论文部分内容阅读
由于织物表面纹理模式繁杂、纹理特征复杂，基于机器视觉的织物疵点自动检测是一项具有挑战性的任务，一直受到相关研究人员的广泛关注。近年来，低秩表示模型(Low Rank Representation Model, LRR)已被证明适用于织物疵点检测，可以将织物图像分别表示为稀疏目标和冗余背景。然而，基于低秩表示的方法其检测性能受到织物图像的有效表征和模型的有效性的限制，因此，本文对纹理表征方法和低秩模型进行了研究，并提出了一系列相关织物疵点检测算法。
1)提出了一种基于手工特征和非局部全变差正则项低秩分解的织物疵点检测算法。首先，将待测织物图像分块，对每个图像块提取手工特征，并将所有的块特征整合为表征整个织物图像的特征矩阵。然后，引入非局部全变差正则项构建低秩分解模型，并采用交替方向乘子法进行求解。最后，通过空间对应关系根据求解得到的稀疏矩阵生成疵点显著图，经分割后定位出疵点区域。实验证明了所提算法的鲁棒性和有效性。
2)提出了一种基于浅层网络和非凸低秩表示的织物疵点检测算法。首先，建立了一个具有三个卷积层的浅层卷积神经网络(Shallow Convolutional Neural Network, SNET)来表征织物图像，然后，构建非凸低秩表示(Non-convex Low Rank Representation, NLRR)模型，可以有效地将疵点从背景中分离出来。此外，通过双低秩表示模型(Double Low Rank Matrix Representation，DLRMR)对不同卷积层特征生成的显著图进行融合，实验结果表明，提出方法具有较高的计算效率和检测精度，双低秩融合进一步提升检测性能。
3)提出了一种基于深度-手工特征和加权低秩矩阵表示的织物疵点检测方法。通过融合VGG16网络提取的全局深度特征和手工制作的低层特征，有效地提高了特征表征能力。然后，构建了加权低秩表示模型(Weighted Low-rank Matrix Representation,WLRR)，对不同特征矩阵奇异值赋予不同权重并进行收缩处理，保留了织物纹理最显著的特征，有效地突出了缺陷，抑制了背景。最后，利用阈值分割算法对得到的显著图进行分割并得到疵点分割图。实验结果证明所提方法具有较高的自适应性和检测精度，并优于现有方法。
1)提出了一种基于手工特征和非局部全变差正则项低秩分解的织物疵点检测算法。首先，将待测织物图像分块，对每个图像块提取手工特征，并将所有的块特征整合为表征整个织物图像的特征矩阵。然后，引入非局部全变差正则项构建低秩分解模型，并采用交替方向乘子法进行求解。最后，通过空间对应关系根据求解得到的稀疏矩阵生成疵点显著图，经分割后定位出疵点区域。实验证明了所提算法的鲁棒性和有效性。
2)提出了一种基于浅层网络和非凸低秩表示的织物疵点检测算法。首先，建立了一个具有三个卷积层的浅层卷积神经网络(Shallow Convolutional Neural Network, SNET)来表征织物图像，然后，构建非凸低秩表示(Non-convex Low Rank Representation, NLRR)模型，可以有效地将疵点从背景中分离出来。此外，通过双低秩表示模型(Double Low Rank Matrix Representation，DLRMR)对不同卷积层特征生成的显著图进行融合，实验结果表明，提出方法具有较高的计算效率和检测精度，双低秩融合进一步提升检测性能。
3)提出了一种基于深度-手工特征和加权低秩矩阵表示的织物疵点检测方法。通过融合VGG16网络提取的全局深度特征和手工制作的低层特征，有效地提高了特征表征能力。然后，构建了加权低秩表示模型(Weighted Low-rank Matrix Representation,WLRR)，对不同特征矩阵奇异值赋予不同权重并进行收缩处理，保留了织物纹理最显著的特征，有效地突出了缺陷，抑制了背景。最后，利用阈值分割算法对得到的显著图进行分割并得到疵点分割图。实验结果证明所提方法具有较高的自适应性和检测精度，并优于现有方法。