一种基于机器教学模式下的显著性织物疵点检测方法技术

本发明专利技术公开了一种基于机器教学模式下的显著性织物疵点检测方法，属于纺织技术领域。通过引入教学模型，并通过模糊连通性评价超像素集合的传播难易程度，从而逐渐控制并优化显著性传播的顺序，解决疵点检测方法中显著性传播的缺陷和不足；本发明专利技术基于像素有不同的传播难度的前提，结合了认知科学理论的实践结果，提出的显著性织物疵点检测方法，对提高显著性疵点检测算法的稳定性和准确率具有参考价值。

A Method of Significant Fabric Defect Detection Based on Machine Teaching Model

【技术实现步骤摘要】
一种基于机器教学模式下的显著性织物疵点检测方法
本专利技术涉及一种基于机器教学模式下的显著性织物疵点检测方法，属于纺织

技术介绍
在织物生产过程中，织物疵点的产生不可避免。传统通过人工检测的方法，其检测结果受人的主观影响较大，且漏检率高、人工成本高；随着计算机技术的发展，依靠机器视觉对织物疵点进行自动检测的方法节约了人工成本，且稳定性高，生产效率高，因而逐渐得到发展与应用。目前，基于一般的视觉显著性的织物疵点检测方法对经编平纹类普通织物疵点的检测比较有效，而对于提花类复杂织物的检测不够稳定，检测效果差，难以用于实际生产。因此亟需开发一种能够对复杂织物上的疵点进行有效检测、且能够有效提高检测算法的准确性的方法。
技术实现思路
为了解决目前存在的一般显著性检测的不稳定性、检出率低的问题，本专利技术提供了一种基于机器教学模式下的显著性织物疵点检测方法，所述方法包括：采用Harris角点检测法对图像进行预处理，得到含有一个凸包的图像；采用线性迭代聚类的超像素分割方法，将关联的超像素点聚类，通过迭代更新实现图像的区域分割；通过对图像背景、边缘及凸包的图像融合，构建出粗略的显著性图；在教学模型中引入模糊连通度的思想对粗略显著性图像逐渐细化：教学模式中利用模糊连通度评估超像素的传播难易度并进行排序；在学教模式中分配一定量简单超像素进行学习，根据学习的反馈效果，调整任务量，通过不断迭代优化，直至未标记的超像素集合为空集，此时完成显著性传播。利用阈值分割方法对细化后的显著性图像进行像素分类处理，得到最终结果。具体的，本申请的第一个目的在于提供一种显著性织物疵点检测方法，所述方法包括：S1：对待检测图像进行预处理，构建粗略显著性图像；S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像；S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果。可选的，所述S1：待检测图像进行预处理，构建粗略显著性图像，包括：利用角点检测获得疵点织物图像，所述疵点织物图像为包含凸包的图像；利用超像素分割的方法将待检测图像分割为不同的超像素集合，每个超像素集合为关联的超像素点的聚类。可选的，所述S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像，包括：通过模糊连接性评估各超像素的传播难易度，根据传播难易度对各超像素进行排序；利用教学模型对排序后的各超像素进行从易而难的显著性传播。可选的，所述通过模糊连接性评估各超像素的传播难易度，包括：构建模糊空间，描述所述构建的模糊空间内各超像素间的邻近关系；通过隶属函数评估待检测图像中感兴趣物体的均匀性分量和特征分量；利用模糊连接度定义模糊空间中各超像素间的模糊关系，并对各超像素间的传播难易度进行排序。可选的，所述均匀分量为：其中为：其中的为标准差；所述的特征分量μφ(c，d)为：其中wo(c，d)＝min[Wo(f(c))，Wo(f(d))]wb(c，d)＝max[Wb(f(c))，Wb(f(d))]其中Wo和Wb分别为像素强度的目标隶属函数和背景隶属函数；其中目标隶属函数为：其中，mo与ko分别表示待检测图像中感兴趣物体的均值和标准差；背景隶属函数为其中mb与分别为待检测图像中背景的均值和标准差。可选的，所述利用教学模型对排序后的各超像素进行从易而难的显著性传播，包括：随机分配排序后靠前的简单超像素进行学习，根据学习的反馈效果，调整任务量；通过不断迭代优化，直至未标记的超像素集合为空集，此时完成显著性传播。可选的，所述利用角点检测获得疵点织物图像，为利用Harris角点检测法获得疵点织物图像，包括：建立数学模型，利用局部窗口在待检测图像上进行移动，定义角点响应函数R，通过判定R大小确定角点位置；将各角点连接起来形成一个将疵点目标包围的凸包，所述疵点织物图像即为包含有凸包的图像。可选的，所述超像素分割的方法为线性迭代聚类算法，包括：初始化种子点；在种子点的Q′*Q′邻域内重新选择种子点：计算Q′*Q′邻域内所有像素点的梯度值，将种子点移到Q′*Q′邻域内梯度最小的地方；在每个种子点周围的邻域内为每个像素点分配类标签；分别计算每个种子点周围的邻域内为每个像素点和该种子点的距离；利用空间像素间的距离计算公式分别计算第k个聚类中心与第i个像素点间的颜色距离与空间距离，并计算归一化后的度量距离；迭代优化直至误差收敛为0。可选的，所述S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果，包括：对细化后的显著性图像进行像素分类处理；设细化后显著性图像的灰度值为F(x,y)，B(x,y)表示阈值分割后的图像；T为阈值；则(x,y)即为显著性图像中像素点的位置坐标。本申请的第一个目的在于提供一种上述显著性织物疵点检测方法在在纺织
内的应用。本专利技术有益效果是：本专利技术提供的一种显著性织物疵点检测方法，通过引入教学模型，并通过模糊连通性评价超像素集合的传播难易程度，从而逐渐控制并优化显著性传播的顺序，解决疵点检测方法中显著性传播的缺陷和不足；本专利技术基于像素有不同的传播难度的前提，结合了认知科学理论的实践结果，提出的显著性织物疵点检测方法，能够提高显著性疵点检测算法的稳定性和准确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术提供的显著性织物疵点检测方法的流程示意图。图2是学习与教学模式示意图。图3是与均匀性分量相关的函数形式图。图4是与特征分量相关的Wo的函数形式图。图5是待测图像。图6是细化后的显著性图像。图7是阈值分割后的检测结果。图8是基于最优Gabor滤波器算法的检测结果。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。实施例一：本实施例提供一种显著性织物疵点检测方法，参见图1，所述方法包括：(1)构建粗略的显著性图像；具体的，在获取到待检测图像后，需要首先构建该待检测图像的粗略的显著性图像，包括：(1.1)获取疵点织物图像；此步骤中可采用Harris角点检测法对图像进行预处理，得到含有一个凸包的图像；(1.2)采用线性迭代聚类的超像素分割方法，将关联的超像素点聚类，通过迭代更新实现待检测图像的区域分割得到若干个超像素集合；(1.3)显著性图像的构建：通过对待检测图像的背景、边缘及凸包的图像融合，构建出粗略的显著性图像；(2)利用教学模式细化粗略的显著性图像并进行显著性传播；具体的，在对待检测图像构建得到粗略的显著性图像后，采用教学模式对其进行细化和显著性传播，包括：(2.1)在教与学模式中，通过评估各超像素集合的显著性传播的难易度对其进行排序；(2.2)教与学模式即教学者通过分配简单任务供学习者进行学习，根据学习的反馈效果，决定下一次学习的任务量；这样通过教学者和学习者的互动可以有效地对粗略的显著性图像进行细化；(2.3)通过不断迭代优化，直至未标记的超像素集合为空集，此时完成显著性传播；(3)对细化后的显著性图像进行二值化处理获得检测结果；利用阈值分割对细化的显著性图像进行处理，从本文档来自技高网...

【技术保护点】
1.一种显著性织物疵点检测方法，其特征在于，所述方法包括：S1：对待检测图像进行预处理，构建粗略显著性图像；S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像；S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果。

【技术特征摘要】
1.一种显著性织物疵点检测方法，其特征在于，所述方法包括：S1：对待检测图像进行预处理，构建粗略显著性图像；S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像；S3：利用阈值分割对细化后的显著性图像进行分割，获得疵点检测结果。2.根据权利要求1所述的方法，其特征在于，所述S1：待检测图像进行预处理，构建粗略显著性图像，包括：利用角点检测获得疵点织物图像，所述疵点织物图像为包含凸包的图像；利用超像素分割的方法将待检测图像分割为不同的超像素集合，每个超像素集合为关联的超像素点的聚类。3.根据权利要求2所述的方法，其特征在于，所述S2：利用教学模型对粗略显著性图像逐渐细化，得到细化后的显著性图像，包括：通过模糊连接性评估各超像素的传播难易度，根据传播难易度对各超像素进行排序；利用教学模型对排序后的各超像素进行从易而难的显著性传播。4.根据权利要求3所述的方法，其特征在于，所述通过模糊连接性评估各超像素的传播难易度，包括：构建模糊空间，描述所述构建的模糊空间内各超像素间的邻近关系；通过隶属函数评估待检测图像中感兴趣物体的均匀性分量和特征分量μφ(c,d)；利用模糊连接度定义模糊空间中各超像素间的模糊关系，并对各超像素间的传播难易度进行排序。5.根据权利要求4所述的方法，其特征在于，所述均匀性分量为：其中，为：其中的为标准差；所述特征分量μφ(c,d)为：其中wo(c,d)＝min[Wo(f(c)),Wo(f(d))]wb(c,d)＝max[Wb(f(c)),Wb(f(d))]其中Wo和Wb分别为像素强度的目标隶属函数和背景隶属函数；其中目标隶属函数为：其中mo与ko分别表示待检测图像中感兴趣物体的均值和标准差；背景隶属函数为其中mb与k...

【专利技术属性】
技术研发人员：李岳阳，杜帅，罗海驰，樊启高，朱一昕，佘雪，李美佳，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32