[发明专利]一种基于视觉任务驱动的织物疵点检测方法

说明书

技术领域

本发明属于织物疵点检测方法技术领域，具体涉及一种基于视觉任务驱动的织物疵点检测方法。

背景技术

织物疵点检测是纺织品检测的关键环节之一。然而，织物疵点检测主要依赖人工视觉，由检验人员在验布机上完成。而这种检验方法存在注意力难以长时间集中，很容易造成误检和漏检等缺陷。随着计算机、图像处理技术的发展，作为织物疵点检测关键技术的图像处理算法必然成为研究的热点。

目前，织物疵点检测方法很多，灰度共生矩阵法是通过提取织物图像的特征值，然后用Bayes分类法对疵点进行判别和分类。这种检测方法计算量大，构造灰度共生矩阵时会受到像素方向、距离等各因素的影响(Yoshion Shimizu.Expert System to Inspect Fabric Defects by Pattern Recognition[J].IEEE Transactions on Pattern Recognition,1990,46(3):460-469.)。脉冲耦合法是利用脉冲耦合神经网络(PCNN)完成织物疵点分割。然而，PCNN网络主要参数是通过人工经验确定的，因此无法做到自适应性(宋寅卯,袁端磊,卢易风等.基于最优PCNN模型的织物疵点自动检测[J].仪器仪表学报,2008,29(4):887-891；祝双武,郝重阳.一种基于改进型PCNN的织物疵点图像自适应分割方法[J].电子学报,2012,40(3):611-616.)。在变换域中：傅立叶变换是一种全局性的方法，不能提供任何空间域的定位信息(Chi-ho Chan,Grantham K.H.Pang.Fabric Defect Detection by Fourier Analysis[J].IEEE Transactions on Industry Applications,2000,36(5):1267-1276；V.,Jayashree and Shaila Subbaraman.Identification of twill grey fabric defects using DC suppress Fourier power spectrum sum features[J].Textile Research Journal,2012,82(14):1485-1497.)。小波变换具有多尺度分辨率特性，并在时域、频域具有表征信号局部特征的能力，非常适合奇异信号的检测，但正常纹理信息本身就包含着部分非光滑信号信息，小波分解不能抑制正常纹理信息中的非光滑信号信息。因此，对于微弱信号的小疵点检测效果不佳(Tsai DM and Hsiao B.Automatic surface inspection using wavelet reconstruction[J].Pattern Recognition；2001,34(6):1285–1305.)。

现在的研究表明，人类在长期学习中积累了很多经验，人类视觉系统通常根据自己经验去寻找感兴趣的目标。这种经验实质就是人类长期学习过程中积累的检测目标特征信息，并把这种检测目标特征作为任务因子驱动检测目标兴趣区迅速形成和目标快速检测(Navalpakkam,V.,Itti,L.Modeling the influence of task on attention[J].Vision Research,2005,45(2):205-231；Yuanlong Yu,Mann,G.K.I.,Gosine,R.G..A Goal-Directed Visual Perception System Using Object-Based Top-Down Attention[J].Autonomous Mental Development,IEEE Transactions on,2012,4(1):87-103.)。由此可见，人类视觉系统的任务驱动机制在人类视觉中扮演着非常重要的角色，是人类自然进化的结果，她能够很好的解决目标检测准确性和快速性问题，具有较强的目标检测的适应性。

发明内容

本发明的目的是提供一种基于视觉任务驱动的织物疵点检测方法，能够满足不同织物疵点动态检测的准确性和快速性要求。

本发明所采用的技术方案是：一种基于视觉任务驱动的织物疵点检测方法，采用任务驱动逐次形成兴趣图、方向性疵点兴趣区域和非方向性疵点兴趣区；最后通过区域生长法使疵点从兴趣区中分割出来。

本发明的特点还在于，

包括以下步骤：

步骤1：基元因子驱动构建兴趣图