【摘要】：制造業(yè)的迅速發(fā)展對(duì)于各類產(chǎn)品的缺陷檢測(cè)提出了新的挑戰(zhàn),基于機(jī)器視覺(jué)的自動(dòng)檢測(cè)方法逐漸取代人工肉眼檢測(cè)成為趨勢(shì)。針對(duì)目前織物缺陷檢測(cè)定位效率低和分類準(zhǔn)確率不理想的問(wèn)題,提出了基于快速活動(dòng)輪廓分割模型和BP-AdaBoost的織物缺陷檢測(cè)算法,將算法分為定位和分類兩部分,用以實(shí)現(xiàn)對(duì)織物缺陷的自動(dòng)檢測(cè)。對(duì)于缺陷位置的定位要靠圖像分割來(lái)完成,在總結(jié)分析了目前已有的各種分割方法的優(yōu)缺點(diǎn)后,在活動(dòng)輪廓分割模型的基礎(chǔ)上提出了快速活動(dòng)輪廓模型。首先分析了C-V模型、LBF模型和LIF模型這三種傳統(tǒng)活動(dòng)輪廓算法,由于這些算法的能量函數(shù)都是非凸的,在求解過(guò)程中易獲得局部最小值,受初始輪廓位置設(shè)置和圖像灰度不均影響較大。本文基于上述算法,引入凸優(yōu)化技術(shù),將求解問(wèn)題變成了一個(gè)凸優(yōu)化問(wèn)題,從而解決了活動(dòng)輪廓模型受初始位置影響大的問(wèn)題,同時(shí)對(duì)求解過(guò)程進(jìn)行優(yōu)化,使算法求解速度得到了較大提升。在幾種不同類型圖片上進(jìn)行了對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明快速活動(dòng)輪廓模型分割精度高,且速度明顯優(yōu)于傳統(tǒng)活動(dòng)輪廓模型,平均分割時(shí)間僅需0.13秒。鑒于機(jī)器學(xué)習(xí)在圖像分類中的實(shí)用性,在分析了幾類典型的機(jī)器學(xué)習(xí)分類算法后,選用BP神經(jīng)網(wǎng)絡(luò)來(lái)完成對(duì)缺陷的分類,這種網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單有效,通用性強(qiáng)。為了進(jìn)一步提高網(wǎng)絡(luò)的分類能力,引入AdaBoost算法,將算法中的弱分類器以BP網(wǎng)絡(luò)代替,得到BP-AdaBoost算法。在MNIST、Fashion-MNIST和TFDS三類不同類型的典型數(shù)據(jù)庫(kù)上進(jìn)行算法分類對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,BP-AdaBoost算法在上述三種數(shù)據(jù)庫(kù)上的分類準(zhǔn)確率明顯優(yōu)于傳統(tǒng)SVM和KNN算法,且相比CNN而言,更符合實(shí)際產(chǎn)品檢測(cè)中對(duì)實(shí)時(shí)性和準(zhǔn)確性的要求。基于活動(dòng)輪廓模型和BP-AdaBoost分類算法設(shè)計(jì)了織物典型疵點(diǎn)檢測(cè)算法,完成了對(duì)織物缺陷的定位和分類任務(wù)。針對(duì)兩種不同類型織物的破洞和污漬這兩種典型缺陷設(shè)計(jì)了一系列對(duì)比實(shí)驗(yàn),確定了網(wǎng)絡(luò)的最佳參數(shù)。在此基礎(chǔ)上,對(duì)四種缺陷進(jìn)行了算法有效性實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明算法分類準(zhǔn)確率高,定位精確,完成了對(duì)織物缺陷的定位和分類任務(wù),能有效的應(yīng)用于織物的缺陷檢測(cè)中。
【學(xué)位授予單位】：湖北工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TS107;TP391.41
【圖文】：

論文總體結(jié)構(gòu)

圖 2.1 水平集求解示意圖一般來(lái)說(shuō)，結(jié)合水平集方法的幾何活動(dòng)輪廓模型根據(jù)能量函數(shù)中使用的圖息的不同可分為以下兩類：基于邊緣的活動(dòng)輪廓模型和基于區(qū)域的活動(dòng)輪廓。

圖 2.2 凸優(yōu)化原理圖一種最優(yōu)化的方法，研究定義在凸集上的凸函數(shù)的最術(shù)應(yīng)用在活動(dòng)輪廓模型的求結(jié)果過(guò)程中，本文在 M-S進(jìn)，改善模型的全局最小化問(wèn)題。C-V 模型本質(zhì)是用

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 王威;曾小能;;圖像分割技術(shù)研究與應(yīng)用[J];計(jì)算機(jī)時(shí)代;2015年01期

2 黃凱奇;任偉強(qiáng);譚鐵牛;;圖像物體分類與檢測(cè)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2014年06期

3 朱俊嶺;汪軍;張孝南;李立輕;陳霞;龐明軍;;基于AR模型的機(jī)織物線狀疵點(diǎn)研究[J];紡織學(xué)報(bào);2012年08期

4 毛健;趙紅東;姚婧婧;;人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J];電子設(shè)計(jì)工程;2011年24期

5 王慶香;李迪;張舞杰;葉峰;;軟性電路板金面缺陷的無(wú)監(jiān)督檢測(cè)[J];光學(xué)精密工程;2010年04期

6 楊家紅;劉杰;鐘堅(jiān)成;何明志;;結(jié)合分水嶺與自動(dòng)種子區(qū)域生長(zhǎng)的彩色圖像分割算法[J];中國(guó)圖象圖形學(xué)報(bào);2010年01期

7 李峰;黃達(dá)人;畢寧;戴青云;;基于多進(jìn)制小波變換的紋理圖像分割[J];模式識(shí)別與人工智能;2004年03期

8 欒麗華,吉根林;決策樹(shù)分類技術(shù)研究[J];計(jì)算機(jī)工程;2004年09期

本文編號(hào)：2777669