论文部分内容阅读
织物疵点自动检测是利用计算机视觉解决纺织服装生产过程中产品质量检验问题的一个重要研究方向。该技术综合运用了信号处理、数字图像识别以及计算智能等多学科知识,具有较高的理论研究价值。采用基于计算机视觉的织物疵点检测技术,可以提高企业自动化程度,减少人工检测易于形成的检测效率低下、漏检率高、受环境因素影响、受检测人员主观因素影响的缺陷,从而提高企业经济效益和竞争力,因此亦具有较高的实际应用价值。由于织物疵点种类繁多,检测算法受环境、光照等因素影响较大;现有织物疵点自动检测算法存在各种各样的局限性。本文基于独立分量分析(Independent Component Analysis,ICA)的方法,结合群体智能优化技术,提出了一种全局优化的ICA自动检测算法,并依托该算法设计了相应的织物疵点检测方案。ICA方法在信号处理领域具有广泛的应用,具有仅依赖观测信号对源信号盲分离的处理能力。其算法通过计算数据的高阶统计信息,可以从观测信号中估计出相互独立的、原始的、被未知因素混合的估计信号。由于织物疵点的特征向量主要通过图像数据的高阶统计量得以反映,因此基于ICA模型的织物疵点检测算法,能够提取隐藏在织物背景纹理中的织物疵点特征信息。但是典型ICA算法存在着易于陷入局部极值点的缺陷,因此,本课题基于群体智能的PSO(Particle Swarm Optimization,简称PSO)优化算法对ICA迭代寻优算法进行了全局优化。本文主要完成的工作:(1)典型ICA算法的性能对比。从信号处理和图像处理两个方面研究了四种典型ICA算法的性能。在MATLAB软件开发环境下,以运行时间、PI值以及分离前后的峭度值为衡量指标进行了仿真实验,仿真结果表明Fast ICA算法在信号处理和图像处理方面表现出了优良的性能。同时证实了ICA在织物疵点检测方面具有技术可行性。(2)提出了一种全局优化的ICA算法。针对ICA算法易于陷入局部极值点的缺陷,应用粒子群算法对其进行改进。实现了ICA算法的快速收敛以及全局优化。(3)设计了基于全局优化ICA算法的织物疵点自动检测框架,实现了多种常见疵点类型的检测。首先对织物图像进行预处理,然后用全局优化ICA算法得到全局最优分离矩阵;最后,通过卷积运算和阈值分割完成了疵点的检测,并调节方案中的一些参数做了仿真研究。仿真结果表明,ICA算法的独立性判据可以作为评价函数来搜寻织物的本质特征用于疵点检测;控制常数和窗口大小对该方案的检测效果影响较大,窗口数目对其影响不大。(4)基于MATLAB软件开发平台,设计了织物疵点检测软件系统的可视化界面。在界面中,用户可以对织物图像进行预处理,在选定所需检测的织物图像之后,显示出该图像的疵点区域。并且可针对不同的控制常数、窗口数量和大小、评价函数观察织物疵点的检测效果。