[發(fā)明專利]一種基于端到端神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811575580.1
• 申請(qǐng)日: 2018-12-22
• 公開(kāi)（公告）號(hào): CN109613006A
• 公開(kāi)（公告）日: 2019-04-12
• 發(fā)明（設(shè)計(jì)）人: 劉洲峰;李春雷;丁淑敏;劉閃亮;董燕
• 申請(qǐng)（專利權(quán)）人: 中原工學(xué)院
• 主分類號(hào): G01N21/88
• 分類號(hào): G01N21/88;G06K9/62;G06K9/46;G06N3/04
• 代理公司: 鄭州優(yōu)盾知識(shí)產(chǎn)權(quán)代理有限公司 41125
• 代理人: 張紹琳;栗改

本發(fā)明提出了一種基于端到端神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測(cè)方法，其步驟如下：設(shè)定SSD神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，將織物疵點(diǎn)數(shù)據(jù)庫(kù)中的織物疵點(diǎn)圖像輸入設(shè)定的SSD神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到深度學(xué)習(xí)的織物檢測(cè)模型；將待檢測(cè)的織物圖像輸入到步驟一訓(xùn)練好的織物檢測(cè)模型，對(duì)織物圖像進(jìn)行特征提取，選取出多個(gè)可能是疵點(diǎn)目標(biāo)的候選框；基于設(shè)定好的判別閾值對(duì)步驟二中的候選框進(jìn)行判別得到最終的疵點(diǎn)目標(biāo)，利用疵點(diǎn)目標(biāo)所在候選框的交并比閾值選擇疵點(diǎn)目標(biāo)框，存儲(chǔ)疵點(diǎn)的位置坐標(biāo)信息并輸出疵點(diǎn)目標(biāo)框。本發(fā)明對(duì)平紋織物和模式織物均具有很好的自適應(yīng)性及檢測(cè)性能，擴(kuò)大了使用范圍；檢測(cè)速率快，有效解決人工檢測(cè)速度慢的問(wèn)題；模型易訓(xùn)練，操作簡(jiǎn)單。

技術(shù)領(lǐng)域

本發(fā)明涉及紡織品圖像處理中織物疵點(diǎn)檢測(cè)的技術(shù)領(lǐng)域，尤其涉及一種基于端到端神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測(cè)方法，對(duì)織物疵點(diǎn)圖像的疵點(diǎn)進(jìn)行檢測(cè)和定位。

背景技術(shù)

我國(guó)是紡織品大國(guó)，紡織產(chǎn)業(yè)在社會(huì)經(jīng)濟(jì)中占有重要地位，其中織物質(zhì)量是關(guān)鍵問(wèn)題，織物疵點(diǎn)檢測(cè)更是紡織品質(zhì)量控制的重要環(huán)節(jié)。目前，絕大部分的工業(yè)生產(chǎn)線仍在使用人工進(jìn)行疵點(diǎn)檢測(cè)，傳統(tǒng)的人工檢查結(jié)果受人類的主觀影響大，而且速度慢、效率低，使得檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性難以保證。隨著機(jī)器視覺(jué)的不斷進(jìn)步與發(fā)展，圖像處理技術(shù)與深度學(xué)習(xí)算法也逐漸被應(yīng)用到紡織品行業(yè)中來(lái)，這些技術(shù)的發(fā)展與應(yīng)用使得自動(dòng)化織物疵點(diǎn)檢測(cè)得以實(shí)現(xiàn)，因此，相較于傳統(tǒng)人工檢測(cè)疵點(diǎn)的方法，其達(dá)到了速度快，效率高的目的。

目前，已有的傳統(tǒng)的織物疵點(diǎn)檢測(cè)方法按照采用技術(shù)的不同，可以分為三大類：一是統(tǒng)計(jì)分析方法通過(guò)比對(duì)圖像塊之間的統(tǒng)計(jì)特征進(jìn)行疵點(diǎn)檢測(cè)，然而現(xiàn)有特征方法很難有效描述復(fù)雜多樣的織物紋理，檢測(cè)效果不理想；二是頻域分析方法，如傅里葉變換、小波變換、Gabor濾波器等，該類方法性能依賴于濾波器組的選擇，且計(jì)算復(fù)雜度相對(duì)較高；三是模型方法，如高斯-馬爾科夫隨機(jī)場(chǎng)(GMRF)等，計(jì)算量大，實(shí)現(xiàn)比較復(fù)雜。

當(dāng)今，隨著科學(xué)技術(shù)的不斷發(fā)展，深度神經(jīng)網(wǎng)絡(luò)算法在目標(biāo)檢測(cè)領(lǐng)域的應(yīng)用有了很大的發(fā)展與提高，對(duì)于圖像目標(biāo)檢測(cè)，深度神經(jīng)網(wǎng)絡(luò)算法需要大量的圖片作為模型訓(xùn)練支撐。而織物疵點(diǎn)檢測(cè)也屬于目標(biāo)檢測(cè)的范疇，而且織物圖像易于拍攝，為深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練提供了訓(xùn)練圖像的支撐，有望將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用在織物疵點(diǎn)檢測(cè)的工業(yè)現(xiàn)場(chǎng)。原有的SSD網(wǎng)絡(luò)模型對(duì)織物疵點(diǎn)檢測(cè)效果并不理想。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有的織物疵點(diǎn)檢測(cè)方法對(duì)織物疵點(diǎn)檢測(cè)效果差，計(jì)算量大的技術(shù)問(wèn)題，本發(fā)明提出一種基于端到端神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測(cè)方法，對(duì)已有的SSD深度神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)進(jìn)行織物疵點(diǎn)檢測(cè)，能夠自動(dòng)識(shí)別疵點(diǎn)，并對(duì)識(shí)別出的疵點(diǎn)標(biāo)記確定疵點(diǎn)位置信息，適用于多維和紋理復(fù)雜的織物圖像。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：一種基于端到端神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測(cè)方法，其步驟如下：

步驟一：設(shè)定SSD神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，將織物疵點(diǎn)數(shù)據(jù)庫(kù)中的織物疵點(diǎn)圖像輸入設(shè)定的SSD神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到深度學(xué)習(xí)的織物檢測(cè)模型；

步驟二：將待檢測(cè)的織物圖像輸入到步驟一訓(xùn)練好的織物檢測(cè)模型，對(duì)織物圖像進(jìn)行特征提取，選取出多個(gè)可能是疵點(diǎn)目標(biāo)的候選框；

步驟三：基于設(shè)定好的判別閾值對(duì)步驟二中的候選框進(jìn)行判別得到最終的疵點(diǎn)目標(biāo)，利用疵點(diǎn)目標(biāo)所在候選框的交并比閾值選擇疵點(diǎn)目標(biāo)框，存儲(chǔ)疵點(diǎn)的位置坐標(biāo)信息并輸出疵點(diǎn)目標(biāo)框。

所述SSD神經(jīng)網(wǎng)絡(luò)模型是基于前饋卷積網(wǎng)絡(luò)VGG-16的網(wǎng)絡(luò)結(jié)構(gòu)，VGG-16網(wǎng)絡(luò)結(jié)構(gòu)生成固定大小的候選框集，并在候選框框中顯示對(duì)象類實(shí)例，接著采用非最大的抑制方法來(lái)產(chǎn)生最終的檢測(cè)結(jié)果，并顯示目標(biāo)類、對(duì)應(yīng)目標(biāo)概率及目標(biāo)框；SSD神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)包括網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元的權(quán)值及偏置值；SSD神經(jīng)網(wǎng)絡(luò)模型的最初學(xué)習(xí)率為0.001、最小學(xué)習(xí)率為0.00001、最小損失值為0.5，最大訓(xùn)練迭代步數(shù)為20000。