Tytuł pozycji:
Fabric Defect Detection and Classifier via Multi-Scale Dictionary Learning and an Adaptive Differential Evolution Optimized Regularization Extreme Learning Machine
To develop an automatic detection and classifier model for fabric defects, a novel detection and classifier technique based on multi-scale dictionary learning and the adaptive differential evolution algorithm optimised regularisation extreme learning machine (ADE-RELM) is proposed. Firstly in order to speed up dictionary updating under the condition of guaranteeing dictionary sparseness, k-means singular value decomposition (KSVD) dictionary learning is used. Then multi-scale KSVD dictionary learning is presented to extract texture features of textile images more accurately. Finally a unique ADE-RELM is designed to build a defect classifier model. In the training ADE-RELM classifier stage, a self-adaptive mutation operator is used to solve the parameter setting problem of the original differential evolution algorithm, then the adaptive differential evolution algorithm is utilised to calculate the optimal input weights and hidden bias of RELM. The method proposed is committed to detecting common defects like broken warp, broken weft, oil, and the declining warp of grey-level and pure colour fabrics. Experimental results show that compared with the traditional Gabor filter method, morphological operation and local binary pattern, the method proposed in this paper can locate defects precisely and achieve high detection efficiency.
W celu opracowania automatycznego modelu wykrywania i klasyfikowania defektów tkanin, zaproponowano nowatorską technikę wykrywania i klasyfikowania opartą na zastosowaniu maszyny uczącej się (ADE-RELM). Proponowana metoda ma na celu wykrywanie powszechnych defektów, takich jak przerwana osnowa i wątek oraz zabrudzenia po oleju. Wyniki eksperymentalne pokazują, że w porównaniu z tradycyjną metodą filtrów Gabora, operacją morfologiczną i lokalnym wzorcem binarnym, proponowana w artykule metoda pozwala na precyzyjne zlokalizowanie defektów i osiąga wysoką skuteczność ich wykrywania.
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).
