1、本文旨在研究和開發(fā)有實(shí)用價(jià)值的基于計(jì)算機(jī)視覺的機(jī)織物瑕疵自動(dòng)檢測(cè)算法。采用計(jì)算機(jī)視覺取代人眼進(jìn)行織物瑕疵自動(dòng)檢測(cè)能夠大幅度降低漏檢率、提高生產(chǎn)效率、保證檢測(cè)結(jié)果的穩(wěn)定性、改善瑕疵信息管理以及產(chǎn)品質(zhì)量監(jiān)控等等。對(duì)織物瑕疵自動(dòng)檢測(cè)進(jìn)行算法研究是實(shí)現(xiàn)織物瑕疵檢測(cè)自動(dòng)化的關(guān)鍵，也是自動(dòng)驗(yàn)布機(jī)研制的基礎(chǔ)，因此，檢測(cè)算法的研究引起了國(guó)內(nèi)外紡織學(xué)科、計(jì)算機(jī)科學(xué)與技術(shù)學(xué)科以及自動(dòng)化學(xué)科等相關(guān)領(lǐng)域科技工作者的濃厚興趣，并成了當(dāng)今紡織學(xué)科前沿的一個(gè)研究熱點(diǎn)

2、和難點(diǎn);而計(jì)算機(jī)視覺的紡織應(yīng)用也成了當(dāng)前以先進(jìn)的科學(xué)技術(shù)改造和提升傳統(tǒng)產(chǎn)業(yè)的大領(lǐng)域之一。因此，課題具有很好的理論意義和現(xiàn)實(shí)意義。
　　能夠?qū)嵱玫目椢镨Υ米詣?dòng)檢測(cè)算法必須全面符合檢測(cè)準(zhǔn)確性、單類分類性以及實(shí)時(shí)性要求。所謂檢測(cè)準(zhǔn)確性要求，即要求算法能夠?qū)^大多數(shù)常見瑕疵的檢測(cè)誤檢率和漏檢率同時(shí)保持在較低水平。要滿足這一要求，首要的就是要確保所提取的特征向量對(duì)絕大多數(shù)常見瑕疵具有較強(qiáng)的普適性，其次要確保檢測(cè)器具有較高的精密度和對(duì)特征向量

3、數(shù)據(jù)信息的深入挖掘能力。所謂單類分類性要求，即在檢測(cè)器設(shè)計(jì)方面，要求檢測(cè)器具有單類分類的功能，也即訓(xùn)練時(shí)只能依賴正常樣本而不能借助瑕疵樣本。因?yàn)榭椢镨Υ梅N類、外觀形態(tài)和尺寸呈現(xiàn)多種多樣，而織物紋理和結(jié)構(gòu)亦千變?nèi)f化，因而依賴瑕疵樣本進(jìn)行算法訓(xùn)練在實(shí)踐中是無法實(shí)現(xiàn)的。由此可見，基于計(jì)算機(jī)視覺的織物瑕疵自動(dòng)檢測(cè)實(shí)質(zhì)上是以紋理圖像為分析對(duì)象的一種典型的單類分類模式識(shí)別任務(wù)。所謂實(shí)時(shí)性要求，即在檢測(cè)速度方面，要求算法在數(shù)據(jù)預(yù)處理、特征提取以及判別

4、檢測(cè)階段均能快速實(shí)現(xiàn)，使算法的全套流程均能滿足實(shí)時(shí)要求。本文作者在算法研究開發(fā)過程中盡可能使算法滿足上述要求，通過理論探索和檢測(cè)實(shí)驗(yàn)提出了三套較為有效的織物瑕疵自動(dòng)檢測(cè)算法，這些算法無論在特征向量的提取還是單類分類檢測(cè)器的設(shè)計(jì)方面都是織物瑕疵檢測(cè)研究領(lǐng)域至今未見報(bào)道。
　　本文的全文研究?jī)?nèi)容共分七章。
　　第一章為緒論，介紹了本文選題的學(xué)術(shù)與行業(yè)背景，分析了作者所在的計(jì)算機(jī)視覺紡織應(yīng)用課題組的前人在此領(lǐng)域的研究成果和不足之處

5、，交代了本文的研究目標(biāo)和全文框架。
　　第二章是文獻(xiàn)綜述，在模式識(shí)別和紋理分析等相關(guān)基本概念介紹的基礎(chǔ)上綜述了近十五年來本領(lǐng)域國(guó)內(nèi)外的重要文獻(xiàn)，對(duì)與本論文相關(guān)的算法給予了重點(diǎn)討論，指出了現(xiàn)有研究成果的價(jià)值與不足。
　　第三章介紹了檢測(cè)樣本的采集和有關(guān)數(shù)據(jù)的預(yù)處理技術(shù)。這些都是后續(xù)第四、第五和第六章檢測(cè)實(shí)踐中均要涉及的共性問題。具體內(nèi)容包括瑕疵樣布收集、織物瑕疵種類與圖像示例、織物紋理圖像的獲得與預(yù)處理、織物紋理圖像子窗口尺寸

6、的確定、紋理圖像特征的有效性檢驗(yàn)及特征值規(guī)范化處理、樣本數(shù)據(jù)集及其分布、評(píng)估算法檢測(cè)效果的考核指標(biāo)體系等等。
　　第四章介紹本文設(shè)計(jì)的第一套檢測(cè)算法，即基于時(shí)間序列的自回歸功率譜分析特征向量和單邊距離檢測(cè)器的織物瑕疵檢測(cè)算法。該算法充分利用機(jī)織物紋理的周期性和經(jīng)緯取向的特點(diǎn)以及多數(shù)瑕疵也呈現(xiàn)經(jīng)緯取向的特點(diǎn)，采用基于Burg算法的低階AR譜估計(jì)方法從織物圖像的一維投影序列中提取有關(guān)特征，并結(jié)合自行設(shè)計(jì)的單邊距離檢測(cè)器來檢測(cè)瑕疵。該方

7、法運(yùn)算量小，能夠滿足實(shí)時(shí)檢測(cè)的要求，總平均誤檢率為6.71％時(shí)，總平均漏檢率為13.53％，基本可以滿足檢測(cè)準(zhǔn)確度的要求。
　　第五章介紹本文設(shè)計(jì)的第二套檢測(cè)算法，即基于時(shí)間序列多分形混合特征向量和單類模糊聚類檢測(cè)器的織物瑕疵檢測(cè)算法。為了更細(xì)致地描述瑕疵紋理、降低檢測(cè)錯(cuò)誤率，本文作者在研究本套算法時(shí)，提出了一種兼顧紋理概貌與細(xì)節(jié)信息、經(jīng)向和緯向信息的混合特征向量提取思想。具體來講，就是充分考慮了機(jī)織物紋理經(jīng)緯取向的特點(diǎn)和利用了紋

8、理基本循環(huán)參數(shù)，以分形特征為基礎(chǔ)擴(kuò)展成為多分形特征向量。該多分形特征向量包含一個(gè)概貌分形特征和四個(gè)細(xì)節(jié)分形特征，它們均在圖像一維投影序列基礎(chǔ)上提取。為了消除訓(xùn)練用原始正常樣本數(shù)據(jù)分布可能存在不平衡的弊端，提高對(duì)訓(xùn)練數(shù)據(jù)的信息挖掘力度，本文作者自行設(shè)計(jì)了一種基于模糊c均值聚類(FCM)算法的單類分類檢測(cè)器，并討論了該檢測(cè)器參數(shù)的優(yōu)選問題。實(shí)驗(yàn)結(jié)果表明，本套算法總平均誤檢率為4.93％時(shí)，總平均漏檢率為5.06％，準(zhǔn)確度較第一套算法大幅度改

9、善。不足之處在于，該算法在四個(gè)細(xì)節(jié)分形特征提取時(shí)較為耗時(shí)，尤其是當(dāng)織物密度較高時(shí)，這種情況更甚。
　　第六章介紹本文設(shè)計(jì)的第三套檢測(cè)算法，即基于分形概貌特征和Sobel濾波細(xì)節(jié)特征的混合特征向量和支持向量數(shù)據(jù)描述單類分類檢測(cè)器的織物瑕疵檢測(cè)算法。文中還對(duì)檢測(cè)器相關(guān)參數(shù)的優(yōu)化提出了更為可靠和實(shí)用的方法。本套算法在特征向量提取時(shí)沿用了第二套算法中提到的兼顧概貌與細(xì)節(jié)信息、經(jīng)向和緯向信息的思想，不同之處在于，本套算法在細(xì)節(jié)特征提取時(shí)采用

10、了與概貌特征即分形特征不同類別的一種特征，即在Sobel算子濾波基礎(chǔ)上的仙農(nóng)熵特征。本套算法的細(xì)節(jié)特征提取速度非?？?，克服了第二套算法中細(xì)節(jié)特征提取運(yùn)算量大的缺點(diǎn)，同時(shí)保留了上述混合特征向量提取思想的優(yōu)點(diǎn)。此外，Sobel算子濾波基礎(chǔ)上的特征與分形特征本身也具有很大的互補(bǔ)性，因而使得本套特征向量對(duì)紋理信息的描述更趨合理和全面。檢測(cè)器方面，本套算法采用了一種先進(jìn)的核函數(shù)機(jī)器學(xué)習(xí)方法，即支持向量數(shù)據(jù)描述(SVDD)。SVDD是一種特殊的單類

11、分類支持向量機(jī)(SVM)，能夠有效地表征正常訓(xùn)練數(shù)據(jù)的分布，特別適合于各種異常檢測(cè)的應(yīng)用。實(shí)驗(yàn)結(jié)果表明，本套算法在總平均誤檢率為4.61％時(shí)，總平均漏檢率為4.09％。本套算法在檢測(cè)精度方面略優(yōu)于檢測(cè)效果較好的第二套算法，在檢測(cè)速度方面則具有第一套算法的優(yōu)點(diǎn)，因而是一套最具實(shí)用價(jià)值的算法。
　　第七章是全文總結(jié)和后續(xù)研究展望。文中對(duì)上述三套算法的優(yōu)缺點(diǎn)進(jìn)行了小結(jié)，對(duì)本文的成果和不足進(jìn)行了總結(jié)，還提出了后續(xù)研究的方向和重點(diǎn)。

12、　　本文提出的三套檢測(cè)算法是本文研究成果的綜合表述，但在形成三套算法過程中的實(shí)質(zhì)性成果主要是以下幾個(gè)方面:
　　1)兼顧紋理概貌與細(xì)節(jié)的特征提取思路
　　考慮到織物瑕疵尺寸和外觀形態(tài)的多樣性以及單一特征對(duì)紋理描述的不足，結(jié)合織物紋理呈縱橫取向和具有明顯周期循環(huán)的特點(diǎn)，本文指出，所提取的多個(gè)特征對(duì)于紋理的描述應(yīng)兼顧概貌與細(xì)節(jié)信息，以實(shí)現(xiàn)最大限度的特征互補(bǔ)進(jìn)而更全面的紋理特點(diǎn)表征。本文第二套算法的多分形特征向量和第三套算法的由分

13、形概貌特征和Sobel濾波細(xì)節(jié)特征組成的混合特征向量即是這種思路的體現(xiàn)，這與以往研究者只考慮單一方面的特征有很大不同。
　　2)兼顧精密性和單類分類功能的檢測(cè)器設(shè)計(jì)思想
　　織物瑕疵的多樣性和難以全面采集的特點(diǎn)決定了實(shí)用的檢測(cè)器必須具有較深刻的數(shù)據(jù)挖掘能力和單類分類的功能?，F(xiàn)有文獻(xiàn)涉及的單類分類器主要是歐氏距離或某些簡(jiǎn)單的閾值法，這種檢測(cè)器過于粗糙，難以深入地挖掘特征向量中隱含的信息;而現(xiàn)有文獻(xiàn)中涉及的較精密和高級(jí)的檢測(cè)器如

14、神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)又多不具備單類分類的功能，其模型的訓(xùn)練必須借助相當(dāng)數(shù)量的瑕疵樣本。有鑒于此，本文提出，織物瑕疵檢測(cè)器在設(shè)計(jì)時(shí)應(yīng)使其同時(shí)具備單類分類的功能和對(duì)信息更深層次挖掘的功能。本文第二套算法中的模糊c均值聚類單類分類檢測(cè)器和第三套算法中的支持向量數(shù)據(jù)描述單類分類檢測(cè)器即是這種設(shè)計(jì)思想的體現(xiàn)，且這兩套檢測(cè)器在織物瑕疵檢測(cè)領(lǐng)域尚無應(yīng)用先例，也無相關(guān)報(bào)導(dǎo)。
　　3)檢測(cè)算法全套流程中的實(shí)時(shí)性構(gòu)思
　　本文不僅僅追求檢測(cè)算法

15、的高檢測(cè)準(zhǔn)確性目標(biāo)，也強(qiáng)調(diào)檢測(cè)算法全套流程的實(shí)時(shí)性要求，為此，在算法設(shè)計(jì)的許多環(huán)節(jié)中都考慮到了這一點(diǎn)。例如，在圖像預(yù)處理中提出了一種快速的消除光照不勻和增強(qiáng)圖像對(duì)比度的算法。又如，利用機(jī)織物紋理和多數(shù)瑕疵具有經(jīng)緯取向的特點(diǎn)，采用投影方式得到一維序列，從而使得特征提取在一維序列而不是二維圖像基礎(chǔ)上進(jìn)行，極大地降低了計(jì)算量，AR譜特征和所有的分形特征的提取均是在一維時(shí)間序列基礎(chǔ)上進(jìn)行。又如，AR譜的估計(jì)選用具有遞推特點(diǎn)的低階Burg算法，使

16、得涉及的計(jì)算量非常小。又如，為了保留第二套算法的特征向量對(duì)紋理描述細(xì)致的優(yōu)點(diǎn)同時(shí)又降低計(jì)算量，第三套算法在細(xì)節(jié)特征方面以快速的Sobel濾波仙農(nóng)熵特征取代了較為耗時(shí)的分形特征。再如，提出當(dāng)數(shù)據(jù)量較大時(shí)，相應(yīng)地采用較大的模糊c均值聚類加權(quán)指數(shù)以大幅度減少迭代次數(shù)，等等。
　　4)基于織物紋理循環(huán)周期倍數(shù)的子窗口劃分方法
　　提出了依據(jù)織物的紋理循環(huán)周期倍數(shù)來劃分子窗口的方法，從而提高了特征的穩(wěn)定性，進(jìn)而有助于檢測(cè)錯(cuò)誤率的降低。