緯編針織物疵點實時智能檢測的研究.pdf

1、本文介紹了緯編針織物疵點實時智能檢測系統(tǒng)的開發(fā)方案與實現(xiàn)算法的研究。傳統(tǒng)的人工檢測容易受到檢測工人的主觀干擾，且效率低下，而目前基于機器視覺的織物疵點自動檢測主要集中在機織物上，因此本文探討了構(gòu)建緯編針織物疵點實時檢測系統(tǒng)的開發(fā)方案和有效準確檢測疵點的分析算法。論文涉及了系統(tǒng)軟硬件平臺的構(gòu)建、圖像的預處理、基于自適應(yīng)改進脈沖耦合神經(jīng)網(wǎng)絡(luò)和自適應(yīng)改進Radon變換的圖像疵點分割技術(shù)、圖像疵點的特征值提取以及疵點分類等主要內(nèi)容，現(xiàn)將論文中各

2、章節(jié)的簡要內(nèi)容介紹如下:
　　 第一章主要概述了國內(nèi)外關(guān)于織物疵點檢測的硬件設(shè)備開發(fā)、算法設(shè)計等內(nèi)容的基本研究現(xiàn)狀。主要闡述了現(xiàn)有的織物疵點圖像分割技術(shù)、疵點特征的提取與分類技術(shù)、基于數(shù)字信號處理器(DSP)的硬件設(shè)備開發(fā)技術(shù)等研究進展?，F(xiàn)有的疵點圖像分割技術(shù)主要包括在數(shù)學形態(tài)學領(lǐng)域內(nèi)進行二值化分割，腐蝕、膨脹、開運算方法，窗口分割與移動方法，以及在時域統(tǒng)計學上的構(gòu)造灰度共生矩陣，灰度共生矩陣的變化矩陣等方法。本文重點介紹了傅立

3、葉變換和小波變換方法等在頻域上的疵點分割技術(shù);還介紹了包括人工神經(jīng)網(wǎng)絡(luò)、支撐向量機等技術(shù)在內(nèi)的疵點特征的提取與分類技術(shù)，以及DSP系統(tǒng)的國內(nèi)外應(yīng)用情況。最后，本文還提及了現(xiàn)有市場上的一些國外疵點檢測設(shè)備的情況，國內(nèi)目前在這方面的產(chǎn)品尚為空白，同時，現(xiàn)有的國外產(chǎn)品也是針對機織物而言，針織物的疵點檢測很少涉及。
　　 第二章主要探討了針織物疵點實時自動化檢測的軟硬件系統(tǒng)構(gòu)建方案。主要包括光源部分的構(gòu)建、電荷耦合器件(CCD)傳感器的

4、選擇與設(shè)置、數(shù)字信號處理單元的開發(fā)與優(yōu)化以及系統(tǒng)的軟件開發(fā)平臺。文中首先闡述了市場上現(xiàn)有的光源設(shè)備，在此基礎(chǔ)上選用了2根無頻閃熒光燈上方照明作為本系統(tǒng)的照明裝置;接著簡要介紹了CCD的類別以及各種CCD的工作原理與優(yōu)缺點，確立了本文選擇CCD傳感器的原則，根據(jù)選擇原則與實際實驗條件選擇了適合本文系統(tǒng)特點的線陣掃描CCD傳感器，同時給出了優(yōu)化CCD傳感器的設(shè)置方案;本文選用核心為數(shù)字信號處理器(DSP)的處理單元，概述了DSP的工作原理，

5、選擇了相應(yīng)的DSP處理器，探討了對基于DSP系統(tǒng)的基本設(shè)置和優(yōu)化設(shè)置，前者主要包括CPU資源沖突檢測、啟動加載、時鐘設(shè)置以及回卷功能等，后者主要包括增強直接存儲器存取(EDMA)、編程語言的優(yōu)化和多DSP并行運算技術(shù);最后，本文概述了基于VIBFinder、Halcon和CCS的軟件編程開發(fā)平臺。
　　 第三章主要介紹了在不同情況下圖像的預處理方法。首先使用傳統(tǒng)預處理方法對圖像進行處理，并根據(jù)最大熵原則進行評判。針對不同光照條件

6、下圖像的預處理問題，本文探討了受外界環(huán)境影響產(chǎn)生的圖像上非均勻光照情況下的處理方法，分析非均勻光照在圖像上的分布特點，提出了一種基于子環(huán)帶分割的簡易處理模型，實驗證明該方法能夠較好的均衡化調(diào)整圖像上的光照分布，同時模型簡潔計算快捷;文中還重點探討了均勻光照條件下的圖像增強方法，提出了使用圖像自相關(guān)系數(shù)結(jié)合針織物未充滿系數(shù)來估算圖像線圈孔洞大小的方法，在此基礎(chǔ)上使用數(shù)學形態(tài)學方法削減背景線圈噪聲點，此外，本文還使用巴特沃斯高通濾波器在Fo

7、urier域內(nèi)增強了線圈噪聲消除處理后的圖像。實驗表明，本文構(gòu)建的系統(tǒng)光照均勻，圖像預處理之后疵點得到了增強，而背景被削弱了很多，處理時間基本滿足實時運算的效率要求。
　　 在分析目前緯編針織生產(chǎn)中常見的八種織物疵點，即檢測對象形狀特點的基礎(chǔ)上，本文將緯編針織物疵點分為非線性形狀和線性形狀兩大類。第四章主要探討了針對非線性形狀疵點(破洞、油污、飛花、跳紗等)的脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)圖像分割模型。首先，文中簡要介紹了PCNN

8、的基本工作模型以及經(jīng)典PCNN圖像處理模型，討論了PCNN模型中的主要參數(shù)，以及各參數(shù)對模型計算結(jié)果的影響;在分析和討論的基礎(chǔ)上，給出了適合硬件快速運算的改進PCNN模型;針對模型主要參數(shù)提出了一系列的自適應(yīng)計算方法，并將之與遺傳算法和實際實驗計算結(jié)果相比較。實驗發(fā)現(xiàn)，本文的算法計算快捷簡便，自適應(yīng)計算的結(jié)果很好的符合遺傳算法和實際實驗的計算結(jié)果，具有一定的普遍意義。最后，本文為壓縮計算工作量，還使用了小波變換對待處理圖像進行了圖像壓縮

9、，以便減少圖像的計算量，實驗表明，小波壓縮后的圖像細節(jié)保留充足，并極大的減少了PCNN的計算時間，使之更加符合實時化運算的要求。
　　 對于線性特征疵點(漏針、橫路、花針、直稀路等)，本文第五章提出了一種新的基于線性檢測的疵點分割方法。文中首先介紹了現(xiàn)有的線性檢測主要方法，選用Hough和Radon兩種變換對圖像進行線性檢測，并將其計算結(jié)果做了比較，最終選取了Radon變換作為線性檢測的主要手段;接著文中闡述了Radon變換的主

10、要形式及數(shù)學實現(xiàn)方法，實驗表明Radon變換可以快速檢測到線性疵點的位置，但無法表征線段類疵點的長度。因而本文又提出了一種基于邊緣檢測的改進算法，在Radon提取的直線基礎(chǔ)上，反向考察圖像的邊緣點是否滿足直線方程，從而提取符合直線的線段點，此外還針對緯編針織物疵點的特點對Radon變換的模型的角度和圖像中心點到直線的距離兩個參數(shù)的變化范圍進行了優(yōu)化;最后，針對Radon變換的結(jié)果值無法自適應(yīng)計算求取的現(xiàn)狀，本文又給出了一種基于小波變換的

11、Radon自適應(yīng)計算解決方案，并加之實驗，實驗表明，這個算法是有效的，而且符合實時計算的特點。
　　 第六章主要討論了分割后的疵點的區(qū)域提取、特征值設(shè)置和分類模型等方法，并就疵點的樣本進行了實驗，分析和討論了實驗的結(jié)果。文中首先采用了區(qū)域連通算法對疵點的大小、位置進行了提取，同一區(qū)域內(nèi)的點處于同一連通域中。連通操作最重要的就是連通區(qū)域大小的選擇，本文的連通域大小設(shè)置為自相關(guān)算法提取最小圖像單元的面積大小;接著對不同區(qū)域中的疵點進

12、行特征提取，設(shè)定特征值包含了疵點的尺寸特征、疵點的時域灰度特征以及頻域特征三個方面。初始特征值為疵點的寬度、高度、面積、灰度均值、灰度方差、圖像熵、頻譜能量、相位均值、相位方差以及是否為線性疵點等10個指標。在實驗了樣本的特征分布之后，確定了最終的實驗特征值為疵點的寬度、高度、面積、灰度方差、頻譜能量、相位均值以及是否為線性疵點等7個指標。根據(jù)非線性和線性疵點的特征分布，確定了這些指標中的主要指標、次要指標和輔助指標。將上述指標代入神經(jīng)