基于特征融合与低秩分解的织物疵点智能检测算法

本文主要探讨了一种基于特征融合与低秩分解的织物疵点检测算法。该研究针对纺织品质量控制中的一个重要问题，即如何准确、有效地识别和定位织物上的瑕疵。首先，研究人员采用了超像素分割技术，将待检测的织物图像划分为若干个具有相似颜色和纹理的超像素块。这种划分有助于提取更为稳定的局部特征，提高后续处理的精度。 接着，他们从每个超像素块中分别提取灰度信息和霍夫(HOG)特征，这两种特征分别反映了织物的颜色变化和纹理结构。通过融合这些特征，构建了一个融合特征矩阵，该矩阵包含了丰富的纹理和色彩信息，能够更全面地反映织物的异常情况。 低秩分解是关键步骤，通过这种方法，融合特征矩阵被分解为一个低秩背景矩阵和显著的疵点部分。低秩分解可以捕捉到正常纹理的全局模式，而显著的疵点则被视为非低秩部分。通过比较显著性得分，可以生成疵点显著图，显示出可能存在的缺陷区域。 在最后阶段，研究人员运用最大熵阈值分割方法对显著图进行进一步处理，以得到最终的疵点检测结果。这种阈值选择策略确保了在区分正常纹理和异常疵点时的准确性，避免了过度或欠分割的情况。 通过在TIlda标准织物图像库上进行实验验证，研究者证实了提出的算法具有良好的性能，不仅能够精确地定位织物疵点的位置，还能识别出各种类型的疵点，具有较高的检测率。这表明该算法具有较强的自适应能力，对于实际生产环境中的复杂疵点情况也能表现出较好的应对效果。 这篇研究论文提出了一个有效的织物疵点检测框架，通过特征融合和低秩分解技术，提高了织物瑕疵检测的准确性和鲁棒性，为纺织工业的质量控制提供了有力的工具支持。