基于機(jī)器學(xué)習(xí)的織物瑕疵自動(dòng)檢測(cè)及分類技術(shù)研究.pdf

1、織物瑕疵檢測(cè)作為一種有效的質(zhì)量保證手段目前主要通過(guò)人工來(lái)實(shí)現(xiàn)，工作量大且檢測(cè)效率不高。故采用自動(dòng)化的機(jī)器檢測(cè)是一種合理的選擇，其能夠保證較高的檢測(cè)速度和檢測(cè)率。本文研究了織物瑕疵自動(dòng)檢測(cè)與分類兩個(gè)方面，主要工作如下：
　　 ⑴針對(duì)織物瑕疵具有不規(guī)則的形狀，基于瑕疵紋理特征，本文研究了一種采用Gabor濾波器的織物瑕疵定位方法。Gabor濾波器能夠從不同尺度和不同方向來(lái)研究物體。本文改進(jìn)了傳統(tǒng)的Gabor濾波器組，其能夠更好地反映

2、瑕疵的尺度變化。
　　 ⑵本文采用Gabor濾波器的輸出結(jié)果作為特征，高斯混合模型(G刪)作為分類器對(duì)織物瑕疵分類。GMM可以描述任意未知樣本的分布，但其模型個(gè)數(shù)一般需要人為的指定，不能反映樣本的真實(shí)情況。我們采用一種新方法，同時(shí)也能從訓(xùn)練樣本中自動(dòng)的估計(jì)模型個(gè)數(shù)。由此得到的結(jié)果可以更準(zhǔn)確的反映每一類瑕疵特征的真實(shí)分布情況。
　　 ⑶針對(duì)瑕疵分類器，本文研究了徑向基(RBF)神經(jīng)網(wǎng)絡(luò)。在確定RBF神經(jīng)網(wǎng)絡(luò)隱含層參數(shù)時(shí)，傳

3、統(tǒng)方法是采用K均值方法來(lái)對(duì)訓(xùn)練樣本聚類。其中的問(wèn)題是，這樣得到的聚類不一定能保證嚴(yán)格服從高斯分布，因此我們采用GMM來(lái)改進(jìn)。由GMM得到的聚類是嚴(yán)格服從高斯分布的，這與徑向基函數(shù)能很好地吻合從而對(duì)瑕疵樣本實(shí)現(xiàn)準(zhǔn)確分類。
　　 ⑷針對(duì)瑕疵分類，本文又單獨(dú)研究了瑕疵特征提取方法。采用單一特征往往不能全面地描述瑕疵。本文采用了一種復(fù)合特征：Gabor和局部二進(jìn)制模式(LBP)，這兩個(gè)特征能夠分別從圖像全局和局部來(lái)描述瑕疵紋理分布。但同