1. 研究目的与意义（文献综述包含参考文献）
{title}文献综述一、研究背景在工业4.0和中国制造2025的大背景之下，淘汰落后产能，加快企业科技转型，提升制造业智能化水平是大势所趋。
作为世界上纺织品生产和出口大国，纺织行业在我国商品经济中占据很大的份额。
长期以来，我国劳动人民通过不断设计纺织品的种类，制造出越来越丰富的产品，这使得我国的纺织行业在全球占据着极大的优势。
但是，纺织业在我国仍然属于劳动密集型行业，并没有实现机械自动化大生产，加之很多企业的生产效率低，这就使得我国的纺织行业无论内销还是出口都受到了影响。
市场经济效益持续低迷，加重了企业的生存负担，再加上生产厂商未能有效地控制纺织产品的质量和生产效率，使得企业在提高利润率上面临更大的障碍，权威调研结果显示，纺织行业2/3的企业利润率只有0.62%，因此如何提高产品质量和生产效率就成了纺织企业急需解决的问题。
在纺织产品的生产和销售过程中，布匹的价格受多方面因素的影响，其最直接的因素就是产品的品质。
一般的，一等品的价格是二等品价格的两倍【1】，而布匹瑕疵的多少能够直接影响到布匹产品的等级评定与价格，因此布匹瑕疵检测是布匹质量控制不可缺少的环节。
长期以来，纺织行业主要通过两种人工方式进行布匹瑕疵检测【2】：过程检测和成品检测。
所谓过程检测就是在织布机织布过程中对布匹进行实时检测。
这种方式需要消耗非常多的资源，并且检测的效率不高，通常很少在纺织工业中普遍使用。
所谓成品检测就是对织好的布匹进行检测。
纺织工人通过人眼捕捉到布匹上的瑕疵，然后对这些瑕疵进行归类，最后让修补工针对不同的瑕疵类别采用不同的修补方案对布匹进行修复。
与过程检测相比，采用成品检测效率较高，因此实际生产中通常采用这种方案对布匹瑕疵进行检测。
早期的调查显示【3】，精确度低下的检测方法会忽视很多瑕疵，而这些瑕疵将会造成布匹质量的下降，增加纺织工业的运行成本。
传统人工检测的布匹检测率一般只有60%，而且实时检测的布匹宽度不超过2米，移动速度要低于30米/分【4】，并且人工检测的方法过分依赖检验人员的个人经验和操作熟练度，容易产生误检和漏检的情况。
此外传统的人工检测方法还受人的生理、心理、工作环境等因素的影响，这严重降低了纺织品的生产效率，提高了生产成本。
因此，布匹检测环节就成了纺织行业的一个瓶颈，严重束缚了行业发展。
随着计算机技术的不断发展，布匹瑕疵自动化识别逐渐替代人工检测方式，成为行业发展趋势。
虽然布匹瑕疵自动化识别的研究取得了很大的成果，然而国内纺织行业中布匹瑕疵检测系统鱼目混杂，虽已发布相当数量的视觉检测设备，但是其算法简单，直接表现为瑕疵检测精度低、普适性差，甚至难以满足纺织企业检测要求。
并且由于布匹瑕疵种类繁多，并且采集到的图像还会受到噪声、光照变化等环境因素的影响，使得布匹瑕疵识别依旧应用不够广泛。
因此优化对布匹瑕疵进行智能检测，将成为纺织行业发展的必然方向。
国内外研究人员也一直致力于布匹瑕疵自动检测的研究和优化。
二、国内外研究现况布匹瑕疵检测系统一般分为两种，一种是在布匹编织过程中在线检测，将普通相机或者特种成像装置安装于织机出布口，实时监控所编织出图像，及时发现瑕疵报警停机，防止由于断纱等因素出现瑕疵而织机仍然正常编织以致瑕疵区域扩大的现象，此类方法对系统内部图像处理算法要求较高，需在保证精度的同时满足织机实时在线检测的要求。
另一种是对纺织完成的成品布匹进行瑕疵检测即验布系统，通过搭建合适的运动平台以及视觉装置，成品布匹按照所设定速度绕卷布辊运动，由视觉检测装置在线检测，同时记录瑕疵区域的位置、面积等信息。
国内外在系统构建方式上基本围绕这两种思路对布匹的瑕疵检测系统研究和开发，更多的是对布匹图像处理算法的研究。
目前，学术界很多的瑕疵检测算法都需要先验知识进行比对学习。
对于同一批布匹，它们有着相同的特征，比如纹理、颜色、形状等，这些特征有助于检测与正常布匹在纹理等方面表现不一致的地方，而这些不一致的区域被称之为瑕疵。
经过近30年的研究，国内外学者发表了许多有关布匹瑕疵检测的论文。
其中Mahajan【5】、Henry【6】和Gaidhani【7】对布匹瑕疵检测算法进行了归纳与总结。
Mahajan将瑕疵检测方法分为统计法、结构法、频谱法和模型法；Gaidhani则从统计法、结构法、基于滤波器法、基于模型法和彩色纹理分析法五个方面对瑕疵检测方法进行综述。
综合现有的文献，本文将布匹瑕疵检测方法分为：频谱法、模型法、机器学习法、统计法和视觉显著性法。
（1）频谱法在最新的计算机视觉研究中，频谱法占据了研究工作的一大部分，它模拟人的视觉系统，将图像从空域变换到频域，使得图像的瑕疵区域被增强，此时图像的纹理在频域中就能更容易地展现出相关特性。
频谱法的主要目标是提取纹理基元或推广空域规则，它需要高度的周期性，并能够克服许多统计方法的效率缺陷。
常见的频谱法主要包括傅里叶变换（FourierTransform，FT），小波变换（WaveletTransform，WT）和Gabor变换等【8】【9】。
傅里叶变换源于傅里叶级数，它能克服空域对噪声敏感的缺陷，通常采用频域来表征图像中的瑕疵。
傅里叶变换具有良好的抗噪性、平移不变性和周期性，从频率分量的大小可以直观地观察到周期性发生的特征。
Tsai和Heish【10】利用傅里叶变换重构瑕疵图像。
他们使用一维Hough变换去除傅里叶变换域中的高频能量成分，消除图像中的线型模式，重构后的图像与原图之间的差异就是缺陷。
小波变换是通过乘以窗函数并作正交展开来进行的。
Tsai等人【11】利用小波变换重构原图像，采用多分辨技术减少对纹理特征的依赖性，实现子图像的增强，但是这种方法必须预先手动定义纹理的类别。
Henry等人【12】将小波变换用于提花织物中，结合黄金图像减法（GoldenImageSubtraction，GIS）对有缺陷的图案织物或重复图案纹理进行检测，检测率高达96.7%。
但是这种方法构造的测试窗口的标签存在缺陷。
Gabor变换是D.Gabor在1946提出的一种时频分析法，它把信号处理成无数个相当小的时间间隔，并利用傅里叶变换分析信号在每个时间间隔内存在的频率【13】。
由于在空域和频域上有着良好的特性，Gabor变换在纹理特征提取中发挥着巨大的潜能。
Tsai和Wu【14】设计了一种自动检测的Gabor滤波方法，他们选定特定的Gabor滤波器对图像进行卷积操作，将图像的能量作为输出响应，使得均匀纹理的能量为零，这样任何不可测的缺陷就会产生较大的能量值，从而实现瑕疵检测，但这种方法仅适用于非定量检测，在定量检测中的有效性低。
（2）模型法一般情况下，任何一幅图像都是由随机纹理和规则纹理构成的，布匹图像也不例外。
基于灰度共生矩阵和视觉信息的布匹瑕疵检测方法研究纹理，作为一种复杂的有图案的模式，可以通过随机过程建模的方法来表现它的结构和分布特性。
（3）机器学习法机器学习法的主要代表为神经网络。
神经网络模型采用组织性原则，比如学习或泛化。
它可以执行包括特征提取、分割和优化在内的许多任务，因此被应用于布匹瑕疵检测中。
Stojanovic等人【15】提一种三层反向传播的人工神经网络，用于织物疵点检测，能够达到86.2%的检测精度。
文献【16】所提方法在理论上能够实现离线模式和在线模式99.9%以上的织物检测，但是文中没有给出准确的样本量，因此结果的可靠性难以保证。
Rebhi等人【17】提出一种基于局部均匀性和神经网络的织物检测方法，这种方法先计算图像的均匀性，然后将离散余弦变换应用到该图像中，并提取每个图像的能量，将这些能量特征作为神经网络中用来判断瑕疵的依据，实验结果表明，该方法能够达到97.35%的检测率。
但是这种方法存在一些弊端，特别是在计算掩码窗口时，对窗口大小的选择严重影响瑕疵，这使得一些正常的纹理也会被误认为是疵点。
（4）视觉显著性法，在计算机视觉领域显著性常被用来模拟人类视觉注意机制。
现有的显著性检测模型大都依据层次、频谱、熵以及图像对比度。
频谱法在描述纹理的特征时可以选择不同的方向和尺度，但是需要庞大的计算量。
模型法利用建模思想对布匹图像进行检测，刻画图像的纹理特征，对布匹图像中对比度明显的瑕疵检测性能很好。
（5）统计法像素灰度值的空间分布决定了图像的纹理特征，而统计类描述方法就是选择合适的模式识别方式来描述纹理，体现图像的纹理特征。
常见的统计法有自相关法【18】、分形法【19】、灰度共生矩阵（GrayLevelCo-occurrenceMatrix，GLCM）法【20】、数学形态学方法【21】和统计特征值法【22】。
这里介绍基于灰度共生矩阵的研究方法，Haralick【20】等人从GLCM中提取出15个纹理特征，包括能量、熵等，这些特征能够很好地描述多种纹理图像。
Latif-Amet【23】等人提出子带共生矩阵概念，利用小波分解将布匹图像分解为子图像，然后利用共生矩阵的相关特征公式计算所需要的特征，最后利用分类器对样本图像进行训练，检测布匹中的瑕疵，结果表明，这种方法在织物图像数据库上的检测率达90.78%。
文献【24】利用灰度共生矩阵的逆差距和相关特性特征，采用最近邻分类方法对1391幅布匹图像进行检测，检测率达到95.36%。
国内外研究人员【25】认为GLCM适合大量的纹理种类，但不适合基元大的纹理，同时存在存储量大、计算量高的缺点。
他们给出了一些快速计算共生矩阵、减小共生数组大小的数学形态学【9】方法：比如采用类别共生矩阵来提高计算效率， Mak【26】等人提出Gabor滤波后的布匹图像进行形态学计算。
Gajanan【27】利用形态学方法对织物进行阈值分割，再利用几何特征对瑕疵进行提取，并将其存储到神经网络中，训练得到相关瑕疵。
Kasparis等人【28】利用能量对分形后的图像进行检测，单一的使用能量特征进行操作。
Martinez-Leon等人【29】提取熵函数作为特征进行布匹检测，计算图像的和与差分直方图，并通过对滤波器设定相应的阈值实现瑕疵检测。
上述方法各有优缺点，因此本文将会参考上述优化方法，对灰度共生矩阵法进行改进和优化。
从理论上讲，机器学习法的检测率会是最好的，接近于100%，但是它存在计算量大的缺点，若是想要达到近100%的检测率，则需要大量的样本进行训练、学习，这势必会造成巨大的存储开销。
统计法主要用于描述纹理图像的全局特征，更适用于面瑕疵，对点瑕疵和线瑕疵进行检测时，相关性能就会下降，特别是灰度共生矩阵法，该方法对块状瑕疵非常敏感，并且反映图像相关纹理的特征非常多，但是在计算量和存储需求上则显示出它的不足。
视觉显著性方法通过建立人眼注意机制对布匹图像进行瑕疵检测，能够得到很好的检测效果，但是每种视觉显著性检测方法无法适用于多种瑕疵的检测。
由于现实生活中布匹瑕疵种类繁多，这些方法单独采用时，只能识别出有限的瑕疵种类，将多种方法进行融合才能提高瑕疵检测效果。
参考文献：[1] 荆辰未. 基于 Gabor 和视觉信息的布匹瑕疵检测方法研究[D]. 江苏大学,2017.[2] 崔玲玲. 布匹瑕疵识别中的关键技术研究[D]. 西安电子科技大学,2014. [3] Knoll A L. Automatic fabric inspection[J]. Textile Institute alves P J S, Pinto J R C, et al. Intelligent real-time fabric defect detection[M]. Image Analysis and Recognition. Springer Berlin Heidelberg, 2007:1297-1307. [16] 何薇,白瑞林,李新. 基于 Gabor 小波和神经网络的布匹瑕疵检测[J]. 计算机工程与应用,2016, 52(12):231-234.[17] Rebhi A, Benmhammed I, Abid S, et al. Fabric defect detection using Local Homogeneity analysis and Neural Network[J]. Journal of Photonics, 2015,2015:1-9. [18] Haralick R. M. Statistical and Structural Approaches to Texture[J]. Proceedings of the IEEE, 1979, 67(5):786-804. [19] Mandelbrot B.B. The fractal Geometry of Nature[M]. Macmillan, 1983. [20] Haralick R. M., Shanmugam K., and Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973,3:610-621. [21] Dougherty E. R. An introduction to mathematical Morphology processing[M]. SPIE Press, Bellingham, WA, 1992.[22] Latif-Amet A, Ertuzun A, Ercil A. An efficient method for texture defect detection: sub-band domain co-occurrence matrices[J]. Image and Vision Computing, 2000, 18(6-7):543-553. [23] 吴亚新. 基于灰度共生矩阵的纺织品瑕疵识别算法[J]. 电脑知识与技术, 2017, 13(28):204-205.[24] Argenti F., Alparone L., and Benelli G. Fast algorithms for texture analysis using co-occurrence matrices[J]. IEE Proceedings, Part F: Radar and Signal Processing, 1990, 137(6):443-448. [25] 邹超,朱德森,肖力. 基于模糊类别共生矩阵的纹理疵点检测方法[J]. 中国图象图形学报,2007, 12(1):92-97. [26] Mark K.L., Peng p., Yiu K.F.C. Fabric defect detection using Morphological filters[J]. Image and Vision Computing, 2009, 27(10):1585-1592. [27] Gajanan G.K., Vibhawari B. Fabric defect detection with threshold and Morphological based segmentation methods and classification using Neural Network[J]. International Journal of Advance Electrical and Electronics Engineering (IJAEEE), 2014, 3(1):28-35. [28] Kasparis T, Tzannes N S, Bassiouni M, et al. Texture description using fractal and energy features[J]. Computers 2048像素的图像进行处理，选择图像光照均匀且清晰的部分，裁剪为1800400像素的图像。
同时机器在编织过程中处于不断滚动的状态，故固定检测区域，根据机器滚动速率确定图像拍摄的时间间隔，就能实现整条布匹的瑕疵检测。
需要学习使用HALCON机器视觉软件，完成图像预处理的算法，设计出傅里叶变换，gabor滤波、以及共生矩阵的算法，同时设计Blob算法，高斯混合模型的算法。
从而完成对拍摄布匹的图像采集、处理、存储和识别的功能、多种瑕疵检测算法实现和比对。
拟采用的研究手段：（1）文献检索查阅。
为了使项目顺利进行，广泛在知网上查阅各类期刊和硕博论文，梳理有关灰度共生矩阵、傅里叶变换，gabor滤波的相关内容和研究成果，同时设计Blob算法，高斯混合模型的算法进行比对和分析。
争取使用最前沿的研究方法作为理论基础提出布匹检测的新思路新方法。
同时展望布匹瑕疵检测未来发展，对未来各种研究可能性进行深度了解。
（2）模拟仿真实验。
对提出的目标检测方法使用HALCON机器视觉软件进行模拟仿真实验，记录每一种方法的开发状况，进行实验研究、数据获取及处理，对比其他方法，评价不同方法的可行性以及对社会、健康、安全、法律、文化及环境等因素的影响，确定最佳解决方案。
熟悉编程语言，进行模拟仿真、调试、分析及解释实验模拟结果，并通过信息综合得到合理有效的结论。
（3）数据定性定量分析。
根据仿真各个算法得出的不同数据，对其进行数据定性定量分析，综合对比得出各种算法的优点和缺点。
经过理性分析，有计划地结合数据，对算法进行改良，取长补短争取找到一个一个创新的可行的效果良好的方法，并撰写一篇英文论文，发布在国外期刊上。
进度安排：1.5-2.4明确和细化任务，选择和确定方案；着手进行文献检索和开题报告；确定翻译内容，完成翻译。
2.21-3.5开题报告；完成系统功能和软件方案设计。
3.6-4.28仿真软件编程、测试、完善。
4.295.25毕业论文写作；英文论文发表。
5.26-6.17准备毕业设计答辩、毕业设计答辩。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
