基于非負字典學習的機織物瑕疵檢測算法研究.pdf

1、在紡織品的生產過程中，織物瑕疵檢測是一個很重要的工序，是保證產品質量，提高質量控制水平的關鍵。傳統(tǒng)的瑕疵檢測主要靠人工完成，這種方法存在漏檢率高、生產率低、不符合以人為本的現(xiàn)代生產理念等諸多缺點，在織物瑕疵檢測領域實現(xiàn)信息化和自動化是整個行業(yè)的迫切需求。
　　而近年來，使用字典學習進行信號的表達受到了廣泛的關注，特別是在計算機視覺領域。為此本文采用了一種基于非負字典學習的機織物瑕疵檢測算法。與傳統(tǒng)上使用固定的或預先定義的字典表達方

2、法相比，通過學習所得的字典能夠更好地適應信號特征，允許字典對輸入信號進行更有效的表達。
　　本文的論述基于非負字典學習算法，從對機織物紋理在空間域上進行近似表達這一全新的思路出發(fā)，首先采用非負字典學習的方法對機織物圖像進行近似表達，再在此基礎上驗證瑕疵檢測的效果，該檢測思路有較好的實踐應用性。為了對檢測效果有直觀的認識，論文還將兩種主要的非負字典學習方法的檢測效果進行比較。以下是對本課題主要的研究內容進行闡述。
　　(1)機

3、織物圖像樣本的獲取方法
　　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，將每個子窗口按列首尾相接展開為列向量，能在不損失織物圖像主要紋理信息的情況下，大大降低計算量，增加了檢測效率。
　　(2)利用非負字典學習方法得到最佳字典元素，并對待檢測樣本進行重構
　　主要通過基于積極集的非負字典學習的方法，從正常樣本中得到只反映正常紋理信息的非負字典元素，然后對待檢測的樣本用該非負字典進行近似，通過

4、比較近似圖像和原圖像之間的差異來判斷是否為瑕疵區(qū)域。
　　(3)窗口大小的優(yōu)選和字典大小的優(yōu)選
　　窗口大小對瑕疵檢測效果影響很大，所以必須對窗口大小進行優(yōu)選。窗口選擇沒有規(guī)則，通常選擇子窗口的尺寸時，應考慮瑕疵的尺寸及其在子窗口中所占比重。字典元素的個數(shù)k決定著了待檢測樣本的重構誤差。字典元素的個數(shù)越多，重構誤差越小，這對瑕疵檢測效果影響很大。在試驗過程中通過不斷探索，找到一個合適的學習字典，能對正常紋理區(qū)域重構得很好，使

5、得重構誤差很小，同時對瑕疵紋理區(qū)域近似效果一般，使得瑕疵部分重構誤差很大，據(jù)此檢測出瑕疵區(qū)域。本文最終選用字典個數(shù)平紋為8，斜紋織物為4，選用32×32像素的子窗口尺寸。
　　(4)瑕疵檢測實驗及效果
　　通過對6528個樣本進行實驗，并對實驗結果進行匯總，結果表明，本文所提的非負字典學習的算法能夠使誤檢率小于10％，檢出率大于90％，具有很好的瑕疵檢測效果。
　　(5)兩種非負字典算法的檢測效果進行對比
　　針

6、對有效集得到的非負字典的檢測效果與基于乘性法則的非負字典，比較誤檢率、漏檢率、重構圖像、實時性等指標，以期對本文采用的算法的檢測效果有更直觀的了解。
　　對6528個樣本的實驗進行匯總，基于經(jīng)典乘性法則的平紋織物誤檢率為2.11％檢出率為90.21％，斜紋織物誤檢率為1.83％，檢出率為91.41％；而基于積極集的平紋織物誤檢率為1.97％％檢出率為91.79％％，斜紋織物誤檢率為1.68％％，檢出率為92.24％。結果表明基于有