一、基于Gabor滤波器的布匹瑕疵自动检测方法（论文文献综述）
丁关雄[1]（2020）在《布匹瑕疵分类算法的研究》文中研究指明随着纺织工业对于布匹生产效率和品质的要求的增长,人工检测已越来越难以满足其的发展需要,目前已有的检测方法存在着成本高、召回率低和精准率差等问题,因此开发出一套高效的自动化检测的技术迫在眉睫。基于图像识别的布匹瑕疵自动检测作为当前人工智能领域研究热点之一,能极大地提升纺织行业的生产效率和产品质量。本文针对常见布匹瑕疵的检测问题,围绕基于浅层特征的瑕疵检测方法,提出了一种多特征融合的算法;同时基于深度学习方法,针对两种典型网络Alex Net和Le Net进行了改进。首先,针对当前布匹图像特征的主流提取算法的特征表述存在不完善、数据冗余和特征表达能力有限制等问题,提出了基于Laws纹理特征和Gabor特征的词向量融合分类算法,提取图像纹理和空间上的点、线、边缘、能量等特征,并在单一特征提取方法和特征融合方法上进行对比实验。结果表明:所提出的多特征融合布匹瑕疵分类方法在布匹瑕疵分类的准确率和召回率上均达到了74.7%,相较基于Gabor特征的方法F1值提升了3%,较基于Laws纹理特征的方法提升了6.9%,能显着提升分类精度,较好地解决了布匹瑕疵固有属性特征表达不完整的问题。其次,针对传统布匹瑕疵检测算法召回率和检测率低的问题,提出了基于深度学习的经典网络Alex Net和Le Net的改进算法。在Alex Net网络上添加空洞卷积层增大感受野,通过实验表明,改进后网络在布匹瑕疵分类的准确率和召回率上平均值均达到了85%,提升了17%;在Le Net网络增加卷积层进一步提取特征,并引入卷积偏置来提高预测评估准确率,结果表明改进后网络在布匹瑕疵分类的准确率和召回率上平均值均达到了82.5%,提升了3%。改进后的Alex Net网络较融合特征的浅层学习方法F1值提升了14%,同时也具有较强的鲁棒性。最后,根据前两章对传统布匹瑕疵检测存在问题的相关讨论以及提出的相应算法,在不同数据规模大小的数据集上,将纹理融合分类算法和深度学习方法进行对比,实验结果有效地证明了在不同应用场景下,选择不同的布匹瑕疵分类算法从而取得最优效果。实验结果表明,在数据量小于800的情况下选择浅层特征学习方法分类效果较佳,而当数据量大于800的情况下选择深度学习方法效果更优秀,该研究成果对往后不同数据规模应用场景下的方法选择研究具有重大的参考意义。
刘瑞明,孙帅成,黄佳炜,袁敏峰,刘勇,殷歌,郭锐[2]（2020）在《基于图像纹理分析的布匹瑕疵检测综述》文中进行了进一步梳理纹理,作为用来描述物体表面特征的基本属性,是信息处理中一个最为显着的视觉特征。纹理分析方法研究在理论探索和实际应用方面都有着十分重要的意义。从纹理定义出发,总结了纹理的几个常用特征,并归纳了纹理的类型,对国内外4种主要的纹理分析方法的研究历程和进展进行了回顾,重点阐述了在布匹瑕疵检测领域中这4种纹理分析方法取得的研究成果,并作出比较和讨论,为该领域的研究者提供参考和借鉴。
郭东妮[3]（2020）在《布匹瑕疵视觉检测系统设计》文中指出在纺织行业中,布匹质量检测尤其是瑕疵检测至关重要。目前我国纺织规模不断扩大,但自动化的程度仍然有待提高。大部分企业依然采用人工验布的方法,严重影响了布匹生产效率,且对工人健康造成威胁。本文针对布匹多种瑕疵,提出了一种用于检测布匹缺陷的视觉方法,该方法使用改进型Gabor滤波器来处理布匹图像,凸显瑕疵特征后利用SVM分类器判断布匹是否存在缺陷,以达到布匹瑕疵检测的目的。并且通过提前对布匹纹理进行学习的方法,减少布匹检测过程的时间。系统可以很好地适用于多种纹理布匹,具有很高的速度及精度。论文完成的主要工作如下:1)本文对布匹瑕疵检测系统进行了策略研究,结合布匹缺陷检测工业现场需求设计了一套稳定的布匹瑕疵图像采集系统,选择线阵相机配合线性光源,采用正面打光的光路系统对布匹图像进行采集,适用于布匹图像采集、算法验证以及布匹瑕疵检测。2)针对布匹纹理特征凸显问题,本文探讨了不同方法的优劣,解决了纹理参数难以求取的难题。对于纹理周期,系统首先采用基于DMF的方法分析纹理,随后利用前向差分对其周期进行自动提取。对于纹理方向,系统采用傅里叶频谱极坐标变换的方法对其主方向进行精确求取。并将所求参数保存至系统中,为后续Gabor变换的改进奠定基础。3)本文提出了一种结合改进型Gabor滤波器和SVM分类器的方法对布匹瑕疵进行判定,通过选取以纹理主方向及主方向垂直方向作为Gabor滤波器方向,以纹理周期大小作为Gabor滤波器大小对Gabor滤波器组进行了改进,消除冗余信息并有效凸显瑕疵特征信息。通过详细探究生成灰度共生矩阵的参数选择机制,对子图提取了有效特征。并利用该特征作为特征向量训练SVM的一对一分类器,结果表明实验该方法可满足实际系统对实时性和检测精度的要求。4)采用MFC框架连接SQL Server数据库的方法,本文编写了一套布匹瑕疵视觉检测软件。该软件集成了本文提出的视觉检测算法,分为采集模块、瑕疵智能检测模块以及瑕疵数据查询模块,具备简单友好的交互界面,可以实时检测布匹瑕疵。测试结果表明,本文提出的布匹瑕疵检测算法检测精度最高可达0.9667,速度可达到60米/分钟,可对多种纹理布匹进行瑕疵检测。与现有的瑕疵检测算法相比,在兼具准确性的同时,还具有更高的实时性。
陈康[4]（2020）在《基于机器视觉的布匹瑕疵检测方法研究及软件开发》文中进行了进一步梳理随着当前社会和经济的快速发展,人们对于高品质布匹织物的需求不断增加,然而布匹表面的瑕疵会严重影响产品质量。目前我国的布匹瑕疵主要采用传统人工检测的方式,存在检测准确率较低、劳动力成本高和劳动强度大的缺点。因此,本论文采用机器视觉技术和深度学习技术,研究高精度、高检测速度的布匹瑕疵检测方法并开发检测软件,实现布匹瑕疵的自动化检测,以大幅减少检测人力成本,有效提升纺织产品竞争力,具有重要的理论意义和良好的实际应用价值。本论文的主要工作和成果如下:（1）分析布匹瑕疵检测的软件功能和性能需求,设计硬件系统方案。选择具有高聚光特性的线阵光源,采用同端照射的方式,并使用数字光源控制器控制光照强度;针对布匹传输过程的特点以及检测布幅,选用线阵相机作为图像采集传感器;选用表面平整、传动稳定、速度可调的传动装置保证布匹在传送过程中的可靠性。（2）提出一种基于频率域变换和图像形态学的布匹瑕疵定位方法。首先对原始图像进行预处理,利用纹理滤波提取图像纹理特征,采用高斯混合模型分类器模型进行疵点预判别;然后使用高斯滤波器构建带阻滤波器对傅里叶变换后的频谱图做频率与滤波;最后在滤波后的空间域图像上采用图像形态学方法提取瑕疵位置,截取出布匹瑕疵。该方法融合空域和频域的图像处理技术,增强了检测鲁棒性,并且检测速度较快,满足实时性要求。（3）通过比较主流的目标检测神经网络框架,选择Faster R-CNN作为布匹瑕疵分类网络。根据网络公开数据和实际拍摄的布匹图像制作数据集,将常见的布匹瑕疵分为七个大类;修改Faster R-CNN网络中的全连接层,使用全局平均池化层替代,减少网络参数;修改网络的锚点框参数,提升网络的检测精度。（4）采用深度卷积残差网络构建更深层次的网络结构,以替换原始Faster R-CNN中的特征提取网络。残差网络能够学习到浅层信息,有效增强了布匹瑕疵特征的提取能力。为了充分利用特征提取网络的各层信息,本论文进一步对不同特征层进行上采样,并进行金字塔特征融合,对每个融合后的输出都进行建议框预测。（5）基于QT5平台,采用现有的机器视觉算法库和深度学习框架进行软件开发。分析了软件需求,实现了软件的主要功能模块,包括软件登陆与采集显示、检测信息统计和人机交互。
赵宏威,王亦红[5]（2019）在《基于改进Gabor优化选择的布匹瑕疵检测方法》文中研究表明针对传统Gabor优化选择方法用于布匹瑕疵检测时准确率低、鲁棒性差的缺点,提出了改进的优化选择方法,通过瑕疵图像与标准图像Gabor滤波后分块子图均值差平方和的代价函数实现优化选择。设置一组不同方向和尺度的Gabor滤波器并提取标准图像滤波后相关参数,通过改进的优化选择方法实现滤波后瑕疵图像的最优选择,利用迭代式阈值分割对最优滤波后图像进行二值分割,根据分割后图像的像素信息检测是否含有瑕疵并输出瑕疵信息。实验验证该方法,并与传统优化选择方法对比分析,结果表明该方法运算量较少,且检查性能高,可满足在线检测要求。
王生伟[6]（2019）在《基于图像处理的服装织物质量检测系统》文中研究表明论文以裁剪后的样板布料与成衣为研究对象,以改善制衣厂质量检测过程中检测速度慢、误检率高、漏检率高的现状为目标。在研究了服装织物质量检测的背景和制衣厂实际需求的基础上,开发出一套服装织物质量检测系统,并且在搭建的硬件平台上完成了软件系统的基本测试。该系统实现了对制衣厂四种常见布料疵点的识别,实现了常见款式成衣主要部位的尺寸测量分析。论文将全面介绍该质检系统的设计与实现。论文首先分析了制衣厂生产检测的两个主要需求:裁剪后样板布料的疵点检测与成衣主要部位的尺寸测量。针对这两个需求,搭建系统硬件平台以及软件系统框架。接着分别对上述需求进行算法分析与处理。针对疵点检测,先对图像进行预处理,增强图像疵点特征。接着按照布料纹理特征,分别对简易纹理布料疵点与复杂纹理布料疵点进行识别分析。对于存在疵点的区块进行标注,将信息记录并反馈。针对成衣主要部位的尺寸测量,首先利用角点检测算法与特征点筛选策略定位成衣特征点。接着利用特征点计算特定部位像素尺寸。最后结合系统标定比例,计算成衣各部位实际尺寸。并与标准尺寸进行比较,分析实际尺寸是否合格。最后给出样板布料疵点检测与成衣尺寸测量的软件系统设计方案。对软件系统逻辑结构进行总体分析,将系统分为用户管理模块、疵点检测模块与成衣尺寸测量模块三个部分,分别对这三个模块的开发过程进行详细说明。并对软件系统做了测试,保证软件系统能够实现基本功能。论文实现的服装织物质量检测系统对制衣厂实际生产检测过程进行了改进,提高了检测效率,提升了现代制衣厂生产检测的自动化与智能化水平。
秦川[7]（2019）在《经编布机器视觉瑕疵检测与分类》文中进行了进一步梳理瑕疵检测一直是纺织行业中最重要的组成成分之一,检测效果好坏直接与企业生产效益挂钩。为了提高纺织品瑕疵的检测率和准确率,越来越多的企业将机器视觉技术运用于布匹瑕疵检测中。所以,纺织品瑕疵检测一直是国内外研究热点,也涌现出了很多新方法和技术。但是由于不同布匹纹理相差大、瑕疵种类众多等原因,并没有一种方法可以适用于所有瑕疵检测。所以本文紧密联系企业生产,以经编布为实验对象,以瑕疵检测和分类为实验目的,对其常见瑕疵进行研究,以寻找较为高效的检测手段。本课题主要研究如下:（1）根据本文实验对象和实验目的,提出了两套比较有对比性的瑕疵检测方案,分别是空间域和频率域的检测方法。介绍该课题实验对象的同时给出布匹评分标准,作为后续判断布匹优劣的依据。奠定了本文的整体思路和框架。（2）在空间域中对经编布进行瑕疵检测。由于传统检测方法针对性不强,本文采用一种LBP结合灰度共生矩阵的方法。首先经过一系列预处理流程,然后采用LBP算法对经编布进行图像处理,再结合灰度共生矩阵,提取一系列特征参数对图像整体信息加以描述,这些特征参数将作为后续识别与分类的主要依据。（3）在频率域中对经编布进行瑕疵检测。因为gabor滤波器稳定且高效,所以借助gabor滤波器对图像进行处理,这里采用了改进的多通道融合技术。然后通过阈值化完成图像分割得到二值图像,计算出二值图像的特征值,这些特征值也将作为后续判断的主要依据。（4）对比两种处理方法何种更佳。从难易度、稳定性、计算量、准确率等诸多方面进行考虑,其中准确率包括两大方面:瑕疵的检测与瑕疵的分类,准确率数值均由K-邻近算法得出。通过对两种处理方法综合对比,从而确定针对本实验对象而言,何种处理方式更为准确和高效。最后还要根据瑕疵严重程度,完成布匹的评分定级。
管淼[8]（2019）在《基于智能学习算法的布匹瑕疵检测方法研究》文中研究说明长期以来,布匹疵点的检测识别与分类由人工完成,但由于工作环境差、劳动强度大、评判标准依赖于经验、错检及漏检率较高等原因,导致布匹疵点检测识别与分类效率低下,已无法满足现代纺织工业的发展需求。近年来,随着计算机技术、数字图像处理技术和机器视觉技术的进步,用机器视觉的检测方法代替传统的人工检测方式是目前的发展趋势。基于机器视觉的布匹疵点检测识别与分类主要分为图像采集、预处理、分割与特征提取、分类器设计及识别与分类等几个环节。本文通过对其中关键环节的研究,取得了阶段性成果。在理论研究和实验分析的基础上,设计构建了基于智能学习算法的机织布疵点检测识别与分类方法。本文主要研究内容如下:（1）图像预处理。将采集到的原始彩色图像转换为灰度图像。针对机织布灰度图像疵点部分与机织布环境对比度不强的问题,采用灰度调整的方法对机织布图像进行增强。为了进一步突显疵点区域,研究了一种基于频率域的理想低通滤波方法,对疵点图像进行滤波处理。结果显示,该方法抗干扰能力强、滤波效果好,能有效去除机织布背景纹理信息,突出疵点区域,降低处理难度。（2）基于BP（Back Propagation）神经网络的机织布疵点识别设计。对灰度增强和频域滤波后的图像,根据机织布疵点图像的特点,采用Roberts算子检测边缘并进行有效分割。设计了基于多特征值的BP神经网络分类器,实验证明该分类器能够对多数疵点进行有效分类。（3）基于深度学习的机织布疵点识别设计。为进一步提高识别准确率,对深度学习开展研究。为能够获得不同尺寸、不同位置的机织布图像信息,在VGG（Visual Geometry Group）卷积网络模型结构的基础上,通过采用多尺寸过滤器和多处池化技术,设计了一种适用于机织布疵点检测识别与分类的多尺寸多位置MDML（Multi-Dimensional And Multi-Location Network Model）深度学习网络模型。经实验比对,MDML网络模型识别准确率高,提升了深度学习网络对机织布疵点的识别分类效率。（4）机织布疵点识别算法的自适应增强设计。基于BP神经网络和深度学习网络,构建了弱分类器的自适应增强算法,以获得强分类器。针对现有自适应增强算法存在样本不平衡和分类器退化的现象,提出了采用动态调整训练样本集、引入改进后的Sigmoid函数抑制样本权重的设计思路,设计并实现了一种新的权重抑制自适应增强算法 AdaBoost.WSA（Adaptive Boosting Weight Suppression Algorithm）。实验证明,AdaBoost.WSA算法能有效解决样本不平衡和分类器退化问题,具有更好的平衡性和分类准确率。（5）实验系统设计和分类器性能评价方法的构建。设计了基于智能学习算法的机织布疵点检测识别与分类实验系统,针对机织布常见疵点类型,进行实验研究。依据机织布检测评价的特点,构建了适用于机织布疵点检测识别与分类系统的分类器性能评价方法,并对数据分析、评价方法的指标和计算公式给出了详细说明。通过实验平台对机织布进行动态疵点检测,采集数据信息,并利用该评价方法对几种算法进行比对实验。结果证明,该评价方法适用于机织布疵点的检测评价,改进后的算法确实有效地提高了分类效率和准确率。
郝阳[9]（2018）在《基于机器视觉的纺织品瑕疵检测与分类》文中研究表明在纺织工业的生产中,质量控制越来越受到企业及消费者的重视。其中,纺织品布匹的瑕疵是最为常见的质量影响因素。所以,纺织品瑕疵的识别也是质量保障中的关键一环。目前,仍旧还有部分企业采用传统的人眼检测方法。这种方法需要消耗大量的人力,且检测标准不统一,检测精度没有保证。所以,全行业的趋势,应该是使用机器视觉与机器学习的手段,来解决纺织品质量控制的问题。本文针对常见纺织品的特点,提出了一种检测纺织品瑕疵的方法。该方法可以支持瑕疵识别检测与瑕疵分类,给出最终判定结论,并支持多种类布匹的分类。针对布匹种类的分类,本文采用灰度共生矩阵（GLCM）对布匹图像提取特征值,得到每张样本图的特征向量。使用K近邻算法进行布匹种类的分类,该算法基于训练集实例进行分类。本文取3种布匹共272张样本图片,实验测试了在不同距离度量方法、不同投票权重、不同K值下的分类准确率,最终结果为98.5%。本文使用Gabor滤波器与改进的灰度共生矩阵法检测瑕疵。在检测之前,设计了一种蒙版锐化法与光比平衡法来进行图像预处理。蒙版锐化法能够保证清晰细节又不因为锐化而带来噪点;光比平衡法能够平衡图像各部位的光照强度,降低后续分析的误差。Gabor滤波器对图像纹理较为敏感,采用5尺度8方向Gabor滤波器组,实现对大部分纹理的覆盖,从40张滤波图中选出识别效果最佳的10张进行融合。传统基于小窗的灰度共生矩阵分析法计算量大、耗时长。本文提出一种改进方法,先对整幅图像进行低精度快速识别,再进行局部高精度识别,可大幅提升识别速度。最终融合两种方法的瑕疵检测结果,基于272张样本图片进行实验,可达到总体94.33%的检出率。瑕疵类别的分类,本文分别采用了支持向量机、BP神经网络、CART决策树及融合分类方法。通过实验分析确定各分类器的最佳参数,支持向量机的平均分类准确率在90.6%,CART决策树为91.13%,BP神经网络为94.47%。不同的分类器,对于某些别类别的瑕疵有较好的识别精度。因此,在融合分类时,本文分析各分类器对不同瑕疵的分类精度,按照瑕疵类别择优采用其分类结果,最终三种布匹的瑕疵分类准确率达到98.95%、97.86%和95.33%。最后本文基于MATLAB设计了一套可视化检测系统,能够给出布匹的质量检测结论与改进意见,并支持批量检测与实时校正功能。实验证明该设计可以较好的完成对布匹瑕疵的检测与分类工作。
刘绥美[10]（2016）在《彩色印花织物疵点检测的研究与实现》文中指出纺织品质量与价值受诸多因素影响,主要的评价因素之一就是纺织品外观,直观表现为织物疵点,所以在投入使用之前,织物疵点检测是必不可少的。在工业检测领域,机器视觉也慢慢代替传统的人工检测成为主力军,研究并实现疵点检测就有了意义。彩色印花织物的市场价值随着现代化的发展愈发提高,这就使得研究彩色印花织物的疵点检测更具重要性,本文工作如下:（1）为了更准确地检测多样的彩色织物疵点,避免经过灰度化后图像信息流失带来的检测失误,提出基于CIE L*a*b*颜色空间的织物疵点检测方法。以RGB空间为基础,经XYZ空间转换至CIE L*a*b*颜色空间,将得到的亮度特征L*忽略,利用色调信息a*和b*作为特征值用于二维Gabor滤波器。将无瑕疵图像作为滤波样本构建Gabor滤波器,并使用遗传算法进行滤波器最优参数的选取,目标函数为滤波器实虚部卷积后的能量。把无瑕疵图像相对应的同背景的瑕疵图像作为待检测样本,同时利用已构建完成的滤波器对其进行滤波。再使用滑动阈值法分割图像,加以适当的除噪,得到最终与背景分离的疵点检测结果。实验结果表明该算法对与背景重合度较高的彩色织物疵点有良好的识别精度。（2）本文为了快速准确地实现背景纹理复杂织物的疵点检测,改善传统算法计算量大的缺点,提出基于稀疏编码字典学习的疵点检测算法。首先利用Radon变化对图像进行倾斜矫正,减小像素信息处理误差,再使用Gabor滤波器对矫正后图像滤波,消除噪声影响。接着对预处理后的图像,以一定尺寸窗口,滑动选取图像块构建输入样本集,并采用K-SVD算法对无瑕疵样本集合进行字典学习,得到稀疏系数并重构,进而取得水平、垂直投影特征矩阵。最后利用已经得到的字典与稀疏系数对待检测瑕疵样本重构,求得其相对应的特征矩阵,并用结构相似法确定最终疵点区域。检测结果表明,在保证精度的前提下该算法检测时间较短。（3）详细论述了织物疵点自动检测系统硬件平台的设计与各个功能模块搭建的要素以及它们的工作原理。实验表明该系统运行稳定、实时性好,对一些常见的彩色织物疵点检测效率高。
二、基于Gabor滤波器的布匹瑕疵自动检测方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Gabor滤波器的布匹瑕疵自动检测方法（论文提纲范文）
（1）布匹瑕疵分类算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作和组织结构 |
| 第2章 布匹瑕疵分类的相关研究 |
| 2.1 布匹瑕疵类型与数据增强 |
| 2.2 布匹瑕疵图像的预处理 |
| 2.3 布匹瑕疵分类的评估指标 |
| 2.4 布匹瑕疵分类常用方法 |
| 2.4.1 基于统计的方法 |
| 2.4.2 基于频谱分析的方法 |
| 2.4.3 基于传统模型的方法 |
| 2.4.4 基于深度模型的方法 |
| 2.5 本章小结 |
| 第3章 基于浅层特征提取的布匹瑕疵分类算法 |
| 3.1 基于常用浅层特征提取方法的布匹瑕疵分类 |
| 3.1.1 基于Gabor特征的瑕疵分类 |
| 3.1.2 基于 Laws 纹理特征的瑕疵分类 |
| 3.2 基于浅层特征融合的瑕疵分类 |
| 3.2.1 分类流程 |
| 3.2.2 分类实验 |
| 3.2.3 效果对比 |
| 3.3 本章小结 |
| 第4章 基于深度学习的布匹瑕疵分类算法 |
| 4.1 数据处理和实验环境 |
| 4.2 基于深度学习的瑕疵分类 |
| 4.2.1 基于Alex Net改进的分类 |
| 4.2.2 基于LeNet改进的分类 |
| 4.3 浅层特征提取方法与深度模型的对比 |
| 4.4 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间的相关成果 |
| 致谢 |
（2）基于图像纹理分析的布匹瑕疵检测综述（论文提纲范文）
| 0 引言 |
| 1 纹理概述 |
| 2 基于纹理分析的布匹检测研究现状 |
| 2.1 统计法 |
| 2.2 模型法 |
| 2.3 频谱分析法 |
| 2.4 结构法 |
| 3 总结 |
（3）布匹瑕疵视觉检测系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要工作和组织结构 |
| 第2章 布匹瑕疵检测系统设计 |
| 2.1 布匹瑕疵检测系统性能分析 |
| 2.1.1 瑕疵类型特征统计 |
| 2.1.2 布匹瑕疵检测系统需求分析 |
| 2.2 工业视觉系统 |
| 2.2.1 相机的选型分析 |
| 2.2.2 光源的选型分析 |
| 2.2.3 搭建实验平台 |
| 2.3 检测算法框架 |
| 2.4 本章小结 |
| 第3章 基于纹理空间的布匹特征提取算法 |
| 3.1 特征空间 |
| 3.2 纹理周期求取 |
| 3.2.1 累加距离匹配函数 |
| 3.2.2 自动周期提取 |
| 3.2.3 实验结果分析 |
| 3.3 纹理方向提取 |
| 3.4 本章小结 |
| 第4章 基于Gabor变换的布匹瑕疵检测研究 |
| 4.1 Gabor滤波器 |
| 4.1.1 构建多通道Gabor滤波器 |
| 4.1.2 构建改进型Gabor滤波器 |
| 4.2 Gabor子图瑕疵特征提取 |
| 4.2.1 灰度共生矩阵特征 |
| 4.2.2 灰度共生矩阵参数选择 |
| 4.3 瑕疵判定 |
| 4.3.1 分类器选择 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第5章 布匹瑕疵检测软件设计 |
| 5.1 系统框架设计 |
| 5.2 模块设计与实现 |
| 5.2.1 相机参数设置模块 |
| 5.2.2 布匹瑕疵智能检测模块 |
| 5.2.3 瑕疵数据查询模块 |
| 5.3 人机交互界面设计 |
| 5.4 软件性能测试 |
| 5.5 本章小结 |
| 结论 |
| 本文工作总结 |
| 未来工作展望 |
| 参考文献 |
| 附录 攻读学位期间参与的科研项目 |
| 致谢 |
（4）基于机器视觉的布匹瑕疵检测方法研究及软件开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 现有布匹瑕疵检测系统 |
| 1.2.2 传统瑕疵检测方法 |
| 1.2.3 深度学习目标检测方法 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 布匹瑕疵视觉检测装置总体设计 |
| 2.1 引言 |
| 2.2 光源系统 |
| 2.2.1 光源类型 |
| 2.2.2 照射方案设计 |
| 2.3 成像系统 |
| 2.3.1 相机种类 |
| 2.3.2 镜头选取 |
| 2.4 布匹传动系统 |
| 2.5 计算处理系统 |
| 2.6 软件系统框架 |
| 2.7 本章小结 |
| 第三章 基于频率域变换和图像形态学的布匹瑕疵定位 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.2.1 布匹光强调节 |
| 3.2.2 降噪滤波器 |
| 3.3 高斯混合模型分类 |
| 3.3.1 LAWS滤波 |
| 3.3.2 GMM分类器判别 |
| 3.4 频率域突出瑕疵区域 |
| 3.4.1 傅里叶变换 |
| 3.4.2 频率域滤波器 |
| 3.5 图像形态学提取布匹瑕疵位置 |
| 3.6 本章小结 |
| 第四章 基于Faster R-CNN的布匹瑕疵分类 |
| 4.1 引言 |
| 4.2 目标对象检测分类的主要方法 |
| 4.3 基于Faster R-CNN的布匹瑕疵分类方法 |
| 4.3.1 数据集制作 |
| 4.3.2 模型整体框架 |
| 4.3.3 特征提取网络VGG-16 修改 |
| 4.3.4 Faster R-CNN锚点框调整 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于深度卷积残差网络的布匹瑕疵分类精度优化 |
| 5.1 引言 |
| 5.2 基于深度残差网络的Faster R-CNN |
| 5.2.1 残差网络简介 |
| 5.2.2 基于深度残差网络的Faster R-CNN设计 |
| 5.3 融合特征金字塔和深度残差网络的Faster R-CNN |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 基于QT的布匹瑕疵检测软件开发 |
| 6.1 引言 |
| 6.2 需求分析 |
| 6.2.1 功能需求 |
| 6.2.2 性能需求 |
| 6.3 软件开发 |
| 6.3.1 软件总体设计 |
| 6.3.2 软件详细设计 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 撰写的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 4 申请的发明专利 |
| 学位论文数据集 |
（5）基于改进Gabor优化选择的布匹瑕疵检测方法（论文提纲范文）
| 1 引言 |
| 2 Gabor滤波器介绍 |
| 3 Gabor优化选择的分析 |
| 3.1 方法介绍 |
| 3.2 方法分析 |
| 4 改进Kumar优化选择 |
| 4.1 提出一种代价函数 |
| 4.2 改进优化选择的分析 |
| 5基于改进优化选择的布匹瑕疵检测方法设计 |
| 6实验验证与结果分析 |
| 7 结束语 |
（6）基于图像处理的服装织物质量检测系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 基于图像处理的服装织物质量检测系统研究现状 |
| 1.2.1 织物布料质量检测的研究现状 |
| 1.2.2 成衣尺寸测量的研究现状 |
| 1.3 论文的研究目的和意义 |
| 1.4 论文主要研究内容 |
| 第二章 系统需求分析与总体设计 |
| 2.1 系统需求分析 |
| 2.2 总体结构设计 |
| 2.3 图像采集系统设计与选型 |
| 2.3.1 相机选型 |
| 2.3.2 镜头选型 |
| 2.3.3 光源选型 |
| 2.4 软件系统方案设计 |
| 2.5 本章总结 |
| 第三章 样板布料疵点检测 |
| 3.1 疵点检测概述 |
| 3.2 样板布料疵点检测方案设计 |
| 3.3 图像预处理 |
| 3.3.1 布料图像灰度化 |
| 3.3.2 布料图像滤波 |
| 3.3.3 直方图均衡化 |
| 3.4 样板布料疵点初判 |
| 3.5 简易纹理疵点识别 |
| 3.6 复杂纹理疵点识别 |
| 3.6.1 形态学疵点提取 |
| 3.6.2 Gabor滤波分析 |
| 3.6.3 最优Gabor滤波疵点提取 |
| 3.7 布料疵点位置判断 |
| 3.8 本章小结 |
| 第四章 成衣尺寸测量 |
| 4.1 成衣尺寸测量方案设计 |
| 4.1.1 尺寸测量需求分析 |
| 4.1.2 测量系统方案设计 |
| 4.2 成衣角点检测 |
| 4.2.1 Moravec角点检测算法 |
| 4.2.2 Harris角点检测算法 |
| 4.2.3 Shi-Tomasi算法获取成衣角点 |
| 4.3 成衣特征点筛选策略 |
| 4.3.1 上衣特征点筛选策略 |
| 4.3.2 裤子特征点筛选策略 |
| 4.4 尺寸标定 |
| 4.5 尺寸计算与误差分析 |
| 4.6 本章小结 |
| 第五章 质检系统软件开发与测试 |
| 5.1 软件系统方案设计 |
| 5.2 系统开发环境选择 |
| 5.2.1 Visual Studio开发平台简介 |
| 5.2.2 MFC框架使用 |
| 5.2.3 OpenCV库的使用配置 |
| 5.2.4 数据库选型 |
| 5.3 用户管理模块设计 |
| 5.4 疵点检测模块开发 |
| 5.4.1 相机控制模块 |
| 5.4.2 疵点分析模块 |
| 5.5 成衣检测模块开发 |
| 5.6 软件系统测试 |
| 5.6.1 软件系统测试目标 |
| 5.6.2 软件系统测试内容 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（7）经编布机器视觉瑕疵检测与分类（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外机器视觉研究现状 |
| 1.2.1 国内外机器视觉技术现状 |
| 1.2.2 国内外机器视觉系统现状 |
| 1.3 纺织品瑕疵与经编布瑕疵分类 |
| 1.4 论文主要研究内容 |
| 第二章 图像分析方法与机器视觉系统框架 |
| 2.1 图像瑕疵检测技术 |
| 2.1.1 纺织品图像纹理 |
| 2.1.2 常用的瑕疵检测方法 |
| 2.2 图像瑕疵分类技术 |
| 2.3 机器视觉系统组成 |
| 2.3.1 机器视觉硬件与软件系统 |
| 2.3.2 瑕疵评分系统说明 |
| 2.3.3 瑕疵评分系统制定 |
| 2.4 本章小结 |
| 第三章 图像的预处理 |
| 3.1 预处理意义 |
| 3.2 经编布预处理方法 |
| 3.2.1 图像的灰度化 |
| 3.2.2 去除光照不均 |
| 3.2.3 图像滤波 |
| 3.2.4 图像均衡化 |
| 3.3 本章小结 |
| 第四章 基于空间域的瑕疵检测 |
| 4.1 LBP算子概述 |
| 4.1.1 LBP算子原理 |
| 4.1.2 改进的LBP算子 |
| 4.1.3 LBP算子处理结果 |
| 4.2 灰度共生矩阵概述 |
| 4.2.1 灰度共生矩阵原理 |
| 4.2.2 图像特征参数说明 |
| 4.3 空间域中特征参数提取结果 |
| 4.4 本章小结 |
| 第五章 基于频率域的瑕疵检测 |
| 5.1 Gabor滤波器概述 |
| 5.2 Gabor滤波器原理 |
| 5.2.1 多通道Gabor滤波器 |
| 5.2.2 改进的多通道融合法 |
| 5.3 Gabor滤波器后处理 |
| 5.3.1 瑕疵图像阈值化 |
| 5.3.2 瑕疵图像开闭运算 |
| 5.4 频域中特征参数提取结果 |
| 5.5 本章小结 |
| 第六章 经编布瑕疵分类 |
| 6.1 k-邻近算法概述 |
| 6.2 k-邻近算法原理 |
| 6.3 瑕疵分类结果与分析 |
| 6.3.1 瑕疵分类数据展示 |
| 6.3.2 处理方法优劣对比 |
| 6.3.3 实验结果分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
（8）基于智能学习算法的布匹瑕疵检测方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间域方法 |
| 1.2.2 频域方法 |
| 1.2.3 智能学习算法 |
| 1.3 研究目标 |
| 1.4 本课题研究内容 |
| 第二章 机织布图像预处理 |
| 2.1 常见机织布疵点类型 |
| 2.2 机织布疵点图像增强与滤波 |
| 2.2.1 机织布图像增强 |
| 2.2.2 机织布图像滤波 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络的机织布疵点识别 |
| 3.1 机织布疵点图像分割 |
| 3.1.1 阈值图像分割法 |
| 3.1.2 边缘检测图像分割法 |
| 3.1.3 机织布图像分割及分析 |
| 3.2 机织布疵点区域典型特征 |
| 3.2.1 几何形状特征 |
| 3.2.2 纹理特征 |
| 3.2.3 不变矩 |
| 3.2.4 机织布疵点区域特征提取实验 |
| 3.3 基于BP神经网络的识别分类器设计 |
| 3.4 基于静态疵点集的神经网络分类结果 |
| 3.5 本章小结 |
| 第四章 基于深度学习的机织布疵点识别 |
| 4.1 深度学习理论概述 |
| 4.2 深度学习网络模型 |
| 4.2.1 卷积神经网络模型 |
| 4.2.2 深度信任网络模型 |
| 4.2.3 堆栈自编码网络模型 |
| 4.3 卷积神经网络模型研究与构建 |
| 4.3.1 卷积神经网络模型的特点和优势 |
| 4.3.2 卷积神经网络经典模型分析研究 |
| 4.3.3 卷积神经网络模型的构建 |
| 4.4 MDML深度学习网络模型设计 |
| 4.4.1 MDML网络模型设计思路 |
| 4.4.2 MDML结构设计 |
| 4.5 MDML网络模型设置及识别分类 |
| 4.5.1 数据准备 |
| 4.5.2 MDML设置及训练实现 |
| 4.5.3 MDML机织布疵点识别分类 |
| 4.5.4 模型比对 |
| 4.6 本章小结 |
| 第五章 机织布疵点算法的自适应增强 |
| 5.1 自适应增强算法研究 |
| 5.1.1 自适应增强算法原理 |
| 5.1.2 自适应增强算法实现 |
| 5.1.3 自适应算法误差界标定 |
| 5.2 多分类自适应增强算法 |
| 5.2.1 多分类自适应增强算法原理 |
| 5.2.2 多分类自适应增强算法实现 |
| 5.3 自适应增强算法优化与改进 |
| 5.3.1 自适应增强算法改进 |
| 5.3.2 算法具体实现 |
| 5.4 机织布疵点检测识别与分类自适应增强方案 |
| 5.4.1 BP神经网络算法增强 |
| 5.4.2 深度学习算法增强 |
| 5.4.3 比对实验 |
| 5.5 本章小结 |
| 第六章 机织布疵点检测识别与分类实验研究 |
| 6.1 实验方法 |
| 6.2 实验系统设计 |
| 6.2.1 实验系统方案设计 |
| 6.2.2 系统硬件设计 |
| 6.2.3 系统软件设计 |
| 6.3 实验分析 |
| 6.3.1 机织布疵点检测识别与分类评价方法构建 |
| 6.3.2 机织布疵点检测识别与分类比对实验 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间本人出版或公开发表的论着、论文 |
| 攻读博士学位期间本人参加的项目 |
| 致谢 |
（9）基于机器视觉的纺织品瑕疵检测与分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景与意义 |
| 1.2 行业发展现状 |
| 1.3 关键技术及研究现状 |
| 1.3.1 图像预处理 |
| 1.3.2 图像分析技术 |
| 1.3.3 瑕疵识别技术 |
| 1.4 论文工作安排 |
| 2 布匹类型识别与分类 |
| 2.1 引言 |
| 2.2 基于灰度共生矩阵构建特征向量 |
| 2.2.1 灰度共生矩阵基本原理 |
| 2.2.2 特征值的选择 |
| 2.2.3 灰度级参数择优与特征值提取 |
| 2.3 基于K近邻算法进行分类 |
| 2.3.1 K近邻算法基本原理 |
| 2.3.2 K近邻算法最优参数选取 |
| 2.3.3 K近邻布匹分类结果 |
| 2.4 本章小结 |
| 3 基于Gabor滤波器与灰度共生矩阵的瑕疵检测 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.2.1 蒙版锐化法 |
| 3.2.2 光比平衡法 |
| 3.3 基于Gabor滤波器的瑕疵检测 |
| 3.3.1 Gabor函数与二维Gabor滤波器 |
| 3.3.2 Gabor多角度多尺度滤波 |
| 3.3.3 滤波图像融合与检测结果 |
| 3.4 基于灰度共生矩阵的瑕疵检测 |
| 3.4.1 常规灰度共生矩阵检测 |
| 3.4.2 改进的灰度共生矩阵检测 |
| 3.5 图像分割与检测结果 |
| 3.5.1 图像分割 |
| 3.5.2 连通域分析 |
| 3.5.3 瑕疵检测结果 |
| 3.6 本章小结 |
| 4 基于机器学习的瑕疵分类 |
| 4.1 引言 |
| 4.2 构建瑕疵特征向量 |
| 4.3 基于支持向量机的瑕疵分类 |
| 4.3.1 支持向量机基本原理 |
| 4.3.2 分类器择优与结果 |
| 4.4 基于CART决策树的瑕疵分类 |
| 4.4.1 CART决策树基本原理 |
| 4.4.2 决策树参数选优与分类结果 |
| 4.5 基于BP神经网络的瑕疵分类 |
| 4.5.1 BP神经网络基本原理 |
| 4.5.2 BP网络设计 |
| 4.5.3 BP分类结果 |
| 4.6 基于各类别分类精度的混合分类法 |
| 4.6.1 三种分类器独立分类结果 |
| 4.6.2 混合分类法 |
| 4.7 本章小结 |
| 5 可视化瑕疵检测系统 |
| 5.1 引言 |
| 5.2 质量定级标准 |
| 5.3 可视化系统功能介绍 |
| 5.3.1 单次检测 |
| 5.3.2 实时校正与二次训练 |
| 5.3.3 批量检测 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的成果 |
（10）彩色印花织物疵点检测的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 常见疵点描述 |
| 1.4 研究现状 |
| 1.4.1 自动检测系统硬件平台 |
| 1.4.2 疵点检测算法 |
| 1.5 文章总体结构 |
| 2 基于CIE L*a*b*颜色空间的织物疵点检测 |
| 2.1 引言 |
| 2.2 色彩空间转换 |
| 2.3 Gabor滤波器设计 |
| 2.4 改进的Gabor滤波器 |
| 2.5 遗传算法应用 |
| 2.6 最优Gabor参数组获取 |
| 2.7 改进二维Gabor滤波器图像滤波的实现 |
| 2.8 织物疵点分割及二值化操作 |
| 2.9 实验结果及分析 |
| 2.10 本章小结 |
| 3 基于稀疏编码字典学习的疵点检测 |
| 3.1 引言 |
| 3.2 图像预处理 |
| 3.3 图像稀疏编码 |
| 3.4 字典学习 |
| 3.5 稀疏编码输入集的获取 |
| 3.6 疵点检测与分割 |
| 3.7 结果与讨论 |
| 3.8 本章小结 |
| 4 彩色印花织物疵点检测的实现 |
| 4.1 引言 |
| 4.2 织物疵点自动检测系统硬件构成 |
| 4.3 织物疵点自动检测系统软件构成以及检测系统界面 |
| 4.4 本章小结 |
| 5 总结 |
| 5.1 全文总结 |
| 5.2 课题展望 |
| 参考文献 |
| 作者攻读学位期间发表论文清单 |
| 致谢 |
四、基于Gabor滤波器的布匹瑕疵自动检测方法（论文参考文献）
- [1]布匹瑕疵分类算法的研究[D]. 丁关雄. 上海师范大学, 2020(02)
- [2]基于图像纹理分析的布匹瑕疵检测综述[J]. 刘瑞明,孙帅成,黄佳炜,袁敏峰,刘勇,殷歌,郭锐. 江苏海洋大学学报(自然科学版), 2020(02)
- [3]布匹瑕疵视觉检测系统设计[D]. 郭东妮. 湖南大学, 2020(12)
- [4]基于机器视觉的布匹瑕疵检测方法研究及软件开发[D]. 陈康. 浙江工业大学, 2020(08)
- [5]基于改进Gabor优化选择的布匹瑕疵检测方法[J]. 赵宏威,王亦红. 计算机工程与应用, 2019(24)
- [6]基于图像处理的服装织物质量检测系统[D]. 王生伟. 东南大学, 2019(06)
- [7]经编布机器视觉瑕疵检测与分类[D]. 秦川. 东华大学, 2019(03)
- [8]基于智能学习算法的布匹瑕疵检测方法研究[D]. 管淼. 苏州大学, 2019(04)
- [9]基于机器视觉的纺织品瑕疵检测与分类[D]. 郝阳. 东华大学, 2018(01)
- [10]彩色印花织物疵点检测的研究与实现[D]. 刘绥美. 西安工程大学, 2016(08)