学海网

基于字典学习的机织物瑕疵自动检测研究-硕士学位论文，共174页。
摘要
论文具体的研宄内容分八章进行论述,其各章的中心内容如下:
第1章为绪论,着重介绍了论文的研究背景与意义,分析了课题组在此领域己取的研宄成果及不足,交代了论文研宄思路和内容。
第2章为文献综述。首先对论文所涉及学科的基本概念进行了介绍,然后以瑕疵检测算法的策略为分类依据,将所涉及的检测方法分为基于特征提取与非特征提取两种方案,进而对近20年来与瑕疵相关的文献进行综述,并就与本论文相关的算法进行重点介绍与分析,最后对现有研宄工作进行总结与评价。
第3章首先分析总结了前人的研宄工作和瑕疵检测的难点,接着在深刻理解瑕疵检测问题的基础上,对论文提出的釆用间接模板匹配的瑕疵检测方法与思路进行阐述,通过对主元分析的低维近似原理进行分析与试验,最后引入更具有一般性的字典学习方法对织物图像在空间域上进行近似表达,同时也对其表达织物纹理的可行性进行了实验验证。
第4章详细介绍了论文所提出的一种基于字典学习的无监督织物瑕疵检测算法。所提出的算法为无监督类型,直接在待检测织物图像上进行字典学习。通过选取合适大小的字典,正常织物纹理可以得到很好地近似,但不能很好地近似有瑕疵纹理。?这样,瑕疵区域可以通过将原图像与近似后的图像的灰度相差得到突出,再采用的计算方法、算法的实时性分析及算法的具体实现过程进行了详细的阐述,最后在实时检测平台上对所提的釆用正交字典的半监督算法进行实时检测实验。实验结果表明,算法能在30m/min速度下实现织物的实时检测,取得的检出率为89%,误检率为3.9%。
第5章详细介绍了论文所提出的另一种基于字典学习的半监督织物瑕疵检测算法。该算法在图像子窗口基础上进行瑕疵检测,但并不试图直接在上面进行特征提取,而是先采用字典学习方法对其进行近似表达,然后在对原图像样本近似后的基础上进行相似度特征提取,并釆用先进的支持向量数据描述作为单分类器进行瑕疵检测。所提算法与模板匹配方法类似,但通过学习字典对子窗口样本的近似来获取匹配所用的自适应模板,无须考虑模板的选择与对齐问题。如此,便可以在更为合理的模板匹配基础上进行瑕疵鉴别,使得所提算法的检测性能并不依赖于瑕疵类型,而是取决于瑕疵所带的异常程度。论文还针对字典大小选取问题,提出一种经验的选取方法。对20个数据集的实验结果表明,所提出的半监督算法能在误检率为1.9%下取得95.5%的检出率。
第6章着重对第5章中所提出的半监督算法的学习字典进行了分析与推广,具体对正交字典、非负字典和稀疏字典进行了研究。文中针对算法的实时性问题,通过对半监督算法计算复杂度进行分析,发现釆用正交字典能大大减少计算复杂度。此外考虑到未来研究的需要,同时将正交字典、非负字典与稀疏字典进行了研究与实验验证,实验结果表明稀疏字典的检测精度最佳,但正交字典在实时性和检测精度上的综合性能最佳,是一个较为理想的实时检测算法。
第7章对第6章所提的采用正交字典的半监督算法进行了实时实现的实践。首先对课题组自行研发的织物瑕疵实时检测平台进行了简单介绍,然后从硬件和软件两方面,对平台所涉及的硬件参数用间接模板匹配是一个较为理想的瑕疵检测方案,而对正常织物纹理特征进行有效的描述或表达是应用模板匹配方案进行瑕疵检测的必要前提。为此,本文从对织物纹理在空间域上进行近似表达这一全新的思路出发,首先采用字典学习方法对织物图像进行近似表达,在此基础上,再以模板匹配为指导思路进行瑕疵检测算法设计。这样一来,便可以将原本复杂的瑕疵检测问题转化为一个模板匹配问题进行解决,不仅能很好地绕开特征选取问题,而且可使算法的检测性能不依赖于瑕疵类型和织物纹理,从而大大提高了算法的适应性。
第8章是本文的结论与展望。简要回顾了本文的研宄,并对本文的研宄成果及不足进行了总结,同时给出了未来研宄工作的重点。
纺织品表面瑕疵对最终成品的质量及价格有着直接的影响,进行有效的瑕疵检测对现代纺织企业的质量管理、成本控制及产品竞争力的提升都具有重要意义。当前,国内几乎所有纺织企业仍然釆用传统的人工验布方式进行机织物瑕疵检测,由于受人生理特征的限制,传统的人工验布方式所提供的检测速度、精度和检测结果一致性难以满足现代大规模生产需求。作为工业领域的一个重要应用,基于计算机视觉的织物瑕疵自动检测系统凭借其天然的优势成为了人工验布的理想替代方案,该系统不仅能为客观、稳定、高效的织物瑕疵检测提供很好的保障,而且顺应了纺织产业自动化、智能化的发展趋势。
本文的研宄重点就是设计有实用价值的基于计算机视觉的机织物自动瑕疵检测算法。检测算法作为织物瑕疵自动检测系统的核心,其基本设计思路就是通过分析正常织物纹理与瑕疵纹理的异同,根据一定的区分原则将对应于瑕疵区域的像素点从织物图像中自动地识别出来。通常情况下,检测算法主要包括特征提取和分类器设计两个阶段,特征提取就是寻找能够对正常织物纹理进行有效描述或表征,同时又对瑕疵纹理敏感的鉴别性特征;分类器设计一般通过对具体分类问题进行分析学习,从而对所提取的特征进行有效分类,达到区分正常纹理与瑕疵纹理的目的。然而,这种基于特征提取的检测算法往往会面临特征选取问题,很难保证当前所选特征的最优性。这主要是因为瑕疵类型在外观形貌上具有很强的随机性和不可预测性,实践中也无法通过收集所有潜在瑕疵类型进行算法训练,即无法将全面的负样本(瑕疵样本)引入算法训练过程进行参数优化。
为了能更有效地设计检测算法,通过对已有研宄成果“去粗取精”的分析,在深刻理解织物纹理自身特征的基础上,作者认识到釆
础上进行,使得算法的检测性能并不依赖于瑕疵类型,而是取决于瑕疵所带的异常程度,提髙了算法的适应性和检测精度。
本文的主要贡献有:
(1)以对机织物图像在空间域上进行近似表达为出发点,提出了采用间接模板匹配的织物瑕疵检测思路。该检测思路不仅可以很好地绕开常规基于特征提取检测思路所面临的特征选取问题,而且可以将复杂的瑕疵检测问题变为一个模板匹配问题进行解决,从而在理论上保证的所设计算法的适用性。此外,由于模板匹配检测思路更符合计算机区分瑕疵的逻辑,这将是一个非常有潜力研究方向。论文提出的这一检测思路为机织物瑕疵自动检测的产业化应用提供了理论和实验的指导。
(2)结合织物纹理的周期性特征及字典学习对织物纹理表达上的灵活性,提出了一种基于字典学习的无监督织物瑕疵检测算法。针对线性瑕疵检测效果不佳,提出了基于图像旋转和基于线性投影的改进方案。同时还设计了相应的代价函数对最优字典大小进行自动优选。所提算法为无监督类型,可以没有任何先验知识的情况下完成瑕疵的自动检测,适合于训练样本缺乏或一致性较差的场合。
(3)针对无监督算法在实时性方面的不足,提出了一种基于字典学习的半监督织物瑕疵检测算法。所提算法釆用子窗口检测策略,但并不试图直接在子窗口上面进行特征提取,而是先应用学习字典对其进行近似表达,然后在近似图像与原图像匹配的基础上进行瑕疵鉴别。论文引入了支持向量描述算法作为单分类器对所提取的相似度特征进行分类。由于所提算法是在更为合理的模板匹配基阈值法进行瑕疵分割,便可以达到检测瑕疵的目的。为了适应更多如线性瑕疵等不易检测的瑕疵,论文还提出了基于图像旋转和线性投影的改进方案。对20个数据集的实验结果表明,检出率为87.3%,误检率为8.8%。与傅立叶重构方法相比,所提的无监督算法对织物纹理与瑕疵类型都有较好的适应性,检测精度上也略有优势,这也进一步证实了所提算法的有效性。
(4)鉴于目前大多数织物瑕疵检测算法还不能付诸于实时实践,论文对半监督算法所得学习字典的约束条件进行了研宄和优选,结果表明采用正交学习字典的半监督算法在检测精度和实时性上的综合性能最佳,并对其在160m实际织物上进行了 30m/min速度下的实时检测实验,所得的检出率为89%,误检率为3.9%。
关键词:机织物,瑕疵检测,字典学习,纹理近似,模板匹配,实时性