[發(fā)明專利]一種紡織布疵點(diǎn)檢測(cè)模型及其訓(xùn)練方法和應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 201810238038.0
• 申請(qǐng)日: 2018-03-21
• 公開（公告）號(hào): CN108520114B
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 孫志剛;禹萬泓;江湧;王卓;肖力
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;G01N21/88;G06N3/04;G06N3/08
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 李智;曹葆青

本發(fā)明公開了一種紡織布疵點(diǎn)檢測(cè)模型及其訓(xùn)練方法和應(yīng)用，其中訓(xùn)練方法包括采集樣本紡織布疵點(diǎn)圖像，建立數(shù)據(jù)集，基于YOLOv2建立紡織布疵點(diǎn)檢測(cè)模型；在訓(xùn)練模型前使用維度聚類，在訓(xùn)練模型時(shí)，進(jìn)行直接坐標(biāo)預(yù)測(cè)、損失值計(jì)算、反向傳播，得到當(dāng)前網(wǎng)絡(luò)權(quán)重參數(shù)；利用當(dāng)前網(wǎng)絡(luò)權(quán)重參數(shù)更新紡織布疵點(diǎn)檢測(cè)模型的網(wǎng)絡(luò)權(quán)重參數(shù)，然后利用訓(xùn)練集進(jìn)行多次網(wǎng)絡(luò)權(quán)重計(jì)算與更新，得到最優(yōu)網(wǎng)絡(luò)權(quán)重參數(shù)，即得到訓(xùn)練好的紡織布疵點(diǎn)檢測(cè)模型。然后實(shí)時(shí)采集紡織布圖像，利用訓(xùn)練好的紡織布疵點(diǎn)檢測(cè)模型進(jìn)行檢測(cè)，得到紡織布圖像的疵點(diǎn)檢測(cè)結(jié)果。利用本發(fā)明的紡織布疵點(diǎn)檢測(cè)模型進(jìn)行疵點(diǎn)準(zhǔn)確率高、實(shí)時(shí)性強(qiáng)、通用性。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)與計(jì)算機(jī)視覺技術(shù)領(lǐng)域，更具體地，涉及一種紡織布疵點(diǎn)檢測(cè)模型及其訓(xùn)練方法和應(yīng)用。

背景技術(shù)

在世界的紡織工業(yè)的生產(chǎn)與發(fā)展中，對(duì)紡織布的質(zhì)量檢測(cè)一直是一項(xiàng)非常重要的環(huán)節(jié)。但是在傳統(tǒng)的紡織布的質(zhì)量檢測(cè)中，由于沒有很好的自動(dòng)化檢測(cè)工具，大多的方案還是通過人工視覺去做判斷，然而這種方案一方面依賴于人工的熟練程度，另一方面工人長(zhǎng)時(shí)間工作容易疲勞，準(zhǔn)確度難以保證。隨著紡織布的生產(chǎn)量與生產(chǎn)速度的劇增，用人工視覺的方法愈發(fā)的不適應(yīng)現(xiàn)代紡織工業(yè)的需求，急需要尋求一種自動(dòng)，準(zhǔn)確，快速進(jìn)行質(zhì)量或者疵點(diǎn)檢測(cè)的方法。目前，國(guó)內(nèi)對(duì)紡織布疵點(diǎn)的檢測(cè)方法有基于統(tǒng)計(jì)的檢測(cè)方法，基于頻域的檢測(cè)方法，基于模型的，以及基于機(jī)器視覺的方法，但是由于紡織布的疵點(diǎn)種類較多，紋理復(fù)雜，這些方法往往運(yùn)算量大，速度慢，并且常常僅能針對(duì)某些特定類型的疵點(diǎn)做檢測(cè)。

由此可見，現(xiàn)有紡織布疵點(diǎn)的檢測(cè)方法存在準(zhǔn)確率低、實(shí)時(shí)性差和不具有通用性的技術(shù)問題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種紡織布疵點(diǎn)檢測(cè)模型及其訓(xùn)練方法和應(yīng)用，由此解決現(xiàn)有紡織布疵點(diǎn)的檢測(cè)方法存在準(zhǔn)確率低、實(shí)時(shí)性差和不具有通用性的技術(shù)問題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種紡織布疵點(diǎn)檢測(cè)模型的訓(xùn)練方法，包括：

(1)采集樣本紡織布疵點(diǎn)圖像，對(duì)樣本紡織布疵點(diǎn)圖像進(jìn)行標(biāo)記得到疵點(diǎn)類別和包含疵點(diǎn)的真實(shí)框，進(jìn)而建立數(shù)據(jù)集，基于YOLOv2建立紡織布疵點(diǎn)檢測(cè)模型；

(2)對(duì)數(shù)據(jù)集中的真實(shí)框進(jìn)行維度聚類，得到固定框，將固定框應(yīng)用于紡織布疵點(diǎn)檢測(cè)模型，利用直接坐標(biāo)預(yù)測(cè)得到預(yù)測(cè)框，利用損失函數(shù)基于預(yù)測(cè)框進(jìn)行損失值計(jì)算，得到預(yù)測(cè)誤差，利用預(yù)測(cè)誤差進(jìn)行反向傳播，得到當(dāng)前網(wǎng)絡(luò)權(quán)重參數(shù)；

(3)利用當(dāng)前網(wǎng)絡(luò)權(quán)重參數(shù)更新紡織布疵點(diǎn)檢測(cè)模型的網(wǎng)絡(luò)權(quán)重參數(shù)，然后利用訓(xùn)練集進(jìn)行多次網(wǎng)絡(luò)權(quán)重計(jì)算與更新，得到最優(yōu)網(wǎng)絡(luò)權(quán)重參數(shù)，即得到訓(xùn)練好的紡織布疵點(diǎn)檢測(cè)模型。

進(jìn)一步地，樣本紡織布疵點(diǎn)圖像包括：斷經(jīng)圖像、斷緯圖像、破洞圖像、異物圖像、油污圖像和折痕圖像。

進(jìn)一步地，紡織布疵點(diǎn)檢測(cè)模型基于YOLOv2框架，總共32層，包含23個(gè)Convolutional層Conv1～Conv23、5個(gè)Maxpool層Max1～Max5、兩個(gè)Route層Route1～Route2、一個(gè)Reorg層Reorg1、一個(gè)Softmax層Softmax1，所述紡織布疵點(diǎn)檢測(cè)模型的級(jí)聯(lián)方式為Convl依次連接Max1、Conv2、Max2、Conv3～Conv5、Max3、Conv6～Conv8、Max4、Conv9～Conv13、Max5、Conv14～Conv20、Route1、Conv21、Reorg1、Route2、Conv22、Conv23和Softmax1。

進(jìn)一步地，紡織布疵點(diǎn)檢測(cè)模型中的Conv1～Conv22在進(jìn)行卷積前均進(jìn)行批歸一化，Conv1～Conv22在進(jìn)行卷積后均使用leaky-ReLU激活函數(shù)；Conv23在卷積前沒有進(jìn)行批歸一化，在卷積后使用linear激活函數(shù)。

進(jìn)一步地，紡織布疵點(diǎn)檢測(cè)模型在訓(xùn)練過程中采用多尺度訓(xùn)練。

進(jìn)一步地，步驟(2)包括：