结构基元可辨尺度下准周期织物纹理的表征、解耦及特征提取研究

Woven fabric image is a kind of quasi-periodic texture and its detection and analysis, such as defect detection, pilling grading, are all processed based on texture analysis. As the lack of deeply research and analysis of structure primitive of quasi-periodic texture, the current solution methods have the drawbacks of narrow scope of application and poor universality. The current algorithms remain to be broken through. This project is to characterize and decouple the quasi-periodic fabric texture, extract the features from fabric texture in the discernible dimension of structure primitive. The universality methods used for fabric detection and analysis will be obtained. First, the quasi-periodic texture is simulated and time-frequency transform method is used to construct the characterization model of fabric texture in time and frequency domain. Then, the number of neurons and the weighting coefficient are determined by the characterization model of quasi-periodic texture. Gabor wavelet neural network will be constructed to decouple the quasi-periodic coupling texture. The backgroud texture of fabric structure and the target texture will be seperated successfully. Last, the target objects will be detected and located with texture segmentation method. The statistical features, gray features and distribution features are extracted to complete the detection and analysis of fabric. This project can provide the characterization, decoupling and feature extraction methods for quasi-periodic texture with modularization form. It lays the theoretical foundation for the intelligent detection and analysis for fabric texture and quasi-periodic texture. Results of the research will further the application of information detection in textile industry and it will provide the demonstration scheme for the analysis of quasi-periodic texture.

机织物图像是一种典型准周期纹理，其相关检测与分析，如疵点检测、毛球评级等都是基于纹理分析进行。由于缺乏对准周期纹理基础构成的深入研究和理解，现有解决方法适用范围窄、通用性差，算法有待突破。本项目研究在结构基元可辨尺度下准周期织物纹理的表征、解耦及特征提取方法，以得到通用性的织物检测与分析方法。首先模拟准周期织物纹理，利用时频变换方法在时域和频域内建立织物纹理的表征模型；然后基于纹理表征模型，确定神经元数目及权重系数，进而构建Gabor小波神经网络对准周期耦合纹理进行解耦，实现织物结构背景纹理与检测目标纹理的分离；最后利用纹理分割方法定位检测目标，提取检测目标的统计、灰度及分布特征，完成织物的检测与分析。项目研究将得到模块化的准周期织物纹理表征、解耦及特征提取方法，为智能化的织物及准周期纹理的检测与分析奠定基础，研究成果有助于深化信息检测理论在纺织工业中应用，同时提供准周期纹理分析示范方案。

为了解决机织物图像分析与检测中存在的由于缺乏对准周期纹理基础构成的理解和研究，导致目前提出的检测与分析算法适用范围窄、通用性差等问题，本项目对纺织图像的表征、解耦及特征提取方法进行了通用性的研究，期望为纺织纹理检测与分析提供理论基础。项目研究的主要内容及成果包括：（1）织物图像的模拟与仿真：实现了织物理想光照条件下灰度结构模型的构建，完成了平纹、斜纹、缎纹等常见织物的模拟，织物参数可调。搭建了纱线图像动态采集系统，实现了实际的纱线图像实时采集，通过对纱线图像处理，获取纱线条干数据，结合织物结构模型完成了具有真实感的织物模拟，为织物图像分析与检测奠定了基础。（2）研究了Fourier变换在织物纹理解耦中的应用：基于织物图像为一种典型的准周期纹理，提出利用Fourier变换将织物图像变换频域，并在频域空间内选择与织物纹理基本构成元素，即经纱与纬纱对应的频谱信号，对织物图像进行了重构，实现了准周期纹理的解耦；在此基础上，结合纺织生产中的实际应用，提出在纹理解耦的结果上进一步实现了经纬纱密度的自动检测。（3）研究Gabor变换在纺织准周期纹理分析中的应用：分别对Gabor变换的时域和频域表达及应用进行了详细的探讨，并结合织物抗起毛起球等级自动评定这一实际应用，对Gabor变换在纹理解耦、特征强化方面的应用进行了分析，并在特征强化的织物起毛起球图像基础上进行了纹理特征提取，实现了织物起毛起球等级的自动评定。（4）色织物的瑕疵检测：对色织物中最常见的格子型色织物的疵点检测进行了研究，首先利用自相关检测算法实现了色织物格子周期的自动检测，接着利用Fourier变换对色织物的纹理进行了分析，提取了多个纹理表征参数，在此基础上实现了色织物的瑕疵检测；还提出了利用共生矩阵的方法对色织物图像进行了纹理分析，提取纹理表征参数，实现色织物的常见瑕疵，包括破洞、油污、缺纬等的自动检测。本项目的研究成果为机织物图像智能分析与检测提供了关键的理论基础，项目提出的模块化的织物图像分析方法，包括纹理模拟、纹理解耦、纹理加强和特征提取与分析，有助于深化信息检测理论在纺织工业中应用，同时提供了纺织图像分析与检测参考性方案。