[發(fā)明專利]基于深度學習的實時布匹缺陷檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110334060.7
• 申請日: 2021-03-29
• 公開（公告）號: CN112802016B
• 公開（公告）日: 2023-08-08
• 發(fā)明（設計）人: 張勇;顏庚瀟;趙東寧;廉德亮;梁長垠;曾慶好;何欽煜
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06F18/20;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 深圳市壹壹壹知識產(chǎn)權代理事務所(普通合伙) 44521
• 代理人: 阮帆

1.一種基于深度學習的實時布匹缺陷檢測方法，其特征在于，包括：

步驟1：采集不同種類布匹缺陷圖像，構建缺陷數(shù)據(jù)集；

步驟2：先對缺陷數(shù)據(jù)集的圖像進行數(shù)據(jù)擴充，再使用生成對抗網(wǎng)絡對缺陷數(shù)據(jù)集進行數(shù)據(jù)擴充；

步驟3：對擴充后的缺陷數(shù)據(jù)集進行標注處理；

步驟4：構建深度學習目標檢測網(wǎng)絡進行布匹缺陷檢測；

步驟5：訓練布匹缺陷檢測網(wǎng)絡；

步驟6：利用攝像機對布匹進行實時圖像抓取，將抓取的圖像輸入到訓練好的布匹缺陷檢測網(wǎng)絡中判斷圖像中是否存在缺陷并確定缺陷類別，定位缺陷，最后將結果保存到輸出文件中；

步驟2中，生成對抗網(wǎng)絡由一個生成器G和一個判別器D構成，生成器G接收一個正常的布匹圖像z，然后生成帶有指定缺陷的圖像G(z)，再經(jīng)過判別器D判斷圖像是否屬于原始數(shù)據(jù)集，得到D(G(z))，生成對抗網(wǎng)絡的優(yōu)化公式為：

其中，x表示真實布匹缺陷圖像，z表示輸入生成器G的正常布匹圖像，G(z)表示生成器G生成的缺陷圖像，D(x)表示判別器D判斷真實缺陷圖像是否真實的概率，該概率的值越接近1越好，D(G(z))表示判別器D判斷生成器G生成的圖像是否真實的概率，p_data表示真實數(shù)據(jù)的分布，p_z表示生成器輸入圖像的分布，表示期望，表示判別器D判別樣本是否是從p_data(x)中取出來的期望，表示生成器G生成圖像能夠騙過判別器的期望；

步驟4中，采用YOLOv3檢測網(wǎng)絡架構，并采用Leaky?ReLU作為激活函數(shù)，其表達式為：

其中x_i表示輸入，y_i表示輸出，a_i是(1,+∞)區(qū)間內的固定參數(shù)；

在YOLOv3中，整體loss分為位置坐標損失lbox、置信度損失lobj以及類別損失lcls三部分，公式如下所示：

lloss＝lbox+lobj+lcls；

其中，λ_coord表示定位誤差的權值；x_i,y_i,w_i,h_i表示預測的目標框的位置信息，分別表示框的左上角處的橫坐標，縱坐標以及框的寬度和高度；S²表示網(wǎng)格數(shù)有S*S個，具體為13*13，26*26，52*52，B表示每個網(wǎng)格產(chǎn)生B個候選框anchor?box，表示第i個網(wǎng)格的第j個anchor?box負責預測這個目標的概率，如果負責，則否則該值為0，表示第i個網(wǎng)格的第j個anchor?box不負責預測該目標的概率，與正好相反；p_i(c)表示屬于類別c的概率；c_i表示類別標簽置信度，表示預測的類別置信度。

2.如權利要求1所述的基于深度學習的實時布匹缺陷檢測方法，其特征在于，步驟1中，布匹缺陷種類分為正常、黑點、劃痕、孔、油漬、毛斑、破邊、缺經(jīng)、缺緯、吊弓中的一種或多種，并將采集的圖像的比例切割成512*512大小進行分類。