基于小波變換和SVM的織物疵點檢測與分類.pdf

1、織物疵點檢測作為紡織企業(yè)質(zhì)量控制的重要環(huán)節(jié)，一直以來普遍采用人工檢測的方式。這種方式效率低下，工人勞動強度大，影響了織物企業(yè)的生產(chǎn)效率。因此，本文設(shè)計了一種基于小波變換和SVM的織物疵點檢測與分類系統(tǒng)，其核心模塊包括疵點檢測模塊和疵點分類模塊。
　　在疵點檢測模塊中，本文主要做了如下工作：（1）首先對織物圖像進行預(yù)處理。利用同態(tài)濾波的方法消除織物圖像的光照不均，并采用直方圖均衡化增強其對比度，使疵點更加突出。（2）利用多尺度小波變

2、換模極大值對織物圖像進行疵點邊緣檢測。將 B樣條小波作為平滑函數(shù)，對織物圖像進行小波變換并求取模極大值，利用基于插值的模極大值抑制尋找疵點邊緣，并通過窗口自適應(yīng)閾值去除偽疵點邊緣，最后進行多尺度邊緣圖像融合，得到疵點的邊緣圖像。（3）研究了織物圖像自適應(yīng)正交小波的疵點檢測。利用單層小波分解高頻子圖像能量最小作為逼近函數(shù)，根據(jù) Daubechies條件構(gòu)造織物自適應(yīng)正交小波；對織物圖像進行自適應(yīng)小波分解，利用高頻子圖像熵值確定最佳分解層數(shù)

3、；分解后，根據(jù)水平細節(jié)和垂直細節(jié)子圖像能量比確定權(quán)重并對其進行融合，利用一維最大熵法對融合圖像進行閾值分割，從而得織物疵點的二值化圖像。
　　在疵點分類模塊中，本文利用SVM設(shè)計分類器對織物疵點進行分類。首先對織物圖像經(jīng)自適應(yīng)小波變換后的融合圖像進行特征提取，將其灰度共生矩陣的統(tǒng)計特性作組合作為織物樣本的特征向量，對樣本進行訓練，設(shè)計一對一的多類SVM分類器，將疵點樣本輸入分類系統(tǒng)進行分類。
　　本文對織物疵點檢測和分類系統(tǒng)