提高工件表面缺陷提取魯棒性的改進(jìn)低秩矩陣恢復(fù)算法

張晶 劉麗冰 黃智坤 袁軍 楊澤青

摘要 針對(duì)傳統(tǒng)的工件缺陷提取方法存在魯棒性差的問(wèn)題，提出一種基于同態(tài)濾波的改進(jìn)低秩矩陣恢復(fù)算法。首先使用同態(tài)濾波方法增強(qiáng)光照分量、抑制工件反射分量，減小光照不均和工件強(qiáng)反光產(chǎn)生偽缺陷的影響；然后應(yīng)用魯棒主成分分析模型將工件表面缺陷提取問(wèn)題轉(zhuǎn)換為低秩背景矩陣和稀疏缺陷矩陣分離的低秩矩陣恢復(fù)問(wèn)題；最后使用非精確拉格朗日乘子法對(duì)由魯棒主成分分析模型轉(zhuǎn)化的凸優(yōu)化模型進(jìn)行求解。以帶有凹坑、劃痕缺陷的軸類(lèi)工件為樣本，通過(guò)計(jì)算F-measure值完成方法驗(yàn)證，實(shí)驗(yàn)結(jié)果表明：在不同光照強(qiáng)度的實(shí)驗(yàn)條件下，離散傅里葉算法提取凹坑缺陷和劃痕缺陷的平均F值分別為0.435 7和0.381 9；本文提出算法提取凹坑缺陷和劃痕缺陷的平均F值分別為0.726 0和 0.716 9，結(jié)果驗(yàn)證了所提算法的有效性和較高魯棒性。

關(guān) 鍵 詞 缺陷提?。坏椭染仃嚮謴?fù)；同態(tài)濾波；非精確拉格朗日乘子法；魯棒性

中圖分類(lèi)號(hào) TH164? ? ?文獻(xiàn)標(biāo)志碼 A

Improved low-rank matrix restoration algorithm for improving the robustness of workpiece surface defect extraction

ZHANG Jing， LIU Libing， HUANG Zhikun， YUAN Jun， YANG Zeqing

（School of Mechanical Engineering， Hebei University of Technology， Tianjin 300401， China ）

Abstract An improved low rank matrix recovery algorithm based on homomorphic filtering was proposed to solve the problem of poor robustness in the traditional methods of extracting workpiece defects. Firstly， the homomorphic filtering method was used to enhance the illumination component and suppress the reflection component of the workpiece to reduce the influence of illumination unevenness and strong reflection of the workpiece to produce false defects. Then the robust principal component analysis model was used to transform the surface defect extraction problem into the low-rank matrix recovery problem separated from the low-rank background matrix and the sparse defect matrix. Finally， an imprecise Lagrangian multiplier method was used to solve the convex optimization model transformed from the robust principal component analysis model. With indentation， scratch defects such as axial workpiece as sample， by calculating the F-measure values completion methods validation， the experimental results show that under the condition of different light intensity experiment， the average F value of pit defect and scratch defect extracted by Discrete fourier transform is 0.435 7 and 0.381 9; in this paper， the average F value of pit defect and scratch defect extracted by the algorithm is 0.726 0 and 0.716 9， the results show that the proposed algorithm is efficient and robust.

Key words defect extraction; low rank matrix recovery; homomorphic filtering; imprecise lagrangian multiplier method; robustness

0 引言

工件表面缺陷檢測(cè)是工業(yè)生產(chǎn)中的一個(gè)重要環(huán)節(jié)，對(duì)減少資源浪費(fèi)、保證后續(xù)加工和使用的安全性、提高產(chǎn)品合格率具有極大價(jià)值[1-3]。工件表面缺陷提取是缺陷檢測(cè)的基礎(chǔ)，去除背景紋理、減小噪聲和光照不均等因素的影響，恢復(fù)缺陷的真實(shí)信息是十分重要的。

目前缺陷提取算法主要分為基于空間域提取和基于頻域提取兩類(lèi)。1）空間域提取算法主要包括閾值分割、邊緣檢測(cè)和模糊聚類(lèi)等方法，利用缺陷區(qū)域的灰度、邊緣、紋理等特征信息，實(shí)現(xiàn)缺陷的提取。張靜等[4]針對(duì)金屬工件表面存在光照不均的問(wèn)題，提出局部二元模式與局部圖像方差強(qiáng)度結(jié)合的方法，處理后的缺陷圖像仍存在較多噪聲點(diǎn)。任盛偉等[5]提出一種魯棒實(shí)時(shí)的鋼軌表面擦傷檢測(cè)算法，實(shí)現(xiàn)圖像的增強(qiáng)，車(chē)輛過(guò)彎?rùn)z測(cè)效果不佳。陳順等[6]針對(duì)含噪齒輪圖像邊緣檢測(cè)存在噪聲的問(wèn)題，提出Canny算子和數(shù)學(xué)形態(tài)學(xué)融合算法去噪，但是圖像的部分真實(shí)邊緣未被檢測(cè)出來(lái)。2）頻域提取算法主要包括離散傅立葉變換、小波變換等方法，將圖像變換到頻域，根據(jù)缺陷與背景區(qū)域的頻率差使用濾波器濾除背景，再通過(guò)逆變換實(shí)現(xiàn)缺陷提取。Ang Wu等[7]針對(duì)薄膜晶體管表面的微缺陷檢測(cè)的問(wèn)題，應(yīng)用離散傅里葉變換去除背景紋理，小波變換消除光照不均影響。由以上分析可知，傳統(tǒng)的缺陷提取方法受噪聲、光照不均的影響較大，工件材料自身的反光或曲面特性，使獲得的圖像表面光強(qiáng)度不一致，經(jīng)常將中心亮區(qū)的邊界誤認(rèn)為缺陷[8]；缺陷目標(biāo)在整個(gè)圖像中所占的像元很少，且信噪比低 [2]等問(wèn)題，使得工件表面缺陷提取的魯棒性不高。

近年來(lái)，低秩矩陣恢復(fù)算法被廣泛應(yīng)用在圖像處理、信號(hào)處理、計(jì)算機(jī)視覺(jué)、高維數(shù)據(jù)分析等各個(gè)領(lǐng)域。應(yīng)用低秩矩陣恢復(fù)算法實(shí)現(xiàn)微裂紋[9]、織物疵點(diǎn)[10]、TFT-LCD表面缺陷[11]、紅外圖像小目標(biāo)[12]、人臉圖像[13]、太陽(yáng)能電池片[14]的檢測(cè)或識(shí)別，具有較好的噪聲抑制效果。本文首次提出將低秩矩陣恢復(fù)算法應(yīng)用到工件表面缺陷提取，考慮金屬工件存在的光照不均問(wèn)題，提出改進(jìn)的低秩矩陣恢復(fù)算法。首先應(yīng)用同態(tài)濾波算法平衡光照，然后應(yīng)用低秩矩陣恢復(fù)算法進(jìn)行背景紋理和缺陷的分離，實(shí)現(xiàn)工件表面缺陷提取魯棒性的提高。

1 工件表面缺陷提取算法及其魯棒性分析

目前工件缺陷提取研究大多是在特定的光照環(huán)境下采集工件表面圖像，但是在實(shí)際的生產(chǎn)加工中，環(huán)境變化對(duì)圖像采集質(zhì)量的影響難以忽略，光照變化會(huì)使得傳統(tǒng)的缺陷提取算法的準(zhǔn)確率和魯棒性下降，造成缺陷的誤檢和漏檢，因此需要研究一種可以在不同光照條件下都有較高魯棒性的缺陷提取算法，提高復(fù)雜環(huán)境下缺陷提取的準(zhǔn)確率。本文提出算法流程如圖1。

低秩矩陣恢復(fù)算法可以在矩陣中某些元素被破壞時(shí)，自動(dòng)識(shí)別出被破壞的元素并且恢復(fù)出原矩陣，因此被廣泛應(yīng)用在缺陷檢測(cè)、人臉識(shí)別和圖像重建中，應(yīng)用低秩矩陣恢復(fù)算法進(jìn)行工件表面缺陷提取時(shí)，可將有缺陷的圖像分為無(wú)缺陷背景紋理區(qū)和缺陷前景區(qū)2部分，分別用低秩矩陣和稀疏矩陣表示，同時(shí)考慮光照變化的影響，本文將同態(tài)濾波算法與低秩矩陣恢復(fù)算法相結(jié)合，研究了一種具有較高魯棒性的工件缺陷提取算法。

2 改進(jìn)的低秩矩陣恢復(fù)算法研究

現(xiàn)今，減小光照對(duì)工件表面缺陷提取的影響，根據(jù)應(yīng)用的算法技術(shù)的不同，主要可以分為基于二維圖像光照預(yù)處理方法和基于三維模型方法，三維模型方法是將光照作為獨(dú)立變量來(lái)建立模型，生成任意光照下的工件表面圖像，來(lái)達(dá)到消除光照變化的影響，但是基于三維模型的方法需要大量不同光照下的訓(xùn)練樣本，難以滿足現(xiàn)今工件表面缺陷提取的實(shí)時(shí)性，所以本文主要討論基于二維圖像的光照處理上。光照預(yù)處理解決工件表面光強(qiáng)不均勻問(wèn)題，常用的解決方法有：全局直方圖均衡、梯度增強(qiáng)法、基于離散小波變換的同態(tài)濾波、多尺度Retinex、動(dòng)態(tài)均質(zhì)補(bǔ)償?shù)龋紤]運(yùn)算速度、資源節(jié)約和對(duì)高光、反光區(qū)域的處理效果等方面，應(yīng)用基于照明-反射模型的同態(tài)濾波算法進(jìn)行光照處理。

2.1 同態(tài)濾波算法

由于工件的自身材質(zhì)和形狀影響，金屬工件表面光滑、階梯軸類(lèi)工件的階梯處容易出現(xiàn)反光，采集到的圖像存在著強(qiáng)反光的問(wèn)題。

在照明-反射光照模型中，可看作由照射分量與反射分量所組成，即原始圖像[I（x，y）]可以表示為光的照射分量[m（x，y）]和工件的反射分量[n（x，y）]的乘積[15]，如式（1）所示：

式中：由于光照是漸變的，照射分量[m（x，y）]頻譜集中在低頻段；由于工件表面的光照反射是非漸變的，反射分量[n（x，y）]頻譜集中在高頻段。

基于照明-反射模型的同態(tài)濾波的處理過(guò)程如下。

輸入 [I（x，y）] ，輸出 [Ip（x，y）] 。

步驟1：[Ix，y=mx，y?nx，y]兩邊取對(duì)數(shù)，然后做傅里葉變換得到線性組合的頻域形式：

步驟2：應(yīng)用傳遞函數(shù)[H（x，y）]對(duì)數(shù)據(jù)進(jìn)行濾波處理，然后做傅里葉逆變換和數(shù)據(jù)的指數(shù)變換，得到處理后的圖像為[IPx，y]。

同態(tài)濾波算法是通過(guò)傳遞函數(shù)來(lái)處理照射分量和反射分量的，傳遞函數(shù)的選擇是獲得高質(zhì)量圖像的關(guān)鍵，同態(tài)濾波傳遞函數(shù)是基于高通濾波器函數(shù)修改得到，常用的高通濾波器有高斯濾波器和巴特沃斯高通濾波器。

基于高斯濾波器的同態(tài)濾波傳遞函數(shù)如式（3）：

基于巴特沃思高通濾波器的同態(tài)濾波傳遞函數(shù)如式（4）：

式中：[D0]為截止半徑；[rH]為高頻增加倍數(shù)；[rL]為低頻縮小倍數(shù)；常數(shù)[c>0]，用于調(diào)節(jié)函數(shù)形狀；[n]為濾波器階數(shù)。

基于照明-反射模型的同態(tài)濾波是在高通濾波器的截止半徑[D0]的基礎(chǔ)上放大[rH，rL]倍，高頻增加[rH]倍[rH>1]，低頻縮小[rL]倍[rL<1]，通過(guò)增強(qiáng)光照的高頻分量、抑制工件反射的低頻分量，達(dá)到增加圖像對(duì)比度、減小強(qiáng)反光影響的目的。因此可以較好地保留圖像細(xì)節(jié)，提高缺陷提取的光照魯棒性，減少光照不均產(chǎn)生的偽缺陷，降低缺陷誤檢率。

2.2 低秩矩陣恢復(fù)算法

低秩矩陣恢復(fù)又稱(chēng)為魯棒主成分分析（Robust Principal Component Analysis，RPCA）或低秩稀疏分解。低秩矩陣恢復(fù)主要由魯棒主成分分析、矩陣補(bǔ)全和低秩表示等3類(lèi)模型組成[16]，當(dāng)矩陣中的所有元素都能觀測(cè)到，則適用與魯棒主成分分析模型。RPCA原理可以從PCA（Principal Component Analysis）的角度看。PCA作為對(duì)高維數(shù)據(jù)有效降維的方法之一，將高維數(shù)據(jù)在低維線性子空間上投影，即可以保留原有特征的主要信息，又可以減小特征的個(gè)數(shù)，可以表示為式（5）：

通過(guò)上述約束優(yōu)化尋找最近的線性子空間的投影。當(dāng)高斯噪聲[E]較小時(shí)，PCA可以通過(guò)一次奇異值分解準(zhǔn)確找到最優(yōu)原始數(shù)據(jù)矩陣[A]，當(dāng)[E]較大時(shí)，[A]的估計(jì)往往不準(zhǔn)確。由于其不適用于稀疏的大噪聲矩陣，當(dāng)面對(duì)較大噪聲干擾時(shí)不能很好的完成降維任務(wù)，所以Wight等[17]提出RPCA模型，將原始數(shù)據(jù)矩陣[D]定義為由低秩部分[A]和稀疏噪聲部分[E]組成，可以用式（6）表示：

式中：目標(biāo)函數(shù)是低秩矩陣[A]的秩和稀疏矩陣[E]的零范數(shù)；[λ]表示噪聲所占的權(quán)重；[D]的每一列是給定已知的數(shù)據(jù)。

由于這是一個(gè)非確定多項(xiàng)式難題，在理論和實(shí)踐中，均存在指數(shù)復(fù)雜度（相對(duì)于矩陣維數(shù)n）的算法，而沒(méi)有有效的算法。隨著魯棒主成分分析模型的廣泛使用，越來(lái)越多的解決魯棒主成分分析模型的方法被提出，這些方法一般可被分為3類(lèi)：基于凸優(yōu)化模型的方法、基于貝葉斯理論的方法和基于M估計(jì)的方法[18]。應(yīng)用比較廣泛的是凸優(yōu)化模型方法，通過(guò)對(duì)目標(biāo)函數(shù)進(jìn)行松弛，將原先的非凸的零范數(shù)替換為更容易處理的稀疏性度量函數(shù)，從而轉(zhuǎn)換為如下凸優(yōu)化問(wèn)題進(jìn)行求解：

式中：[A?=i=1mδi（A）]，表示矩陣[A]的第[i]個(gè)奇異值；[E1=ijEij]；表示矩陣[E]所有元素的絕對(duì)值之和。

將RPCA模型應(yīng)用到工件表面缺陷檢測(cè)中，由背景紋理的特性可知，背景紋理屬于周期性紋理，表示在圖像矩陣中是線性相關(guān)的，即可以表示為低秩矩陣；由于稀疏性定義為目標(biāo)區(qū)域面積占很小的比重或者檢測(cè)目標(biāo)的個(gè)數(shù)占很小的比重，存在的缺陷可以理解為稀疏矩陣中的非零元素，即可以將缺陷表示為稀疏矩陣。從而將工件表面缺陷提取問(wèn)題轉(zhuǎn)化為低秩矩陣恢復(fù)問(wèn)題進(jìn)行求解，將同態(tài)濾波處理后的均勻光照?qǐng)D像，分解為無(wú)缺陷低秩背景圖像和有缺陷稀疏缺陷圖像。

2.3 凸優(yōu)化模型求解方法

通過(guò)轉(zhuǎn)化后的凸優(yōu)化問(wèn)題來(lái)逼近求解原問(wèn)題，在工件表面缺陷檢測(cè)的背景下，有效地的求解凸優(yōu)化模型是一個(gè)待解決的關(guān)鍵問(wèn)題。求解凸優(yōu)化模型的常用方法有增廣的拉格朗日乘子法、加速的近端梯度法、迭代閾值法和近端梯度法等。綜合考量考慮圖像矩陣維數(shù)、精確度、方法收斂速度和迭代次數(shù)等，因非精確拉格朗日乘子法（Inexact Augmented Lagrange Multiplier，IALM）有更好的精確度、較少迭代次數(shù)和收斂率，近年來(lái)被廣泛研究使用。

本文利用IALM來(lái)求解，構(gòu)造凸優(yōu)化問(wèn)題的拉格朗日函數(shù)

式中：[Y]為拉格朗日乘子；[μ]是懲罰參數(shù)，[μ>0]；[λ]為權(quán)重因子。

可以先固定一個(gè)[Y]和[E]求得一個(gè)[L]使[A]最小，然后固定一個(gè)[Y]和[A]求得一個(gè)[L]使[E]最小，依此交替更新迭代，最終得到一個(gè)收斂到這個(gè)子問(wèn)題的最優(yōu)解，這個(gè)算法稱(chēng)為精確拉格朗日乘子法。但是在工件表面缺陷檢測(cè)中，考慮圖像處理需要滿足在線、實(shí)時(shí)性等問(wèn)題，只需每次迭代更新獲得[A]和[E]近似解，這樣就會(huì)以最快收斂速度方式得到收斂得到原問(wèn)題的最優(yōu)解，即非精確拉格朗日乘子法，其求解凸優(yōu)化問(wèn)題的流程圖如圖2所示。

圖2中，[D∈Rm×n]為同態(tài)濾波處理后的圖像矩陣，初始化參數(shù)[Y0=DJ（D）;E0=0;][μ0>0;][ρ>1;][k=0]，[JD=maxD2，λ-1D∞]，[Sεx]為軟閾值操作，公式如下：

使用IALM時(shí)，懲罰參數(shù)[μ]、終止迭代參數(shù)[δ]、最大迭代次數(shù)[θ]會(huì)直接影響缺陷提取的效果，參考文獻(xiàn)[14]和實(shí)驗(yàn)驗(yàn)證，[μ=n1n24D1]，其中[n1]和[n2]是輸入矩陣的[D]的行數(shù)和列數(shù)，本文輸入圖片矩陣為[1 200×960]；當(dāng)[D-A-EF≤δDF]，當(dāng)[δ=10-7]時(shí)停止迭代；[θ=1 000]。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)描述

為了驗(yàn)證和評(píng)估改進(jìn)低秩矩陣恢復(fù)算法的有效性，本文使用天津某機(jī)械廠生產(chǎn)的軸類(lèi)工件（最大軸徑為15 mm、長(zhǎng)為15 mm）進(jìn)行測(cè)試，測(cè)試樣本分為劃痕缺陷樣本和凹坑缺陷樣本兩類(lèi)，配合型號(hào)為MV-BL100X100-V的白色面光源，調(diào)節(jié)光源適配器光強(qiáng)旋鈕，在圖像采集時(shí)進(jìn)行不同光強(qiáng)度處理。實(shí)驗(yàn)測(cè)試圖像庫(kù)共300幅，其中，旋鈕調(diào)至5級(jí)時(shí)的缺陷圖像100幅，旋鈕調(diào)至3級(jí)時(shí)的缺陷圖像100幅，旋鈕調(diào)至1級(jí)的缺陷圖像100幅。本文實(shí)驗(yàn)平臺(tái)是4核CPU，主頻1.4 GHz，8 GB內(nèi)存，Intel Core i5系統(tǒng)的筆記本電腦，應(yīng)用的仿真環(huán)境是MATLAB R2019b。實(shí)驗(yàn)結(jié)果和分析共包括2部分內(nèi)容：1）基于照明-反射模型的同態(tài)濾波算法的處理效果；2）傳統(tǒng)缺陷提取算法（離散傅里葉變換算法）和基于同態(tài)濾波的改進(jìn)低秩矩陣恢復(fù)算法的結(jié)果比較。

3.2 工件圖像的同態(tài)濾波處理結(jié)果

圖3為3種不同光照強(qiáng)度下的工件圖像，利用基于照明-反射模型的同態(tài)濾波算法進(jìn)行處理，以減小反光現(xiàn)象的影響。旋鈕調(diào)至5級(jí)時(shí)，工件的高頻反射分量較大，實(shí)驗(yàn)驗(yàn)證當(dāng)同態(tài)濾波的傳遞函數(shù)中截止半徑[D0=5]，[rH=2.5]，[rL=0.2]，[c=1]時(shí)，圖像效果最佳；當(dāng)旋鈕調(diào)至3級(jí)時(shí)，同態(tài)濾波函數(shù)的截止半徑[D0=10]，[rH=1.8]，[rL=0.3]，[c=1]效果最好；當(dāng)旋鈕調(diào)至1級(jí)時(shí)，同態(tài)濾波函數(shù)的截止半徑[D0=15]，[rH=1.3]，[rL=0.4]，[c=1]效果最佳。處理效果如圖4所示。

同態(tài)濾波算法處理不同光強(qiáng)下的圖像，實(shí)驗(yàn)證明該算法可以削弱工件表面強(qiáng)反光影響，使工件表面缺陷提取在光照問(wèn)題上有較好的魯棒性，為之后的缺陷提取打下良好的基礎(chǔ)。

3.3 工件表面缺陷提取算法的對(duì)比

為驗(yàn)證本文提出算法在魯棒性方面的提升，選擇應(yīng)用比較廣泛的離散傅立葉變換進(jìn)行實(shí)驗(yàn)對(duì)比，并采用F-measure值來(lái)定量評(píng)估2種算法，F(xiàn)-measure值為一種綜合性能評(píng)價(jià)指標(biāo)，取值介于[0，1]，F(xiàn)值的定義為式（10）：

式中：[r=PT（PT+NF）]為召回率；[p=PT（PT+PF）]為準(zhǔn)確率；[PT]為被正確判斷為缺陷的像素個(gè)數(shù)；[PF]為被誤判為缺陷的像素?cái)?shù)目；[NF]為被誤判為背景的缺陷像素?cái)?shù)目，F(xiàn)值越高表明該算法對(duì)工件表明缺陷提取的效果越好。

由表1可以看出，傳統(tǒng)的缺陷提取算法受光照影響較大，提取凹坑缺陷的平均F值為0.435 7，提取劃痕缺陷的平均F值為0.381 9；本文提出的算法在不同光照強(qiáng)度下，可以保持在一個(gè)相對(duì)較高檢測(cè)的水平，提取凹坑缺陷的平均F值為0.726 0，提取劃痕缺陷的平均F值為0.716 9，說(shuō)明本文提出算法相比傳統(tǒng)方法提高了缺陷提取魯棒性。

4 結(jié)語(yǔ)

研究了一種基于同態(tài)濾波的改進(jìn)低秩矩陣恢復(fù)算法，分析了同態(tài)濾波的傳遞函數(shù)平衡光照分量和工件反射分量的機(jī)理，確定了同態(tài)濾波傳函的截止半徑，實(shí)現(xiàn)了不同光強(qiáng)條件下的工件表面光照平衡。然后對(duì)同態(tài)濾波處理后的圖像使用低秩矩陣恢復(fù)算法，再使用非精確拉格朗日乘子法求解由魯棒主成分分析模型轉(zhuǎn)化的凸優(yōu)化模型，得到分離的低秩背景圖像和稀疏缺陷圖像。最后通過(guò)F-measure值來(lái)定量評(píng)估本文提出的算法性能，結(jié)果表明該算法在軸類(lèi)工件缺陷提取具有有效性和較高的魯棒性。

參考文獻(xiàn)：

[1]? ? YANG J X，F(xiàn)U G Z，ZHU W B，et al. A deep learning-based surface defect inspection system using multiscale and channel-compressed features[J]. IEEE Transactions on Instrumentation and Measurement，2020，69（10）：8032-8042.

[2]? ? 趙君愛(ài)，賈民平. 工件表面微小缺陷的檢測(cè)與識(shí)別方法[J]. 東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，44（4）：735-739.

[3]? ? 趙俊忠，黃厚寬，賈蓮鳳. 誤差分離理論在微機(jī)輔助軸類(lèi)工件表面缺陷檢測(cè)中的應(yīng)用[J]. 計(jì)量學(xué)報(bào)，2003（1）：14-17.

[4]? ? 張靜，葉玉堂，謝煜，等. 金屬圓柱工件缺陷的光電檢測(cè)[J]. 光學(xué) 精密工程，2014，22（7）：1871-1876.

[5]? ? 任盛偉，李清勇，許貴陽(yáng)，等. 魯棒實(shí)時(shí)鋼軌表面擦傷檢測(cè)算法研究[J]. 中國(guó)鐵道科學(xué)，2011，32（1）：25-29.

[6]? ? 陳順，李登峰. 融合Canny算子和形態(tài)學(xué)的齒輪圖像邊緣檢測(cè)研究[J]. 機(jī)電工程，2020，37（7）：821-825.

[7]? ? WU A，ZHU J H，TAO Z L，et al. Automatic inspection and classification for thin-film transistor liquid crystal display surface defects based on particle swarm optimization and one-class support vector machine[J]. Advances in Mechanical Engineering，2016，8（11）：168781401667766.

[8]? ? LI W B，LU C H，ZHANG J C. A local annular contrast based real-time inspection algorithm for steel bar surface defects[J]. Applied Surface Science，2012，258（16）：6080-6086.

[9]? ? QIAN X L，ZHANG H Q，YANG C X，et al. Micro-cracks detection of multicrystalline solar cell surface based on self-learning features and low-rank matrix recovery[J]. Sensor Review，2018，38（3）：360-368.

[10]? GAO G S，ZHANG D，LI C L，et al. A novel patterned fabric defect detection algorithm based on GHOG and low-rank recovery[C]//2016 IEEE 13th International Conference on Signal Processing. Chengdu：IEEE，2016：1118-1123.

[11]? CEN Y G，ZHAO R Z，CEN L H，et al. Defect inspection for TFT-LCD images based on the low-rank matrix reconstruction[J]. Neurocomputing，2015，149：1206-1215.

[12]? 王忠美，楊曉梅，顧行發(fā). 基于魯棒主成分分析的紅外圖像小目標(biāo)檢測(cè)[J]. 兵工學(xué)報(bào)，2016，37（9）：1753-1760.

[13]? 杜海順，張旭東，金勇，等. 基于Gabor低秩恢復(fù)稀疏表示分類(lèi)的人臉圖像識(shí)別方法[J]. 電子學(xué)報(bào)，2014，42（12）：2386-2393.

[14]? 姚明海，李潔，王憲保. 基于RPCA的太陽(yáng)能電池片表面缺陷檢測(cè)[J]. 計(jì)算機(jī)學(xué)報(bào)，2013，36（9）：1943-1952.

[15]? 徐黎明，呂繼東. 基于同態(tài)濾波和K均值聚類(lèi)算法的楊梅圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（14）：202-208.

[16]? 史加榮，鄭秀云，魏宗田，等. 低秩矩陣恢復(fù)算法綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2013，30（6）：1601-1605.

[17]? WRIGHT J，GANESH A，RAO S，et al. Robust principal component analysis：exact recovery of corrupted low-rank matrices [J]. Neural Computation，2009，20（2）：566-567.

[18]? 楊劍哲，孫巧榆，王君，等. 基于改進(jìn)增廣拉格朗日乘子法的魯棒性主成分分析[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2015，47（11）：27-33.