[發(fā)明專利]一種基于無(wú)監(jiān)督分割和ELM的織物缺陷檢測(cè)和分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710381898.5
• 申請(qǐng)日: 2017-05-26
• 公開(kāi)（公告）號(hào): CN107341499B
• 公開(kāi)（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 劉驪;張建紅;付曉東;黃青松;劉利軍
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/34;G06K9/46
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及一種基于無(wú)監(jiān)督分割和ELM的織物缺陷檢測(cè)和分類方法，屬于計(jì)算機(jī)視覺(jué)、模式識(shí)別及圖像應(yīng)用領(lǐng)域。首先輸入織物缺陷圖像，實(shí)現(xiàn)織物缺陷圖像分割，得到分割后的織物缺陷圖像；其次，提取分割后織物缺陷圖像以及原始缺陷圖像的形狀、紋理特征，實(shí)現(xiàn)織物缺陷圖像的特征提取；然后將待分類織物缺陷圖像特征集和標(biāo)簽作為訓(xùn)練集，訓(xùn)練ELM分類器，得到ELM分類器參數(shù)；最后，通過(guò)訓(xùn)練后的分類器，根據(jù)貝葉斯概率融合，實(shí)現(xiàn)織物缺陷圖像分類，輸出織物缺陷圖像分類結(jié)果。本發(fā)明采用的檢測(cè)和分類方法具有較高的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于無(wú)監(jiān)督分割和ELM(Extreme Learning Machines，極限學(xué)習(xí)機(jī)，簡(jiǎn)稱ELM)的織物缺陷檢測(cè)和分類方法，屬于計(jì)算機(jī)視覺(jué)、模式識(shí)別及圖像應(yīng)用領(lǐng)域。

背景技術(shù)

現(xiàn)代紡織生產(chǎn)中，織物存在許多缺陷，例如洞疵，油斑，缺經(jīng)，缺緯，漏針，折痕，劃痕等。造成織物缺陷的原因有編織機(jī)器出現(xiàn)故障，或者紗線質(zhì)量不合格等，因此，織物缺陷檢測(cè)和分類是控制紡織品質(zhì)量的關(guān)鍵環(huán)節(jié)。傳統(tǒng)的織物缺陷檢測(cè)和分類主要通過(guò)人工目測(cè)完成，檢測(cè)和分類結(jié)果依賴于檢測(cè)者主觀評(píng)判。一方面，大量的工作非常枯燥；另一方面，觀察久之，又會(huì)引起檢測(cè)人員疲勞，從而導(dǎo)致織物缺陷檢測(cè)和分類錯(cuò)誤。由此可見(jiàn)，一種智能的織物缺陷檢測(cè)和分類方法成為改善織物質(zhì)量的有效方法。

作為織物缺陷分類的前提要求是織物缺陷檢測(cè)，目前織物缺陷檢測(cè)方法主要通過(guò)圖像分析結(jié)合閾值分割法實(shí)現(xiàn)。例如(Development of a machine visionsystem:real-time fabric defect detection and classification with neuralnetworks，2014，105(6)：575-585)提出頻域法結(jié)合雙閾值法和形態(tài)學(xué)方法實(shí)現(xiàn)織物缺陷檢測(cè)。Lucia Bissi(Automated defect detection in uniform and structuredfabrics using Gabor filters and PCA，2013，24(7)：838-845)通過(guò)小波域隱馬爾科夫隨機(jī)場(chǎng)建立無(wú)缺陷織物紋理模型，通過(guò)訓(xùn)練無(wú)缺陷圖像得到模型參數(shù)，并通過(guò)最大期望思想確定有無(wú)缺陷,將缺陷織物圖像通過(guò)閾值法分割檢測(cè)。Jing J(Supervised defectdetection on textile fabrics via optimal Gabor filter，2013，44(1)：40-57)提出有監(jiān)督的織物缺陷檢測(cè)法，使用遺傳算法的Gabor過(guò)濾器調(diào)整匹配無(wú)缺陷織物紋理信息。然后，基于調(diào)整后的最優(yōu)Gabor過(guò)濾器檢測(cè)織物缺陷圖像，最終將織物缺陷圖像通過(guò)閾值法分割。目前，這些檢測(cè)方法都是有監(jiān)督，而且需要大量無(wú)缺陷織物圖像輔助檢測(cè)，不利于提高系統(tǒng)整體效率。本發(fā)明織物缺陷檢測(cè)方法是基于局部補(bǔ)丁近似的無(wú)監(jiān)督織物缺陷分割。較公知方法，避免了需要大量織物圖像問(wèn)題，具有較好的分割效果。

在缺陷分類、特征提取方面，公知的特征提取方法主要基于頻域法提取織物缺陷的紋理屬性，特征屬性單一，不利于提高分類的準(zhǔn)確率。本發(fā)明中的特征提取方法不需要圖像預(yù)處理操作，且滿足多分辨率需求的小波包分解技術(shù)提取紋理特征，以及采用Hu不變矩法提取圖像分割后的形狀特征，提高后續(xù)織物缺陷分類準(zhǔn)確率。在分類器選擇上，公知方法基于BP神經(jīng)網(wǎng)絡(luò)和SVM分類器。Kuo C F J(Image inspection of knitted fabricdefects using wavelet packets，2015)利用NN分類器實(shí)現(xiàn)織物缺陷分類。Li W(Yarn-dyed woven defect characterization and classification using combined featuresand support vector machine，2014，105(2)：163-174)利用SVM分類器實(shí)現(xiàn)織物缺陷分類。這些方法的分類結(jié)果表明，分類準(zhǔn)確率不太理想，并且分類器訓(xùn)練過(guò)程繁瑣。所以，一個(gè)從特征提取及分類方面都提高織物缺陷分類準(zhǔn)確率得方法很有必要。

發(fā)明內(nèi)容