基于多尺度自相关的帘子布疵点识别研究.docVIP

基于MSA和粒子群神经网络的帘子布疵点识别算法研究 张 宝 （河南省工业科技学校 新乡453000） 摘 要：本文采用一种基于MSA矩的帘子布疵点识别方法。首先给出了仿射变换的定义，并在此基础上建立了一种新的仿射变换途径—多尺度自卷积变换，构造了一组仿射不变矩(MSA矩)，给出了它的明确表达式，然后计算帘子布样本图像的MSA矩，以这些MSA矩为输入向量对粒子群神经网络进行训练，最后采用已训练的粒子群神经网络进行帘子布疵点识别。试验证明，此方法可有效识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。 关键词：MSA矩；疵点识别；粒子群神经网络 中图分类号：TP391.41 文献标识码：A Research about the Cord Fabric Defect recognition Based on the MSA and particle swarm neural network Zhang bao (Henan School of industry and technology, xinxiang 453000) Abstract: In this paper, the method based on the multiscale autoconvolution moments are presented to recognize the defects of the cord fabric. First of all, A new kind of affine transform—multiscale autoconvolution transform is established, a new invariant moments to call it MSA moments is constructed, and its implementation is given. Then, MSA moments of the cord sample images are calculate, the particle swarm neural network is trained by these moments. At last, it is used trained particle swarm neural network to implement the cord fabric’s defect identification. Experiment results show that the method accurately identifies defects such as broke end, lump, split slot, broken warp and warp adhesion. Key words: MSA moments; fabric defect recognition; particle swarm neural network 1 引言 在纺织品质量控制环节中，织物疵点识别具有重要意义，它直接关系到纺织品的最终质量评定。织物疵点识别是近几十年来国内外专家学者研究的热门课题之一，已有一些成果可见报道。但由于织物疵点本身形态各异，种类繁多，使得织物疵点识别成为研究领域的一个难题。研究开发出适应性强、实时性好、识别精度高、分类效果好的识别算法仍然是纺织行业中一个亟需解决的问题。解决此问题的关键是正确的提取出纺织品图像的有效特征。本文基于多尺度自卷积(Multiscale autoconvlution, MSA)变换[1]构造了一组新的不变量，得到帘子布这一特殊产业用纺织品的MSA矩，最后采用粒子群BP神经网络实现帘子布疵点图像的识别。 2 MSA矩 2.1MSA矩定义 Jan Flusser等[2][3]提出了一组仿射不变量，但Flusser的仿射矩不变量(AMI)识别率低，同时由于高阶不变量对噪声敏感的缺点，因而只能利用低阶不变矩，限制了它在实际中的应用。对于图像f来说，所有的矩是相等的，且一阶矩包含了与其它矩相同的信息。MSA变换的仿射不变量分类不需要利用更高阶矩。图像函数f的仿射不变特征，即的期望值或其矩g())，对于f的任何仿射变换都是不变的。的第k阶矩为，定义的MSA变换为其第一阶矩，即为MSA矩。 2.2 MSA矩表达式 若f(x)：R2→R，f≥0是中的一个图像亮度函数，其归一化形式，，p(x)是一个概率密度函数。若取R2中的独立随机变量X0,X1和X2,则有。对这些随机变量的三个样本(x0,x1,x2)进行如下变换： (1) 式中，α和β分别是u在原点和在x0点的两个向量x1-x0和x2-x0生成空间中的坐标。 f(x)的MSA变换为 (2)