【技术实现步骤摘要】
本申请涉及一种基于pca字典学习的复杂织物纹理缺陷检测方法，属于纺织品检验。
技术介绍
1、图像纹理信息是工业研究对象之一，广泛应用在医疗诊断、遥感等领域等。织物是一种典型的纹理图像，包含纹理的几何或统计特征自动测定与计算以及纺织品纹理特征缺陷检测两个方面。其中，缺陷智能检测分类是织物生产数字化评价的关键难题，在提高纺织工业的生产效率，提升纺织品质量控制水平，提升相关产业的利润空间及市场竞争力的重要保障，推动企业智能化改造等方面都起到积极作用。目前国内多数纺织企业中，纺织品缺陷检测仍是由人工完成，通过算法实现织物缺陷自动检测，一方面提升检测效率，保护人体健康；另一方面提升客观性，保证产品质量。
2、织物缺陷检测算法是多学科交叉，加上算法更新迭代迅速，此处按照纹理特征提取方法在空间域或频域的不同，从基于空间域、基于频域和基于学习三大类。在空间域对图像的灰度值进行计算分析，提取图像的相关特征，并将该值作为特征向量直接识别织物结构参数或输入分类器进行缺陷检测。基于统计、基于模型和基于结构都是在空间域进行纹理特征提取。
3、“基于灰度共生矩阵与反向投影的织物疵点检测”(计算机测量与控制,2016,24(7):65-67)中采用glcm特征对勾丝、缺经、破洞、油污等缺陷进行检测，大部分缺陷特征信息检测保存完好，检测结果好。基于频域是根据织物周期性与频谱特性相似的原理，将织物纹理图像经频域转换后进行检测。通过傅里叶变换、小波变换以及gabor滤波器等，分析信号或图像的频谱特征和频域成分，揭示信号或图像中不同频率成分的
4、基于学习方法给定数据集，该方法能主动动学习纹理内在特征，实现纹理几何参数的客观测定和缺陷检测算法设计。该方法进一步可分为传统机器学习和深度学习法。例如，“patterned fabric defect detection via convolutional matching pursuitdual-dictionary”(optical engineering,2016,55(5):053109.)中提出了卷积匹配追踪和基于gabor的k-奇异值分解双重字典，采用双重字典分别对正常织物和待检测织物图像进行特征提取，得到相应的标准特征和纹理特征，通过对比标准特征和纹理特征来检测色织物缺陷。基于深度学习是今年来的研究热点，被广泛用于织物缺陷检测。例如，“基于两阶段深度迁移学习的面料缺陷检测算法”(机械工程学报，2021,57(17):86-97.)对针织格纹面料缺陷检测实时性差和数据缺乏等问题，提出了一种基于两阶段深度迁移学习的面料缺陷检测算法。该算法的检测精度为95％，检测速度可达30m/min。基于传统机器学习方法可绕开特征选择的问题，但多用于坯布和单色织物的研究，复杂织物纹理的检测效果差。在鲁棒性、适应性和检出率方面，深度学习检测系统及算法展示了优于传统方法的性能。但因为基于不同的数据库、参数以及不同的图像系统，数据标签的缺失，导致算法对特定织物类型有效，泛化性能与客观性有待进一步提高。不同算法类别间没有明确界限，混合方法或者传统与深度学习相结合的方法逐渐增多，可见单一的方法已不能满足要求。
5、因此，研究一种不依赖于织物缺陷类型的的基于pca字典学习的织物缺陷检测方法具有十分重要的意义。
技术实现思路
1、有鉴于此，本申请提供一种基于pca字典学习的织物缺陷检测方法，该方法不仅克服了现有技术中计算量大且复杂织物检测效果差，还具有计算方便快捷且不依赖于缺陷的优点。
2、具体地，本申请是通过以下方案实现的：
3、一种基于pca字典学习的织物缺陷检测方法，将整幅织物纹理图像分解为多个子图像后，判别出含有缺陷的子图像，进而由含有缺陷的子图像的位置信息确定织物缺陷的位置；
4、缺陷的判别是通过比较子图像和重构子图像实现的，所有的子图像展开为列向量后进行联合得到测试样本图像矩阵，通过选用离散余弦变换作为初始字典并采用正交匹配追踪算法由初始字典和训练样本图像矩阵计算得到初始稀疏系数矩阵后，对训练样本图像矩阵进行pca字典学习得到字典，再采用正交匹配追踪算法由字典和测试样本图像矩阵计算得到稀疏系数矩阵后对测试样本图像矩阵进行重构得到重构测试样本图像矩阵，重构样本图像矩阵的列向量转化即得重构子图像；
5、所述训练样本图像和测试样本图像为不同的织物纹理图像。
6、作为优选的技术方案：
7、如上所述的一种基于pca字典学习的复杂织物纹理缺陷检测方法，具体步骤如下：
8、(1)图像处理；
9、先将整幅织物纹理图像等分为n个按行和列排列的子图像后，从1到n开始编号，每行的编号从左到右递增，每列的编号自上而下递增，每个子图像都有其对应的编号、行号和列号，再将每个子图像展开为列向量，n个列向量联合组成样本图像矩阵y，y＝[y1，y2，…yt，…yn]，yt∈ru，yt为编号为t的子图像展开得到的列向量，t＝1,2,…,n，yt＝[y1t，…，yqt，…，yut]′，yqt为yt中的第q个元素，q＝1,2,…,u，u是yt的维数；
10、(2)构建初始字典d；
11、选取不同的类型的织物纹理图像，划分为子图像组成新的训练集x＝[x1,x2,…xn],xi∈rm，标准化的计算公式如下：
12、
13、计算协方差矩阵然后对协方差进行矩阵分解，计算公式如下：
14、c＝sλst，其中，λ＝diag(λ1，λ2，...λn)，sst＝1。最后，根据特征值λ1≥λ2，...≥λn的大小，选取特征向量s(1：n，1：k)作为初始字典，即d是k个维数为n的字典原子；
15、(3)计算初始系数矩阵α；
16、已知样本图像矩阵y和初始字典d，则初始系数矩阵α＝(dtd)-1dty；
17、(4)采用交替最小二乘法进行字典学习更新d和α得到dp和αp；
18、(4.1)以迭代次数为p，令当前迭代次数p为1；
19、(4.2)系数矩阵更新，公式如下：
20、本文档来自技高网...
【技术保护点】
1.一种基于PCA字典学习的复杂织物纹理缺陷检测方法，其特征在于：将整幅织物纹理图像分解为多个子图像后，判别出含有缺陷的子图像，进而由含有缺陷的子图像的位置信息确定织物缺陷的位置；
2.根据权利要求1所述的一种基于PCA字典学习的复杂织物纹理缺陷检测方法，其特征在于，步骤如下：
3.根据权利要求2所述的一种基于PCA字典学习的复杂织物纹理缺陷检测方法，其特征在于：步骤二中，k的取值范围为1～25，m为256。
4.根据权利要求2所述的一种基于PCA字典学习的复杂织物纹理缺陷检测方法，其特征在于：步骤六中，所述预先设定的阈值为重构误差和E的95％，重构误差和E的计算公式如下：
5.根据权利要求1～4任一项所述的一种基于PCA字典学习的复杂织物纹理缺陷检测方法，其特征在于：所述整幅织物纹理图像为8位的灰度图像。
6.根据权利要求1～4任一项所述的一种基于PCA字典学习的复杂织物纹理缺陷检测方法，其特征在于：所述整幅织物纹理图像的尺寸为256×256像素。
7.根据权利要求1～4任一项所述的一种基于PCA字典学习的
...【技术特征摘要】
1.一种基于pca字典学习的复杂织物纹理缺陷检测方法，其特征在于：将整幅织物纹理图像分解为多个子图像后，判别出含有缺陷的子图像，进而由含有缺陷的子图像的位置信息确定织物缺陷的位置；
2.根据权利要求1所述的一种基于pca字典学习的复杂织物纹理缺陷检测方法，其特征在于，步骤如下：
3.根据权利要求2所述的一种基于pca字典学习的复杂织物纹理缺陷检测方法，其特征在于：步骤二中，k的取值范围为1～25，m为256。
4.根据权利要求2所述的一种基于pca字典学习的复杂织物纹理缺陷检测方法，其特征在于：步...
【专利技术属性】
技术研发人员：吴莹，郭佩瑶，刘燕萍，蒋昕怡，陈晓真，
申请(专利权)人：浙江理工大学嵊州创新研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。