[發明專利]一種基于卷積神經網絡的面料疵點檢測方法

在審

• 申請號: 202010345964.5
• 申請日: 2020-04-27
• 公開（公告）號: CN111553898A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 陳廣鋒;唐云卿;王軍舟;周敏飛
• 申請（專利權）人: 東華大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發明公開了一種基于卷積神經網絡的面料疵點檢測方法，主要針對傳統面料疵點檢測方法受光照影響較大且檢測效率低的問題。本方法首先將面料疵點數據分為訓練集與測試集，采用高斯濾波、光照均衡化和隨機調整圖像亮度相結合的圖像處理方法對數據集進行預處理，提高了面料疵點檢測模型對光照的抗干擾能力，再利用聚類算法獲得模型訓練時需要的面料疵點候選框尺寸，在此基礎上設計針對面料疵點檢測的卷積神經網絡，提高了對面料疵點的特征提取能力，通過設計損失函數并對設計的卷積神經網絡進行訓練獲得面料疵點檢測模型，并利用模型對面料疵點進行檢測。本發明能夠實現對面料疵點的快速檢測并且具有很高的檢測精度，且檢測性能受光照的影響較小。

技術領域

本發明涉及一種基于卷積神經網絡的面料疵點檢測方法，屬于面料疵點檢測領域。

背景技術

面料疵點的檢測是面料生產中非常重要的一環，在生產中面料疵點產生后，如果不能及時進行處理，會導致大量廢布的產生，造成經濟損失?，F如今面料疵點的檢測方法主要有兩種：第一種基于傳機器視覺的檢測方法，主要包括基于頻域、基于統計和基于學習的檢測方法，基于頻域、基于統計的方法一定程度上解放了人力，但其抗干擾能力和識別分類能力較弱；第二類是基于深度學習的檢測方法，但并沒有考慮光照變化對于檢測效果的影響。

趙志勇在《基于深度學習的布匹缺陷識別與檢測研究》中提出了一種改進的Faster R-CNN檢測算法，通過分類器獲得圖像對應的類別，在采用對應Faster R-CNN模型進行檢測以獲得疵點的種類與位置。但由于Faster R-CNN的兩階段檢測模式，其檢測速度相對較慢且并沒有考慮光照的影響。

發明內容

本發明要解決的技術問題是目前面料疵點檢測方法速度相對較慢且沒有考慮光照影響的問題。

為了解決上述技術問題，本發明的技術方案是提供了一種基于卷積神經網絡的面料疵點檢測方法，其特征在于，包括以下步驟：

步驟1、設計針對面料疵點檢測的卷積神經網絡結構，所述的網絡結構由兩部分組成，包括面料疵點特征提取網絡和面料疵點定位網絡端對端的結構特點提高了模型的檢測速度；

步驟2、設計損失函數用于神經網絡的訓練，損失函數由四部分組成，分別是含有疵點的置信度的損失值，疵點坐標位置的損失值，疵點邊界框尺寸的損失值以及疵點類別的損失值；

步驟3、確定需要檢測的面料種類，其疵點種類和尺寸具有多樣性；

步驟4、構建待檢測面料的疵點數據集，并按照7:3的比例劃分訓練集和測試集；

步驟5、通過聚類算法獲得8個面料疵點邊界框的候選尺寸，用于神經網絡訓練時面料疵點邊界框尺寸的回歸；

步驟6、將訓練集與測試集的面料疵點圖均進行圖像預處理，以減小光照以及噪聲對于檢測效果的影響；

步驟7、利用構建的訓練集中的面料疵點樣本，設定初始學習率并采用自適應學習率算法，并采用Adam方法對網絡進行訓練，以縮小模型預測的面料疵點的種類、位置和尺寸與實際疵點之間的誤差，進而獲得面料疵點的檢測模型，并利用構建的測試集對模型的性能進行評估；對不滿足要求的面料疵點檢測模型進行分析并調整圖像預處理和模型訓練中的參數；對于滿足要求的模型可用于步驟8中的檢測；

步驟8、將待檢測的面料疵點圖片進行圖像預處理，再送入面料疵點檢測模型中，獲得檢測結果。

由于采用了上述的技術方案，本法發明與現有技術相比，具有以下的優點和積極效果：本發明采用深度學習的方法進行了面料疵點的檢測提高了檢測的效率以及對光照的抗干擾性本發明優點在于。

附圖說明

圖1是本發明的面料疵點檢測方法流程圖；

圖2是本發明針對面料疵點檢測的卷積神經網絡結構圖；