导读:本文包含了布匹检测论文开题报告文献综述及选题提纲参考文献，主要关键词:缺陷判决,卷积神经网络,深度学习,计算机视觉
布匹检测论文文献综述
赵志勇,叶林,桑红石,桂康[1]（2019）在《深度学习在布匹缺陷检测中的应用》一文中研究指出布匹缺陷判决在布匹生产过程中尤为重要,是企业成活的关键,而布匹缺陷判决算法是保证疵点判决效率的核心。计算机技术的发展使得利用深度学习进行布匹缺陷判决成为可能,提出基于Inception-Resnet-v2网络的布匹缺陷判决算法可以将布匹图片直接送入模型中进行判决而无需人工干预,可达到准确率99%的效果,而且能够在复杂背景和无规律纹理的布匹上进行,相比较于传统计算机视觉算法其普适性更好,而且性能更加优越。(本文来源于《国外电子测量技术》期刊2019年08期）
杜雨辰[2]（2019）在《基于LTP和GLCM的布匹瑕疵检测方法的研究及其应用》一文中研究指出针对中小企业在箱包制造领域对布匹瑕疵检测仍然采用人工方式,存在检测效率低,成本高,劳动强度大等问题,本文致力于研究一种满足这些企业需求的基于机器视觉方法的布匹瑕疵检测方法,建立了基于LTP+GLCM的布匹瑕疵检测模型,提出了基于LTP+GLCM特征提取方法和瑕疵检测方法,所提出的针对箱包领域中小企业需要的布匹瑕疵检测方法经过真实数据的测试,达到了可以实用的程度。本文主要研究内容和特色如下:(1)在对基于LBP、LTP和GLCM来提取布匹纹理特征和基于这些特征进行布匹瑕疵检测进行了较深入研究的基础上,提出融合LTP特征和GLCM特征的新的特征提取方法。该方法能够有效且快速的提取布匹的纹理特征,对有瑕疵的纹理和正常部位的纹理,该算法能在提取的特征上进行有效区别。(2)建立了基于LTP+GLCM进行布匹图像瑕疵检测模型,设计了相应的实现算法,包括图像预处理方法、LTP(LBP)特征图构建算法、基于LTP(LBP)特征图的模式级别变换和分块处理算法、基于区块进行GLCM特征提取算法,以及对待检测布匹图像进行样本相似度匹配和瑕疵检测算法等。(3)对提出的布匹检测方法进行较全面的对比测试和结果分析,包括在不同布匹图像样本、不同布匹图像分辨率、不同布匹图像尺度、不同个数的瑕疵等场景下进行测试和结果分析。另外,针对本文所提出的方法在不同区块大小和不同模式级别下进行了对比测试。通过这些测试验证了所提出方法的有效性和稳定性。(4)基于本文所提出的布匹瑕疵检测方法,设计并实现一个验证用的演示系统,包括系统的需求分析、概要设计、详细设计和编码实现等环节。通过所设计和实现的演示系统进一步验证了本文提出方法的可应用性。论文最后给出了本文所做的主要工作和存在的问题及后续研究的方向。(本文来源于《南昌大学》期刊2019-05-26）
陈愉[3]（2019）在《基于机器学习的布匹疵点检测算法研究》一文中研究指出衣食住行是人民的生活所需,在衣物方面,布匹是制作衣物不可或缺的一种原材料。因此纺织业需要生产大量的布匹,以满足人们对衣物的需求。随着生活水平地提高,人们对于衣物质量的追求也变得更加严苛。由于机械操作不当、客观环境等因素会让纺织机在生产布匹的过程中出现疵点,常见的疵点有破洞、污渍、错纱、断纱等。决定布匹质量好坏的一大关键因素是布匹表面是否存在疵点,存在疵点的布匹其售价远远低于没有疵点的布匹,售价的下降会导致企业利润降低,轻则减少收入,重则导致企业或者工厂倒闭。为了提高企业收益,需要剔除出有疵点的布匹,而目前许多企业还保持着人工检测的方式。由于工人的熟练度会影响检测效率,而且长期利用肉眼会产生视觉疲劳,导致检测速度下降,不适应于实际的生产。因此,利用机器视觉去替代人眼,实现布匹疵点的自动化检测显得尤为重要。实现机器视觉检测的关键是需要合适的检测算法,能够快速有效地检测出布匹疵点。近年来,随着机器学习在图像处理、目标检测等领域的广泛应用,使得布匹疵点检测算法的实现变为可能。本文提出了基于机器学习的布匹疵点检测算法,旨在更好地实现布匹疵点的自动化检测。主要研究工作如下:(1)提出一种基于特征提取和支持向量机的布匹疵点检测算法,主要包括特征提取和分类学习两个部分。布匹表面纹理具有周期性变化的特点以及表面结构组织排列具有均匀性的特点,同时具备方向性和均匀性,当布匹表面出现疵点时,布匹纹理的完整性和结构性就被破坏,疵点出现位置的特征值相比于无疵点位置的特征值发生了变化。本文考察MFS、HOG、SIFT、PHOG、HOG-NMF这五种视觉描述子算法用于表征布匹图像,以更好地区分有无疵点。由于布匹生产线的限制,布匹缺陷图像样品量有限,故检测分类可采用支持向量机。支持向量机适合小样本训练,能够很好地弥补样本量有限的问题。检测算法先提取训练样本的布匹块特征,标记已知图像块的含疵点信息,将布匹块特征和疵点标记信息输入支持向量机进行训练,得到网络模型。然后提取待检测布匹块的特征,输入训练好的网络结构,根据网络的输出结果判断疵点情况。(2)提出一种基于卷积神经网络的布匹疵点检测算法。由于特征提取的检测方法特别依赖特征提取算法,不能自适应学习,通用性差。利用卷积神经网络良好的自适应学习能力,提取合适的布匹纹理特征,可以实现高效的检测。本文利用AlexNet、VGG16、VGG19、GoogleNet和改进的CNN这5种网络模型进行布匹疵点检测,判断布匹是否包含疵点。(3)提出一种基于Faster RCNN的布匹疵点检测算法。由于卷积神经网络适合于疵点分类,而不能实现布匹疵点的定位。因此,采用Faster RCNN来实现布匹疵点区域的定位以及疵点的分类。先用RPN网络(Region Proposal Network)确定可能包含疵点的候选窗口,之后利用卷积神经网络的分类判断疵点类型,然后利用回归判断候选窗口的精确位置,实现疵点的准确定位和辨别。本文实验图像数据来自TILDA标准布匹图像库,利用条纹布、方格布、斜纹布、平纹布这四种类型的布匹来验证算法的有效性,其中疵点类型是错纱、污渍、断纱、破洞这四种。通过大量实验结果的分析,本文的算法能够有效地检测出布匹疵点,实现疵点区域定位和疵点类型分类,能够为企业、工厂实现布匹疵点检测提供参考借鉴。(本文来源于《浙江师范大学》期刊2019-05-17）
田猛[4]（2019）在《基于机器视觉的布匹疵点检测系统的设计与实现》一文中研究指出布匹作为原材料投入到加工生产之前,需要对其表面的疵点和缺陷进行检测并做出质量评分,并根据评分结果来决定是否将其投入生产。目前,国内大多数纺织企业仍然采用人工视觉检测布匹疵点。该方式容易受检验员心理、体力、以及检测环境的影响,检验效率低,误检、漏检的机率较高。加之各类布匹疵点的特征和分类不同,就要求检验人员能熟练掌握各类织物面料的疵点特征,以及国内外的布匹疵点评分标准。这样培养熟练质检员成本更高,很多情况下无法满足这种要求。针对人工视觉在布匹疵点检测方面存在的弊端以及行业现状,本文以机器视觉为基础,通过基于统计法的图像边缘检测技术和基于多分类的支持向量机技术提取疵点纹理特征并对其进行分类判断,并利用结构化和非结构化的数据库技术,构建了一套包括各类布匹疵点特征库和国内外布匹质量评分标准库的实时在线布匹疵点检测系统。该系统具体实现了图像采集、图像处理、疵点检测、疵点分类以及布匹质量评分,并在机械式验布机上进行了测试。该方法取得了较好的测试结果,同时也证明了该检测方法的实时性。实验结果表明该疵点检测系统性能达到并超过了人工检视能力。对比现阶段布匹疵点检测方法,本文基于机器视觉的布匹疵点检测系统具有以下特点:(1)检测实时性更强:基于RTSP协议从网络摄像机上实时采集视频图像,传入软件端进行图像处理和疵点特征提取分类,检测和识别采用多线程技术并行处理。在验布机上的布匹滚动结束时,即刻就能生成本次布匹疵点检测的质量评分报告;(2)检测结果更准确:通过引进多种图像检测技术,将每次检测和识别出来的疵点添加到训练样本中进行训练,避免旧的训练样本无法检测到同类疵点的形态变化,通过更新训练模型来提高疵点检测率;(3)质量评分多样化:可通过选取系统中预设的评分体系实时的对布匹疵点检测做出质量评分报告,实现评分标准可配置,满足不同的评价标准体系。本文提出的采用网络摄像机与智能化检测软件相结合的思路,减少疵点识别对检测硬件的依赖,降低实现成本。本方案能够根据实际应用场景的优良情况,采用更加有效的软件技术来提高检测效果;能够根据纺织行业自身检测标准的变化,快速灵活的完善软件的检测方法和评分体系。希望通过本系统推动纺织行业产品质量检测技术的进步。(本文来源于《电子科技大学》期刊2019-03-30）
孙君顶,李欣,盛娜,毋小省[5]（2019）在《基于MBLBPV算法的布匹瑕疵检测方法》一文中研究指出针对布匹瑕疵检测,在传统局部二值模式(Local Binary Pattern, LBP)与局部二值模式方差(LBP Variance,LBPV)的基础上,提出一种基于多尺度分块局部二值模式方差(Multi-Scale Block Local Binary Patterns Variance, MBLBPV)的检测算法。首先,采用适当尺度大小的子区域灰度均值代替单像素灰度值,提取LB P特征,以降低噪声影响;然后,融合图像区域对比度信息,并将其作为编码值的权重,提取图像MBLBPV特征,并基于该特征实现瑕疵的检测。实验结果表明,相对于传统方法,MBLBPV抗噪力强、检测正确率更高。(本文来源于《测控技术》期刊2019年01期）
邓超,刘岩岩[6]（2018）在《基于边缘检测的斜纹布匹瑕疵检测》一文中研究指出为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。(本文来源于《测控技术》期刊2018年12期）
吴志洋,卓勇,李军,冯勇建,韩冰冰[7]（2018）在《基于卷积神经网络的单色布匹瑕疵快速检测算法》一文中研究指出针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率、漏检率高的问题,提出一种基于深度卷积神经网络的单色布匹瑕疵检测算法.首先由于布匹瑕疵的数据规模远小于大型深度卷积神经网络的数据规模,如果采用大型卷积神经网络,计算量大且容易导致过拟合,因此设计了浅层的卷积神经网络结构;然后提出双网络并行的模型训练方法,用一个大网络指导小网络的训练过程,提高模型的训练效果;最后为了使得深度卷积神经网络模型脱离GPU的限制,能够在普通电脑、移动设备、嵌入式设备中高速运行,且保证模型检测精度,提出结合特征图优化卷积核参数的模型压缩算法.实验结果表明该算法可实现高准确率、高检测速度,在PC机的CPU模式下,检测速度为135 m/min,准确率可达到96.99%.(本文来源于《计算机辅助设计与图形学学报》期刊2018年12期）
王新宇,王哲[8]（2018）在《基于MATLAB的布匹检测软件的设计》一文中研究指出在对服装进行加工的过程中,首先要对布匹表面进行检测,包括疵点的定位和提取等,检测过程已经由传统的人工方式进入了机器自动识别。为了适应布匹质量检测需求,实现在铺布过程中疵点定位和提取,方便对含疵样片的补充裁剪与更换,为工作人员提供方便的操作界面。文章利用MATLAB软件对布匹质量检测过程中的疵点定位和提取进行了软件设计与开发。开发出的软件界面更加简洁,操作更加简单和通用。在使用软件中,首先载入采集的含疵样片图像,实现对图像的快速检测与定位,从而实现优化布匹的铺展、裁剪等。(本文来源于《信息通信》期刊2018年12期）
吴志洋[9]（2018）在《基于深度卷积神经网络的单色布匹瑕疵检测识别》一文中研究指出纺织工业是我国长久以来的经济支柱产业和不可替代的民生产业,同时也是国际上处于领先地位的一项产业。从目前该产业的现状来看,织物的瑕疵检测与识别是制约织物生产效率与织物质量的重要因素。传统的织物瑕疵检测与识别是以人工的方式进行,存在效率低(检测速度仅为10～20米/分钟)、误检率和漏检率高的问题。因此,高质量的自动化织物瑕疵检测与识别已经成为布匹生产企业亟待解决的问题之一。我国的布匹瑕疵检测识别还停留在基于传统数字图像处理技术的算法研究层面,采用手工设计特征的方法,但其特征难以设计及调优。而目前基于卷积神经网络(Convolutional Neural Network,CNN)的图像识别算法,是基于数据自动学习特征,其识别效果显着,明显超越了传统数字图像处理算法的识别效果。当今国内外对卷积神经网络在布匹瑕疵检测与识别领域的应用鲜有成果,本文以某布匹生产企业的需求为依托,开展基于深度卷积神经网络的布匹瑕疵检测识别系统开发,主要研究工作如下:(1)到实际布匹生产企业进行调研,了解布匹生产企业的生产现状及布匹瑕疵的检测需求;针对深度学习模型的训练需要大量数据集的需求,在企业生产线搭建相机、光源等硬件设备,采集布匹瑕疵样本,建立了布匹瑕疵图像数据集。(2)将CNN应用于布匹瑕疵的分类问题。深入研究深度卷积神经网络的网络结构及其在图像识别领域的应用,针对布匹瑕疵图像的数据规模,设计了一个浅层网络结构模型,一方面能够减小计算量,加快计算速度;另一方面能够减小参数数量规模,防止过拟合。(3)提出了双网络并行的CNN训练方法。简化的浅层网络模型结构带来了识别精度的下降,为了能够更好的训练CNN,提升网络性能,本文利用深层网络的特征图能够提取到更高级的语义信息,通过交叉熵损失函数约束浅层网络的输出特征图与深层网络输出特征图的一致性,构建了双网络并行的模型训练方法。实验表明,双网络并行的训练方法优于单网络训练的训练方法得训练好的模型达到99.48%的识别准确率。(4)提出了一种基于特征图优化卷积核参数的模型压缩算法。针对卷积神经网络需要大量的计算资源的问题,在已有的模型压缩算法基础上进行了改进,提高了原有压缩算法的效果,在压缩率为50%的条件下,瑕疵识别准确率达到96.99%,单张图像的处理时间为10.24ms。使得提出的网络结构模型在保证检测识别效果的前提下,能够在普通个人电脑、移动设备、嵌入式设备中高速运行,大大降低了该系统的硬件成本。(5)结合软件开发技术,如多线程技术、Qt应用程序开发框架等,将瑕疵识别算法的研究成果部署在PC机上,通过图片切分的方式对每个小块进行识别,然后用深度优先搜索算法整合识别结果,完成了整个系统的实现。将系统进行实际测试,与人工的检测结果进行比对,布匹质量评分的最大绝对偏差仅为5.2%,实时处理速度可达39.5米/分钟,是人工检测速度的2～3倍,可替代人工进行验布。(本文来源于《厦门大学》期刊2018-06-30）
李军[10]（2018）在《基于机器视觉的布匹瑕疵检测技术研究与应用》一文中研究指出我国是一个纺织大国,然而纺织品仍处于人工检测的阶段。传统的人工检测方法存在检测速度慢,漏检率、误检率较高等问题。鉴于此,本文开展了基于机器视觉的单色布匹瑕疵检测技术的研究。本文以成品单色布为主要研究对象,选用工业线阵相机,线阵光源等硬件搭建应用平台,开发了一套适用于企业生产的布匹表面瑕疵检测系统。该系统对七类瑕疵进行检测和分类。论文的主要研究工作如下:1、针对图像受到噪声、光照不均匀等因素的影响,本文选用中值滤波去除噪声、Sobel算子对图像进行边缘增强和顶帽变换消除图像光照不均匀的影响。针对瑕疵不易检测,Laws纹理滤波不能充分运用不同空间和尺度层上的信息的缺点,提出了一种基于小波变换的Laws纹理滤波的布匹瑕疵检测算法。该方法对预处理后图像采用小波分解,并对分解后的图像进行Laws纹理滤波,采用加权平均的方法对滤波后的图像进行融合,通过小波逆变换重构图像得到瑕疵特征,并采用数学形态学等方法分割出瑕疵区域。结果表明,本文所提算法的检测精度比Gabor算法高,平均检测正确率达到94.7%,满足了检测要求。2、针对瑕疵分类困难的问题,提出了一种基于模拟退火和粒子群混合算法的BP神经网络的瑕疵分类算法。在空间域提取瑕疵全局统计特征,针对迭纱和上胶不均匀全局特征相似的问题,采用局部二进制模式(LBP)和灰度共生矩阵(GLCM)提取瑕疵局部特征,并把所有特征作为分类器的输入。充分利用模拟退火和粒子群算法的全局搜索能力优化BP神经网络,采用优化后的神经网络对瑕疵进行分类。结果表明,混合特征提取方法能更好地描述瑕疵,优化后的分类算法的分类准确率比高斯混合模型和BP神经网络高,对七类瑕疵的平均分类正确率达到95.3%,满足了分类要求。3、采用Matlab算法库、C++语言以及Qt应用程序发开框架对布匹瑕疵检测系统进行开发。通过对系统性能进行验证,表明本系统对不同颜色的布匹检测正确率在92%～93%之间(大于90%),达到了预期效果。(本文来源于《厦门大学》期刊2018-05-01）
布匹检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对中小企业在箱包制造领域对布匹瑕疵检测仍然采用人工方式,存在检测效率低,成本高,劳动强度大等问题,本文致力于研究一种满足这些企业需求的基于机器视觉方法的布匹瑕疵检测方法,建立了基于LTP+GLCM的布匹瑕疵检测模型,提出了基于LTP+GLCM特征提取方法和瑕疵检测方法,所提出的针对箱包领域中小企业需要的布匹瑕疵检测方法经过真实数据的测试,达到了可以实用的程度。本文主要研究内容和特色如下:(1)在对基于LBP、LTP和GLCM来提取布匹纹理特征和基于这些特征进行布匹瑕疵检测进行了较深入研究的基础上,提出融合LTP特征和GLCM特征的新的特征提取方法。该方法能够有效且快速的提取布匹的纹理特征,对有瑕疵的纹理和正常部位的纹理,该算法能在提取的特征上进行有效区别。(2)建立了基于LTP+GLCM进行布匹图像瑕疵检测模型,设计了相应的实现算法,包括图像预处理方法、LTP(LBP)特征图构建算法、基于LTP(LBP)特征图的模式级别变换和分块处理算法、基于区块进行GLCM特征提取算法,以及对待检测布匹图像进行样本相似度匹配和瑕疵检测算法等。(3)对提出的布匹检测方法进行较全面的对比测试和结果分析,包括在不同布匹图像样本、不同布匹图像分辨率、不同布匹图像尺度、不同个数的瑕疵等场景下进行测试和结果分析。另外,针对本文所提出的方法在不同区块大小和不同模式级别下进行了对比测试。通过这些测试验证了所提出方法的有效性和稳定性。(4)基于本文所提出的布匹瑕疵检测方法,设计并实现一个验证用的演示系统,包括系统的需求分析、概要设计、详细设计和编码实现等环节。通过所设计和实现的演示系统进一步验证了本文提出方法的可应用性。论文最后给出了本文所做的主要工作和存在的问题及后续研究的方向。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
布匹检测论文参考文献
[1].赵志勇,叶林,桑红石,桂康.深度学习在布匹缺陷检测中的应用[J].国外电子测量技术.2019
[2].杜雨辰.基于LTP和GLCM的布匹瑕疵检测方法的研究及其应用[D].南昌大学.2019
[3].陈愉.基于机器学习的布匹疵点检测算法研究[D].浙江师范大学.2019
[4].田猛.基于机器视觉的布匹疵点检测系统的设计与实现[D].电子科技大学.2019
[5].孙君顶,李欣,盛娜,毋小省.基于MBLBPV算法的布匹瑕疵检测方法[J].测控技术.2019
[6].邓超,刘岩岩.基于边缘检测的斜纹布匹瑕疵检测[J].测控技术.2018
[7].吴志洋,卓勇,李军,冯勇建,韩冰冰.基于卷积神经网络的单色布匹瑕疵快速检测算法[J].计算机辅助设计与图形学学报.2018
[8].王新宇,王哲.基于MATLAB的布匹检测软件的设计[J].信息通信.2018
[9].吴志洋.基于深度卷积神经网络的单色布匹瑕疵检测识别[D].厦门大学.2018
[10].李军.基于机器视觉的布匹瑕疵检测技术研究与应用[D].厦门大学.2018