俞文静,刘 航,李梓瑞,赖冬宜
(广州大学华软软件学院,广东 广州 510990)
在纺织工业生产中,影响布匹质量和生产效率的主要因素是纺织机器的故障或者人工操作失误所造成的布匹疵点和破损,传统检测方法以人工方式肉眼观察为主要手段。检测者凭借眼睛去观察,发现布匹的瑕疵并判断布匹出现瑕疵的原因,对生产机器和人工操作做出及时调整,减少生产损失。人眼检测的效率低下,人工成本较大,耗时耗力。因此,研究自动化、智能化的针织物瑕疵检测的应用设施已经成为纺织行业、信息技术行业的热点。
近年来,国内外将机器视觉技术应用于布匹瑕疵检测已取得一些成果,其中具有代表性的Ye[1]提出基于图像直方图统计变量的模糊推理,对瑕疵具有旋转平移不变性的优点,但是对图像的噪声特别敏感;基于Gabor变换的方法[2]和基于滤波器的方法[3-4]能够基于不同的尺度图像获得较高维度的特征空间,对于边缘瑕疵、孔洞具有很好的检测效果,但是滤波器的参数值较难优化且算法计算量大。
综上所述,已有的研究成果在保持瑕疵变换不变性和边缘检测等方面有很好的效果,但是容易受到图片噪声的影响和计算量大的制约。借鉴于此,结合卷积神经网络图像识别算法,该文提出一种基于图像增强和CNN的单色布匹瑕疵检测方法。
如今,卷积神经网络(convolutional neural network,CNN)在图像识别领域冠绝一时,不仅对图像中的无数特征有着强大丰富的表达能力,且在图像变换不变性、背景复杂的条件下依然有很强的分类与泛化能力[5-7]。……