[發明專利]一種紡織布疵點檢測模型及其訓練方法和應用

有效

• 申請號: 201810238038.0
• 申請日: 2018-03-21
• 公開（公告）號: CN108520114B
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 孫志剛;禹萬泓;江湧;王卓;肖力
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G01N21/88;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

1.一種紡織布疵點檢測模型的訓練方法，其特征在于，包括：

(1)采集樣本紡織布疵點圖像，對樣本紡織布疵點圖像進行標記得到疵點類別和包含疵點的真實框，進而建立數據集，基于YOLOv2建立紡織布疵點檢測模型；

(2)對數據集中的真實框進行維度聚類，得到固定框，將固定框應用于紡織布疵點檢測模型，利用直接坐標預測得到預測框，利用損失函數基于預測框進行損失值計算，得到預測誤差，利用預測誤差進行反向傳播，得到當前網絡權重參數；

(3)利用當前網絡權重參數更新紡織布疵點檢測模型的網絡權重參數，然后利用訓練集進行多次網絡權重計算與更新，得到最優網絡權重參數，即得到訓練好的紡織布疵點檢測模型；

所述步驟(2)包括：

(2-1)對于數據集中的真實框進行維度聚類得到聚類框，利用聚類框與真實框的交并比IOU(box，centroid)得到距離度量中心偏差值d(box，centroid)＝1-IOU(box，centroid)，當距離度量中心偏差值小于等于度量閾值時，得到固定框的寬高；

(2-2)將固定框應用于紡織布疵點檢測模型，根據固定框的寬高得到預測中心相對參數和寬高相對參數后，利用直接坐標預測得到預測框的中心坐標和預測框的寬高；

(2-3)利用損失函數基于預測框的中心坐標和預測框的寬高進行損失計算，得到預測誤差，利用預測誤差進行反向傳播，得到當前網絡權重參數；

所述損失函數為：

其中，loss為預測誤差，損失函數的第一行公式表示包含疵點和不包含疵點的網格的置信度損失，為第i個網格包含疵點的置信度，C_i為第i個網格中是否有疵點，C_i為1或0，表示遍歷i個網格中的j個預測框中不包含疵點的預測框，表示遍歷i個網格中的j個預測框中包含疵點的預測框；損失函數的第二行公式表示類別預測的損失和梯度，為第i個網格預測的類別值，p_i(c)為第i個網格的真實類別值，損失函數的第三行公式表示預測框的邊框信息梯度，w_i和h_i表示第i個網格中真實框的寬和高，和表示第i個網格中預測框的寬和高，(x_i，y_i)表示第i個網格中真實框的中心坐標，表示第i個網格中預測框的中心坐標，損失函數的第四行公式表示不包含疵點預測框的梯度，(p_jx，p_jy)表示不包含疵點的第j個預測框的中心坐標，p_jw和p_jh表示不包含疵點的第j個預測框的寬和高，l.w和l.h均為13，l.n為5，λ_noobj＝1，λ_obj＝5，λ_class＝1，λ_coord＝1。

2.如權利要求1所述的一種紡織布疵點檢測模型的訓練方法，其特征在于，所述樣本紡織布疵點圖像包括：斷經圖像、斷緯圖像、破洞圖像、異物圖像、油污圖像和折痕圖像。

3.如權利要求1或2所述的一種紡織布疵點檢測模型的訓練方法，其特征在于，所述紡織布疵點檢測模型基于YOLOv2框架總共32層，包含23個Convolutional層Conv1～Conv23、5個Maxpool層Max1～Max5、兩個Route層Route1～Route2、一個Reorg層Reorg1、一個Softmax層Softmax1，所述紡織布疵點檢測模型的級聯方式為Conv1依次連接Max1、Conv2、Max2、Conv3～Conv5、Max3、Conv6～Conv8、Max4、Conv9～Conv13、Max5、Conv14～Conv20、Routel、Conv21、Reorg1、Route2、Conv22、Conv23和Softmax1。

4.如權利要求3所述的一種紡織布疵點檢測模型的訓練方法，其特征在于，所述紡織布疵點檢測模型中的Conv1～Conv22在進行卷積前均進行批歸一化，Conv1～Conv22在進行卷積后均使用leaky-ReLU激活函數；Conv23在卷積前沒有進行批歸一化，在卷積后使用linear激活函數。