本公开涉及织物缺陷检测，尤其涉及一种基于人工智能的纺织物表面缺陷检测方法、系统、电子设备以及存储介质。
背景技术：
1、织物是人们生活中必不可少的产品，主要分为针织布和梭织布。然而，在织造过程中，由于机械问题、纱线问题和加工问题等原因，纺织品在生产过程中以及在进入市场之前必须经过疵点检测、密度、纱支、克重、纱线捻度、纱线强力、织物结构、织物厚度、线圈长度、织物覆盖系数等等的检验和测试，生产出的织物表面会存在各种各样的缺陷，缺陷的存在会严重影响到产品质量的等级，从而影响企业的利益。因此为确保产品质量，织物缺陷检测是织物生产中自动化视觉检测和质量控制的核心部分。现有的织物缺陷检测主要还是由人工视觉离线检测来完成，该方法检测效率较低，检测结果受检测人员主观影响较大，误检率较高。
技术实现思路
1、提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开实施例提供了一种基于人工智能的纺织物表面缺陷检测方法、系统、电子设备以及存储介质，提高了纺织物表面缺陷检测精度，具有较低虚警率，减少受检测人员对纺织物表面缺陷的主观判断影响，降低误检率，提高织物产品质量的等级，增加企业的收益。
3、第一方面，本公开实施例提供了基于人工智能的纺织物表面缺陷检测方法，包括：数据采样，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用；光谱显著性计算，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性；图像异常检测，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测。
4、结合第一方面的实施例，在一些实施例中，所述数据采样，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用，包括：
5、以上-下采样的模式建立高斯金字塔，将原图像作为中间层，分别进行上采样与下采样；
6、将原图像作为基础图像，利用高斯核对其进行卷积，对卷积后的图像进行上采样得到图像w，其二维高斯卷积函数为
7、
8、其中，β为高斯函数的标准差，最终得到a层高斯金字塔记为w(a)；
9、将进行上采样得到图像w为输入，重复卷积和采样操作得到下一步的图像，反复迭代多次，得到上采样高斯金字塔；
10、对原图像进行卷积后下采样，迭代次数与上采样高斯金字塔相同，得到下采样高斯金字塔；
11、将上采样高斯金字塔和下采样高斯金字塔结合形成最终的高斯金字塔；
12、高斯金字塔利用高斯核函数对图像进行采样，得到图像不同尺度的子图集合。
13、结合第一方面的实施例，在一些实施例中，所述光谱显著性计算，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性，包括：
14、对获得的高光谱数据进行采用选取最优聚类框架的选取方法选取波段；
15、将选取的波段每3个波段作为一个波段子集进行非光谱特征显著性计算；
16、选取d个波段子集，每个波段子集包括三个波段，共选取u＝3d个波段，对每一个波段子集分别进行三种非光谱特征的计算；
17、亮度特征j提取公式为
18、j(a,f)＝(b1(a,f)+b2(a,d)+b3(a,d))/3
19、颜色特征提取时需要提取红g、绿m、蓝l、黄h四种，计算公式为
20、
21、
22、
23、
24、方向特征利用gabor滤波器求取，二维gabor滤波器核函数为
25、
26、其中，μ为空间纵横比，γ为相位偏移，σ为方向，ζ为波长；
27、每层金字塔影像进行计算，得到的结果记为s(σ,a,d)，其中σ＝[0°,45°,90°,135°]；
28、局部光谱特征显著性计算：
29、假设局部窗口内任意像元为xp＝[xp1,xp2,…,xpl]t，其中p∈(1,n)，n为局部窗口内的像元个数；
30、以kp(xi,xj)计算邻域像元对中心像元的影响，光谱显著性ksaliency(xi,xj)计算公式为
31、
32、其中，ks(xi,xj)为局部窗口中任意一个像元的光谱xi和局部窗口中心像元的光谱xj之间的光谱相似性，kp(xi,xj)为像元点xi和中心像元xj在局部窗口中的空间距离，ks(xi,xj)和kp(xi,xj)采用欧式距离进行计算，c为调整显著性中位置距离和光谱距离之间比例的尺度参数；
33、局部窗口的显著性平均值作为像元最终的显著值，其中局部窗口的显著性平均值为
34、
35、其中，ksaliency_eva为部窗口的中心像元点与邻域像元光谱显著性的平均值，sum为局部窗口中除中心像元以外，显著性值非零的像元总数，在每一层金字塔进行计算，所得的光谱显著性结果记为k(a)；
36、得到各特征高斯金字塔后，利用中心-周围差分法计算对应特征图，计算公式为
37、j(c,s,d)＝|j(c,d)θj(s,d)|
38、gm(c,s,d)＝|(g(c,d)-m(c,d))θ(m(s,d)-g(s,d))|
39、le(c,s,d)＝|(l(c,d)-e(c,d))θ(e(s,d)-l(s,d))|
40、s(c,s,σ,d)＝|s(c,σ,d)θs(s,σ,d)|
41、k(c,s)＝|k(c)θk(s)|
42、其中，θ为将图像调整尺寸后进行相同矩阵大小的相减运算，c为center，k为局部光谱特征图，gm与le为颜色特征图，s为surround，j为亮度特征图，s为方向特征图；
43、将各尺度特征图统一至原始数据大小；
44、对不同特征进行跨尺度相加后得到显著性图集其中为颜色显著性图集；
45、将每个波段子集的非光谱特征图相加得到最终的非光谱特征显著性图
46、对每个特征显著性图进行归一化后进行线性相加得到最终的显著性图f，计算公式为
47、结合第一方面的实施例，在一些实施例中，所述图像异常检测，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测，包括：
48、对显著性图进行高斯加权得到显著性权重，计算公式为
49、
50、其中，v(i,j)为权重，s(i,j)为像元显著值，ξ为图像显著性的均值，βs为图像显著性的方差；
51、得到显著性权重图像v后，对原数据进行显著性加权，像元显著值越大，权重越小，计算公式为
52、ps＝v⊙p
53、其中，ps为加权数据，⊙为逐波段加权运算；
54、利用加权数据ps进行背景均值ξs与协方差qs的重新估计，对图像p进行rx异常检测，假设图像p为m×n×l大小的图像
55、
56、
57、
58、其中，num为像元点个数，ξb为均值，qb为协方差，xi为第i个像元光谱；
59、ηbuhs-rx(xi)值越大，表明该像元越可能是异常，得到最终的纺织物表面缺陷检测结果。
60、第二方面，本公开实施例提供了一种基于人工智能的纺织物表面缺陷检测系统，包括：数据采样单元，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用；光谱显著性计算单元，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性；图像异常检测单元，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测。
61、结合第二方面的实施例，在一些实施例中，所述数据采样单元，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用，包括：
62、以上-下采样的模式建立高斯金字塔，将原图像作为中间层，分别进行上采样与下采样；
63、将原图像作为基础图像，利用高斯核对其进行卷积，对卷积后的图像进行上采样得到图像w，其二维高斯卷积函数为
64、
65、其中，β为高斯函数的标准差，最终得到a层高斯金字塔记为w(a)；
66、将进行上采样得到图像w为输入，重复卷积和采样操作得到下一步的图像，反复迭代多次，得到上采样高斯金字塔；
67、对原图像进行卷积后下采样，迭代次数与上采样高斯金字塔相同，得到下采样高斯金字塔；
68、将上采样高斯金字塔和下采样高斯金字塔结合形成最终的高斯金字塔；
69、高斯金字塔利用高斯核函数对图像进行采样，得到图像不同尺度的子图集合。
70、结合第二方面的实施例，在一些实施例中，所述光谱显著性计算单元，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性，包括：
71、对获得的高光谱数据进行采用选取最优聚类框架的选取方法选取波段；
72、将选取的波段每3个波段作为一个波段子集进行非光谱特征显著性计算；
73、选取d个波段子集，每个波段子集包括三个波段，共选取u＝3d个波段，对每一个波段子集分别进行三种非光谱特征的计算；
74、亮度特征j提取公式为
75、j(a,f)＝(b1(a,f)+b2(a,d)+b3(a,d))/3
76、颜色特征提取时需要提取红g、绿m、蓝l、黄h四种，计算公式为
77、
78、
79、
80、
81、方向特征利用gabor滤波器求取，二维gabor滤波器核函数为
82、
83、其中，μ为空间纵横比，γ为相位偏移，σ为方向，ζ为波长；
84、每层金字塔影像进行计算，得到的结果记为s(σ,a,d)，其中σ＝[0°,45°,90°,135°]；
85、局部光谱特征显著性计算：
86、假设局部窗口内任意像元为xp＝[xp1,xp2,…,xpl]t，其中p∈(1,n)，n为局部窗口内的像元个数；
87、以kp(xi,xj)计算邻域像元对中心像元的影响，光谱显著性ksaliency(xi,xj)计算公式为
88、
89、其中，ks(xi,xj)为局部窗口中任意一个像元的光谱xi和局部窗口中心像元的光谱xj之间的光谱相似性，kp(xi,xj)为像元点xi和中心像元xj在局部窗口中的空间距离，ks(xi,xj)和kp(xi,xj)采用欧式距离进行计算，c为调整显著性中位置距离和光谱距离之间比例的尺度参数；
90、局部窗口的显著性平均值作为像元最终的显著值，其中局部窗口的显著性平均值为
91、
92、其中，ksaliency_eva为部窗口的中心像元点与邻域像元光谱显著性的平均值，sum为局部窗口中除中心像元以外，显著性值非零的像元总数，在每一层金字塔进行计算，所得的光谱显著性结果记为k(a)；
93、得到各特征高斯金字塔后，利用中心-周围差分法计算对应特征图，计算公式为
94、j(c,s,d)＝|j(c,d)θj(s,d)|
95、gm(c,s,d)＝|(g(c,d)-m(c,d))θ(m(s,d)-g(s,d))|
96、le(c,s,d)＝|(l(c,d)-e(c,d))θ(e(s,d)-l(s,d))|
97、s(c,s,σ,d)＝|s(c,σ,d)θs(s,σ,d)|
98、k(c,s)＝|k(c)θk(s)|
99、其中，θ为将图像调整尺寸后进行相同矩阵大小的相减运算，c为center，k为局部光谱特征图，gm与le为颜色特征图，s为surround，j为亮度特征图，s为方向特征图；
100、将各尺度特征图统一至原始数据大小；
101、对不同特征进行跨尺度相加后得到显著性图集其中为颜色显著性图集；
102、将每个波段子集的非光谱特征图相加得到最终的非光谱特征显著性图
103、对每个特征显著性图进行归一化后进行线性相加得到最终的显著性图f，计算公式为
104、结合第二方面的实施例，在一些实施例中，所述图像异常检测单元，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测，包括：
105、对显著性图进行高斯加权得到显著性权重，计算公式为
106、
107、其中，v(i,j)为权重，s(i,j)为像元显著值，ξ为图像显著性的均值，βs为图像显著性的方差；
108、得到显著性权重图像v后，对原数据进行显著性加权，像元显著值越大，权重越小，计算公式为
109、ps＝v⊙p
110、其中，ps为加权数据，⊙为逐波段加权运算；
111、利用加权数据ps进行背景均值ξs与协方差qs的重新估计，对图像p进行rx异常检测，假设图像p为m×n×l大小的图像
112、
113、
114、
115、其中，num为像元点个数，ξb为均值，qb为协方差，xi为第i个像元光谱；
116、ηbuhs-rx(xi)值越大，表明该像元越可能是异常，得到最终的纺织物表面缺陷检测结果。
117、第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的基于人工智能的纺织物表面缺陷检测方法。
118、第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的基于人工智能的纺织物表面缺陷检测方法的步骤。
119、本发明有益效果：数据采样，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用；光谱显著性计算，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性；图像异常检测，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测。提高了纺织物表面缺陷检测精度，具有较低虚警率，减少受检测人员对纺织物表面缺陷的主观判断影响，降低误检率，提高织物产品质量的等级，增加企业的收益。
1.一种基于人工智能的纺织物表面缺陷检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据采样，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用，包括：
3.根据权利要求2所述的方法，其特征在于，所述光谱显著性计算，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性，包括：
4.根据权利要求3所述的方法，其特征在于，所述图像异常检测，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测，包括：
5.一种基于人工智能的纺织物表面缺陷检测系统，其特征在于，所述系统包括：
6.根据权利要求5所述的系统，其特征在于，所述数据采样单元，采用自底向上视觉注意机制建立高斯金字塔对高光谱图像进行采用，包括：
7.根据权利要求6所述的系统，其特征在于，所述光谱显著性计算单元，采用多波段选取进行非光谱特征显著性的计算结合局部光谱特征显著性结果进行线性相加，得到光谱显著性，包括：
8.根据权利要求7所述的系统，其特征在于，所述图像异常检测单元，将显著性结果对原数据进行加权，采用rx算法对原图像进行异常检测，包括：
9.电子设备，其特征在于，包括：
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
