基于小波分析和BP神经网络的织物疵点识别-纺织工程专业论文.docxVIP

基于小被分析和 BP 神经网络的织物疵点识别 中文提要 基于小被分析和 BP 神经网络的织物 疵点识别 中文摘要 篡于阁像处理的织物疵点检测就是纹理分割和模式识别问题，本文提出了一种基 于离散小被交换和 BP 神经网络的织物疵点识别方法，其主要包指织物疵点图像预处 理、疵点图像小波变换、特征提取和疵点识剔。 在预处理中}采用 4 种不同的小波域降噪方法，对织物疵点图像进行降噪处理， 以峰值信噪比为标准，选择出贝叶斯阙值和软阀值收缩准则相结合的方法降晚效果最 佳.根据织物疵点的特殊形状结构，本文创新性地提出了基于小波变换的自适应商斯 平滑化和拉普拉斯算子卷积作爱相结合的方法对织物疵点图像进行增强，以消除自摄 复的结构纹理单元形成的背簸，突出疵点部分. 根据织物纹理和结构的特殊性质，本文提出了同时提取纹理特征和几何形状特征 作为神经网络识别参数，以提高疵点正确识别率.在纹理特征提取部分，本文提出了 小波域和空城分析相结合的方法:小波变换和灰度共生矩阵相结合的方法.详细介绍 了小波慕的选择、最佳分解居的确定方法、子带构规则、灰皮共1:矩阵 3重要参数的 选择方法和疵点纹理特征值的:t成分分析 a 以给您的具有不同织物组织结构的无疵点 织物阁像经小被分解后输出的图像的高通予图像能最最小作为逼近条件从台边的小 旅库中优选出最佳分解小波基。采用相邻两层的高频予帮能最之比值小子 l作为最佳 分解层数的选择依据旬在最佳分解层，为了保证特征提取源的有效性，并减化运算的 复杂程度，在图像子带重构时，提出子带重构规则。根据策构规则自动选择子带进行 釜构，对爱构后的子带采用暴于特征的小被融合方法进行融合。根据织物具有连续性 和方向性的特征，本文提出了灰皮共生矩阵类分距离和方向角自适应选择规则。对自 灰皮共生矩阵中提取的 13 个纹理特征参数进行主成分分析，以消除信息冗余.为综 合表达疵点特征，对增强后的织物疵点图像采用最佳阙值边缘检测和形态学运算，从 二值化厉的织物疵点图像中提取长、短役之比作为几何形状特征，以描述疵点的形状 特征. 在织物疵点识别网络设计时，提出了隐含牍神经元个数不适宜规则和网络训练方法 不滔寂规则，以优化网络结构，提高训练浓度。采用结构为 2 输入层 7 个神经元，隐 含层 16 个神经元，输出层 4 个神经元，中间居神经元的激励函数为 S 型正切函数， H H 基于小波分析和 BP 神经网络的织物疵点识别 中文键要 输出层神经元的激励函数为 S 型对数函数的神经网络对织物疵点图像进行训练和识 别。在本实验条件下，采用本文算法，对丝织物中常见疵点 z 断纬、断经、霆纬、档 疵、泊污、破洞进行识别，疵点平均1R、别率为 99.2%. 无疵点倒像识别率为 100%. 关键词2 织物疵点: 小波变换;神经网络:疵点识别 作 者: J建立 指导教师:左保齐教授 缘于小被分析和 BP 神经网络的织物疵点w，}lI] 英文摘要 The Identification of Fabric Defects Based on Wavelet Transform and BP Neural Network Abstract The identification of fabric defects based on digi时 image processing techniques can be consider哩d as texture segmentation and pa忱，ern re∞gnition problems. In 也is paper，the identification of fabric defects based on discrete wavelet transform and Back-Propagation neural network is proposed ，the indispensable processes of which are the defect images pre-proωssing ，wavelet transform ，feature extraction and defects identification. During the pr萨processing procedure ，four different denoising methods based on wavelet 衍ansform are ωed to improve the peak-signal-to-noise ratio (PSNR) of the fabric defect images. From the comparison of the 4 differen