[01169055]基于纹理特征和表面张力控制的纺织品表面质量视觉检测系统的研究与开发

《基于纹理特征和表面张力控制的纺织品表面质量视觉检测系统的研究与开发》是西安市科学技术局下达的科技计划高校人才服务企业项目,项目承担单位为西安工程大学。 针对纺织品规格种类的多样化、纹理特征的差异性、自身的柔软性以及制造工艺的独特性,重点研究纺织品疵点特征空间降维与最优特征集评价方法,以优化纹理特征选择与分类器设计。最终用视觉设备代替人眼完成检测和判断,提高效率和精度,解放劳动力。所以研究纺织品表面视觉检测系统具有一定现实意义。本项目的具体成果如下： （1）图像的采集和预处理 图像的采集和图像的预处理。通过对待检测图像噪声来源的分析,比较了四种常见滤波算法：中值滤波、高斯滤波、高斯滤波、Wiener滤波,对于不同噪声密度下的处理效果。针对噪声密度较大的图像,提出了一种基于改进的自适应中值滤波算法,对图像进行滤波去噪处理。通过实验对比,改进的自适应中值滤波算法对噪声密度较大的图像具有较好的处理效果同时可以保护图像的细节。对于图像的增强,实验通过比较直方图均衡化、灰度分段线性变换、灰度线性变换三种方法对图像的增强,得出直方图均衡化后图像的灰度分布较其他两种算法的灰度分布更为均匀,所以选择直方图均衡化来增强图像。 （2）缺陷特征提取获取缺陷区域 通过分析比较基于阈值-迭代的图像分割方法和基于区域生长的图像分割提取算法对表面缺陷的分割提取效果,分析现有算法的不足之处,提出了一种基于改进的K-means 聚类表面图像分割方法,该算法利用自适应人类优化算法的全局搜索能力,快速逼近全局最优聚类中心,然后将ASHLO学习优化算法输出的聚类中心作为K-means聚类算法的初始聚类中心进行迭代寻优。由于在分割过程中受各种因素的影响,分割处理后的图像会存在一些噪声的干扰,所有为了消除这些因素的干扰需对分割后的图像进行形态学处理。基于此,利用形态学的膨胀运算和腐蚀运算进行分割后处理,最终获取完整的表面缺陷区域。 （3）缺陷分类器算法 对分割后的缺陷图像进行了特征提取,提取了缺陷图像的纹理特征、几何特征、不变矩特征以及灰度特征。然后结合主成分分析法对提取到的特征参数进行降维处理。采用了一种基于改进粒子群优化的BP神经网络的分类器,用于对表面缺陷的分类。对于分类器的设计基于BP神经网络算法以及当前现有的对BP神经网络的改进方法,现有的改进方法包括基于启发式方法的改进、基于数值优化算法的改进、基于智能优化算法的改进,本项目采用的BP神经网络分类器的改进是基于智能优化算法的改进。同时针对粒子群优化算法,对粒子群优化算法的惯性因子以及种群多样性进行了改进。最后采用改进的粒子群优化算法对BP神经进行优化,经过实验对比可知,优化的分类器可靠性和稳定性较高,分类正确率可达93.7%。 项目能够按照前期计划顺利执行,并且在执行期内能够克服了项目中的难点。已完成相关测试,并取得了相关研究成果。发表SCI论文1篇,EI论文3篇,中文科技核心1篇;申请发明专利2项;培养研究生2名。