毕业论文课题相关文献综述

1.选题背景及意义

在纺织工业中，质量控制起着重要的作用，尤其是织物的疵点检测。我国虽然是纺织大国，但是织物疵点的检测技术严重滞后，大多数还以人工检验为主，传统的人工检验法多用手感、目测法，人为因素干扰很大，准确率不高。[2]因此，纺织业生产过程的自动化、智能化、信息化是中国实现现代化的必然途径，也是促进生产力、增强国际竞争力的关键。本项目的研究集中体现了具有高度智能和信息化含量的纺织品目标自动识别的作用，即对织物疵点进行自动分割，为后续产品质量的评定提供一种公正、公平和科学的数据依据，同时为管理的信息化提供了重要的基础。我国是一个纺织大国，随着世界纺织格局的变化，我国将成为世界纺织品的加工基地。本项目的研究成果无疑给纺织业生产过程的自动化、信息化带来生机和活力，对促进生产力的发展，实现工业现代化起着重要的作用。[1]

2.织物疵点检测算法研究的应用现状与发展趋势

我国在织物疵点自动检测方面的研究起步较晚,研究的内容主要是疵点的识别算法。特征值的提取算法,主要有卿湘运等将织物图像分成大小相同的局部窗口,在局部嫡最小的窗口区域内分割出疵点图像,并用数学形态法的开运算滤除噪声,计算疵点形因子等作为识别参数,此法有效的识别缺纬、断经、油污和破洞四类疵点；努尔顿等用闽值对织物图像进行二值化处理,滤波消除二值化图像噪声,从织物纹理分离出疵点部分,然后用BP神经网络训练,利用BP神经网络对疵点进行识别和分类;李立轻等在织物图像的小波分解算法和紧支撑正交小波的基础上提出了织物自适应小波的构造,由自适应小波对织物图像分解,然后对分解后的纬向和经向子图像提取特征值,由特征值检测和识别疵点,实验证明该方法对常见疵点具有快速准确的检测效果；但是,目前对各类疵点尚未找到一种统一的检测方法,无法满足疵点的实时快速检测需要。

从上世纪90年代后期才开始"研究内容主要为疵点识别的算法,特征提取方法涉及空间域的纹理分析。灰度共生矩阵等算法,频率域的小波变换算法等,疵点判定和分类多使用BP神经网络。随着计算机技术、数字图像技术和神经网络技术的发展,使得基于图像处理和微型计算机平台的织物疵点检验成为可能。因此,从20世纪90年代初开始一直到现在,图像处理用于疵点检测的研究形成了一个高潮。中国、台湾、韩国、日本、美国、以色列和瑞士等国家的学者发表了大量研究论文,文章参考和借鉴了其他工业检测系统的开发经验以及数学和计算机等学科的最新科研成果,理论水平不断提高。一般来讲,基于图像处理的疵点检测过程为采集织物图像、基于图像处理技术的织物疵点检测研究预处理、图像分析和疵点检测分类等阶段,包括训练或学习过程和检测过程,疵点自动检测技术的核心内容是对采集的织物图像进行处理的方法。按照图像处理的方法,研究的途径可分为两种:一种是直接对图像的灰度值在空间域计算,抽取特征值;另外一种是把图像转换到频域后再进行分析。国内外学者对织物疵点自动识别的研究已有20多年,在发展中算法不断更新和完善,速度不断提高所有具有实用价值的算法基本上都遵循先提取特征值,再输入神经网络进行辨别的原则。

2. 织物疵点检测算法研究技术的介绍以及应用

根据图像处理方法的不同,织物疵点检测方法的研究途径可以分为两种:一种是直接对图像的灰度值在时域(空间域)进行计算,并提取特征值;另外一种是通过快速傅立叶变换(FFT)。Gabor变换、小波变换等方法,把图像转换到频域后再进行分析计算。

起初，大多是直接对图像的灰度值在空间域中进行计算，把一幅图像的灰度图用一个以灰度值组成的矩阵，使用不同的方法对图像进行处理，从而抽取不同的特征量，如灰度匹配法、灰度共生矩阵、灰度统计量法、马尔科夫随机场以及数学形态学等是纹理分析常用的方法。

1）灰度匹配法：此种算法的主要方法是在检测前，首先应该寻找一幅标准的（没有瑕疵点）织物图像作为检测模板，接着拿此模板和待检测的织物图像进行相减，再选用一个低通滤波器对此前得到的相减的结果进行一次低通滤波，最后可以

统计出残留图像的灰度分布，从而得到图像的特征值。lewis等人在1994年使用过此方法进行研究，方法简单，效果一般。因为此方法有自身的不足之处，即必须要求待检测的整副图像与模板必须一致，而在实际应用中这是不容易实现的。