基于卷积神经网络的色织物疵点检测方法技术

本发明专利技术的公开了一种基于卷积神经网络的色织物疵点检测方法，本发明专利技术中使用的方法总共分为两个阶段：训练阶段和检测阶段。训练阶段是首先建立色织物疵点图像库，对图像进行预处理，削弱噪声和图像纹理的影响，再将图像及图像标签打包起来，然后建立建立基于AlexNet卷积神经网络的色织物疵点检测模型，包括图像卷积，池化，批归一化，全连接等一系列操作，提取出图像中疵点特征，改进网络模型的卷积核数目，层数，网络结构等，使得所建的卷积神经网络模型对测试图片预测的准确率进一步提高。使用深度学习的方法，建立卷积神经网络模型对色织物图像疵点进行检测，与传统方法相比，检测结果更加准确，可以更高效的实现色织物疵点的检测。

Defect detection method of yarn dyed fabric based on convolutional neural network

The invention discloses a yarn dyed fabric defect detection method based on a convolution neural network, and the method used in the invention is divided into two stages: training stage and detection stage. The training phase is the first building fabric defect image database, image preprocessing, weaken the effect of noise and image texture, then the image and the image tag packaged, and then establish the defect fabric convolutional neural network AlexNet detection model based on image, including convolution, pool, and a batch of normalized full connection a series of operations, to extract the defect image feature, convolution kernel number, model number, network structure, the accuracy of the convolutional neural network model to predict the test image to further improve. Method of using deep learning, establish a convolutional neural network model was used to detect fabric defect image, compared with the traditional method, the detection result is more accurate, can realize the detection of fabric defects more efficient.

【技术实现步骤摘要】
基于卷积神经网络的色织物疵点检测方法
本专利技术属于深度学习与机器视觉
，涉及一种基于卷积神经网络的色织物疵点检测方法。
技术介绍
我国是纺织品生产和出口的大国，随着科学技术的发展和进步，纺织行业在繁荣发展的同时也面临着激烈的竞争，提高纺织品的质量是提高我国纺织行业竞争力的关键因素。有瑕疵的纺织品会影响销售，浪费大量的人力物力，所以能够及早将疵点检测出来有助于提高产品质量，增强生产过程中的工作效率。但是目前疵点检测都是有人工来完成，容易受到人主观因素的干扰，检测效率低，投入资金大并且长时间连续工作对工人的视力有很大伤害。所以研究出一种能够自动完成疵点检测的方法是很有意义的。目前用于色织物疵点检测的方法可以分为三类，基于统计学的方法，基于频域的谱的方法和基于模型的方法。其中，基于统计学的方法是把待分类的色织物图像划分成具有不同特征的不同区，也就是将无疵点区域和疵点区域在某一项特征上面具有显著差别。提取图像特征也就是色织物的纹理特征，使用数学方法如分形锥、双阈值、灰度统计、形态学处理、边缘分类、互相关、灰度共生矩阵、局部线性变换和神经网络等方法。许多低阶灰度统计方法(如边缘分类)由本文档来自技高网...

【技术保护点】
基于卷积神经网络的色织物疵点检测方法，其特征在于，具体按照以下步骤实施：步骤1，建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集；步骤2，建立基于AlexNet卷积神经网络的色织物疵点检测模型建立AlexNet的卷积神经网络模型，该模型由五个卷积层、三个全连接层构成，最后使用softmax分类器分类；步骤3，利用步骤1建立的标准Mnist格式的数据集对步骤2中建立的基于AlexNet卷积神经网络的色织物疵点检测模型进行学习和训练，最终完成对色织物疵点的检测。

【技术特征摘要】
1.基于卷积神经网络的色织物疵点检测方法，其特征在于，具体按照以下步骤实施：步骤1，建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集；步骤2，建立基于AlexNet卷积神经网络的色织物疵点检测模型建立AlexNet的卷积神经网络模型，该模型由五个卷积层、三个全连接层构成，最后使用softmax分类器分类；步骤3，利用步骤1建立的标准Mnist格式的数据集对步骤2中建立的基于AlexNet卷积神经网络的色织物疵点检测模型进行学习和训练，最终完成对色织物疵点的检测。2.根据权利要求1所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述步骤1中建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集的具体步骤为：步骤1.1，色织物图像的选取选取疵点图像和无疵点图像两类色织物图像，色织物图像的格式均为PNG格式，大小均为256×256像素，分辨率为200dpi的彩色图像；步骤1.2，建立色织物图库步骤1.2.1，新建两个文件夹，分别用来存放训练集图像和测试集图像；步骤1.2.2，在训练集图像文件夹中建立存放疵点图像和存放无疵点图像的文件夹，随机选择步骤1.1中的疵点图像和无疵点图像分别存入这两个文件夹；在测试集图像文件夹中建立存放疵点图像和存放无疵点图像的文件夹，随机选择步骤1.1中的疵点图像和无疵点图像分别存入这两个文件夹；步骤1.2.3，疵点图像和无疵点图像中的图像路径及标签保存疵点图像和无疵点图像中的图像路径及标签保存为“XXX/X/X,X”格式，其中前三个X是训练集或测试集的文件夹名称，第四个X表示训练集或测试集的文件夹下图像所属子文件夹的名称，第五个表示图像名称，最后一个X表示图像标签；步骤1.3，对色织物图像进行灰度化和低通滤波的预处理读取步骤1.2中训练集文件夹中的图像和测试集文件夹中的图像，选用低通滤波大小为7*7的滤波器对读取的图像进行灰度化和低通滤波的预处理，将图像大小从256*256转换成为224*224；步骤1.4，标准Mnist数据集格式的疵点数据集构建使用numpy中的dstack函数将步骤1.3处理后的单通道图像转换为三通道图像，具体为将图像用三维数组[图像的宽，图像的高，图像通道数]的形式表示，...

【专利技术属性】
技术研发人员：景军锋，董阿梅，李鹏飞，张蕾，张宏伟，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61