[發(fā)明專利]基于DDPG-RAM算法的復(fù)雜光照條件下織物缺陷檢測方法

有效

• 申請?zhí)枺?/td>: 201911129224.1
• 申請日: 2019-11-18
• 公開（公告）號: CN110930379B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 柯豐愷;劉歡平;周唯倜;趙大興;孫國棟;馮維
• 申請（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764
• 代理公司: 武漢開元知識產(chǎn)權(quán)代理有限公司 42104
• 代理人: 王和平;張繼巍

1.一種基于DDPG-RAM算法的復(fù)雜光照條件下織物缺陷檢測方法，其特征在于：所述檢測方法如下：

1)采集織物缺陷圖像作為訓(xùn)練樣本；

2)對步驟1)中織物缺陷圖像進(jìn)行預(yù)處理，選用圖像增強(qiáng)算法對復(fù)雜光照條件下的織物圖像進(jìn)行圖像增強(qiáng)；

3)利用步驟2)中圖像增強(qiáng)后的訓(xùn)練樣本對DDPG-RAM模型進(jìn)行訓(xùn)練，確定訓(xùn)練后的網(wǎng)絡(luò)參數(shù)

3.1)構(gòu)建DDPG-RAM模型，并隨機(jī)初始化網(wǎng)絡(luò)參數(shù)；

構(gòu)建DDPG-RAM模型，結(jié)合了深度確定性策略梯度(DDPG)算法和循環(huán)注意力模型(RAM)，該DDPG-RAM模型包括Glimpse網(wǎng)絡(luò)，Core網(wǎng)絡(luò)，Action網(wǎng)絡(luò)，Actor網(wǎng)絡(luò)和Critic網(wǎng)絡(luò)五個(gè)部分，Actor網(wǎng)絡(luò)、Critic網(wǎng)絡(luò)又分別構(gòu)建了兩個(gè)結(jié)構(gòu)完全相同但參數(shù)不同的eval網(wǎng)絡(luò)和target網(wǎng)絡(luò)，從而形成Actor?eval網(wǎng)絡(luò)、Actor?target網(wǎng)絡(luò)、Critic?eval網(wǎng)絡(luò)和Critictarget網(wǎng)絡(luò)共四個(gè)網(wǎng)絡(luò)，其中，Actor網(wǎng)絡(luò)為行為網(wǎng)絡(luò)、Critic網(wǎng)絡(luò)為評價(jià)網(wǎng)絡(luò)、eval網(wǎng)絡(luò)為估計(jì)網(wǎng)絡(luò)和target網(wǎng)絡(luò)為目標(biāo)網(wǎng)絡(luò)，Actor?eval網(wǎng)絡(luò)為行為估計(jì)網(wǎng)絡(luò)、Actor?target網(wǎng)絡(luò)為行為目標(biāo)網(wǎng)絡(luò)、Critic?eval網(wǎng)絡(luò)為評價(jià)估計(jì)網(wǎng)絡(luò)、Critic?target網(wǎng)絡(luò)為為評價(jià)目標(biāo)網(wǎng)絡(luò)；然后對該RAM模型進(jìn)行隨機(jī)初始化，即隨機(jī)初始化Glimpse網(wǎng)絡(luò)、Core網(wǎng)絡(luò)、Action網(wǎng)絡(luò)、Actor?eval網(wǎng)絡(luò)、Critic?eval網(wǎng)絡(luò)的參數(shù)μ(h|θ^μ)、Q(h,l|θ^Q)，以及將Actor?eval網(wǎng)絡(luò)和Critic?eval網(wǎng)絡(luò)的值賦予與之對應(yīng)的target網(wǎng)絡(luò)，即θ^μ→θ^μ'，θ^Q→θ^Q'；

f^g是Glimpse網(wǎng)絡(luò)的縮寫，代表Glimpse網(wǎng)絡(luò)參數(shù)，l和x是Glimpse網(wǎng)絡(luò)的輸入?yún)?shù)，l代表當(dāng)前時(shí)刻裁剪圖像的中心位置，x是被裁剪的完整圖像整體；

f^h是Core網(wǎng)絡(luò)的縮寫，代表Core網(wǎng)絡(luò)參數(shù)，h_t-1和f_g是Core網(wǎng)絡(luò)的輸入?yún)?shù)，h_t-1代表上一時(shí)刻Core網(wǎng)絡(luò)輸出的狀態(tài)參數(shù)；

f^a是Action網(wǎng)絡(luò)的縮寫，代表Action網(wǎng)絡(luò)參數(shù)，h_t是Action?網(wǎng)絡(luò)的輸入?yún)?shù)，代表當(dāng)前時(shí)刻Action網(wǎng)絡(luò)輸出的狀態(tài)參數(shù)；

μ(h|θ^μ)代表Actor?eval網(wǎng)絡(luò)，θ^μ代表Actor?eval網(wǎng)絡(luò)參數(shù)，h是Actor?eval網(wǎng)絡(luò)的輸入?yún)?shù)，代表經(jīng)過當(dāng)前時(shí)刻h_t經(jīng)過全連接處理后的參數(shù)；

Q(h,l|θ^Q)代表Critic?eval網(wǎng)絡(luò)，θ^Q代表Critic?eval網(wǎng)絡(luò)參數(shù)；

θ^μ→θ^μ'代表將Actor?eval網(wǎng)絡(luò)的參數(shù)復(fù)制給Actor?target網(wǎng)絡(luò)，

θ^Q→θ^Q’代表將Critic?eval網(wǎng)絡(luò)的參數(shù)復(fù)制給Critictarget網(wǎng)絡(luò)；

3.2)經(jīng)驗(yàn)池初始化為0，大小為max_size×(2×h_t_dim+2+1)；

設(shè)經(jīng)驗(yàn)池為i行、j列的二維矩陣，二維矩陣中每個(gè)元素的值初始化為0，其中i為樣本容量，j為每個(gè)樣本儲存的信息數(shù)量，經(jīng)驗(yàn)池大小為j＝max_size×(2×h_t_dim+2+1)，其中h_t_dim為狀態(tài)的維度；公式中的數(shù)字2為動作的維度，公式中的數(shù)字1為用于在經(jīng)驗(yàn)池中存儲獎勵(lì)信息的預(yù)留空間；

3.3)構(gòu)造一個(gè)隨機(jī)正態(tài)分布N對注意力位置施加干擾

3.4)對DDPG-RAM模型進(jìn)行訓(xùn)練

4)利用訓(xùn)練后的DDPG-RAM算法對復(fù)雜光照條件下織物缺陷圖像進(jìn)行缺陷檢測。