一種織物疵點的特征提取及檢測方法技術

本發明專利技術公開了一種織物疵點的特征提取及檢測方法，步驟1，利用攝像頭采集一組織物的圖像；步驟2，對采集的圖像進行預處理；步驟3，基于小波變換提取圖像特征向量；步驟4，基于模糊決策粗糙集對圖像特征向量進行約簡，獲得約簡集；步驟5，以約簡集作為SVM分類器的輸入量來訓練疵點檢測模型；步驟6，根據步驟1～步驟4的過程，獲得待測織物的約簡集，將待測織物的約簡集作為輸入量輸入訓練好的疵點檢測模型，計算待測織物的識別結果。本發明專利技術即能降低數據維度，又能提取出對疵點檢測有用的信息，提高疵點檢測模型的識別精度和實時性。

【技術實現步驟摘要】

本專利技術涉及一種織物疵點的特征提取及檢測方法，具體涉及一種基于小波分析和模糊決策粗糙集的織物疵點特征提取及檢測方法，屬于織物疵點檢測

技術介紹
我國是紡織業方面的世界大國，紡織品產量居世界第一，但產品的質量卻未得到有效保證。提高紡織品質量的關鍵是如何快速有效地檢測出織物上的疵點，織物疵點是指在紡織品外觀上肉眼能看到的缺陷。目前我國大多數企業在檢測織物疵點的技術方面主要依靠人眼觀察布面，對照驗布標準來找出布上的疵點。人工檢測的方法勞動強度大、檢測速度慢、受檢測人員主觀因素影響大、準確率不高。隨著計算機技術、數字圖像處理技術和模式識別技術等的迅速發展，利用計算機視覺進行織物疵點的自動檢測成為可能?？椢锎命c自動檢測系統的關鍵技術是織物疵點的檢測算法，設計并實現精度高、實時性好的織物疵點檢測算法是當前研究的熱點問題。疵點檢測算法就是從采集的織物圖像中提取特征，對提取的特征進行分析，從而判斷是否含有疵點。特征提取尤為重要，有效的特征提取方法能夠提取出對檢測疵點有用的特征，濾除無用特征，降低特征空間維度的同時提高疵點檢測的正確率。最初的織物疵點特征提取方法大多是利用圖像的灰度值直接計算，當織物中有一些引起灰度變化很小的疵點出現時，疵點識別效果較差。小波變換可以在時間和頻域表征信號的局部特征，將圖像進行不同尺度分解，從圖像中提取有效的信息，因此常被用于圖像處理。通常將織物圖像在不同尺度上進行小波分解，根據不同尺度的高頻分量提取一些統計量作為疵點檢測的特征。然而究竟選擇哪些統計量作為特征通常是根據經驗來確定，若選取的特征數目過少則不能有效識別疵點，若選擇的特征數目過多又會導致疵點算法的識別精度和實時性降低。
技術實現思路
為了解決上述技術問題，本專利技術提供了一種織物疵點的特征提取及檢測方法。為了達到上述目的，本專利技術所采用的技術方案是：一種織物疵點的特征提取及檢測方法，包括以下步驟，步驟1，利用攝像頭采集一組織物的圖像；步驟2，對采集的圖像進行預處理；步驟3，基于小波變換提取圖像特征向量；步驟4，基于模糊決策粗糙集對圖像特征向量進行約簡，獲得約簡集；步驟5，以約簡集作為SVM分類器的輸入量來訓練疵點檢測模型；步驟6，根據步驟1～步驟4的過程，獲得待測織物的約簡集，將待測織物的約簡集作為輸入量輸入訓練好的疵點檢測模型，計算待測織物的識別結果。對采集的圖像進行預處理的過程為，A1，采用加權平均法對采集的圖像進行灰度化處理，將其轉變成灰度圖像；A2，采用中值濾波的方法對灰度圖像進行去噪處理?；谛〔ㄗ儞Q提取圖像特征向量的過程為，B1，采用二維離散小波變換對預處理后的圖像進行多層分解，提取各層的高頻水平細節分量和高頻垂直細節分量；B2，對每層的高頻水平細節分量和高頻垂直細節分量，分別計算能量E、緯向紋理熵值Eh、徑向紋理熵值Ev、緯向極差Mh、垂直極差Mv、方差σ和逆差矩h，得到一組圖像特征向量，記為其中，k＝1、2、…、n，k為整數，n為圖像分解的層數，chdk為第k層高頻水平細節分量，cvdk為第k層高頻垂直細節分量，為第k層高頻水平細節分量的能量，為第k層高頻垂直細節分量的能量，為第k層高頻水平細節分量的緯向紋理熵值，為第k層高頻垂直細節分量的緯向紋理熵值，為第k層高頻水平細節分量的徑向紋理熵值，為第k層高頻垂直細節分量的徑向紋理熵值，為第k層高頻水平細節分量的緯向極差，為第k層高頻垂直細節分量的緯向極差，為第k層高頻水平細節分量的垂直極差，為第k層高頻垂直細節分量的垂直極差，為第k層高頻水平細節分量的方差，為第k層高頻垂直細節分量的方差，為第k層高頻水平細節分量的逆差矩，為第k層高頻垂直細節分量的逆差矩。能量E、緯向紋理熵值Eh、徑向紋理熵值Ev、緯向極差Mh、垂直極差Mv、方差σ和逆差矩h的計算公式為， E = Σ i = 1 M Σ j = 1 N | H i j | M × N ]]> E h = - Σ j = 1 N v j l n v j ]]> E v = - Σ i = 1 M w i ln w i ]]> M h = Σ j = 1 N ( m a x 1 ≤ i ≤ M H i j - min 1 ≤ i ≤ M H i j ) ]]> M v = Σ i = 1 M ( m a x 1 ≤ j ≤ N H i j - 本文檔來自技高網...

【技術保護點】
一種織物疵點的特征提取及檢測方法，其特征在于：包括以下步驟，步驟1，利用攝像頭采集一組織物的圖像；步驟2，對采集的圖像進行預處理；步驟3，基于小波變換提取圖像特征向量；步驟4，基于模糊決策粗糙集對圖像特征向量進行約簡，獲得約簡集；步驟5，以約簡集作為SVM分類器的輸入量來訓練疵點檢測模型；步驟6，根據步驟1～步驟4的過程，獲得待測織物的約簡集，將待測織物的約簡集作為輸入量輸入訓練好的疵點檢測模型，計算待測織物的識別結果。

【技術特征摘要】
1.一種織物疵點的特征提取及檢測方法，其特征在于：包括以下步驟，步驟1，利用攝像頭采集一組織物的圖像；步驟2，對采集的圖像進行預處理；步驟3，基于小波變換提取圖像特征向量；步驟4，基于模糊決策粗糙集對圖像特征向量進行約簡，獲得約簡集；步驟5，以約簡集作為SVM分類器的輸入量來訓練疵點檢測模型；步驟6，根據步驟1～步驟4的過程，獲得待測織物的約簡集，將待測織物的約簡集作為輸入量輸入訓練好的疵點檢測模型，計算待測織物的識別結果。2.根據權利要求1所述的一種織物疵點的特征提取及檢測方法，其特征在于：對采集的圖像進行預處理的過程為，A1，采用加權平均法對采集的圖像進行灰度化處理，將其轉變成灰度圖像；A2，采用中值濾波的方法對灰度圖像進行去噪處理。3.根據權利要求1所述的一種織物疵點的特征提取及檢測方法，其特征在于：基于小波變換提取圖像特征向量的過程為，B1，采用二維離散小波變換對預處理后的圖像進行多層分解，提取各層的高頻水平細節分量和高頻垂直細節分量；B2，對每層的高頻水平細節分量和高頻垂直細節分量，分別計算能量E、緯向紋理熵值Eh、徑向紋理熵值Ev、緯向極差Mh、垂直極差Mv、方差σ和逆差矩h，得到一組圖像特征向量，記為 [ E chd k , E cvd k , E h chd k , E h cvd k , E v chd k , E v cvd k , M h chd k , M h cvd k , M v chd k , M v cvd k , σ chd k , σ cvd k , h chd k , h cvd k ] ; ]]>其中，k＝1、2、…、n，k為整數，n為圖像分解的層數，chdk為第k層高頻水平細節分量，cvdk為第k層高頻垂直細節分量，為第k層高頻水平細節分量的能量，為第k層高頻垂直細節分量的能量，為第k層高頻水平細節分量的緯向紋理熵值，為第k層高頻垂直細節分量的緯向紋理熵值，為第k層高頻水平細節分量的徑向紋理熵值，為第k層高頻垂直細節分量的徑向紋理熵值，為第k層高頻水平細節分量的緯向極差，為第k層高頻垂直細節分量的緯向極差，為第j層高頻水平細節分量的垂直極差，為第k層高頻垂直細節分量的垂直極差，為第k層高頻水平細節分量的方差，為第k層高頻垂直細節分量的方差，為第k層高頻水平細節分量的逆差矩，為第k層高頻垂直細節分量的逆差矩。4.根據權利要求3所述的一種織物疵點的特征提取及檢測方法，其特征在于：能量E、緯向紋理熵值Eh、徑向紋理熵值Ev、緯向極差Mh、垂直極差Mv、方差σ和逆差矩h的計算公式為， E = Σ i = 1 M Σ j = 1 N | H i j | M × N ]]> E h = - Σ j = 1 N v j ln v j ]]> E v = - Σ i = 1...

【專利技術屬性】
技術研發人員：王莉，沈捷，梅雪，
申請(專利權)人：南京工業大學，
類型：發明
國別省市：江蘇;32