[发明专利]一种基于支持向量数据描述理论的织物瑕疵自动检测方法

说明书

技术领域

本发明属纺织品质量自动检测与控制领域，特别是涉及一种基于支持向量数据描述理论的织物瑕疵自动检测方法。

背景技术

基于计算机视觉的织物瑕疵自动检测是近一、二十年来应用现代智能技术监控产品质量的一个研究热点和难点。织疵自动检测本质上属于模式分类范畴，具体地说就是借助各种现代信息技术实现对织物图像中正常区域和瑕疵区域的鉴别。目前，绝大多数纺织厂仍采用人工验布方式，这种方式存在诸多缺点，如检测速度低、无法实施实时检测，而涉及的劳动力成本、劳动强度、漏检率等也都较高。基于计算机视觉的织疵自动检测系统则能克服上述缺陷，满足社会对高效率生产的需要。

织疵自动检测之所以被众多相关领域研究者认为是一项困难的任务，其中一个主要原因就是它是一种典型的单类分类问题。单类分类(One-class Classification)也叫新奇检测(Novelty Detection)或野点检测(Outlier Detection)，其本质上属于无监督学习范畴。考虑到负样本具有分布稀疏、获取成本高或代表性样本难以全面获得，在单类分类问题中，相应的分类器通常全部以正样本作为训练样本而导致对负样本分布一无所知，决策函数依靠单方支持，对训练中的噪声更为敏感，且在训练阶段只能预先获得将正样本误判为负样本的错误率而不能得到将负样本误判为正样本的错误率。织疵样本即是织疵检测问题中的负样本。织疵种类极其繁杂、外观形态变化多样，缺乏统一的分布规律，其代表性样本难以全面收集，只能依靠正常样本对检测模型进行训练。

研究者Kumar等人以及Karras都曾尝试使用传统的两类分类支持向量机(SupportVector Machine，SVM)对少数几种织疵进行检测研究。在这种类型的SVM的训练中，不仅需要大量正常织物图像样本，也需要大量所涉及到的织疵图像样本。将两类分类器用于单类分类问题，显然，这是不合理的：不能保证有足够数量的训练用织疵样本；不能确保对未训练种类疵点以及虽经训练但表现为其它形态的同类疵点的有效检测。而近年来在支持向量机原理的启示下，由Tax和Duin提出的支持向量数据描述(Support Vector DataDescription，SVDD)和由Schlkopf等人提出的单类支持向量机(One-Class SupportVector Machine，OCSVM)则满足了应用中对单类分类器的需求。

发明内容

本发明所要解决的技术问题是将支持向量数据描述(SVDD)这一先进的单类分类方法恰当地应用于织物瑕疵自动检测领域，以适应织物瑕疵检测这一属于单类分类模式范畴任务的需要；并就SVDD模型训练中所涉及到的参数尤其是高斯核函数的尺度参数的优选问题，提供一种新的鲁棒方法；实现较准确控制预期误警率的目标以及疵点的实际误警率和漏检率在实际检测实践中保持同时较低的目标。

本发明解决其技术问题所采用的技术方案总体由两大部分组成：获得用于SVDD模型训练的数据集，即训练集；对SVDD模型中涉及的参数尤其是高斯核函数的尺度参数进行优选，并在优选的参数基础上完成对SVDD的训练。由此得到的决策函数即可用于对未知样本的检测，判断其是否为瑕疵样本。SVDD模型中涉及的两个参数能有效控制检测错误率尤其是预期误警率和实际误警率。

1、训练集的获得

采集尽可能多的256灰度级无疵织物图像，将它们都无重叠地分割为32×32像素大小的子图，再对每一子图实施直方图均衡化处理，每一均衡化后的子图看作一个(正常)样本。

从每一正常样本中提取若干能够区分正常纹理与瑕疵纹理的特征组成检测用特征向量。本发明依据计盒法提取了如下四个分形特征组成特征向量：

特征1：图像在盒子尺寸序列为3～7的情况下的分形维；

特征2：图像在盒子尺寸序列为3～16的情况下的分形维；

特征3：图像灰度值沿经、纬两个方向投影序列组合的分形维，所用的方格尺寸序列为3～16；

特征4：经窗口大小为10×10、标准差为0.2的LOG即高斯-拉普拉斯算子滤波后的图像的分形维，观测盒子尺寸序列为3～7；

对从每一正常样本得到的特征向量实施softmax归一化处理，这些经归一化处理后的特征向量的集合即构成SVDD模型的训练样本集。

2、SVDD模型中的参数优选和SVDD模型的训练

2.1SVDD基本原理和所涉及参数的意义