关键词：纺织品瑕疵检测与分类;;Gabor滤波器;;灰度共生矩阵;;支持向量机;;BP神经网络;;CART决策树
摘 要：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。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取