本文的作者包括来自常州大学计算机科学与人工智能学院的鲍向阳、梁久祯、侯振杰和宦战，以及来自美国北卡罗来纳大学夏洛特分校数学与统计系的夏云飞。该研究发表于期刊《The Visual Computer》2022年第38卷，文章标题为《基于先验与全变分正则化的低秩分解织物缺陷检测》。该研究属于计算机视觉与工业自动检测领域，主要针对织物生产过程中人工检测效率低、误差高的问题，提出一种改进的低秩分解模型用于自动检测织物缺陷。

本研究的学术背景是织物缺陷检测在工业生产中具有重要意义。传统的人工视觉检测不仅容易使眼睛疲劳，而且检测误差率高、速度慢。现有的自动化检测方法大致分为统计方法、模板匹配方法、模型方法、频谱方法和神经网络方法等。其中低秩分解模型被广泛应用于织物缺陷检测，其核心思想是将图像矩阵分解为表示无缺陷背景的低秩矩阵和表示缺陷区域的稀疏矩阵。然而，传统低秩分解模型存在两个主要不足：一是不能很好地检测缺陷的位置和形状，容易将纹理背景误判为缺陷；二是无法检测一些大面积均匀的缺陷块。为了解决这些问题，作者提出了一种结合缺陷先验和全变分正则项的低秩分解模型，称为PTVLR。

该研究的工作流程主要包含三个步骤：缺陷先验构建、低秩分解和显著性图分割。首先，研究使用自动编码器（autoencoder）对缺陷图像进行重构，并利用结构相似性（SSIM）计算原始缺陷图像与重构图像之间的差异，从而构建缺陷先验矩阵。该先验矩阵作为惩罚权重矩阵，用于抑制纹理像素并支持缺陷像素，从而提高低秩背景与缺陷前景的分离效果。自动编码器的网络结构包括多个卷积层，输入图像大小为128×128×1，经过多次卷积和降采样后得到潜在空间表示。在训练过程中，研究将每类织物的无缺陷图像扩增到10,000张，使用Adam优化器，初始学习率设为0.0002。实验表明，在潜在空间维度为100、SSIM窗口大小为11、迭代次数为200时，缺陷先验的效果最佳。其次，在低秩分解阶段，作者在传统低秩分解模型的基础上引入了噪声项、全变分正则项和缺陷先验权重矩阵。最终模型将图像矩阵分解为低秩部分、稀疏部分和噪声部分，其中稀疏部分代表缺陷区域。模型的优化采用交替方向法（ADM），通过迭代更新低秩矩阵、稀疏矩阵、噪声矩阵和辅助变量来求解目标函数。最后，对获得的缺陷显著性图进行去噪、灰度化处理，并使用最优阈值分割算法对缺陷区域进行二值化定位。

在实验部分，研究使用了香港大学工业自动化研究实验室提供的织物数据库，包括盒型图案织物数据库中的26张缺陷图像、星型图案织物数据库中的25张缺陷图像和点型图案织物数据库中的30张缺陷图像，图像大小均为256×256像素。缺陷类型包括断头、破洞、网孔多缺陷、粗条和细条等，点型图案还包含结头缺陷。此外，研究还使用了TILDA纺织品纹理数据库的部分图像进行验证。实验比较了ER、WGIS、WLRL、GHOG、SSIMEA和PNRPCA等现有方法。评价指标包括真阳性率（TPR）、假阳性率（FPR）、阳性预测值（PPV）、阴性预测值（NPV）、F-measure、ROC曲线和PR曲线等。实验结果显示，PTVLR方法在盒型图案织物上取得了55.58%的F-measure和77.89%的TPR，在星型图案织物上取得了53.20%的F-measure和86.75%的TPR，在点型图案织物上取得了69.78%的F-measure和88.33%的TPR。与其他方法相比，PTVLR在整体TPR、PPV、NPV和F-measure上表现最优。此外，通过在待检图像中添加密度为0.02的椒盐噪声，验证了模型对噪声的鲁棒性。实验结果表明，加入噪声后各项评价指标变化很小，说明PTVLR方法具有较强的抗干扰能力。

本研究的结论是，所提出的PTVLR方法通过引入缺陷先验和全变分正则项，有效提高了低秩分解模型对织物缺陷的检测性能。全变分正则项增强了缺陷区域的空间连续性，抑制了纹理背景的干扰；缺陷先验则改善了低秩背景与缺陷前景的分离效果。实验结果表明，该方法在盒型、星型和点型图案织物上的平均TPR达到84%，优于论文中比较的其他方法。该研究的科学价值在于提供了一种新的低秩分解模型改进思路，将自动编码器重构残差作为先验信息融入到低秩分解框架中，同时结合全变分正则项来约束缺陷的空间连续性。在应用价值方面，该方法可用于织物生产过程中的自动缺陷检测，替代传统的人工视觉检测，提高检测效率和准确性，具有重要的经济效益和实际意义。

本研究的亮点包括：第一，提出了一种结合缺陷先验和全变分正则项的低秩分解模型PTVLR，克服了传统低秩分解模型在缺陷形状描述和大面积均匀缺陷检测方面的不足。第二，利用自动编码器重构残差构建缺陷先验矩阵，并将其作为惩罚权重引入低秩分解模型，有效改善了背景与缺陷的分离效果。第三，通过引入噪声项和全变分正则项，增强了模型对噪声的鲁棒性和缺陷区域的空间连续性。第四，在多个织物图案数据库上进行了系统的实验评估，并与多种现有方法进行了比较，验证了所提方法的优越性。此外，作者还展望了未来的研究方向，包括进一步改进自动编码器对缺陷图像的重构能力，以及改进低秩分解模型以获得更好的缺陷检测效果。