论文部分内容阅读
衬布是布料的核心,衬布缺陷检测的质量优劣直接关系到布料的质量等级。传统衬布缺陷检测是利用人工在衬布打卷时观察衬布是否存在缺陷,此方法不仅效率低下而且不能保证质量。为了克服衬布缺陷检测的不足,本文通过机器视觉方法对缺陷进行检测,通过机器学习算法对缺陷种类进行分类。首先,为了能和传统的卷布机进行整合,且不改变原机器结构,本文设计了一套机器视觉硬件采集平台。根据实际要求,本文选取了合适的硬件设备,搭建了一套针对衬布缺陷的视觉系统。其次,对衬布缺陷特征进行检测,本文对已有的三种算法进行了改进,基于多尺度均值快速判断缺陷、基于灰度共生矩阵的缺陷检测、基于Gabor通道融合缺陷检测。其中基于多尺度均值快速判断缺陷,由于缺陷区域会破坏布匹纹理的分布,利用统计衬布均值特征,再分析不同尺度上的均值统计,利用统计得出缺陷的概率做出判断。此方法不仅加速检测效率且减轻后续缺陷提取的难度。基于灰度共生矩阵的缺陷特征提取,首先将衬布图像量化到16级灰度范围,然后计算量化图像上的0°、45°、90°、180°这四个方向上的灰度共生矩阵特征值,其中灰度共生矩阵计算四个设计特征,即对比度CON、能量(二阶矩)ASM、熵ENT、逆差矩HOMO,本文通过实验得到最终的效果图明显。基于Gabor通道融合缺陷特征提取,Gabor滤波器对纹理特别敏感,同时Gabor的不同尺度、不同角度对不同的缺陷有着不同的敏感程度,本文改进了一种基于多通道融合的Gabor对衬布缺陷进行提取,使用算法自动选择合适的参数。通过对比三种算法进行使用。再次,对衬布缺陷特征进行分类,本文对已有的两种算法进行对比,即基于SVM支持向量机和BP神经网络。本文结合前人的经验和缺陷提取经验,改进并设计了7个缺陷特征进行训练,即长度、宽度、占空比、能量、熵、对比度、相关性。其中BP神经网络相对于SVM支持向量机较弱,SVM支持向量机分类六种缺陷平均正确率达到90.67%。最后,对衬布缺陷检测设计一套UI界面方便工人实施检测,平台基于OPENCV3.0和QT5.7.0,主要包括衬布缺陷采集、检测、分类、查询等模块。根据本文的研究内容和当前衬布缺陷检测发展现状,本文提出的衬布缺陷检测流程,能够解决现实生活衬布缺陷检测的部分难题,为衬布生产自动化提供重要促进作用。