设计织物疵点检测-装订上交版

课题研究背检测存在和检验结果受人员因素影响太大等缺点，纺织品缺陷检测技术已经成研究的目的及意在全球经济的时代，如何使纺织企业更具竞争力，确保纺织品的质量无疑是十分重要的因素。检测作为产品质量控制的重要环节，在纺织品生产过程中占有重要地位，其中疵点检测是其关键的部分。然而，织物的颜色和样式多样化，使织物疵点种类繁多，且新的疵点不断涌现，这都为疵点检测带来了。纺织品疵点检测迫切需要一种能够代替人类视觉检测的智能化检测系统，能够和机器技术相结合，自动检测和识别各种织物的不同疵点。随着的发展，机器视觉和图像处理相关课题的研究不断深入，其应用领域也不断拓展。自20世纪70年代以来，人们将机器视觉和图像处理技术应用到纺织品疵点检测和分类工作中。织物缺陷自许多学者进行了大量的研究。经过近40年的自动织物疵点检测算法的探索，也有一些原型和现在商业的检测系统的形式，但主要是以和专利的形式。国内外研究现国内研究现到了20世纪70年代初，研究人员开始关注国内外织物疵点检测技术，在90末，研究形成。中国的研究人员，中国，，韩国，，以色列和瑞士等国家和地区的科研成果是基于其他工业检测系统的研究和其他的数学和算机科学，学者们了许多文章和研究，纺织理论上的缺陷检测水平的不提高，自动织物疵点检测系统的研究有了一定程度上的发展。国内学者在大学进行自动缺陷检查布料做了很多的研究，东华大学，华技国外研究现I-TEX验布系统、Uster公司Fabriscan自动验布系统和比利时BARCO公司的验布有直均衡化，伪彩色增强，灰度窗术。被用来获取直或统计方法，更适合于高对比度的灰度表征简单分区映像，不能满足一定的质量或梯度表征的图像的分割的各区域的复杂性。术检测的图像分割和目标的突出，这是一个重要的发现检测目标边缘的方法。系统的工作流织物疵点检测系统的总体结构可以分为三个部分:图像单（本文只研究图像处理单元（2-1）2-1织物疵点分断经类疵点:布面上由经纱脱断形成的沿经纱方向呈现的疵点。在经纱图2-2)。2-22-3)2-3粗糙（2-4。2-42-5（（传输和记录过程中会因成像系统传输介质和设备的不完善而导致所以要进行图像复原，尽可能的恢复图像的本来面目。图像分割是图像的有用（平滑增像边缘和灰色部分跳跃，灰色对比度增强的图像，使图像变得清晰。平滑图像采用的方法主要有：直均衡法、滤波法、算子锐化。直均衡直均衡化是图像处理领域中利用图像直对对比度进行调整的方法这种接近的时候。通过这种方法，亮度可以更好地在直上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直均衡化通过有效地扩展常用的亮度利用直统计的结果，通过使图像的直均衡的方法称为直均衡化，均匀，设法增加的在直统计中的占的比例比较高的像素和其他像素的高亮度直在中调用histeq函数进行实现断经类疵点直均衡化效果对比图（图3-图3-1断经类疵点直均衡化效划痕类疵点直均衡化效果对比图（图3-图3-2划痕类疵点直均衡化效破洞类疵点直均衡化效果对比图（图3-图3-3破洞类直均衡化效油污类疵点直均衡化效果对比图（图3-图3-4油污类直均衡化效图像滤为更好地去除噪声，比较它们加入高斯白噪声和椒盐噪声，用编程各种（x，y（x，yg（x，y（x，y）=1/m∑f（，y，其中m这样的方法可以使图像平滑，而且速度快，算法简单。但是无法去掉噪声，只能微弱的减弱它[37。3种滤波方法对有噪声的织物疵点图像进行滤波分析对比（程序见附录断经经滤波对比图像（3-5、3-划痕滤波对比图像（3-7、3-破洞滤波对比图像（3-9、3-油污滤波对比图像（3-11、3-S（领域S）选择太小时，去噪效果不理想。因此均值领域方法不太适合处理图像噪声。声依然很明显。图像的锐这里主要用到了两种常用的微分算子锐化方法：梯度锐化sobel和拉锐Laplacian。注意：由于锐化使噪声受到比信号还要强的增强，所以要求锐化处sobelSobelSobelPrewittSobel算子对于象素的位置的影响做了，可以降低边缘模糊程度，因此效果更Laplacian算氏算子改善由于湍流扩散的效果是特别有效的，因为它是在与系统的最低示范线比（两种算子对比程序见附录断经疵点锐化图像（3-3-13划痕疵点锐化图像（3-3-14破洞疵点锐化图像（3-3-15油污疵点锐化图像（3-3-16Laplacian算子是与方向无关的各向同性边缘检边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍的加强作用。测算子，若只关心边缘点的位置而不顾其周围的实际灰度差，一般选择该算子进行检测。特点：各同向同性，线性和位移是对噪声有双倍的加强作用。Sobel算子在检测边缘的同时减少噪声的影响，可以检测到边缘点，相对于拉Sobel本文采用基于迭代（自动阈值）阈值分割算法介灰度阈值分割算灰度阈值分割方法是最常用的技术，在并行区域中是数量最多的应用于图像分割的类别。关键阈值分割算法是要确定该阈值，如果确定一个合适的阈值可以准确地单独图像。设定阈值后，将阈值比较的像素和像素灰度共享可以并行地执行对于每个像素，其结果是直接给定的图像区域分割。迭代阈值分割算迭代算法的思想是一种近的思想先求出图像的最大灰度值和最小灰度值，让初始阈值被设定在最大值和最小值灰色灰色的中间值，然后利用迭代算法将疵点部分的图像和背景的图像分割开来。求出两部分的灰度平均值，算出新的阈值T，T为两部分灰度平均值的中间值。最后在循环中遍历行和列，若灰度值大于等于新的阈值T，则将图像像素灰度值设置为1，其余部分设置为0。最后得到了将疵点部分突出的效果，为后面的边缘检测做准备。结果分

4-1断经疵点迭代阈值分割结果4-2划痕疵点迭代阈值分割结果4-3破洞疵点迭代阈值分割结果4-4油污疵点迭代阈值分割结果图像的边缘存在于直接连接的图像内容的物理性质之间，因此图像的边缘包含其目的是能够更准确地描述目标区域。边缘检测特征提取作为其性能的工具是直接关系到随后的图像处理的质量。主要是为了提取图像特征值，以图像分割。一般边缘检测的算子有四类：Prewitt算子、SobelCannyRoberts算子。cannylog图像运行结5-1LogLogCanny5-2LogLogCannyLogLogCanny5-4LogLogCanny运行结果对比分、Log算子使用高斯函数进行平滑图像，从而使噪声是更明显的抑制效果、Canny算子也使用图像的高斯函数对图像进行平滑处理，使之具有很强的抵抗噪声的特性，但也有可能平滑一些信息边缘，然后使用预先阶微分算子算运行比日志更好，所以精度更高的定位优势。操作者是从其它操作边沿检测不同，它使用两个不同的阈值来检测强和弱边缘当且仅当连接到弱弱涉及图像制作的端部，模拟结果可通过在其中最好的一些算子的边缘检测算子可以看出。边缘定位准确，连续性好，边缘少而且边缘都具有一个单独的像素宽度 的效果来看，选择canny算子边缘检测效果比较好目标特征提模式识别是基于目标对象的识别和分类技术的模型，本研究是多种学科的图像或物体的和处理的分类和描述，在视觉领域中被称为图像识别。1960年模式识别是迅速发展的一个。特别是随着一大批科研成果在许多领域最近出现已成功实施。为了有效地实现了分类，有必要转换的原始图像，以更好地反映图像特征分类的性质。图像特征是指在原有功能或属性的图像。每个图像都有自己的特点，其中一些是视觉感受的天然特性直接，如亮度，边缘，质地，或颜色;有些是需要得到通过改造或计量功能，例如频谱，直等人为特征。为了有效地纠正缺陷图像识别，必须从所生成的图像描述中的非图像或表示有价值的数据或信息，例如值，符号等，其图像特征提取。在一般情况下，空间的原始数据的组合物被称为“测量空间”，分类空间，其中被称为“特征空间”。提取，空间测量模型的高维数据的低维模式功能空间表示代表提供样品图像识别[40]。特征选取依对于待识别的织物疵点图像（主要是四类疵点，通过分割和边缘检测及其相关的加工，就可以得到原始特征的图像。但大量的图像的样品是在高维空间中，如何选择的多个特征的最有效的功能，以减少特征空间物体的尺寸，则特征选择和提取的职责原来的基本特征。样本量不是很多的情况下，具有许多功能，设计分类，该视图的计算和分类性能点的复杂性是不恰当的。因此，如何在高维特征空间功能成为一个低，有效识别关键特征的图像。例如，通过机在一个对象被转换成一个二维灰度阵列。1000×1000灰度图像阵列相当于1000×1000尺寸测量空间中的一点，这是不容易识别，更重要的是，这样的描述并不直接反映图像的性质。目前，几乎没有可以引导的功能的选择的方法，在一般情况下，根据经验和理论基础第一表的分析方法列出了一些相关的可能的特征，然后计算出不同特性的效率来识别特征的分类方法。通过筛检的结果来选择功能的最佳组合。具体地，选择特征值是基于以下依据的：可区别性。对于属于不同类的图像，它们的特征应该具有比较明显的差异。可靠性。对于同类图像，特征值应该比较接近。独立性好。所选择的特征值之间应彼此不相关。需要注意的是，有时相关性很高的特征组合起来可以减少噪声干扰，但它们一般单独的特征使用。数量少。图像识别系统的复杂程度随着系统维数（特征个数）成正比增加。如果特征数量过多，虽然识别的效果会更好一些，但是识别时计算更加耗时，难度更大[40]。图像特征分析方有很多方法可以分析各种的图像的特征，但具体到每一个图像，我们仅基于所述图像的独特性质，并选择一个或几个这样的方法来分析其特征，根据图像的形状，图像的纹理标志，图像的颜色特征等等这些来进行分析。图像的形状特征分析：经过图像预处理和图像分割，我们就可以得到目标区域的大小及边缘信息，从而得到疵点部分的大致形状。通过边界、骨架及区域三种信息就可以来反映图像的目标信息。通常，人们关心的主要是目标信息的形状，而不是其他信息。所以，我们可以把图像的边界或者内部赋值“1，其他不感的部分赋值“0”，这样即可形成一幅可以清晰显示出目标形状信息的二值图像。目标信息的特征量有长度、面积、周长、宽度、长宽比等，我们可以通过这些特征量来对疵点进行判别以及为以后的疵点分类提供较好的帮助。图像的纹理特征分析：在图像处理分析中，纹理结构的特征分析占据了很大地位。它具有多种特征，主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列等，常用的纹理特征提取方法也很多，比如模型方法、统计方法、几何方法、信号处理方法及结构方法等。此方法很早就被提出，但因为其中存在的一些问题，在实际工程应用中很小被用到，比如分析大尺寸图像不理想、处理起来耗时等一些问题。图像的颜色特征分析：图像的颜色特征分析是图像统计特征分析中最常用的一种，主要RGB和HIS两类彩色坐标系统。前者是面向已经系统的，相对简单，而后者主要是用RGB空间转换为HIS空间，主要是因为在RGB彩色坐标系中，存在着很多的不足。第一，RGB彩色坐标系对不同的色彩不能用准确的数值来表示，进而很难进行定量分析；第二，RGB彩色坐标系对含有较高相关性的图像扩展对比度时，只能扩大图像的明亮程度，而对图像的色调差异的增强没什么效果；第三RGB彩色坐标系不容易控制图像分析的结构。而HIS母性则可以定量的描述图像的颜色特征。通过以上分析，本文选择了通过疵点的形状特征来对图像进行分析，主要有疵点的周长、疵点的面积、疵点的圆度、疵点的矩形度以及疵点的经纬向伸长度等。本文所研究疵点的特本文我们介绍了四种织物疵点的类型，分别是断经、划痕、破洞和油污。根据这些疵点的类型和形状特征，我们选择了五个特征量对其进行分析，分别为疵点的周长、疵点的面积、疵点的圆度、疵点的矩形度以及疵点的经纬向伸长度。这些疵点特征值的计算过程如下：疵点部分的周长周长是采用计算疵点部分边缘检测后的图像边缘像素点来计算的。疵点的面积不管什么样形状的目标图像区域，我们均可以把它限制于一个矩形方框内，矩形区域的面积为L×W，如图6-1所示。通过扫描整个矩形区域里的每个像素点，可直接得到灰度值为“1”的像素点的总个数，表示为：6-1区域面积计算在最后的二值化织物图像内，把疵点区域内的各个像素点的灰度值进行统计，灰度值为“1”的像素点的个数即为疵点的面积特征参数S，表示为：(3）疵点的圆度（紧密度的倒数疵点的紧密度又称为疵点紧凑度，我们把它定义为L²/4πS。式子中，L代表疵点区域的周长（即疵点区域轮廓的长度S代表疵点区域的面积，π是圆周率。从式子中我们可以看到，若疵点区域为一个正圆，其区域周长就为2πR(R为区域圆的半径)，面积为πR²，那么疵点的紧密度就为1，即一个正圆的紧密度为1。非正圆的紧密度相对会比较大些。圆度（紧密度的倒数：C=4*pi*S/(L*L)。(4)矩形度反映了一个图形与矩形的相似程度，在本文中就指的是疵点图像与矩形的相似程度。H、W分别是疵点的高和宽。S则是疵点的面积。(5）疵点的经纬向伸长度疵点经纬向伸长度R就是疵点的长宽比，即为前面所求的疵点的长度和疵点的宽度W的比值，疵点长宽比R表示为：R能够较好的描述区域类和方向性疵点的特征形状，通常，我们能够认定为：断经疵点图像和经线连续粘并疵点图像的经纬伸长度R值比较大；浆斑疵点图像经纬伸长度R值大约靠近于1；劈缝疵点图像的经纬伸长度R适中。特征提取识别运行结(1）断经疵点特征提取识别结果（6-6-2断经疵点检测结果(2）划痕疵点特征提取识别结果（6-6-3划痕疵点检测结果(3）破洞疵点特征提取识别结果（6-6-4破洞疵点检测结果(4）油污疵点特征提取识别结果（6-6-5油污疵点检测结果滑处理，其中包含了直均衡化、图像滤波、图像锐化等。然后是图像的分割，研究最终采用的图像分割算法为更能适应疵点情况的迭代阈值分割算法。在对优化方案是在对疵点图像进行第一次裁剪后，若图像宽度大于划痕类、循环中执行对断经图像专门的裁剪程序，将断经的疵点部分裁剪出来，避开周围的大部分噪点影响，然后进行特征提取。这样能够提高对于和背景差别不是很大的断经疵点检测的准确率。最终算法程序得以完善，能够对本文中的四种疵点：断经、划痕、破洞、油污进行准确的检测识别并输出结果（本算法完整程序见附录。[1]，，.智能：图像处理技术[M].：电子工业[2]钟钒，周激流，郎方年等.边缘检测滤波尺度自适应选择算法[J].[3]，，等.数字图像处理技术[M].：冶金工业[4]羽等.基于机器视觉和图像处理的织物疵点检测研究新进展[J].纺织学报20143（3[5]步红刚等.基于计算机视觉的织物疵点检测的近期进展[J].东华大学学报，2006，32（3[6]O.GSezera,1,AErcilb,AErtuzunc.Usingperceptualrelationofregularityandanisotropyintexturewithindependentcomponentmodelfordefectdetection韩其睿,.编织物疵点检测及类型识别[J].计算机工程与应用,2014,李春雷,,等.基于纹理差异视觉显著性的织物疵点检测算法[J].山东大学学报：工学版,2014,(4). ,,等.织物疵点图像的直处理与增强[J].丝绸,2009,(5):35-（编译）,左保齐（校）,苏州大学纺织与服装等.基于计算机视觉的织物疵,.图像处理用于织物疵点自动检测的研究进展[J].东华大学学报：自然科学版,2002,28(4):118-122.:10.3969/j.issn.1671-0444.2002.04.027.,. 图像处理技术在针织物疵点检测中的应用[J].电脑知识与技术,2009,5(11). 刘京南,余玲玲.几种图像分割阈值的比较与研究[J.电气技术与自动化,2003,1):7780.．数字图像分割及变形技术研究[D]．数字图像处理及其应用研究[D]，，太，基于数学形态学的织物疵点检测方法[J].测试技术学报2007,2（6，，，2009,30（4：14-，.图像处理用于织物疵点自动检测的研究进展[J].东华大学学报（自然科8.神经网络在织物检测中的应用[J].:图像处理和分析[M]. :[23]，.基于神经网络在织物疵点识别技术[J].纺织科学报[24]J.Dorrity.G.Vachtsvanos,W.Jasper.Real-timeFabricDefectdictionandControlinProcess{C}NationalTextileCenterAnnual[25]，.BP算法的数学推导及实现算法[J].辽宁石油化工高等专科学校学报WarrenJJ.Image ysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；周帅,,才.基于变换的织物疵点图像特征提取[J].青岛大学学报：工程技术版,2013,(2):53-59. .基于阈值分割的织物疵点检测方法研究与实现[D].河北科技大学, ,,.几种图像消噪处理算法在织物疵点检测中的应用[J].南通纺织职业技术学院学报,2012,12(2):14-16. 黎丹,刘哲.织物疵点特征提取主要算法比较[J].毛紡科技2011,39(1):57-刘建立,左保齐.织物疵点图像消噪方法的比较[J].纺织学报2007,28(11):128-卿湘运,段红,.基于局部熵的织物疵点检测与识别的研究[J].纺织学报,2004, ,.用于疵点检测的织物自适应正交的实现[J].东华大学学报：自然科学版,2002,28(2):77-81. ,,.基于二维连续变换的织物疵点检测[J].东华大学学报：自然科学版,2000,26(2):10-13.:10.3969/j.issn.1671-0444.2000.02.003.,,.基于Wold纹理模型和分形理论的织物疵点检测[J].东华大学学报：自然科学版,2000,26(1):6-9.:10.3969/j.issn.1671-0444.2000.01.002.高水平.织物疵点检测的图像处理技术[D].青岛大学,2005..弱小目标检测前算法研究[D].杭州电子科技大学,2010. .非标准轮廓曲线提取与数控加工程序生成的研究[D].大学,郭文斌.EMCCD图像处理系统及应用技术研究[D].中学,2008. ,,,等.玻璃缺陷特征提取[J].中原工学院学报,2010,21(2):35-38.在此特别感谢导师对我的悉心指导，老师在算法程序的优化上给了我很师还在百忙之中抽出时间来对我的进行审阅提出修改意见。最终使我完成大学的毕业设计。我在此对导师表示衷心的感谢。在这个过程中，我学到了很多本专业方向和其他方向的不同知识点，拓宽了自己的知识面，而且在自主研究的过程中提升了自己的能力。在与同组同学进行讨论的过程中，也提升了团队协作能力，看到了互相学习，互相借鉴的重要性。很多。如今在我完成毕业设计之际，谨向电子信息学院的所有导师和同学表示I1=imread('11.jpg');J=imnoise(I2,'salt&title('3*3的窗口邻域滤波title('7*7的窗口邻域滤波title('3*3窗口的维纳滤波');title('7*7窗口的维纳滤波');title('3*3窗口的中值滤波title('7*7窗口的中值滤波Iimread('12.jpg');I=rgb2gray(I);H=fspecial('Laplacian');%LaplacianlaplacianH=title('laplacian算子锐化图像');H=fspecial('sobel');%应用sobel算子滤波锐化图像sobelH= title('sobel算子锐化图像');Iimread('12.jpg');BW1=%Log[BW1,thresh1]=%返回当前Log算子边缘检测的阈值disp('Log算子自动选择的阈值为：')title('Log算子边缘检测')BW1=edge(I,'log',0.005);%0.005Logtitle('0.005Log算子边缘检测')%[BW2,thresh2]=%返回当前零交叉检测边缘检测的阈值BW2=edge(I,'zerocross',0.03,h);%0.03title('0.03的零交叉边缘检测')BW3=edge(I,'canny');%Canny[BW3,thresh3]=%返回当前Canny算子边缘检测的阈值disp('Canny算子自动选择的阈值为：')title('Canny算子边缘检测')BW3=edge(I,'Canny',[0.20.5]);%以阈值为[0.10.5]Cannytitle('阈值为[0.10.5]Canny算子边缘检测clearall;closeall;I1=imread(12.jpg');%I2=histeq(I2);%直均衡化S0=0;S1=0;fori=1:xfor

fori=1:xfor

figure,imshow(bw2);title('I5=bwareaopen(bw2,70)320接对象，的是连续的白色像素数量少于70的字符%I5=bwareaopen(I3y,x,z]=size(I5);%y，x，zmyI=double(I5);% Blue_y=zeros(y,1);%zeros(M,N)M*N0forforif(myI(i,j,1)==1)Blue_y(i,1)=Blue_y(i,1)+1;%[tempMaxY]=max(Blue_y);%Y方向疵点区域确定[tempMaxY]临时变量MaxY %以下为找疵点Y方向最小值while((Blue_y(PY1,1)>=5)&&(PY1>1))PY2=MaxY;Ywhile((Blue_y(PY2,1)>=5)&&(PY2<y))%XBlue_x=zeros(1,x);%xforfor if(myI(i,j,1)==1)Blue_x(1,jBlue_x(1,j)+1;PX1=1;%Xwhile((Blue_x(1,PX1)<5)&&(PX1<x))%%175PX2=x;%Xwhile((Blue_x(1,PX2)<5)&&(PX2>PX1))204PY1=PY1;%dw0=myI(PY1:PY2,PX1:PX2,:);%close