基本信息
文件名称:基于结构化矩阵分解和深度学习的织物缺陷检测方法研究.pdf
文件大小:3.08 MB
总页数:56 页
更新时间:2025-05-20
总字数:约7.23万字
文档摘要

摘要

摘要

网状织物在畜牧业、农业、工业等方面应用广泛,在生产和生活中起到了关键作

用。然而网状织物在生产过程中会遇到各种难题,最为普遍的就是如何对网状织物质

量进行把控。网状织物质量的好坏直接决定了产品的质量,因此对网状织物进行质量

检测成为尤为关键的问题。本课题针对织物生产过程中质量检测问题进行深入研究,

主要包括网状织物图像预处理、数据集制作、网状织物缺陷检测,主要工作内容和相

关工作安排如下:

针对网状织物在采集过程中易受外界环境因素影响的问题,采用了一种基于

Retinex的网状织物图像增强的方法。首先,通过对三种预处理的算法进行介绍并选出

适合本文算法的预处理手段;其次,对实验中使用的织物图像采集设备进行选型和数

据集的制作进行介绍;最后,通过实验表明,本文选取的预处理手段取得了较好的效

果,为后续检测过程打下良好基础。

针对织物缺陷检测难、易漏检等问题,提出一种基于结构化矩阵分解的织物缺陷

检测方法。首先,提取织物图像的底层特征,通过SLIC算法将图像划分为不同层,提

取每一层织物图像的HOG特征、纹理特征和边缘特征并构建底层特征矩阵;其次,通

过将图像的位置先验、背景先验和颜色先验融合构建高级先验矩阵并通过计算每一层

的相似性构建索引树;最后,在高级先验矩阵和索引树的指导下对底层特征矩阵进行

分解得到稀疏矩阵并计算稀疏矩阵的值,使用OTUS阈值分割得到检测结果。实验结

果表明,与其他主流算法相比该算法取得了较好的检测结果,符合工业生产要求。

针对网状织物缺陷检测准确率低、漏检等问题,提出一种基于改进YOLOv4的织

物缺陷检测方法。首先,对YOLOv4的主干网络进行优化,采用了一种类似沙漏的网

络即Hourglass网络,对织物图像的缺陷特征进行提取;其次,考虑到在特征提取过程

中图像特征的损失问题,采用网络堆叠的方式减少在训练过程中织物图像特征的损失;

最后,为更加准确的衡量训练后的预测模型,通过引入三种损失函数进行优化处理。

2%

实验结果表明,该方法对织物缺陷的检测准确率普遍高于其他算法近,更加符合生

产和生活的使用。

关键词:图像预处理;缺陷检测;显著性;Hourglass网络;神经网络;

论文类型:应用研究

I

目录

目录

1

第章绪论1

1.1课题来源1

1.2课题研究背景及意义1

1.3国内外研究现状1

1.3.1图像预处理算法研究现状1

1.3.2显著性检测算法研究现状2

1.3.3深度学习算法研究现状3

1.3.4网状织物缺陷检测算法研究现状4

1.4本文研究内容与章节安排6

1.4.1研究内容6

1.4.2章节安排6

第2章基于Retinex的织物图像增强算法9

2.1Retinex图像增强理论9

2.2常见的几种Retinex算法10

2.2.1单尺度SSR算法10

2.2.2多尺度MSR算法11

2.2.3带颜色恢复的多尺度MSRCR算法12

2.3织物缺陷数据集的制作12

2.3.1图像采集设备硬件选型13

2.3.2数据集的制作16

2.4织物图像质量评价方法17

2.4.1主观评价方法17

2.4.2客观评价方法17