基于AR模型的機(jī)織物線狀疵點(diǎn)的檢測研究.pdf

1、隨著當(dāng)今社會計算機(jī)和圖像處理技術(shù)的發(fā)展，計算機(jī)視覺技術(shù)在紡織工業(yè)上的應(yīng)用也越來越廣泛。在紡織品表觀質(zhì)量檢測尤其是織物疵點(diǎn)的計算機(jī)視覺檢測一直是各國學(xué)者的研究熱點(diǎn)。隨著勞動力成本的增加，自動化檢測已經(jīng)成為了一種的趨勢。疵點(diǎn)檢測的方法很多，但是在檢測過程中發(fā)現(xiàn)有一類疵點(diǎn)比較難檢測，且它們都具有一定的共性：外觀形狀較為細(xì)長的、尺寸較小。針對這一類機(jī)織物疵點(diǎn)的檢測研究比較少，并且檢測效果不好。
　　 本文首先根據(jù)檢測方法將疵點(diǎn)按照外觀形

2、狀、尺寸分為四類：線狀疵點(diǎn)、大面積帶狀疵點(diǎn)、斑塊狀疵點(diǎn)和其它疵點(diǎn)。線狀疵點(diǎn)指的是外觀形狀為細(xì)長型的疵點(diǎn)，它們反映在織物上是有些是連續(xù)的，有些是間斷的。并且其在織疵中占有一定的比例，但是在以往的自動檢測算法研究中線狀疵點(diǎn)檢測效果不太理想。這為本論文的研究提供了一個較為清晰的對象范圍。
　　 通過相關(guān)研究表明AR模型的方法比較適合這類疵點(diǎn)的檢測。首先將獲取的正常紋理和包含疵點(diǎn)紋理的織物圖像按照一定的子窗口大小分割，分割后的窗口形成一

3、個矩陣L(i，j)(8×8個子窗口)。此后再利用織物紋理具有周期性和取向性的這一特點(diǎn)，通過研究得到一種特征提取方法：先將圖像中每個子窗口內(nèi)的灰度值按照縱向和橫向分別進(jìn)行特定的運(yùn)算，得到行和列兩個序列，然后把著兩個序列首尾相接聯(lián)合起來構(gòu)成第三個序列。然后根據(jù)這種方法將其中的運(yùn)算分別使用均值、方差、極差等算法經(jīng)過一系列的運(yùn)算，得到三種特征：方差特征、灰度CV值特征、極差特征。以線狀疵點(diǎn)的作為主要研究對象，通過初步的試驗研究表明，方差特征序列

4、作為線狀疵點(diǎn)檢測的特征比較優(yōu)越。
　　 為了得到一個較好的檢測效果和較高檢測速率，對AR模型的階數(shù)進(jìn)行了優(yōu)選。首先通過對平紋、斜紋兩種不同的紋理在一個較為廣泛的階數(shù)范圍逐步的縮小，然后再在較為合理的階數(shù)范圍3～6階中通過試驗分別對兩種紋理進(jìn)行階數(shù)的優(yōu)化，最終試驗表明4階作為兩種紋理的AR模型階數(shù)比較優(yōu)越，其次再依據(jù)Burg算法對正常紋理和帶有疵點(diǎn)紋理進(jìn)行估計分別得到相應(yīng)的譜數(shù)據(jù)。最后通過對比正常與非正常紋理的譜估計之間的相關(guān)性檢