[發明專利]一種基于深度神經網絡的布匹疵點檢測方法和系統

有效

• 申請號: 202010179203.7
• 申請日: 2020-03-14
• 公開（公告）號: CN111462051B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 孫志剛;劉文龍;張凱;肖力;王卓
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種基于深度神經網絡的布匹疵點檢測方法和系統，屬于模式識別技術領域。包括：使用疵點布匹圖像訓練集訓練深度神經網絡模型，標簽為疵點類型和真實框位置信息，深度神經網絡模型由主干網絡和檢測網絡構成，主干網絡用于從疵點布匹圖像中提取三個尺度不同特征圖；檢測網絡包括：三個結構相同的檢測子網絡和檢測結果融合模塊，每個檢測子網絡用于從特征圖中檢測出疵點類型和預測框位置信息，由三個密集連接塊組成，密集塊之間的特征通道連接加強特征傳遞，檢測結果融合模塊用于對預測結果非極大值抑制，得到最終預測框和疵點類型，將待測布匹輸入訓練好的深度神經網絡模型，得到檢測結果，從而更快更準確檢測布匹中疵點的類型和位置。

技術領域

本發明屬于機器視覺與模式識別技術領域，更具體地，涉及一種基于深度神經網絡的布匹疵點檢測方法和系統。

背景技術

我國布匹產量大、廠家眾多，但多數廠家的產品屬于中低端產品，其中80％的廠家生產中低檔紡織品，只生產低質量低價格紡織品的企業有4％，而高質量紡織品的生產廠家只有10％左右。要想提高布匹的質量，就必須對布匹上的疵點進行檢測。

由于布匹疵點形狀各異，特征比較復雜，所以傳統的布匹檢測方法精度一直不高，并且傳統的布匹疵點檢測方法受外界環境影響比較大，穩定性不好，不具備通用性。專利CN108520114A“一種紡織布疵點檢測模型及其訓練方法和應用”，公開了基于深度學習框架YOL0v2構建紡織布疵點檢測模型，它通過多層卷積操作對圖像特征進行提取和融合，并且使用了固定框、維度聚類、直接坐標預測、多尺度訓練、批歸一化進行網絡優化。西安工程大學的劉嬈在論文“卷積神經網絡在紡織品缺陷檢測中的應用研究”中提出YOLOV3缺陷檢測模型，基礎網絡采用Darknet-53，分類器使用多個logistic分類器代替使用Softmax對每個框進行分類，同時增加了多尺度預測。

但是，YOLOV2對于小目標的檢測能力比較弱，而布匹中具有不同大小的疵點，導致對于一些小的疵點YOLOV2檢測精度不理想，準確率較低。YOLOV3檢測網絡過于復雜，參數較多，導致檢測實時性差的技術問題。

發明內容

針對現有技術紡織布疵點檢測方法存在準確率低、實時性差和不具有通用性的技術問題，本發明提供了一種基于深度神經網絡的布匹疵點檢測方法，其目的在于通過本發明設計的深度神經網絡模型，更快更準確檢測布匹中疵點的類型和位置。

為實現上述目的，按照本發明的第一方面，提供了一種基于深度神經網絡的布匹疵點檢測方法，該方法包括以下步驟：

S1.使用疵點布匹圖像訓練集訓練深度神經網絡模型，訓練樣本的標簽為疵點類型和真實框位置信息，所述深度神經網絡模型由主干網絡和檢測網絡構成，所述主干網絡用于從疵點布匹圖像中提取三個尺度不同的特征圖；所述檢測網絡包括：三個結構相同的檢測子網絡和一個檢測結果融合模塊，第i個檢測子網絡用于從第i個尺度的特征圖中檢測出疵點類型和預測框的位置信息，每個檢測子網絡由三個密集連接塊組成，通過密集塊之間的特征通道連接加強特征傳遞，所述檢測結果融合模塊用于根據預測框和真實框的交并比和中心距，對三個預測結果進行非極大值抑制，得到最終的預測框和對應疵點類型，i＝1，2，3；

S2.將待測布匹輸入訓練好的深度神經網絡模型，得到布匹疵點檢測結果。

優選地，每個密集連接塊由三路輸出組成，第一路為1個第一Convolutional結構，第二路為2個第一Convolutional結構級聯，第三路為3個第一Convolutional結構級聯，在經過三路Convolutional結構之前，使用1個第二Convolutional結構進行特征通道壓縮，形成Bottleneck結構。

優選地，Convolutional結構由卷積層、批歸一化層、激活層組成，將卷積層與批歸一化層合并。

優選地，非極大值抑制的衡量指標如下：