基于图论的高速织机织布过程中细小疵点监测方法研究

The fabric defect monitoring in the production process of high speed loom is the most important to increase the fabric qualities.The crux in whole project is the fabric defect feature extration and identification.The methods of fabric feature extraction will be studied based on the locally linear embedding algorithm,which include the automatical computation of the number of nearest neighbors and the selection of embedding dimension of samples.We shall apply Neighborhood Variance,geodestic distance and Gaussion similarity criteria to automatically computing the number of nearest neighbors and employ Procrustes analysis method and mix scatter matrices in selecting embedding dimension of samples.The methods will be able to improve the sensitivity of fabric defect features and reduce computation time.In order to solve the problem of fabric defect identification, we shall improve the normalized cut algorithm,which will be utilized to enhance identification precision of fabric defect and shorten identification time of fabric defect.The improved normalized cut algorithm consists of two components that are processed sequentially: a greedy agglomerative hierarchical clustering procedure and a local refinement.Based on this condition, we will put forward a technical of fabric defect monitoring in the production process of high speed loom,which can improve the pricision and efficiency of warning.

高速织机织布过程中监测和辨识萌芽状态细小疵点对织机控制与决策及提高产品质量具有重要意义。细小疵点图像信号具有对比度低、维数高、冗余信息多和随机性大等特点，使现有特征提取与辨识方法的精度和效率下降。本项目拟针对细小疵点给特征提取与辨识方法带来的挑战,提出基于图论的细小疵点特征提取与辨识方法。采用测地线、高斯相似准则和Procrustes分析方法等,发展邻域图建模和嵌入维数选择方法,建立细小疵点特征提取模型,提出基于图嵌入方法的细小疵点特征提取算法,克服细小疵点不利因素对特征提取精度的影响，突破特征灵敏度低的瓶颈。探讨谱聚类方法在疵点辨识中的不足，研究相似图建模方法，建立细小疵点的相似图模型，提出基于改进规范切割方法的疵点辨识算法，解决细小疵点类型繁多和学习样本不完备制约辨识精度提高的问题。为细小疵点监测提供核心理论和关键技术，为下一步织机控制研究提供技术支持，具有重要学术意义和工程应用价值。

细小疵点图像具有对比度低、维数高、冗余信息多和随机性大等特点，使现有特征提取与辨识方法的精度和效率下降。项目组围绕LLE方法(典型图嵌入方法)在细小疵点特征提取过程中所面临的若干理论问题展开研究。针对新增样本特征提取精度低的问题，提出基于学习马氏距离的邻域建模方法和基于LLE基本假设的新增样本重构模型。利用学习马氏距离在新增样本邻域建模过程中引入监督学习机制，应用LLE基本假设解决邻域矩阵不满秩造成的映射矩阵求解困难，提高新增样本特征提取精度。针对特征提取精度易受异常特征值影响的问题,对LLE方法的重构权值估计模型进行改进,用互相关熵取代欧式距离，进行向量相似度测量，提出基于互相关熵的重构权值估计模型，并且采用拉格朗日展开式和拉格朗日乘子法进行模型简化，降低计算复杂度，达到降低异常特征值对特征提取精度影响的目的。针对LLE方法低维输出向量重构过程中监督学习能力不足的问题，利用训练样本类标签信息扩大不同类样本之间平均距离的方式构造监督学习机制，提出了基于监督学习的低维输出向量重构模型,增强特征提取精度。针对LLE算法邻域大小和嵌入维数优化选择问题，提出基于正交规范切割准则的结构参数优化方法,解决不同维度嵌入空间的质量评价问题。将这些研究成果综合应用于细小疵点特征提取，能突破维数高、冗余信息多和随机性大等不利因素对细小疵点特征灵敏度提高的制约。研究中发现图嵌入方法不能解决细小疵点对比度低和光照不均所造成的识别精度低问题。课题组利于Gabor小波进行图像滤波，增加细小疵点对比度。将滤波后的图片分成若干个相互不重叠的子图，将同一位置的子图依次连接，形成疵点特征向量，运用图嵌入方法研究成果强化细小疵点特征灵敏度，提出基于Gabor小波和改进LLE方法的细小疵点特征提取方法，使表面平滑织物的细小疵点识别精度达到98%以上。