基于改進的Robust PCA模型的織物瑕疵檢測.pdf

1、織物是由紡織纖維通過對稱規(guī)則產(chǎn)生的一種重復紋理模式，紡織品在工業(yè)生產(chǎn)的過程中以及送入市場之前必須經(jīng)過全面的檢測和質(zhì)量評估，其中瑕疵檢測是最為重要的部分，其目的在于檢測織物是否存在瑕疵并確定瑕疵的大體位置。目前，雖然國內(nèi)外已經(jīng)存在部分成熟的紡織品自動檢測瑕疵系統(tǒng)，但是絕大部分的手工業(yè)廠的瑕疵檢測還是由人工離線的方式進行作業(yè)，這種方式存在檢測效率低、檢驗結果容易受到驗布人員的主觀影響，并且瑕疵誤檢率以及漏檢率比較高等缺點。因此，織物的瑕疵檢

2、測算法是近幾年來國內(nèi)外學者比較熱衷研究的課題之一?？椢镨Υ脵z測的主要任務是估計出一幅織物圖中瑕疵區(qū)域的位置，并輸出一幅灰度圖像和二值圖，灰度圖中每個點的像素值表示該像素屬于瑕疵的可能性；二值圖表示每個像素點是否為瑕疵。
　　帶紋理的織物是由一系列對稱的規(guī)則產(chǎn)生的，因此織物的紋理部分可以看作是來自于低維的子空間的樣本，但是受到了相對于織物圖像來說面積較小的瑕疵的干擾，破壞了原本紋理的低秩性，所以帶瑕疵的織物圖可以看作瑕疵區(qū)域（稀疏結

3、構）和重復的紋理部分（低秩結構）的疊加。由于魯棒的主成分分析模型（Robust Principal Component Analysis，Robust PCA）是對低秩矩陣進行重建的模型，因此可以用來估計一般的帶有紋理圖案的織物的瑕疵區(qū)域，但是織物圖像不僅僅受到瑕疵的影響，還容易受到其他噪聲的干擾，比如在紡織物在采集的過程中，會受到織物的扭曲和光照變化的影響，這些噪聲往往會導致傳統(tǒng)的Robust PCA模型產(chǎn)生不可信的檢測結果。因此，在

4、這篇文章中，我們提出了一種改進的Robust PCA模型。
　　首先我們在原始模型基礎上添加了F范數(shù)去除多余的噪聲部分。同時，對于瑕疵區(qū)域與紋理是同質(zhì)的情況（即除灰度以外特征相近），Robust PCA與N-RPCA在理論上無法進行良好的矩陣分解，因此我們提出了一種瑕疵的先驗引導來指導矩陣的分解，即將原始圖像均勻分割成N個圖像塊，基于非瑕疵區(qū)域和瑕疵區(qū)域的紋理特征對比，提取初步的瑕疵圖像作為引導項，利用它來指導帶有不同瑕疵的織物圖