基于瑕疵先验与全变差正则项的低秩分解的织物检测方法技术

本发明专利技术涉及织物检测技术领域，尤其涉及基于瑕疵先验与全变差正则项的低秩分解的织物检测方法，包括：运用自编码器对正常图像进行训练得到正常纹理的特征；将待检测图像与自编码器重构的图像进行SSIM的显著性分割，得到瑕疵先验；将待检测图像和瑕疵先验输入PTVRPCA模型，得到瑕疵图像；通过阈值分割算法得到最后的检测结果。本发明专利技术解决现有纺织品瑕疵检测算法中预期缺陷的重建损失太小而无法很好地分割瑕疵，当缺陷与缺陷相似时，检测效果不理想。想。想。

Fabric detection method based on low rank decomposition of defect a priori and total variation regular term

【技术实现步骤摘要】
基于瑕疵先验与全变差正则项的低秩分解的织物检测方法


[0001]本专利技术涉及织物检测
，尤其涉及基于瑕疵先验与全变差正则项的低秩分解的织物检测方法。

技术介绍

[0002]织物是人们日常生活中广泛使用的材料。织物瑕疵指的是在工业化生产制造过程中织物表面出现的缺陷，造成缺陷的主要原因是机器故障、过度拉伸、织线问题等。织物的瑕疵检测指的是识别和定位瑕疵的质量控制过程。目前针对织物瑕疵的方式主要是人工检测的方式，人工检测的方式不仅成本高而且视觉疲劳容易产生漏检，使用成本低、准确率高的自动化检测，实现织物的瑕疵检测具有现实意义和实际意义。目前织物的主要分为两类：第一类是不含周期图案的织物，第二类是含周期图案的纺织品。
[0003]本专利技术以第二类纺织品为研究对象，目前有很多成熟的算法，大致可分为统计方法，模板匹配方法，模型方法，频谱方法，神经网络方法等等；模板匹配方法主要集中在计算纺织品图像块和模板之间的相似关系以识别缺陷，如WGIS，GIS等；模型方法主要是用于将纺织品图形分解为纹理贴图和缺陷图，例如ID，TVSL等；神经网络的算法运用自编码器是用于缺陷检测，当前，主要问题是预期缺陷的重建损失是太小而无法很好地分割瑕疵，当缺陷与缺陷相似时，检测效果不理想背景。

技术实现思路

[0004]针对现有算法的不足，本专利技术基于瑕疵先验和全变差正则项的低秩分解模型的纺织品瑕疵检测方法(PTVRPCA)，在传统低秩分解模型的基础上，首先运用自编码器对瑕疵图像进行重构，通过SSIM将重构图像与瑕疵图像进行显著性分割，得到瑕疵先验图像，以提高低秩纹理和缺陷的分离效果，然后运用全变差正则项根据缺陷的空间连续性约束缺陷，最后运用L
F
范数对噪声进行约束得到瑕疵图像，在标准的数据库上的实验表明，本方法的查全率有所提升，同时本方法对瑕疵类型具有普适性。
[0005]本专利技术所采用的技术方案是：基于瑕疵先验与全变差正则项的低秩分解的织物检测方法包括以下步骤：
[0006]S1、运用自编码器对正常图像进行训练得到正常纹理的特征；
[0007]S2、将待检测图像与自编码器重构的图像进行SSIM的显著性分割，得到瑕疵先验；
[0008]待检测图像为含有周期变化图案的纺织品图像；
[0009]进一步的，使用自编码器重构瑕疵图像，用瑕疵图与重构图与待检测的残差图作为图像瑕疵的先验；
[0010][0011][0012]其中，z是潜在向量，E(x)为自编码器编码，D()为自编码器解码，是重构的输入，
x是瑕疵图像，P是先验图像，W＝exp
‑
P
是瑕疵先验。
[0013]S3、将待检测图像和瑕疵先验输入PTVRPCA模型，得到瑕疵图像；
[0014]进一步的，传统的低秩分解模型(RPCA)在进行瑕疵检测时，容易将背景误判为瑕疵，产生很多噪声，为了解决这个问题，引入了L
F
范数来抑制织物中存在的除瑕疵以外的其他干扰：
[0015][0016]s.t.L＝A+E+N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017]其中，L是图像矩阵，A是图像矩阵的低秩部分，E是图像矩阵的稀疏部分，N用来去除图像中的噪声部分，λ1是稀疏项的权重矩阵，λ2是噪声项的权重矩阵；
[0018]根据瑕疵的空间连续性的特征，在含噪声的低秩分解模型方法上添加了全变差正则项，得到全变差正则项低秩分解模型(TVRPCA)，用来更好的定位瑕疵，抑制稀疏项中不连续的噪声，TVRPCA模型公式如下：
[0019][0020]s.t.L＝A+E+N,E＝F
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]其中，L是图像矩阵，A是图像矩阵的低秩部分，E是图像矩阵的稀疏部分，N用来去除图像中的噪声部分，λ1是稀疏项的权重矩阵，λ2是噪声项的权重矩阵，λ3是全变差正则项的权重矩阵，||
·
||
TV
是全变差正则项。
[0022]进一步，TVRPCA以很好的定位瑕疵部分，却不能很好的描述瑕疵的形状，原因主要是当瑕疵内部区域变化不明显，TVRPCA不能很好检测瑕疵，为了解决这个问题，在TVRPCA的方法上添加了瑕疵先验并用含记忆增强功能的自编码器来重建低秩项，用来定位瑕疵和描述瑕疵的形状声；
[0023][0024]s.tX
‑
A
‑
E
‑
N＝0,E＝F,
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0025]其中，X是带有瑕疵的纺织品图像，E是图像矩阵的稀疏部分，F是瑕疵图像的瑕疵部分，N是瑕疵图像的噪声部分，W是瑕疵先验，λ1是稀疏项的权重矩阵，λ2是噪声项的权重矩阵，λ3是全变差正则项的权重矩阵，||
·
||
TV
是全变差正则项。
[0026]S4、通过阈值分割算法得到最后的检测结果；
[0027]进一步的，阈值分割算法包括：对疵点分布图S进行降噪得到疵点分布图
[0028][0029]其中，g是圆形平滑滤波器，“。”表示哈达玛内积运算符，“*”表示卷积运算；
[0030]还包括：将疵点分布图转换成灰度图像G：
[0031][0032]利用最优阈值分割算法对G进行二值化，定位疵点位置。
[0033]本专利技术的有益效果：
[0034]1、利用全变差正则项增强前景的空间连续性并去除纹理背景干扰，添加自动编码器对瑕疵图像进行重构，重构的结果与瑕疵图像的误差作为瑕疵先验，以改善低秩背景和瑕疵的分离效果；PTVRPCA在box、star和dot类型织物的瑕疵检测结果的平均TPR为84％，通过标准数据库表明PTVRPCA与现有算法相比具有更好的性能，但是该模型的查全率虽然高，误检率也相对较高。
附图说明
[0035]图1是本专利技术的检测流程示意图；
[0036]图2是本专利技术的自编码器重构图；
[0037]图3是传统低秩分解模型和加噪声项模型的实验对比图；
[0038]图4是加噪声项低秩分解模型和加全变差正则项低秩分解模型的实验对比图；
[0039]图5是加全变差正则项和PTVRPCA实验对比图；
[0040]图6是本专利技术在数据库上的实验结果图。
具体实施方式
[0041]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0042]如图1所示，基于瑕疵先验与全变差正则项的低秩分解的织物检测方法包括以下步骤：
[0043]S1、运用自编码器对正常图像进行训练得到正常纹理的特征；
[0044]S2、输入待检测含有周期变化图案的纺织品图像，与S1中自编码器重构的图像进行SSIM的显著性分割，得到瑕疵先验；
[0045]进一步的，具体地，使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于瑕疵先验与全变差正则项的低秩分解的织物检测方法，其特征在于，包括以下步骤：S1、运用自编码器对正常图像进行训练得到正常纹理的特征；S2、将待检测图像与自编码器重构的图像进行SSIM的显著性分割，得到瑕疵先验；S3、将待检测图像和瑕疵先验输入PTVRPCA模型，得到瑕疵图像；S4、通过阈值分割算法得到最后的检测结果。2.根据权利要求1所述的基于瑕疵先验与全变差正则项的低秩分解的织物检测方法，其特征在于，所述瑕疵先验的公式为：W＝exp
‑
P
，其中，P是先验图像。3.根据权利要求2所述的基于瑕疵先验与全变差正则项的低秩分解的织物检测方法，其特征在于，所述PTVRPCA模型的构建包括如下步骤：首先，在RPCA模型中引入L
F
范数；其次，引入全变差正则项得到TVRPCA模型；最后，在TVRPCA模型中添加瑕疵先验，并用自编码器来重建低秩项定位瑕疵和描述瑕疵的形状声，得到PTVRPCA模型。4.根据权利要求3所述的基于瑕疵先验与全变差正则项的低秩分解的织物检测方法，其特征在于，所述RPCA模型中引入L
F
范数的公式如下：s.t.L＝A+E+N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，L是图像矩阵，A是图像矩阵的低秩部分，E是图像矩阵的稀疏部分，N用来去除图像中的噪声部分，λ1是稀疏项的权重矩阵，λ2是噪声项的权重矩阵。5.根据权利要求3所述的基于...

【专利技术属性】
技术研发人员：梁久祯，鲍向阳，
申请(专利权)人：常州大学，
类型：发明
国别省市：