[發明專利]基于DDPG-RAM算法的復雜光照條件下織物缺陷檢測方法

有效

• 申請號: 201911129224.1
• 申請日: 2019-11-18
• 公開（公告）號: CN110930379B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 柯豐愷;劉歡平;周唯倜;趙大興;孫國棟;馮維
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 王和平;張繼巍

本發明公開了一種基于DDPG?RAM算法的復雜光照條件下織物缺陷檢測方法，采集織物缺陷圖像作為訓練樣本?對織物缺陷圖像進行圖像增強?利用圖像增強后的訓練樣本對DDPG?RAM模型進行訓練，確定訓練后的網絡參數?利用訓練后的DDPG?RAM模型對織物缺陷圖像進行缺陷檢測。實現了織物缺陷的自動檢測，且運行速度快，具有更高的準確性，效果更好。

技術領域

本發明涉及織物缺陷檢測技術領域，具體涉及一種基于?DDPG-RAM算法的復雜光照條件下織物缺陷檢測方法。

背景技術

強化學習自從上世紀提出以來就廣受關注，作為機器學習的一大分支，相較于監督學習和非監督學習，強化學習是在不斷與環境的交互中學習狀態和行為之間的映射關系從而使得數值回報達到最大化，在缺陷檢測方面，強化學習針對不同缺陷種類和不同缺陷的表現形式都有著都有著學習能力，目前應用最為廣泛的模型是基于?Q-learning、DPG和DDPG模型算法，DDPG算法是利用DQN擴展?Q-learning學習算法對DPG改造后得到的，針對前兩種模型只能離散輸出的問題，DDPG應用一種基于Actor-Critic框架的算法，解決了連續空間上的深度強化學習問題，相較于之前的深度學習算法在環境適應力上都有著顯著的優勢，另一方面，對圖像的特征識別，循環注意力模型(RAM)通過模仿人眼的注意力機制充分的結合CNN?和RNN在缺陷識別上的優勢，通常處理大規模圖像特征識別。

針對織物缺陷檢測的問題，傳統方法是基于CNN模型構建多層網絡針對織物特定的缺陷進行識別和分類的，此類模型較為復雜且當輸入圖像數據量較大時就有著明顯的劣勢了，而且當缺陷種類較多時傳統模型不能自動識別。

發明內容

本發明的目的就是針對上述技術的不足，提供一種能自動檢測基于DDPG-RAM算法的復雜光照條件下織物缺陷檢測方法。

為實現上述目的，本發明所設計的基于DDPG-RAM算法的復雜光照條件下織物缺陷檢測方法如下：

1)采集織物缺陷圖像作為訓練樣本；

2)對步驟1)中織物缺陷圖像進行預處理，選用圖像增強算法對復雜光照條件下的織物圖像進行圖像增強；

3)利用步驟2)中圖像增強后的訓練樣本對DDPG-RAM模型進行訓練，確定訓練后的網絡參數

3.1)構建DDPG-RAM模型，并隨機初始化網絡參數；

構建DDPG-RAM模型，結合了深度確定性策略梯度(DDPG)?算法和循環注意力模型(RAM)，該DDPG-RAM模型包括Glimpse?網絡，Core網絡，Action網絡，Actor網絡和Critic網絡五個部分，?Actor網絡、Critic網絡又分別構建了兩個結構完全相同但參數不同的eval網絡和target網絡，從而形成Actor?eval網絡、Actor?target?網絡、Critic?eval網絡和Critic?target網絡共四個網絡，其中，Actor?網絡為行為網絡、Critic網絡為評價網絡、eval網絡為估計網絡和?target網絡為目標網絡，Actor?eval網絡為行為估計網絡、Actortarget?網絡為行為目標網絡、Critic?eval網絡為評價估計網絡、Critic?target?網絡為為評價目標網絡；然后對該RAM模型進行隨機初始化，即隨機初始化Glimpse網絡、Core網絡、Action網絡、Actor?eval網絡、?Critic?eval網絡的參數μ(h|θ^μ)、?Q(h,l|θ^Q)，以及將Actor?eval網絡和Critic?eval網絡的值賦予與之對應的target網絡，即θ^μ→θ^μ'，θ^Q→θ^Q'；

3.2)經驗池初始化為0，大小為max_size×(2×h_t_dim+2+1)；