針對中小企業(yè)在箱包制造領(lǐng)域?qū)Σ计ヨΥ脵z測仍然采用人工方式,存在檢測效率低,成本高,勞動強(qiáng)度大等問題,本文致力于研究一種滿足這些企業(yè)需求的基于機(jī)器視覺方法的布匹瑕疵檢測方法,建立了基于LTP+GLCM的布匹瑕疵檢測模型,提出了基于LTP+GLCM特征提取方法和瑕疵檢測方法,所提出的針對箱包領(lǐng)域中小企業(yè)需要的布匹瑕疵檢測方法經(jīng)過真實數(shù)據(jù)的測試,達(dá)到了可以實用的程度。本文主要研究內(nèi)容和特色如下:(1)在對基于LBP、LTP和GLCM來提取布匹紋理特征和基于這些特征進(jìn)行布匹瑕疵檢測進(jìn)行了較深入研究的基礎(chǔ)上,提出融合LTP特征和GLCM特征的新的特征提取方法。該方法能夠有效且快速的提取布匹的紋理特征,對有瑕疵的紋理和正常部位的紋理,該算法能在提取的特征上進(jìn)行有效區(qū)別。(2)建立了基于LTP+GLCM進(jìn)行布匹圖像瑕疵檢測模型,設(shè)計了相應(yīng)的實現(xiàn)算法,包括圖像預(yù)處理方法、LTP(LBP)特征圖構(gòu)建算法、基于LTP(LBP)特征圖的模式級別變換和分塊處理算法、基于區(qū)塊進(jìn)行GLCM特征提取算法,以及對待檢測布匹圖像進(jìn)行樣本相似度匹配和瑕疵檢測算法等。(3)對提出的布匹檢測方法進(jìn)行較全面的對比測試和結(jié)果分析,包括在不同布匹圖像樣本、不同布匹圖像分辨率、不同布匹圖像尺度、不同個數(shù)的瑕疵等場景下進(jìn)行測試和結(jié)果分析。另外,針對本文所提出的方法在不同區(qū)塊大小和不同模式級別下進(jìn)行了對比測試。通過這些測試驗證了所提出方法的有效性和穩(wěn)定性。(4)基于本文所提出的布匹瑕疵檢測方法,設(shè)計并實現(xiàn)一個驗證用的演示系統(tǒng),包括系統(tǒng)的需求分析、概要設(shè)計、詳細(xì)設(shè)計和編碼實現(xiàn)等環(huán)節(jié)。通過所設(shè)計和實現(xiàn)的演示系統(tǒng)進(jìn)一步驗證了本文提出方法的可應(yīng)用性。論文最后給出了本文所做的主要工作和存在的問題及后續(xù)研究的方向。
【學(xué)位單位】：南昌大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F426.8;TP391.41
【部分圖文】：

LBP（Local binary patterns，局部二值模式）算法是機(jī)器視覺領(lǐng)域中用于描述圖像局部紋理特征的算子，它具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點。它首先由 T.Ojala, M.Pietik inen,和 D. Harwood 在 1994 年提出[23-24]。LBP 是一個效果出眾且簡單的提取局部紋理特征方法，它將各個點的像素與該點附近領(lǐng)域內(nèi)的像素相比較，并把比較結(jié)果保存為一組二進(jìn)制數(shù)將原始圖像轉(zhuǎn)換為 LBP 圖，然后對 LBP 圖進(jìn)行統(tǒng)計得到一個以向量形式的直方圖來表示原始的圖像。LBP計算簡單且對如光照變化等環(huán)境因素造成的圖像灰度變化具有魯棒性，仍能穩(wěn)定的提取出圖像的紋理特征，這使得局部二值模式被廣泛的應(yīng)用于圖像分類各領(lǐng)域[25-27]。原始的 LBP 算子定義為：在 3*3 的窗口內(nèi)，以窗口中心像素的灰度值為閾值，將其周圍的 8 個像素的灰度值按順時針方向與閾值進(jìn)行比較，若周圍像素的灰度值大于中心像素，則該像素點的位置被標(biāo)記為 1，否則為 0。這樣 3*3 鄰域內(nèi)的8個點經(jīng)比較可得到一組8位二進(jìn)制數(shù)（通常轉(zhuǎn)換為十進(jìn)制數(shù)即 LBP碼，共有 256 種可能性組合），即得到該窗口中心像素點的 LBP 值，并用這個值來反映該區(qū)域的紋理信息[28]。LBP 原理示意圖如圖 2.1 所示：

改進(jìn)后的LBP 算子可在圓形領(lǐng)域內(nèi)取任意多個像素點，可適應(yīng)不同尺度的紋理特征。圖2.2 給出了四種擴(kuò)展后的 LBP 例子，其中，R 可取任意的值（可以為整數(shù)或小數(shù)），對于沒有落到整數(shù)位置的點，根據(jù)軌道內(nèi)離其最近的兩個整數(shù)位置像素灰度值，利用雙線性插值的方法可以計算它的灰度值[30]。圖 2.2 圓形 LBP 特征對于半徑為 R 的含有 P 個采樣點的圓形區(qū)域， ( )算子可得到有 p^2種二進(jìn)制模型。顯然，隨著領(lǐng)域的擴(kuò)大采樣點的增多，二進(jìn)制模式的種類將會

圖 3.2 LTP 原理圖這么做的目的是將在中心點像素的 t 范圍內(nèi)的點量化為 0，從而消除噪聲、光照等因素對圖像特征提取的影響。3.1.3 LTP 特征圖的模式級別變換和區(qū)塊分割處理原始彩色圖片經(jīng)過預(yù)處理、提取 LTP（包括 LBP）特征形成 LTP（包括 LBP）特征圖后，需要對形成的 LTP（包括 LBP）特征圖進(jìn)行進(jìn)一步的處理，包括對LTP（包括 LBP）特征圖的模式級別變換和區(qū)塊分割處理兩個環(huán)節(jié)，以便于下一步的提取 GLCM 特征。處理 LTP（包括 LBP）特征圖的第一個步驟是模式級別變換，經(jīng)過提取的LTP（包括 LBP）特征圖的模式范圍為 0-255。對于提取 GLCM 特征而言，這意味著提取特征時需要計算的矩陣大小為 256*256，計算量過大，對于工業(yè)生產(chǎn)而言效率過于低下，故而此處將 256 模式進(jìn)行下級操作，將一個 256 范圍的模式級別降維為 16 個等級的模式。本文對模式級別進(jìn)行變換處理的方式就是將提取
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董蓉;李勃;徐晨;;應(yīng)用積分圖的織物瑕疵檢測快速算法[J];紡織學(xué)報;2016年11期

2 荊辰未;李啟順;朱玉全;;基于改進(jìn)視覺顯著性的布匹瑕疵檢測方法[J];信息技術(shù);2017年09期

3 葉鑒霆;朱秋平;范賜恩;;基于稀疏編碼投影特征的布匹瑕疵檢測[J];科學(xué)技術(shù)與工程;2014年33期

4 任文杰;李磊;;改進(jìn)型快速分群算法在偏光板瑕疵檢測中的應(yīng)用[J];機(jī)床與液壓;2019年16期

5 毛兆華;汪軍;周建;卜佳仙;陳霞;李立輕;;應(yīng)用非負(fù)字典學(xué)習(xí)的機(jī)織物瑕疵檢測算法[J];紡織學(xué)報;2016年03期

6 孟曼;韋慶玥;;基于LabVIEW的玻璃瑕疵檢測系統(tǒng)研究[J];計量與測試技術(shù);2018年11期

7 紀(jì)旋;梁久禎;侯振杰;常興治;劉威;;基于模板校正與低秩分解的紡織品瑕疵檢測方法[J];模式識別與人工智能;2019年03期

8 田承泰;步紅剛;汪軍;陳霞;;基于時間序列分形特征的織物瑕疵檢測[J];紡織學(xué)報;2010年05期

9 張龍劍;張卓;范賜恩;鄧德祥;;基于稀疏編碼的雙尺度布匹瑕疵檢測[J];計算機(jī)應(yīng)用;2014年10期

10 劉洪波;吳敏淵;鄒煉;平蕾;何煒;;基于TMS320C6678的布匹瑕疵檢測算法的并行實現(xiàn)[J];科學(xué)技術(shù)與工程;2014年30期

相關(guān)博士學(xué)位論文 前4條

1 王楠;基于視覺的硅太陽能電池檢測方法的研究[D];河北農(nóng)業(yè)大學(xué);2014年

2 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學(xué);2014年

3 周建;基于字典學(xué)習(xí)的機(jī)織物瑕疵自動檢測研究[D];東華大學(xué);2014年

4 崔玲玲;布匹瑕疵識別中的關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李欣;基于局部二值模式的布匹瑕疵檢測研究[D];河南理工大學(xué);2018年

2 杜雨辰;基于LTP和GLCM的布匹瑕疵檢測方法的研究及其應(yīng)用[D];南昌大學(xué);2019年

3 胡峰;基于機(jī)器視覺的布料瑕疵檢測若干關(guān)鍵技術(shù)研究與實現(xiàn)[D];浙江工業(yè)大學(xué);2018年

4 吳志洋;基于深度卷積神經(jīng)網(wǎng)絡(luò)的單色布匹瑕疵檢測識別[D];廈門大學(xué);2018年

5 孫東平;基于DCGAN樣本生成的小樣本視覺外觀瑕疵檢測[D];吉林大學(xué);2019年

6 賈超云;條紋布匹微小瑕疵檢測[D];吉林大學(xué);2018年

7 郝陽;基于機(jī)器視覺的紡織品瑕疵檢測與分類[D];東華大學(xué);2018年

8 李倩倩;基于視覺顯著性的織物瑕疵檢測[D];東華大學(xué);2018年

9 韓宇飛;基于圖像處理的自適應(yīng)布面瑕疵檢測算法[D];吉林大學(xué);2018年

10 陳宇俊;基于深度卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究[D];廣東工業(yè)大學(xué);2018年

本文編號：2857216