針對傳統(tǒng)低秩分解法導(dǎo)致的圖像信息過度丟失和織物彈性導(dǎo)致的歪斜問題,提出一種基于Beta范數(shù)的改進低秩分解檢測方法。首先,通過提取織物圖的基元特征構(gòu)造先驗信息圖。其次,采用Beta范數(shù)代替低秩分解中的核范數(shù),并由先驗信息圖引導(dǎo)低秩分解方法對織物圖進行分解,解決了傳統(tǒng)低秩分解方法中核范數(shù)導(dǎo)致的圖像信息過度丟失的問題。進而,提取織物圖的方向梯度直方圖（HOG）特征構(gòu)造后驗信息圖,并將后驗信息圖和通過低秩分解得到的稀疏分量進行哈達瑪乘積獲得顯著圖,解決了織物彈性導(dǎo)致的歪斜問題。最后,利用最優(yōu)閾值分割得到疵點圖。將實驗結(jié)果與已有的4種方法進行對比,結(jié)果表明,該方法可以有效抑制歪斜干擾,且檢測時間更短。 

【文章來源】：紡織學(xué)報. 2020,41(05)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

后驗信息圖和顯著圖

由于星型紋理的重復(fù)單元較小，因此在相同面積下，其紋理單元的排列比FID數(shù)據(jù)集中其他2種紋理更密集。當星型紋理織物的瑕疵區(qū)很細微時，易發(fā)生漏檢甚至完全檢測不出瑕疵區(qū)的情況，因此本文選擇數(shù)據(jù)集中瑕疵區(qū)較小的織物圖進行效果對比。其中，文獻[15]的方法未能很好地將疵點區(qū)和正常紋理有效分離，這可能是星型紋理單元排列過于密集導(dǎo)致的，如圖3(b)中星型斷頭、星型多斷頭和星型破洞;對于某些細微的疵點甚至完全失效，如圖3(b)中星型多破洞。文獻[18]的方法能較好地檢測出疵點，但其分割出的疵點輪廓明顯大于實際輪廓，因此其在輪廓細節(jié)刻畫方面還有待改進。文獻[19]方法能較好地標識出疵點的位置，如圖3(d)中星型斷頭和星型破洞;但其存在漏檢情況，未能標記出疵點的全部區(qū)域，如圖3(d)中星型多破洞所示，文獻[19]方法只標注出了2個疵點區(qū)中的1個。文獻[20]方法較好地檢測出了疵點，且其輪廓比前3種方法更接近疵點標定圖，如圖3(e)中星型斷頭和星型多破洞;但結(jié)果中包含歪斜干擾，如圖3(e)中星型斷頭、星型破洞和星型多網(wǎng)。本文算法可以較好地檢測出疵點區(qū)位置，且疵點輪廓與疵點標定圖相近，如圖3(f)中星型斷頭和星型多破洞;同時基本消除了文獻[20]結(jié)果中的歪斜干擾，如圖3(f)中星型斷頭、星型破洞和星型多網(wǎng)。圖4示出5種算法對方格型紋理的檢測結(jié)果。

圖4示出5種算法對方格型紋理的檢測結(jié)果。其中文獻[15]方法對于方格型紋理織物的檢測效果比星型紋理稍好，如圖4(b)中的方格斷頭(縱)、斷頭(橫)和方格油污，可以在一定程度上識別出疵點位置，但不能很好地將其與背景分離。文獻[18]基本可以檢測出大致的疵點區(qū)，效果明顯優(yōu)于文獻[15]，但引入了一些細微噪聲，如圖4(c)中方格細緯。文獻[19]出現(xiàn)了大量虛警現(xiàn)象，將大量背景識別為瑕疵區(qū)域，如圖4(d)中方格斷頭(橫)和方格破洞，這是由于其采用的Frobenius范數(shù)不能很好地近似矩陣的秩。文獻[20]方法檢測出的疵點輪廓比前3種方法更精準、細膩，但有很多歪斜干擾，如圖4(e)中方格斷頭(橫)和方格破洞。本文算法基本對每張織物圖都實現(xiàn)了疵點區(qū)與背景紋理的分離，且沒有文獻[20]中的歪斜干擾，如圖4(f)中方格斷頭(橫)和方格破洞，但本文算法在圖4(f)方格斷頭(縱)的檢測效果比文獻[20]稍差。

【參考文獻】：
期刊論文
[1]基于改進局部自適應(yīng)對比法的織物疵點檢測[J]. 杜帥,李岳陽,王孟濤,羅海馳,蔣高明.  紡織學(xué)報. 2019(02)
[2]應(yīng)用Canny算子的織物疵點檢測改進算法[J]. 胡克滿,羅少龍,胡海燕.  紡織學(xué)報. 2019(01)
[3]應(yīng)用方向梯度直方圖和低秩分解的織物疵點檢測算法[J]. 李春雷,高廣帥,劉洲峰,劉秋麗,李文羽.  紡織學(xué)報. 2017(03)
[4]高斯混合模型在印花織物疵點檢測中的應(yīng)用[J]. 李敏,崔樹芹,謝治平.  紡織學(xué)報. 2015(08)



本文編號：3484129