一种多层次模型布匹疵点检测方法和系统技术方案

本发明专利技术公开了一种多层次模型布匹疵点检测方法和系统，其中方法的实现包括：建立预分类模型Model1、卷积神经网络模型FabricNet和终分类模型Model2；采集布匹图像，对其分割得到ROI图像，计算ROI图像的GLCM的特征值组成特征向量V1；将V1输入Model1判断ROI图像是否为疵点图像，若为疵点图像则将疵点图像输入FabricNet，得到纹理特征向量V2；若不是疵点图像则得到了ROI图像的判别结果；将V2输入Model2，得出疵点图像的疵点分类判别结果；最终得到布匹图像的疵点检测结果。由于本发明专利技术使用了Model1、FabricNet和Model2这3个模型，提高了布匹疵点检测的准确率和实时性，满足工业生产需求。

Method and system for detecting fabric defect in multi-layer model

The invention discloses a multi-level model of fabric defect detection method and system implementation method, which include: establish a pre classification model Model1, convolutional neural network model FabricNet and the final classification model of Model2; the fabric image acquisition, segmentation of ROI image, ROI image characteristic calculation of the value of the GLCM V1 will feature vector; V1 Model1 ROI to determine whether the image is the input image defects, if the defect image is the defect image input FabricNet, get the texture feature vector V2; if not, the result of image defects of ROI images; the V2 input Model2, the defect classification defect image identification results; final results of fabric image defect detection. Because the invention uses the 3 models of Model1, FabricNet and Model2, the accuracy and the real-time performance of the cloth defect detection are improved, and the industrial production demand is satisfied.

【技术实现步骤摘要】
一种多层次模型布匹疵点检测方法和系统
本专利技术属于模式识别
，具体涉及一种多层次模型布匹疵点检测方法和系统。
技术介绍
在纺织工业生产中，纺织品的检测是一道重要的工序，它决定了产品的质量，因此，疵点检测是生产工序中绝不可忽视的环节。然而，传统的的布匹疵点检测仍然是通过人工视觉来评定，人工长时间的检验不仅会影响产品质量的客观评定，还受限于检验人员的熟练程度。随着布匹的生产速度的提高以及对产品质量要求的提高，人工检验存在很大的弊端，包括检测速度慢、检测率低和稳定性差等，这使得人工检验越来越不适应工业生产的需求，因此，迫切需求生产过程中实现自动、精准、快速检测疵点的方法。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种多层次模型布匹疵点检测方法和系统，其目的在于解决布匹生产过程中人工检验疵点效率低，而现有基于机器视觉的检测方法准确率低、时效性低等问题。为实现上述目的，按照本专利技术的一个方面，提供了一种多层次模型布匹疵点检测方法，包括以下步骤：(1)预先训练预分类模型Model1、卷积神经网络模型FabricNet和终分类模型Model2；(2)采集布匹图像，对其分割得到ROI图像，计算ROI图像的GLCM的特征值组成特征向量V1；(3)将V1输入Model1判断ROI图像是否为疵点图像，若为疵点图像则进行步骤(4)，若不是疵点图像则得到了ROI图像的判别结果，ROI图像为正常图像；(4)将疵点图像输入FabricNet，得到卷积层Fc7层输出向量作为疵点图像的纹理特征向量V2；(5)将V2输入Model2，得出疵点图像的疵点分类判别结果；最终得到布匹图像的疵点检测结果。进一步的，Model1的具体训练方式为：选取含有疵点的图像和不含疵点的图像组合为学习集L1，其中将L1按照第一预设比例分为训练集L11和验证集L12；计算L11中图像的GLCM的特征值组成特征向量V11，将V11输入第一分类器进行训练；计算L12中图像的GLCM的特征值组成特征向量V12，将V12输入第一分类器测试预分类的准确率，得到预分类准确率大于等于第二预设值的Model1。进一步的，FabricNet的具体训练方式为：选取含有疵点的图像和不含疵点的图像组合为学习集L2，其中将L2按照第三预设比例分为训练集L21和验证集L22；对L21采用N折交叉验证法进行训练，用L22测试再分类的准确率，得到再分类准确率大于等于第四预设值的FabricNet。进一步的，Model2的具体训练方式为：选取含有疵点的图像和不含疵点的图像组合为学习集L3，L3按照第五预设值分为训练集L31和验证集L32；将L31输入FabricNet得到特征向量V21，将V21输入第一分类器进行训练，计算L32中图像的GLCM的特征值组成特征向量V22，将V22输入第一分类器进行测试，得到终分类准确率大于等于第六预设值的终分类模型Model2。进一步的，第一分类器为支持向量机、Softmax分类器、贝叶斯分类器、决策树分类器和K近邻分类器中的任意一种。更进一步的，第一分类器为支持向量机。进一步的，图像的GLCM的特征值是图像的4个方向的GLCM的4个特征值，4个特征值为能量、熵、对比度和逆差矩。按照本专利技术的另一方面，提供了一种多层次模型布匹疵点检测系统，包括以下模块：建立多层次模型模块，用于预先训练预分类模型Model1、卷积神经网络模型FabricNet和终分类模型Model2；特征向量模块，用于对布匹图像分割得到ROI图像，计算ROI图像的GLCM的特征值组成特征向量V1；预分类模块，用于将V1输入Model1判断ROI图像是否为疵点图像，若为疵点图像则执行卷积神经网络模块，若不是疵点图像则得到了ROI图像的判别结果，ROI图像为正常图像；卷积神经网络模块，将疵点图像输入FabricNet，得到卷积层Fc7层输出向量作为疵点图像的纹理特征向量V2；终分类模块，用于将V2输入Model2，得出疵点图像的疵点分类判别结果；得到布匹图像的疵点检测结果。更进一步的，图像的GLCM的特征值是图像的4个方向的GLCM的4个特征值，4个特征值为能量、熵、对比度和逆差矩。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，由于本专利技术在布匹图像的疵点检测的过程中使用了3个模型：预分类模型、卷积神经网络模型FabricNet和终分类模型，提高了布匹疵点检测的准确率和实时性，满足工业生产需求，具体而言，具有以下优点：1、利用预分类模型Model1，对布匹图像分割后的ROI图像进行预分类过滤掉大部分无疵点正常布匹，减小后面模型的负担，预分类模型Model1保证了布匹疵点检测的时效性；2、利用卷积神经网络模型FabricNet，借助FabricNet提取图像的深层特征，用于图像的精确分类，准确率非常高，FabricNet保证了布匹疵点检测的准确率；3、利用终分类模型Model2，该模型分类准确率非常高，Model2利用FabricNet提取的特征对图像精确分类，FabricNet计算量大，耗时较多，但是它提取出图像中的深层特征非常有效，用于分类得到的准确率非常高，由于布匹图像经过预分类模型已经筛选出大量的不含疵点的图像，实际输入FabricNet的图像并不多，因此，时效性得到保证，Model2保证了布匹疵点检测的准确率。附图说明图1是一种多层次模型布匹疵点检测方法的流程图；图2是布匹图像的分割原理示意图；图3是ROI图像的纹理分块示意图；图4是ROI图像计算GLCM时GPU端的线程分布图；图5是ROI图像计算GLCM的特征值时GPU端的线程分布图；图6(a)是孔洞疵点布匹图像；图6(b)是油渍疵点布匹图像；图6(c)是异物疵点布匹图像；图6(d)是折痕疵点布匹图像；图6(e)是正常布匹图像；图7是卷积神经网络模型FabricNet的结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图1所示，本专利技术提出了一种多层次模型布匹疵点检测方法，包括：(1)预先训练预分类模型Model1、卷积神经网络模型FabricNet和终分类模型Model2；包括：(1-1)选取含有疵点的图像和不含疵点的图像组合为学习集L1，将L1按照第一预设比例分为训练集L11和验证集L12；计算L11中图像的GLCM的特征值组成特征向量V11，将V11输入第一分类器进行训练；计算L12中图像的GLCM的特征值组成特征向量V12，将V12输入第一分类器测试预分类的准确率，得到预分类准确率大于等于第二预设值的Model1。第一分类器为支持向量机、Softmax分类器、贝叶斯分类器、决策树分类器和K近邻分类器中的任意一种。其中第一分类器为支持向量机时分类效果最好。具体实施方式为：选取3000张尺寸227×227的样本图像作为学习集L1，其中正常布匹1000张，疵点图像2000张，包括孔洞、异物、油渍和折痕疵点图像各500张。L1按照4∶1分为训练集L11和验证集L12；计本文档来自技高网...

【技术保护点】
一种多层次模型布匹疵点检测方法，其特征在于，包括以下步骤：(1)预先训练预分类模型Model1、卷积神经网络模型FabricNet和终分类模型Model2；(2)采集布匹图像，对其分割得到ROI图像，计算ROI图像的GLCM的特征值组成特征向量V1；(3)将V1输入Model1判断ROI图像是否为疵点图像，若为疵点图像则进行步骤(4)，若不是疵点图像则得到了ROI图像的判别结果，ROI图像为正常图像；(4)将疵点图像输入FabricNet，得到卷积层Fc7层输出向量作为疵点图像的纹理特征向量V2；(5)将V2输入Model2，得出疵点图像的疵点分类判别结果；最终得到布匹图像的疵点检测结果。

【技术特征摘要】
1.一种多层次模型布匹疵点检测方法，其特征在于，包括以下步骤：(1)预先训练预分类模型Model1、卷积神经网络模型FabricNet和终分类模型Model2；(2)采集布匹图像，对其分割得到ROI图像，计算ROI图像的GLCM的特征值组成特征向量V1；(3)将V1输入Model1判断ROI图像是否为疵点图像，若为疵点图像则进行步骤(4)，若不是疵点图像则得到了ROI图像的判别结果，ROI图像为正常图像；(4)将疵点图像输入FabricNet，得到卷积层Fc7层输出向量作为疵点图像的纹理特征向量V2；(5)将V2输入Model2，得出疵点图像的疵点分类判别结果；最终得到布匹图像的疵点检测结果。2.如权利要求1所述的一种多层次模型布匹疵点检测方法，其特征在于，所述Model1的具体训练方式为：选取含有疵点的图像和不含疵点的图像组合为学习集L1，其中将L1按照第一预设比例分为训练集L11和验证集L12；计算L11中图像的GLCM的特征值组成特征向量V11，将V11输入第一分类器进行训练；计算L12中图像的GLCM的特征值组成特征向量V12，将V12输入第一分类器测试预分类的准确率，得到预分类准确率大于等于第二预设值的Model1。3.如权利要求2所述的一种多层次模型布匹疵点检测方法，其特征在于，所述FabricNet的具体训练方式为：选取含有疵点的图像和不含疵点的图像组合为学习集L2，其中将L2按照第三预设比例分为训练集L21和验证集L22；对L21采用N折交叉验证法进行训练，用L22测试再分类的准确率，得到再分类准确率大于等于第四预设值的FabricNet。4.如权利要求3所述的一种多层次模型布匹疵点检测方法，其特征在于，所述Model2的具体训练方式为：选取含有疵点的图像和不含疵点的图像组合为学习集L3，L3按...

【专利技术属性】
技术研发人员：孙志刚，万东，肖力，王卓，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42