CN108090494A - 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 - Google Patents
基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 Download PDFInfo
- Publication number
- CN108090494A CN108090494A CN201711352882.8A CN201711352882A CN108090494A CN 108090494 A CN108090494 A CN 108090494A CN 201711352882 A CN201711352882 A CN 201711352882A CN 108090494 A CN108090494 A CN 108090494A
- Authority
- CN
- China
- Prior art keywords
- gabor filter
- image
- support vector
- feature
- recognition methods
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于Gabor滤波器与RBF支持向量机的纺织品瑕疵识别方法,包括以下步骤:采集纺织品图像,并进行预处理;生成Gabor滤波器组,并对纺织品图像进行滤波处理;对滤波图像组进行择优融合;对融合后的图像,进行二值化处理,使得瑕疵区域显现;对瑕疵区域生成特征向量;利用事先训练好的RBF核函数支持向量机分类器,对所述特征向量进行分类。本发明利用Gabor滤波器对图像进行分析,确保每个尺度及角度的纹理信息都能被覆盖,利用RB支持向量机分析瑕疵类别,对纺织品生产质量的提升有积极意义。
Description
技术领域
本发明涉及纺织品质量缺陷自动检测技术领域,特别是涉及一种基于Gabor滤波器及支持向量机纺织品瑕疵识别方法。
背景技术
随着国内消费升级,人民群众对穿着要求越来越高,这对纺织企业的质量检测也提出了更高的要求。传统检测基于人工肉眼检测,效率低下、标准不一、漏检误检率高。随着机器视觉技术的发展,这一问题得以有效缓解。机器视觉技术的应用,可以为企业改善质量管理带来有效帮助,统一的检测标准、高效的检测速度帮助企业更加切实有效的改善产品质量,同时解放生产力,降低人力成本。
Gabor滤波器广泛用于边缘提取,十分适合纹理的表达与解析。在空域中,Gabor二维滤波器由高斯函数与正弦波混合调制而成。Gabor滤波器分为实部与虚部,两者互为正交关系,一个Gabor滤波器具有尺度与方向特征,用于提取一个尺度方向的线性纹理,当赋予Gabor滤波器不同的尺度与方向时,构成滤波器组可以用于覆盖纺织品大多数纹理特征的提取。
SVM支持向量机是一种常用的特征分类算法,它最早在上世纪60年代由Vapnik提出。基本思想是定义最优线性超平面,并把寻找最优线性超平面的算法归结为求解一个最优化问题。最终决策函数只由少数的支持向量决定,计算的复杂性较低,具有较高的鲁棒性。对于低维度无法线性分类的,通过非线性映射,将样本空间映射到一个高维的特征空间中,在高维空间中,再次尝试线性分类。升维带来更多数据量,SVM应用核函数展开定理,不需要知道非线性映射的显性表达式,一定程度上避免了维数灾难。
发明内容
本发明所要解决的技术问题是提供一种基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,使检测难度、错误率、检测成本降低。
本发明解决其技术问题所采用的技术方案是:提供一种基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,包括以下步骤:
(1)采集纺织品图像,并进行预处理;
(2)生成Gabor滤波器组,并对纺织品图像进行滤波处理;
(3)对滤波图像组进行择优融合;
(4)对融合后的图像,进行二值化处理,使得瑕疵区域显现;
(5)对瑕疵区域生成特征向量;
(6)利用事先训练好的RBF核函数支持向量机分类器,对所述特征向量进行分类。
所述步骤(1)包括以下子步骤:
(11)通过YB验布机采集纺织品图像;
(12)将采集图像由RGB空间转为黑白图像,并进行降噪处理;
(13)对图像进行光比平衡,保证图像各部分亮度均衡。
所述步骤(2)中Gabor滤波器组由二维Gabor滤波器组成,二维Gabor滤波器的模型为其中,x和y表示图像像素点横纵坐标,θ表示指定了Gabor函数并行条纹的方向,σx和σy是滤波空间范围,F是频率;则S尺度L方向的二维Gabor滤波器组为其中,σp用于指代原方程中的σx与σy,θq用于指代x′与y′表达式中的θ,q表示当前滤波器是第几个方向,L表示滤波器组的方向总数。
所述步骤(3)包括以下子步骤:
(31)对生成的滤波图像组中的所有滤波图像进行空域参数计算,分别得出均值、方差、能量和熵;
(32)根据均值、方差、能量和熵进行融合得到评判参数;
(33)将评判参数从大到小进行排序,择优融合。
所述评判参数通过计算得到,其中,Mean为均值、Std为方差、Energy为能量、Entropy为熵;所述择优融合的融合方式为:将每幅图像按像素点平方后求均值,再开方。
所述步骤(4)包括以下子步骤:
(41)利用Otsu二值化,对融合滤波图像设定二值化阈值;
(42)利用中值滤波滤除二值化后产生的杂点;
(43)使用区域生长法分析二值图像的连通域,设定面积阈值提取瑕疵区域;
(44)记录瑕疵区域的ID、坐标点和面积。
所述步骤(43)具体包括以下步骤:
选取区域生长法起始点,按先行后列顺序扫描图像,出现白色像素点,即可作为起始点,标记为StartPoint;
以StartPoint开始,对其八邻域进行搜索,出现相邻白色像素点,标记为CheckPoint;
StartPoint的八邻域搜索完毕后,继续搜索所有CheckPoint的八邻域;
以此往复,直到该连通域的所有白色像素点均被标记出来,该连通域被标记为Region(i),i为连通域序号;
从StartPoint开始,继续搜索下一个连通域的起始点,如遇已被标记为Region的点则跳过;
计算所有连通域的面积,若面积小于或等于精度阈值T,均被排除在外,其余的连通域,认为是瑕疵区域。
所述步骤(5)包括以下子步骤:
(51)设定主要特征:长宽比、面积、均值、方差、能量、熵;
(52)将上述主要特征,组成6维特征向量;
(53)针对所有瑕疵区域,分别计算对应的特征向量。
所述步骤(6)包括以下子步骤:
(61)准备训练集,主要方法为,先扫描数张织物图片获取对应的瑕疵点特征向量,利用纺织品瑕疵数据库进行比对,对这些训练集中的瑕疵进行类别标记,作为其瑕疵分类结果,组成训练集;
(62)利用上述训练集生成SVM分类器;
(63)利用得到的SVM分类器对之前识别出的瑕疵区域进行分类。
所述训练集记为(X1,y1),(X2,y2),(X3,y3),...,(Xi,yi),其中,X为特征值组成的6维向量,y是分类标签,所述SVM分类器为基于RBF核函数SVM分类器,其决策模型为:其中,αi为拉格朗日系数,sgn()为符号函数,用于判断实数的正负号,αi *、b*分别表示确定最优划分超平面的参数,RBF核函数表示为:其中,g是一个自由参数、xi是样本特征向量中的元素、n表示特征向量维数,该模型进行多分类的方法,采用“一对一”方法,对于K类训练样本,按类分成K个不同子集,任取两类m和n,做一次二分类,得出一个二分类函数fmn(X),对于K类分类,需要建立K(K-1)/2个二分类函数。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明利用机器视觉进行自动识别不仅可以解决人工检测的问题(即检测标准难以统一,检测效果受到工人工作状态影响极大,企业增加了不少人力成本),还可以用作统计分析,实时汇报用作产线监控,也可以与产线联动,对异常产线实时报警,将损失降到最低。
附图说明
图1是本发明的流程图;
图2是用于本发明的Gabor滤波器组空域图;
图3是采用本发明的识别例及效果图。
具体实施方式
下面结合具体实施例,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。
如图1所示,本发明的一种基于Gabor滤波器与RBF支持向量机的纺织品瑕疵识别方法,包括以下步骤:
步骤1,通过YB验布机采集纺织品图像。验布机的图像采集系统采用行扫描的方式。初始图像尺寸较大,需要缩小至合适的尺寸,以保证一定的识别速度,大小以长边500px至1000px为佳,既能保证一定细节,又能获得合适的处理速度。
步骤2,对采集图像进行预处理。主要包括对图像转换灰度、进行去噪及光比平衡。其中,光比平衡最为关键。由于图像采集实际环境中,光线分布不均,反映到图像上,不同区块明暗程度不一,容易导致后续滤波及二值化过程中,产生较大误差。具体实施步骤如下:
(1)针对整幅图像,计算图像亮度均值OriginalLux;
(2)将原图按照需要处理的精度,划分成N*N大小的数个ROI区域,其中N为指定的处理精度(N为不小于1,不大于原图最短边的正整数)。N越小,处理精度越高,但是N过小的话,存在降低瑕疵及纹理细节的风险。当原图长宽不是N的整数,存在某一边长小于N的边角ROI区域时,剩余部分独立成块;
(3)计算各ROI区域亮度均值ROILux;
(4)重设ROI区域亮度,将ROI区域内每个像素点的值,按照如下公式进行重设,其中i,j≤N
ROI(i,j)*=ROI(i,j)+(OriginalLux-ROILux)
步骤3,建立Gabor滤波器组,具体步骤如下:
(1)本发明涉及到的二维Gabor滤波器,可以由以下模型描述,σx和σy是滤波空间范围,F是频率;
x'=xcosθ+ysinθ;y'=-xsinθ+ycosθ
其中,x和y表示图像像素点横纵坐标,θ表示指定了Gabor函数并行条纹的方向。
(2)由此可得S尺度L方向的二维Gabor滤波器组:
σp={σ1,σ2,σ3,σ4,...,σs}
其中,σp用于指代原方程中的σx与σy,θq用于指代x'与y′表达式中的θ,9表示当前滤波器是第几个方向,L表示滤波器组的方向总数。
步骤4,对图像进行滤波处理,使用上述生成的Gabor滤波器组中的每一个滤波器,对图像进行Gabor滤波,生成S*L张滤波图像。经由不同尺度方向滤波器产生的滤波图像,代表的是不同的纹理细节。图2为用于本发明的Gabor滤波器组空域图。
步骤5,对滤波图像组进行择优融合;
(1)对上述生成的S*L张滤波图像进行空域参数计算,分别得出其均值Mean、方差Std、能量Energy、熵Entropy,计算方式如下,其中R和C表示图像的长和宽:
(2)将上述4个参数进行融合,按照以下公式得出最后的评判参数:
(3)将评判参数Final值从大到小进行排序,选择前10的滤波图像参与融合;
(4)融合方式为,将每幅图像按像素点平方后求均值,再开方,如下所示公式:
步骤6,对图像进行二值化分割,将瑕疵区域凸显出来,采用Otsu二值化方法。二值化后,图像为黑白两色,出现许多细小的杂点,所以可以认为这些杂点是椒盐噪声,利用中值滤波,进行适度滤除;
步骤7,使用区域生长法筛选瑕疵区域。由于滤波图像二值化后提取出来的区域并不全是瑕疵区域,有很多小面积连通域被标记成了瑕疵,但实际并不是。下面利用区域生长法设定面积阈值进行瑕疵区域提取,具体步骤如下:
(1)选取区域生长法起始点,按先行后列顺序扫描图像,出现白色像素点,即可作为起始点,标记为StartPoint;
(2)以StartPoint开始,对其八邻域进行搜索,出现相邻白色像素点,标记为CheckPoint;
(3)StartPoint的八邻域搜索完毕后,继续搜索所有CheckPoint的八邻域;
(4)以此往复,直到该连通域的所有白色像素点均被标记出来。该连通域被标记为Region(i),i为连通域序号;
(5)从StartPoint开始,继续搜索下一个连通域的起始点,如遇已被标记为Region的点则跳过;
(6)计算所有连通域的面积大小,小于等于精度阈值T的,均被排除在外,符合精度条件的连通域,可以认为是瑕疵区域。
步骤8,为上述瑕疵区域设定特征向量,分别提取空域特征:面积、长宽比、均值、方差、能量、熵。向量表现形式如下,其中X为特征值组成的6维向量,y是分类标签。
(X1,y1),(X2,y2),(X3,y3),......,(xi,yi)
步骤9,设定训练集,生成SVM分类器,具体步骤如下:
(1)针对训练集数据,与纺织品瑕疵数据库样本进行比对,为训练集中所有的瑕疵区域匹配瑕疵类别,用y标记记录进训练集数据中;
(2)基于RBF核函数SVM分类器的决策模型,可以表示为如下式子:
其中,αi为拉格朗日系数,sgn()为符号函数,用于判断实数的正负号,αi *、b*分别表示确定最优划分超平面的参数。
(3)其中RBF核函数全称径向基核函数,又称为高斯核函数,可表示为
其中,g是一个自由参数、xi是样本特征向量中的元素、n表示特征向量维数。
(4)该模型进行多分类的方法,采用“一对一”方法,对于K类训练样本,按类分成K个不同子集,任取两类m和n,做一次二分类,得出一个二分类函数fmn(X),对于K类分类,需要建立K(K-1)/2个二分类函数。
(5)利用上述训练集,对分类器进行训练;
步骤10,开始执行瑕疵识别分类,具体步骤如下:
(1)重复上述步骤1、步骤2、步骤4、步骤5、步骤6、步骤7、步骤8,其中步骤8中,仅需建立6维特征向量即可,分类标签不用建立;
(2)利用步骤9训练好的分类器对瑕疵区域进行分类预测;
(3)输出分析结果,包括基于原图标注的瑕疵区域、基于原图标注的瑕疵类别、基于文字报告的瑕疵构成、基于文字报告的瑕疵面积分析、质检结论。图3为采用上述方法的识别例及效果图,瑕疵面积占比9.09%,存在194个瑕疵点,其中:霉斑3个、跳花10个、双纬27个、棉球2个、云织28个,疑似疵点124个。
Claims (10)
1.一种基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,包括以下步骤:
(1)采集纺织品图像,并进行预处理;
(2)生成Gabor滤波器组,并对纺织品图像进行滤波处理;
(3)对滤波图像组进行择优融合;
(4)对融合后的图像,进行二值化处理,使得瑕疵区域显现;
(5)对瑕疵区域生成特征向量;
(6)利用事先训练好的RBF核函数支持向量机分类器,对所述特征向量进行分类。
2.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(1)包括以下子步骤:
(11)通过YB验布机采集纺织品图像;
(12)将采集图像由RGB空间转为黑白图像,并进行降噪处理;
(13)对图像进行光比平衡,保证图像各部分亮度均衡。
3.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(2)中Gabor滤波器组由二维Gabor滤波器组成,二维Gabor滤波器的模型为其中,x和y表示图像像素点横纵坐标,θ表示指定了Gabor函数并行条纹的方向,σx和σy是滤波空间范围,F是频率;则S尺度L方向的二维Gabor滤波器组为其中,σp用于指代原方程中的σx与σy,θq用于指代x′与y′表达式中的θ,q表示当前滤波器是第几个方向,L表示滤波器组的方向总数。
4.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(3)包括以下子步骤:
(31)对生成的滤波图像组中的所有滤波图像进行空域参数计算,分别得出均值、方差、能量和熵;
(32)根据均值、方差、能量和熵进行融合得到评判参数;
(33)将评判参数从大到小进行排序,择优融合。
5.根据权利要求4所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述评判参数通过计算得到,其中,Mean为均值、Std为方差、Energy为能量、Entropy为熵;所述择优融合的融合方式为:将每幅图像按像素点平方后求均值,再开方。
6.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(4)包括以下子步骤:
(41)利用Otsu二值化,对融合滤波图像设定二值化阈值;
(42)利用中值滤波滤除二值化后产生的杂点;
(43)使用区域生长法分析二值图像的连通域,设定面积阈值提取瑕疵区域;
(44)记录瑕疵区域的ID、坐标点和面积。
7.根据权利要求6所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(43)具体包括以下步骤:
选取区域生长法起始点,按先行后列顺序扫描图像,出现白色像素点,即可作为起始点,标记为StartPoint;
以StartPoint开始,对其八邻域进行搜索,出现相邻白色像素点,标记为CheckPoint;
StartPoint的八邻域搜索完毕后,继续搜索所有CheckPoint的八邻域;
以此往复,直到该连通域的所有白色像素点均被标记出来,该连通域被标记为Region(i),i为连通域序号;
从StartPoint开始,继续搜索下一个连通域的起始点,如遇已被标记为Region的点则跳过;
计算所有连通域的面积,若面积小于或等于精度阈值T,均被排除在外,其余的连通域,认为是瑕疵区域。
8.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(5)包括以下子步骤:
(51)设定主要特征:长宽比、面积、均值、方差、能量、熵;
(52)将上述主要特征,组成6维特征向量;
(53)针对所有瑕疵区域,分别计算对应的特征向量。
9.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述步骤(6)包括以下子步骤:
(61)准备训练集,主要方法为,先扫描数张织物图片获取对应的瑕疵点特征向量,利用纺织品瑕疵数据库进行比对,对这些训练集中的瑕疵进行类别标记,作为其瑕疵分类结果,组成训练集;
(62)利用上述训练集生成SVM分类器;
(63)利用得到的SVM分类器对之前识别出的瑕疵区域进行分类。
10.根据权利要求1所述的基于Gabor滤波器及支持向量机纺织品瑕疵识别方法,其特征在于,所述训练集记为(X1,y1),(X2,y2),(X3,y3),...,(Xi,yi),其中,X为特征值组成的6维向量,y是分类标签,所述SVM分类器为基于RBF核函数SVM分类器,其决策模型为:其中,αi为拉格朗日系数,sgn()为符号函数,用于判断实数的正负号,αi *、b*分别表示确定最优划分超平面的参数,RBF核函数表示为:其中,g是一个自由参数、xi是样本特征向量中的元素、n表示特征向量维数,该模型进行多分类的方法,采用“一对一”方法,对于K类训练样本,按类分成K个不同子集,任取两类m和n,做一次二分类,得出一个二分类函数fmn(X),对于K类分类,需要建立K(K-1)/2个二分类函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711352882.8A CN108090494B (zh) | 2017-12-15 | 2017-12-15 | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711352882.8A CN108090494B (zh) | 2017-12-15 | 2017-12-15 | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090494A true CN108090494A (zh) | 2018-05-29 |
CN108090494B CN108090494B (zh) | 2021-05-25 |
Family
ID=62176054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711352882.8A Active CN108090494B (zh) | 2017-12-15 | 2017-12-15 | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090494B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765402A (zh) * | 2018-05-30 | 2018-11-06 | 武汉理工大学 | 无纺布缺陷检测与分类方法 |
CN109190767A (zh) * | 2018-07-27 | 2019-01-11 | 东华大学 | 一种基于机器学习的阻燃面料性能老化预测方法 |
CN109410192A (zh) * | 2018-10-18 | 2019-03-01 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN110415222A (zh) * | 2019-07-16 | 2019-11-05 | 东华大学 | 一种基于纹理特征的丝饼侧面缺陷识别方法 |
CN110791944A (zh) * | 2019-11-15 | 2020-02-14 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
CN112098428A (zh) * | 2020-09-04 | 2020-12-18 | 杭州百子尖科技股份有限公司 | 片状建材制造中基于机器视觉的智能瑕疵识别系统 |
CN112417944A (zh) * | 2020-08-31 | 2021-02-26 | 深圳市银星智能科技股份有限公司 | 一种机器人控制方法及电子设备 |
CN114972294A (zh) * | 2022-06-13 | 2022-08-30 | 南京大学 | 一种基于Gabor滤波器的肺部超声图像条纹特征的识别方法 |
CN114998290A (zh) * | 2022-06-20 | 2022-09-02 | 佛山技研智联科技有限公司 | 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 |
CN116823830A (zh) * | 2023-08-29 | 2023-09-29 | 江苏恒力化纤股份有限公司 | 一种基于多光谱图像的纺织品外观平整度评定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119454A1 (en) * | 2000-01-24 | 2005-06-02 | The Cielo Institute, Inc. | Algorithmic design of peptides for binding and/or modulation of the functions of receptors and/or other proteins |
CN101216436A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于支持向量数据描述理论的织物瑕疵自动检测方法 |
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN102999753A (zh) * | 2012-05-07 | 2013-03-27 | 腾讯科技(深圳)有限公司 | 车牌定位方法 |
CN105619741A (zh) * | 2016-03-28 | 2016-06-01 | 浙江工业大学 | 一种基于Tegra K1的模具智能检测方法 |
CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
CN106872487A (zh) * | 2017-04-21 | 2017-06-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于视觉的表面瑕疵检测方法及装置 |
-
2017
- 2017-12-15 CN CN201711352882.8A patent/CN108090494B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119454A1 (en) * | 2000-01-24 | 2005-06-02 | The Cielo Institute, Inc. | Algorithmic design of peptides for binding and/or modulation of the functions of receptors and/or other proteins |
CN101216436A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于支持向量数据描述理论的织物瑕疵自动检测方法 |
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN102999753A (zh) * | 2012-05-07 | 2013-03-27 | 腾讯科技(深圳)有限公司 | 车牌定位方法 |
CN105619741A (zh) * | 2016-03-28 | 2016-06-01 | 浙江工业大学 | 一种基于Tegra K1的模具智能检测方法 |
CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
CN106872487A (zh) * | 2017-04-21 | 2017-06-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于视觉的表面瑕疵检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
李文羽: "基于机器视觉和图像处理的色织物疵点自动检测研究", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 * |
薛乐: "基于傅里叶变换和 Gabor 变换的机织物纹理分析方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765402A (zh) * | 2018-05-30 | 2018-11-06 | 武汉理工大学 | 无纺布缺陷检测与分类方法 |
CN108765402B (zh) * | 2018-05-30 | 2021-09-14 | 武汉理工大学 | 无纺布缺陷检测与分类方法 |
CN109190767A (zh) * | 2018-07-27 | 2019-01-11 | 东华大学 | 一种基于机器学习的阻燃面料性能老化预测方法 |
CN109410192B (zh) * | 2018-10-18 | 2020-11-03 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN109410192A (zh) * | 2018-10-18 | 2019-03-01 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN110415222A (zh) * | 2019-07-16 | 2019-11-05 | 东华大学 | 一种基于纹理特征的丝饼侧面缺陷识别方法 |
CN110791944A (zh) * | 2019-11-15 | 2020-02-14 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
CN110791944B (zh) * | 2019-11-15 | 2020-09-15 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
CN112417944A (zh) * | 2020-08-31 | 2021-02-26 | 深圳市银星智能科技股份有限公司 | 一种机器人控制方法及电子设备 |
CN112417944B (zh) * | 2020-08-31 | 2024-04-16 | 深圳银星智能集团股份有限公司 | 一种机器人控制方法及电子设备 |
CN112098428A (zh) * | 2020-09-04 | 2020-12-18 | 杭州百子尖科技股份有限公司 | 片状建材制造中基于机器视觉的智能瑕疵识别系统 |
CN114972294A (zh) * | 2022-06-13 | 2022-08-30 | 南京大学 | 一种基于Gabor滤波器的肺部超声图像条纹特征的识别方法 |
CN114998290A (zh) * | 2022-06-20 | 2022-09-02 | 佛山技研智联科技有限公司 | 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 |
CN116823830A (zh) * | 2023-08-29 | 2023-09-29 | 江苏恒力化纤股份有限公司 | 一种基于多光谱图像的纺织品外观平整度评定方法 |
CN116823830B (zh) * | 2023-08-29 | 2024-01-12 | 江苏恒力化纤股份有限公司 | 一种基于多光谱图像的纺织品外观平整度评定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108090494B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090494A (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN104636706A (zh) | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 | |
CN104408449A (zh) | 智能移动终端场景文字处理方法 | |
Park et al. | MarsNet: multi-label classification network for images of various sizes | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN113688838B (zh) | 红色笔迹提取方法、系统、可读存储介质及计算机设备 | |
CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
Li et al. | Yarn-dyed woven defect characterization and classification using combined features and support vector machine | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
Ranjitha et al. | A hybrid Ostu based niblack binarization for degraded image documents | |
Ghugardare et al. | Optical character recognition system for seven segment display images of measuring instruments | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN106709437A (zh) | 一种改进的针对早期专利文档扫描件中图文信息的智能处理方法 | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
CN112861843A (zh) | 基于特征图像识别的选择框解析方法及装置 | |
Kim et al. | Automatic defect detection from SEM images of wafers using component tree | |
CN112215783B (zh) | 一种图像噪点识别方法、装置、存储介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |