近年来，由于基于语义的语义压缩技术的迅速发展，语义语义的稀疏表达被大量地运用于图像处理和图像处理等方面。利用稀疏表达和词典学习原理，对两类面料缺陷的逼近表达进行了研究，提出了一种新的织物缺陷识别方法。本课题的主要工作包括： 通过对目前纺织品缺陷的识别方法进行了研究，提出了一种新的分类方法，即以特征抽取和无属性抽取相结合的方法，对目前的缺陷进行了分析和归纳。然后，依据论文提出的基于稀疏表达和词典的学习算法，对面料缺陷的逼近表达进行了设计。最后，对试验结果进行了分析，表明了逼近表达式的有效性，为后续的面料缺陷识别奠定了基础。 介绍了一种利用稀疏表达技术进行纺织品缺陷识别的总体过程。首先采用直方图均衡方法对缺陷进行预处理；其次，利用逼近的稀疏表达模式，将缺陷图像进行分割，获得缺陷的部分；然后通过对缺陷分量进行重叠阈值分割，实现缺陷识别。

该数据库由七个不同织物结构的245张4096 x 256像素图像组成。数据库中有140个无缺陷图像，每种类型的织物20个，除此之外，有105幅纺织行业中常见的不同类型的织物缺陷（12种缺陷）图像。图像的大尺寸允许用户使用不同的窗口尺寸，从而增加了样本数量。Internet上的数据库还包含所有具有缺陷的图像的分割mask，使得白色像素表示缺陷区域，其余像素为黑色。

为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3(Slimming You Only Look Once Version 3)模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55 FPS,所得的准确率与实时性均满足工业上的实际需求。

基于Gabor滤波器和低秩分解的织物缺陷检测算法

基于深度学习的织物缺陷在线检测算法.pdf

香港 织物疵点库.rar