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 PDF

Info

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
Application number
CN201711352882.8A
Other languages
English (en)
Other versions
CN108090494B (zh
Inventor
郝阳
石红瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201711352882.8A priority Critical patent/CN108090494B/zh
Publication of CN108090494A publication Critical patent/CN108090494A/zh
Application granted granted Critical
Publication of CN108090494B publication Critical patent/CN108090494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
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。
CN201711352882.8A 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 Active CN108090494B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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