基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)識(shí)別.pdf

1、基于圖像處理的織物疵點(diǎn)檢測(cè)就是紋理分割和模式識(shí)別問(wèn)題，本文提出了一種基于離散小波變換和BP神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)識(shí)別方法，其主要包括織物疵點(diǎn)圖像預(yù)處理、疵點(diǎn)圖像小波變換、特征提取和疵點(diǎn)識(shí)別。 在預(yù)處理中，采用4種不同的小波域降噪方法，對(duì)織物疵點(diǎn)圖像進(jìn)行降噪處理，以峰值信噪比為標(biāo)準(zhǔn)，選擇出貝葉斯閾值和軟閾值收縮準(zhǔn)則相結(jié)合的方法降噪效果最佳。根據(jù)織物疵點(diǎn)的特殊形狀結(jié)構(gòu)，本文創(chuàng)新性地提出了基于小波變換的自適應(yīng)高斯平滑化和拉普拉斯算子卷積作

2、差相結(jié)合的方法對(duì)織物疵點(diǎn)圖像進(jìn)行增強(qiáng)，以消除由重復(fù)的結(jié)構(gòu)紋理單元形成的背景，突出疵點(diǎn)部分。 根據(jù)織物紋理和結(jié)構(gòu)的特殊性質(zhì)，本文提出了同時(shí)提取紋理特征和幾何形狀特征作為神經(jīng)網(wǎng)絡(luò)識(shí)別參數(shù)，以提高疵點(diǎn)正確識(shí)別率。在紋理特征提取部分，本文提出了小波域和空域分析相結(jié)合的方法：小波變換和灰度共生矩陣相結(jié)合的方法。詳細(xì)介紹了小波基的選擇、最佳分解層的確定方法、子帶重構(gòu)規(guī)則、灰度共生矩陣重要參數(shù)的選擇方法和疵點(diǎn)紋理特征值的主成分分析。以給定的具

3、有不同織物組織結(jié)構(gòu)的無(wú)疵點(diǎn)織物圖像經(jīng)小波分解后輸出的圖像的高通子圖像能量最小作為逼近條件從合適的小波庫(kù)中優(yōu)選出最佳分解小波基。采用相鄰兩層的高頻子帶能量之比值小于1作為最佳分解層數(shù)的選擇依據(jù)。在最佳分解層，為了保證特征提取源的有效性，并減化運(yùn)算的復(fù)雜程度，在圖像子帶重構(gòu)時(shí)，提出子帶重構(gòu)規(guī)則。根據(jù)重構(gòu)規(guī)則自動(dòng)選擇子帶進(jìn)行重構(gòu)，對(duì)重構(gòu)后的子帶采用基于特征的小波融合方法進(jìn)行融合。根據(jù)織物具有連續(xù)性和方向性的特征，本文提出了灰度共生矩陣差分距離

4、和方向角自適應(yīng)選擇規(guī)則。對(duì)由灰度共生矩陣中提取的13個(gè)紋理特征參數(shù)進(jìn)行主成分分析，以消除信息冗余。為綜合表達(dá)疵點(diǎn)特征，對(duì)增強(qiáng)后的織物疵點(diǎn)圖像采用最佳閾值邊緣檢測(cè)和形態(tài)學(xué)運(yùn)算，從二值化后的織物疵點(diǎn)圖像中提取長(zhǎng)、短徑之比作為幾何形狀特征，以描述疵點(diǎn)的形狀特征。 在織物疵點(diǎn)識(shí)別網(wǎng)絡(luò)設(shè)計(jì)時(shí)，提出了隱含層神經(jīng)元個(gè)數(shù)不適宜規(guī)則和網(wǎng)絡(luò)訓(xùn)練方法不適宜規(guī)則，以優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高訓(xùn)練速度。采用結(jié)構(gòu)為：輸入層7個(gè)神經(jīng)元，隱含層16個(gè)神經(jīng)元，輸出層4個(gè)