纹理周期性驱动的织物疵点智能检测方法

本文主要探讨了"基于纹理周期性分析的织物疵点检测方法"，它针对织物图像的特性，尤其是其周期性这一关键视觉特征进行深入研究。织物图像作为典型的纹理图像，织物疵点检测实质上是个纹理分割和识别的过程，因为疵点区域的纹理结构与正常织物有显著差异。织物疵点自动检测是IT领域的研究热点，已有的方法主要包括统计检测，如灰度共生矩阵和灰度差分矩阵；频域分析，如傅里叶变换和小波变换；以及基于模型的方法，如高斯-马尔可夫随机场（GMRF）。 然而，由于织物疵点种类繁多，形态各异，传统的检测方法可能无法有效处理所有情况。本文提出的新方法认识到织物的经纬结构和方向性，特别是周期性和方向性，这两个高层次的纹理特征对检测至关重要。通过分析织物纹理的周期性，该方法旨在提高织物疵点的检测效率和覆盖率，适用于多种类型的疵点检测，增强了方法的实用性和通用性。 具体来说，文章首先定义了纹理周期性的概念，强调了它在图像特征提取中的重要地位。然后，作者提出了一种创新的方法，通过分析织物图像在x和y方向上的最小周期，来有效地捕捉和提取纹理的周期性信息。这种方法在实际检测过程中表现出良好的有效性与可靠性，尤其是在面对多种不同类型的织物疵点时，显示出了优越的性能。 西安工程大学纺织与材料学院和西北工业大学电子信息学院的研究人员，祝双武和郝重阳，共同合作，通过对大量织物疵点图像的实验验证，展示了基于纹理周期性分析的织物疵点检测技术的潜力和优势。这项研究不仅提升了织物疵点检测的精度，也为纺织品质量控制提供了新的科学依据和技术手段。整个研究工作不仅推动了计算机视觉在纺织行业的应用，也为未来的纺织品瑕疵自动检测技术的发展奠定了坚实的基础。