[发明专利]一种基于生物视觉启发的织物表面缺陷分类深度网络方法

权利要求书

1.一种基于生物视觉启发的织物表面缺陷分类深度网络方法进行准确且快速分类，其特征在于：包括以下步骤：

步骤1，评估图像受噪声影响程度，然后确定滤波函数尺度，得到预处理后图像x'；

步骤2，使用迁移学习方法对已使用大量数据训练好的ResNet网络进行微调，获取映射函数并判别输入织物图像是否存在缺陷；

步骤3，对缺陷的织物图像使用Meanshift聚类算法分割缺陷，确定缺陷位置并生成织物缺陷位置图h'；

步骤4，在研究生物视觉系统结构和运行机制基础上，建立一种视觉交互架构“VIN-Net”织物缺陷分类模型；

步骤5，基于已训练好的织物缺陷分类模型对纺织品图像进行缺陷分类，若存在缺陷则识别其缺陷类别。

2.根据权利要求1所述的一种基于生物视觉构建的织物表面缺陷分类网络方法，其特征在于：为了提高织物图像的信噪比，最大程度地降低图像失真并去除噪声,采用基于图像信噪比选择优化尺寸的高斯滤波进行织物预处理，所述步骤1具体包括：

步骤1.1，通过织物图像信噪比SNR来评估图像受噪声影响的程度，织物图像信噪比SNR公式表达为：

I_s是给定图像信号强度的估计，是给定图像噪声标准方差的估计，其中I_s的计算公式为：

p代表高斯滤波G的带大尺度，这里p取6，y为噪声退化图像；

之后采用无调节参数梯度滤波H作为噪声的标准方差的估计，的表达式为：

其中

步骤1.2，根据最小化一阶Holder优化准则，通过相关的最优化准则来求取最佳的P_c，确定高斯滤波函数中的最优标准方差，先利用协方差来得到最优的高斯滤波尺度：

w为噪声，将最优高斯滤波尺度记为p_c：

p_c＝arg min|corr(w,G_p*y)|

然后根据最小化一阶Holder，得到最小化E₁的尺度，求取的一阶Holder模为最优化准则的统计值来计算p₁，p₁就是p_c的最优高斯滤波尺度，计算公式为：

p₁＝arg min E₁

M、N表示为矩阵的行数和列数，m、n表示某个具体的像素在矩阵中的位置，最后根据最小二乘法拟合出最终的高斯滤波函数尺度：

将最终的高斯滤波函数尺度代入公式：

x为未经预处理原图，m₀,n₀代表像素的模板坐标，经过高斯滤波实现预处理后图像x'为：

x'(m,n)＝x(m,n)+w(m,n)。