[發明專利]一種針對色織物裁片缺陷區域的檢測方法

在審

• 申請號: 202111150794.6
• 申請日: 2021-09-29
• 公開（公告）號: CN113902695A
• 公開（公告）日: 2022-01-07
• 發明（設計）人: 張宏偉;劉舒婷;黃媛媛;張蕾;景軍鋒
• 申請（專利權）人: 西安工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 羅笛

本發明公開了一種針對色織物裁片缺陷區域的檢測方法，具體為：步驟1，構建注意力量子化變分自編碼器模型；步驟2，將無缺陷色織襯衫裁片圖像疊加噪聲；步驟3，將疊加噪聲之后的無缺陷色織襯衫裁片圖像輸入步驟1構建的注意力量子化變分自編碼器模型中對模型訓練，直到達到設定的迭代次數，得到訓練好的注意力量子化變分自編碼器模型；步驟4，將待檢測的色織物裁片彩色圖像輸入至訓練好的注意力量子化變分自編碼器模型中輸出對應的重構圖像，再進行檢測從而確定缺陷區域。本發明的一種針對色織物裁片缺陷區域的檢測方法，解決了現有技術中存在的對復雜色織花型缺陷檢測效果不佳的問題。

技術領域

本發明屬于色織物缺陷檢測技術領域，涉及一種針對色織物裁片缺陷區域的檢測方法。

背景技術

色織襯衫花型美觀多樣，近年來產銷量與日俱增，已成為我國出口創匯的重要服裝產品之一。在色織物生產過程中，由于織造設備故障、紗線問題等因素的影響，襯衫裁片外觀不可避免的出現缺陷，如破洞、斷頭、雙紗等問題。為了降低缺陷裁片對色織襯衫質量的影響，多數色織襯衫織造企業在襯衫裁片縫制工序之前，加入人工驗片的工序，利用人眼進行檢測并剔除有缺陷裁片。但受個人主觀因素限制，人工檢測方法效率低且準確率不穩定。因此，隨著計算機視覺技術和圖像處理技術的迅猛發展，利用計算機視覺技術輔助織物疵點自動檢測的方法吸引了產業界和學術界的廣泛關注。

傳統的織物缺陷檢測方法主要可分為4類：基于統計的方法，基于結構的方法，基于頻譜的方法和基于模型的方法。然而，傳統的視覺紋理缺陷檢測方法大多是利用人工設計提取每個紋理圖像小塊的特征來區分缺陷區域和無缺陷區域，然而，這些方法的性能在很大程度上受限于每個紋理圖像塊人工設計提取的特征的識別能力。因此，傳統的紋理缺陷視覺檢測方法無法同時對多種紋理類型進行良好的檢測。

近幾年，隨著深度學習領域的快速發展，深度神經網絡也被廣泛應用于織物缺陷檢測與分類。與傳統的特征提取方法相比，深度神經網絡由數據驅動，不需要特定的領域知識，而且它可以提取到傳統方式難以提取到的深層抽象特征。在眾多深度神經網絡中，有監督的網絡模型，比如CNN、監督式 SAE和DNN等,在織物缺陷檢測領域取得了顯著的成果。但是，在實際的工業應用中，獲取大量的標記缺陷樣本來訓練神經網絡是非常困難的，因此，有監督深度模型在織物缺陷檢測的應用中受到了很大的限制。

針對上述問題，一些學者開始探索利用無監督的深度模型去實現織物缺陷檢測的方法。無監督的深度學習方法具有在訓練階段不需要缺陷樣本，不需要人工手動標記缺陷區域等優點。目前，無監督深度學習的方法多是針對顏色、紋理單一的花型，對復雜色織花型缺陷檢測效果不佳。

發明內容

本發明的目的是提供一種針對色織物裁片缺陷區域的檢測方法，解決了現有技術中存在的對復雜色織花型缺陷檢測效果不佳的問題。

本發明所采用的技術方案是，一種針對色織物裁片缺陷區域的檢測方法，具體按照如下步驟實施：

步驟1，在量子化變分自編碼器的模型內融入注意力機制構建注意力量子化變分自編碼器模型；

步驟2，準備色織物裁片彩色圖像數據集，對色織物裁片彩色圖像數據集中的無缺陷色織襯衫裁片圖像疊加噪聲；

步驟3，將步驟2疊加噪聲之后的無缺陷色織襯衫裁片圖像輸入步驟1 構建的注意力量子化變分自編碼器模型中對模型訓練，直到達到設定的迭代次數，得到訓練好的注意力量子化變分自編碼器模型；

步驟4，將待檢測的色織物裁片彩色圖像輸入至訓練好的注意力量子化變分自編碼器模型中輸出對應的重構圖像，再進行檢測從而確定缺陷區域。

本發明的特征還在于，

步驟1中的注意力量子化變分自編碼器模型包括依次連接的編碼器、潛在嵌入空間和解碼器。