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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。