[發明專利]一種基于深度學習的織物缺陷像素級分類方法

有效

• 申請號: 201910775145.1
• 申請日: 2019-08-21
• 公開（公告）號: CN110490858B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 景軍鋒;王震;張緩緩;蘇澤斌
• 申請（專利權）人: 西安工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/764
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王蕊轉

本發明提供一種基于深度學習的織物缺陷像素級分類方法，具體按照如下步驟實施：步驟1，采集有缺陷的織物圖像組成圖片集；步驟2，建立MobileNetV2網絡模型；步驟3，用MobileNetV2網絡模型對預訓練集進行訓練；步驟4，建立Mobile?Unet網絡模型；步驟5利用Mobile?Unet網絡模型對訓練集進行訓練；步驟6，訓練好的Mobile?Unet網絡模型對輸入圖片進行分類，輸出分類后的圖像。本發明能夠對有缺陷織物進行像素級分割，且本發明中參數與模型更小，提高了算法的魯棒性。

技術領域

本發明屬于圖像分割技術領域，涉及一種基于深度學習的織物缺陷像素級分類方法。

背景技術

紡織行業競爭日趨激烈，布匹織造完成后的最后一個工序通常是織物缺陷檢測，進而評價產品等級，質量的優劣程度對紡織生產影響巨大，各大紡織企業面臨著低成本，高標準，效率高的巨大壓力。針對織物表面缺陷檢測，眾多國內外學者做了相關研究。這些檢測方法可以分為三類：基于統計的方法、基于頻域的方法、基于模型的方法、基于學習的方法。基于統計的方法依賴參數的選擇，準確性較差、精度不高。基于頻域的方法檢測結果依賴于濾波器的選擇，對復雜紋理織物檢測效果差。基于模型的方法計算量較大，難以滿足實時性的要求。以上方法給紋理缺陷機器視覺檢測開辟了很好的道路，但在尋求對多變紋理適應性強的魯棒性方法上有待進一步研究。

發明內容

本發明的目的是提供一種基于深度學習的織物缺陷像素級分類方法，能夠對有缺陷織物進行像素級分割，且本發明中參數與模型更小，提高了算法的魯棒性。

本發明所采用的技術方案是一種基于深度學習的織物缺陷像素級分類方法，具體按照如下步驟實施：

步驟1，采集有缺陷的織物圖像，組成圖片集；

步驟2，建立MobileNetV2網絡模型；

步驟3，對圖片集進行圖片分類，分類好的圖片集組成預訓練集，利用MobileNetV2網絡模型對預訓練集進行訓練；

步驟4，建立Mobile-Unet網絡模型，Mobile-Unet網絡模型由編碼部分和解碼部分組成，編碼部分為MobileNetV2網絡模型中訓練好的Inverted Residual卷積模塊；

步驟5將圖片集分為兩部分，一部分為測試集；對另一部分進行像素級標記，標記好的圖片作為訓練集，利用Mobile-Unet網絡模型對訓練集進行訓練；

步驟6，從測試集中選取一張圖片作為輸入圖片，利用步驟5中訓練好的Mobile-Unet網絡模型對輸入圖片進行分類，輸出分類后的圖像。

本發明的特點還在于，

MobileNetV2網絡模型包括Inverted Residual卷積模塊和全連接分類層，Inverted Residual卷積模塊包括三層卷積，第一層卷積與第三層卷積為卷積核大小為1*1的傳統卷積，第二層卷積核大小為3*3的depth-wise卷積。

解碼部分為與編碼部分相對應的反卷積模塊。

Mobile-Unet網絡模型在構建中采用頻加權損失函數解決樣本中數據不均衡的問題。

本發明的有益效果是

一、depth-wise卷積相比與傳統的卷積，模型參數更小，耗時更少；

二、本發明中采用的Mobile-Unet網絡模型相比于主流算法的模型，其的參數大小與模型大小更小的，其計算量更小，計算速度更快，提高了算法的魯棒性。

三、本發明一種基于深度學習的織物缺陷像素級分類方法的分割精度更高、分割更準確。

附圖說明

圖1是本發明一種基于深度學習的織物缺陷像素級分類方法的算法流程圖；