[发明专利]基于深度特征和NTV-RPCA的织物疵点检测方法

说明书

本发明提出一种基于深度特征和NTV‑RPCA的织物疵点检测方法，其步骤为：首先，采用深度网络VGG16对织物图像进行特征提取，得到织物图像的多层次深度特征图，并对多层次深度特征图进行均匀重叠分块；然后，构造NTV‑RPCA模型，并采用ADMM算法交替迭代搜索每一层次的特征矩阵对应的最优的稀疏矩阵；再根据最优的稀疏矩阵生成多个显著图，并利用低秩分解模型融合多个显著图获得最终显著图；最后，通过自适应阈值分割算法对最终显著图进行分割，定位出疵点位置。本发明采用深度网络和NTV‑RPCA模型相结合，有效地表征织物图像的复杂纹理特征和消除图像中的噪声影响，使得检测结果具有更高的自适应性和检测精度。

技术领域

本发明涉及纺织品图像处理的技术领域，特别是指一种基于深度特征和NTV-RPCA的织物疵点检测方法。

背景技术

在纺织品生产制造过程中，疵点的出现会极大影响纺织品的质量和价值，因此织物疵点检测在纺织品生产制造过程中是不可或缺的环节。传统疵点检测工作主要由人工完成的，检测精度和可靠性易受视觉疲劳、主观意识影响的问题。随着图像处理技术的发展，基于机器视觉的自动织物疵点检测方法已经成为研究的热点。

根据织物图像背景纹理的不同特点，现有的疵点检测方法可大致分为两种：针对纹理简单的非模式织物图像检测方法和针对纹理复杂的模式织物图像检测方法。针对非模式织物图像的检测方法包括：基于统计的方法、基于光谱分析的方法、基于模型的方法和基于字典学习的方法，这些方法对具有平纹和斜纹纹理的非模式织物图像有较好的检测性能，但由于模式织物的背景纹理复杂，上述方法对模式织物图像的检测性能不佳。针对模式织物图像的检测方法包括：黄金图像减法(GIS)、图像分解法和基于基元的方法等，然而这些复杂的模式织物疵点检测方法大多采用模板匹配技术对疵点进行定位，并且是在有监督下执行的，检测精度取决于精确的对准和选择合适的模板。

随着深度学习技术的发展，已经有学者开始尝试将卷积神经网络CNN应用到织物疵点分类和疵点定位领域。Cui等提出了一种卷积神经网络MC-CNN来实现织物疵点的分类；Liu等提出了一种改进的SSD目标检测方法，可用于定位小尺寸织物疵点。由于基于CNN的分割任务需要大量具有像素级标注的图像样本，而目前尚未有包含充足数据量的公开织物图像数据库，这一问题制约着基于深度学习的织物疵点检测方法的发展。实际上，基于CNN的视觉任务取得较高的检测性能，这得益于CNN可以从织物图像数据中自动学习特征，此外，其提取的深度特征优于传统的手工特征描述子，具有很高的通用性和可迁移性。

低秩分解模型又称为鲁棒主成分分析RPCA，可将数据矩阵分解为跨越多个低秩子空间的冗余部分和偏离低秩结构的稀疏部分。因此，该模型能够同时恢复矩阵的低维子空间并检测离群点，已成功应用于目标检测和分割等领域。尽管织物图像背景纹理多样，疵点类型复杂多变，但其整体上还是由特定图案重复叠加构成，具有高度的视觉冗余性，通常可以认为背景处于低秩子空间中，而其中的疵点打破了局部的低秩性，通常可以认为疵点是显著稀疏的，这一现象很好地符合了低秩分解显著性检测模型。目前，已有相关学者将低秩分解模型用于疵点检测。李春雷等提取织物图像的HOG特征矩阵，然后通过低秩分解模型进行背景和疵点的分离；Cao等提取织物图像的局部纹理特征矩阵，然后通过融合了局部先验信息的低秩分解模型来提升背景和疵点的分离效果。

目前基于低秩分解模型的织物疵点检测方法虽然取得了一定的检测效果，但检测精度仍有提升的空间，仍有一些问题未得到解决：1)织物图像纹理复杂多样、疵点形态各异，但现有织物图像表征方法仍主要采用人工设计的提取方法，往往只能描述图像的某一方面特征，弱化甚至忽略了其它方面的特征；2)织物图像易受到噪声污染，现有模型极易将其中的稀疏噪声分解到稀疏矩阵(疵点显著图)中，影响检测效果。

发明内容