針對織物疵點自動檢測的問題,選用破洞、稀緯、斷經(jīng)、結(jié)頭、棉球、沾色、帶紗等7種織物疵點類型,運用決策樹、隨機森林、支持向量機算法來對疵點數(shù)據(jù)訓練,建立分類模型。選擇了不同紋理和疵點類型共計4 000幅織物圖像作為訓練和測試對象,交叉驗證結(jié)果表明,隨機森林模型效果最佳,模型準確率達97.92%。 

【文章來源】：紡織科技進展. 2020,(10)

【文章頁數(shù)】：6 頁

【部分圖文】：

決策樹模型

紫色點的標簽為1，紅色點的標簽為-1。在這個數(shù)據(jù)集上尋找一個決策邊界，在二維平面上，決策邊界（超平面）就是一條直線。紫色點所代表的標簽y是1，所以規(guī)定P>0，紅色點表示的標簽y是-1。圖3 樣本可視化（2)

圖2 樣本可視化（1)平行于決策邊界的2條線的表達式：w×x+b=1,w×x+b=-1。表達式兩邊的1和-1分別表示了2條平行于決策邊界的虛線到?jīng)Q策邊界的相對距離。此時，讓這2條線分別過2類數(shù)據(jù)中距離決策邊界最近的點，這些點就被稱為“支持向量”[6]。如圖3、圖4所示。

【參考文獻】：
期刊論文
[1]基于交叉驗證的模型選擇中投票和平均方法的對照[J]. 侯利君.  數(shù)學的實踐與認識. 2019(09)
[2]基于灰度梯度共生矩陣和SVDD的織物疵點檢測[J]. 王孟濤,李岳陽,杜帥,蔣高明,羅海馳.  絲綢. 2018(12)
[3]紋理織物疵點窗口跳步形態(tài)學法檢測[J]. 何峰,周亞同,趙翔宇,劉猛,張忠偉.  紡織學報. 2017(10)
[4]基于稀疏編碼字典學習的疵點檢測[J]. 劉綏美,李鵬飛,張蕾,張宏偉,張緩緩,景軍鋒.  西安工程大學學報. 2015(05)
[5]我國紡織品檢測技術發(fā)展現(xiàn)狀[J]. 陳巧仙.  紡織科技進展. 2013(04)
[6]圖像紋理特征提取方法綜述[J]. 劉麗,匡綱要.  中國圖象圖形學報. 2009(04)
[7]基于PSO-BP神經(jīng)網(wǎng)絡的織物疵點分類方法[J]. 劉素一,劉晶璟,章樂多.  毛紡科技. 2008(10)
[8]基于隨機森林的文本分類模型研究[J]. 張華偉,王明文,甘麗新.  山東大學學報(理學版). 2006(03)

博士論文
[1]基于機器視覺的布匹疵點檢測系統(tǒng)研究[D]. 畢明德.華中科技大學 2012

碩士論文
[1]模型決策樹方法研究[D]. 尹儒.山西大學 2019
[2]織物疵點檢測的若干問題研究[D]. 侯璇.武漢紡織大學 2019
[3]基于機器視覺的布匹疵點檢測系統(tǒng)的設計與實現(xiàn)[D]. 田猛.電子科技大學 2019



本文編號：3559504