基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法技术

本发明专利技术公开了基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，包含训练阶段和检测阶段两部分。模型训练阶段中采用无疵点织物图像，通过图像预处理得到训练样本集，然后训练深度神经网络中的参数。检测时，首先得到待测图像的检测样本集，然后采用深度神经网络得到网络输出，最后得到疵点检测结果。本发明专利技术采用Gabor滤波器提取织物纹理特征，根据Fisher准则计算代价函数值，能够提取图像中各个方向大小的纹理，提高检测准确率。采用深度神经网络自动选择图像特征，解决现有基于机器视觉疵点检测方法人为选择特征的缺陷和不足。

【技术实现步骤摘要】
基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法
：本专利技术涉及纺织产品检测
，特别涉及一种基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法。
技术介绍
：在织物生产过程中，织物疵点的产生不可避免。传统的人工检测的方法存在检测结果受人的主观影响、漏检率高、人工成本高等问题，越来越成为企业发展的瓶颈。随着计算机技术的发展，依靠机器视觉对织物疵点进行自动检测的方法具有稳定性高、节约人工成本、提高生产效率等优点，逐渐得到发展与应用。目前，基于机器视觉的织物疵点检测方法对经编平纹织物的检测比较有效，而对于提花织物的检测系统还不够完善，其主要的问题还是检测算法不够稳定，检测准确率不高，难以用于实际生产。如何有效提取经编提花织物的纹理特征，提高算法检测准确率成为迫切需要解决的难题。公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
：本专利技术的目的在于提供一种基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，利用深度学习自动选择特征的特点，将深度学习技术应用在织物疵点检测领域，解决现有疵点检测方法人为选择特征的缺陷和不足。为实现上述目的，本专利技术提供了一种基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，其步骤为：(1)模型训练阶段；(1.1)获取多幅无疵点织物图像，对图像进行预处理得到训练样本集；(1.2)建立深度为七层的神经网络，前六层为限制玻尔兹曼机，第七层为聚类层，将步骤(1.1)得到的训练样本集作为网络的输入，训练得到网络的参数；(2)模型检测阶段；(2.1)获取待测织物图像，对图像进行预处理得到待测样本集；(2.2)将图像预处理得到的待测样本集中每一样本向量分别作为深度神经网络的输入，得到每幅待测图像块的网络输出，最终得到疵点检测结果。优选地，技术方案中，步骤(1.1)中预处理包括：(1.1.1)在织物幅宽方向，用工业相机采集N幅无疵点织物图像，图像大小为2592×56，保存为原始训练图像；(1.1.2)由每幅原始训练图像，按照从左至右方式，以步长1得到2537个56×56大小的样本图像块，则由N幅无疵点织物图像可得到M＝2537×N幅样本图像块；(1.1.3)每幅样本图像块与一组Gabor滤波器卷积变换得到多幅滤波图像，计算每幅滤波图像的代价函数值；由每幅样本图像块可得到一个训练样本向量，由M幅样本图像块则得到M个训练样本向量。优选地，技术方案中，步骤(1.1.3)中二维空间域Gabor滤波函数可表示为：其中x′＝xcosθ-ysinθ(12)y′＝xsinθ+ycosθ(13)σx和σy分别为高斯窗口在时域x轴与y轴上的标准差，λ为波长，θ为旋转角度；根据σx、σy、λ和θ值的不同可构造一组K个Gabor滤波器，将这些滤波器分别与一幅样本图像块卷积变换，可得到K幅滤波后图像，计算得到K幅能量图像；假设滤波后图像为r(x，y)，一般情况下，该滤波后图像为复数图像，其能量图像Er(x，y)可由下式得到：其中rRe(x，y)和rIm(x，y)分别为图像r(x，y)的实部和虚部；根据Fisher准则构造代价函数如下：其中μ和σ分别为能量图像Er(x，y)的均值和标准差；代价函数值的大小反映这幅样本图像块响应某个特定Gabor滤波器的程度；由此，每幅样本图像块对应得到K个代价函数值，构成一个K维向量；对于一个K维向量，将代价函数值大于或等于30％范围以上的元素置为1，其余置为0，从而得到一个K维二值向量Di＝{di1，di2，…，diK}；由M幅样本图像块可得到M个K维二值向量；在M个K维二值向量中，压缩在所有样本中值均为0的分量，重新生成的M个K′维二值向量即为训练样本集；假如M个样本中第j维的所有分量均为0，即则表示M个样本图像块与第j个Gabor滤波器卷积后得到的代价函数值都是比较小的，那在后续的计算中就不考虑该Gabor滤波器。优选地，技术方案中，步骤(1.2)中，训练步骤包括：(1.2.1)第一层限制玻尔兹曼机RBM1的可见层结点数为K′，隐藏层结点数为N1＝2048，能量函数定义为：E(1)(v(1)，h(1))＝-(v(1))T·W(1)·h(1)-(b(1))T·v(1)-(c(1))T·h(1)(16)其中T表示转置运算，为RBM1的可见层向量，为RBM1的隐藏层向量，为网络权值，为可见层偏置向量，为隐藏层偏置向量；对数似然函数为：其中，θ(1)＝{W(1)，b(1)，c(1)}是RBM1的模型参数，v(1)(t)是RBM1的第t个输入样本；对于给定的训练样本集，用梯度上升法求解能使l(θ(1))取得极大值的模型参数值，其中l(θ(1))对各参数的梯度计算公式为：其中，通过从P(v(1)，h(1))中进行L次马尔可夫蒙特卡罗采样估计；第二层至第六层限制玻尔兹曼机的可见层结点数分别为2048，1024,512,128,32，第二层至第六层隐藏层结点数分别为1024,512,128,32,8。第二层至第六层玻尔兹曼机的训练方式与第一层相同。(1.2.2)第七层聚类层，对输入的由M个8维二值向量描述的样本集按其所表示的二进制值进行聚类，值相同的归为同一类，从而可将输入样本集分为C个类别，并可得这C个类别对应的二进制值分别为b1，b2，…，bC。优选地，技术方案中，步骤(2.1)中预处理包括：(2.1.1)在织物幅宽方向，用工业相机采集待测织物图像，图像大小为2592×56；(2.1.2)对于待测图像，按照从左至右方式得到Q幅56×56大小的待测图像块，各图像块间可不重叠，也可部分重叠，但必须覆盖整个待测图像区域；(2.1.3)每幅待测图像块与步骤(1.1.3)中得到的K′个非全0分量所对应的Gabor滤波器卷积变换，然后得到能量图像，根据式(5)计算代价函数值，最后得到该幅待测图像块的K′维二值向量；(2.1.4)由待测图像的所有图像块就可得到Q个K′维二值向量，作为待测样本集。优选地，技术方案中，步骤(2.1.3)中为使检测时的每个K′维向量中1的个数与训练时一样，将代价函数值大于或等于范围以上的元素置为1，其余置为0，从而得到一幅图像块的K′维二值向量。与现有技术相比，本专利技术具有如下有益效果：采用Gabor滤波器提取织物纹理特征，根据Fisher准则计算代价函数值，能够提取图像中各个方向大小的纹理，提高检测准确率。采用深度神经网络自动选择图像特征，解决现有基于机器视觉疵点检测方法人为选择特征的缺陷和不足。附图说明：图1为本专利技术一种基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法的流程示意图；图2为本专利技术模型训练阶段图像预处理过程示意图；图3为本专利技术深度神经网络结构图；图4为本专利技术模型检测阶段图像预处理过程示意图。具体实施方式：下面结合附图，对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。如图1所示，一种基于Gabo本文档来自技高网...

【技术保护点】
一种于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，其步骤为：(1)模型训练阶段；(1.1)获取多幅无疵点织物图像，对图像进行预处理得到训练样本集；(1.2)建立深度为七层的神经网络，前六层为限制玻尔兹曼机，第七层为聚类层，将步骤(1.1)得到的训练样本集作为网络的输入，训练得到网络的参数；(2)模型检测阶段；(2.1)获取待测织物图像，对图像进行预处理得到待测样本集；(2.2)将图像预处理得到的待测样本集中每一样本向量分别作为深度神经网络的输入，得到每幅待测图像块的网络输出，最终得到疵点检测结果。

【技术特征摘要】
1.一种于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，其步骤为：(1)模型训练阶段；(1.1)获取多幅无疵点织物图像，对图像进行预处理得到训练样本集；(1.2)建立深度为七层的神经网络，前六层为限制玻尔兹曼机，第七层为聚类层，将步骤(1.1)得到的训练样本集作为网络的输入，训练得到网络的参数；(2)模型检测阶段；(2.1)获取待测织物图像，对图像进行预处理得到待测样本集；(2.2)将图像预处理得到的待测样本集中每一样本向量分别作为深度神经网络的输入，得到每幅待测图像块的网络输出，最终得到疵点检测结果。2.根据权利要求1所述的于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，其特征在于：步骤(1.1)中预处理包括：(1.1.1)在织物幅宽方向，用工业相机采集N幅无疵点织物图像，图像大小为2592×56，保存为原始训练图像；(1.1.2)由每幅原始训练图像，按照从左至右方式，以步长1得到2537个56×56大小的样本图像块，则由N幅无疵点织物图像可得到M＝2537×N幅样本图像块；(1.1.3)每幅样本图像块与一组Gabor滤波器卷积变换得到多幅滤波图像，计算每幅滤波图像的代价函数值；由每幅样本图像块可得到一个训练样本向量，由M幅样本图像块则得到M个训练样本向量。3.根据权利要求2所述的于Gabor滤波和深度神经网络的经编提花织物疵点检测方法，其特征在于：步骤(1.1.3)中二维空间域Gabor滤波函数可表示为：其中x′＝xcosθ-ysinθ(2)y′＝xsinθ+ycosθ(3)σx和σy分别为高斯窗口在时域x轴与y轴上的标准差，λ为波长，θ为旋转角度；根据σx、σy、λ和θ值的不同可构造一组K个Gabor滤波器，将这些滤波器分别与一幅样本图像块卷积变换，可得到K幅滤波后图像，计算得到K幅能量图像；假设滤波后图像为r(x，y)，一般情况下，该滤波后图像为复数图像，其能量图像Er(x，y)可由下式得到：其中rRe(x，y)和rIm(x，y)分别为图像r(x，y)的实部和虚部；根据Fisher准则构造代价函数如下：其中μ和σ分别为能量图像Er(x，y)的均值和标准差；代价函数值的大小反映这幅样本图像块响应某个特定Gabor滤波器的程度；由此，每幅样本图像块对应得到K个代价函数值，构成一个K维向量；对于一个K维向量，将代价函数值大于或等于30％范围以上的元素置为1，其余置为0，从而得到一个K维二值向量Di＝{di1，di2，…，diK}；由M幅样本图像块可得到M个K维二值向量；在M个K维二值向量中，压缩在所有样本中值均为0的分量，重新生成的M个K′维二值向量即为训练样本集；假如M个样本中...

【专利技术属性】
技术研发人员：李岳阳，罗海驰，蒋高明，丛洪莲，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32