本文關(guān)鍵詞：基于二維EMD的織物疵點檢測研究

  更多相關(guān)文章： 織物疵點檢測 二維經(jīng)驗?zāi)B(tài)分解 內(nèi)蘊模式函數(shù) Laws紋理能量測量 單演小波分析

【摘要】：織物疵點的產(chǎn)生直接影響織物質(zhì)量、外觀和性能,并導(dǎo)致生產(chǎn)企業(yè)的利潤受損,因此疵點檢測是紡織企業(yè)產(chǎn)品質(zhì)量控制中的重要一環(huán)。目前絕大多數(shù)國內(nèi)紡織企業(yè)采用人工驗布方式,受制于人類視覺和大腦的生理限制,具有檢測速度慢、漏檢率低、主觀性強、無法生成可用數(shù)據(jù)和增加企業(yè)用工成本等缺點,已經(jīng)無法滿足現(xiàn)代紡織生產(chǎn)的要求。使用基于機器視覺與圖像分析技術(shù)的自動驗布機替代人工織物疵點檢測是紡織行業(yè)自動化與信息化發(fā)展的必然趨勢。然而國內(nèi)外關(guān)于自動驗布機的研發(fā)已進行三十多年仍未普及應(yīng)用,根本原因是疵點檢測算法對種類繁多形式各異的織物疵點缺乏自適應(yīng)性。本課題的研究目的是提出一種高自適應(yīng)性的機器視覺織物疵點檢測算法。通過分析現(xiàn)有織物疵點檢測算法的不足,引入了二維經(jīng)驗?zāi)B(tài)分解(bidimensional empirical mode decomposition,二維EMD)作為算法核心。二維EMD不使用任何基函數(shù)或濾波器,直接根據(jù)數(shù)據(jù)自身特征,生成表征信號內(nèi)各振動模式的函數(shù)分量(內(nèi)蘊模式函數(shù),intrinsic mode function,IMF)。對二維EMD進行針對織物疵點檢測需求的改進與優(yōu)化后,將織物圖像分解為包含紋理信息的IMF1與包含大尺度灰度變化的IMF2與IMF3。針對各IMF信號,分別設(shè)計了不同的信號處理與分割方法,形成包括灰度檢測通道與紋理檢測通道的疵點檢測算法,實現(xiàn)了多種類織物疵點分割。實驗結(jié)果表明該檢測算法具有良好的自適應(yīng)性和魯棒性。本課題的主要研究內(nèi)容和結(jié)論如下:(1)研究了人眼識別灰度變化和紋理變化兩類疵點的方式,以及二維EMD對織物圖像的自適應(yīng)性分解能力,提供了基于二維EMD的織物疵點檢測算法理論依據(jù)。人眼識別灰度變化類疵點時忽略織物信息重點感知織物表面的顏色突變;識別紋理變化類疵點時則注重感知紋理模式的變化。盡管這兩種識別方式通常是同時進行的,但并不能一概而論。現(xiàn)有疵點檢測算法中常用的圖像分解工具,如小波分解等,無法根據(jù)織物圖像特征將其分解為紋理信號與大尺度灰度變化信號。因此,本課題在分析了二維EMD原理與其在織物圖像分解中表現(xiàn)出的自適應(yīng)性后,采用了二維EMD作為織物疵點檢測算法的核心工具。(2)研究了二維EMD中各環(huán)節(jié)對分解結(jié)果的影響與現(xiàn)有研究中存在的問題,提出了針對織物疵點檢測需求的改進方法,實現(xiàn)了良好的織物疵點圖像自適應(yīng)分解。首先,將二維EMD中的關(guān)鍵環(huán)節(jié)歸納為極值點判斷、邊界處理、插值方法選擇和停止準(zhǔn)則設(shè)計四項。對于極值點判斷,定義了區(qū)域性極值點以包含二維信號中的多種極值點表現(xiàn)形式,并引入數(shù)學(xué)形態(tài)學(xué)測地膨脹算子進行區(qū)域性極值點尋找;對于邊界處理,提出了對極值點集以圖像邊界為軸的鏡像延拓處理方法,有效抑制了篩分過程中的邊界效應(yīng);對于插值方法,在比較了多種徑向基函數(shù)(RBF)插值與德勞內(nèi)三角化(DT)插值方法后,提出了先DT 三次樣條插值再下采樣最后RBF 薄板樣條插值的組合插值方法,實現(xiàn)了計算速度與插值結(jié)果光滑性的兼顧;對于停止準(zhǔn)則的設(shè)計,在分析停止準(zhǔn)則影響和觀察織物圖像實際分解表現(xiàn)后,制定了SDmax=0.2為織物圖像二維EMD停止準(zhǔn)則。實驗結(jié)果表明,通過對二維EMD各環(huán)節(jié)進行改進和優(yōu)化,實現(xiàn)了良好的計算效率與織物圖像分解效果。(3)以改進二維EMD對織物圖像的自適應(yīng)性分解為基礎(chǔ),設(shè)計了包含灰度檢測通道和紋理檢測通道的織物疵點檢測算法�；叶葯z測通道中,將IMF2與IMF3融合,生成包含灰度變化信息的IMF2+3信號作為疵點分割對象。紋理檢測通道中,使用全向Hilbert變換與Laws紋理能量測量工具提取IMF1的紋理特征作為疵點分割對象。疵點分割方法為首先通過單雙高斯擬合對輸入信號進行雙峰模式識別,分為小面積疵點(包括無疵)與大面積疵點,二者經(jīng)過四階偏微分方程混合降噪后,分別使用置信區(qū)間雙閾值和OTSU閾值方法進行分割。合并灰度檢測通道和紋理檢測通道的分割結(jié)果,可得到疵點分割最終結(jié)果。離線實驗表明該疵點檢測算法檢出率為92.69%,且大多數(shù)疵點是灰度變化與紋理變化兩種形式的組合,在單個檢測通道分割的疵點區(qū)域通常不完整,合并后可得到較完整的疵點區(qū)域。(4)為提高紋理變化類疵點的檢測效果,引入單演小波分析替代全向Hilbert變換和Laws紋理能量測量作為新的紋理特征提取工具。在織物圖像IMF1信號上的單演小波分析實驗表明,單演小波分析具有良好的各向同性性質(zhì)和對振動方向的響應(yīng)能力,疵點區(qū)域的微弱紋理變化能夠在方向和振幅信號的某一分辨率上得到良好響應(yīng)。對多分辨率方向和振幅信號,設(shè)計了不同的最優(yōu)響應(yīng)判斷標(biāo)準(zhǔn)。方向信號經(jīng)π相移處理后,統(tǒng)計各分辨率子帶的內(nèi)部均方差σ,選取σ最小且滿足σ0.1的信號為最優(yōu)響應(yīng)。定義振幅信號各子帶OTSU分割后前景背景間的均值差(最大類間均值差,MICMD)為判斷標(biāo)準(zhǔn),具有最大MICMD的振幅信號為最優(yōu)響應(yīng)。最優(yōu)響應(yīng)信號經(jīng)分割后輸出疵點檢測結(jié)果。離線實驗結(jié)果表明,使用單演小波分析替代原紋理分析工具后,總體檢出率提高至98.83%,紋理變化類疵點檢測效果得到顯著改善。
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TS101.97;TP391.41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 嚴(yán)平;鄧中民;劉童花;;基于改進的小波分解織物疵點檢測[J];紡織科技進展;2007年04期

2 餳谷`欠，

本文編號：1199545