[發明專利]一種基于無監督分割和ELM的織物缺陷檢測和分類方法

有效

• 申請號: 201710381898.5
• 申請日: 2017-05-26
• 公開（公告）號: CN107341499B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 劉驪;張建紅;付曉東;黃青松;劉利軍
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于無監督分割和ELM的織物缺陷檢測和分類方法，其特征在于：首先輸入織物缺陷圖像，實現織物缺陷圖像分割，得到分割后的織物缺陷圖像；其次提取分割后的織物缺陷圖像的形狀特征、以及織物缺陷圖像的紋理特征，實現織物缺陷圖像的特征提取；然后將待分類織物缺陷圖像的特征集和標簽作為訓練集，訓練ELM分類器，得到ELM分類器參數；最后通過訓練后的分類器，根據貝葉斯概率融合，實現織物缺陷圖像分類，輸出織物缺陷圖像分類結果；

具體步驟如下：

Step1、輸入織物缺陷圖像G_’，通過抽取圖像G_’補丁{x_i}建立數據矩陣X＝[x₁,x₂,…,x_i,…,x_n]，x_i∈R^w，w表示圖像G_’補丁x_i的維度，n表示圖像G_’補丁x_i的總數，即X包含維度是w的n個列向量；基于歐幾里得距離E(i)＝||x_i-x||²，其中x是{x_i}的均值，消除數據矩陣X的離群值得到訓練數據，X_c＝[x₁,x₂,…,x_i,…,x_c]，1≤i≤c＜n，x_i∈R^w，w表示圖像G_’補丁x_i的維度，其中c表示訓練數據X_c中圖像G_’補丁x_i總數，即X_c包含維度是w的c個列向量；尋找一個字典D，以最小平方誤差代表訓練數據X_c中每一個點，由非凸函數公式a_i是維數為k的每個x_i的系數向量，通過假設變量D或a已知，使非凸函數變成一個凸函數，根據迭代優化公式產生了一個學習后字典D＝[d₁,d₂,...,d_i,...,d_k]，d_i∈R^w，i≤k＜n，其中k表示學習后字典D中元素總數，表示迭代求解次數，A＝[a₁,a₂,...,a_i,...,a_n]；然后，計算原始補丁x_ψ和基于學習后字典D近似補丁的像素差來構建異常圖，γ是用戶自定義的用來控制分割靈敏性的參數，是用來減少遠離中心像素ψ的那些像素的影響的權重項，由二維對稱高斯函數計算出，其中標準偏差σ'決定曲線形狀，σ'＝2，以保證異常圖中發現更多缺陷區域，用來控制補丁像素ψ_’上的加權分布；最后，使用2D最大熵及形態學操作分割異常圖中缺陷區域，得到分割后織物缺陷圖像G_”；

Step2、采用Hu不變矩提取分割后的織物缺陷圖像G_”形狀特征；采用基于最優小波包技術的小波包分解織物缺陷圖像G_’，得到織物缺陷圖像G_’的最優分解的小波包系數，計算香農熵提取織物缺陷圖像G_’的紋理特征；

Step3、將待分類織物缺陷圖像集G＝{G₁,G₂,...G_z}通過Step1、Step2的方法處理后得到形狀、紋理特征集以及織物缺陷所屬標簽，輸入兩個ELM-OAA分類器進行分類訓練；

Step4、基于提取的織物缺陷圖像G_’的紋理特征以及分割后的織物缺陷圖像G_”的形狀特征集，采用訓練后的ELM-OAA分類器和貝葉斯概率融合，實現織物缺陷圖像G_’的分類，輸出織物缺陷圖像G_’分類結果。

2.根據權利要求1所述的基于無監督分割和ELM的織物缺陷檢測和分類方法，其特征在于：所述Step3和Step4中為標記一個無標簽織物缺陷圖像G_’，從織物缺陷圖像G_’的紋理特征以及分割后的織物缺陷圖像G_”的形狀特征Kt，Kt＝2選擇一個單一特征分別輸入到每一個訓練的ELM-OAA分類器，并利用貝葉斯概率融合標記織物缺陷類別，最終實現織物缺陷圖像G_’分類。