[发明专利]一种基于BRDPSO算法的织物表面瑕疵检测方法

说明书

本发明公开了一种基于最优gabor滤波器及BRDPSO算法的织物表面瑕疵检测方法，该方法提取出的具有影响力的特征子集可以降低特征空间维数、简化分类器设计、提高分类速度。另外，还能够提供合适的参数设置，以提高分类器模型的分类精度。

技术领域

本发明涉及机器学习视觉检测领域，特别涉及一种基于BRDPSO的织物表面瑕疵检测方法。

背景技术

在织物的实际生产过程中，由于各方面因素的影响，织物表面会出现断头疵、跳花、破洞、污渍等瑕疵。传统人工肉眼检查十分费力，同时人眼长时间检测，很容易造成肉眼疲劳，不仅检测速度慢，准确率也不能达到企业标准。因此基于机器学习进行织物表面瑕疵检测具有重要意义。

近年来，大部分基于织物表面瑕疵检测的方法都是先进行图像预处理，然后特征提取，再利用全部的特征进行分类。图像预处理可以有效消除图像中无关的信息，恢复有用的真实信息，若预处理后的图像仍具有噪声或光照不均等现象，会直接影响到后面提取的特征信息。同时特征空间中也含有许多冗余特征甚至噪声特征，这些特征一方面可能降低分类的精度，另一方面会大大增加学习和训练的时间及复杂度。

发明内容

本发明的目的是提供一种基于最优gabor滤波器及BRDPSO算法的织物表面瑕疵检测方法，BRDPSO算法即二进制随机漂移粒子群算法；该方法提取出的具有影响力的特征子集可以降低特征空间维数、简化分类器设计、提高分类速度。另外，还能够提供合适的参数设置，以提高分类器模型的分类精度。技术方案包括：

同步选择最优的特征子集和孤立森林IF分类器的参数优化，提高瑕疵检测的准确度，减少学习及训练的时间复杂度；所述方法包括以下几个步骤：

步骤1：首先选择一幅预处理后的无疵点织物图像，用来得到最优gabor滤波器；

步骤2：获取全部图像，进行预处理及与最优gabor滤波器进行卷积操作；

步骤3：对处理后的图像进行特征提取；

步骤4：将特征数据集分为训练集和测试集；

步骤5：构造和训练BRDPSO-IF模型，同步进行特征选择和IF模型参数的优化；

步骤6：应用选择好的特征子集和优化后的IF模型对测试集进行瑕疵检测。

所述步骤1的具体包括以下子步骤：

首先对此图像进行图像灰度化、中值滤波以及同态滤波预处理，得到预处理后图像；

(1.2)采用量子粒子群算法(QPSO)优化得到gabor滤波参数，构造与(1.1)中预处理后图像纹理最匹配的最优gabor滤波器：

(1.2.1)初始化粒子群，包括确定最大迭代次数、搜索空间及粒子个数、随机初始化粒子的位置，并置粒子个体最好位置为当前粒子的位置；

(1.2.2)根据粒子个体最好位置计算粒子群的平均最好位置，并开始迭代；

(1.2.3)确定适应度函数，求解每个粒子的适应值；

(1.2.4)根据每个粒子适应值的大小更新粒子个体最优位置和全局最优位置；

(1.2.5)计算局部吸引子；

(1.2.6)更新每个粒子的位置

(1.2.7)重复(1.2.2)～(1.2.6)，直至达到最大迭代次数。最终得到的即为最佳gabor滤波器参数。

所述步骤2的具体过程为：将全部彩色图像先进行灰度化处理，以此降低计算复杂度，再应用中值滤波和同态滤波来增强图像，去除图像噪声，最后和最优gabor滤波器进行卷积操作使得图像背景更加平滑、瑕疵区域更加突出。