[發明專利]基于深度支持向量數據描述模型的拉鏈異常檢測方法

有效

• 申請號: 202110487679.1
• 申請日: 2021-05-06
• 公開（公告）號: CN113222926B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 高新波;梁棟;路文;李庚桓;何立火
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于深度支持向量數據描述模型的拉鏈異常檢測方法，其特征在于，包括如下：

(1)使用兩個點光源，分別置于拉鏈的上側和下側，保持光照強度不變，使用強對比度背景置于拉鏈正下側，使用線掃相機對其進行拍攝，采集正常拉鏈圖像與異常拉鏈圖像，保證采集到的正常拉鏈圖像與異常拉鏈圖像的數量比例為5：1；

(2)選取采集正常拉鏈圖像的十分之九作為訓練集，選取采集正常拉鏈圖像的十分之一與采集異常拉鏈圖像的二分之一作為測試集，并將剩余的采集異常拉鏈圖像的二分之一作為驗證集；

(3)對拉鏈圖像進行預處理：

3a)從拉鏈圖像長邊最底端開始向上，按行計算每一行像素的方差，直到某一行的方差大于閾值0，再將這一行以下的黑色背景全部裁剪掉；

3b)將裁剪后的拉鏈圖像寬度調整為512，并按裁剪前的原圖像長寬比調整裁剪后圖片的長度，再將該調整后的拉鏈圖像裁剪為512×512大小的拉鏈圖像塊；

(4)構建基于跳躍連接的自編碼器，并對其進行預訓練：

4a)構建包含編碼器和解碼器的自編碼器，將訓練集中的所有拉鏈圖像塊輸入到該自編碼器中，編碼器將輸入數據逐漸壓縮為尺寸更小的特征圖，最后壓縮為中間表征向量，解碼器對中間表征向量進行重建，逐漸擴大特征圖尺寸，并利用跳躍連接將編碼器中與解碼器尺寸相同的特征圖進行拼接，輸出與輸入拉鏈圖像塊圖像相同尺寸的預測圖像；

4b)計算輸入圖像與自編碼器輸出預測圖像之間的L2誤差損失，并將其作為損失函數，利用Adam反向傳播優化算法來訓練自編碼器，直至該損失函數收斂，得到預訓練好的自編碼器模型；

(5)訓練深度支持向量數據描述模型：

5a)使用與自編碼器的編碼器網絡結構相同的網絡作為特征提取網絡，并將預訓練后得到的編碼器的網絡參數作為特征提取網絡的初始參數，將訓練集中的所有拉鏈圖像塊輸入到該特征提取網絡中，計算所有中間表征向量，并求出平均值，將其作為預設球心c；

5b)通過特征提取網絡提取輸入圖像塊樣本對應的表征向量，計算表征向量與球心c之間的L2誤差損失，得到深度一分類損失函數L(W)，將其作為特征提取網絡的損失函數；其中W是訓練好的特征提取網絡模型權重參數；

5c)在每一次訓練迭代完畢后調整球心位置，將訓練集中的所有拉鏈圖像塊輸入到本次訓練完畢后的特征提取網絡中，算出圖像塊對應的表征向量并求出所有表征向量的均值，作為下一次訓練的預設球心c；

5d)利用Adam反向傳播優化算法對該特征提取網絡進行訓練，直至深度一分類損失函數L(W)收斂，得到訓練好的特征提取網絡模型；

5e)將訓練集中的所有拉鏈圖像塊輸入到訓練好的特征提取網絡模型中，求出所有表征向量并計算均值，將其作為最終球心c_f；

(6)判斷拉鏈塊是否為異常：

6a)將測試集中的每個拉鏈圖像塊輸入到訓練好的特征提取網絡模型中，得到其表征向量，并計算該表征向量與最終球心c_f的均方誤差，得到每個測試拉鏈圖像塊的異常得分s：

其中，X表示輸入的拉鏈圖像塊，φ表示特征提取網絡的模型結構，W是訓練好的特征提取網絡模型權重參數；

6b)設置經驗閾值T，將異常得分s與設定的閾值T相比較：若s＞T，則拉鏈塊為異常，反之，為正常；

(7)歸并拉鏈塊檢測結果，檢測出整條拉鏈的質量：

統計每一條測試拉鏈上的所有拉鏈圖像塊的異常檢測結果，并采用“一票否決”的機制,歸并同一條測試拉鏈的所有拉鏈圖像塊的檢測結果，即只有當一條完整拉鏈上的所有拉鏈圖像塊都為正常時，則該條拉鏈被判為正品，否則，在一條完整拉鏈上只要有一個拉鏈塊為異常，則整條拉鏈被判為次品。