CN107274390A - 一种基于小波分解的织物疵点区域特征值提取的方法 - Google Patents
一种基于小波分解的织物疵点区域特征值提取的方法 Download PDFInfo
- Publication number
- CN107274390A CN107274390A CN201710413412.1A CN201710413412A CN107274390A CN 107274390 A CN107274390 A CN 107274390A CN 201710413412 A CN201710413412 A CN 201710413412A CN 107274390 A CN107274390 A CN 107274390A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- munder
- subgraph
- munderover
- 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.)
- Pending
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于小波分解的织物疵点区域特征值提取的方法,属于图像处理领域,其包括如下步骤:步骤101、采用Mallat快速算法对含有疵点的织物图像进行小波分解,得到四个子图像(低频子图、水平子图、垂直子图、对角线子图);步骤102、基于人工神经网络的方法对子图像进行图像窗口分割,并提取能量、极差、方差、熵、逆差距五个特征值;步骤103、对特征值进行归一化处理;该方法采用Mallat快速算法对含有疵点的织物图像进行小波分解,基于人工神经网络的方法对子图像进行图像窗口分割,可以解决疵点自动检测的问题,在确定疵点区域后,还需要对疵点区域的纹理特征进行提取,以便根据疵点区域特征值与正常织物标准特征值的比较,来确定疵点的种类。
Description
技术领域
本发明属于图像处理领域,具体涉及到一种基于小波分解的织物疵点区域特征值提取的方法。
背景技术
随着现代科学技术的快速发展,工业自动化水平日益提高,尤其微电子技术、计算机信息技术和互联网技术的飞速发展,工业智能化已成为新的发展趋势。工业自动化水平也和其他工业领域一样,自动化程度越来越高。但织物质量检测作为纺织品质量控制的重要环节,却一直没有实现自动化,其中疵点检测是最重要的检验项目。
目前,实际生产中只是要求检测是否存在疵点、并标记出疵点的位置,人工检测一般也仅能实现这些功能,仅有少数的人工验布机上增加了疵点分类计数器,操作员根据自己对疵点类型的判断,按下计数器键盘上相应按键进行计数。显然,这种疵点分类计数很不实用。因为当工人按下计数器键盘按键时,眼睛要离开被检测的布匹,但此时验布机上的布匹依然在运动,势必会有疵点被漏检。为此,要实现疵点自动检测,在确定疵点区域后,还需要对疵点区域的纹理特征进行提取,以便根据疵点区域特征值与正常织物标准特征值的比较,来确定疵点的种类。
发明内容
发明目的:针对上述问题,本发明的目的是提供一种基于小波分解的织物疵点区域特征值提取的方法,确定疵点区域后,对疵点区域的纹理特征进行提取,根据疵点区域特征值与正常织物标准特征值的比较,来确定疵点的种类,为实现疵点自动检测提供理论基础。
技术方案:为实现上述目的,本发明采用如下技术方案:
一种基于小波分解的织物疵点区域特征值提取的方法,其特征在于,包括如下步骤:
步骤101,采用Mallat快速算法对含有疵点的织物图像进行小波分解,得到四个子图像(低频子图、水平子图、垂直子图、对角线子图),分解公式如下:
其中,h(-k)、g(-k)分别为低通滤波器和高通滤波器的单位抽样响应,cj(k,l)表示尺度系数,cj+1(m,n)、分别表示低频子图、纬向子图、经向子图和对角线子图;
步骤102,对子图像进行图像窗口分割,并提取能量、极差、方差、熵、逆差距五个特征值,其包括:
步骤102,人工神经网络的方法对子图像进行图像窗口分割,并提取能量、极差、方差、熵、逆差距五个特征值,其包括:
步骤1021,人工神经网络的方法对子图像进行图像窗口分割,表达式为:
式中,基函数φj(x)可以是关于输入m次幂的多项式
步骤1022,计算能量特征值,表达式为:
或
式中,Hij表示像素点(i),j的灰度值,M、N分别表示图像的高度和宽度;
步骤1023,计算熵特征值,其表达式为:
式中,Eh和Ev分别表示纬向和经向纹理熵值;
步骤1024,计算方差特征值,其表达式为:
式中,表示整幅图像的灰度均值。
步骤1025,计算极差特征值,其表达式为:
式中,Mh和Mv分别表示纬向和经向极差。
步骤1026,计算逆差距特征值,其表达式为:
步骤103,织物图像窗口分割后,提取各个子图的特征值,对能量、极差、方差、熵、逆差距五个特征值进行归一化处理,归一化表达式为:
式中,y表示待检织物的相对特征值,x表示待检织物的绝对特征值,表示待检织物的绝对特征值的均值,xmax、xmin分别表示正常织物特征值的最大值和最小值。
有益效果:与现有技术相比,本发明的优点提供一种基于图像处理的织物疵点区域的识别与提取的方法,对织物疵点自动检测涉及疵点纹理特征值提取,得到了疵点区域的位置、形状和大小等基本信息,根据疵点区域特征值与正常织物标准特征值的比较,来确定疵点的种类,为实现疵点自动检测提供理论基础。
附图说明
图1是基于小波分解的疵点区域特征值提取的方法的流程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
如图1所示,基于小波分解的疵点区域特征值提取的方法,包括如下步骤:
步骤101,采用Mallat快速算法对含有疵点的织物图像进行小波分解,得到四个子图像(低频子图、水平子图、垂直子图、对角线子图),分解公式如下:
其中,h(-k)、g(-k)分别为低通滤波器和高通滤波器的单位抽样响应,cj(k,l)表示尺度系数,cj+1(m,n)、分别表示低频子图、纬向子图、经向子图和对角线子图;如图2所示,二维图像的一次小波分解示意图图。
步骤102,人工神经网络的方法对子图像进行图像窗口分割,并提取能量、极差、方差、熵、逆差距五个特征值,其包括:
步骤1021,人工神经网络的方法对子图像进行图像窗口分割,表达式为:
式中,基函数φj(x)可以是关于输入m次幂的多项式
步骤1022,计算能量特征值,表达式为:
或
式中,Hij表示像素点(i),j的灰度值,M、N分别表示图像的高度和宽度;
步骤1023,计算熵特征值,其表达式为:
式中,Eh和Ev分别表示纬向和经向纹理熵值;
步骤1024,计算方差特征值,其表达式为:
式中,表示整幅图像的灰度均值。
步骤1025,计算极差特征值,其表达式为:
式中,Mh和Mv分别表示纬向和经向极差。
步骤1026,计算逆差距特征值,其表达式为:
步骤103,织物图像窗口分割后,提取各个子图的特征值,对能量、极差、方差、熵、逆差距五个特征值进行归一化处理,归一化表达式为:
式中,y表示待检织物的相对特征值,x表示待检织物的绝对特征值,表示待检织物的绝对特征值的均值,xmax、xmin分别表示正常织物特征值的最大值和最小值。
Claims (1)
1.一种基于小波分解的织物疵点区域特征值提取的方法,其特征在于,包括如下步骤:
步骤101,采用Mallat快速算法对含有疵点的织物图像进行小波分解,得到四个子图像(低频子图、水平子图、垂直子图、对角线子图),分解公式如下:
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>l</mi>
</munder>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>l</mi>
</munder>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>l</mi>
</munder>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>l</mi>
</munder>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,h(-k)、g(-k)分别为低通滤波器和高通滤波器的单位抽样响应,cj(k,l)表示尺度系数,cj+1(m,n)、分别表示低频子图、纬向子图、经向子图和对角线子图;
步骤102,人工神经网络的方法对子图像进行图像窗口分割,并提取能量、极差、方差、熵、逆差距五个特征值,其包括:
步骤1021,人工神经网络的方法对子图像进行图像窗口分割,表达式为:
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,基函数φj(x)可以是关于输入m次幂的多项式;
步骤1022,计算能量特征值,表达式为:
或
式中,Hij表示像素点(i),j的灰度值,M、N分别表示图像的高度和宽度;
步骤1023,计算熵特征值,其表达式为:
<mrow>
<msub>
<mi>E</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>E</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,Eh和Ev分别表示纬向和经向纹理熵值;
步骤1024,计算方差特征值,其表达式为:
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>H</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mi>M</mi>
<mi>N</mi>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,表示整幅图像的灰度均值;
步骤1025,计算极差特征值,其表达式为:
<mrow>
<msub>
<mi>M</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
1
<mrow>
<msub>
<mi>M</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,Mh和Mv分别表示纬向和经向极差;
步骤1026,计算逆差距特征值,其表达式为:
<mrow>
<mi>h</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msub>
<mi>H</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤103,织物图像窗口分割后,提取各个子图的特征值,对能量、极差、方差、熵、逆差距五个特征值进行归一化处理,归一化表达式为:
<mrow>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,y表示待检织物的相对特征值,x表示待检织物的绝对特征值,表示待检织物的绝对特征值的均值,xmax、xmin分别表示正常织物特征值的最大值和最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710413412.1A CN107274390A (zh) | 2017-06-05 | 2017-06-05 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710413412.1A CN107274390A (zh) | 2017-06-05 | 2017-06-05 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107274390A true CN107274390A (zh) | 2017-10-20 |
Family
ID=60065681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710413412.1A Pending CN107274390A (zh) | 2017-06-05 | 2017-06-05 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274390A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272494A (zh) * | 2018-08-31 | 2019-01-25 | 龙山县惹巴妹手工织品有限公司 | 一种玩具表皮织品检测方法 |
CN109741348A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种糖尿病视网膜图像分割方法 |
CN110633735A (zh) * | 2019-08-23 | 2019-12-31 | 深圳大学 | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 |
CN111830036A (zh) * | 2020-07-01 | 2020-10-27 | 湖北省纤维检验局 | 一种织物密度分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198498A (zh) * | 2014-09-12 | 2014-12-10 | 河海大学常州校区 | 基于自适应正交小波变换的布匹疵点检测方法及装置 |
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 |
CN105335972A (zh) * | 2015-10-20 | 2016-02-17 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN106203536A (zh) * | 2016-08-30 | 2016-12-07 | 南京工业大学 | 一种织物疵点的特征提取及检测方法 |
CN106530288A (zh) * | 2016-11-03 | 2017-03-22 | 东华大学 | 基于深度学习算法的织物疵点检测方法 |
-
2017
- 2017-06-05 CN CN201710413412.1A patent/CN107274390A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198498A (zh) * | 2014-09-12 | 2014-12-10 | 河海大学常州校区 | 基于自适应正交小波变换的布匹疵点检测方法及装置 |
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 |
CN105335972A (zh) * | 2015-10-20 | 2016-02-17 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
CN106203536A (zh) * | 2016-08-30 | 2016-12-07 | 南京工业大学 | 一种织物疵点的特征提取及检测方法 |
CN106530288A (zh) * | 2016-11-03 | 2017-03-22 | 东华大学 | 基于深度学习算法的织物疵点检测方法 |
Non-Patent Citations (2)
Title |
---|
周帅: "基于图像处理技术的织物疵点检测与识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蒋蕾 等: "一种基于计算机视觉的织物疵点自动检测方法", 《计算机与现代化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272494A (zh) * | 2018-08-31 | 2019-01-25 | 龙山县惹巴妹手工织品有限公司 | 一种玩具表皮织品检测方法 |
CN109741348A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨理工大学 | 一种糖尿病视网膜图像分割方法 |
CN110633735A (zh) * | 2019-08-23 | 2019-12-31 | 深圳大学 | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 |
CN110633735B (zh) * | 2019-08-23 | 2021-07-30 | 深圳大学 | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 |
CN111830036A (zh) * | 2020-07-01 | 2020-10-27 | 湖北省纤维检验局 | 一种织物密度分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274390A (zh) | 一种基于小波分解的织物疵点区域特征值提取的方法 | |
Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
Cord et al. | Texture classification by statistical learning from morphological image processing: application to metallic surfaces | |
CN104458766B (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
Zhang et al. | An intelligent model for detecting and classifying color-textured fabric defects using genetic algorithms and the Elman neural network | |
CN102879401A (zh) | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN106056597A (zh) | 物体视觉检测方法及装置 | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN104021561A (zh) | 基于小波变换及形态学运算的织物起毛起球图像分割方法 | |
Chen et al. | Evaluating fabric pilling with light-projected image analysis | |
NU | Automatic detection of texture defects using texture-periodicity and Gabor wavelets | |
CN104036485A (zh) | 一种关于图像重采样篡改检测的方法 | |
Hou et al. | Welding image edge detection and identification research based on canny operator | |
CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
CN105572143B (zh) | 压延过程中压延材料表面周期性缺陷的检测方法 | |
CN106203536B (zh) | 一种织物疵点的特征提取及检测方法 | |
CN110458809A (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN104809735B (zh) | 基于傅里叶变换实现图像雾霾评价的系统及方法 | |
CN109882899A (zh) | 一种根据工作环境进行控制的油烟机 | |
CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
Ozkaya et al. | Faults detection with image processing methods in textile sector |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |