In the process of textile production, automatic defect detection plays a key role in controlling product quality. Due to the complex texture features of fabric image, the traditional detection methods have poor adaptability, and low detection accuracy. The low rank representation model can divide the image into the low rank background and sparse object, and has proven suitable for fabric defect detection. However, how to further effectively characterize the fabric texture is still problematic in this kind of method. Moreover, most of them adopt nuclear norm optimization algorithm to solve the low rank model, which treat every singular value in the matrix equally. However, in the task of fabric defect detection, different singular values of feature matrix represent different information. In this paper, we proposed a novel fabric defect detection method based on the deep-handcrafted feature and weighted low-rank matrix representation. The feature characterization ability is effectively improved by fusing the global deep feature extracted by VGG network and the handcrafted low-level feature. Moreover, a weighted low-rank representation model is constructed to treat the matrix singular values differently by different weights, thus the most distinguishing feature of fabric texture can be preserved, which can efficiently outstand the defect and suppress the background. Qualitative and quantitative experiments on two public datasets show that our proposed method outperforms the state-of-the-art methods.

在纺织品生产过程中，自动缺陷检测在控制产品质量方面起着关键作用。传统的检测方法由于织物图像的纹理特征复杂，适应性差，检测精度低。低等级表示模型可以将图像分为低等级背景和稀疏对象，并已证明适用于织物缺陷检测。然而，在这种方法中如何进一步有效地表征织物质地仍然是个问题。此外，它们中的大多数都采用核范数优化算法来求解低秩模型，该模型对矩阵中的每个奇异值均等地对待。然而，在织物缺陷检测的任务中，特征矩阵的不同奇异值表示不同的信息。在本文中，我们提出了一种基于深度手工特征和加权低秩矩阵表示的织物缺陷检测新方法。通过融合VGG网络提取的全局深度特征和手工制作的低层特征，有效地提高了特征表征能力。此外，构造了一个加权的低秩表示模型，以不同的权重对矩阵奇异值进行不同的处理，从而保留了织物纹理的最显着特征，可以有效地识别缺陷并抑制背景。在两个公共数据集上进行的定性和定量实验表明，我们提出的方法优于最新方法。通过融合VGG网络提取的全局深度特征和手工制作的低层特征，有效地提高了特征表征能力。此外，构造了一个加权的低秩表示模型，以不同的权重对矩阵奇异值进行不同的处理，从而保留了织物纹理的最显着特征，可以有效地识别缺陷并抑制背景。在两个公共数据集上进行的定性和定量实验表明，我们提出的方法优于最新方法。通过融合VGG网络提取的全局深度特征和手工制作的低层特征，有效地提高了特征表征能力。此外，构造了一个加权的低秩表示模型，以不同的权重对矩阵奇异值进行不同的处理，从而保留了织物纹理的最显着特征，可以有效地识别缺陷并抑制背景。在两个公共数据集上进行的定性和定量实验表明，我们提出的方法优于最新方法。因此，可以保留织物质地最显着的特征，从而可以有效地识别缺陷并抑制背景。在两个公共数据集上进行的定性和定量实验表明，我们提出的方法优于最新方法。因此，可以保留织物质地最显着的特征，从而可以有效地识别缺陷并抑制背景。在两个公共数据集上进行的定性和定量实验表明，我们提出的方法优于最新方法。