CN108230299A - 一种基于稳定学习字典的机织物纹理瑕疵检测方法 - Google Patents

一种基于稳定学习字典的机织物纹理瑕疵检测方法 Download PDF

Info

Publication number
CN108230299A
CN108230299A CN201711297547.2A CN201711297547A CN108230299A CN 108230299 A CN108230299 A CN 108230299A CN 201711297547 A CN201711297547 A CN 201711297547A CN 108230299 A CN108230299 A CN 108230299A
Authority
CN
China
Prior art keywords
dictionary
subgraph
woven fabric
sample image
matrix
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
CN201711297547.2A
Other languages
English (en)
Other versions
CN108230299B (zh
Inventor
汪军
吴莹
史倩倩
范居乐
江慧
肖岚
李冠志
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 CN201711297547.2A priority Critical patent/CN108230299B/zh
Publication of CN108230299A publication Critical patent/CN108230299A/zh
Application granted granted Critical
Publication of CN108230299B publication Critical patent/CN108230299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于稳定学习字典的机织物瑕疵检测方法，将整幅机织物纹理图像分解为多个子图像后，判别出含有瑕疵的子图像，进而由含有瑕疵的子图像的位置信息确定织物瑕疵的位置；瑕疵的判别是通过比较子图像和重构子图像实现的，所有的子图像展开为列向量后进行联合得到样本图像矩阵，通过选用离散余弦变换作为初始字典，采用交替最小二乘法对样本图像矩阵进行字典学习，再应用字典学习得到的字典和系数矩阵对样本图像矩阵进行重构得到重构样本图像矩阵，重构样本图像矩阵的列向量转化即得重构子图像。本发明的基于稳定学习字典的机织物瑕疵检测方法，不仅计算方便快捷而且对不同纹理瑕疵均有很好地自适应性。

Description

一种基于稳定学习字典的机织物纹理瑕疵检测方法
技术领域
本发明属图像分析处理领域，本发明涉及一种基于稳定学习字典的机织物瑕疵检测方法。
背景技术
纹理是目标识别的重要视觉特征，纹理分析作为本质的问题，被广泛应用在许多领域中，例如医疗诊断、产品质量检测和资源遥感等。通过对织物的纹理表征可实现织物的瑕疵检测，目前织物的瑕疵检测主要还是人的目视检测，通过算法实现织物的瑕疵检测，一方面可有效避免人为检测的个体误差，另一方面极大地解放了生产力，节约了人力成本。
传统的织物纹理表征方法大致可分为三类：基于频谱、基于统计和基于模型的织物纹理表征方法。基于频谱的织物纹理表征方法是利用经典的变换来提取所需的特征值，例如文献(Application of Wavelet Transform in Characterization of FabricTexture[J].Journal of the Textile Institute,2004,95(1):107-20)中利用小波变换来表征织物纹理，并测量了经纬纱的直径等结构参数；基于统计的织物纹理表征方法是通过定义一些统计量来对纹理结构在空间分布上的统计特征进行描述，例如文献(Applyingan Artificial Neural Network to Pattern Recognition in Fabric Defects[J].Textile Research Journal,1995,65(3):123-30)中用灰度共生矩阵的两个特征(角二阶矩和对比度)检测织物表面疵点；基于模型的织物纹理表征方法是利用数学模型对产生纹理的随机过程进行建模描述，例如文献(Automated inspection of textile fabricsusing textural models[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,1991,13(8):803-8)中运用马尔-可夫随机场模型进行织物疵点检测。上述纹理表征方法主要是借助特征提取、优化的滤波器或先验知识等来实现织物结构参数的识别与瑕疵点的检测，然而，对于千变万化的织物纹理，提取具有普适性的广义特征是非常困难的。
基于稀疏表示的字典学习方法在信号压缩处理中有广泛的应用，例如人脸识别、图像去噪，而且该方法不需要提取特征值和先验知识，在纺织领域主要是织物纹理表征的应用如瑕疵检测，文献(Sparse Dictionary Reconstruction for Textile DefectDetection[C]//International Conference on Machine Learning andApplications.IEEE Computer Society,2012:21-26)中应用稀疏字典对织物瑕疵进行检测，检测后得到的实验结果具有较好的准确率；文献(Defect detection on the fabricwith complex texture via dual-scale over-complete dictionary[J].Journal ofthe Textile Institute,2015,107(6):1-14)中提出了基于稀疏表示的双尺度织物瑕疵检测算法，该算法检测率能高达95.9％。机织物纹理表征作为基础研究，对于纹理表征的应用如织物瑕疵检测具有十分主要的意义。稀疏表示中字典的构建方法主要有两种：基于数学模型的字典和学习字典，其中基于数学模型的字典虽然能求解得到稳定的表征效果，但预构的字典不具有自适应性，即该类字典中的绝大部分都局限在某一类的图像/信号上；而学习的字典如K-奇异值分解法(K-SVD)，有良好的自适应性，但是其计算量非常大，基于其的机织物瑕疵检测方法所得的检测效果不稳定，而且它受限于低维的信号。因此，研究一种计算方便快捷且检测效果稳定的基于学习字典的机织物瑕疵检测方法具有十分重要的意义。
发明内容
本发明的目的是为了克服上述现有技术中基于学习字典的机织物瑕疵检测方法计算量大且检测效果不稳定的问题，提供一种计算方便快捷且检测效果稳定的基于稳定学习字典的机织物瑕疵检测方法。
为了达到上述目的，本发明采用的技术方案为：
一种基于稳定学习字典的机织物瑕疵检测方法，将整幅机织物纹理图像分解为多个子图像后，判别出含有瑕疵的子图像，进而由含有瑕疵的子图像的位置信息确定织物瑕疵的位置；
瑕疵的判别是通过比较子图像和重构子图像实现的，所有的子图像展开为列向量(子图像经读取后是一个二维的矩阵，之后在Matlab可直接变成一维的列向量)后进行联合得到样本图像矩阵，通过选用离散余弦变换作为初始字典，采用交替最小二乘法对样本图像矩阵进行字典学习，再应用字典学习得到的字典和系数矩阵对样本图像矩阵进行重构得到重构样本图像矩阵，重构样本图像矩阵的列向量转化即得重构子图像。
作为优选的技术方案：
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，具体步骤如下：
(1)图像处理；
先将整幅机织物纹理图像等分为n个按行和列排列的子图像后，从1到n 开始编号，每行的编号从左到右递增，每列的编号自上而下递增，每个子图像都有其对应的编号、行号和列号，再将每个子图像展开为列向量，n个列向量联合组成样本图像矩阵Y，Y＝[y1,y2,…yt,…yn],yt∈Ru，yt为编号为t的子图像展开得到的列向量，t＝1,2,…,n，yt＝[ylt,…,yqt,…,yut]',yqt为yt中的第q个元素， q＝1,2,…,u，u是yt的维数；
(2)构建初始字典D；
首先构造一个一维的DCT矩阵D1D，即矩阵D1D由个列向量dj组成，且列向量dj代表字典原子；
然后计算每个字典原子中的元素，公式如下：
当j＝1时，D1D(:,1)表示D1D第一列的所有元素，即第一个字典原子；
最后由计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；
(3)计算初始系数矩阵α；
已知样本图像矩阵Y和初始字典D，则初始系数矩阵α＝(DTD)-1DTY；
(4)采用交替最小二乘法进行字典学习更新D和α得到Dp和αp；
(4.1)以迭代次数为p，令当前迭代次数p为1；
(4.2)系数矩阵更新，公式如下：
式中，αp为迭代p次后更新得到的系数矩阵，Dp-1为迭代p-1次后更新得到的字典，p＝1时，Dp-1＝D，αp-1为迭代p-1次后更新得到的系列矩阵，p＝1时，αp-1＝α；
(4.3)字典更新，公式如下：
式中，Dp为迭代p次后更新得到的字典；
(5)对样本图像矩阵进行重构；
(5.1)应用上述字典学习得到的字典Dp和系数矩阵αp求得重构样本图像矩阵即
(5.2)判断p是否大于1，如果是则进入步骤(5.3)；反之，则令p＝p+1，返回步骤(4.2)；
(5.3)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(4.2)；反之，则输出作为最终确定的重构样本图像矩阵所述终止条件为ε(p)的计算公式如下：
ε(p)＝|Res(p)-Res(p-1)|
式中，Y(q,t)表示Y的第q行t列的元素，表示的第q行t列的元素，Res(p)表示p次迭代后的平均表示误差，Res(p-1)表示p-1次迭代后的平均表示误差；
(6)瑕疵检测；
判断每个子图像是否含有瑕疵，方法为逐列计算Y与的重构误差，重构误差超过预先设定的阈值，则Y中该列对应的子图像含有瑕疵，反之，则没有，按此方法找到所有含有瑕疵的子图像后，由这些子图像的行号和列号信息确定织物瑕疵的位置；编号为t的子图像对应的重构误差Et的计算公式如下：
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，所述整幅机织物纹理图像为8位的灰度图像。
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，所述整幅机织物纹理图像的尺寸为256×256像素。
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，所述子图像的尺寸为8～64×8～64像素。
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，k的取值范围为 1～25，m为256。
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，所述预先设定的阈值为重构误差和E的95％，重构误差和E的计算公式如下：
式中，表示的第q行第t列的元素。
如上所述的一种基于稳定学习字典的机织物瑕疵检测方法，反复运行程序后，同一幅机织物纹理图像任意两次得到的重构样本图像矩阵及瑕疵检测结果相同。
有益效果：
(1)本发明的一种基于稳定学习字典的机织物瑕疵检测方法，通过线性代数的字典学习方法，大大降低了方法的计算复杂性，提高了方法的实时性，计算方便快捷；
(2)本发明的一种基于稳定学习字典的机织物瑕疵检测方法，检测结果稳定且对不同织物纹理和瑕疵有较强的适应性。
附图说明
图1为本发明的平纹织物纹理样本图像；
图2为等分本发明的平纹织物纹理样本图像的示意图；
图3为p≤100时，平均表示误差Res(p)随迭代次数增加的变化趋势图；
图4为p≤100时，残差ε(p)随迭代次数增加的变化趋势图；
图5为本发明的平纹织物纹理样本图像的最终检测结果；
图6为随机选取本发明实施例得到的字典(y1和y2)实施回归分析后得到的回归模型图。
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。
一种基于稳定学习字典的机织物瑕疵检测方法，具体步骤如下：
(1)图像处理；
平纹织物纹理样本图像如图1所示，将该图如图2所示的等分为n个按行和列排列的子图像后，从1到n开始编号，每行的编号从左到右递增，每列的编号自上而下递增，每个子图像都有其对应的编号、行号和列号，再将每个子图像展开为列向量，n个列向量联合组成样本图像矩阵Y，Y＝[y1,y2,…yt,…yn],yt∈Ru， yt为编号为t的子图像展开得到的列向量，t＝1,2,…,n，yt＝[ylt,…,yqt,…,yut]',yqt为yt中的第q个元素，q＝1,2,…,u，u是yt的维数；其中整幅机织物纹理图像为 8位的灰度图像，其尺寸为256×256像素，子图像的尺寸为8～64×8～64像素；
(2)构建初始字典D；
首先构造一个一维的DCT矩阵D1D，即矩阵D1D由个列向量dj组成，且列向量dj代表字典原子，m为256， k的取值范围为1～25；
然后计算每个字典原子中的元素，公式如下：
当j＝1时，D1D(:,1)表示D1D第一列的所有元素，即第一个字典原子；
最后由计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；
(3)计算初始系数矩阵α；
已知样本图像矩阵Y和初始字典D，则初始系数矩阵α＝(DTD)-1DTY；
(4)采用交替最小二乘法进行字典学习更新D和α得到Dp和αp；
(4.1)以迭代次数为p，令当前迭代次数p为1；
(4.2)系数矩阵更新，公式如下：
式中，αp为迭代p次后更新得到的系数矩阵，Dp-1为迭代p-1次后更新得到的字典，p＝1时，Dp-1＝D，αp-1为迭代p-1次后更新得到的系列矩阵，p＝1时，αp-1＝α；
(4.3)字典更新，公式如下：
式中，Dp为迭代p次后更新得到的字典；
(5)对样本图像矩阵进行重构；
(5.1)应用上述字典学习得到的字典Dp和系数矩阵αp求得重构样本图像矩阵即
(5.2)判断p是否大于1，如果是则进入步骤(5.3)；反之，则令p＝p+1，返回步骤(4.2)；
(5.3)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(4.2)；反之，则输出作为最终确定的重构样本图像矩阵所述终止条件为ε(p)的计算公式如下：
式中，Y(q,t)表示Y的第q行t列的元素，表示的第q行t列的元素，Res(p)表示p次迭代后的平均表示误差，Res(p-1)表示p-1次迭代后的平均表示误差；
在此过程中，p≤100时，平均表示误差Res(p)和残差ε(p)随迭代次数的增加的变化趋势图分别如图3和图4所示，从图中可以看出，随着迭代次数逐渐增加， Res(p)快速趋于平缓，而ε(p)无限趋于零，这表明本发明能快速寻求满足最小平方误差条件的稳定学习字典；
(6)瑕疵检测；
判断每个子图像是否含有瑕疵，方法为逐列计算Y与的重构误差，重构误差超过预先设定的阈值即重构误差和E的95％，则Y中该列对应的子图像含有瑕疵，反之，则没有，按此方法找到所有含有瑕疵的子图像后，由这些子图像的行号和列号信息确定织物瑕疵的位置，最终瑕疵检测结果如图5所示；编号为t 的子图像对应的重构误差Et的计算公式如下：
重构误差和E的计算公式如下：
式中，表示的第q行第t列的元素。
任意选取机织物纹理样本图像反复运行程序后，同一幅机织物纹理样本图像任意两次得到的重构样本图像矩阵及瑕疵检测结果相同。多次运行本发明实施例的程序代码，从中任意选取两个的字典y1和y2实施回归分析后得到y＝x的回归模型，即y1＝y2，结果如图6所示，由此可见本发明方法能有效地实现学习字典的可重复性，本发明的算法不仅计算方便快捷，而且还能得到稳定的织物纹理瑕疵检测结果。

Claims (8)

1.一种基于稳定学习字典的机织物瑕疵检测方法，其特征是：将整幅机织物纹理图像分解为多个子图像后，判别出含有瑕疵的子图像，进而由含有瑕疵的子图像的位置信息确定织物瑕疵的位置；
瑕疵的判别是通过比较子图像和重构子图像实现的，所有的子图像展开为列向量后进行联合得到样本图像矩阵，通过选用离散余弦变换作为初始字典，采用交替最小二乘法对样本图像矩阵进行字典学习，再应用字典学习得到的字典和系数矩阵对样本图像矩阵进行重构得到重构样本图像矩阵，重构样本图像矩阵的列向量转化即得重构子图像。
2.根据权利要求1所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，具体步骤如下：
(1)图像处理；
先将整幅机织物纹理图像等分为n个按行和列排列的子图像后，从1到n开始编号，每行的编号从左到右递增，每列的编号自上而下递增，每个子图像都有其对应的编号、行号和列号，再将每个子图像展开为列向量，n个列向量联合组成样本图像矩阵Y，Y＝[y1,y2,…yt,…yn],yt∈Ru，yt为编号为t的子图像展开得到的列向量，t＝1,2,…,n，yt＝[ylt,…,yqt,…,yut]',yqt为yt中的第q个元素，q＝1,2,…,u，u是yt的维数；
(2)构建初始字典D；
首先构造一个一维的DCT矩阵D1D，即矩阵D1D由个列向量dj组成，且列向量dj代表字典原子；
然后计算每个字典原子中的元素，公式如下：
当j＝1时，D1D(:,1)表示D1D第一列的所有元素，即第一个字典原子；
当j>1时，
D1D(:,j)表示D1D第j列的所有元素，即第j个字典原子；
最后由计算得到大小为m×k的初始字典D，即D拥有k个维数为m的字典原子；
(3)计算初始系数矩阵α；
初始系数矩阵α＝(DTD)-1DTY；
(4)采用交替最小二乘法进行字典学习更新D和α得到Dp和αp；
(4.1)以迭代次数为p，令当前迭代次数p为1；
(4.2)系数矩阵更新，公式如下：
式中，αp为迭代p次后更新得到的系数矩阵，Dp-1为迭代p-1次后更新得到的字典，p＝1时，Dp-1＝D，αp-1为迭代p-1次后更新得到的系列矩阵，p＝1时，αp-1＝α；
(4.3)字典更新，公式如下：
式中，Dp为迭代p次后更新得到的字典；
(5)对样本图像矩阵进行重构；
(5.1)应用上述字典学习得到的字典Dp和系数矩阵αp求得重构样本图像矩阵即
(5.2)判断p是否大于1，如果是则进入步骤(5.3)；反之，则令p＝p+1，返回步骤(4.2)；
(5.3)判断是否满足终止条件，如果否，则令p＝p+1，返回步骤(4.2)；反之，则输出作为最终确定的重构样本图像矩阵所述终止条件为ε(p)的计算公式如下：
式中，Y(q,t)表示Y的第q行t列的元素，表示的第q行t列的元素，Res(p)表示p次迭代后的平均表示误差，Res(p-1)表示p-1次迭代后的平均表示误差；
(6)瑕疵检测；
判断每个子图像是否含有瑕疵，方法为逐列计算Y与的重构误差，重构误差超过预先设定的阈值，则Y中该列对应的子图像含有瑕疵，反之，则没有，按此方法找到所有含有瑕疵的子图像后，由这些子图像的行号和列号信息确定织物瑕疵的位置；编号为t的子图像对应的重构误差Et的计算公式如下：
3.根据权利要求2所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，所述整幅机织物纹理图像为8位的灰度图像。
4.根据权利要求3所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，所述整幅机织物纹理图像的尺寸为256×256像素。
5.根据权利要求4所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，所述子图像的尺寸为8～64×8～64像素。
6.根据权利要求5所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，k的取值范围为1～25，m为256。
7.根据权利要求2所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，所述预先设定的阈值为重构误差和E的95％，重构误差和E的计算公式如下：
式中，表示的第q行第t列的元素。
8.根据权利要求1～7任一项所述的一种基于稳定学习字典的机织物瑕疵检测方法，其特征在于，反复运行程序后，同一幅机织物纹理图像任意两次得到的重构样本图像矩阵及瑕疵检测结果相同。
CN201711297547.2A 2017-12-08 2017-12-08 一种基于稳定学习字典的机织物纹理瑕疵检测方法 Active CN108230299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711297547.2A CN108230299B (zh) 2017-12-08 2017-12-08 一种基于稳定学习字典的机织物纹理瑕疵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711297547.2A CN108230299B (zh) 2017-12-08 2017-12-08 一种基于稳定学习字典的机织物纹理瑕疵检测方法

Publications (2)

Publication Number Publication Date
CN108230299A true CN108230299A (zh) 2018-06-29
CN108230299B CN108230299B (zh) 2020-02-11

Family

ID=62653495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711297547.2A Active CN108230299B (zh) 2017-12-08 2017-12-08 一种基于稳定学习字典的机织物纹理瑕疵检测方法

Country Status (1)

Country Link
CN (1) CN108230299B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552130A (zh) * 2020-04-08 2021-10-26 台达电子工业股份有限公司 瑕疵检测方法及瑕疵检测装置
CN117011298A (zh) * 2023-10-07 2023-11-07 江苏恒力化纤股份有限公司 一种基于重构图像融合的织物表面疵点位置判别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8145008B2 (en) * 2006-11-03 2012-03-27 National Taipei University Of Technology Non-uniform image defect inspection method
CN103489203A (zh) * 2013-01-31 2014-01-01 清华大学 基于字典学习的图像编码方法及系统
CN104778692A (zh) * 2015-04-09 2015-07-15 中原工学院 一种基于稀疏表示系数优化的织物疵点检测方法
CN107085844A (zh) * 2017-03-14 2017-08-22 西安工程大学 基于稀疏表示的图像分解算法的织物瑕疵检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8145008B2 (en) * 2006-11-03 2012-03-27 National Taipei University Of Technology Non-uniform image defect inspection method
CN103489203A (zh) * 2013-01-31 2014-01-01 清华大学 基于字典学习的图像编码方法及系统
CN104778692A (zh) * 2015-04-09 2015-07-15 中原工学院 一种基于稀疏表示系数优化的织物疵点检测方法
CN107085844A (zh) * 2017-03-14 2017-08-22 西安工程大学 基于稀疏表示的图像分解算法的织物瑕疵检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LORINTIU O ET AL: "《Compressed Sensing Reconstruction of 3D Ultrasound Data Using Dictionary Learning and Line-Wise Subsamping》", 《IEEE TRANSACTION ON MEDICAL IMAGING》 *
周建: "《基于字典学习的机织物瑕疵自动检测研究》", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 *
王凯等: "《机织物密度对字典学习纹理表征的影响》", 《纺织学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552130A (zh) * 2020-04-08 2021-10-26 台达电子工业股份有限公司 瑕疵检测方法及瑕疵检测装置
CN117011298A (zh) * 2023-10-07 2023-11-07 江苏恒力化纤股份有限公司 一种基于重构图像融合的织物表面疵点位置判别方法
CN117011298B (zh) * 2023-10-07 2024-03-19 江苏恒力化纤股份有限公司 一种基于重构图像融合的织物表面疵点位置判别方法

Also Published As

Publication number Publication date
CN108230299B (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN108154499A (zh) 一种基于k-svd学习字典的机织物纹理瑕疵检测方法
Batenburg et al. DART: a practical reconstruction algorithm for discrete tomography
CN108038503B (zh) 一种基于k-svd学习字典的机织物纹理表征方法
CN106023298B (zh) 基于局部泊松曲面重建的点云刚性配准方法
Eldessouki et al. Adaptive neuro-fuzzy system for quantitative evaluation of woven fabrics’ pilling resistance
CN106373124B (zh) 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法
CN105760877A (zh) 一种基于灰度共生矩阵模型的羊毛羊绒识别算法
Xie et al. Fabric defect detection method combing image pyramid and direction template
An et al. Color image segmentation using adaptive color quantization and multiresolution texture characterization
Hanmandlu et al. Detection of defects in fabrics using topothesy fractal dimension features
Zhang et al. A method for defect detection of yarn-dyed fabric based on frequency domain filtering and similarity measurement
CN108230299A (zh) 一种基于稳定学习字典的机织物纹理瑕疵检测方法
Xing et al. A novel digital analysis method for measuring and identifying of wool and cashmere fibers
Zhang et al. Image reconstruction of electrical capacitance tomography based on an efficient sparse Bayesian learning algorithm
Shi et al. Fabric defect detection via low-rank decomposition with gradient information
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
Pascal et al. Strongly convex optimization for joint fractal feature estimation and texture segmentation
CN107945164B (zh) 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法
Krishnan et al. Performance analysis of texture classification techniques using shearlet transform
CN108154527A (zh) 一种基于稳定学习字典的机织物纹理表征方法
Willcocks et al. Extracting 3D parametric curves from 2D images of helical objects
Liu et al. Fabric defect detection algorithm based on convolution neural network and low-rank representation
Facco et al. Improved multivariate image analysis for product quality monitoring
Sun et al. Adaptive detection of weft‐knitted fabric defects based on machine vision system
Brzoza et al. An approach to image segmentation based on shortest paths in graphs

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