针对各向异性高斯方向导数滤波器运算量大、耗时长的问题,利用盒式滤波器拟合出各向异性高斯方向导数滤波模板,并结合积分图像,提出一种性能优良的快速角点检测算法。利用盒式滤波器设计了6个方向的导数滤波模板,并结合积分图像,快速计算输入图像在各个方向上的导数响应;基于角点的稀疏特性,提出一种候选点粗筛选机制,快速筛选出候选角点区域像素以减少后续运算所涉及的像素数量;针对每一个候选像素,利用各个方向的导数响应构建多方向结构张量积,生成角点测度。将提出的算法与9种经典的检测器在仿射变换、高斯噪声干扰等条件下进行性能评估,在尺寸不同的测试图集上进行耗时对比。实验结果表明,新提出的算法具有优良的检测性能,耗时少,满足实时处理的需求。

针对目前数码印花过程中颜色空间转换方法无法适应织物多样性引起的色差问题，提出一种改进的正则化极限学习机算法，实现L*a*b*到CMYK颜色空间快速灵活转换。首先，选用PANTONE纺织TCX色卡作为实验的样本数据，随机选取800个色块，这些色块的L*a*b*值作为输入，对应的C、M、Y、K值分别作为输出，训练网络，建立一个非线性映射，并根据岭回归模型的岭迹图观察法得出最优正则化惩罚系数，优化模型；随后，在TCX色卡剩余的色块中再随机选出100个色块作为模型的测试样本进行测试验证。实验结果表明，本文方法具有较高的转换精度和效率，最小转换色差为0.221，最大转换色差为6.965，平均转换色差为1.645，平均训练时间为1.489 s，能够满足数码印花色彩管理实际要求。

为了精确评价纱线疵点的种类与个数,提出了一种融合空间模糊C-均值(FCM)聚类的纱线疵点检测算法。首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形态学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。

针对应用深度学习检测数码印花缺陷需准确分类的问题,提出了基于卷积神经网络(CNN)的数码印花缺陷分类算法。该方法首先依次对图像进行RGB颜色空间直方图均衡化、高斯滤波、局部均值分辨率调整的图像预处理,提升输入网络的图像质量,并进行图像几何变换的数据增强,扩充样本数据集;然后,设计拓扑结构为2个卷积层、2个池化层、2个全连接层的CNN网络对样本进行训练,得出最优的数码印花缺陷分类CNN模型。经600张测试样本验证,结果表明,该算法对各类数码印花缺陷的分类准确率均超过90.0%,多分类任务Kappa系数值为0.94,能实现数码印花缺陷的准确分类。

为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3(Slimming You Only Look Once Version 3)模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55 FPS,所得的准确率与实时性均满足工业上的实际需求。

为了解决纱线条干及毛羽的检测问题,设计了一种基于机器视觉的纱线质量检测系统。该系统主要包括硬件设计和软件检测算法。硬件主要包括图像采集单元、纱线牵引装置和系统控制装置。在软件系统中,利用机器视觉及图像处理方法,分别对纱线条干和纱线毛羽进行检测。利用双边滤波及Otsu阈值实现纱线条干的检测,利用EM算法及密度聚类实现纱线毛羽的检测。将检测结果以及处理后的纱线图像显示在搭建的人工交互界面上,实时显示纱线条干及毛羽的评价。实验结果表明,该系统的实时性及稳定性好,准确率高,具有一定的学术研究价值及应用推广价值。

针对印花织物颜色丰富、花纹多变、错花缺陷检测困难等问题,提出了一种基于黄金图像减法(GIS)与傅里叶变换位移定理(FTDT)曲线匹配算法相结合的方法,实现了印花织物错花缺陷的检测。对印花织物图像进行高斯滤波,以消除噪声对缺陷检测结果的影响;利用GIS实现对待检测图像的匹配,并分割出缺陷区域;针对错花类型的疵点,运用基于FTDT的曲线匹配算法计算出错花的相对偏移量。实验结果表明,该算法不仅能准确分割出缺陷区域,对疵点细节信息保留得较好,而且能精确得到错花的相对偏移量,对工业生产具有一定的指导意义。

基于卷积神经网络,提出了短切毡缺陷分类的方法。通过旋转、平移和翻转对数据集进行扩充,解决了小数据样本在深度卷积神经网络中的过拟合问题;利用迁移学习的思想加速网络收敛,提高了网络的泛化能力;对比了不同网络结构并选择较好的网络进行数据集验证。结果表明,所提方法能够实现短切毡缺陷的有效分类,准确率为93%。

为了减少不同尺度噪声对三维点云模型重建效果的影响,提出一种基于直通滤波、统计滤波、半径滤波、改进的双边滤波、体素栅格滤波的方法库的点云模型去噪与精简算法。首先利用直通滤波将目标物体提取出来,再依据噪声点离模型主体的距离,将其分为小尺度噪声和大尺度噪声,然后利用统计滤波结合半径滤波去除大尺度噪声,利用改进的双边滤波去除小尺度噪声,最后通过体素栅格滤波进行点云精简来降低空间复杂度,并以三角网格面重建展示该算法的精度效果。实验结果表明,该算法可有效去除点云模型的不同尺度噪声,在不破坏点云本身几何结构的前提下,保证点云精简的均匀化,而且算法执行速度快,重建效率高。

针对鞋面匹配中存在的尺度变化、光照变化以及噪声干扰等问题,提出基于加速稳健特征和对象请求代理(SURF-ORB)算法结合随机抽样一致(RANSAC)算法的鞋面匹配检测算法。采用SURF算法提取鞋面图像特征点;通过ORB算法对提取到的特征点进行描述,得到描述子;采用汉明距离完成初匹配,再结合RANSAC算法对由噪声干扰和光照变化而产生的误匹配点进行剔除,获得较为精准的匹配点对。结果表明:当鞋面图像中存在尺度变化、光照变化和噪声干扰等影响时,该算法能够准确匹配,具有较强的稳健性。