CN107633272A - 一种基于小样本下压缩感知的dcnn纹理疵点识别方法 - Google Patents

Abstract

本发明涉及一种基于小样本下压缩感知的DCNN纹理疵点识别方法，采集待识别的织物图像，经预处理得到待识别的疵点图像，输入到训练好的DCNN中，由训练好的DCNN输出编码，查找与编码匹配的标签，根据标签确定疵点类别；标签是通过将疵点类别已知的疵点图像输入到DCNN中，然后处理DCNN输出的编码后得到的，每种疵点类别都有对应的标签且各不相同；训练好的DCNN是指通过将小样本同压缩观测后得到的新样本输入到DCNN中调整DCNN神经元之间的连接权值得到的识别准确率高于设定值的DCNN。本发明所需样本量小，识别准确率高，结果具有很好的泛化能力，对工业织物生产具有重要的现实意义。

Description

一种基于小样本下压缩感知的DCNN纹理疵点识别方法

技术领域

本发明属于工业生产与控制领域，涉及一种基于小样本下压缩感知的DCNN纹理疵点识别方法，特别涉及一种基于小样本下自动化检测、智能分类与识别织物疵点的方法。

背景技术

在纺织工业生产过程中，织物纹理疵点检测和分类识别对纺织制造业的质量控制有着重要影响。通常，织物疵点检测与分类是两个不同的过程，而对疵点进行分类实质上就是对疵点进行识别，识别完成后技术工人将根据识别结果对检测系统进行调整。在计算机视觉领域，织物疵点也一直是一个研究热点，广泛用于织物疵点的分类、检测及识别中。传统的织物疵点分类识别是通过工人对织物疵点进行视觉检查来评价，但随着织物应用领域越来越广，新设计研发出的织物疵点种类不断增多，导致疵点外观形态多样，通常在归为同一类的疵点外观差别也大；并且从白坯织物到色织物，织物花型色彩和图像越来越复杂，人工对疵点分类识别存在着更多的困难，至今还没有十分有效的织物疵点分类识别方法。

近年来，深度学习作为人工智能领域的一个重要分支，一种模拟人类大脑思维方式和视觉信息处理的学习算法，因为能够学习到大量数据的本质特征而获得了突破性的进展，深度学习网络中的深度卷积神经网络(Deep Convolutional Neural Network,DCNN)也因在图像分类识别中的独特优势而取得了很好的分类识别效果，DCNN的基本结构图如图1所示。DCNN成功用于图像分类识别的主要优势在于DCNN的局部连接属性、权值共享特性、图像特征的层次化结构和端到端的处理方式等特点，但目前多数基于DCNN的识别方法都需大量的样本数据作为支撑。

专利CN106529605A提出了一种基于免疫理论的卷积神经网络模型的图像识别方法，其利用免疫理论对卷积神经网络模型进行重构并完成图像识别过程，该方法识别准确率高，使用灵活，可根据实际需求有针对性的设计网络输出结果以实现信息的识别，但是该方法往往用于大数据的处理，所需样本数量巨大，并不适用于小样本的识别，基于小样本下其识别准确率较低，难以满足要求。

压缩感知又称压缩采样，压缩传感。它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。压缩感知理论(Compressive Sensing,CS)主要包括信号的稀疏表示、观测矩阵的构造及重构算法的设计三部分，其基本框架如图2所示。压缩感知理论一经提出，就引起学术界和工业界的广泛关注。它在图像处理、地球科学、光学/微波成像、模式识别、无线通信及生物医学工程等领域均有广阔的应用前景。

专利CN 105004729A提出了一种基于压缩感知的坯布织物疵点检测方法，其通过引入压缩感知方法，在保证误检率低于10％的前提下，能够实现90％以上的疵点检出率，该方法解决了小样本下疵点检出率低的问题，并未解决小样本下疵点分类识别准确率低的问题。

因此，开发一种疵点分类识别准确率高的小样本压缩感知的识别方法极具现实意义。

发明内容

本发明的目的是克服现有技术所需样本量大、小样本下疵点分类识别准确率低的缺陷，提供一种疵点分类识别准确率高的小样本压缩感知的识别方法。本发明利用压缩感知对数据信息的采样特征和DCNN在图像分类方面的独特优势结合，对织物纹理疵点进行特征提取和分类识别。

为达到上述目的，本发明采用如下技术方案：

基于小样本下压缩感知的DCNN纹理疵点识别方法，采集待识别的织物图像，经预处理得到待识别的疵点图像，输入到训练好的DCNN中，由训练好的DCNN输出编码，查找与编码匹配的标签，根据标签确定疵点类别；

所述标签是通过将疵点类别已知的疵点图像输入到DCNN中，然后处理DCNN输出的编码后得到的，每种疵点类别都有对应的标签且各不相同；所述疵点类别已知的疵点图像通过采集疵点类别已知的织物图像后预处理得到；

所述训练好的DCNN是指通过将小样本同压缩观测后得到的新样本输入到DCNN中调整DCNN神经元之间的连接权值得到的识别准确率高于设定值的DCNN；所述小样本由原始疵点图像和变化疵点图像组成，原始疵点图像通过采集标签已知的织物图像后预处理得到，变化疵点图像通过将原始疵点图像旋转和平移后得到；所述小样本中每类疵点图像的数量不大于50；所述识别准确率是指被DCNN正确识别的疵点图像的个数占输入的疵点图像总个数的百分率，所述被DCNN正确识别是指DCNN输出的编码与疵点图像对应的标签匹配；

所述DCNN包括2层卷积层、2层下采样层和3层全连接层。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述疵点类别为正常、百脚、断纬、双经、竹节、三跳、吊经、杂物、断经或油污。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述预处理的步骤如下：

(1)在织物图像上截取含一种疵点的区域得到过渡图像，所述织物图像的大小为1280×1024×3像素，织物图像中含有噪声且同一张图像上可能出现多类别型不同疵点；

(2)调整过渡图像的尺寸为227×227×3像素得到疵点图像，该尺寸为深度卷积网络训练时所设计的大小。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述旋转是指旋转5～20°，具体可按5°、10°、15°和20°等进行旋转，所述平移是指平移0～15像素，具体可按5像素、10像素和15像素等进行平移，所述小样本中每类疵点图像中变化疵点图像的数量占总疵点图像数量的70％；

对疵点图像进行5～20°旋转和0～15像素平移的目的是增加每一类疵点图像的多样性，在一定程度上使深度卷积神经网络学习更多的图像特征；旋转角度不宜过小，否则会缺少样本的多样性，旋转角度也不宜过大，当旋转角度超出40°时，识别结果会大幅度降低；本发明对疵点图像平移0～15像素的主要原因是织物图像的纹理有大量的重复和冗余，即某一局部区域和整张图像在纹理上有很大的相似，平移一定的像素对图像影响不大，在平移中要确保图像的疵点信息，平移超出一定像素，某些在图像边缘的疵点信息可能会丢失；

所述压缩观测的具体步骤如下：

(1)将疵点图像转化为一维向量，公式如下：

x＝reshape(X)；

式中，X为疵点图像，R表示实数域，I_c为实数域矩阵的行，I_r为实数域矩阵的列，x为一维向量，x∈R^N×1，N＝I_c×I_r；

(2)进行DCT变换，公式如下：

x＝ΨΘ；

式中，Ψ为稀疏表示矩阵，Ψ∈R^N×N，Θ为投影系数矢量；

(3)利用不同的观测矩阵得到观测向量，公式如下：

式中，y为观测向量，y∈R^M×1，M为观测原始信号得到的向量长度，Φ为观测矩阵，Φ∈R^M×N，A＝ΦΨ，A为压缩感知矩阵；本发明对疵点图像压缩采样时用多种不同观测矩阵，同一疵点图像可以提取到多种不同特征信息，增加了数据的多样性；

(4)映射到图像空间，由于采样率、观测噪声等在很大程度上影响重构算法对图像的重构精度，本发明中为避免重构算法的设计，直接利用线性映射方式，公式如下：

式中，为观测向量y映射到图像空间的一维向量，Φ^T是观测矩阵Φ的转置矩阵；

(5)转换为图像，公式如下：

式中，X_out为图像，

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述观测矩阵为随机高斯矩阵、随机伯努利矩阵、托普利兹矩阵和奇异值分解矩阵。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述DCNN中各层按数据到达的先后顺序从1开始进行编号，卷积层1的卷积核为11²像素，输出的特征图数目为32，卷积的步长为3像素，卷积层2的卷积核为5²像素，输出的特征图数目为64，卷积的步长为2像素；

下采样层1的采样尺寸为2²像素，采样步长为2像素，下采样层2的采样尺寸为2²像素，采样步长为2像素；

全连接层1包含5184个神经元，全连接层2包含5184个神经元，全连接层3包含2592个神经元，本发明在已有DCNN网络结构基础上，进行了适应性的扩展和设计，保留了已有DCNN的2层卷积层和2层下采样层，重新设计了卷积核的个数和大小，同时考虑到一方面全连接层是对卷积层或下采样层特征图的总结变换，不同类型图像区别较大，针对性较强，另一方面网络层数越深，其特征信息的表达能力越强，因此在模型原有2层全连接层操作中增加一层全连接操作。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述标签的确定方法为：将多张疵点类别相同且疵点类别已知的疵点图像输入到DCNN中，DCNN输出多个n位编码，确定每个编码中最大值所在的位数，以多个编码中重复率最高的最大值所在的位数为d_max，定义该疵点类别的标签为[L(1),L(2)..L(i)...L(n)]，其中，L(i)表示标签中第i位的数值为L，当i＝d_max时，令L＝1，反之，则令L＝0，依次得到不同疵点类别对应的标签，最终得到的标签采用二进制编码表示，例如正常类型图像的标签表示为[1 0 0 0 0 0 0 0 0 0]，百脚疵点的标签表示为[0 1 0 0 0 0 0 0 0 0]......油污疵点的标签为[0 0 0 0 0 0 00 0 1]；当无法确定d_max时，或不同疵点类别对应的标签相同时，则增加疵点类别相同的图像的张数后重新确定标签。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，编码与标签匹配是指编码与标签中最大值对应下标值相同，例如DCNN输出的某一疵点图像的编码为[0.5 0.90.7 0.4 0.1 0.6 0.4 0.2 0.1 0.3]，该疵点图像的标签为[0 1 0 0 0 0 0 0 0 0]，可以看出编码第二位的数值最大，取其下标与标签中最大值下标比较，相同则认为DCNN识别正确，否则则认为DCNN识别错误。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述DCNN的具体训练步骤如下：

(1)将小样本划分为训练样本和验证样本，训练样本和验证样本中疵点图像的类别相同；

(2)令迭代次数g＝1；

(3)从训练样本中随机选取w张疵点类别不同的图像，将w张疵点类别不同的图像同压缩观测后得到的新图像，DCNN对输入的图像进行学习并输出编码；学习过程就是调整DCNN神经元之间连接权值的过程；

(4)分别计算识别准确率及误差和，并将误差进行反向传播，误差反向传播在每一次训练迭代过程都会执行一次，目的是最大限度减少误差；所述误差和为DCNN输出的编码与输入到DCNN中的图像的标签的代价熵之和；

(5)判断是否满足迭代终止条件，即迭代次数g等于最大迭代次数g_max，或识别准确率大于设定值1，如果是则进入下一步，反之则令g＝g+1，返回步骤(3)，在迭代过程中当训练样本中剩余的图像数小于w时，则将其全部同压缩观测后得到的新图像输入到DCNN中；

(6)将验证样本同压缩观测后得到的新验证样本输入到DCNN中计算DCNN的识别准确率，如果识别准确率高于设定值2则程序结束，反之则重新采集小样本后返回步骤(1)。

如上所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，所述验证样本的样本数占小样本的样本数的10％～20％，所述小样本的样本总数不大于500；

所述最大迭代次数g_max为训练样本的样本数与w的商，当商为非整数时，则为商的整值加1；

所述设定值1与设定值2相等，为85.0％。

发明机理：

本发明涉及一种基于小样本下压缩感知的DCNN纹理疵点识别方法。传统的织物疵点识别是通过工人对织物疵点进行视觉检查来评价，但随着织物应用领域越来越广，新出现的织物疵点类别不断增多，同时疵点外观形态多样，通常在归为同一类的疵点外观差别也大；并且织物色彩和图像越来越复杂，人工对疵点识别存在着更多的困难。本发明在DCNN的基础上，提出采用压缩感知理论和DCNN结合思想，一方面本发明利用了压缩感知的不同观测矩阵对织物疵点图像压缩采样，获取疵点图像相关特征信息，因对疵点图像压缩采样时用多种不同观测矩阵，所以同一疵点图像可以提取到多种不同特征信息，增加了数据的多样性和数量，现有技术在样本数较少时，由于特征信息量少，容易过拟合等导致识别准确率低；本发明则通过压缩感知和DCNN结合，增加了数据的多样性和特征信息，同时可以有效的避免模型过拟合，因而提高了识别准确率。另一方面本发明对已有DCNN网络结构进行了适应性的扩展和设计，保留了已有DCNN的2层卷积层和2层下采样层，重新设计了卷积核的个数和大小，同时在模型原有2层全连接层操作中增加一层全连接操作，DCNN减少了原有模型卷积层的卷积核个数，这样在保证识别准确率的基础上减少模型运行的时间，同时增加一层全连接操作可以增强模型的非线性能力。DCNN模型学习的过程是一种特征学习的过程，是将原始数据通过一些非线性的模型转变成更高层次，更加抽象的表达，增加数据多样性和数量，那些高层次的表达可以表现出对输入数据更好的区分能力，识别的准确性越高。

有益效果：

(1)本发明的基于小样本下压缩感知的DCNN纹理疵点识别方法，不需要用到压缩感知理论的重构算法，避免了重构算法的设计和重构算法对结果的影响，疵点识别准确率高；

(2)本发明的基于小样本下压缩感知的DCNN纹理疵点识别方法，能够通过压缩感知的压缩观测和深度学习中深度卷积网络的自学习能力，对织物纹理疵点进行有效分类，同时结果具有很好的泛化能力，对工业织物生产具有重要的现实意义。

附图说明

图1为DCNN的基本结构图；

图2为压缩感知理论的基本框架图；

图3为本发明的基于小样本下压缩感知的DCNN纹理疵点识别方法的理论结构图；

图4a为正常织物图像；

图4b为百脚疵点织物图像；

图4c为断纬疵点织物图像；

图4d为双经疵点织物图像；

图4e为竹节疵点织物图像；

图4f为三跳疵点织物图像；

图4g为吊经疵点织物图像；

图4h为杂物疵点织物图像；

图4i为断经疵点织物图像；

图4j为油污疵点织物图像；

图5a和图5b为原始疵点织物图像；

图6a和图6b为预处理得到的疵点图像；

图7为DCNN的训练流程图；

图8为本发明的网络误差函数训练的结果。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

基于小样本下压缩感知的DCNN纹理疵点识别方法，其理论结构图如图3所示，具体步骤如下：

(1)确定不同疵点类别对应的标签：

(1.1)采集疵点类别已知的织物图像进行预处理得到疵点类别已知的疵点图像，疵点类别包括正常、百脚、断纬、双经、竹节、三跳、吊经、杂物、断经和油污，不同类别的疵点图像如图4a～4j所示，预处理过程如下：

(1.1.1)在采集的织物图像上截取含一种疵点的区域得到过渡图像，其中织物图像的大小为1280×1024×3像素；

(1.1.2)调整过渡图像的尺寸为227×227×3像素得到疵点图像；

(1.2)将多张疵点类别相同且疵点类别已知的疵点图像输入到DCNN中确定疵点图像的标签，DCNN输出多个n位编码，确定每个编码中最大值所在的位数，以多个编码中重复率最高的最大值所在的位数为d_max，定义该疵点类别的标签为[L(1),L(2)..L(i)...L(n)]，其中，L(i)表示标签中第i位的数值为L，当i＝d_max时，令L＝1，反之，则令L＝0，依次得到不同疵点类别对应的标签，最终得到的标签采用二进制编码表示，例如，正常类型图像的标签表示为[1 0 0 0 0 0 0 0 0 0]，百脚疵点的标签表示为[0 1 0 0 0 0 0 0 0 0]......油污疵点的标签为[0 0 0 0 0 0 0 0 0 1]；当无法确定d_max时，或不同疵点类别对应的标签相同时，则增加疵点类别相同的图像的张数后重新确定标签，其中DCNN包括2层卷积层、2层下采样层和3层全连接层，DCNN中各层按数据到达的先后顺序进行编号，卷积层1的卷积核为11²像素，输出的特征图数目为32，卷积的步长为3像素，卷积层2的卷积核为5²像素，输出的特征图数目为64，卷积的步长为2像素，下采样层1的采样尺寸为2²像素，采样步长为2像素，下采样层2的采样尺寸为2²像素，采样步长为2像素，全连接层1包含5184个神经元，全连接层2包含5184个神经元，全连接层3包含2592个神经元；

(2)采集小样本，通过采集标签已知的织物图像后预处理(步骤同(1.1))得到原始疵点图像，将原始疵点图像旋转5～20^°和平移0～15像素后得到变化疵点图像，由原始疵点图像和变化疵点图像组成小样本，小样本的样本总数为500，小样本中共10类疵点图像，小样本中每类疵点图像的数量为50，小样本中每类疵点图像中变化疵点图像的数量占总疵点图像数量的70％；

(3)训练DCNN，如图7所示，具体如下：

(3.1)将小样本划分为训练样本和验证样本，训练样本和验证样本中疵点图像的类别相同，验证样本的样本数占小样本的样本数的10％～20％；

(3.2)令迭代次数g＝1；

(3.3)从训练样本中随机选取w张疵点类别不同的图像，将w张疵点类别不同的图像同压缩观测后得到的新图像输入到DCNN中，DCNN对输入的进行学习并输出编码，其中学习过程就是调整DCNN神经元之间连接权值过程；压缩观测过程如下：

(3.3.1)将疵点图像转化为一维向量，公式如下：

x＝reshape(X)；

式中，X为疵点图像，R表示实数域，I_c为实数域矩阵的行，I_r为实数域矩阵的列，x为一维向量，x∈R^N×1，N＝I_c×I_r；

(3.3.2)进行DCT变换，公式如下：

x＝ΨΘ；

式中，Ψ为稀疏表示矩阵，Ψ∈R^N×N，Θ为投影系数矢量；

(3.3.3)利用随机高斯矩阵、随机伯努利矩阵、托普利兹矩阵和奇异值分解矩阵得到观测向量，公式如下：

式中，y为观测向量，y∈R^M×1，M为观测原始信号得到的向量长度，Φ为观测矩阵，Φ∈R^M×N，A＝ΦΨ，A为压缩感知矩阵；

(3.3.4)映射到图像空间，公式如下：

式中，为观测向量y映射到图像空间的一维向量，Φ^T是观测矩阵Φ的转置矩阵；

(3.3.5)转换为图像，公式如下：

式中，X_out为图像，

(3.4)分别计算被DCNN正确识别的疵点图像的个数占输入的疵点图像总个数的百分率及误差和，并将误差进行反向传播，误差反向传播在每一次训练迭代过程都会执行一次，误差和为DCNN输出的编码与输入到DCNN中的图像的标签的代价熵之和，其中被DCNN正确识别是指DCNN输出的编码的最大值的下标与疵点图像对应的标签的最大值的下标相同；

(3.5)判断是否满足迭代终止条件，即迭代次数g等于最大迭代次数g_max，或被DCNN正确识别的疵点图像的个数占输入的疵点图像总个数的百分率大于85.0％，如果是则进入下一步，反之则令g＝g+1，返回步骤(2.3)，在迭代过程中当训练样本中剩余的图像数小于w时，则将其全部同压缩观测(步骤同(1.2))后得到的新图像输入到DCNN中，其中g_max为训练样本的样本数与w的商，当商为非整数时，则为商的整值加1；

(3.6)将验证样本同压缩观测(步骤同(1.2))后得到的新验证样本输入到DCNN中计算DCNN的识别准确率，如果被DCNN正确识别的疵点图像的个数占输入的疵点图像总个数的百分率高于设定值85.0％则程序结束，反之则重新采集小样本后返回步骤(2.1)，最终的训练结果如图8所示，其中横轴表示训练迭代次数，纵轴表示交叉熵代价函数，模型训练的目的，就是最小化代价函数，从图中可以看出，随着模型训练迭代次数的增加，代价函数逐渐收敛到0附近，这说明本发明中的模型能获得良好的效果；

(4)采集待识别的织物图像经预处理(步骤同(1.1))得到待识别的疵点图像，其中原始疵点织物图像如图5a和图5b所示，最终得到的待识别的疵点图像如图6a和图6b所示；

(5)将待识别的疵点图像输入到训练好的DCNN中，由训练好的DCNN输出编码，查找编码的最大值的下标与标签的最大值的下标相同的标签，根据标签确定疵点类别。

本发明的基于小样本下压缩感知的DCNN纹理疵点识别方法需求样本量小，识别准确率高，能够对织物纹理疵点进行有效分类，同时结果具有很好的泛化能力，对工业织物生产具有重要的现实意义。

Claims (10)

1.基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征是：采集待识别的织物图像，经预处理得到待识别的疵点图像，输入到训练好的DCNN中，由训练好的DCNN输出编码，查找与编码匹配的标签，根据标签确定疵点类别；

所述标签是通过将疵点类别已知的疵点图像输入到DCNN中，然后处理DCNN输出的编码后得到的，每种疵点类别都有对应的标签且各不相同；所述疵点类别已知的疵点图像通过采集疵点类别已知的织物图像后预处理得到；

所述训练好的DCNN是指通过将小样本同压缩观测后得到的新样本输入到DCNN中调整DCNN神经元之间的连接权值得到的识别准确率高于设定值的DCNN；所述小样本由原始疵点图像和变化疵点图像组成，原始疵点图像通过采集标签已知的织物图像后预处理得到，变化疵点图像通过将原始疵点图像旋转和平移后得到；所述小样本中每类疵点图像的数量不大于50；所述识别准确率是指被DCNN正确识别的疵点图像的个数占输入的疵点图像总个数的百分率，所述被DCNN正确识别是指DCNN输出的编码与疵点图像对应的标签匹配；

所述DCNN包括2层卷积层、2层下采样层和3层全连接层。

2.根据权利要求1所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述疵点类别为正常、百脚、断纬、双经、竹节、三跳、吊经、杂物、断经或油污。

3.根据权利要求1所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述预处理的步骤如下：

(1)在织物图像上截取含一种疵点的区域得到过渡图像，所述织物图像的大小为1280×1024×3像素；

(2)调整过渡图像的尺寸为227×227×3像素得到疵点图像。

4.根据权利要求1所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述旋转是指旋转5～20°，所述平移是指平移0～15像素，所述小样本中每类疵点图像中变化疵点图像的数量占总疵点图像数量的70％；

所述压缩观测的具体步骤如下：

(1)将疵点图像转化为一维向量，公式如下：

x＝reshape(X)；

式中，X为疵点图像，R表示实数域，I_c为实数域矩阵的行，I_r为实数域矩阵的列，x为一维向量，x∈R^N×1，N＝I_c×I_r；

(2)进行DCT变换，公式如下：

x＝ΨΘ；

式中，Ψ为稀疏表示矩阵，Ψ∈R^N×N，Θ为投影系数矢量；

(3)利用不同的观测矩阵得到观测向量，公式如下：

<mrow> <mi>y</mi> <mo>=</mo> <mi>&amp;Phi;</mi> <mi>x</mi> <mo>=</mo> <mi>&amp;Phi;</mi> <mi>&amp;Psi;</mi> <mi>&amp;Theta;</mi> <mover> <mo>=</mo> <mi>&amp;Delta;</mi> </mover> <mi>A</mi> <mi>&amp;Theta;</mi> <mo>;</mo> </mrow>

式中，y为观测向量，y∈R^M×1，M为观测原始信号得到的向量长度，Φ为观测矩阵，Φ∈R^{M ×N}，A＝ΦΨ，A为压缩感知矩阵；

(4)映射到图像空间，公式如下：

<mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mi>&amp;Phi;</mi> <mi>T</mi> </msup> <mi>y</mi> <mo>;</mo> </mrow>

式中，为观测向量y映射到图像空间的一维向量，Φ^T是观测矩阵Φ的转置矩阵；

(5)转换为图像，公式如下：

<mrow> <msub> <mi>X</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>r</mi> <mi>e</mi> <mi>s</mi> <mi>h</mi> <mi>a</mi> <mi>p</mi> <mi>e</mi> <mrow> <mo>(</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

式中，X_out为图像，

5.根据权利要求4所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述观测矩阵为随机高斯矩阵、随机伯努利矩阵、托普利兹矩阵和奇异值分解矩阵。

6.根据权利要求1所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述DCNN中各层按数据到达的先后顺序从1开始进行编号，卷积层1的卷积核为11²像素，输出的特征图数目为32，卷积的步长为3像素，卷积层2的卷积核为5²像素，输出的特征图数目为64，卷积的步长为2像素；

下采样层1的采样尺寸为2²像素，采样步长为2像素，下采样层2的采样尺寸为2²像素，采样步长为2像素；

全连接层1包含5184个神经元，全连接层2包含5184个神经元，全连接层3包含2592个神经元。

7.根据权利要求1所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述标签的确定方法为：将多张疵点类别相同且疵点类别已知的疵点图像输入到DCNN中，DCNN输出多个n位编码，确定每个编码中最大值所在的位数，以多个编码中重复率最高的最大值所在的位数为d_max，定义该疵点类别的标签为[L(1),L(2)..L(i)...L(n)]，其中，L(i)表示标签中第i位的数值为L，当i＝d_max时，令L＝1，反之，则令L＝0，依次得到不同疵点类别对应的标签；当无法确定d_max时，或不同疵点类别对应的标签相同时，则增加疵点类别相同的图像的张数后重新确定标签。

8.根据权利要求7所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，编码与标签匹配是指编码与标签中最大值对应下标值相同。

9.根据权利要求8所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述DCNN的具体训练步骤如下：

(1)将小样本划分为训练样本和验证样本，训练样本和验证样本中疵点图像的类别相同；

(2)令迭代次数g＝1；

(3)从训练样本中随机选取w张疵点类别不同的图像，将w张疵点类别不同的图像同压缩观测后得到的新图像输入到DCNN中，DCNN对输入的图像进行学习并输出编码；学习过程就是调整DCNN神经元之间连接权值的过程；

(4)分别计算识别准确率及误差和，并将误差进行反向传播；所述误差和为DCNN输出的编码与输入到DCNN中的图像的标签的代价熵之和；

(5)判断是否满足迭代终止条件，即迭代次数g等于最大迭代次数g_max，或识别准确率大于设定值1，如果是则进入下一步，反之则令g＝g+1，返回步骤(3)，在迭代过程中当训练样本中剩余的图像数小于w时，则将其全部同压缩观测后得到的新图像输入到DCNN中；

(6)将验证样本同压缩观测后得到的新验证样本输入到DCNN中计算DCNN的识别准确率，如果识别准确率高于设定值2则程序结束，反之则重新采集小样本后返回步骤(1)。

10.根据权利要求9所述的基于小样本下压缩感知的DCNN纹理疵点识别方法，其特征在于，所述验证样本的样本数占小样本的样本数的10％～20％，所述小样本的样本总数不大于500；

所述最大迭代次数g_max为训练样本的样本数与w的商，当商为非整数时，则为商的整值加1；

所述设定值1与设定值2相等，为85.0％。