[发明专利]一种织物疵点的特征提取及检测方法

摘要

本发明公开了一种织物疵点的特征提取及检测方法，步骤1，利用摄像头采集一组织物的图像；步骤2，对采集的图像进行预处理；步骤3，基于小波变换提取图像特征向量；步骤4，基于模糊决策粗糙集对图像特征向量进行约简，获得约简集；步骤5，以约简集作为SVM分类器的输入量来训练疵点检测模型；步骤6，根据步骤1～步骤4的过程，获得待测织物的约简集，将待测织物的约简集作为输入量输入训练好的疵点检测模型，计算待测织物的识别结果。本发明即能降低数据维度，又能提取出对疵点检测有用的信息，提高疵点检测模型的识别精度和实时性。

主权项

1.一种织物疵点的特征提取及检测方法，其特征在于：包括以下步骤，步骤1，利用摄像头采集一组织物的图像；步骤2，对采集的图像进行预处理；步骤3，基于小波变换提取图像特征向量；步骤4，基于模糊决策粗糙集对图像特征向量进行约简，获得约简集；基于模糊决策粗糙集对图像特征向量进行约简的过程为：C1，对图像的特征向量进行归一化处理，将其归一化至[‑1，1]；C2，将特征向量中的特征量和相应的织物疵点类别构成一个分类决策表，记为S＝<U,C,D,V,f>，其中U为论域，即采集的织物图像样本集，C为特征向量，D为织物疵点类别，V＝∪V_a，V_a是a∈A的值域，A＝C∪D，f:U×A→V为信息函数；C3，采用基于模糊决策粗糙集的特征约简算法对分类决策表进行特征约简；采用基于模糊决策粗糙集的特征约简算法对分类决策表进行特征简约的过程为，D1，令初始约简集B＝Φ；D2，对于计算a_i相对于B的α‑重要度其中，α为常数，为D相对于B的α‑正域；为模糊决策粗糙集模型Y的α‑下近似，为模糊条件概率，δ为某常数；x_i为关于Y的隶属度；为D相对于B∪a_i的α‑正域；D3，选择属性a，满足若a的个数不止一个，则按照属性a在决策表中出现的先后顺序来选择；D4，更新约简集B＝B+a；D5，判断是否成立，如果是，则结束，输出约简集B，否则转至D2，为D相对于C的α‑正域；步骤5，以约简集作为SVM分类器的输入量来训练疵点检测模型；步骤6，根据步骤1～步骤4的过程，获得待测织物的约简集，将待测织物的约简集作为输入量输入训练好的疵点检测模型，计算待测织物的识别结果。