2011年计算机视觉织物疵点检测技术综述：决策融合提升精确度

本文主要探讨了基于计算机视觉的织物疵点检测技术的研究进展，发表于2011年6月，由楼少敏、朱彦和俞晓群三位作者共同完成，发表在《浙江科技学院学报》上。论文首先回顾了这一领域的发展历程，强调了计算机视觉在纺织品瑕疵检测中的关键作用，这些应用包括但不限于图像预处理、特征提取、分类和识别。 1. **图像预处理**：研究中介绍了灰度共生矩阵法，这是一种通过统计像素灰度级别的同时出现频率来描述纹理特性的方法，对于去除噪声、增强图像对比度和结构信息具有重要作用。 2. **局部二值模式（Local Binary Patterns, LBP）**：作为一种常用的纹理特征提取算法，LBP通过比较像素与其周围像素的差异来编码局部纹理信息，有助于区分不同的织物缺陷模式。 3. **邻域关联分析**：这种方法关注像素间的关系，通过分析局部区域的相互依赖关系来识别织物疵点，提高了对复杂纹理和形状的敏感度。 4. **自组织映射（Self-Organizing Maps, SOM）**：一种无监督学习的神经网络算法，用于数据降维和可视化，通过学习数据分布的结构，帮助提取织物疵点的高维特征表示。 5. **支持向量机（Support Vector Machine, SVM）**：作为一种强大的分类器，SVM被用于将预处理后的图像特征映射到高维空间，从而有效地分类织物疵点类别。 6. **学习向量量化分类器（Learning Vector Quantization, LVQ）**：LVQ是一种基于原型的学习算法，通过调整原型向量来实现快速且准确的分类，对于大规模织物疵点数据集有较好的处理能力。 7. **多分类器组合**：文中特别关注了多分类器决策融合技术，特别是基于多数投票原则的方法，这种技术通过结合多个分类器的预测结果，提高整体分类的精确性和鲁棒性。 8. **决策融合**：研究者们讨论了如何通过集成不同算法的优势，通过决策融合策略来优化织物疵点检测的性能。这种方法在实际应用中显示出较高的检测精度，证明了其在工业检测中的实用价值。 这篇文章不仅总结了当前计算机视觉在织物疵点检测中的主流技术，还提出了一种基于多数投票原则的多分类器决策融合技术，展示了在实际场景中的有效性。这对于纺织品质量控制和自动化生产过程中的瑕疵检测具有重要意义，为后续的研究提供了有价值的参考框架和技术基础。