结合视觉显著性和卷积神经网络的提花织物疵点检测方法探讨

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:22256 论文编号:sb2021081610452436948 日期:2021-08-27 来源:硕博论文网
笔者经过研究,取得了以下研究成果:1)提出了基于视觉显著性的提花织物图像的处理方法。本文通过在多种模型上进行了对比实验,选择了与织物提花数据集拟合效果最强的视觉显著性模型(CA 模型),与传统的图像处理方式不同,该方法直接利用视觉显著性模型对提花织物做显著性计算,既能排除复杂背景信息的干扰提高感兴趣区域的显著性,又降低了图像的维度,为后面做检测提供了便利。实验结果表明,该方法在复杂的纹理背景下能够准确高亮地显示疵点区域。

1 绪论

1.1 研究背景和研究意义
随着现代纺织业的迅速发展和人们的消费水平日益增高,消费者对产品质量要求也随之提高。在生产过程中,不可避免地会造成织物表面的一些破洞、污点、粗纱、飞花和毛丝等缺陷,这些缺陷是降低织物产品质量的主要因素。目前,纺织行业中,人工织物疵点检测技术的不足越来越明显。因此,发展织物自动疵点检测技术对控制织物产品的质量有非常大的帮助。
现有的检测方法主要包含人工检测、射线检测和机器视觉检测。其中,人工检测方法是人工肉眼观测织物,这种方法不仅效率低,而且造成漏检或误检的风险大[1];射线检测方法是射线照射物体时与物体产生电离作用,利用电离的程度来做检测,虽然这种方法方便,检测效果也是其它方法无法达到的,但会严重污染环境,且对人体造成的伤害极大;与前两种方法相比,利用计算机视觉检测方法具有效率高、全自动、成本低、不耗费人力等特点[2-3]。因此,将机器视觉检测方法运用到纺织品质量检测领域是检测技术发展的必然趋势。
视觉显著性使得人们能够从复杂的环境中找到感兴趣的部分,将视觉显著性技术引入到提花织物疵点检测中,能迅速将目光集中在被研究的目标处,合理分配资源,从而提高检测的效率。视觉显著性算法在图像处理领域运用广泛,如柴瑛桢[4]等人将视觉显著性运用到游戏画面设计中;朱铭煜[5]等人将视觉显著性用于药物检测;陆喆[6]将改进的 ITTI 模型用于 SAR 图像目标检测。也有将视觉注显著性运用到织物疵点的相关研究,如管声启[7]等人将视觉显著性运用到平纹织物疵点检测上;李敏等[8]、周文明等[9]提出了使用视觉显著性来对织物疵点进行检测,先将织物图像输入视觉显著模型中生成显著图,然后通过显著图来确定疵点的位置。虽然上述方法能够较好地解决有疵点的织物图像中背景花纹对疵点检测的干扰,但容易导致将无疵点的织物图像误判为有疵点的织物图像,增大了误检率。
.............................

1.2 织物表面常见疵点及成因
从原材料到制作成织物成品,纺织品的制造要经过多个程序,如纺、织、染等过程,而这些过程又要多次经过加工,如此层层加工,不管是设备故障还是人工操作不当,都会导致外观缺陷。这些缺陷形成的原因各不相同,下面将对几种常见测疵点及成因进行分析和介绍。常见疵点如图 1.1 所示。
图 1.1 提花织物常见疵点
图 1.1 提花织物常见疵点
.........................

2 相关理论基础

2.1 计算机视觉原理
计算机视觉实际上就是有与人眼一样能够观察事物理解事物的一种人工智能。它能够通过某种算法实现人类视觉的功能,即使其能够获取信息、处理信息、分析信息的能力。该技术涉及的领域广泛并与其它领域互相支撑、互相渗透。目前,计算机视觉与生物学、心理学、数学、计算机科学、物理学等多个学科都有关联。
20 世纪计算机视觉开始受到关注和发展,神经生物的发展更是将计算机视觉的运用推向高潮,人们开始通过建立视觉模型模拟人的视觉系统。至今,计算机视觉已经广泛涉及多个行业如军事、制造业、检验、医疗等。
计算机视觉的主要研究目的是如何使用摄像机等成像系统来代替眼睛,接收外界和传送信息,并由计算机来代替大脑分析和解释信息,以求达到接近人类所观察理解到的外界环境的效果[33]。因此,如何将计算机视觉研发成具有人类视觉能力的系统,又如何将计算机运视觉用到自动检测系统上提高检测的效率是一项重大的挑战。通过分析总结,使用正确的算法,分别从图像的处理、图像的分类模块着手,是提高计算机视觉系统精度的主要方向。
........................

2.2 人类视觉系统
人类视觉系统视觉的形成主要由眼睛、视觉神经和大脑皮层三个部分的相互作用。眼睛主要用于接收外界的信息;视觉神经用于将接受到的信息进行处理和传送;而大脑皮层则进行更高级别的工作,实现对处理过的信息进行分析理解。因此,想要知道人类视觉系统是如何工作的,首先就要深入了解这三个部位的组成结构以及它们的工作特性。经过科学研究发现,人类的视觉系统涉及到许多学科领域,包括神经学、生物学、物理学等,要完全掌握视觉系统的生理特性,还需要了解其它学科的相关知识。
眼睛是视觉系统中接收外界信息的主要器官,灵长类动物的眼睛近似球状。在视觉形成的过程中,眼睛中起到主要作用的几个组织有:角膜、虹膜、晶状体和视网膜。其中,角膜是一层呈椭圆形的透明组织,它外界与眼睛内联系的第一道关口。虹膜则是乳白色的纤维结构,它中间部分有一个孔,称为瞳孔,孔的大小由虹膜调节,光线在经过角膜后达到虹膜虹膜感受到光线的刺激后瞳孔就会舒张变大,然后光穿过瞳孔向后传递。位于虹膜后的是呈透明的晶状体,晶状体相当于一个凸透镜,有屈光的作用。光线在透过晶状体后被折射聚焦到视网膜上,视网膜是一层透明的膜,它起到成像的作用。如此,视觉系统接收了信息形成了对外界的初步认识,图 2.1 是人眼的剖面图。
图 2.1 人眼刨面图
图 2.1 人眼刨面图

...............................

3 结合视觉显著性和卷积神经网络的织物疵点检测..................................16
3.1 提花织物疵点检测系统结构...........................................16
3.2 基于视觉显著性的提花织物图像处理....................................17
4 结论与展望..........................................28

3 结合视觉显著性和卷积神经网络的织物疵点检测

3.1 提花织物疵点检测系统结构
纺织布匹主要分为有提花的织物和素织物两大类,素织物指由本身的组织组成的不经过任何修饰保持着最初织造的样子的织物,其表面无花纹,经纱或纬纱向相同的方向织造而成。提花织物,顾名思义其表面有花纹,花纹又分为小花纹和大花纹两种类型。小提花织物是布匹表面的经纱或纬纱通过某种纺织手段构成的细小的纹路,大提花织物是由于印花,染色等造成的布面多色、多种组织的织物。由于提花织物表面纹理、色彩复杂,这个因素导致在质量的自动检测中检测的准确率低,从该问题出发,去除提花背景的干扰,能够提高提花织物质量检测的准确率。
织物疵点自动检测技术作为近年来纺织品质量检测的主要方法,受到科研人员和企业商人的特别关注。人工检测早已不能满足当前纺织品生产的需求,利用机器视觉的检测技术以高精度、全自动等优点获得了人们广泛的推广及应用。利用计算机视觉来代替人工观察来做判断的自动检测系统,它不仅能够对织物表面进行连续、实时检测,还能够改变由于人眼主观判断造成的后果。此系统主要是利用视觉显著性模型对提花织物图像进行处理获得显著图,然后使用卷积神经网络对显著图进行二分类。其详细的过程为:基于机器视觉的疵点检测系统首先通过能够获取外界信息的仪器(摄像机等)获取图像;然后,图像经过传送带到达图像处理模块,图像处理模块主要通过视觉显著性运算,获得图像的显著图;最后将显著图传送至图像检测模块,利用卷积神经网络提取目标的深度特征对图像进行检测,从而产生判别结果。图 3.1 是提花织物疵点检测系统流程图,实时采集织物图像经过去噪处理去掉无用的信息,然后经过缺陷检测环节分离有无疵点的提花织物图像。
.......................

4 结论与展望


随着机器视觉技术的高速发展,中国许多纺织工厂已经使用到自动化技术来提高织物的生产效率。缺陷检测对控制织物制品的质量中起着重要的作用。但是,目前检查任务主要是由人工检查员执行。即使是用训练有素的检查员,也只能检测出 70%左右的缺陷。因此,织物自动化检测取代人工检测已经成了必然的趋势。然而,现有的检测系统对提花织物的检测效果不好。主要原因是提花织物纹理复杂,检测系统的图像处理机制还不够成熟,因此提花织物的疵点检测精度不能得到有效的改善。
怎样通过现有的技术和资源来解决当前正在面临的困难是一个值得探讨的问题,在图像处理和图像分类领域,先进的技术有很多,但是如何高效的解决问题的方法还需探讨。视觉显著性能够合理的分配资源,从复杂的大环境中找出对人类有帮助的信息。将视觉显著性算法引入到图像处理领域,可以降低图像地复杂度,减小检测地难度,提高信息处理的工作效率。深度学习在图像分割、图像分类等领域的优势早已深入人心,将深度卷积神经网络引入到提花织物的疵点分类中,更能够提高检测的精度。因此,本文将现有的视觉显著性模型和卷积神经网络引入到提花织物的疵点检测上,并有效将二者结合,建立检测模型,使其尽可能发挥到最大。本文取得了以下研究成果:
1)提出了基于视觉显著性的提花织物图像的处理方法。本文通过在多种模型上进行了对比实验,选择了与织物提花数据集拟合效果最强的视觉显著性模型(CA 模型),与传统的图像处理方式不同,该方法直接利用视觉显著性模型对提花织物做显著性计算,既能排除复杂背景信息的干扰提高感兴趣区域的显著性,又降低了图像的维度,为后面做检测提供了便利。实验结果表明,该方法在复杂的纹理背景下能够准确高亮地显示疵点区域。
2)提出了一种基于卷积神经网络的提花织物疵点检测方法。该方法不是传统意义上的针对提花织物图向的检测,而是建立在利用视觉显著性模型对提花织物图像处理后的基础上,再使用 VGG16 网络模型对显著图做分类训练。由于显著图维度低且疵点显著,因此检测优势明显。经过实验证明,该方法比利用卷积神经网络对提花织物图像检测精度提高 19%,且检测速度是原来的两倍。
参考文献(略)