本文摘要：這篇紡織論文投稿發(fā)表了紡織品圖案的主結(jié)構(gòu)算法以及分層預(yù)處理，論文提出一種懲罰算子在加權(quán)最小二乘法處理紡織品圖案過程中對主結(jié)構(gòu)和紋理進(jìn)行不同程度的模糊處理以剔除紋理，保留主結(jié)構(gòu)，解決最小二乘法求解過程中大型稀疏矩陣求解耗時(shí)長的問題。
這篇紡織論文投稿發(fā)表了紡織品圖案的主結(jié)構(gòu)算法以及分層預(yù)處理，論文提出一種懲罰算子在加權(quán)最小二乘法處理紡織品圖案過程中對主結(jié)構(gòu)和紋理進(jìn)行不同程度的模糊處理以剔除紋理，保留主結(jié)構(gòu)，解決最小二乘法求解過程中大型稀疏矩陣求解耗時(shí)長的問題。
關(guān)鍵詞：紡織論文投稿,織物主結(jié)構(gòu)提取,加權(quán)最小二乘法
目前，智能制造已成為中國制造業(yè)的重點(diǎn)發(fā)展方向，而機(jī)器視覺作為智能制造設(shè)備感知信息的核心技術(shù)受到越來越廣泛的關(guān)注[1]。作為傳統(tǒng)勞動(dòng)力密集型行業(yè)，紡織品加工在基于機(jī)器視覺的紡織品檢測、切割加工等智能自動(dòng)化設(shè)備方面有著巨大的潛力[2]。對于許多涉及紡織品智能識(shí)別與檢測技術(shù)都需要提取紡織品的主結(jié)構(gòu)信息，如紡織圖案形狀大小偏差檢測、紡織品缺陷識(shí)別、床單窗簾經(jīng)編織造后沿花邊切割等。由于傳統(tǒng)基于模板匹配的機(jī)器視覺只適用于剛性物體，對具有柔性的紡織品應(yīng)用效果不理想，目前中國多數(shù)紡織品加工企業(yè)對于床單、窗簾沿花邊切割還采取人工電熱絲切割的方式，而對紡織品圖案形狀大小偏差檢測、紡織品缺陷識(shí)別也采用人工尺具檢測。
Krishnan等[8]為出現(xiàn)在各種計(jì)算機(jī)圖形應(yīng)用領(lǐng)域的離散泊松方程提出一個(gè)新的多級(jí)預(yù)處理方案。該方法通過去除領(lǐng)域內(nèi)潛在的細(xì)微級(jí)變量之間的弱連接以及對這些變化的補(bǔ)償，并在所得到的較小系統(tǒng)上遞歸地重復(fù)該稀疏過程可得到較好的加速效果;但文中根據(jù)鄰域內(nèi)粗細(xì)變量的拓?fù)潢P(guān)系選擇不同的稀疏方法加大了時(shí)間消耗，且在迭代過程中不能抑制矩陣條件數(shù)的增長。本文采用分層預(yù)處理器對稀疏矩陣進(jìn)行預(yù)處理以減少時(shí)間消耗，并在構(gòu)建分層預(yù)處理器過程中使用一種更簡單有效的稀疏與補(bǔ)償方法用于劃分強(qiáng)弱連接。
1主結(jié)構(gòu)提取算法
1.1主結(jié)構(gòu)的概念
圖1為紡織品主結(jié)構(gòu)與紋理示意圖。圖中右上角是空間重復(fù)紋理的局部放大圖，右下角是含有主結(jié)構(gòu)信息區(qū)域的局部放大圖。本文的目的是快速剔除重復(fù)紋理的同時(shí)保留主結(jié)構(gòu)信息，以利于后續(xù)的紡織品輪廓提取以及紡織品圖案形狀位置偏差檢測處理。
1.2懲罰算子的提出
圖像處理中采用加權(quán)最小二乘法來進(jìn)行保邊濾波，在保留邊界的同時(shí)對圖像進(jìn)行模糊處理。
1.3懲罰算子有效性驗(yàn)證
為驗(yàn)證本文提出的懲罰算子的有效性，采用了Xu等[9]的紡織品紋理圖案樣本庫，此樣本庫包含了50張紡織圖案，以及對應(yīng)的人工標(biāo)出的主結(jié)構(gòu)圖案，如圖2所示。本文使用的每張圖像為從樣本庫中隨機(jī)提取出大小為29像素×29像素點(diǎn)區(qū)域的方式生成樣本塊，并根據(jù)人工標(biāo)出的主結(jié)構(gòu)圖將樣本塊分為主結(jié)構(gòu)樣本塊和紋理樣本塊。圖2(b)、(c)分別是主結(jié)構(gòu)樣本塊和紋理樣本塊的示例。每張圖片生成主結(jié)構(gòu)樣本塊和紋理樣本塊各2500個(gè)，這樣就建立了1個(gè)主結(jié)構(gòu)樣本塊和紋理樣本塊各125000張的樣本庫。
為驗(yàn)證懲罰算子的有效性，需要證明懲罰算子能在主結(jié)構(gòu)區(qū)域像素點(diǎn)和紋理區(qū)域像素點(diǎn)附近產(chǎn)生不同的值。對樣本庫中每一個(gè)樣本塊根據(jù)式(4)、(5)計(jì)算圖像中心像素點(diǎn)處懲罰算子Mx，p(u)和My，p(u)的值，參數(shù)σ的值定為5。圖3示出對整個(gè)樣本庫每個(gè)樣本計(jì)算懲罰算子的值而得出的主結(jié)構(gòu)樣本塊和紋理樣本塊的Mx，p(u)+Mx，y(u)值分布的概率直方圖。可以看出，本文提出的懲罰算子的值在紋理樣本中分布大多數(shù)集中在0附近，而其在主結(jié)構(gòu)樣本上中主要在區(qū)間0～0.014都有分布，所以懲罰算子可有效區(qū)分主結(jié)構(gòu)區(qū)域與紋理區(qū)域。
1.4算法的應(yīng)用實(shí)例
圖4示出應(yīng)用算法1對紡織品圖案提取主結(jié)構(gòu)的示例，其中迭代次數(shù)為4次。圖4(a)示出大小為250像素×250像素的紡織品圖案的1個(gè)示例，圖像在提取主結(jié)構(gòu)后，可用于后續(xù)的形狀位置偏差檢測。圖4(b)示出提取主結(jié)構(gòu)的效果展示。圖4(c)是本實(shí)驗(yàn)室基于機(jī)器視覺的紡織品圖案沿輪廓切割項(xiàng)目中的實(shí)際圖像，大小為1280像素×1024像素。此項(xiàng)目中圖像處理的目標(biāo)是提取出紡織品花邊所在的輪廓位置以用于切割加工，而使用本文算法提取主結(jié)構(gòu)可減少紋理對提取花邊的干擾。
在目前國內(nèi)很多紡織品加工企業(yè)中，紡織品本身品質(zhì)良莠不一，紡織圖案各區(qū)域的濃密程度不一，還存在小的紡織缺陷的干擾，這使提取紡織品輪廓信息難度加大，圖4(c)示例了這種情況，同時(shí)比較了不同系數(shù)λ的提取效果，增大λ的值可加大模糊程度，從一致性很差的紡織品中提取主結(jié)構(gòu)，有利于后續(xù)的輪廓提取。
2分層預(yù)處理
2.1分層預(yù)處理算法
算法1中大規(guī)模稀疏矩陣直接求逆會(huì)消耗大量時(shí)間，在流水線輪廓切割或形狀位置偏差檢測等實(shí)時(shí)性要求高的場景下時(shí)間代價(jià)不可接受，本文采用一種分層預(yù)處理的方案以減少算法中矩陣求逆的時(shí)間消耗，定義為算法2。
2.2分層預(yù)處理效果分析
為驗(yàn)證預(yù)處理對方程求解時(shí)間消耗的影響，收集類似圖4(c)的紡織品圖像1000張，并從中提取出1024像素×1024像素、512像素×512像素及256像素×256像素的圖案各1000張，從圖4(a)紡織圖案中提取出含有主結(jié)構(gòu)的大小為128像素×128像素和64像素×64像素的圖案各1000張，組成一個(gè)用于測試算法時(shí)間的樣本庫，以測試樣本中圖像作為輸入u，由式(7)中的L=I+λ(DTxAxDx+DTyAyDy)求出預(yù)處理前的矩陣L。再由算法2構(gòu)建分層預(yù)處理器F(x)。
檢測并記錄求解方程Lx=b和經(jīng)預(yù)處理后方程F(x)=b所消耗的時(shí)間。所用CPU為Inteli5-4460，主頻3.2GHz，內(nèi)存16GB，平臺(tái)為MatLab2012a。表1示出預(yù)處理前后矩陣求解的時(shí)間消耗。由表1中不同圖案大小的平均求解時(shí)間及預(yù)處理前后平均求解時(shí)間的對比可看出，對于較小的圖案(如64像素×64像素的圖案)，預(yù)處理的加速效果不明顯，隨著圖案大小的增加，預(yù)處理前后時(shí)間之比越來越大，加速效果越來越明顯。
3結(jié)論
本文經(jīng)大量樣本測試驗(yàn)證了懲罰算子在主結(jié)構(gòu)和紋理附近可產(chǎn)生不同大小的權(quán)重值。由于提取主結(jié)構(gòu)過程中稀疏矩陣的求逆時(shí)間消耗較大，本文采用分層預(yù)處理對加權(quán)最小二乘法處理紡織品圖案過程中大型稀疏矩陣的求解進(jìn)行加速，經(jīng)實(shí)驗(yàn)檢測，可在不影響提取主結(jié)構(gòu)效果的同時(shí)有效降低稀疏矩陣的條件數(shù)以減少求逆時(shí)間消耗，加快主結(jié)構(gòu)的提取速度。
作者：田俊杰 張李超 趙星 白宇 單位：華中科技大學(xué) 材料成型與模具技術(shù)國家重點(diǎn)實(shí)驗(yàn)室
推薦閱讀：《江蘇紡織》本刊1982年創(chuàng)刊，是江蘇紡織行業(yè)唯一一份為全行業(yè)服務(wù)的綜合性月刊，經(jīng)過多年的發(fā)展，該雜志目前已成為江蘇紡織服裝企業(yè)交流宣傳的陣地，成為行業(yè)內(nèi)具有一家影響力的雜志。中國加入WTO以后，紡織服裝業(yè)的發(fā)展將迎來新的春天。
轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///nylw/16349.html
