一、小波分析在织物缺陷检测中的应用（论文文献综述）
于航[1]（2021）在《基于Xavier的布匹缺陷检测系统》文中提出纺织工业中,织物缺陷在很大程度上影响产品的质量,检测布匹中的缺陷目标是工业生产中非常重要的一环。在过去,我国企业主要采用人工检测的手段,这种方式效率低、劳动强度大;近年来,使用计算机视觉技术替代人工检测的方式开始兴起,这十分有利于布匹缺陷检测环节的去人工化、高效化和低成本化。因此,研发缺陷检测系统对于纺织业中的产能提升具有较高的工程应用价值。本文采用模块化思想设计了基于Xavier的布匹缺陷检测系统。系统划分为图像采集模块、编码模块、算法处理模块以及对外交互模块。图像采集模块通过线阵相机采集布匹图像并作图像预处理;编码模块负责对将图像编码为JPEG格式;算法处理模块作为系统的核心模块,实现了布匹图像的缺陷目标识别与分类,以基于二阶段目标检测卷积神经网络Cascade R-CNN的开源解决方案为基准模型,针对布匹缺陷检测的特点,从抑制背景的频域滤波、选用轻量级骨干网络Mobile Net、加入注意力机制、调整损失函数以及马赛克数据增强五个方面改进检测算法,利用开源深度学习框架MMDetection完成算法模型的训练、测试;对外交互模块基于TCP/IP协议,实现了系统软件模块与PC客户端之间的数据、命令通信。测试表明,系统实现了布匹缺陷图像采集与编码、缺陷检测处理以及与PC客户端的数据通信等功能,各模块功能均满足要求;性能测试中缺陷检测算法m AP达到0.701,检测速度可达108m/min,具有较好的工程应用价值。
孙康康[2]（2021）在《基于机器视觉的网孔织物缺陷检测系统研究》文中认为纺织品是日常使用及消耗较多的日用品之一,每年都有大量的纺织品被消耗。存在缺陷的纺织品,其价格和使用体验都会受到较大的影响。目前,国内纺织品缺陷检测主要是由人工完成,然而人工检测存在测速度慢、可靠性低和易受主观因素影响等问题。基于机器视觉的缺陷检测方法恰好能有效解决这些问题,故本文针对基于机器视觉的网孔织物缺陷检测系统进行了研究,主要研究内容包含:（1）网孔织物缺陷检测系统搭建。为了保证检测系统采集到清晰的图像,减少外部恶劣环境的影响,需要合理设计硬件安装框架。其次,根据网孔织物缺陷检测的精度要求,对缺陷检测系统的硬件设备进行设计和选型。（2）网孔织物图像预处理算法研究。为了解决网孔织物图像对比度低和噪声点多的问题,作者提出三种有效的图像增强和去噪算法。灰度变换算法:在直方图均衡化算法增强图像的基础上,利用Sigmoid曲线对图像进行灰度变换,增加网孔织物图像的明暗对比度,使织物像素点和网孔像素点的差异更加明显。高斯金字塔算法:通过高斯金字塔算法对网孔织物图像进行下采样和上采样,不仅可增强织物纹理轮廓而且可消除图像中的噪声点。图像融合算法:首先,利用直方图均衡算法和双线性插值算法增强织物中心区域抑制网孔和织物边缘区域;然后,利用二维信息熵算法增强织物边缘区域抑制网孔和织物中心区域;最后,融合两幅图像达到增强织物像素点的目的。三种图像预处理算法可为后续的图像分割和缺陷检测提供高质量网孔织物图像。（3）网孔织物图像分割算法研究。从网孔织物图像中分割出完整的网孔是网孔织物缺陷检测的重要步骤,作者根据不同的分割原则提出三种网孔织物图像分割算法。基于改进FCM的图像分割算法:在FCM算法中添加空间信息增加网孔织物图像的分割正确率,首先,建立十字交叉滤波器获取每个织物像素点的空间信息;然后,将FCM算法中的隶属矩阵和双阈值分类算法相结合将空间信息添加到分割原理中。区域灰度极小值分割算法:首先,建立区域灰度极小值分割算法理论,获取每个像素点的局部区间,并将判定为区域极小值的像素点划分为网孔像素点;然后,创建多图像融合算法理论,融合多幅基于区域灰度极小值算法分割出的图像,该算法不仅避免了阈值选择还减少了网孔粘连的现象。灰度投影修正算法:首先,采用传统OTSU算法将网孔织物图像分割为仅含部分网孔粘连的图像;然后,利用灰度投影算法寻找粘连网孔并进行去粘连处理,解决了网孔织物图像分割结果中网孔粘连的问题。三种图像分割算法可以为缺陷检测步骤提供完整的网孔分割图,提高网孔织物缺陷检测的正确率。（4）网孔织物特征提取和缺陷检测算法研究。网孔织物图像属于周期性纹理图像,缺陷会严重破坏网孔图像中网孔形状和其分布状况,基于此特征,本文将网孔织物缺陷检测问题转化为网孔分类问题。首先,提取网孔的几何特征作为特征值;其次,训练样本数据创建决策树分类器和BP神经网络分类器;最后,将不同类型网孔划分为无缺陷网孔和缺陷网孔以完成网孔织物的缺陷检测。（5）实验研究。根据本文研究内容对图像分割算法和网孔分类算法进行了实验验证。一方面,对三种改进的图像分割算法进行实验并以完整分割网孔为标准计算网孔分割正确率,验证本文所提分割算法的有效性。另一方面,对设计和训练的决策树分类器和BP神经网络分类器进行实验,验证网孔分类和缺陷检测的准确性。实验结果表明,本文设计的网孔织物缺陷检测系统能较好的完成缺陷检测任务。
张家玮[3]（2021）在《基于机器视觉技术的织物缺陷检测方法研究》文中研究表明21世纪以来,随着人民生活水平的提高,人民对于衣物的需求量越来越大,也促使织物的产量变得越来越大。为了满足这种现状,织物的生产过程逐渐智能化,其中,一个关键环节就是对织物缺陷进行检测。现在国内大部分企业选择传统的人眼检测法,但是这种方式易受检测人员的主观影响,同时也极其考验检测人员的体力与眼力,因而造成了检测效率及精度低下的后果。为了解决上述问题,越来越多的学者将机器视觉技术应用在缺陷检测领域,且在此领域取得了突出的成果。因此,本文选择将机器视觉技术应用于织物缺陷检测问题上。本文主要工作内容如下:（1）针对织物表面缺陷检测准确率和效率都偏低的问题,提出一种基于二进制随机漂移粒子群优化算法（Binary Random Drift Particle Swarm Optimization,BRDPSO）的同步特征选择与参数优化方法。该算法在原始特征集上进行特征选择,同时优化随机森林分类器（Random Forest,RF）的参数,并以随机森林分类准确率指导BRDPSO算法的搜索。最后用最优参数构建的RF对挑选出的特征子集进行织物表面缺陷检测。实验结果表明,同步特征选择与参数优化的BRDPSO算法可以更有效地提高织物表面缺陷检测准确率和效率。（2）针对之前的算法研究存在局限性的问题,即所提算法仅仅只能对某一种缺陷类型进行检测,提出了将BRDPSO算法与孤立森林（IF）算法相结合,实现在原始特征集上进行特征选择的同时,优化IF分类器的参数,并以分类评价指标AUC分数值指导BRDPSO算法的搜索。在图像处理阶段,添加了最优Gabor滤波器的卷积操作,使得织物图像背景与缺陷区域更容易区分,经过多次实验证明,该方法提高了缺陷检测的准确度。（3）近年来,深度学习卷积神经网络（CNN）在分类检测问题上展现出了比传统机器学习更强大的能力。因此提出了使用深度支持向量数据描述（Deep Support Vector Data Description,Deep SVDD）对织物表面缺陷进行分类检测。实验结果表明,与传统的机器学习算法相比,该方法具有更高的分类精度,同时在训练过程中只使用了正常样本,因此本算法更适合工业生产过程。（4）针对深度学习CNN结构难以确定的问题,提出了使用随机漂移粒子群优化（Random Drift Particle Swarm Optimization,RDPSO）算法自动搜索得到最优的单类深度支持向量数据描述（One-class Deep SVDD）的全深度学习模型方法。该方法针对特定的织物表面缺陷数据集,可以实现端到端的分类检测。经实验证明这种自动搜索CNN结构的方法具有更好的分类检测性能,且通用性较强。
安萌[4]（2021）在《服装柔性生产线的面料智能检测视觉系统的设计与实现》文中研究表明服装行业作为一条大的产业链也是重要的民生支柱产业,其传统模式生产工艺落后、劳动强度大、工作环境差、生产效率低,面临着激烈的市场竞争压力,因此,引进和融合智能装备以及机器视觉技术是建立自动化生产线,产品升级,使服装行业向着智能化、绿色化、自动化发展的必然趋势。在服装生产过程中,面料因其质地柔软,材料各异,以及受设备及工艺影响,面料表面往往容易出现疵点、褶皱、毛刺、模糊等现象,给检测、识别和定位等技术带来一定难度。基于上述背景,结合服装智能生产需求,本文设计并实现了基于深度学习的面料智能检测视觉系统,通过开展面料智能检测的相关研究工作,以进一步提高服装生产线的智能化程度。本文主要研究内容包括以下几个方面:（1）研究并对比几种常见的相机标定方法,在分析传统相机标定法、主动视觉相机标定法、相机自标定法基础上,重点介绍了相机针孔模型、畸变模型和张正友标定的原理,最后选择张氏标定法建立相机成像几何模型,求得系统中相机内外部参数。（2）针对面料自身复杂特点以及现有疵点检测技术的不足,提出基于深度学习的面料疵点检测方法。该方法以Faster R-CNN模型为基础,采用深度残差网络作为特征提取网络,引入多尺度特征检测增加细节化的浅层特征,通过对Soft Max分类器进行正则化来减小类内间距增大类间间距,最后采用Soft-NMS算法代替传统的非极大值抑制算法,提高模型的检测精度。实验结果表明,优化后的模型收敛速度更快,在小目标和较密集的疵点上检测效果更佳。（3）在分析服装生产中贴兜工艺现状的基础上,结合现有的面料边缘检测技术,将一种多尺度边缘检测的双向级联网络结构用于对贴兜工件进行边缘检测。在获得工件边缘图之后,采用基于边缘特征的模板匹配算法对工件进行边缘信息提取。为验证实验结果,使用NMS算法生成最终预测结果图,结果表明双向级联网络能提取到更清晰、完整的面料边缘,基于边缘特征的模板匹配方法能得到准确的边缘位置信息。基于上述研究成果,实现了面料智能检测视觉系统的总体构建,通过相关实验分析和工业应用证明了该视觉系统存在一定可行性和应用价值。
刘阳阳[5]（2021）在《布匹疵点检测算法研究》文中研究说明衣食住行是人们生活的重要组成部分,而衣位于首位。随着人们生活质量的提高,人们对于衣服的质量要求也在逐渐提高,然而表面含有疵点会影响布匹的质量,因此,布匹疵点检测成为布匹质量检测的重要一环。在我国,大部分的中小型厂家采用传统的人工检测的方式,检测的速度慢,精度低,成本高,劳动力的强度也过大。因此,本文主要通过对布匹疵点图像增强和图像分割的检测算法进行改进,并对改进后的算法进行仿真验证。针对布匹疵点图像的对比度弱的问题,本文提出一种融合同态滤波和对比度限制自适应直方图均衡化的方法对布匹疵点图像增强。首先根据布匹疵点出现在低频的特点,提出了指数式同态滤波的传递函数,将疵点图像经过滤波处理之后,得到布匹疵点图像的疵点信息和背景信息。对疵点信息进行对比度限制自适应直方图均衡化处理,突出细节信息;对高频分量进行线性伸缩变换。最后经过离散余弦逆变换,将得到的背景信息分量和疵点信息进行叠加,得到增强后的布匹疵点图像。仿真结果证明,该疵点图像增强方法的信息熵值较大,对比度值较小,增强后的疵点图像的细节信息丰富,对比度较高。针对布匹疵点图像的疵点与背景相近的问题,采用狮群算法优化的2D otsu的布匹疵点图像分割算法。首先利用二维最大类间方差法对布匹疵点目标与背景相似的图像进行处理,可有效提高前景与背景的分辨率。其次,利用狮群算法的局部搜索能力,改善二维最大类间方差法计算复杂、检测耗时长的问题,搜索最优解。最后,将狮群搜索得到的最优解作为阈值分割的近优阈值,对疵点图像进行分割。在研究的过程中,通过采用公开的纺织图像数据库进行实验,通过算法与matlab、Visual Studio等软件的结合,验证布匹疵点图像增强算法和分割算法的有效性。实验表明,融合同态滤波和对比度限制自适应直方图均衡化的布匹疵点图像增强算法,有效解决了布匹疵点的图像分辨率不高、对比度低和噪声复杂的问题。狮群算法优化的二维最大类间方差法可有效的将图像的疵点分割出来,在分割中,分割精度有了一定的提升,分割时间缩短了将近一半,分割速度提升了50%左右,分割准确率提升了2%到5%。
刘瑞明,孙帅成,黄佳炜,袁敏峰,刘勇,殷歌,郭锐[6]（2020）在《基于图像纹理分析的布匹瑕疵检测综述》文中进行了进一步梳理纹理,作为用来描述物体表面特征的基本属性,是信息处理中一个最为显着的视觉特征。纹理分析方法研究在理论探索和实际应用方面都有着十分重要的意义。从纹理定义出发,总结了纹理的几个常用特征,并归纳了纹理的类型,对国内外4种主要的纹理分析方法的研究历程和进展进行了回顾,重点阐述了在布匹瑕疵检测领域中这4种纹理分析方法取得的研究成果,并作出比较和讨论,为该领域的研究者提供参考和借鉴。
陈航[7]（2020）在《无纺布缺陷自动检测技术研究》文中进行了进一步梳理近些年来,各种高传染,高致病性公共卫生问题频发,从2014年非洲爆发的埃博拉病毒到2019年底蔓延全球的新型冠状病毒,无一不极大的危害了人类社会的发展以及市民的身体健康。为了获得足够的防护,各种医用卫生用品的需求量激增,据统计,新冠肺炎爆发期间,国内的口罩单日产量可达7600万只,其数量十分庞大,却依旧无法完全满足国内需求。不难发现,在我国口罩等个人卫生防护用品的生产占据着很大的市场,因此围绕着相关产品的生产过程进行的学术研究和项目开发有着极其重要的意义与价值,本文基于此考虑,将研究重点聚焦于无纺布的异物缺陷检测上。无纺布是口罩,手术帽等一次性医用耗材的生产原料,由于运输过程和保存环境无法完全保证纯净,因此其表面可能存在一些异物缺陷,本文特指头发和虫子两类缺陷。生产企业需要将这些异物缺陷筛除,否则后续产品的品质将受到极大的影响,并造成巨大的经济损失。过去企业生产通常使用传统的人工目检方式进行缺陷的检测,但这种方式效率低,精度低且会花费较高的人工费用,目前已渐渐被企业淘汰。本文基于以上现状,同时针对无纺布缺陷的特性,分别提出基于传统机器学习和深度学习的无纺布缺陷检测算法,并设计了一套有效的硬件和软件平台,实现了对无纺布缺陷的在线自动检测。本系统经过一年多的实际运行和后期修改维护,其稳定性,准确性,实时性等指标已完全符合企业生产要求。本文主要研究内容如下:基于计算机视觉与机器学习知识,提出基于最优Gabor滤波器的无纺布缺陷检测机器学习算法,分别对虫子和头发缺陷图片使用最大一维熵和最大方差选取最优Gabor滤波器的方向和频率尺度,通过计算无纺布图像缺陷的最小外接矩形的长度,宽度,缺陷占空比,图像能量,熵的参数构建特征向量,构造自制无纺布缺陷数据集,训练XGBoost模型,在测试集上得到了0.824的F1值。基于深度学习知识,提出基于MobileNet-V2网络模型的无纺布缺陷检测方法,制备无纺布缺陷数据集进行模型训练,针对制备过程中出现的训练数据过少问题,使用图像旋转,平移等图像处理方式和人工制造缺陷方式进行数据增强,利用制备好的数据集,使用预训练参数进行MobileNet-V2模型的调优。实验结果证明该缺陷检测方法在有效减少计算量的同时,可以保证较高的检测精确率和很好的实时性。在无纺布缺陷检测系统开发方面,开发了并设计了一套完整的无纺布缺陷检测系统,整套系统可以实现无纺布图像的自动采集,缺陷自动检测,并根据缺陷检测结果控制执行机构进行停机,实现对无纺布缺陷的筛出。
杜猛[8]（2020）在《基于机器视觉的齿轮外观缺陷检测方法研究》文中指出齿轮在机械产品中有着广泛的应用,其质量直接影响机械运动部件机构的寿命、传动比、运动精度等。目前对齿轮外观缺陷检测主要以人工抽检为主,无法满足齿轮的大批量生产要求。同时,人工检验的方式存在可靠性差的缺点,亟需开展自动化的齿轮外观缺陷检测方法研究。本文针对齿轮外观检测中无法实现齿轮图像精确分割、轮齿定位、检测精度低等关键问题,进行了深入研究,确定了一种基于机器视觉的齿轮外观缺陷检测技术。主要研究内容和成果如下:（1）针对齿轮图像分割和ROI定位的问题,提出一种适用于齿轮的GA-Ostu图像阈值分割和改进的A-KAZE与特征贡献度的齿轮图像ROI定位方法。研究的一种结合遗传算法搜索策略的Ostu算法,该方法可将背景与目标分割出来,然后利用掩膜操作对ROI初步定位,最后在初步定位的区域内使用基于改进的A-KAZE进行特征检测与匹配,并利用特征贡献度和RANSAC过滤错误匹配点对得到单应性矩阵,计算出参考图像在原图的位置和大小,实现对ROI区域（轮齿区域）精确定位,特征点匹配正确率为97.99%,而ROI定位速度只有1.137s。（2）分析齿轮外观缺陷检测中存在的问题,研究了一种基于改进Faster R-CNN的齿轮外观缺陷检测模型。借鉴残差网络中“跳跃连接”的结构思想,在现有的网络结构上改进基础卷积神经网络VGGNet-16,增强了网络特征的提取能力。与VGGNet-16相比,m PA高出了1.51个百分点。将不均衡评价指标F-score与损失函数AM-Softmax结合并设置相应条件构成新的损失函数AMF-Softmax,mPA达到了96.14%。（3）搭建齿轮外观检测实验平台和软件测试环境。通过该实验平台,利用现场采集到的齿轮外观数据对上述理论方法进行实验验证与分析。在图像分割和ROI定位实验中,给出图像阈值分割、几种特征检测与匹配和ROI定位对比结果。在齿轮缺陷检测实验中,给出不同的基础卷积神经网络的目标检测网络模型Faster R-CNN、不同损失函数与改进后的损失函数AMF-Softmax的对比结果。
王任[9]（2020）在《基于深度卷积网络的轮胎缺陷检测方法研究》文中提出轮胎缺陷检测是指在X射线成像技术采集的轮胎图像中,通过人工或机器视觉算法检测、分割缺陷区域的过程。人工检测方式效率低、依赖主观判断且易受视觉疲劳等因素的影响。与人工检测相比,自动检测技术因其能够保证生产线的连续性,故已成为工业生产过程中提高制造效率重要而有效的工具。因此,检测算法的性能和效率直接决定产品质量和生产速度,在轮胎产业的质量检测环节发挥着重要作用。目前存在的轮胎缺陷自动检测算法主要致力于区分缺陷区域和背景（无缺陷区域）之间的差异。这些方法的关键是如何提取特征并有效地描述轮胎图像。受X射线成像设备及生产环境的制约,用于检测的轮胎图像通常含有噪声且对比度较低,这给自动检测带来挑战。同时,轮胎图像中背景纹理的相似性以及缺陷纹理、类型的多样性使得传统的特征描述算子很难有效地表示图像。此外,图像集中缺陷区域与非缺陷区域不平衡的样本比例、工业应用中实时检测的要求等都使得轮胎缺陷检测是一项挑战性的任务。为了解决轮胎缺陷检测中面临的诸多挑战,本文结合深度卷积网络,提出了两种检测模型,分别是基于全卷积神经网络的轮胎缺陷检测模型（FCN-Tire）和基于多尺度感知网络的轮胎缺陷检测模型（MDDN）。（1）借助神经网络强大的自学习和表示能力,采用VGG网络作为基础架构的FCN-Tire模型能够保留特征的空间信息。图像的特征首先由五组堆叠的卷积和池化层提取。随着层数的加深,网络获取的特征逐步抽象,最抽象的语义特征被挖掘并被保留在最深层卷积得到的特征图中。其次,通过上采样相应的倍数,不同深度层级的特征图被扩大到与输入图像相同的尺寸。最后,融合这些多层级的特征图并通过softmax层导出逐像素的类别预测,得到最终的检测结果。与基于人工设计特征提取算子的传统方法相比,FCN-Tire拥有自动学习轮胎特征表示,实现稠密预测和像素级分割的能力。实验结果显示,FCN-Tire能够得到优于多数传统方法的检测结果,同时证明了应用深度卷积网络解决轮胎缺陷检测任务的可行性。（2）尽管FCN-Tire得到了较好的检测结果,但是大量实验表明FCN-Tire对缺陷细节和小尺度缺陷并不敏感。主要原因是某些缺陷区域被池化层作为背景丢弃。因此MDDN在保留FCN-Tire提取深层抽象语义能力的基础上构建语义感知网络。同时引入了一个纹理感知网络以补充在提取语义时丢失的细节信息,该网络仅由四个卷积层组成。由于未使用池化层,图像的细节特征得以被完整的保留。最后,利用集成学习结构拼接并融合多尺度特征完成缺陷的精细化检测。消融实验的结果显示,与FCNTire相比,MDDN能够在不显着增加计算复杂度的情况下提高4%的检测精度。总的来说,本文在详细分析轮胎图像属性的基础上,探究了应用深度卷积网络检测轮胎缺陷的可行性。通过构建两个检测模型着重解决了网络中纹理不敏感、数据不均衡等关键问题。实验证明,本文提出的方法能够获得比多数现有轮胎缺陷检测算法更精确的结果。
曾钦城[10]（2020）在《基于机器视觉的纸尿裤缺陷检测研究》文中指出机器视觉因其具有速度快、精度高、稳定性好等诸多优点,被广泛运用于产品缺陷的自动检测,并成为一个研究热点问题。本文针对纸尿裤表层结构的表面缺陷（外形缺陷、裂缝、污点、破洞、层叠）,开展了相关机器视觉表面缺陷检测研究,并使用了机器学习方法（SVM）完成了缺陷分类。本文完成的主要工作如下:首先,对当前基于机器视觉的表面缺陷检测方法做了充足的调研。整理了几种具有代表性的检测方法,为本文的研究提供思路。其次,根据本文检测目标的实际特点,完成了实验平台系统的设计,并对所需硬件合理选型,搭建的实验平台能够很好地完成本文任务。再次,针对各种缺陷的特点提出了相应的检测方法,实现了各类缺陷的检测。本文结合MeanShift滤波的产品外形提取方法,完整的保留了目标的外形特征,并设计了适用于本文产品外形特点的最小外接矩形获取方法,简化了其获取过程。文中提出反向中心矩的概念,用于增强裂纹缺陷,取得了较好效果。本文提出一种基于正态分布置信区间的自适应阈值分割方法,大大提高了对污点缺陷和破洞缺陷检测稳定性和正确率。然后,使用本文的缺陷检测方法完成了对各类缺陷的检测实验,并对实验结果进行了分析。本文使用了三个指标（检出率、漏检率、误检率）评价检测效果,实验结果表明各类缺陷平均检出率为97.48%、平均漏检率为2.52%、平均误检率为1.12%。最后,利用“一对一”策略的SVM算法结合投票法实现了多缺陷的分类,并对分类实验结果进行了分析,提出了相应的改进思路。本文使用缺陷的长度、宽度、面积和对比度作为特征数据构成分类的特征向量,最终的实验结果表明,各类缺陷分类的平均正确率达90.62%。本文完成了纸尿裤表面缺陷机器视觉检测的理论探索,并获得了较好的缺陷检测效果。
二、小波分析在织物缺陷检测中的应用（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、小波分析在织物缺陷检测中的应用（论文提纲范文）
（1）基于Xavier的布匹缺陷检测系统（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 现有布匹缺陷检测系统 |
| 1.2.2 现有缺陷检测方法 |
| 1.3 论文研究内容 |
| 1.4 论文组织架构 |
| 第2章 相关技术介绍 |
| 2.1 NVIDIA Xavier平台 |
| 2.2 深度学习框架 |
| 2.2.1 MMDetection |
| 2.2.2 PyTorch |
| 2.3 缺陷目标检测算法 |
| 2.4 本章小结 |
| 第3章 系统总体方案 |
| 3.1 系统需求分析 |
| 3.2 系统硬件框架 |
| 3.3 系统软件框架 |
| 3.4 本章小结 |
| 第4章 系统业务软件研发 |
| 4.1 图像采集模块 |
| 4.1.1 原始图像采集获取 |
| 4.1.2 图像光线补偿 |
| 4.1.3 图像噪声去除 |
| 4.2 编码模块 |
| 4.3 算法处理模块 |
| 4.4 对外交互模块 |
| 4.4.1 模块整体方案 |
| 4.4.2 消息协议设计 |
| 4.4.3 工作流程 |
| 4.5 本章小结 |
| 第5章 缺陷检测算法研发 |
| 5.1 算法模块总体设计 |
| 5.1.1 模块内部工作流程 |
| 5.1.2 类模块方案 |
| 5.2 算法模型解决方案 |
| 5.2.1 模型总体框架 |
| 5.2.2 频域滤波前处理 |
| 5.2.3 骨干网络选用 |
| 5.2.4 特征提取增强 |
| 5.2.5 锚框比例与RoI提取优化 |
| 5.2.6 模型训练与数据增强 |
| 5.2.7 消融实验 |
| 5.3 算法移植实现 |
| 5.3.1 模型移植 |
| 5.3.2 推理流程实现 |
| 5.4 本章小结 |
| 第6章 系统测试及结果 |
| 6.1 测试概要 |
| 6.1.1 测试系统与环境 |
| 6.1.2 测试内容 |
| 6.2 测试结果及分析 |
| 6.2.1 系统功能测试 |
| 6.2.2 系统性能测试 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
（2）基于机器视觉的网孔织物缺陷检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 纺织品缺陷检测算法的国内外研究现状 |
| 1.2.1 机器视觉发展状况概述 |
| 1.2.2 国外纺织品缺陷检测算法研究现状 |
| 1.2.3 国内纺织品缺陷检测算法研究现状 |
| 1.3 课题研究目的及意义 |
| 1.4 课题主要研究内容 |
| 第二章 网孔织物缺陷检测系统设计 |
| 2.1 检测系统需求分析 |
| 2.2 缺陷检测系统结构设计 |
| 2.3 图像采集系统设计 |
| 2.3.1 照明方案设计 |
| 2.3.2 工业相机选型 |
| 2.3.3 镜头选型 |
| 2.4 缺陷检测系统流程设计 |
| 2.4.1 缺陷检测系统框图设计 |
| 2.4.2 缺陷检测算法流程设计 |
| 2.5 本章小结 |
| 第三章 网孔织物图像预处理算法研究 |
| 3.1 图像预处理算法分析 |
| 3.2 直方图均衡化算法 |
| 3.2.1 直方图均衡化算法原理 |
| 3.2.2 实验结果及分析 |
| 3.3 基于灰度变换的图像增强算法 |
| 3.3.1 灰度变换曲线 |
| 3.3.2 实验结果及分析 |
| 3.4 基于高斯金字塔的去噪算法 |
| 3.4.1 高斯金字塔缩放原理 |
| 3.4.2 实验结果及分析 |
| 3.5 基于图像融合的图像增强算法 |
| 3.5.1 双线性插值算法 |
| 3.5.2 局部信息熵增强边缘算法 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 网孔织物图像分割算法研究 |
| 4.1 OTSU阈值分割 |
| 4.2 FCM分割算法 |
| 4.3 改进的FCM图像分割算法 |
| 4.3.1 固定初始聚类中心 |
| 4.3.2 十字交叉滤波器 |
| 4.3.3 双阈值分类 |
| 4.3.4 实验结果及分析 |
| 4.4 基于局部灰度极小值的图像分割算法 |
| 4.4.1 一维灰度极小值分割算法 |
| 4.4.2 二维灰度极小值分割算法 |
| 4.4.3 多阈值分割图像融合算法 |
| 4.4.4 实验结果及分析 |
| 4.5 基于灰度投影的网孔粘连消除算法 |
| 4.5.1 灰度投影算法消除网孔粘连 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 网孔织物缺陷检测和分类算法研究 |
| 5.1 缺陷检测算法原理分析 |
| 5.2 网孔特征分析和特征提取 |
| 5.2.1 网孔特征分析 |
| 5.2.2 几何特征提取 |
| 5.3 基于决策树分类器的网孔织物缺陷检测 |
| 5.3.1 决策树分类器 |
| 5.3.2 决策树分类器创建原理 |
| 5.3.3 策树分类器结构设计 |
| 5.3.4 决策树分类器实验结果和分析 |
| 5.4 基于BP神经网络分类器的网孔织物缺陷检测 |
| 5.4.1 BP神经网络分类器 |
| 5.4.2 BP神经网络结构和训练过程 |
| 5.4.3 BP神经网络结构设计和实验分析 |
| 5.5 本章小结 |
| 第六章 系统界面设计与实验分析 |
| 6.1 系统界面设计 |
| 6.2 缺陷检测算法速度分析 |
| 6.3 网孔织物缺陷检测算法实验分析 |
| 6.3.1 基于改进FCM分割算法的缺陷检测实验分析 |
| 6.3.2 基于区域灰度极小值分割算法的缺陷检测实验分析 |
| 6.3.3 基于灰度投影的网孔粘连消除算法的缺陷检测实验分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（3）基于机器视觉技术的织物缺陷检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的创新点 |
| 1.5 本文的章节安排 |
| 第二章 基于BRDPSO算法的织物表面缺陷检测 |
| 2.1 引言 |
| 2.2 图像预处理 |
| 2.2.1 中值滤波 |
| 2.2.2 同态滤波 |
| 2.3 特征提取 |
| 2.3.1 灰度梯度共生矩阵 |
| 2.3.2 灰度共生矩阵 |
| 2.3.3 LBP算子 |
| 2.4 分类器分类 |
| 2.4.1 随机森林分类器 |
| 2.4.2 二进制随机漂移粒子群同步优化算法 |
| 2.5 实验过程及结果分析 |
| 2.5.1 实验步骤及流程图 |
| 2.5.2 同步特征选择与参数优化过程 |
| 2.5.3 实验结果分析 |
| 2.6 本章小结 |
| 第三章 基于最优Gabor滤波器及BRDPSO算法的织物表面缺陷检测 |
| 3.1 引言 |
| 3.2 最优Gabor滤波器 |
| 3.2.1 二维Gabor滤波器 |
| 3.2.2 量子粒子群优化算法 |
| 3.3 特征提取 |
| 3.3.1 方向梯度直方图特征 |
| 3.4 分类器分类 |
| 3.4.1 孤立森林算法 |
| 3.5 实验过程及结果分析 |
| 3.5.1 实验步骤及流程图 |
| 3.5.2 同步特征选择与参数优化过程 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 第四章 基于Deep SVDD的织物表面缺陷检测 |
| 4.1 引言 |
| 4.2 深度支持向量数据描述 |
| 4.2.1 支持向量数据描述 |
| 4.2.2 深度支持向量数据描述 |
| 4.3 实验过程及结果分析 |
| 4.3.1 实验数据集 |
| 4.3.2 实验步骤及流程图 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于自动机器学习算法的织物表面缺陷检测 |
| 5.1 引言 |
| 5.2 相关研究现状 |
| 5.3 卷积神经网络 |
| 5.3.1 卷积层 |
| 5.3.2 池化层 |
| 5.3.3 全连接层 |
| 5.4 RDPSO算法优化CNN结构 |
| 5.4.1 粒子位置表示CNN结构 |
| 5.4.2 适应度函数的定义 |
| 5.4.3 粒子群平均最好位置的计算 |
| 5.4.4 吸引子的计算 |
| 5.4.5 计算两个粒子之间的差异 |
| 5.4.6 更新粒子速度和粒子位置 |
| 5.5 实验过程及结果分析 |
| 5.5.1 实验步骤及流程图 |
| 5.5.2 实验结果及分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 存在的问题及展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间科研成果 |
（4）服装柔性生产线的面料智能检测视觉系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 缺陷检测研究现状 |
| 1.2.2 边缘检测研究现状 |
| 1.3 主要研究内容 |
| 1.4 章节安排 |
| 第2章 相机标定算法研究 |
| 2.1 引言 |
| 2.2 相机模型 |
| 2.2.1 建立坐标系 |
| 2.2.2 相机针孔模型 |
| 2.2.3 相机畸变模型 |
| 2.3 相机标定方法 |
| 2.3.1 标定方法 |
| 2.3.2 张正友标定方法 |
| 2.4 基于张正友标定法的参数求解 |
| 2.5 本章小结 |
| 第3章 基于Faster R-CNN的面料疵点检测方法研究 |
| 3.1 引言 |
| 3.2 基本理论研究 |
| 3.2.1 卷积神经网络 |
| 3.2.2 Faster R-CNN |
| 3.3 Faster R-CNN模型优化 |
| 3.3.1 ResNet模型 |
| 3.3.2 多尺度检测 |
| 3.3.3 Soft Max分类器正则化 |
| 3.3.4 Soft-NMS |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于双向级联网络的贴兜工件边缘提取方法 |
| 4.1 引言 |
| 4.2 相关理论基础 |
| 4.2.1 VGG16 |
| 4.2.2 扩张卷积 |
| 4.3 基于双向级联网络的边缘检测方法 |
| 4.3.1 双向级联网络架构 |
| 4.3.2 网络训练 |
| 4.4 边缘特征模板匹配算法 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 面料智能检测视觉系统的设计与实现 |
| 5.1 引言 |
| 5.2 视觉系统总体框架 |
| 5.3 视觉系统硬件环境 |
| 5.3.1 工业相机和镜头的选型 |
| 5.3.2 光源模块 |
| 5.3.3 其他硬件模块 |
| 5.4 视觉系统界面设计 |
| 5.5 系统测试 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）布匹疵点检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外现状 |
| 1.2.1 布匹疵点的分类 |
| 1.2.2 布匹疵点检测的系统 |
| 1.2.3 布匹疵点检测国内外研究现状 |
| 1.2.4 布匹疵点增强的研究现状 |
| 1.2.5 布匹的疵点分割研究现状 |
| 1.3 本文的结构安排 |
| 2 布匹疵点检测的相关研究 |
| 2.1 图像预处理 |
| 2.2 图像的灰度拉伸 |
| 2.3 图像的降噪处理 |
| 2.4 图像的分割方法 |
| 2.4.1 边缘检测 |
| 2.4.2 区域分割法 |
| 2.4.3 阈值分割 |
| 2.5 本章小结 |
| 3 融合同态滤波和CLAHE的布匹疵点的图像增强 |
| 3.1 同态滤波函数 |
| 3.2 直方图图像增强 |
| 3.2.1 直方图均衡化 |
| 3.2.2 直方图规范化 |
| 3.2.3 自适应直方图均衡化 |
| 3.2.4 对比度限制自适应直方图均衡化 |
| 3.3 融合同态滤波和CLAHE的布匹疵点增强算法 |
| 3.3.1 改进的同态滤波 |
| 3.3.2 同态滤波的传递函数 |
| 3.3.3 融合同态滤波和CLAHE的布匹疵点增强 |
| 3.3.4 双线性插值 |
| 3.4 本章小结 |
| 4 狮群算法优化的2D otsu布匹疵点分割 |
| 4.1 二维otsu算法 |
| 4.2 狮群算法 |
| 4.3 狮群算法优化的2D Otsu法疵点分割 |
| 4.3.1 狮群算法的初始化 |
| 4.3.2 改进的二维最大类间方差法 |
| 4.3.3 狮群算法的适应度函数 |
| 4.3.4 狮群算法优化2D otsu的疵点分割 |
| 4.4 本章小结 |
| 5 仿真实验及分析 |
| 5.1 融合同态滤波和CLAHE的布匹疵点增强仿真及分析 |
| 5.1.1 仿真结果 |
| 5.1.2 五种算法的主观评价 |
| 5.1.3 五种算法的客观评价 |
| 5.2 狮群算法优化2D otsu的疵点图像分割仿真及分析 |
| 5.2.1 实验参数 |
| 5.2.2 仿真结果 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录:硕士研究生学习阶段发表论文 |
| 致谢 |
（6）基于图像纹理分析的布匹瑕疵检测综述（论文提纲范文）
| 0 引言 |
| 1 纹理概述 |
| 2 基于纹理分析的布匹检测研究现状 |
| 2.1 统计法 |
| 2.2 模型法 |
| 2.3 频谱分析法 |
| 2.4 结构法 |
| 3 总结 |
（7）无纺布缺陷自动检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构及内容安排 |
| 2 基于最优Gabor与 XGboost的无纺布缺陷检测 |
| 2.1 引言 |
| 2.2 构建最优Gabor |
| 2.3 特征构造 |
| 2.4 模型选择 |
| 2.5 本章算法流程与实验结果 |
| 2.6 本章小结 |
| 3 基于MobileNet-V2 的无纺布缺陷检测 |
| 3.1 引言 |
| 3.2 MobileNet-V2 |
| 3.3 无纺布缺陷数据集制作 |
| 3.4 实验流程和结果分析 |
| 3.5 本章小结 |
| 4 无纺布缺陷在线检测系统设计与实现 |
| 4.1 引言 |
| 4.2 无纺布缺陷检测系统的硬件方案设计 |
| 4.3 无纺布缺陷检测软件平台设计 |
| 4.4 系统整体概览及运行效果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
（8）基于机器视觉的齿轮外观缺陷检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 齿轮外观缺陷机器视觉检测概述 |
| 1.3 国内外研究的发展现状分析 |
| 1.3.1 基于传统机器视觉的产品外观缺陷检测方法研究现状 |
| 1.3.2 基于深度学习的产品外观缺陷检测方法研究现状 |
| 1.3.3 产品外观缺陷视觉检测技术发展趋势 |
| 1.4 课题来源与主要研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 本文研究内容 |
| 1.5 本章小结 |
| 第二章 齿轮外观缺陷视觉检测的关键理论 |
| 2.1 齿轮外观缺陷视觉检测基本流程 |
| 2.2 外观缺陷视觉检测过程中齿轮图像分割与定位理论 |
| 2.2.1 基于Ostu的图像阈值分割方法 |
| 2.2.2 遗传算法的基本原理 |
| 2.2.3 齿轮图像特征点检测方法 |
| 2.3 外观缺陷视觉检测过程中深度学习的基础理论 |
| 2.3.1 卷积神经网络基本组件及理论 |
| 2.3.2 典型卷积神经网络 |
| 2.3.3 数据增强 |
| 2.4 本章小结 |
| 第三章 齿轮图像分割与ROI定位方法研究 |
| 3.1 齿轮整体图像的预处理 |
| 3.1.1 图像滤波 |
| 3.1.2 图像锐化 |
| 3.1.3 图像灰度化 |
| 3.2 改进的齿轮图像分割算法 |
| 3.2.1 齿轮图像分割方法选用 |
| 3.2.2 基于改进的Ostu的齿轮图像阈值分割 |
| 3.3 齿轮图像ROI定位方法 |
| 3.3.1 基于先验知识的ROI定位方法 |
| 3.3.2 基于模板匹配的ROI定位方法 |
| 3.3.3 基于特征匹配的ROI定位方法 |
| 3.3.4 齿轮图像ROI定位方法分析 |
| 3.4 基于改进的A-KAZE与特征贡献度的齿轮图像ROI定位方法 |
| 3.4.1 ROI定位的基本流程 |
| 3.4.2 齿轮图像特征点检测 |
| 3.4.3 改进A-KAZE算法特征描述子的特征点粗匹配 |
| 3.4.4 基于特征贡献度与RANSAC的轮齿精确定位 |
| 3.5 本章小结 |
| 第四章 基于改进Faster R-CNN的齿轮外观缺陷检测方法研究 |
| 4.1 基于深度学习的目标检测方法分析 |
| 4.2 改进齿轮外观缺陷网络算法框架与损失函数 |
| 4.2.1 Faster R-CNN算法原理 |
| 4.2.2 改进Faster R-CNN的基础卷积神经网络VGGNet-2CF |
| 4.2.3 损失函数AMF-Softmax |
| 4.2.4 L2归一化 |
| 4.3 齿轮外观缺陷检测模型的训练及参数设置 |
| 4.3.1 迁移学习 |
| 4.3.2 网络训练参数设置 |
| 4.4 本章小结 |
| 第五章 齿轮外观检测实验平台搭建与验证 |
| 5.1 实验平台搭建与数据集 |
| 5.1.1 硬件搭建 |
| 5.1.2 软件环境 |
| 5.1.3 数据集的制作 |
| 5.2 齿轮图像分割与ROI定位实验 |
| 5.2.1 图像分割实验 |
| 5.2.2 特征点匹配实验 |
| 5.2.3 ROI定位实验 |
| 5.3 齿轮外观缺陷检测实验 |
| 5.3.1 齿轮外观缺陷检测评价指标 |
| 5.3.2 不同算法的检测效果对比实验 |
| 5.3.3 改进的损失函数的性能实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.1.1 主要工作 |
| 6.1.2 创新点 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（9）基于深度卷积网络的轮胎缺陷检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于空间域的缺陷检测 |
| 1.2.2 基于变换域的缺陷检测 |
| 1.2.3 基于深度学习的缺陷检测 |
| 1.3 本文研究内容 |
| 1.4 论文组织结构 |
| 第2章 轮胎图像属性分析与数据预处理 |
| 2.1 轮胎图像属性 |
| 2.1.1 胎冠与胎侧 |
| 2.1.2 缺陷的类型 |
| 2.2 数据采集 |
| 2.3 数据增强 |
| 2.4 本章小结 |
| 第3章 基于全卷积网络的轮胎缺陷检测 |
| 3.1 CNN基本结构 |
| 3.1.1 卷积层 |
| 3.1.2 池化层 |
| 3.1.3 常见的激活函数 |
| 3.2 FCN-Tire检测模型 |
| 3.2.1 特征提取 |
| 3.2.2 特征图上采样 |
| 3.2.3 多层融合 |
| 3.3 网络设置与训练 |
| 3.3.1 参数设置 |
| 3.3.2 实现细节 |
| 3.4 实验结果及分析 |
| 3.4.1 消融实验 |
| 3.4.2 量化指标 |
| 3.4.3 与传统方法比较 |
| 3.5 本章小结 |
| 第4章 基于多尺度感知网络的轮胎缺陷检测 |
| 4.1 多尺度感知 |
| 4.2 MDDN检测模型 |
| 4.2.1 语义感知网络 |
| 4.2.2 纹理感知网络 |
| 4.2.3 感知网络的集成 |
| 4.3 网络设置与训练 |
| 4.4 实验结果与分析 |
| 4.4.1 消融实验 |
| 4.4.2 量化指标 |
| 4.4.3 与传统方法比较 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术成果 |
| 致谢 |
（10）基于机器视觉的纸尿裤缺陷检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 统计法 |
| 1.2.2 频谱法 |
| 1.2.3 模型法 |
| 1.2.4 机器学习方法 |
| 1.3 研究内容与章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 章节安排 |
| 1.4 本章小结 |
| 第2章 视觉检测实验平台 |
| 2.1 引言 |
| 2.2 机器视觉检测系统整体结构介绍 |
| 2.3 器材选型 |
| 2.3.1 光源 |
| 2.3.2 工业相机 |
| 2.3.3 工业镜头 |
| 2.4 本文实验平台 |
| 2.5 相机标定介绍 |
| 2.5.1 相机成像模型 |
| 2.5.2 镜头畸变 |
| 2.6 本章小结 |
| 第3章 缺陷检测算法 |
| 3.1 引言 |
| 3.2 外形缺陷检测 |
| 3.2.1 检测流程概述 |
| 3.2.2 相机内参与畸变参数求解 |
| 3.2.3 MeanShift算法 |
| 3.2.4 最小外包矩形与角度校正 |
| 3.2.5 缺陷检测与定位 |
| 3.3 裂缝缺陷 |
| 3.3.1 检测流程概述 |
| 3.3.2 纹理特征提取 |
| 3.3.3 纹理增强算法 |
| 3.3.4 OTSU |
| 3.4 其他缺陷 |
| 3.4.1 污点、破洞检测流程 |
| 3.4.2 污点、破洞缺陷分析 |
| 3.4.3 自适应阈值分割 |
| 3.4.4 层叠缺陷检测 |
| 3.5 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 引言 |
| 4.2 实验结果 |
| 4.3 实验分析 |
| 4.3.1 环境影响 |
| 4.3.2 成像设备影响 |
| 4.3.3 图像处理方法影响 |
| 4.4 本章小结 |
| 第5章 缺陷分类 |
| 5.1 引言 |
| 5.2 缺陷特征分析 |
| 5.3 SVM分类算法 |
| 5.3.1 算法概述 |
| 5.3.2 算法原理 |
| 5.3.3 多分类SVM结构设计 |
| 5.4 分类结果与分析 |
| 5.4.1 实验结果 |
| 5.4.2 实验分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 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 |
四、小波分析在织物缺陷检测中的应用（论文参考文献）
- [1]基于Xavier的布匹缺陷检测系统[D]. 于航. 浙江大学, 2021(01)
- [2]基于机器视觉的网孔织物缺陷检测系统研究[D]. 孙康康. 江南大学, 2021(01)
- [3]基于机器视觉技术的织物缺陷检测方法研究[D]. 张家玮. 江南大学, 2021(01)
- [4]服装柔性生产线的面料智能检测视觉系统的设计与实现[D]. 安萌. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [5]布匹疵点检测算法研究[D]. 刘阳阳. 中原工学院, 2021(08)
- [6]基于图像纹理分析的布匹瑕疵检测综述[J]. 刘瑞明,孙帅成,黄佳炜,袁敏峰,刘勇,殷歌,郭锐. 江苏海洋大学学报(自然科学版), 2020(02)
- [7]无纺布缺陷自动检测技术研究[D]. 陈航. 华中科技大学, 2020(01)
- [8]基于机器视觉的齿轮外观缺陷检测方法研究[D]. 杜猛. 江南大学, 2020(01)
- [9]基于深度卷积网络的轮胎缺陷检测方法研究[D]. 王任. 山东财经大学, 2020(07)
- [10]基于机器视觉的纸尿裤缺陷检测研究[D]. 曾钦城. 华侨大学, 2020(01)