【摘要】：自古以來,紡織行業(yè)都是我國(guó)最重要的產(chǎn)業(yè)之一。在這個(gè)全球經(jīng)濟(jì)逐漸一體化的時(shí)代下,織物的質(zhì)量直接影響到我國(guó)紡織行業(yè)的競(jìng)爭(zhēng)力,所以質(zhì)量控制是織物生產(chǎn)過程中十分重要的環(huán)節(jié)。然而在織物的生產(chǎn)過程中,織物表面總是會(huì)無法避免地產(chǎn)生各種各樣疵點(diǎn)。目前,國(guó)內(nèi)大多數(shù)的紡織工廠在織物疵點(diǎn)檢測(cè)方面,仍舊依靠傳統(tǒng)的人工檢測(cè),存在著檢測(cè)效率低、成本高、有害人體健康等缺點(diǎn)。隨著數(shù)字圖像和機(jī)器視覺的發(fā)展,織物的疵點(diǎn)檢測(cè)數(shù)字化和自動(dòng)化成為可能,利用計(jì)算機(jī)代替人工檢測(cè),可以降低成本、提高工作效率。本文以織物圖像疵點(diǎn)檢測(cè)作為研究對(duì)象,進(jìn)行了以下三方面的研究:(1)針對(duì)織物圖像的特征提取,在灰度共生矩陣與LBP特征的基礎(chǔ)上,改變共生矩陣的計(jì)算方式,將兩種方法進(jìn)行了結(jié)合使用,提出了基于灰度LBP共生矩陣的特征提取算法,保留了兩種方法的優(yōu)點(diǎn),減少了計(jì)算量。同時(shí)采用插值運(yùn)算,改善了距離選取時(shí)所產(chǎn)生的誤差。實(shí)驗(yàn)結(jié)果表明,本文方法計(jì)算耗時(shí)更短,更能滿足實(shí)時(shí)性要求。(2)針對(duì)疵點(diǎn)區(qū)域的圖像分割,對(duì)k-means方法進(jìn)行了改進(jìn),結(jié)合圖像數(shù)據(jù)的特點(diǎn),提出了空間加權(quán)的k-means算法,使其能夠更好應(yīng)用在圖像分割上。實(shí)驗(yàn)結(jié)果表明,本文方法更加適合圖像分割應(yīng)用,分割結(jié)果優(yōu)于傳統(tǒng)方法。(3)完成了織物圖像疵點(diǎn)檢測(cè)系統(tǒng)的設(shè)計(jì),包括硬件選型與軟件實(shí)現(xiàn)兩方面。依此完成了光源與照明、圖像采集等硬件平臺(tái)的搭建,與基于MFC與OpenCV的軟件上位機(jī)的實(shí)現(xiàn)。并對(duì)系統(tǒng)與本文提出的算法進(jìn)行了調(diào)試與驗(yàn)證,實(shí)驗(yàn)結(jié)果表明該平臺(tái)基本滿足檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性要求。最后對(duì)全文的研究工作進(jìn)行了總結(jié),對(duì)織物疵點(diǎn)識(shí)別研究領(lǐng)域做了進(jìn)一步的展望,提出了相關(guān)的建議。
【學(xué)位授予單位】：浙江大學(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】：

圖１．１織物疵點(diǎn)人工檢測(cè)逡逑Ｉ逡逑

自然界的常見紋理紋理特征分類如圖2.2所示:

圓形ＬＢＰ算子可以允許在半徑為的圓形鄰域內(nèi)，選取任意多個(gè)像逡逑素點(diǎn)，例如８?jìng)�(gè)、１６個(gè)等，這樣ＬＢＰ算子的種類得到了增大，其描述區(qū)分紋理逡逑的能力得到了加強(qiáng)。圖３．６顯示了幾種不同圓形ＬＢＰ特征，右上角表示半徑及的逡逑取值，右下角表示采樣點(diǎn)個(gè)數(shù)Ｐ的取值。逡逑丨｜丨 「丨邐丨４，口象卜逡逑—＿ｔ土ｔ邐？邐４－邐Ａ－逡逑？邐？邋＿邐S緬�？逦‘逦？逦＃逦４辶x弦唬⒁誨澹劐澹皺濉巍義縣危懾澹觶蹋詹峰義希蹋攏校戾危蹋攏校�，逦Ｌn校義賢跡常都鋼植煌殘危蹋攏刑卣麇義希常常玻殘槐洌蹋攏繡義先歡蓖枷穹⑸保跡蹋攏興闋雍馱殘危蹋攏興闋擁鬧刀既菀追⑸緬義細(xì)謀�。为了减少蚁u枷裥吹撓跋歟停幔澹睿穡幔岬熱頌岢雋誦槐洌蹋攏繡義纖闋�。该碎犛并不是直接取比轿r蟮模蹋攏兄擔(dān)墻枚浦擋歡獻(xiàn)笠樸乙�，辶x涎∪∽钚〉畝浦底魑鈧盞模蹋攏兄�。哇E常犯雋飼筧⌒槐淶模蹋攏械膩義霞撲惴椒�。辶x希襄

本文編號(hào)：2794210