基于奇異值分解的機織物瑕疵檢測算法研究.pdf

1、最近幾年隨著人工成本的增加，生產(chǎn)自動化越來越受到人們的關注。在紡織品生產(chǎn)過程中引入信息技術不但能降低用工成本，還能提高生產(chǎn)效率。而紡織品生產(chǎn)工序中，機織物的瑕疵檢測是很重要的一步。因此如果能有效的對機織物瑕疵進行檢測，將對提高紡織品質量、降低生產(chǎn)成本具有重要的意義。
　　但現(xiàn)有算法對不同機織物紋理適應性和實時性不佳，難以適應生產(chǎn)實際的需要。為此本文采用了一種基于奇異值分解(SVD)的機織物瑕疵檢測算法。奇異值分解在圖像處理方面有如

2、下優(yōu)點:(1)圖像的奇異值具有很好的穩(wěn)定性，即當圖像中有噪點，或者圖像光照不勻時，對圖像的奇異值不會有大的影響;(2)奇異值分解算法能降低計算的復雜性，但同時又能提取圖像的主要特征。故在處理圖像時，能達到較快的速度和較高的準確性。
　　本文采用基于奇異值分解的算法首先對正常織物圖像子窗口樣本進行縱橫方向的投影操作，然后將兩個投影序列聯(lián)合成一個投影序列，再將正?？椢飯D像中所有子窗口對應的聯(lián)合投影序列組成一個矩陣，并對該矩陣進行奇異值

3、分解，提取基向量。最后將得到基向量對待檢測織物樣本進行重構，通過重構誤差來判定是否為瑕疵并確定其位置。為了對檢測效果有直觀的認識，論文最后將本算法的檢測效果和基于AR模型算法檢測效果進行比較。下面對本課題主要的研究內容進行闡述。
　　(1)對織物圖像樣本特征的獲取方法及如何降低計算量的探索
　　由于本課題所研究的瑕疵檢測方法是基于子窗口進行的，并視每個子窗口為一個樣本，將子窗口中的像素點灰度值縱橫方向投影，并首尾相連組成聯(lián)合

4、投影序列，能在不損失織物圖像重要信息的情況下，大大降低了計算量。
　　(2)利用奇異值分解得到的基向量，對檢測樣本進行重構
　　通過奇異值分解，從正常樣本中得到只反映正常紋理特征的基向量，然后對待檢測的樣本用基向量進行重構，通過比較重構樣本和原始樣本的重構誤差來判斷是否為瑕疵樣本。
　　(3)窗口大小的優(yōu)選
　　窗口大小對最終檢測的效果具有很大的影響，所以必須對窗口大小進行優(yōu)選。通常選擇子窗口的尺寸時，應考慮瑕疵

5、的尺寸及其在子窗口中所占比重。
　　(4)基向量的個數(shù)的優(yōu)選
　　基向量個數(shù)k決定著重構誤差?；蛄總€數(shù)越多，重構誤差越小，對檢測效果有很大的影響。在試驗探索時，希望找到這樣一個基向量個數(shù)，在該基向量個數(shù)情況下，能很好的將正常紋理區(qū)域進行重構，即對正常部分重構誤差很小，與此同時又不將瑕疵紋理區(qū)域重構的很好，即對瑕疵部分重構誤差很大。
　　(5)與基于AR模型的算法的檢測效果進行對比
　　完成本算法重要參數(shù)的優(yōu)化后