基于視覺顯著模型和支持向量機的織物瑕疵檢測方法.pdf

1、織物瑕疵是影響紡織品生產(chǎn)效率和質(zhì)量的關(guān)鍵因素，傳統(tǒng)瑕疵檢測主要依靠人工視覺檢測。隨著機器視覺、圖像處理、模式識別等技術(shù)的迅速發(fā)展，工業(yè)自動化檢測代替?zhèn)鹘y(tǒng)人工視覺檢測成為一種必然的趨勢。自動檢測技術(shù)能夠大大提高檢測的精度和效率，因此研究織物瑕疵自動檢測技術(shù)具有重要的實際應(yīng)用價值。
　　鑒于人眼能夠準確快速地從視野中提取較為顯著的目標，本文以此為出發(fā)點，研究了一種基于視覺顯著模型與支持向量機的織物瑕疵檢測方法。
　　首先，通過建

2、立視覺顯著模型生成織物圖像的視覺顯著圖，并對顯著區(qū)域進行分割。本文根據(jù)人眼視覺系統(tǒng)的構(gòu)成、視覺注意機制形成的基本原理，構(gòu)建了基于 Itti模型的視覺顯著模型，從而得出織物圖像的視覺綜合顯著圖。然后利用 Otsu法對綜合顯著圖進行二值化分割，得到視覺顯著區(qū)域。
　　然后，在分析視覺綜合顯著圖的基礎(chǔ)上，實現(xiàn)有瑕疵圖像和無瑕疵圖像的判定。本文創(chuàng)新性地提出了全局顯著關(guān)聯(lián)值、背景區(qū)域顯著關(guān)聯(lián)值兩個顯著性特征，以體現(xiàn)織物綜合顯著圖的顯著性分布

3、特點。并將此二維特征輸入 SVM，實現(xiàn)有瑕疵圖像和無瑕疵圖像的判定。
　　為了實現(xiàn)不同瑕疵圖像的分類識別，需先對其進行特征提取與選擇。本文以類間距離與類內(nèi)距離的比值為標準，對有瑕疵圖像的幾何、紋理、顯著性等特征進行評價，選擇出實現(xiàn)分類的最優(yōu)特征組合。
　　最后利用多分類器對織物瑕疵進行分類。本文選用一對一投票策略將二類 SVM擴展成多類SVM，并將最優(yōu)特征組合歸一化后送入此分類器，實現(xiàn)瑕疵圖像的分類。
　　實驗結(jié)果表明