1. 项目背景与核心价值
织物瑕疵检测是纺织工业质量控制的关键环节。传统人工检测方式存在效率低、漏检率高、成本高等问题。我在某纺织企业实习期间亲眼目睹:一名熟练质检员每天需要检查上万米布料,工作8小时后漏检率会上升30%以上。这种现状促使我选择这个课题作为毕业设计。
基于计算机视觉的自动化检测方案能有效解决这些问题。通过图像处理技术提取织物表面特征,结合神经网络进行分类判断,可以实现7×24小时稳定检测,准确率可达98%以上。这个系统对纺织企业意味着:
- 质检效率提升5-8倍
- 人力成本降低60%
- 不良品流出率下降90%
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计
2.1 整体方案设计
系统采用"图像采集→预处理→特征提取→分类判断"的经典CV处理流程:
code复制工业相机 → 图像采集卡 → 预处理模块 → 特征提取模块 → 分类器 → 结果输出
(光照补偿) (Gabor滤波) (CNN网络)
硬件选型要点:
- 工业相机:选用Basler ace系列,2000万像素,帧率25fps
- 照明系统:定制环形LED光源,色温5500K,亮度可调
- 传送带速度:设计为0.5m/s,与相机帧率匹配
2.2 关键技术选型
图像预处理方案对比:
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 直方图均衡化 | 计算快 | 易放大噪声 | 均匀光照 |
| Retinex算法 | 适应强 | 计算量大 | 复杂光照 |
| 同态滤波 | 保留细节 | 参数敏感 | 阴影场景 |
最终选择改进型Retinex算法,在Dell Precision工作站上处理单帧耗时28ms。
3. 核心算法实现
3.1 织物纹理特征提取
采用多尺度Gabor滤波器组提取纹理特征:
python复制def build_filters():
filters = []
ksize = 31 # 滤波器尺寸
for theta in np.arange(0, np.pi, np.pi/4): # 4个方向
for sigma in (1,3,5): # 3个尺度
