一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法技术

本发明专利技术公开了一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，根据企业提供的原样本库，进行DCGAN对抗生成得到新的色织缺陷图像，扩充了缺陷样本，可以有效的避免训练过程中产生的过拟合问题；通过调整超参数、网络结构等，训练了多种模型，通过对比选择适用于色织衬衫裁片缺陷检测的网络模型；将最终的优化网络模型嵌入在TETSON TX2中，形成一套完整的检测系统，能够对色织衬衫表面缺陷情况进行定位与分类，满足了工业生产检测环节的需求。

【技术实现步骤摘要】
一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法
本专利技术属于色织物裁片疵点检测
，具体涉及一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法。
技术介绍
我国是世界最大的纺织品服装生产和出口国，衍生的纺织服装行业是一个劳动密集程度较高和对外依存度较大的产业。随着自动化程度的发展以及人们对色织物花型多样化要求的增加，使得新型纺纱设备，织造设备不断涌现。但是，织造设备故障以及挡车工操作熟练程度不同，织物表面会存在着各种不同形态的疵点，疵点的存在会引起织物的美观和质量等一系列问题，因此，疵点检测是织造过程中十分重要的一个工序。色织衬衫近几年是我国出口创汇能力最强的服装产品之一，由不同部位的裁片贴衬、缝制而成，而一般裁片存在的疵点由经过专门培训的技术工人进行人工手动翻阅检测，这种传统的基于人工视觉的检测方法，受检测人员生理、心理等因素的影响，存在效率低、主观性强等缺点。而现有人们提出来的一些解决色织物疵点检测的方法较少或主要针对于纯白色的坯布，原因在于色织物花型复杂，色织物花型的背景同样千变万化，疵点之间也存在类类相似，类内不同的情况，无法同时满足工业生产的实时性与准确性要求。
技术实现思路
本专利技术的目的在于提供一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，能够对色织衬衫表面缺陷情况进行定位与分类，提高实验准确率。本专利技术的技术方案为，一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，具体按照以下步骤实施：步骤1、构建关于色织衬衫裁片缺陷图像样本的样本库，并对该样本库进行预处理；步骤2、设计色织衬衫裁片缺陷检测的网络模型；步骤3、利用步骤1中预处理后的样本库对步骤2中设计的网络模型训练，进而对色织衬衫裁片缺陷检测的网络模型进行优化，得优化网络模型；步骤4、利用步骤3中的优化网络模型搭建检测系统硬件平台，将该检测系统硬件平台连接显示装置，向显示装置中输入待检测的缺陷样本图像，经过检测系统硬件平台检测缺陷类别以及缺陷位置。本专利技术的特点还在于：步骤1具体为：步骤1.1、创建345张色织衬衫裁片缺陷图像样本库；步骤1.2、对样本库中的缺陷图像进行基于DCGAN的样本扩张，得到扩张缺陷图像；步骤1.3、利用扩张缺陷图像和原样本库中的缺陷图像构建新样本库，并对新样本库的缺陷区域进行人工标注缺陷类别以及缺陷坐标；步骤1.4、将标注后的缺陷图像随机划分为72％的训练集、10％的测试集以及18％的验证集。步骤1.2中对样本库中的缺陷图像进行基于DCGAN的样本扩张具体步骤为：首先，在DCGAN中的生成模型，利用反卷积学习到色织衬衫裁片缺陷特征，利用学习到的缺陷特征生成新的缺陷图片，通过比对公式判别对新的缺陷图片与原样本库中图像的差异，并由判别结果得到扩张缺陷图像。比对公式具体为：式(1)中Pdata(x)为真实样本分布，PG(x)为虚假样本分布。判别结果D*(x)值为0.5时，则新的缺陷图片为扩张缺陷图像。步骤1.3对新样本库的缺陷区域进行人工标注具体过程为：采用Labellmg标注工具对色织衬衫裁片的缺陷用矩形框进行坐标信息、缺陷关键点以及缺陷类别的标注。步骤2设计色织衬衫裁片缺陷检测的网络模型的输入缺陷图像尺寸设定为416*416，卷积层有22层，最大池化层有5层，使用LeakyRelu作为激活函数，网络模型迭代次数为2W次，学习率设定为0.01，并在迭代次数为2000、7500时分别改变学习率为0.001和0.0001。步骤4优化网络模型搭建检测系统硬件平台具体为：将优化网络模型嵌入JETSONTX2，JETSONTX2是一台基于NVIDAPascal架构的AI单模块嵌入式平台。本专利技术的有益效果是，(1)本专利技术一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，根据企业提供的原样本库，进行DCGAN对抗生成得到新的色织缺陷图像，扩充了缺陷样本，可以有效的避免训练过程中产生的过拟合问题；(2)本专利技术一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法通过调整超参数、网络结构等，训练了多种模型，通过对比选择适用于色织衬衫裁片缺陷检测的网络模型；(3)本专利技术一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法将最终的优化网络模型嵌入在TETSONTX2中，形成一套完整的检测系统，能够对色织衬衫表面缺陷情况进行定位与分类，满足了工业生产检测环节的需求。附图说明图1是本专利技术一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法构件流程图；图2(a)、图2(b)、图2(c)、图2(d)是一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法实时检测结果图；图3是一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法中训练模型生成图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，如图1所示，具体按照以下步骤实施：步骤1、构建关于色织衬衫裁片缺陷图像样本的样本库，并对该样本库进行预处理；具体为：步骤1.1、创建345张色织衬衫裁片缺陷图像样本库；步骤1.2、对样本库中的缺陷图像进行基于DCGAN的样本扩张，得到扩张缺陷图像；对样本库中的缺陷图像进行基于DCGAN的样本扩张具体步骤为：首先，在DCGAN中的生成模型，利用反卷积学习到色织衬衫裁片缺陷特征，利用学习到的缺陷特征生成新的缺陷图片，通过比对公式判别对新的缺陷图片与原样本库中图像的差异，并由判别结果得到扩张缺陷图像。比对公式具体为：式(1)中Pdata(x)为真实样本分布，PG(x)为虚假样本分布。判别结果D*(x)值为0.5时，则新的缺陷图片为扩张缺陷图像。利用G生成器与D判别器进行对抗生成相互平衡，使得Pdata与PG相等时达到了全局最优，此时判别器D对真实样本和虚假样本进行判别，输出相同。对抗生成网络生成的图片与原图不同，但具体特征相近，与一般扩展图片数量的方法有着本质的区别。步骤1.3、将扩张缺陷图像与原样本库中的缺陷图像进行融合，创建新样本库，并对新样本库的缺陷区域进行人工标注缺陷类别以及缺陷坐标；对新样本库的缺陷区域进行人工标注具体过程为：采用Labellmg标注工具对色织衬衫裁片的缺陷用矩形框进行坐标信息、缺陷关键点以及缺陷类别的标注。其中缺陷存在7类，包括Beltyarn、Knottying、Hole、BrokenEnd、NettingMultiple、ThickBar，ThinBar。步骤1.4、将标注后的缺陷图像随机划分为72％的训练集、10％的测试集以及18％的验证集。步骤2、设计色织衬衫裁片缺陷检测的网络模型，该网络模型的输入缺陷图像尺寸设定为416*416，卷积层有22层，最大池化层有5层，网络模型的第一层为卷积层，第二层为最大池化层，第三层为卷积层，第四层为最大池化层，第五层到第七层为卷积层，第八层为最大池化层，第九层到十一层为卷积层，第十二层为最大池化层，第十三层到十七层为卷积层，十八层为最大池化层，十九层到二十五层为卷积层。使用LeakyRelu作为激活函数，网络模型迭代次数为2W次，学习率设定为0.01，并在迭代次数为2000、7500时分别改变学习率为0.001和0.0001；通过下述方法对生成的训练模型进行检测，检测的具体步骤为本文档来自技高网...

【技术保护点】
1.一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1、构建关于色织衬衫裁片缺陷图像样本的样本库，并对该样本库进行预处理；步骤2、设计色织衬衫裁片缺陷检测的网络模型；步骤3、利用步骤1中预处理后的样本库对步骤2中设计的网络模型训练，进而对色织衬衫裁片缺陷检测的网络模型进行优化，得优化网络模型；步骤4、利用步骤3中的优化网络模型搭建检测系统硬件平台，将该检测系统硬件平台连接显示装置，向显示装置中输入待检测的缺陷样本图像，经过检测系统硬件平台检测缺陷类别以及缺陷位置。

【技术特征摘要】
1.一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，其特征在于，具体按照以下步骤实施：步骤1、构建关于色织衬衫裁片缺陷图像样本的样本库，并对该样本库进行预处理；步骤2、设计色织衬衫裁片缺陷检测的网络模型；步骤3、利用步骤1中预处理后的样本库对步骤2中设计的网络模型训练，进而对色织衬衫裁片缺陷检测的网络模型进行优化，得优化网络模型；步骤4、利用步骤3中的优化网络模型搭建检测系统硬件平台，将该检测系统硬件平台连接显示装置，向显示装置中输入待检测的缺陷样本图像，经过检测系统硬件平台检测缺陷类别以及缺陷位置。2.如权利要求1所述一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，其特征在于，所述步骤1具体为：步骤1.1、创建345张色织衬衫裁片缺陷图像样本库；步骤1.2、对样本库中的缺陷图像进行基于DCGAN的样本扩张，得到扩张缺陷图像；步骤1.3、利用扩张缺陷图像和原样本库中的缺陷图像构建新样本库，并对新样本库的缺陷区域进行人工标注缺陷类别以及缺陷坐标；步骤1.4、将标注后的缺陷图像随机划分为72％的训练集、10％的测试集以及18％的验证集。3.如权利要求2所述一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法，其特征在于，步骤1.2中所述对样本库中的缺陷图像进行基于DCGAN的样本扩张具体步骤为：首先，在DCGAN中的生成模型，利用反卷积学习到色织衬衫裁片缺陷特征，利用学习到的缺陷特征生成新的缺陷图片，通过比对公式...

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