[发明专利]一种基于无监督分割和ELM的织物缺陷检测和分类方法

说明书

本发明涉及一种基于无监督分割和ELM的织物缺陷检测和分类方法，属于计算机视觉、模式识别及图像应用领域。首先输入织物缺陷图像，实现织物缺陷图像分割，得到分割后的织物缺陷图像；其次，提取分割后织物缺陷图像以及原始缺陷图像的形状、纹理特征，实现织物缺陷图像的特征提取；然后将待分类织物缺陷图像特征集和标签作为训练集，训练ELM分类器，得到ELM分类器参数；最后，通过训练后的分类器，根据贝叶斯概率融合，实现织物缺陷图像分类，输出织物缺陷图像分类结果。本发明采用的检测和分类方法具有较高的准确率。

技术领域

本发明涉及一种基于无监督分割和ELM(Extreme Learning Machines，极限学习机，简称ELM)的织物缺陷检测和分类方法，属于计算机视觉、模式识别及图像应用领域。

背景技术

现代纺织生产中，织物存在许多缺陷，例如洞疵，油斑，缺经，缺纬，漏针，折痕，划痕等。造成织物缺陷的原因有编织机器出现故障，或者纱线质量不合格等，因此，织物缺陷检测和分类是控制纺织品质量的关键环节。传统的织物缺陷检测和分类主要通过人工目测完成，检测和分类结果依赖于检测者主观评判。一方面，大量的工作非常枯燥；另一方面，观察久之，又会引起检测人员疲劳，从而导致织物缺陷检测和分类错误。由此可见，一种智能的织物缺陷检测和分类方法成为改善织物质量的有效方法。

作为织物缺陷分类的前提要求是织物缺陷检测，目前织物缺陷检测方法主要通过图像分析结合阈值分割法实现。例如(Development of a machine visionsystem:real-time fabric defect detection and classification with neuralnetworks，2014，105(6)：575-585)提出频域法结合双阈值法和形态学方法实现织物缺陷检测。Lucia Bissi(Automated defect detection in uniform and structuredfabrics using Gabor filters and PCA，2013，24(7)：838-845)通过小波域隐马尔科夫随机场建立无缺陷织物纹理模型，通过训练无缺陷图像得到模型参数，并通过最大期望思想确定有无缺陷,将缺陷织物图像通过阈值法分割检测。Jing J(Supervised defectdetection on textile fabrics via optimal Gabor filter，2013，44(1)：40-57)提出有监督的织物缺陷检测法，使用遗传算法的Gabor过滤器调整匹配无缺陷织物纹理信息。然后，基于调整后的最优Gabor过滤器检测织物缺陷图像，最终将织物缺陷图像通过阈值法分割。目前，这些检测方法都是有监督，而且需要大量无缺陷织物图像辅助检测，不利于提高系统整体效率。本发明织物缺陷检测方法是基于局部补丁近似的无监督织物缺陷分割。较公知方法，避免了需要大量织物图像问题，具有较好的分割效果。

在缺陷分类、特征提取方面，公知的特征提取方法主要基于频域法提取织物缺陷的纹理属性，特征属性单一，不利于提高分类的准确率。本发明中的特征提取方法不需要图像预处理操作，且满足多分辨率需求的小波包分解技术提取纹理特征，以及采用Hu不变矩法提取图像分割后的形状特征，提高后续织物缺陷分类准确率。在分类器选择上，公知方法基于BP神经网络和SVM分类器。Kuo C F J(Image inspection of knitted fabricdefects using wavelet packets，2015)利用NN分类器实现织物缺陷分类。Li W(Yarn-dyed woven defect characterization and classification using combined featuresand support vector machine，2014，105(2)：163-174)利用SVM分类器实现织物缺陷分类。这些方法的分类结果表明，分类准确率不太理想，并且分类器训练过程繁琐。所以，一个从特征提取及分类方面都提高织物缺陷分类准确率得方法很有必要。

发明内容