基于机器视觉的纺织品瑕疵检测与分类
摘要 | 第3-5页 |
ABSTRACT | 第5-6页 |
1 绪论 | 第10-17页 |
1.1 课题背景与意义 | 第10-11页 |
1.2 行业发展现状 | 第11-13页 |
1.3 关键技术及研究现状 | 第13-15页 |
1.3.1 图像预处理 | 第13页 |
1.3.2 图像分析技术 | 第13-15页 |
1.3.3 瑕疵识别技术 | 第15页 |
1.4 论文工作安排 | 第15-17页 |
2 布匹类型识别与分类 | 第17-29页 |
2.1 引言 | 第17页 |
2.2 基于灰度共生矩阵构建特征向量 | 第17-23页 |
2.2.1 灰度共生矩阵基本原理 | 第17-19页 |
2.2.2 特征值的选择 | 第19-21页 |
2.2.3 灰度级参数择优与特征值提取 | 第21-23页 |
2.3 基于K近邻算法进行分类 | 第23-28页 |
2.3.1 K近邻算法基本原理 | 第23-25页 |
2.3.2 K近邻算法最优参数选取 | 第25-28页 |
2.3.3 K近邻布匹分类结果 | 第28页 |
2.4 本章小结 | 第28-29页 |
3 基于Gabor滤波器与灰度共生矩阵的瑕疵检测 | 第29-53页 |
3.1 引言 | 第29页 |
3.2 图像预处理 | 第29-32页 |
3.2.1 蒙版锐化法 | 第29-31页 |
3.2.2 光比平衡法 | 第31-32页 |
3.3 基于Gabor滤波器的瑕疵检测 | 第32-39页 |
3.3.1 Gabor函数与二维Gabor滤波器 | 第32-34页 |
3.3.2 Gabor多角度多尺度滤波 | 第34-36页 |
3.3.3 滤波图像融合与检测结果 | 第36-39页 |
3.4 基于灰度共生矩阵的瑕疵检测 | 第39-44页 |
3.4.1 常规灰度共生矩阵检测 | 第39-41页 |
3.4.2 改进的灰度共生矩阵检测 | 第41-44页 |
3.5 图像分割与检测结果 | 第44-52页 |
3.5.1 图像分割 | 第44-47页 |
3.5.2 连通域分析 | 第47-49页 |
3.5.3 瑕疵检测结果 | 第49-52页 |
3.6 本章小结 | 第52-53页 |
4 基于机器学习的瑕疵分类 | 第53-81页 |
4.1 引言 | 第53页 |
4.2 构建瑕疵特征向量 | 第53-54页 |
4.3 基于支持向量机的瑕疵分类 | 第54-59页 |
4.3.1 支持向量机基本原理 | 第54-58页 |
4.3.2 分类器择优与结果 | 第58-59页 |
4.4 基于CART决策树的瑕疵分类 | 第59-66页 |
4.4.1 CART决策树基本原理 | 第59-63页 |
4.4.2 决策树参数选优与分类结果 | 第63-66页 |
4.5 基于BP神经网络的瑕疵分类 | 第66-77页 |
4.5.1 BP神经网络基本原理 | 第66-70页 |
4.5.2 BP网络设计 | 第70-74页 |
4.5.3 BP分类结果 | 第74-77页 |
4.6 基于各类别分类精度的混合分类法 | 第77-80页 |
4.6.1 三种分类器独立分类结果 | 第77-78页 |
4.6.2 混合分类法 | 第78-80页 |
4.7 本章小结 | 第80-81页 |
5 可视化瑕疵检测系统 | 第81-89页 |
5.1 引言 | 第81页 |
5.2 质量定级标准 | 第81-82页 |
5.3 可视化系统功能介绍 | 第82-88页 |
5.3.1 单次检测 | 第82-84页 |
5.3.2 实时校正与二次训练 | 第84-87页 |
5.3.3 批量检测 | 第87-88页 |
5.4 本章小结 | 第88-89页 |
6 总结与展望 | 第89-90页 |
致谢 | 第90-91页 |
参考文献 | 第91-95页 |
攻读学位期间的成果 | 第95页 |