基于脉冲神经网络的织物瑕点检测算法

泉州师范学院学报

ＪｏｕｒｎａｌｏｆＱｕａｎｚｈｏｕＮｏｒｍａｌＵｎｉｖｅｒｓｉｔ　　　　ｙ

ｏ．６Ｖｏｌ．３７　Ｎ

Ｄｅｃ．２０１９

基于脉冲神经网络的织物瑕点检测算法

陈玉思，刘赟

（）泉州师范学院数学与计算机科学学院，福建泉州　３６２０００

——基于脉冲摘　要：针对纺织业中织物瑕点检测尚未达到自动化、智能化，提出一种新的织物检测算法—的织物瑕点检测算法．该算法根据生物信息处理机制，把网络模型分成３层，分别为：接收层、神经网络（ＳＮＮ）中间层、输出层．接收层负责将图像信息转为神经元的输入序列；中间层根据四个不同权重矩阵的输出信息判输出层将汇总中间的输出信息并判断是否为边缘图像点；最后根据特断是否属于四个方向上的边缘像素点；

通过实验分析和对比，其结果表明该算法具有较好的检测率．征值经ｍａｌｌａｔ算法定位瑕点区域．

关键词：织物；瑕点检测；脉冲神经网络；图像处理；权重矩阵中图分类号：ＴＰ１８３　　　　文献标识码：Ａ　　

（）文章编号：１００９８２２４２０１９０６００３９０６－－－DOI:10.16125/j.cnki.1009-8224.2019.06.008

［］

在纺织业，有瑕点的纺织产品的价值会降低约４所以检测织物瑕点有着重要价值．目５％到６５％１，２４］－，前纺织业的瑕点检测的智能化程度不高．近几年，虽然出现了很多织物瑕点检测的方法［大多算法需

要先验知识、特征值维数较高、自适应性不高等特点．综合考虑基于分型理论、小波和统计学习理论、多尺度小波等算法不足，因此本文提出基于脉冲神经网络的织物瑕点检测方法，该方法不需要先验知识，只需通过利用生物视觉机制检测织物图像，根据织物的特性（周期性、方向性、随机性）生成织物边缘图，然后再用图像阈值分割法区分目标，在不需要训练和参考样本的条件下就能取得了较好的瑕点检测效果．

１　织物特性

由于织物有规律的交叉结构特性决定了其经纬向上存在着明显的周期性．部分的织物有方向性，而个别的织物上还会出现瑕疵点，这就出现了方向性和随机性．也就是说织物的特征符合纹理的视觉中的三个最基本的特征（周期性、方向性、随机性）．

将织物的经纬向对应到二维空间上，用二维坐标上的横轴ｘ来表示织物的经向，纵轴ｙ表示织物的纬向．假设织物的在经纬向上的周期为ｐ、则织物的周期性可表示为：ｑ，

ｘ，ｘ＋ｐ，＝ｆ（ｆ（ｙ）ｙ＋ｑ）．

对应到数字图像上，可用表示Ｉ图像，用Ｉ（ｉ，ｊ）表示离散图像中的第ｉ行第ｊ列位置上的像素灰度值，用ｐ、此最小周期是近似周期性，我们用一个小的阈值εｑ分别表示织物在图像中的行列最小周期，表示，则其满足下面的公式：

Ｉ（ｉ＋ｐ，ｉ＋ｑ）ｉ，－Ｉ（ε．ｊ）＝正常情况下，没有瑕疵点的织物图像中ε的值趋于零，反之ε会明显变大．这与生物神经元中的脉冲神经元的规律充放电原理相似，脉冲神经元中相邻两次充放电的时间差值δ也会趋于零值．

２　ＳＮＮ网络模型

［５］

但这个模型比较复杂，人们常用ＬＨｏｄｋｉｎｕｘｌｅｏｕｉｓ－Ｈｇｙ模型被认为是最基本的神经元模型，

［］

其简化后的模型如图１所示．ｎｔｅｒａｔｅａｎｄＦｉｒｅ模型（Ｉ＆Ｆ模型）６来简化．Ｌａｉｃｕｅ提出的Ｉ－－ｇｐｑ

收稿日期：２０１９０３２１－－，作者简介：陈玉思（男，助教，福建泉州人，硕士，从事图形图像处理、虚拟现实研究．１９８７－））基金项目：福建省中青年教师教育科研项目（ＪＡＴ１７０４７６

４０　

泉州师范学院学报

２０１９年１２月　

图１　Ｉ＆Ｆ简化脉冲神经元模型电路图图２　ＳＮＮ中基于电导的突触连接

Ｆｉ．１　Ｉ＆ＦｓｉｍｌｉｆｉｅｄｃｉｒｃｕｉｔｄｉａｒａｍｏｆｕｌｓｅｎｅｕｒｏｎｍｏｄｅｌＦｉ．２　ＳｎａｔｉｃｃｏｎｎｅｃｔｉｏｎｂａｓｅｄｏｎｃｏｎｄｕｃｔａｎｃｅｉｎＳＮＮ　　　　　　　ｇｐｇｐ　　　　　　ｇｙｐ

，７］Ｉ＆Ｆ脉冲神经元模型可以用以下　　根据文献［

一阶微分方程表示为：

Ｃｍｄｕ（ｔ）

）．Ｉ（ｔ）ＥＬ－ｕ（ｔ）＝＋ｇＬ（

ｄｔ（）１

其中：表示神经元的膜电压，Ｃｍ表示神经元的膜电容，ｕ（ｔ）ＥＬ是神经元的反ｇＬ表示神经元的漏电容，向电动势，通电时，模型中电路的电位ｕ（当达到一Ｉ（ｔ）表示神经元的输入电流．ｔ）随着时间逐步增大，，电容就会放电一次（即神经元的尖锐脉冲）之后电路又回到刚通电时的值，如此重复充定的阈值Ｖｔｈ时，放电的过程．阈值Ｖｔ此放电时刻为神经元放电的时刻，可表示为：ｈ是这个模型中关键的信息，

（）（）

ｔｆ：ｕ（ｔｆ）＝Ｖｔｈ．

神经元膜电压的复位电动势为：

；ｆ）ｆ）ｔ→ｔ（ｔ＞ｔ（

ｌｉｍ

ｕ（ｔ）＝Ｖｒｅｓ．

神经元在复位后会进入没有响应转态，在这个状态阶段，膜电动势不会改变．经过此阶段后，神经元）积累电势．的膜电动势会重复依照式（１

）外界的信号与神经脉冲系列的转变，可将外界信号与电导相互转化．此时，式（中的电流Ｉ（１ｔ）转换

８］

，即为电流源代替［

ｊ（）ｇｓｗｊｔｄｕ（ｔ）

（（））（）．ＣｍＥｓ－ｕ（ｔ）＝ｇＬＥＬ－ｕｔ＋∑ｄｔＡｓｊ（）２

其中：Ｃｍ代表膜电容，ｕ（ｔ）表示膜电压，ＥＬ是膜反向电位，Ｅｓ是反向电位ｇＬ表示神经元的漏电容，

ｊ（，，表示神经元膜中离子通道的开通程度，ｓ∈｛ｉ，ｅ｝ｉ和ｅ分别抑制性和兴奋性突触）Ａｓ表示与突触ｇｓ其取值范围可表示为：相连的膜表面积．ｗｊ代表突触ｊ的一个权重，

０　　　　　　　　（０　　　　　　　　（ｙ－ｙｙ－ｙｃ）ｃ）烄≤０烄≤０ｊｊ２２２２，ｗｅ＝烅ｗｉ＝烅．（（ｙ－ｙｙ－ｙｘ－ｘｘ－ｘｃ）ｃ）ｃ）（ｃ）（

－－－－　　２２２２（）（）δδδδｗｅｍａｗｉｍａｘｘｙｙｙ－ｙｙ－ｙｃｃ＞０＞０ｘｅｘｅ烆烆（，其中：表示ＳｘＮＮ神经网络输入层中心点位置（（ｘ，Ｒｒδδｙｙ）ｃ，ｃ）ｅｔ，ｅｔ为输入层的值域）ｘ和∈Ｒｒｐｐｙ为常数，ＷｅｍａＷｉｘ、ｍａｘ分别表示突触兴奋性和突触抑制性时最大的权重．　

如果膜电位ｕ（并产生一个尖锐脉冲，同时进入不反ｔ）超过阈值电压Ｖｔｕ将会被重置为ｕｒｈ时，ｅｓｅｔ，应期，时长为τ图２显示基于电导模式，一个神经元从三个传入神经元接收脉冲序列．ｒｅｆ．

ｊ（）））当一个脉冲到达ｔ电导将按照式（增加，否则将按照式（减小．３４ｇａｓｔ代表突触ｊ的电导，ｐ突触时，

ｊ（ｊｊ（ｊ（）ｔｔｔ）ｔｔ３＝ｇｓ＋ｑ　　ｇｓａｄｅｌａａｄｅｌａｓ，ｐ＋ｙ＋ｄｐ＋ｙ）ｊｇｓ１ｊ（ｔ）．＝－ｇｓｄｔτｓ）其中：神经元Ｉ整合传入突触的电流，并根据式（增加膜电位．２ｑｓ代表最大的电导．

（）４

３　基于ＳＮＮ的边缘检测

９］

，基于Ｗｕ等提出的模型［构造一个三层的Ｓ此模型有三层：接收层、中间层、输出ＮＮ网络模型，

如图３所示．为了简化，图中仅显示一个神经元的处理模型．本文利用接收层的每一个神经元来接收层，

输入图像的一一映射的每个像素，即每个像素对应一个神经元，将输入图像中的每个像素灰度值作为脉冲神经网络的脉冲系列，图３中，输入层取４×４的大小区域作为输入．

中间层由四种类型不同权重ｗｊ的神经元矩阵构成，分别处理对应四个不同方向边缘，其中‘\"’表示

　第６期

陈玉思，等：基于脉冲神经网络的织物瑕点检测算法

４１　

‘突触状态为抑制性，代表突触状态为兴奋性．接收层中的每个神经元对应的图像像素点属于图像边Ｘ’，缘的一侧（上、下、左、右四侧）也可能是属于另一侧．如果图像中心点（ｘ，ｙ）位置周边像素点的像素灰度值差

，异较大（特别是图像中边缘像素点）那么每个像素点到达中间层同一个神经元的时刻会不一致，此时输出层会产生相对稠密的脉冲序列（也就是中心点对应的神经元有产生脉冲）相反，如果图像中心点（．ｘ，ｙ）位置周边像那么每个像素点到达中素点的像素灰度值差异比较小，

此时输出层输出的间层同一个神经元的时间就会相近，

脉冲系列比较稀疏（中心点对应的神经元没有产生脉冲）．

输出层中的每个神经元集成了中间层４个相应神经元的输出，且对应输入层的对应位置上的神经元．当中间

图３　脉冲神经网络模型Ｆｉ．３　Ｓｉｋｉｎｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ　　ｇｐｇ　

ｏｗｎｅｆｔｉｈｔｐｇ

）层四个神经元矩阵（对应Ｎ对应Ｎ对应Ｎ对应Ｎ中有一个及多个神经元ｗｕｗｄｗｌｗｒ１，２，３，４，

产生的膜电位满足ｕ（输出神经元将产生脉冲，并在时长τ也就是进入不应ｔ）ｈ时，ｒｅｆ内不会有反应，＞Ｖｔ

用Ｓ期，Ｎｔ）表示输出层的神经元．ｉ（

ＳＮｔ）＝ｉ（

｛１　　ｕｔ）＞Ｖｔｉ（ｈ，

ｉ∈［１，４］．，０　　其他　　

（）５

“”“”其中：表示有产生脉冲，表示没有脉冲，由上文可知输出层中对应位置（１０ｔ是时间变量．ｘ′，′）上ｙ的神经元由以下两个微分方程控制：

ｅｘｇｔ）１ｅｙ′（ｘ′，ｘ），ｔ）ｗＮ１ＳＮ１（ｔ）ｔ）ｔ）ｔ）＝－ｇｘ＋（＋ｗＮ２ＳＮ２（＋ｗＮ３ＳＮ３（＋ｗＮ４ＳＮ４（′′（ｙｄｔτｅｘｅｘｇｄｕｘｔ）ｔ）ｘ′，′，ｙ′（ｙ′（（（））（）．，ｃｍＥＬｕｔＥｅｔ）Ｌ＝ｇ－ｘ＋′ｙｘ－ｕｘ′，′′（ｙｄｔＡｅｘ用Ｓｘ则输出图像则可以表示为：′）上的神经元产生的脉冲，ｔ）表示输出层中对应位置（ｘ′，ｙ′，′（ｙ其中：Ｒｘ′，′ｙ１

ＲｘＳｘｔ）．′，′＝′，′（ｙｙＴ∑ｔ表示最终的输出图像对应位置上灰度值的集合．

ｔＴ＋

（）６

４　算法描述

转为二值图像；算法中的主要参数是通过多ＮＮ算法检测边缘图像，①对图片进行预处理，②利用Ｓ

次试验对比后，选取效果最佳的参数，具体参数在下文；的图像灰度值统计分析，得到最佳阈６）③对式（值Ｔ；方差、能量、熵的定义如下④依据阈值Ｔ对图像进行二值化得到疵点图像；⑤根据选取的特征值（经ｍ本算法中的疵点的定位分割（也可参考其他算法，如几何特征法、机文）ａｌｌａｔ算法定位瑕点区域（⑤）器学习识别与标记分水岭分割法等）．

由于织物纹理特性，故选取织物的方差、能量、熵作为判断瑕点区域的判定特征值，描述如下：）（方差是指织物图中亮度值分布离散程度的纹理特性，其表达式为：１

ＭＮ２

（（（）ｆ　ｘ，ｙ）ｘ，ｙ）－ｆ　

σ＝

槡ｉ＝１ｊ＝１

∑∑

ＭＮ，其中：Ｍ、Ｎ表示图中的行列数．

ＭＮ２

（）能量是指织物图中所有亮度值大小的参数值，其表达式为：２Ｅ＝

（）熵是指织物图中纹理粗糙度和不均匀程度的度量值，如果熵大，则表示纹理密集，反之则纹理稀疏，３

ｆｈｙ）ｆｖｙ）ｘ，ｘ，ｊ（ｊ（，其表达式为：其中：经方向的亮度值变化率．ｘ．ｘ＝ｙｉｉ表示沿着纬、ｊ＝ｊ和ｙＮＭｈｖｘ，ｘ，ｆｊ（ｙ）ｆｊ（ｙ）

ｎ＝１

ｘ，ｆ（ｙ）．∑∑槡ｉｊ∑

ｍ＝１

∑

４２　

泉州师范学院学报

２０１９年１２月　

经过脉冲神经网络处理的织物图像，如果织物图中没有瑕点，则三个织物特征值经过ｍａｌｌａｔ算法的变换，不会有较大的波动．反之，则织物图像中的高频分量会出现明显的突变，此时，纬度和经度方向发生突变的坐标与织物瑕疵图中的位置相对应，故可以由此定位瑕点在图中的定位工作．

５　实验仿真

本研究进行了一定量的实验来验证算法的有效性，仿真在ＰＣ和Ｍａｔｌａｂ软件平台上，ＳＮＮ算法模

ｊ，拟中主要参数设置如下：ｔＶｔ４ｍＶ，ｕｒ０ｍＶ，Ｅｅ＝０ｍＶ，Ｅｉ＝－７５ｍＶ，　ｄｅｌａｈ＝－５ｅｓｅｔ＝－７ｙ＝０／／０．０１μｓ，０．００２μｓ，０．００２μｓ，ＥＬ＝－７０ｍＶ，０μｓｍｍ２，Ｃｍ＝１０ｎＦｍｍ２，ｑｑｑｇＬ＝１．ｅ＿ｍａｘ＝ｅ＝ｉ＝

３ｍｓ，１０ｍｓ，Ａｅ＝０．０２９ｍｍ２，Ａｉ＝０．０１４ｍｍ２，６，２，Ｗｅｍａ０．７１，Ｗｉｍａ０．３４６．ττδδｅ＝ｉ＝ｘ＝ｙ＝ｘ＝ｘ＝算法中间层神经元矩阵的大小并不是越大越好，矩阵越大对图像的噪声越不灵敏，经过实验发现，当矩）阵大小为３×３时提取纺织边缘的效果最好，其取值如式（７．

０燄０．１２１３１２　０．　０．熿燄＿＿ｕｅｘｕｉｈｗｐ＝０．３４３５３４，ｗｐ＝０．３４３５３４．　０．　０．　０．　０．

熿０

０

（）７

０．１２００燅１３１２　０．　０．燀燅燀０

通过实验发现当Ｓ提取的边缘效果越好，所以以上主ＮＮ算法中参数越接近生物神经元的参数时，要参数主要依据就是参考生物神经元的参数．

实验中随机采用了纺织图库中１分别取错纬、破损、断纱、结头、翻丝（各００张图片，５种瑕疵纺织图）图片像素为３部分图见图４～８。实验图片中存在着较多干扰，比如阴影、纺织的折痕、纺２０张，４６ⅹ３０３．织的重叠、光线不均匀、纺织的凹凸等，特别是光线阴影对实验结果影响较大．在工业应用时，若能采用平此时采集检测出来的效果将更加理想．行光照射纺织，

）））错纬原图　　　　　（错纬检测后结果ａｂＳＮＮ检测边缘图　　　（ｃ　　　　　　　　　（

漏针）检测图４　纺织错纬（

）Ｆｉ．４　Ｔｅｘｔｉｌｅｗｅｆｔｉｎｓｅｒｔｉｏｎ（ｌｅａｋｉｎｄｅｔｅｃｔｉｏｎ　　　ｇｐ

）））破损原图　　　　　（破损检测后结果ａｂＳＮＮ检测边缘图　　　（ｃ　　　　　　　　　（

图５　纺织破损检测

Ｆｉ．５　Ｔｅｘｔｉｌｅｂｒｅａｋａｅｄｅｔｅｃｔｉｏｎ　　ｇｇ

）））断纱原图　　　　　（断纱检测后结果ａｂＳＮＮ检测边缘图　　　（ｃ　　　　　　　　　（

图６　纺织断纱检测

Ｆｉ．６　Ｔｅｘｔｉｌｅａｒｎｂｒｅａｋａｅｄｅｔｅｃｔｉｏｎ　　　ｇｙｇ

　第６期

陈玉思，等：基于脉冲神经网络的织物瑕点检测算法

４３　

）））结头原图　　　　　（结头检测后结果ａｂＳＮＮ检测边缘图　　　（ｃ　　　　　　　　　（

图７　纺织结头检测Ｆｉ．７　Ｔｅｘｔｉｌｅｋｎｏｔｄｅｔｅｃｔｉｏｎ　　ｇ

）））翻丝原图　　　　　（翻丝检测后结果ａｂＳＮＮ检测边缘图　　　（ｃ　　　　　　　　　（

图８　纺织翻丝检测

Ｆｉ．８　Ｄｅｔｅｃｔｉｏｎｏｆｔｅｘｔｉｌｅｔｕｒｎｏｖｅｒ　　　ｇ

）实验中图４～８中的（组是通过Ｓ发现目标的边界很明显．同ｂＮＮ神经网络算法提取到的边缘图像，而瑕点得到加强，瑕点进一步被放大．纺织中的一些较小干扰元素，可以通过一些简时织物的纹理明显，

单的滤波方法，而对于复杂的干扰元素，得结合元素的几何特征、图像纹理、形态等特征，综合一定量的）先验知识．经过处理后的检测图，图４～８中的（组目标的特征与背景差异得到很好的对比，两者的特征ｂ值得到了很大的差值，特别是亮度灰度值相比原图有着更加明显的对比，应用式（分割之后，会出现少５）量的极端亮点、暗点．根据织物瑕点出现的规律，如随机性、几何特征，应用通过阈值分割法、几何特征法，）可以很好地提取目标，得到图像的图４～８中的组（本文对实验纺织图片的瑕点检测结果做了统计，总ｃ．共做了３组实验，每组实验样本１每种纺织瑕点类型各２结果如表１所示．００张，０张，

从表１可看出，而对错纬、翻丝、断纱的分ＳＮＮ算法对结头和破损类的纺织图像有理想的检测结果．类准确率会略低一点，这三类分类效果较低是因为这三种瑕点图像的边缘性不太明显．特别是个别图像亮度的对比度不大，瑕点不明显，同时又有个别光线阴影影响，其主要原因是实验环境受限．若是用平行则采集到的图像将更加理想，将会提升整体的准确率．如果想在工业应用上提升整体的检测光照射织物，

效果，应对纺织图像的光照做处理．综上，可见本文的算法对于图像纹理边缘的检测有很好的效果．

表１　基于ＳＮＮ算法的分类结果

Ｔａｂ．１　ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎＳＮＮａｌｏｒｉｔｈｍ　　　％　　　　　ｇ

纺织瑕点类型第一组准确率第二组准确率第三组准确率平均准确率

错纬９５　１００　９５　

破损１００　１００　９５　

断纱９０　９５　１００　９６．６７

结头１００　１００　１００　

翻丝９０９５９５

本文对分类实验结果做了对比，相比文献［中提出的自适应Ｌ１０］ＢＰ和　　为了检验算法的有效性，

其总体准确率是９文献［提出基元图案检测方法的结果准确率是９ＳＶＭ的分类算法，５．９％；１１］３．３２％；］文献［提出Ｌ而由表１可知，本１２ＢＰ和Ｔａｍｕｒａ纹理特征方法融合的分类算法的分类准确率是８６．８％．文平均准确率约为９很大程度上提升了分类的准确率．通过对比可以发现基于Ｓ６．６７％，ＮＮ的边缘检测加强了提取瑕点的数据量的特征信息，实验效果明显．算法有效地提升了纺织瑕点亮度信息，

６　结论

采用了基于生物特性的Ｓ该算法能够很好地检测出纺织图片的纹理特性，对纺织图的边ＮＮ算法，

４４　

泉州师范学院学报

２０１９年１２月　

缘检测效果明显，算法很好地反映了生物视觉信息处理机制．实验结果表明，本文的算法可作为分类纺织品瑕点检测的一种新方法，并且此算法具有较好的判断准确率，同时也有进一步研究的价值．后面将尝试在算法中添加智能分类算法，以求达到更高的智能程度和更广的应用领域．参考文献：

［］：］，１ＪＡＹ　Ｋ．ＣｏｍｕｔｅｒｖｉｓｉｏｎｂａｓｅｄｆａｂｒｉｃｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｓｕｒｖｅＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓ　Ａ－－　　　　　　　　ｐｙ［

（）：２００８，５５１３４８３６３．－［］］（）：王浩平，石晶．基于分形理论的纺织品疵点检测方法［电子技术与软件工程，２Ｊ．２０１３１８１１４１１５．　王娜，－［］基于小波和统计学习理论的布匹瑕疵检测与分类技术研究［西安：西安电子科技大学，３Ｄ］．２０１２．　王新民．

［］基于多尺度小波表示和Ｇ西安：西安电子科技大学，４ａｂｏｒ滤波器虚部的布匹瑕疵检测算法研究［Ｄ］．２０１１．　孙华凯．［］［］，（）：５ＩＺＨＩＫＥＶＩＣＨ　Ｅ　Ｍ．ＳｉｍｌｅｍｏｄｅｌｏｆｓｉｋｉｎｎｅｕｒｏｎｓＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｓ２００３，１４６１５６９　　　　　　　　－ｐｐｇ　

１５７２．

［］［］６ＡＰＩＣＱＵＥＬ．ＲｅｃｈｅｒｃｈｅｓｕａｎｔｉｔａｔｉｖｅｓｓｕｒｌｅｘｃｉｔａｔｉｏｎｅｌｅｃｔｒｉｕｅｄｅｓｎｅｒｆｓｔｒａｉｔｅｅｃｏｍｍｅｕｎｅｏｌａｒｉｚａｔｉｏｎＪ．ＪＰｈｓ　Ｌ　　　　　　　　　　　　－ｑｑｐｙ

，ｉｏｌＰａｔｈｏｌＧｅｎ１９０７，９：６２０６３５．　　－［］ｅｎｅｒａｔｉｏｎ７ＨＡＲＡＴＧ　Ａ，ＭＡＲＩＡＰ．Ｎｅｘｔａｒｔｉｆｉｃｉａｌｖｉｓｉｏｎｓｓｔｅｍｓｒｅｖｅｒｓｅｅｎｉｎｅｅｒｉｎｔｈｅｈｕｍａｎｖｉｓｕａｌｓｓｔｒｍ［Ｍ］．　Ｂ　　　　－　　　　ｇｙｇｇｙ　

：，ＡｒｔｅｃｈＨｏｕｓｅ２００８．Ｌｏｎｄｏｎ　

［］［：８üＬＬＥＲＥ．ＳｉｍｕｌａｔｉｏｎｏｆｈｉｈｃｏｎｄｕｃｔａｎｃｅｓｔａｔｅｓｉｎｃｏｒｔｉｃａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓＤ］．ＨｅｉｄｅｌｂｅｒＵｎｉｖｅｒｓｉｔｏｆＨｅｉｄｅｌ　Ｍ　　　－　　　　　　－ｇｇｙ　

，ｂｅｒ２００３．ｇ

［］［９Ｑ　Ｘ，Ｍ　ＣＧＩＮＮＩＴＹＴ　Ｍ，Ｍ　ＡＧＵＩＲＥＬＰ，ｅｔａｌ．ＥｄｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｓｉｋｉｎｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌＭ］．　ＷＵ　　　　　　　　　　　ｇｐｇ　

：：ＢｅｒｌｉｎＳｒｉｎｅｒｅｒｌａ２００７：２６３４．－Ｖ－ｐｇｇ

［］］（）：石美红．基于自适应Ｌ计算机应用，１０ＢＰ和ＳＶＭ的织物疵点检测算法［Ｊ．２０１０，３０６１５９７１６０１．　付蓉，－［］［］１１Ｈ　Ｙ　Ｔ，ＰＡＮＧＧ　Ｋ　Ｈ，ＹＵＮＧ　Ｎ　Ｈ　Ｃ．ＭｏｔｉｆｂａｓｅｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｆｏｒａｔｔｅｒｎｅｄｆａｂｒｉｃＪ．ＰａｔｔｅｒｎＲｅｃｏｎｉ　ＮＧＡＮ　　　　　　　　　－ｐｇ

，（）：ｔｉｏｎ２００８，４１６１８７８－１８９４．

［］］张缓缓，李鹏飞，等．计算机工程与应用，１２ＬＢＰ和Ｔａｍｕｒａ纹理特征方法融合的织物疵点分类算法［Ｊ．２０１２，　景军锋，

（）：４８２３１５５１６０．－ＦａｂｒｉｃＤｅｆｅｃｔＤｅｔｅｃｔｉｏｎＡｌｏｒｉｔｈｍＢａｓｅｄｏｎ　　　　　ｇ

ＳｉｋｉｎＮｅｕｒａｌＮｅｔｗｏｒｋ　ｐｇ　

，ＣＨＥＮ　ＹｕｓｉＬＩＵ　Ｙｕｎ

（，Ｑ，）ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓａｎｄＣｏｍｕｔｅｒＳｃｉｅｎｃｅｕａｎｚｈｏｕＮｏｒｍａｌＵｎｉｖｅｒｓｉｔＦｕｉａｎ３６２０００，Ｃｈｉｎａ　　　　　　　　ｐｙｊ

：，ＡｂｓｔｒａｃｔＩｎｖｉｅｗｏｆｔｈｅｌａｃｋｏｆａｕｔｏｍａｔｉｏｎａｎｄｉｎｔｅｌｌｉｅｎｃｅｉｎｆａｂｒｉｃｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｅｗｆａｂｒｉｃｄｅ　　　　　　　　　　　　　　　－ｇ

ｆｅｃｔｄｅｔｅｃｔｉｏｎａｌｏｒｉｔｈｍｂａｓｅｄｏｎｓｉｋｉｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＳＮＮ）ｉｓｒｏｏｓｅｄｉｎｔｈｉｓａｅｒ．Ａｃｃｏｒｄｉｎ　　　　　　　　　　ｇｐｇｐｐｐｐｇ　

，ｔｏｒｏｃｅｓｓｉｎｔｈｅｂｉｏｌｏｉｃａｌｉｎｆｏｒｍａｔｉｏｎｍｅｃｈａｎｉｓｍ，ｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌｉｓｄｉｖｉｄｅｄｉｎｔｏｔｈｒｅｅｌａｅｒｓ　　　　　　　　　　　ｇｐｇｙ　

，，ｍｎａｍｅｌｒｅｃｅｉｖｉｎｌａｅｒｉｄｄｌｅｌａｅｒａｎｄｏｕｔｕｔｌａｅｒ．Ｔｈｅｒｅｃｅｉｖｉｎｌａｅｒｉｓｒｅｓｏｎｓｉｂｌｅｆｏｒｃｏｎｖｅｒ　　　　　　　　　－ｙｇｙｙｐｙｇｙｐ　　

；ｔｉｎｔｈｅｉｍａｅｉｎｆｏｒｍａｔｉｏｎｉｎｔｏｔｈｅｎｅｕｒｏｎ＇ｓｉｎｕｔｓｅｕｅｎｃｅＴｈｅｍｉｄｄｌｅｌａｅｒｄｅｔｅｒｍｉｎｅｓｗｈｅｔｈｅｒｔｈｅ　　　　　　　　　　　　ｇｇｐｑｙ　

ｅｄｅｉｘｅｌｏｉｎｔｓｂｅｌｏｎｔｏｆｏｕｒｄｉｒｅｃｔｉｏｎｓａｃｃｏｒｄｉｎｔｏｔｈｅｏｕｔｕｔｉｎｆｏｒｍａｔｉｏｎｏｆｆｏｕｒｄｉｆｆｅｒｅｎｔｗｅｉｈｔ　　　　　　　　　　　　　ｇｐｐｇｇｐｇ　　ｍａｔｒｉｃｅｓ．Ｔｈｅｏｕｔｕｔｌａｅｒｗｉｌｌｓｕｍｍａｒｉｚｅｔｈｅｉｎｔｅｒｍｅｄｉａｔｅｏｕｔｕｔｉｎｆｏｒｍａｔｉｏｎａｎｄｄｅｔｅｒｍｉｎｅｗｈｅｔｈｅｒ　　　　　　　　　　　ｐｙｐ

，ｉｓｅｄｅｉｍａｅｔｈｅｄｅｆｅｃｔａｒｅａｉｓｌｏｃａｔｅｄｂＭａｌｌａｔａｌｏｒｉｔｈｍｂａｓｅｄｏｎｅｉｅｎｖａｌｕｅｓ．Ｅｘｉｔｏｉｎｔ．Ｆｉｎａｌｌ　　　　　　　　　　　　　－ｇｇｙｇｇｐｙ　

ｅｒｉｍｅｎｔａｌａｎａｌｓｉｓａｎｄｃｏｍａｒｉｓｏｎｓｈｏｗｔｈａｔｔｈｅａｌｏｒｉｔｈｍｈａｓｏｏｄｄｅｔｅｃｔｉｏｎｒａｔｅ．　　　　　　　　　　　ｐｙｐｇｇ

：；；；；Ｋｅｗｏｒｄｓｆａｂｒｉｃｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｓｉｋｉｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＳＮＮ）ｉｍａｅｒｏｃｅｓｓｉｎｗｅｉｈｔｍａｔｒｉｘ　　　　ｐｇｇｐｇｇｙ　

（责任编辑　韦平）