CN105931243A - 一种基于单演小波分析的织物疵点检测方法 - Google Patents
一种基于单演小波分析的织物疵点检测方法 Download PDFInfo
- Publication number
- CN105931243A CN105931243A CN201610266081.9A CN201610266081A CN105931243A CN 105931243 A CN105931243 A CN 105931243A CN 201610266081 A CN201610266081 A CN 201610266081A CN 105931243 A CN105931243 A CN 105931243A
- Authority
- CN
- China
- Prior art keywords
- subband
- resolution
- amplitude
- optimal response
- defect detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种基于单演小波分析的织物疵点检测方法,首先对织物图像进行单演小波变换得到多分辨率三元小波系数向量,计算向量方向与向量模得到多分辨率方向子带和振幅子带;然后对各分辨率下的方向子带和振幅子带进行预处理后,计算其响应优秀程度,选择最优响应的方向子带和振幅子带;最后对最优响应的方向子带和最优响应的振幅子带分别进行二值化操作,得到两个二值图像;将二者融合得到织物疵点检测结果,值为255的像素表示无疵区域,值为0的像素表示疵点区域。本发明使用单演小波分析提取的织物图像振动特征避免使用函数响应,具有更好的自适应性并且不受光照不匀影响;对多数检测方法难以识别的微弱纹理变化类疵点具有优秀的检测效果。
Description
技术领域
本发明属图像分析处理技术领域,涉及一种基于单演小波分析的织物疵点检测方法,应用于纺织品表面质量自动检测与控制领域。
背景技术
在基于机器视觉和图像处理技术的织物疵点检测方法中,难度最大的问题是对种类繁多形式各异的织物组织和疵点形式难以实现通用性。现有方法通常是使用固定基函数、滤波器、特征值、纹理单元等对象的响应,因此理论上对不同织物组织和疵点形式不具有通用性;使用人工神经网络对如小波变换、Gabor变换中滤波器和参数进行优化也无法从根本解决问题。
解析信号分析是一种与上述方法中所用的图像分析技术有着本质不同的方法,具有不依赖基函数响应和高度时频同步优势,但其使用的Hilbert变换的二维扩展存在许多问题,产生了不同的解析信号形式。Krieger等人(1996)提出将原信号沿x轴或y轴进行Hilbert变换后作为虚部与原信号组成单向解析信号。Stark(1971)提出将原信号沿x轴和y轴各进行一次Hilbert变换和作为虚部与原信号组成全向解析信号。Hahn(1992)提出基于单向和全向Hilbert变换结果的单象限解析信号。Bulow等人(2001)提出包含两个单向Hilbert变换结果和全向Hilbert变换结果及原信号的四元解析形式。但上述方法非各向同性,无法避免真实振动方向与坐标轴夹角引起的系统性误差。Felsberg等人(2001)提出一种三元解析信号形式,包含两个单向Hilbert变换结果作为虚部,称为单演信号,并提出计算局部最大Hilbert能量方向分析和该方向上的振幅与频率分析方法,解决了方向引起的系统性误差问题,但该方法仍然缺乏多分辨率分析能力,对图像尺度无适应性。
发明内容
本发明所要解决的技术问题是克服现有算法的不足,提高算法的对不同纹理和疵点适应性,提供一种基于单演小波分析的织物疵点检测方法。
本发明的一种基于单演小波分析的织物疵点检测方法:
(1)对图像进行多分辨率单演分析,即对图像依次进行下采样,在每个分辨率都进行单演分析,得到各分辨率下的振动方向和振幅计算结果。具体实现方式为使用三元向量形式的单演小波对织物图像进行单演小波变换,得到多分辨率的三元小波系数向量(wi[k],r1 , i[k],r2 , i[k]);
然后根据多分辨率的三元小波系数向量方向和向量模,计算各分辨率下最大Hilbert能量 方向,得到多分辨率方向子带;计算各分辨率下瞬时Hilbert域振幅,得到多分辨率振幅子带;
(2)对多分辨率方向子带进行预处理后,计算每个分辨率方向子带的响应优秀程度,选择最优响应方向子带;所述的方向信号最优子带判断标准为内部均方差σ最低,其依据为该子带分辨率尺度最接近织物纹理真实尺度,因此方向信号反应信息最为准确,在织物正常纹理处的振动方向一致性最高,疵点区域与无疵区域间差异最明显;
对多分辨率振幅子带进行预处理后,计算每个分辨率振幅子带的响应优秀程度,选择最优响应振幅子带;所述的一种基于单演小波分析的织物疵点检测方法,所述的振幅信号最优子带判断标准为最大类间均值差MICMD最高,其依据为该子带分辨率振幅反映疵点纹理模式变化最充分,疵点区域与无疵区域间差异最明显;
(3)对最优响应方向子带进行二值化操作,得到最优响应方向子带的二值化矩阵,对应为最优响应方向子带的分割图像SO(x,y);所述二值化操作使用的阈值化方法可使用图像处理领域中多种常见的方法,因最优响应子带前景背景间反差已较为强烈,对阈值化方法的选择无要求。
对最优响应振幅子带进行二值化操作,得到最优响应振幅子带的二值化矩阵,对应为最优响应振幅子带的分割图像SA(x,y);所述二值化操作使用的阈值化方法可使用图像处理领域中多种常见的方法,因最优响应子带前景背景间反差已较为强烈,对阈值化方法的选择无要求。
融合SO(x,y)与SA(x,y),得到融合图像SF(x,y)=SO(x,y)*SA(x,y)/255;所述融合图像中,值为255的像素表示无疵区域,值为0的像素表示疵点区域,即为织物图像的疵点检测结果,也即织物疵点检测结果。
作为优选的技术方案:
如上所述的一种基于单演小波分析的织物疵点检测方法,所述三元向量形式的单演小波为复Riesz-Laplacian小波;所述三元向量形式的单演小波的具体构建如下:
结合各向同性的分数阶Laplacian算子(-Δ)α与多重调和样条φλ,定义各向同性分数阶Laplacian样条小波ψ(x)=(-Δ)λ /2φ2 λ(Dx),对Laplacian样条小波进行Riesz变换得到三元向量形式的复Riesz-Laplacian小波即三元向量形式的单演小波。
如上所述的一种基于单演小波分析的织物疵点检测方法,计算各分辨率下最大Hilbert能量方向,得到多分辨率方向子带,具体为:分辨率i下位置k处的最大Hilbert能量方向为 其中Jmn=[Ji(k)]mn,m,n∈1,2为分辨率i下位置k处的加权结构矩阵;计算各分辨率下瞬时Hilbert域振幅,得到振幅子带,具体为:分辨率i下位置k处的瞬 时Hilbert域振幅为
如上所述的一种基于单演小波分析的织物疵点检测方法,对多分辨率方向子带进行预处理是指:对每个分辨率方向子带的数据分布进行统计,当数值位于中的像素点数超过图像面积的75%时,将负值数据+π,正值数据-π。
如上所述的一种基于单演小波分析的织物疵点检测方法,对多分辨率振幅子带进行预处理是指将每个分辨率的振幅子带标准化,具体为:
将某分辨率振幅子带记为A,A的最大值记为AMAX,A的最小值记为AMIN,标准化后的振幅子带为ASTD=(A-AMIN)/(AMAX-AMIN)。
如上所述的一种基于单演小波分析的织物疵点检测方法,计算每个分辨率方向子带的响应优秀程度,选择最优响应方向子带,具体步骤为:
计算预处理后的每个分辨率方向子带标准差σ,选择σ最小并满足σ<0.1的子带作为最优响应方向子带。
如上所述的一种基于单演小波分析的织物疵点检测方法,计算每个分辨率振幅子带的响应优秀程度,选择最优响应振幅子带,具体步骤为:
对每个分辨率下预处理后的振幅子带ASTD,分别进行OTSU阈值分割,计算分割结果前景与背景间均值差的绝对值,定义为最大类间均值差MICMD,选择MICMD最大的子带作为最优响应振幅子带。
如上所述的一种基于单演小波分析的织物疵点检测方法,所述二值化操作是指计算最优响应的方向子带或最优响应的振幅子带中所有元素的均值μ与标准差σ,当残差图像中某一元素的数值介于μ±3σ之间时,赋值为0;反之赋值为255。
如上所述的一种基于单演小波分析的织物疵点检测方法,所述织物图像为位深度为8位以上的灰度图像;所述的多分辨率范围为:[1,log2(N)]。
有益效果
1、本发明通过使用单演小波分析提取的织物图像振动方向和振幅,是振动本身特征而非函数响应,具有更好的自适应性;
2、本发明的方法分析对象为振动模式,不受光照不匀影响;
3、本方法具有对振动方向的分析,对多数检测方法难以识别的微弱纹理变化类疵点具有优秀的检测效果。
附图说明
图1为吊经疵点图像
图2为吊经疵点图像的最优响应方向子带
图3为吊经疵点图像的疵点检测结果
图4为双纬疵点图像
图5为双纬疵点图像的最优响应振幅子带
图6为双纬疵点图像的疵点检测结果
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的一种基于单演小波分析的织物疵点检测方法:
(1)使用三元向量形式的单演小波对织物图像进行单演小波变换,得到多分辨率的三元小波系数向量(wi[k],r1 , i[k],r2 , i[k]);
然后根据多分辨率的三元小波系数向量方向和向量模,计算各分辨率下最大Hilbert能量方向,得到多分辨率方向子带;计算各分辨率下瞬时Hilbert域振幅,得到多分辨率振幅子带;
(2)对多分辨率方向子带进行预处理后,计算每个分辨率方向子带的响应优秀程度,选择最优响应方向子带;
对多分辨率振幅子带进行预处理后,计算每个分辨率振幅子带的响应优秀程度,选择最优响应振幅子带;
(3)对最优响应方向子带进行二值化操作,得到最优响应方向子带的二值化矩阵,对应为最优响应方向子带的分割图像SO(x,y);
对最优响应振幅子带进行二值化操作,得到最优响应振幅子带的二值化矩阵,对应为最优响应振幅子带的分割图像SA(x,y);
融合SO(x,y)与SA(x,y),得到融合图像SF(x,y)=SO(x,y)*SA(x,y)/255;所述融合图像中,值为255的像素表示无疵区域,值为0的像素表示疵点区域,即为织物图像的疵点检测结果,也即织物疵点检测结果。
如上所述的一种基于单演小波分析的织物疵点检测方法,所述三元向量形式的单演小波为复Riesz-Laplacian小波;所述三元向量形式的单演小波的具体构建如下:
结合各向同性的分数阶Laplacian算子(-Δ)α与多重调和样条φλ,定义各向同性分数阶Laplacian样条小波ψ(x)=(-Δ)λ /2φ2 λ(Dx),对Laplacian样条小波进行Riesz变换得到三元向量形式的复Riesz-Laplacian小波即三元向量形式的单演小波。
如上所述的一种基于单演小波分析的织物疵点检测方法,计算各分辨率下最大Hilbert能量方向,得到多分辨率方向子带,具体为:分辨率i下位置k处的最大Hilbert能量方向为 其中Jmn=[Ji(k)]mn,m,n∈1,2为分辨率i下位置k处的加权结构矩阵;计算各分辨率下瞬时Hilbert域振幅,得到振幅子带,具体为:分辨率i下位置k处的瞬时Hilbert域振幅为
如上所述的一种基于单演小波分析的织物疵点检测方法,对多分辨率方向子带进行预处理是指:对每个分辨率方向子带的数据分布进行统计,当数值位于中的像素点数超过图像面积的75%时,将负值数据+π,正值数据-π。
如上所述的一种基于单演小波分析的织物疵点检测方法,对多分辨率振幅子带进行预处理是指将每个分辨率的振幅子带标准化,具体为:
将某分辨率振幅子带记为A,A的最大值记为AMAX,A的最小值记为AMIN,标准化后的振幅子带为ASTD=(A-AMIN)/(AMAX-AMIN)。
如上所述的一种基于单演小波分析的织物疵点检测方法,计算每个分辨率方向子带的响应优秀程度,选择最优响应方向子带,具体步骤为:
计算预处理后的每个分辨率方向子带标准差σ,选择σ最小并满足σ<0.1的子带作为最优响应方向子带。
如上所述的一种基于单演小波分析的织物疵点检测方法,计算每个分辨率振幅子带的响应优秀程度,选择最优响应振幅子带,具体步骤为:
对每个分辨率下预处理后的振幅子带ASTD,分别进行OTSU阈值分割,计算分割结果前景与背景间均值差的绝对值,定义为最大类间均值差MICMD,选择MICMD最大的子带作为最优响应振幅子带。
如上所述的一种基于单演小波分析的织物疵点检测方法,所述二值化操作是指计算最优响应的方向子带或最优响应的振幅子带中所有元素的均值μ与标准差σ,当残差图像中某一元素的数值介于μ±3σ之间时,赋值为0;反之赋值为255。
如上所述的一种基于单演小波分析的织物疵点检测方法,所述织物图像为位深度为8位以上的灰度图像;所述的多分辨率范围为:[1,log2(N)]。
实施例1
(1)对一幅吊经疵点图像(图1)使用三元向量形式的单演小波以及最大Hilbert能量方向和Hilbert域振幅计算方法进行单演小波分析,分辨率层数设定为4层,得到4层分辨率的方向子带和振幅子带(共8个子带)。
(2)对各方向子带和振幅子带(4个分辨率下共8个子带)进行预处理后,计算各子带响应优秀程度,其中第一层到第四层(以最细节尺度为第一层,最粗糙尺度为第四层)方向子带的响应优秀程度(保留小数点后四位有效数字)分别为σ=0.0234、σ=0.0503、σ=0.16037、σ=0.1792,第一层到第四层(以最细节尺度为第一层,最粗糙尺度为第四层)振幅子带的响应优秀程度(保留小数点后四位有效数字)分别为MICMD=20.9930、MICMD=33.9793、MICMD=45.3462、MICMD=48.2579。
(3)选择第一层方向子带(图2)为最优响应方向子带,进行二值化操作后得到最优响应方向子带的分割图像SO(x,y),选择第四层振幅子带为最优响应振幅子带,进行二值化操作后得到最优响应振幅子带的分割图像SA(x,y),融合SO(x,y)与SA(x,y),得到融合图像SF(x,y)=SO(x,y)*SA(x,y)/255,SF(x,y)即为吊经疵点图像检测结果(图3)
实施例2
(1)对一幅双纬疵点图像(图4)使用三元向量形式的单演小波以及最大Hilbert能量方向和Hilbert域振幅计算方法进行单演小波分析,分辨率层数设定为4层,得到4层分辨率的方向子带和振幅子带(共8个子带)。
(2)对各方向子带和振幅子带(4个分辨率下共8个子带)进行预处理后,计算各子带响应优秀程度,其中第一层到第四层(以最细节尺度为第一层,最粗糙尺度为第四层)方向子带的响应优秀程度(保留小数点后四位有效数字)分别为σ=0.0586、σ=0.0917、σ=0.1010、σ=0.1253,第一层到第四层(以最细节尺度为第一层,最粗糙尺度为第四层)振幅子带的响应优秀程度(保留小数点后四位有效数字)分别为MICMD=35.2430、MICMD=44.6610、MICMD=38.5320、MICMD=35.6052。
(3)选择第一层方向子带为最优响应方向子带,进行二值化操作后得到最优响应方向子带的分割图像SO(x,y),选择第二层振幅子带(图5)为最优响应振幅子带,进行二值化操作后得到最优响应振幅子带的分割图像SA(x,y),融合SO(x,y)与SA(x,y),得到融合图像SF(x,y)=SO(x,y)*SA(x,y)/255,SF(x,y)即为吊经疵点图像检测结果(图6)。
Claims (9)
1.一种基于单演小波分析的织物疵点检测方法,其特征是:
(1)使用三元向量形式的单演小波对织物图像进行单演小波变换,得到多分辨率的三元小波系数向量(wi[k],r1,i[k],r2,i[k]);
然后根据多分辨率的三元小波系数向量方向和向量模,计算各分辨率下最大Hilbert能量方向,得到多分辨率方向子带;计算各分辨率下瞬时Hilbert域振幅,得到多分辨率振幅子带;
(2)对多分辨率方向子带进行预处理后,计算每个分辨率方向子带的响应优秀程度,选择最优响应方向子带;
对多分辨率振幅子带进行预处理后,计算每个分辨率振幅子带的响应优秀程度,选择最优响应振幅子带;
(3)对最优响应方向子带进行二值化操作,得到最优响应方向子带的二值化矩阵,对应为最优响应方向子带的分割图像SO(x,y);
对最优响应振幅子带进行二值化操作,得到最优响应振幅子带的二值化矩阵,对应为最优响应振幅子带的分割图像SA(x,y);
融合SO(x,y)与SA(x,y),得到融合图像SF(x,y)=SO(x,y)*SA(x,y)/255;所述融合图像中,值为255的像素表示无疵区域,值为0的像素表示疵点区域,即为织物图像的疵点检测结果,也即织物疵点检测结果。
2.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,所述三元向量形式的单演小波为复Riesz-Laplacian小波;所述三元向量形式的单演小波的具体构建如下:
结合各向同性的分数阶Laplacian算子(-Δ)α与多重调和样条φλ,定义各向同性分数阶Laplacian样条小波ψ(x)=(-Δ)λ/2φ2λ(Dx),对Laplacian样条小波进行Riesz变换得到三元向量形式的复Riesz-Laplacian小波即三元向量形式的单演小波。
3.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,计算各分辨率下最大Hilbert能量方向,得到多分辨率方向子带,具体为:分辨率i下位置k处的最大Hilbert能量方向为其中Jmn=[Ji(k)]mn,m,n∈1,2为分辨率i下位置k处的加权结构矩阵;计算各分辨率下瞬时Hilbert域振幅,得到振幅子带,具体为:分辨率i下位置k处的瞬时Hilbert域振幅为
4.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,对多分辨率方向子带进行预处理是指:对每个分辨率方向子带的数据分布进行统计,当数值位于中的像素点数超过图像面积的75%时,将负值数据+π,正值数据-π。
5.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,对多分辨率振幅子带进行预处理是指将每个分辨率的振幅子带标准化,具体为:
将某分辨率振幅子带记为A,A的最大值记为AMAX,A的最小值记为AMIN,标准化后的振幅子带为ASTD=(A-AMIN)/(AMAX-AMIN)。
6.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,计算每个分辨率方向子带的响应优秀程度,选择最优响应方向子带,具体步骤为:
计算预处理后的每个分辨率方向子带标准差σ,选择σ最小并满足σ<0.1的子带作为最优响应方向子带。
7.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,计算每个分辨率振幅子带的响应优秀程度,选择最优响应振幅子带,具体步骤为:
对每个分辨率下预处理后的振幅子带ASTD,分别进行最大类间方差阈值分割,计算分割结果前景与背景间均值差的绝对值,定义为最大类间均值差MICMD,选择MICMD最大的子带作为最优响应振幅子带。
8.根据权利要求7所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,所述二值化操作是指计算最优响应的方向子带或最优响应的振幅子带中所有元素的均值μ与标准差σ,当残差图像中某一元素的数值介于μ±3σ之间时,赋值为0;反之赋值为255。
9.根据权利要求1所述的一种基于单演小波分析的织物疵点检测方法,其特征在于,所述织物图像为位深度为8位以上的灰度图像;所述的多分辨率范围为:[1,log2(N)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610266081.9A CN105931243B (zh) | 2016-04-26 | 2016-04-26 | 一种基于单演小波分析的织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610266081.9A CN105931243B (zh) | 2016-04-26 | 2016-04-26 | 一种基于单演小波分析的织物疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105931243A true CN105931243A (zh) | 2016-09-07 |
CN105931243B CN105931243B (zh) | 2018-07-20 |
Family
ID=56837134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610266081.9A Active CN105931243B (zh) | 2016-04-26 | 2016-04-26 | 一种基于单演小波分析的织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105931243B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210417A (zh) * | 2020-01-07 | 2020-05-29 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN112082998A (zh) * | 2019-06-14 | 2020-12-15 | 绍兴庞纳微电子科技有限公司 | 一种针织布破洞疵点和长疵点在线检测方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
US20030081215A1 (en) * | 2001-01-09 | 2003-05-01 | Ajay Kumar | Defect detection system for quality assurance using automated visual inspection |
CN102346171A (zh) * | 2010-07-30 | 2012-02-08 | 财团法人工业技术研究院 | 瑕疵检测系统及方法 |
CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 基于局部统计特征与整体显著性分析的织物疵点检测方法 |
CN103729856A (zh) * | 2014-01-24 | 2014-04-16 | 浙江师范大学 | 一种利用s变换信号提取的布匹疵点检测方法 |
CN103926255A (zh) * | 2014-04-26 | 2014-07-16 | 江南大学 | 一种基于小波神经网络的布匹表面瑕疵检测方法 |
CN104199823A (zh) * | 2014-07-14 | 2014-12-10 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
CN104751472A (zh) * | 2015-04-10 | 2015-07-01 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
-
2016
- 2016-04-26 CN CN201610266081.9A patent/CN105931243B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
US20030081215A1 (en) * | 2001-01-09 | 2003-05-01 | Ajay Kumar | Defect detection system for quality assurance using automated visual inspection |
CN102346171A (zh) * | 2010-07-30 | 2012-02-08 | 财团法人工业技术研究院 | 瑕疵检测系统及方法 |
CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 基于局部统计特征与整体显著性分析的织物疵点检测方法 |
CN103729856A (zh) * | 2014-01-24 | 2014-04-16 | 浙江师范大学 | 一种利用s变换信号提取的布匹疵点检测方法 |
CN103926255A (zh) * | 2014-04-26 | 2014-07-16 | 江南大学 | 一种基于小波神经网络的布匹表面瑕疵检测方法 |
CN104199823A (zh) * | 2014-07-14 | 2014-12-10 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
CN104751472A (zh) * | 2015-04-10 | 2015-07-01 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
Non-Patent Citations (3)
Title |
---|
MICHAEL UNSER ET AL: "Multiresolution Monogenic Signal Analysis Using the Riesz–Laplace Wavelet Transform", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
NELLY PUSTELNIK ET AL: "2D HILBERT-HUANG TRANSFORM", 《2014 IEEE INTERNATIONAL CONFERENCE ON ACOUSTIC, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
厉征鑫 等: "基于二维经验模态分解算法的织物疵点自动检测", 《纺织学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112082998A (zh) * | 2019-06-14 | 2020-12-15 | 绍兴庞纳微电子科技有限公司 | 一种针织布破洞疵点和长疵点在线检测方法和装置 |
CN111210417A (zh) * | 2020-01-07 | 2020-05-29 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN111210417B (zh) * | 2020-01-07 | 2023-04-07 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105931243B (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Quantification of the morphology of shelly carbonate sands using 3D images | |
Van Vliet et al. | Estimators for orientation and anisotropy in digitized images | |
Bodnarova et al. | Optimal Gabor filters for textile flaw detection | |
Brodu et al. | 3D terrestrial lidar data classification of complex natural scenes using a multi-scale dimensionality criterion: Applications in geomorphology | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN100462054C (zh) | 胎儿图像性别部位识别屏蔽方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN102800074A (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
CN103226832A (zh) | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 | |
Igbinosa | Comparison of edge detection technique in image processing techniques | |
Kumar et al. | A conventional study of edge detection technique in digital image processing | |
CN105931243A (zh) | 一种基于单演小波分析的织物疵点检测方法 | |
CN105005781B (zh) | 一种鲁棒扩展局部二值模式纹理特征提取方法 | |
CN110456377A (zh) | 一种基于三维激光雷达的卫星来袭异物检测方法和系统 | |
Blondel | Segmentation of the Mid-Atlantic Ridge south of the Azores, based on acoustic classification of TOBI data | |
Kumar et al. | Comparative analysis for edge detection techniques | |
CN108230365A (zh) | 基于多源差异图像内容融合的sar图像变化检测方法 | |
CN108446637A (zh) | 基于立体图模型的sar图像变化检测方法 | |
Neupane et al. | A new image edge detection method using quality-based clustering | |
Mahadik et al. | Fault detection and optimization in seismic dataset using multiscale fusion of a geometric attribute | |
Hu et al. | HTF: a novel feature for general crack detection | |
CN1776743A (zh) | 基于相位一致的纹理分类方法 | |
Hu et al. | Fabric defect detection via un-decimated wavelet decomposition and gumbel distribution model | |
Chetverikov | Structural defects: General approach and application to textile inspection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |