基于融合层次性及整体性视觉显著性模型的织物疵点检测算法研究

The fast defect detection of fabric images with complex texture is a key problem in the current fabric quality control. Due to the drawback of the weak self-adaption of present fabaric defect detection methods, we research the visual perception model by considering the characteristics of fabric image, and propose a novel fabric defect detection algorithm based on the visual saliency model with the fusion of hierarchy and integrity. The focus of this research is to establish a new visual saliency model to realize the fast and accurate detection of fabric defects. (1) First, considering the human vision properties, we research the methods of effective feature representation of fabric images and saliency computation. Then, we propose a hierarchical representation of fabric image features and a method of computing the saliency values based on the integral analysis using the L1-norm optimization. (2) Second, we research how to obtain the comprehensive visual saliency map, after an optimized fusion of a variety of features, which can effectively describe the stimulations to human eyes. Then, we propose a fusion method of multiple saliency maps based on learning mechanism and weight adjustment. (3) Third, we research the feature dissimilarity of textures and defects. Then, we propose an analysis method based on integrity sensing to correctly recognize the textures and defects using context information. The research is promising to have positive effects on image, video analysis and computer vision.

具有复杂纹理织物图像中的快速疵点检测是当前纺织品质量控制研究的关键问题。针对现有织物疵点检测方法自适应能力弱的不足，本项目结合织物图像特性，研究人眼视觉感知模型，拟提出基于融合层次性及整体性视觉显著性模型的织物疵点检测新算法。课题的核心是构建新的视觉显著性模型，实现织物疵点的准确、快速检测。研究内容包括：结合人眼视觉特性，研究织物特征的有效表示及显著度计算方法，拟提出基于织物图像特征分层表示及基于一范数优化整体分析的显著度计算方法；研究如何将不同特征描述优化融合后获得有效描述人眼刺激程度的综合视觉显著度图，拟提出基于学习机制和加权调制的多显著图融合方法；深入研究花纹图案和疵点的特征差异，拟提出基于整体性感知分析方法，利用上下文信息实现花纹图案与疵点的正确判别。相关研究成果有望对图像、视频分析及机器视觉产生积极的影响。

复杂纹理织物图像中的疵点检测是当前机器视觉领域的一个难题。人类视觉具有快速定位显著目标的能力，课题组成员对基于融合层次性及整体性视觉显著性模型的织物疵点检测算法进行了深入研究，取得了一系列创新性成果：1）在织物纹理图像表征方面，提出了层次化的特征表示方法。在底层，提出MLBP等方法，用以描述织物图像纹理、灰度统计特征；在中层，提出了二阶梯度方向描述子，用以描述方向、边缘、曲率等特征；在高层，提出基于稀疏编码的特征表示方法，用以描述织物的整体特征，从而提升了对织物图像纹理的表征能力。此外，根据视网膜神经节细胞编码方式，提出具有生理学特性的多通道特征描述子，提升了对各类织物图像描述的自适应能力；2）在显著性模型构建方面，基于人眼视觉具有整体上的低秩稀疏性，采用稀疏表示、低秩分解等整体分析技术建模视觉显著性，分别提出基于L1范数优化的视觉显著性模型、基于低秩分解的视觉显著性模型，基于字典学习和低秩表示的视觉显著性模型，基于联合低秩分解的视觉显著性模型等，实现了将疵点目标从复杂纹理背景中有效分离；3）在模型求解方面，针对低秩分解模型，提出非凸松弛近似、自适应惩罚的加速交替方向等求解方法，提高了模型的求解速度；4）在疵点识别方面，提出了基于随机映射和受限子空间的识别算法。采用二维随机映射表征疵点区域，然后采用受限子空间分类器对织物疵点进行识别，提升了织物疵点识别的速度与精度。研究成果克服了传统织物表面质量在线快速检测理论与方法的局限性，有效提高了织物疵点检测及分析方法的自适应性、检测精度和速度。共发表学术论文30篇，其中SCI检索11篇，EI检索9篇；申请国家发明专利5项，已授权4项；获河南省科学技术进步二等奖2项，三等奖1项，中国纺织工业联合会科技进步三等奖1项；开发了基于机器视觉的织物缺陷检测识别系统、汽车喷漆缺陷检测演示系统、竹条缺陷检测与分类设备等多个演示与应用系统。