基于灰度共生矩阵和BP神经网络的织物组织结构识别

论文摘要

目前织物组织结构的分析还是借助于放大镜、分析针等简单工具,完全依赖人工目测完成。由于人工目测不可避免会受到个人的视力、情绪、疲劳、光线等因素的影响,带有很大的个人主观性,往往难以保证识别质量,造成测试结果具有一定的主观性和不可靠性,而且耗费操作人员大量的时间重复做相同的工作。加上效率低下已无法适应目前纺织生产小批量、多品种、高效率的需要。这成为了提高纺织企业信息化、生产自动化程度的一个瓶颈。如果能设计出一套织物组织结构参数的自动识别系统,将会大大推动纺织生产效率,实现全面自动化。图像处理技术和人工智能近年来取得了很大的发展,这使得利用图像处理技术实现织物组织结构的自动分析成为可能。本文运用灰度共生矩阵对织物图像进行特征提取,然后设计了一个三层BP神经网络对提取出来的特征值进行识别分类,经试验验证对平纹、斜纹、缎纹三种组织织物图像的正确识别率可达93.45%。在织物分类成功的基础上,运用小波分解理论,提取织物图像经纬向亮度信息,对织物组织点进行定位,利用组织点图像表面纹理信息,提取相关性特征,对其经纬属性进行判断,从而分析出织物具体组织结构。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的目的及意义
• 1.2 国内外研究进程
• 1.2.1 基于空间域的织物组织结构识别
• 1.2.2 基于频域的织物组织结构识别
• 1.2.3 结合特定理论的分析法
• 1.2.4 基于典型的图像处理算法
• 1.3 本文研究的主要内容
• 第二章 基于灰度共生矩阵的织物图像特征提取
• 2.1 图像的纹理特征
• 2.2 灰度共生矩阵理论
• 2.2.1 灰度共生矩阵生成
• 2.2.2 灰度共生矩阵特点
• 2.2.3 灰度共生矩阵特征值
• 2.3 图像采集
• 2.4 图像预处理
• 2.4.1 直方图均衡化
• 2.4.2 中值滤波
• 2.5 灰度共生矩阵构造参数的选取
• 2.5.1 步长的选取
• 2.5.2 纹理方向的选取
• 2.5.3 灰度量化级的选取
• 2.6 织物特征参数的提取与分析
• 2.6.1 特征参数的提取
• 2.6.2 特征参数的分析
• 第三章 基于BP 神经网络的织物组织结构分类
• 3.1 神经网络概述
• 3.1.1 生物神经元模型
• 3.1.2 人工神经元模型
• 3.1 3 人工神经网络的分类
• 3.2 BP 神经网络
• 3.2.1 BP 神经网络概念及结构
• 3.2.2 BP 网络的学习算法
• 3.2.3 BP 人工神经网络的主要能力及用途
• 3.3 用于机织物组织结构分类的BP 神经网络设计
• 3.4 用于机织物组织结构分类的BP 神经网络Matlab 实现
• 3.4.1 归一化方法及Matlab 函数
• 3.4.2 数据选择和归一化
• 3.4.3 BP 神经网络结构初始化
• 3.4.4 BP 神经网络训练
• 3.4.5 BP 神经网络分类
• 3.5 织物组织结构分类试验结果分析
• 第四章 织物组织结构识别
• 4.1 织物组织点区域划分
• 4.1.1 小波分析理论
• 4.1.2 小波基的选取
• 4.1.3 织物图像的小波分解
• 4.1.4 小波分解图像的二值化处理
• 4.1.5 组织点区域的划分
• 4.2 织物组织点识别
• 4.2.1 组织点图像的结构特征
• 4.2.2 组织点图像的特征提取
• 4.2.3 织物组织点经纬属性判别
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 附录
• 致谢