一、Image Analysis of Fabric Pilling Based on Light Projection(论文文献综述)
秦愈[1](2021)在《三向织物计算机辅助设计及拉伸性能研究》文中提出随着科学技术与人们的生活联系日益紧密,通过软件程序进行织物结构设计的便捷性与快捷性越来越受到人们的关注。三向织物具有结构稳定性好,拉伸、撕裂等力学性能较好等优势,被广泛应用于纺织材料中。本文通过对三向织物的结构进行研究,采用代码程序对织物进行平面设计,为织物建模奠定结构基础。拉伸性能是织物最基本的力学性能,文章利用有限元模拟技术研究了三向织物的拉伸性能。同时,文章分别对比了不同织物、不同组织结构和不同纱线线密度的织物模型拉伸性能。利用有限元模型分析方法可以减少实际试织、制样、测试等流程,有效地对织物的拉伸性能进行模拟分析。首先,文章对三向织物的结构进行了研究,采用扁平织带进行不同组织、不同宽度的实物编织,探究织物组织中特征点的位置关系,并根据机织物覆盖系数的原理推出三向织物覆盖系数计算公式。其次,文章利用Python语言进行三向织物的组织结构软件设计,分别计算织物中经纱和纬纱的循环方式以及覆盖系数。并利用Python和Py Qt5相结合,进行软件程序界面的设计和软件代码的设计,软件程序可以设计出不同纱线宽度、不同经纱组数、不同经纱颜色的织物组织图。同时利用代码进行纱线位置的排列可以减少人为手工编织的不准确性。最后,在软件程序的基础上根据输出的位置坐标结果以及实际观察的纱线位置截面关系,来计算织物中纱线的弯曲路径,利用建模软件建立织物模型,为有限元织物模拟奠定三维物理模型基础。在ABAQUS有限元软件中进行织物单胞模型的细观拉伸分析和织物整体模型的宏观拉伸分析,对比两种织物模型的经向拉伸和纬向拉伸中应力分布情况,并对比两种模型结构的应力-应变曲线;在有限元单胞模型的基础上,对比了平纹组织和三向组织的拉伸性能。结果发现:细观模型可以准确反映出织物在拉伸过程中的应力分布情况,网格划分越细致,越与实际结果相符合;对比同纱线密度、不同组织结构对织物的拉伸性能存在一定影响,三向织物的拉伸性能模拟结果好于平纹织物;对比相同组织、不同纱线线密度的三向织物结构发现,在三向织物中,纱线线密度越大,织物的拉伸性能越好;对比同种纱线线密度、不同三向织物组织结构发现,经纱根数的增加会对织物拉伸力学性能产生影响,根数增加,织物的空隙减少,织物的拉伸性能越好。
杨雨露[2](2020)在《分形理论在室内设计中的应用研究》文中研究说明分形理论作为当今非线性科学的前沿之一,在自然科学、社会科学等领域的蓬勃发展为复杂自然现象提出了清晰的理论构架及其量化标准,引导人们认识复杂现象的简单成因,成为一种重要的方法论和认识论。分形图形的错综、美丽和富于表现,唤起科学世界的想象力,同时也使人们感受到它们与真实世界之间深奥的关系。本研究以分形理论为指导,从自然现象和社会现象中提取符合分形规律的规则与方法,以室内设计的方式进行分析与表述,形成一种可以用于指导室内设计的规则方法,在复杂现象和简单规则之间架起一座方法论的桥梁。全文分为六个部分。第一部分作为研究背景与研究基础。第二部分对分形理论的相关知识进行整理。第三部分通过上一章对分形理论基本特性、美学特征、哲学思想的提炼与分析,试图找出分形应用于室内设计中的相关理论依据与表现方法。第四部分,根据分形理论在室内设计中的表现方法,结合一些已经成功的经典案例针对分形在室内空间、结构、界面造型、细部造型、光影、色彩、家具与陈设中的具体应用进行解析。第五部分对分形思维下的室内设计构成元素与材料在室内设计中的适应性应用两个方面进行分析。第六部分总结和展望未来分形在室内设计领域中有更好的发展和应用。
马浩[3](2019)在《色织物表面缺陷检测算法研究》文中提出色织物缺陷检测是纺织品制造中质量控制的核心。然而,传统的人工检测方法存在误检率高、检测速度慢及劳动强度大等缺点,且检测结果易受到主观因素和外界环境的影响。由于色织物缺陷种类繁多,现有的检测算法难以满足准确性和普适性的要求。本课题将色织物缺陷检测算法作为主要研究内容,以算法的准确性和普适性为目标。具体工作如下:(1)针对图案织物缺陷检测问题,采用LBP和HOG特征相结合的检测算法。首先,对图案织物进行直方图均衡化处理,使图像的灰度值分布均匀并增强图像细节。均衡化后的图像通过距离匹配函数被分解为多个重复单元,提取LBP和HOG特征并使用PCA降维。其次,通过带有类别标签的重复单元特征来训练支持向量机。最后,利用训练好的分类器依次判断织物图像中的重复单元是否存在缺陷,并输出重复单元在织物图像上的位置,实现图案织物缺陷检测。(2)针对小样本下色织物缺陷检测问题,采用基于卷积神经网络的织物缺陷检测算法。为达到同时检测和定位缺陷的目的,在训练阶段将图像分解后的局部块作为训练样本,测试阶段对原始织物图像按其周期依次检测。首先,采用MNIST数据集预训练网络模型并保存训练后的模型参数,将其作为训练织物局部块的初始化参数。然后,采用自相关函数将原始图像分解为局部块并标记相应的类别构造新的数据集,加载预训练模型采用迁移学习的方法进行参数微调,以此来加速和优化学习效率。最后,利用训练好的模型在原始图像上滑动来检测每个局部块的缺陷,并获得缺陷的位置。(3)针对净色布和图案织物缺陷检测问题,采用基于非下采样轮廓波变换和广义高斯混合模型的织物缺陷检测方法。首先预设检测窗口大小,采用非下采样轮廓波变换提取每个窗口中的特征。然后使用广义高斯混合模型对非下采样轮廓波系数特征进行建模。最后选择无缺陷的子块作为模板,计算模板与待检测子块的广义高斯混合模型之间的相对熵,通过阈值实现缺陷检测。本文图35幅,表8个,参考文献93篇。
刘娆[4](2019)在《卷积神经网络在纺织品缺陷检测中的应用研究》文中进行了进一步梳理近年来,深度学习技术在语音识别、智能监控、人脸识别等方面取得了巨大的成功,卷积神经网络作为深度学习最主要的算法之一也逐渐被广泛应用在工业图像缺陷检测中。卷积神经网络用于织物缺陷检测主要有两种方法:一种是只对缺陷进行分类;另一种是既对缺陷类别进行判定同时也定位出缺陷位置。本课题以白坯布、色织物、复杂条纹织物为研究对象,分析了卷积神经网络在织物缺陷智能分类和检测上的应用价值。针对深度学习在实际应用场景中存在的样本获取困难和样本量少的问题,分析了如何利用深度学习方法有效地分类和检测织物缺陷。研究内容主要包括以下几个方面:(1)将迁移学习与卷积神经网络模型相结合。首先加载已经在百万数据集上预训练好的模型AlexNet和GoogLeNet,再利用已构建好的数据样本对预训练模型的参数进行微调,该方法在缩短训练时间和降低实验硬件要求的基础上极大地提高了训练的准确率。因为不同的卷积神经网络卷积层数不尽相同,这代表着它们的感受野也不同,于是在迁移学习的基础上将AlexNet与GoogLeNet提取的特征进行融合,最后加入SVM分类器进行缺陷分类。实验结果表明,采用特征融合加迁移学习的方法比单独应用AlexNet和GoogLeNet做迁移学习,识别准确率分别提升了4.8%和10%。(2)基于YOLOv3的色织物缺陷检测方法。为了能同时完成纺织品缺陷的分类和定位,使用YOLOv3网络进行色织物缺陷检测。与原始YOLO方法不同,该网络采用Darknet-53作为基础网络,基础网络的改进减轻了计算量方面的压力;分类器使用多个logistic分类器;同时增加多尺度预测,很好地解决了小目标检测中存在的检测精度低且效率不高等问题。实验结果表明,在两类色织物上进行测试后识别的平均准确率达到98.07%和97.18%。(3)织物缺陷检测平台的搭建。为了进一步将本文算法应用到实际的工业生产中,使用织物传动机构、光源、图像采集模块、工控机等,搭建织物缺陷检测平台,并结合文中的检测算法设计了一套完整的检测系统。最后对已经完成的工作进行总结,同时展望课题未来的发展趋势。本文共有图60幅,表15个,参考文献74篇。
宋明峰[5](2019)在《基于机器视觉的筒纱缺陷在线检测系统研究》文中进行了进一步梳理纺织行业与人们的日常生活息息相关,同时也作为经济支柱产业在我国国民经济中占据着十分重要的位置。但纺织业发展到今天依然是劳动密集型产业,尤其是在纺织产品的缺陷检测工序中,一直依赖人工检测的方式严重制约着行业的高速发展。因此在生产过程中寻求能够快速精确检测出纺织品缺陷的方法已成为目前亟待解决的问题之一。筒纱是纺纱工序中的最后一道工序——络筒的产出品,其质量直接影响后续工序的生产并最终影响纺织成品的质量。由于纱线原料质量、设备性能、工艺流程、人员操作等多方面的原因,筒纱在成型过程中容易产生多层台、网纱、菊花芯、多源纱等缺陷。本课题以筒纱为研究对象,选用工控机、光源组、相机组、光电开关等硬件设备组建检测平台,应用机器视觉技术研究适用于工业生产流程现场的缺陷检测系统,实现了多种缺陷类型的快速在线检测。主要研究内容为以下几个方面:(1)针对筒纱多层台缺陷表现为侧面轮廓的高低不平,首先通过主动光配合成像,获得高对比度的筒纱轮廓外形图像,然后在轮廓边缘线中确定侧面起止点,最后通过度量侧面轮廓线与拟合轮廓线误差分布,根据拟合情况度量是否为多层台缺陷。(2)针对筒纱顶面存在的网纱缺陷,提出一种基于多方向匹配滤波的缺陷检测方法。首先利用图像矩方法定位筒纱顶面环形图像中心,接着利用极坐标变换将顶面环形图像展开为矩形图像,而后使用DoG算法增强图像边缘,采用局部方向一致性原则利用多方向模板在强干扰背景下有效提取网纱像素,最后利用连接关系进一步优化缺陷检测结果。(3)提出了基于图像投影的快速缺陷检测方法用于检测筒纱菊花芯和多源纱两种缺陷。经过预处理之后,两种缺陷具有相似的图像纹理特征。首先依据筒顶几何校正方法将筒纱顶面环形图像展开为矩形图像,然后将展开图在垂直方向上投影,通过计算在投影曲线上的尖峰数目可以实现对菊花芯缺陷进行快速判定;将展开图在水平方向上投影,通过计算在筒纱半径范围内的投影灰度偏差值可以实现对多源纱缺陷进行快速判定。(4)设计了双曝光机制的筒纱缺陷在线检测系统,将光源过曝模式和正常曝光模式下采集的图像分别用于图像定位和特征提取。依据检测指标从相机和镜头的参数、视觉光源类型及光照模式、光电开关类型等方面进行了关键器件的选型。通过对硬件系统工作流程、软件算法检测流程以及人机交互界面的设计优化,实现了筒纱的实时自动化在线检测。
梁猛,刘超,马云,曾祥忠[6](2017)在《基于快速傅里叶变换的窗帘布剖幅区动态定位》文中提出给出一种窗帘布剖幅区的动态定位方法。基于快速傅里叶变换,提取窗帘布剖幅区频域特征,通过分析运动中布匹的抖动、光照变化和运动拖影等引起的图像频谱特性变化,得到频谱特征值和剖幅区位置的关系,通过确定频谱的峰值区间,设定自适应阈值,从而对剖幅区识别定位。实例验证结果表明,该定位方法可快速准确的实现剖幅区的动态定位。
孙国栋,林松,艾成汉,赵大兴[7](2016)在《基于灰度共生矩阵与反向投影的织物疵点检测》文中认为针对织物疵点检测,将灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)与反向投影结合起来,提出了一种基于GLCM的反向投影方法(GLCM-BP);首先介绍了GLCM-BP的原理,然后给出了织物疵点检测流程,分析并优化了GLCM的距离d与灰度级N等参数,选择了相应的滤波与自适应阈值分割方法以检测疵点,同时给出了7种常见疵点的检测结果;最后将本文方法与GLCM方法作了检出率的比较;结果表明,提出的方法具有良好的疵点分割效果,可显着提高疵点检出率。
张雪[8](2016)在《玻纤织物成型性的测试表征与预测》文中研究说明近年来,纺织复合材料发展迅速,在汽车、轮船、航空航天、建筑、机械、医疗卫生等领域有了广泛应用。织物作为纺织复合材料增强体,其成型性会影响最终制品的使用效果,严重可能导致产品报废,造成不可预估的损失。因此,研究织物的成型性具有非常重要的意义。本文首先采用非接触式三维扫描仪,构建了织物成型性装置,以玻璃纤维作为试验材料,测试了织物相关参数,提出了织物成型性的5个评价指标,分别是褶皱的曲率极差、褶皱的半径极差、试样与顶球间的空隙体积、褶皱的圆形度、织物试样与顶球的接触面积,并利用Geomagic Studio软件和Matlab软件实现了对这5个指标的运算。其次,以7位检验人员对织物试样成型性的主观评价为评价基准,将织物成型性的5个评价指标分别与检验人员评价结果进行一致性检验,并运用逐步回归和线性回归方法对织物成型性的影响因素进行分析。最后利用BP神经网络对织物成型性进行预测。研究表明,5种评价指标中,织物试样与球体的接触面积与检验人员对织物成型性的评定结果一致性最高,并且其数据的稳定性较好,可以将这个指标作为表征织物成型性的指标;织物的成型性与织物的厚度密切相关,根据织物的厚度可以大致估计织物的成型性;BP神经网络预测织物成型性结果与试验结果的误差在可接受范围内,具有一定的可行性。
林松[9](2016)在《基于反向投影的织物疵点检测算法研究》文中指出疵点检测是保证织物质量的重要手段,也是织物生产过程中的一个重要环节。目前,国内大部分织物检测依然依赖于人眼检测,不仅人工成本高而且效率低。而基于机器视觉的检测方法采用自动化的图像采集与缺陷识别方式,可大大弥补人工检测的不足,正逐步代替人工检测成为未来的发展趋势。其中,图像处理算法是织物疵点检测的研究重点。针对织物的周期性纹理特点,疵点检测所常用的纹理特征提取方法主要包括统计方法、信号处理方法、结构方法和模型方法。虽然这些方法均具有一定效果,但普遍存在计算复杂度高、耗时较长的问题。因此,本文研究了基于反向投影的织物疵点检测算法,主要研究内容如下:在直方图反向投影的基础上研究了基于灰度直方图反向投影的检测算法。对灰度直方图反向投影进行了改进,介绍了其纹理屏蔽性,并分析了织物疵点检测的流程及参数选择,然后给出了实验结果,最后对检测结果及用时进行了比较。针对灰度直方图反向投影在大块油污检测中所存在的问题,提出了改进的灰度直方图反向投影检测算法。从检测流程、分块特征和反向投影原理这三个角度进行了分析,最终采用改进反向投影原理及其后续流程的方法,并给出了实验结果。针对灰度直方图特征单一的问题,在灰度共生矩阵和改进反向投影的基础上提出了基于灰度共生矩阵反向投影的检测算法。介绍了算法的原理,分析了算法的流程及参数选择,给出了实验结果,并与其他方法进行了比较分析。综上所述,通过对以上三种基于反向投影的织物疵点检测算法的测试,得出以下结论:改进的灰度直方图反向投影检测算法和基于灰度共生矩阵反向投影的检测算法均是对基于灰度直方图反向投影的检测算法的改进,具有较好的检测效果。基于灰度共生矩阵反向投影的检测算法的疵点分割效果更好,但其用时则较其他两者要长。若追求算法的鲁棒性,则选择灰度共生矩阵反向投影;若追求检测速度和检测精度,则选择改进的灰度直方图反向投影。
孙国栋,林松,艾成汉,赵大兴[10](2016)在《基于灰度直方图反向投影的织物疵点图像分割》文中研究指明针对织物的周期性纹理,提出了基于灰度直方图反向投影的疵点图像分割算法。该方法具有纹理屏蔽性,因而可以较好地分割疵点。首先介绍了灰度直方图反向投影的原理及其改进形式,然后对算法流程进行了分析并给出了几种疵点的检测结果。最后与Gabor滤波方法和灰度共生矩阵方法进行了用时比较。实验结果表明基于灰度直方图反向投影的织物疵点图像分割算法不仅效果好,而且用时短。
二、Image Analysis of Fabric Pilling Based on Light Projection(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Image Analysis of Fabric Pilling Based on Light Projection(论文提纲范文)
(1)三向织物计算机辅助设计及拉伸性能研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 研究现状 |
1.2.1 计算机技术在纺织领域的应用现状 |
1.2.2 三向织物的发展 |
1.2.3 三向织物的力学性能研究现状 |
1.2.4 三向织物的应用 |
1.3 课题研究的目标及内容 |
1.3.1 研究目的 |
1.3.2 研究内容 |
第二章 三向织物的结构研究及二维计算机辅助设计 |
2.1 相关理论 |
2.1.1 Python介绍 |
2.1.2 Qt简介 |
2.1.3 PyQt5 简介 |
2.1.4 三向织物的组织结构 |
2.2 三向织物单元组织结构分析及特征点确定 |
2.2.1 三向织物单元结构分析 |
2.2.2 工艺参数测量 |
2.2.3 组织单元特征点选择 |
2.3 织物覆盖系数 |
2.4 三向织物组织结构设计 |
2.4.1 经纱循环宽度计算 |
2.4.2 纬纱循环宽度计算 |
2.4.3 织物覆盖系数的计算 |
2.5 织物的二维设计 |
2.5.1 参数界面设计 |
2.5.2 逻辑文件设计 |
2.6 二维设计图 |
2.6.1 不同纱线宽度的三向织物 |
2.6.2 不同纱线组数的三向织物 |
2.6.3 不同经纱颜色的三向织物 |
2.7 本章小结 |
第三章 三向织物的三维模拟和有限元拉伸模拟 |
3.1 ABAQUS有限元软件 |
3.1.1 ABAQUS软件介绍 |
3.1.2 求解问题的基本步骤 |
3.1.3 织物拉伸性能有限元计算流程 |
3.2 织物单胞模型的三维模拟 |
3.2.1 纱线截面构建 |
3.2.2 纱线中心线构建 |
3.3 织物结构模型构建 |
3.3.1 三向织物单胞模型 |
3.3.2 三向织物等比例模型 |
3.4 单纱拉伸强力测试 |
3.5 织物力学拉伸性能环境创建 |
3.5.1 几何模型建立 |
3.5.2 材料属性定义 |
3.5.3 有限元求解器的选择 |
3.5.4 相互作用及接触摩擦定义 |
3.5.5 载荷及边界条件 |
3.5.6 网格单元的划分 |
3.6 织物有限元拉伸模型分析 |
3.6.1 织物单胞有限元模型 |
3.6.2 织物等比例有限元模型 |
3.6.3 两种有限元模型对比 |
3.7 模拟结果及分析 |
3.8 本章小结 |
第四章 基于单胞模型的有限元织物拉伸对比 |
4.1 平纹织物与三向织物的单胞模型拉伸有限元对比 |
4.1.1 平纹织物与三向织物单胞模型构建 |
4.1.2 织物拉伸力学性能模拟 |
4.1.3 模拟结果 |
4.2 不同线密度的三向织物单胞模型拉伸有限元对比 |
4.2.1 织物单胞模型构建 |
4.2.2 织物拉伸力学性能模拟 |
4.2.3 模拟结果 |
4.3 不同组织的三向织物单胞模型拉伸有限元对比 |
4.3.1 织物的单胞模型构建 |
4.3.2 织物拉伸力学性能模拟 |
4.3.3 模拟结果 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 不足与展望 |
参考文献 |
硕士期间发表论文和参加科研情况 |
致谢 |
(2)分形理论在室内设计中的应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 课题研究对象 |
1.3 课题研究内容 |
1.4 课题研究目的及意义 |
1.5 课题国内外研究现状 |
1.5.1 国外相关研究 |
1.5.2 国内相关研究 |
1.6 课题研究方法与主题框架 |
1.6.1 研究方法 |
1.6.2 主题框架 |
第二章 分形理论的整体认知 |
2.1 从欧几里得几何到分形几何 |
2.2 分形理论的内涵与外延 |
2.2.1 定义阐述 |
2.2.2 形式特征 |
2.3 分形理论的分类 |
2.3.1 规则分形 |
2.3.2 混沌分形 |
2.4 分形美学的展现 |
2.5 分形理论中的哲学思想 |
2.5.1 整体与部分 |
2.5.2 简单与复杂 |
2.5.3 确定性与随机性 |
2.6 本章小结 |
第三章 分形理论在室内设计中的方法研究 |
3.1 室内中分形镶嵌韵律设计方法 |
3.2 室内中分形重复并置设计方法 |
3.3 室内中分形师法自然设计方法 |
3.4 室内中分形迭代设计方法 |
3.5 室内中非线性曲面构建法 |
3.6 本章小结 |
第四章 分形理论在室内设计中的应用研究 |
4.1 室内空间中分形的应用 |
4.2 室内结构中分形的应用 |
4.3 室内界面造型中分形的应用 |
4.4 室内细部造型中分形的应用 |
4.5 室内灯光中分形的应用 |
4.6 室内色彩中分形的应用 |
4.7 室内家具与其他陈设中分形的应用 |
4.7.1 家具中分形的应用 |
4.7.2 现代灯具中分形的应用 |
4.7.3 织物中分形的应用 |
4.7.4 装饰中分形的应用 |
4.8 本章小结 |
第五章 分形思维下的室内设计构成元素及材料分析 |
5.1 室内分形构成元素分析 |
5.1.1 点的特征 |
5.1.2 线的特征 |
5.1.3 面的特征 |
5.1.4 体的特征 |
5.2 材料在室内分形中的适应性分析 |
5.2.1 木材料 |
5.2.2 板材料 |
5.2.3 玻璃材料 |
5.2.4 金属材料 |
5.2.5 新型材料 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 论文的总结 |
6.2 参数化设计对室内分形的影响 |
6.3 分形理论在室内设计中的应用展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文与研究成果 |
(3)色织物表面缺陷检测算法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题来源 |
1.2 课题研究背景及意义 |
1.3 国内外研究现状及发展情况 |
1.3.1 检测系统研究现状 |
1.3.2 检测方法研究现状 |
1.4 论文章节安排 |
2 基于LBP和 HOG特征的图案织物缺陷检测 |
2.1 织物缺陷检测算法流程 |
2.1.1 直方图均衡化 |
2.1.2 计算织物周期 |
2.2 织物局部图像的LBP特征 |
2.2.1 原始LBP特征 |
2.2.2 改进后的LBP特征 |
2.4 织物局部图像的HOG特征 |
2.4.1 标准化Gamma空间和颜色空间 |
2.4.2 计算图像梯度 |
2.4.3 构建梯度方向直方图 |
2.4.4 归一化梯度直方图 |
2.5 特征降维 |
2.6 训练分类器 |
2.7 实验结果与分析 |
2.7.1 实验详述 |
2.7.2 检测结果及分析 |
2.8 本章小结 |
3 基于卷积神经网络的色织物缺陷检测 |
3.1 织物缺陷检测算法设计 |
3.1.2 卷积神经网络 |
3.2 几种典型的卷积网络模型 |
3.2.1 LeNet-5 网络 |
3.2.2 AlexNet网络 |
3.2.3 VGGNet网络 |
3.3 基于卷积神经网络的色织物缺陷检测 |
3.3.1 迁移学习 |
3.3.2 织物数据集预处理 |
3.3.3 网络模型的设计 |
3.3.4 预训练和微调网络模型 |
3.4 实验结果与分析 |
3.4.1 检测结果与分析 |
3.4.2 准确率评估方法 |
3.4.3 参数设置 |
3.4.4 检测结果与讨论 |
3.5 本章小结 |
4 基于非下采样轮廓波变换和广义高斯混合模型的织物缺陷检测 |
4.1 非下采样轮廓波变换 |
4.2 高斯混合模型 |
4.2.1 广义高斯分布 |
4.2.2 广义高斯混合模型 |
4.3 相对熵 |
4.4 实验结果与分析 |
4.5 本章小结 |
5 总结与展望 |
5.1 全文总结 |
5.2 课题展望 |
参考文献 |
作者攻读学位期间发表学术论文清单 |
致谢 |
(4)卷积神经网络在纺织品缺陷检测中的应用研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题来源 |
1.2 研究背景及意义 |
1.3 国内外研究现状 |
1.3.1 织物缺陷检测系统 |
1.3.2 织物缺陷检测算法 |
1.4 本论文主要研究内容及安排 |
2 相关研究工作综述 |
2.1 织物缺陷形成原因及分类 |
2.2 传统神经网络模型 |
2.3 卷积神经网络基本结构 |
2.3.1 卷积层 |
2.3.2 池化层 |
2.3.3 全连接层 |
2.4 卷积神经网络的基本特征 |
2.5 数据集配置 |
2.6 本章小结 |
3 基于卷积神经网络的织物缺陷分类算法 |
3.1 迁移学习 |
3.2 卷积网络分类模型 |
3.2.1 AlexNet |
3.2.2 GoogLeNet |
3.3 算法设计 |
3.3.1 迁移学习应用于卷积神经网络 |
3.3.2 网络参数的预训练 |
3.3.3 网络参数的微调 |
3.3.4 基于迁移学习的特征融合分类算法 |
3.3.5 SVM多分类器设计 |
3.4 实验结果与分析 |
3.5 本章小结 |
4 基于YOLOv3 的色织物缺陷检测算法 |
4.1 YOLO网络结构 |
4.2 基于YOLO目标检测模型的改进方法 |
4.3 算法流程 |
4.3.1 YOLOv3 检测模型 |
4.3.2 模型训练 |
4.3.3 实验结果及分析 |
4.4 模型评价 |
4.5 本章小结 |
5 系统架构的总体设计 |
5.1 织物传动机构设计 |
5.2 光源和相机的选择 |
5.3 图像采集模块 |
5.4 计算机配置 |
5.5 织物图像实时检测软件系统开发 |
5.5.1 软件总体框架 |
5.5.2 开发环境 |
5.5.3 人机交互模块 |
5.6 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 课题展望 |
参考文献 |
作者攻读学位期间发表学术论文清单 |
致谢 |
(5)基于机器视觉的筒纱缺陷在线检测系统研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 纺织品缺陷检测国内外研究现状 |
1.2.1 空间域图像特征统计方法 |
1.2.2 频率域处理方法 |
1.2.3 基于机器学习的图像处理方法 |
1.3 研究内容和创新点 |
1.3.1 研究内容 |
1.3.2 创新点 |
1.4 论文组织结构 |
第2章 筒纱缺陷在线检测系统设计 |
2.1 筒纱缺陷检测需求分析 |
2.2 系统总体设计方案和工作原理 |
2.3 关键器件选型 |
2.3.1 相机组 |
2.3.1.1 相机和镜头选型 |
2.3.1.2 确定相机曝光时间 |
2.3.2 光源组 |
2.3.2.1 光源类型选择 |
2.3.2.2 光照模式选择 |
2.3.3 光电开关组 |
2.3.4 工控机 |
2.4 系统工作流程 |
2.4.1 硬件系统工作流程 |
2.4.2 缺陷检测算法流程 |
2.4.3 人机交互界面设计 |
2.5 本章小结 |
第3章 基于拟合误差度量的筒纱多层台缺陷检测 |
3.1 多层台缺陷检测算法方案设计 |
3.2 侧面图像检测 |
3.3 曲线拟合检测算法 |
3.4 侧面轮廓端点定位 |
3.4.1 筒纱侧面待检测区域提取 |
3.4.2 曲率值比较定位轮廓端点 |
3.5 曲线拟合缺陷判定 |
3.6 缺陷判定试验结果与分析 |
3.7 本章小结 |
第4章 基于多方向匹配滤波的筒纱网纱缺陷检测 |
4.1 网纱缺陷检测算法总体方案设计 |
4.2 筒顶图像几何校正 |
4.2.1 几何矩确定筒纱顶面中心 |
4.2.2 极坐标变换展开 |
4.3 网纱缺陷图像边缘检测 |
4.4 多方向匹配滤波缺陷检测 |
4.4.1 多方向匹配滤波原理 |
4.4.2 多方向模板尺寸的选择 |
4.5 水平纹理干扰抑制 |
4.6 试验结果与分析 |
4.6.1 边缘检测参数的选择 |
4.6.2 多方向匹配滤波算法的检测效果 |
4.7 本章小结 |
第5章 基于图像投影的筒纱菊花芯缺陷和多源纱缺陷检测 |
5.1 菊花芯缺陷的投影检测与判定 |
5.1.1 菊花芯缺陷展开图像特征分析 |
5.1.2 高频峰值数目检测 |
5.2 多源纱缺陷的投影检测与判定 |
5.2.1 多源纱缺陷展开图像特征分析 |
5.2.2 灰度偏差检测 |
5.3 算法流程设计 |
5.4 试验结果与分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的学术论文与研究成果 |
(6)基于快速傅里叶变换的窗帘布剖幅区动态定位(论文提纲范文)
1 窗帘样布频谱分析 |
2 运动布匹频谱特征分析 |
2.1 不同对比度下图像频谱分析 |
2.2 不同物距下图像频谱分析 |
2.3 不同速度下图像频谱分析 |
3 运动布匹的剖幅区定位 |
3.1 峰值区间定位 |
3.2 自适应阈值 |
3.3 剖幅区的识别定位 |
4 实验结果及分析 |
5 结语 |
(7)基于灰度共生矩阵与反向投影的织物疵点检测(论文提纲范文)
0 引言 |
1 GLCM-BP算法原理 |
2 织物疵点检测流程及实验分析 |
2.1 织物疵点检测流程 |
2.2 GLCM-BP的参数选择 |
2.2.1 距离的选择 |
2.2.2 灰度级的选择 |
2.3 滤波与阈值分割 |
3 GLCM—BP与GLCM方法的比较 |
4 结论 |
(8)玻纤织物成型性的测试表征与预测(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 织物成型性模拟模型 |
1.2.1 几何模型 |
1.2.2 力学模型 |
1.3 织物成型性评价方法 |
1.3.1 研究剪切性能法 |
1.3.2 研究悬垂性能法 |
1.3.3 半球成型法 |
1.3.4 弯曲成型法 |
1.3.5 拍照法 |
1.4 本课题的研究内容 |
第二章 织物成型性三维扫描装置构建及测试准备 |
2.1 三维扫描技术的分类 |
2.2 三维扫描技术的应用领域 |
2.3 本课题所用三维扫描仪及成型装置构建 |
2.3.1 结构光非接触式三维扫描仪 |
2.3.2 织物成型装置构建 |
2.3.2.1 装置结构 |
2.3.2.2 装置参数 |
2.4 试验前的准备工作 |
2.4.1 仪器的准备和调试 |
2.4.2 仪器的标定 |
2.5 实验材料的选择及规格 |
2.6 本章小结 |
第三章 成型织物扫描及表征指标确立 |
3.1 对试样进行三维数据采集 |
3.2 成型性表征指标 |
3.2.1 褶皱的曲率极差和半径极差 |
3.2.2 试样与顶球的空隙体积 |
3.2.3 圆形度 |
3.2.4 织物试样的接触面积 |
3.3 检验人员评判织物成型性 |
3.4 本章小结 |
第四章 织物成型性表征指标测试 |
4.1 利用GEOMAGIC STUDIO处理三维数据 |
4.1.1 试验结果 |
4.1.2 半球处褶皱的曲率极差和半径极差 |
4.1.3 半球处织物与特征球体之间空隙体积 |
4.2 基于MATLAB的织物成型性表征指标的计算 |
4.2.1 MATLAB简介及在纺织服装领域的应用 |
4.2.2 圆形度计算 |
4.2.2.1 获取图像文件 |
4.2.2.2 MATLAB图像处理 |
4.2.2.3 圆形度测试结果 |
4.2.3 接触面积计算 |
4.2.3.1 数据过滤 |
4.2.3.2 特征球体提取 |
4.2.3.3 筛选出成型织物与顶球模型贴合的点 |
4.2.3.4 求出贴覆面积 |
4.2.4 织物与顶球贴覆面积计算结果 |
4.3 本章小结 |
第五章 实验数据分析 |
5.1 检验人员评价一致性检验 |
5.1.1 检验人员评价秩位 |
5.1.2 建立检验假设 |
5.1.3 计算并判断假设是否成立 |
5.2 评价指标与检验人员评价一致性检验 |
5.2.1 秩相关系数检验 |
5.2.2 检验结果 |
5.3 表征指标稳定性分析 |
5.3.1 无量纲化方法 |
5.3.2 无量纲化处理结果 |
5.4 回归分析 |
5.4.1 逐步回归分析 |
5.4.2 线性回归分析 |
5.5 本章小结 |
第六章 BP神经网络预测 |
6.1 BP神经网络工作原理及学习算法 |
6.2 建立BP神经网络模型 |
6.3 模型训练 |
6.4 结果及分析 |
6.5 本章小结 |
第七章 结论 |
参考文献 |
攻读学位期间的研究成果 |
附录 |
致谢 |
(9)基于反向投影的织物疵点检测算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题概述 |
1.1.1 课题来源 |
1.1.2 课题研究背景及意义 |
1.2 国内外相关研究综述 |
1.2.1 织物检测系统的介绍 |
1.2.2 纹理特征提取方法的综述 |
1.2.3 反向投影的研究综述 |
1.3 本文的研究内容 |
1.4 本文的组织结构 |
第2章 基于灰度直方图反向投影的检测算法 |
2.1 引言 |
2.2 直方图反向投影 |
2.2.1 基于块的直方图反向投影 |
2.2.2 基于像素点的直方图反向投影 |
2.3 基于灰度直方图反向投影的织物疵点检测 |
2.3.1 灰度直方图反向投影的改进 |
2.3.2 反向投影的纹理屏蔽 |
2.3.3 算法流程及参数选择 |
2.3.4 实验结果分析 |
2.3.5 图像的分块处理 |
2.3.6 算法评价 |
2.4 本章小结 |
第3章 改进的灰度直方图反向投影检测算法 |
3.1 引言 |
3.2 检测流程的改进 |
3.3 基于分块特征的改进方法 |
3.3.1 算法原理 |
3.3.2 实验结果分析 |
3.4 反向投影原理的改进 |
3.4.1 算法原理及流程 |
3.4.2 实验结果分析 |
3.5 本章小结 |
第4章 基于灰度共生矩阵反向投影的检测算法 |
4.1 引言 |
4.2 算法原理 |
4.2.1 灰度共生矩阵 |
4.2.2 灰度共生矩阵反向投影 |
4.3 算法流程及实验结果分析 |
4.3.1 GLCM-BP的参数选择 |
4.3.2 滤波与阈值分割 |
4.4 算法比较与优缺点分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 工作展望 |
参考文献 |
致谢 |
附录 |
一、攻读硕士学位期间发表的论文目录 |
二、专利及获奖情况 |
四、Image Analysis of Fabric Pilling Based on Light Projection(论文参考文献)
- [1]三向织物计算机辅助设计及拉伸性能研究[D]. 秦愈. 天津工业大学, 2021(01)
- [2]分形理论在室内设计中的应用研究[D]. 杨雨露. 昆明理工大学, 2020(05)
- [3]色织物表面缺陷检测算法研究[D]. 马浩. 西安工程大学, 2019
- [4]卷积神经网络在纺织品缺陷检测中的应用研究[D]. 刘娆. 西安工程大学, 2019
- [5]基于机器视觉的筒纱缺陷在线检测系统研究[D]. 宋明峰. 武汉理工大学, 2019(07)
- [6]基于快速傅里叶变换的窗帘布剖幅区动态定位[J]. 梁猛,刘超,马云,曾祥忠. 西安邮电大学学报, 2017(04)
- [7]基于灰度共生矩阵与反向投影的织物疵点检测[J]. 孙国栋,林松,艾成汉,赵大兴. 计算机测量与控制, 2016(07)
- [8]玻纤织物成型性的测试表征与预测[D]. 张雪. 青岛大学, 2016(03)
- [9]基于反向投影的织物疵点检测算法研究[D]. 林松. 湖北工业大学, 2016(08)
- [10]基于灰度直方图反向投影的织物疵点图像分割[J]. 孙国栋,林松,艾成汉,赵大兴. 制造业自动化, 2016(04)