一种深度卷积网络的织物纹理疵点分类方法技术

本发明专利技术涉及一种深度卷积网络的织物纹理疵点分类方法，所述深度卷积网络包括输入层、卷积层、下采样层、全连接层和输出层，其中，卷积层中的每个神经元的权值矩阵被称为卷积核，所述卷积核与输入之间是全部连接的，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，所得结果为一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播；所述卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达。本发明专利技术提高疵点分类的速度和准确率。

Fabric texture defect classification method based on deep convolution network

The invention relates to a fabric texture defect classification method of a deep convolution network, which comprises an input layer, a convolution layer, a subsampling layer, a full connection layer and an output layer, wherein the weight matrix of each neuron in the convolution layer is called a convolution nucleus, and the convolution nucleus is fully connected with the input. Each convolution kernel extracts features from different positions of the input data through a sliding window, resulting in a two-dimensional feature set, i.e. a feature map; the feature map of the convolution layer will continue to propagate as the input of the next layer; the features extracted by the convolution kernel can abstract the input image layer by layer to obtain a higher level. Distributed feature representation. The invention improves the speed and accuracy of defect classification.

【技术实现步骤摘要】
一种深度卷积网络的织物纹理疵点分类方法
本专利技术涉及织物疵点分类
，特别是涉及一种深度卷积网络的织物纹理疵点分类方法。
技术介绍
现代社会发展迅猛，计算机视觉技术正在广泛地研究和应用于各种工业生产的质量监控。传统的织物纹理疵点分类与检测是由人工视觉检测完成，具体地，人工将织物卷绕在验布机器上使其通过具有透射光的平面，验布人员在机器前通过人眼识别寻找疵点并进行标记、记录和后续修补工作。尽管人工视觉检测方法在以往的纺织生成过程中已经证明了其有效性，但是这种检测方法具有很多弊端，如受限于人类视觉和大脑的生理机能，人工分类和检测效率不高，疵点检出率低，稳定性差；同时增加劳动力成本和容易引起视觉相关职业疾病。采用自动验布检测系统则是通过对织物图像进行处理和分析完成织物疵点的检测与分类，而整个系统的关键是基于图像处理的疵点分类和检测算法。在疵点分类与检测算法的研发过程中缺乏先验性，导致疵点检测算法适应性难以保证；同时，计算机语言的特点决定了疵点检测算法中包含了大量迭代学习、处理和判断过程，在对大数据量的织物图像进行处理时，容易出现检测速度过低，算法的时效性难以满足等情况。近年来，深度学习作为人工智能领域的一个重要分支，一种可以模拟人类视觉和大脑思维方式的学习算法，因为能够学习到大量数据的本质特征而获得了突破性的发展。深度学习模型具有强大的学习能力，高效的特征表达能力，从像素级原始数据到抽象的语义概念逐层提取信息，这使得它在提取图像的全局特征和上下文信息方面具有明显的优势，这为解决一些传统的计算机视觉问题，如图像分类、分割、检测和识别，带来了新的思路。在织物纹理疵点背景下，采用深度学习和现有织物疵点分类与检测算法的结合，将具有巨大的应用前景和意义。经对现有技术的检索发现，目前还没有发现采用深度学习，尤其是深度卷积网络对织物纹理疵点进行分类的相关专利和文献，只有部分采用是传统的统计学方法、频谱分析方法和基于模型的方法对织物纹理疵点检测的文献，其主要思想与本专利技术还存在着较大的差别。专利CN105335763A中提出一种基于改进型极速学习机的织物疵点分类方法，虽然训练时间减少，但是方法本身对疵点分类的准确率对比于支持向量机(SVM)只是略有提高，未能从根本上解决问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种深度卷积网络的织物纹理疵点分类方法，提高疵点分类的速度和准确率。本专利技术解决其技术问题所采用的技术方案是：提供一种深度卷积网络的织物纹理疵点分类方法，所述深度卷积网络包括输入层、卷积层、下采样层、全连接层和输出层，包括以下步骤：(1)构建织物纹理疵点数据库；(2)将图像数据作为深度卷积网络的输入，然后深度卷积网络会对图像数据进行图像特征的学习，卷积层中的每个神经元的权值矩阵被称为卷积核，所述卷积核与输入之间是全部连接的，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，所得结果为一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播；所述卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达；(3)下采样层将不同位置的特征进行聚合，对特征信息进行降维；(4)下采样层的输出进行归一化处理，即将下采样层的输出进行线性变换把数据映射到[0，1]之间；(5)全链接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；(6)输出层选择为10个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。所述步骤(1)中还包括对织物纹理疵点数据库中的图像数据进行预处理的步骤，所述预处理包括：将疵点图像的尺寸调整为深度卷积网络训练时所设计的大小；对调整后的图像进行旋转和平移操作，使深度卷积网络尽可能学习多的图像特征。所述步骤(2)中在卷积层，上一层的特征图被某个可学习的卷积核进行卷积操作，再通过一个激活函数，获得输出特征图，每个输出特征图组合卷积多个特征图的值；其中其中，是卷积层l的第j个通道的净激活，其通过对前一层输出特征图卷积求和与偏置后得到，是卷积层l的第j个通道的输出，函数f(·)表征激活函数；Mj表示用于计算的输入特征图子集，表示卷积核矩阵，为卷积操作后特征图的偏置，*为卷积符号。有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术解决了在织物纹理疵点分类任务中，分类准确率问题，能够通过深度学习中深度卷积网络的自学习能力，对织物纹理疵点进行有效分类，同时结果具有很好的泛化能力。方法的分类效果将对工业织物生产具有重要的现实意义。附图说明图1是正常和疵点的织物图；图2是深度卷积网络算法结构图；图3是疵点分类方法整体结构图；图4是疵点分类方法流程图；图5是网络误差函数训练的结果图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式涉及一种深度卷积网络的织物纹理疵点分类方法，疵点图像如图1所示，疵点的类型分别是正常、百脚、粗纬、吊经、结头、三跳、双经、双纬、污渍和稀纬等。图2是深度卷积网络的结构图，主要包括输入层、卷积层、下采样层、全连接层和输出层。DCNN的输入层可以直接作用于原始图像数据。卷积层的卷积运算在数学中包括连续性卷积运算和离散型卷积运算，运算公式如下：连续性卷积运算公式：离散型卷积运算公式：下采样层，即针对输入图像进行卷积操作得到图像的特征图(featuremap)，再进行下采样得到新的特征。下采样层将每个输入特征图通过以下公式采样输出特征图：其中，为下采样层l的第j通道的净激活，β是下采样层的权重系数，是偏置项。符号down(·)表征下采样函数，它针对输入特征图通过滑动窗口方法划分为多个不重叠n×n图像块，再对每个图像块求和，求最大值或者均值，结果会是输出图像在两个维度上都缩小n倍。全连接即为后面层的神经元节点都和前层的每一个神经元节点连接，而同一层的神经元节点之间是没有连接的。输出层神经元结点数目是根据具体的应用任务来确定的。图3是织物疵点分类方法的整体结构图。具体步骤如下：(1)疵点图像作为网络输入之前，采用图像处理技术对织物原图进行预处理，其中主要包括将原图剪切成统一大小，图像噪声的滤除和图像增强等(2)深度卷积网络的输入可以直接以图像作为原始输入数据，如对于输入是图像来说，则输入数据是图像的像素值。(3)卷积层，其作用是对图像进行特征提取，卷积层最重要的就是卷积核。在卷积层，上一层的特征图被某个可学习的卷积核进行卷积操作，再通过一个激活函数(activationfunction)，即可以获得输出特征图，每个输出特征图可以组合卷积多个特征图的值：其中，是卷积层l的第j个通道的净激活(netactivation)，它通过对前一层输出特征图卷积求和与偏置后得到，是卷积层l的第j个通道的输出，函数f(·)表征激活函数。Mj表示用于计算的输入特征图子集，表示卷积核矩阵，为卷积操作后特征图的偏置。*为卷积符号，在输出特征图中，前一层输出特征图对应的卷积核可能是不相同的。(4)数本文档来自技高网...

【技术保护点】
1.一种深度卷积网络的织物纹理疵点分类方法，其特征在于，所述深度卷积网络包括输入层、卷积层、下采样层、全连接层和输出层，包括以下步骤：(1)构建织物纹理疵点数据库；(2)将图像数据作为深度卷积网络的输入，然后深度卷积网络会对图像数据进行图像特征的学习，卷积层中的每个神经元的权值矩阵被称为卷积核，所述卷积核与输入之间是全部连接的，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，所得结果为一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播；所述卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达；(3)下采样层将不同位置的特征进行聚合，对特征信息进行降维；(4)下采样层的输出进行归一化处理，即将下采样层的输出进行线性变换把数据映射到[0，1]之间；(5)全链接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；(6)输出层选择为10个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。

【技术特征摘要】
1.一种深度卷积网络的织物纹理疵点分类方法，其特征在于，所述深度卷积网络包括输入层、卷积层、下采样层、全连接层和输出层，包括以下步骤：(1)构建织物纹理疵点数据库；(2)将图像数据作为深度卷积网络的输入，然后深度卷积网络会对图像数据进行图像特征的学习，卷积层中的每个神经元的权值矩阵被称为卷积核，所述卷积核与输入之间是全部连接的，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，所得结果为一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播；所述卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达；(3)下采样层将不同位置的特征进行聚合，对特征信息进行降维；(4)下采样层的输出进行归一化处理，即将下采样层的输出进行线性变换把数据映射到[0，1]之间；(5)全链接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；(6)输出层选择为10个输出...

【专利技术属性】
技术研发人员：郝矿荣，隗兵，丁永生，唐雪嵩，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31