the application of Gabor filter with the traditional method, morphological operation method and local two value model, the proposed method can achieve accurate defect location, high defect detection rate. Moreover, this paper proposed a method for pure red and pure pink cloth cloth defects can achieve very good detection.

【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范秀娟;史振興;胡亦;;基于全變分模型的紡織面料疵點檢測[J];制造業(yè)自動化;2012年12期

2 付騫;;印花織物的疵點檢測[J];西安航空學(xué)院學(xué)報;2013年05期

3 單亦杰;韓潤萍;;基于二層自適應(yīng)正交小波的疵點檢測[J];微計算機(jī)信息;2007年09期

4 郭象昱;費樹岷;;一種基于相位變換的布匹疵點檢測方法[J];工業(yè)控制計算機(jī);2012年06期

5 王娜;王昊鵬;石井;;基于分形的紡織物疵點檢測方法[J];電子技術(shù)與軟件工程;2013年18期

6 畢明德;孫志剛;李葉松;;基于機(jī)器視覺的布匹疵點檢測系統(tǒng)[J];儀表技術(shù)與傳感器;2012年12期

7 王盛楠;王亦紅;;基于塑料薄膜疵點檢測的生產(chǎn)設(shè)備故障診斷[J];機(jī)械制造與自動化;2013年02期

8 孫文立;劉金珠;金宏健;;一種基于圖像處理技術(shù)的坯布疵點檢測及評估方法[J];紡織機(jī)械;2012年04期

9 管聲啟;高照元;吳寧;徐帥華;;基于視覺顯著性的平紋織物疵點檢測[J];紡織學(xué)報;2014年04期

10 沈煒;劉文昊;;基于動態(tài)模糊聚類的織物織造疵點檢測算法[J];紡織學(xué)報;2010年07期

相關(guān)會議論文 前2條

1 宋寅卯;王紅波;;基于點方向圖的簾子布疵點檢測研究[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會論文集（Ⅰ）[C];2008年

2 葉小剛;李江濤;施彤云;周曉燕;;基于機(jī)器視覺的經(jīng)編疵點檢測系統(tǒng)的研制[A];2010中國儀器儀表學(xué)術(shù)、產(chǎn)業(yè)大會（論文集1）[C];2010年

相關(guān)博士學(xué)位論文 前1條

1 畢明德;基于機(jī)器視覺的布匹疵點檢測系統(tǒng)研究[D];華中科技大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 秦悅桐;基于S變換的織物圖像疵點檢測算法研究[D];浙江師范大學(xué);2015年

2 劉綏美;彩色印花織物疵點檢測的研究與實現(xiàn)[D];西安工程大學(xué);2016年

3 魏娟;基于機(jī)器視覺的坯布疵點檢測方法研究[D];天津工業(yè)大學(xué);2016年

4 宋生乾;基于機(jī)器視覺的經(jīng)編機(jī)疵點檢測系統(tǒng)開發(fā)[D];華中科技大學(xué);2015年

5 江禮凱;極限學(xué)習(xí)機(jī)在紡織品圖像處理中的應(yīng)用[D];浙江理工大學(xué);2017年

6 楊揚;基于簾子布疵點檢測系統(tǒng)的研究[D];中原工學(xué)院;2014年

7 馬鑫宇;小波在紋理圖像疵點檢測中的應(yīng)用研究[D];江南大學(xué);2011年

8 雷歆;疵點檢測實時算法研究及硬件實現(xiàn)[D];華中科技大學(xué);2007年

9 翟琳琳;基于機(jī)器視覺的簇絨地毯疵點檢測算法研究[D];東華大學(xué);2014年

10 杜磊;智能自動驗布機(jī)的研究[D];東華大學(xué);2014年

，

本文編號：1538643