[发明专利]一种基于卷积特征和低秩表示的织物疵点检测方法

权利要求书

1.一种基于卷积特征和低秩表示的织物疵点检测方法，其特征在于，其步骤如下：

S1、将待测织物图像输入构建的浅层卷积神经网络中，利用浅层卷积神经网络SNET中的各个卷积层分别提取织物图像对应的多层次深度特征，并根据每一层次深度特征建立织物图像对应的深度特征图；

S2、对每一层次的深度特征图进行均匀重叠分块，并分别计算每一层次的深度特征图对应的特征矩阵；

S3、在低秩表示模型中引入非凸l-p范数构建低秩表示模型，并利用交替方向乘子法分别对包含特征矩阵的低秩表示模型进行交替迭代获得每一层次的最优稀疏矩阵；

在低秩表示模型中引入非凸l-p范数构建低秩表示模型的方法为：

其中，F_l为第l组深度特征图的特征矩阵，L_l为特征矩阵F_l分解后的低秩矩阵，E_l为特征矩阵F_l分解后的稀疏矩阵，为低秩矩阵L_l的非凸l-p范数，为低秩矩阵L_l的第i₁个奇异值，为非负权重，i₁＝1,2,…,min(m₁,n₁)，m₁为低秩矩阵L_l的行数，n₁为低秩矩阵L_l的列数，为矩阵的l-2,1范数，i₂＝1,2,…,n₂，n₂为稀疏矩阵E_l的列数，λ0是一个平衡系数；

引入辅助变量J_l＝L_l，将低秩表示模型(1)转化为公式(2)：

利用增广朗格朗日函数L对公式(2)进行转化：

其中，Y₁和Y₂均为拉格朗日乘子，·为内积运算，||·||_F是Frobenius范数，μ0为惩罚项；

S4、根据步骤S3中得到的每一层次的最优稀疏矩阵生成每一层次的显著图，再采用双低秩表示模型对所有层次的显著图进行融合，获得待测织物图像的最终显著图；

S5、采用迭代最优阈值分割算法对最终显著图进行分割，定位出待测织物图像的疵点区域。

2.根据权利要求1所述的基于卷积特征和低秩表示的织物疵点检测方法，其特征在于，所述步骤S1中的浅层卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层和分类网络；第一卷积层与第二卷积层相连接，第二卷积层与第三卷积层相连接，第三卷积层与第一全连接层相连接，第一全连接层与第二全连接层相连接，第二全连接层与分类网络相连接；所述第一卷积层、第二卷积层和第三卷积层均包括卷积层、非线性激活层和池化层；所述浅层卷积神经网络包含3个卷积层，待测织物图像通过浅层卷积神经网络生成对应的3组深度特征图，每组深度特征图包含H维特征图，特征图的大小为M×M；针对第l个卷积层，第l组深度特征图中的特征图h的第i个像素的激活特征为x_ih,l，则第l组深度特征图中的第i个像素的深度特征f_i,l为：f_i,l＝[x_i1,l,x_i2,l,...,x_ih,l,...,x_iH,l]，其中，l＝1,2,3为卷积层的数量，h＝1,2,…,H为特征图的数量，i＝1,2,…,M,M+1,…,M×M为像素的序号。

3.根据权利要求2所述的基于卷积特征和低秩表示的织物疵点检测方法，其特征在于，所述步骤S2中的均匀重叠分块的方法为：将大小为M×M×H的第l组深度特征图均匀重叠分为m×m×H的图像块{R_jH,l}_{j＝1,2,…,N}，图像块重叠的步长为n，其中，H为每组深度特征图包含的特征图的数目，N为图像块的数目，且mM为图像块的大小。