一种基于深度学习的布匹瑕疵检测方法技术

本发明专利技术提供一种基于深度学习的布匹瑕疵检测方法，涉及机器视觉技术领域，通过卷积神经网络离线学习训练并分成在线适用的标准无瑕疵布匹和有瑕疵布匹检测器；将训练成功的CNN布匹瑕疵检测器载入上位机，并置于自动生产检测线；进行在线全自动布匹瑕疵检测；通过快速循环卷积神经网络方法搜索定位瑕疵区域。本发明专利技术将特征和检测器结合到一个框架中，自动地从样本中去学习特征，在使用中减少了手工设计特征的巨大工作量，提高了特征选择便捷性和鲁棒性；提升了自动化和智能水平、有效提高检测的精度和速度的基于深度学习的布匹瑕疵检测及定位方法。

【技术实现步骤摘要】
一种基于深度学习的布匹瑕疵检测方法
本专利技术属于计算机视觉瑕疵检测
，具体涉及一种基于深度学习的布匹瑕疵检测方法。
技术介绍
随着技术的不断进步，工业生产的自动化程度也越来越高，在布料生产中，提高生产效率的同时，成品的质量问题仍然不可避免。目前，大部分生产线还都是人工检测，然而该方法检测速度慢，劳动强度大，检测结果受检验人员的经验、熟练程度以及一些主观因素的影响，缺乏一致性和可靠性。同时，这种工作方式还会极大的损伤工人的视觉系统。由于人工检测效率低且不是一种客观一致的评判方法，检测结果容易使行业上下游之间产生贸易纠纷和矛盾。因此,对布匹瑕疵进行准确的识别、定位有着重要的现实意义。现有布匹瑕疵检测的技术主要有统计法、频谱法、模型法、和学习方法。但是，这些方法或多或少都存在计算量大、准确率差和可靠性低的缺陷，很难满足工业要求。(一)解决的技术问题本专利技术的目的在于克服上述现有技术的缺点与不足，提供一种基于深度学习的布匹瑕疵检测方法。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于深度学习的布匹瑕疵检测方法，包括样本预处理、离线训练、在线检测三个阶段，具体步骤如下：S1、训练样本的采集；S2、进行样本的预处理；S3、样本分类成有瑕疵和无瑕疵两类并进行处理；S4、通过有瑕疵和无瑕疵两类样本，通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器；S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机，并置于自动生产线；S6、进行在线全自动布匹瑕疵检测；S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。进一步地，所述步骤S1样本总量为1万张以上。进一步地，所述步骤S2包括以下子步骤：S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波，使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声；S2.2、对步骤S2.1所得到的图像进行去均值；S2.3、对步骤S2.2所得到的图像进行归一化；S2.4、对步骤S2.3所得到的图像进行PCA降维。进一步地，步骤S3包括以下子步骤：S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像，其中不包含瑕疵的子图像样本作为布匹正样本，含有瑕疵的子图像作为布匹负样本；S3.2、在训练CNN网络模型的过程中，为增加布匹检测器的可靠性和健壮性，对步骤S3.1中的样本进行随机的微小尺度变换、对比度变换和旋转变换；S3.3、每次调用小批样本时，小批数量选32个样本，随机对样本进行镜像对称，添加高斯噪声，并从变换后的小样本图像中随机抽取N*N的区域作为卷积神经网络的训练样本。进一步地，所述正样本、负样本的比例控制为m:n。进一步地，所述正样本、负样本的比例控制为1:2。进一步地，步骤S4包括以下子步骤：S4.1、根据布匹标准样本和布匹瑕疵样本，采用BP算法训练布匹瑕疵检测神经网络模型，每次迭代采用随机梯度下降法最小批计算网络误差并且迭代、更新权重；S4.2、训练时，学习速率需要预先设定一个值x；S4.3、每次迭代输入小批样本，输入样本数量为32个；S4.4、卷积神经网络模型包括第一阶段通过前向计算得到互熵损失，第二阶段通过反向传播算法计算一小批样本上的梯度，第三阶段用这部分梯度迭代更新权重参数，对低层特征通过神经元进行线性组合形成高层特征；S4.5、当测试集上的正确率满足所要求的准确率时终止卷积网络训练，最终获得布匹瑕疵检测器。进一步地，所述步骤S4.2学习速率设定为0.01。进一步地，步骤S7包括以下子步骤：S7.1、输入测试图像，将整张图像输入CNN，进行特征提取；S7.2、用RPN网络生成建议窗口，每张图片生成约300个建议窗口；S7.3、把建议窗口映射到CNN的最后一层卷积特征图上；S7.4、通过ROI池化层使每个ROI生成固定尺寸的特征图；S7.5、利用探测分类概率和探测边框回归对分类概率和边框概率联合训练。(三)有益效果本专利技术的有益效果：一种基于深度学习的布匹瑕疵检测方法，具有如下优点：(1)在训练阶段，卷积神经网络从大量不同的布匹正样本和负样本中学习到布匹瑕疵本质的特征，这种特征比从图像人工提取的特征有更强的可识别性，即可分类性；(2)由于卷积神经网络对识别图像一定程度的缩放、位移以及其他形式的变形具有一定的鲁棒性；(3)对光照环境的变化，拍摄角度的变化具有很强的鲁棒性；(4)由于布匹瑕疵检测过程无需人工参与，布匹生产检测的自动化提高，操作简单，生产效率高，运行成本低。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法流程图；图2为本专利技术卷积神经网络结构图；图3为本专利技术卷积神经网络训练流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。结合图1，一种基于深度学习的布匹瑕疵检测方法，包括样本预处理、离线训练、在线检测三个阶段，具体步骤如下：S1、训练样本的采集；样本总量为1万张以上；S2、进行样本的预处理；步骤S2包括以下子步骤：S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波，使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声；S2.2、对步骤S2.1所得到的图像进行去均值；S2.3、对步骤S2.2所得到的图像进行归一化；S2.4、对步骤S2.3所得到的图像进行PCA降维。S3、样本分类成有瑕疵和无瑕疵两类并进行处理；步骤S3包括以下子步骤：S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像，其中不包含瑕疵的子图像样本作为布匹正样本，含有瑕疵的子图像作为布匹负样本；所述正样本、负样本的比例控制为m:n，本专利技术正样本、负样本的比例控制为1:2。S3.2、在训练CNN网络模型的过程中，为增加布匹检测器的可靠性和健壮性，对步骤S3.1中的样本进行随机的微小尺度变换、对比度变换和旋转变换；S3.3、每次调用小批样本时，小批数量选32个样本，随机对样本进行镜像对称，添加高斯噪声，并从变换后的小样本图像中随机抽取N*N的区域作为卷积神经网络的训练样本。S4、通过有瑕疵和无瑕疵两类样本，通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器；步骤S4包括以下子步骤：S4.1、根据布匹标准样本和布匹瑕疵样本，采用BP算法训练布匹瑕疵检测神经网络模型，每次迭代采用随机梯度下降法最小批计算网络误差并且迭代、更新权重；S4.2、训练时，学习速率需要预先设定一个值x，本专利技术学习速率设定为0.01；S4.3、每次迭代输入小批样本，输入样本数量为32个；S4.4、卷积神经网络模型包括第一阶段通过前向计算得到互熵损失，第二阶段通过反向传播算法计算一小批样本上的梯度，第三阶段用这部分梯度迭代更新权重参数，对低层特征通过神经元进行线性组合形本文档来自技高网...

【技术保护点】
1.一种基于深度学习的布匹瑕疵检测方法，其特征在于，包括样本预处理、离线训练、在线检测三个阶段，具体步骤如下：S1、训练样本的采集；S2、进行样本的预处理；S3、样本分类成有瑕疵和无瑕疵两类并进行处理；S4、通过有瑕疵和无瑕疵两类样本，通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器；S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机，并置于自动生产线；S6、进行在线全自动布匹瑕疵检测；S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。

【技术特征摘要】
1.一种基于深度学习的布匹瑕疵检测方法，其特征在于，包括样本预处理、离线训练、在线检测三个阶段，具体步骤如下：S1、训练样本的采集；S2、进行样本的预处理；S3、样本分类成有瑕疵和无瑕疵两类并进行处理；S4、通过有瑕疵和无瑕疵两类样本，通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器；S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机，并置于自动生产线；S6、进行在线全自动布匹瑕疵检测；S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。2.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法，其特征在于：所述步骤S1样本总量为1万张以上。3.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法，其特征在于：所述步骤S2包括以下子步骤：S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波，使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声；S2.2、对步骤S2.1所得到的图像进行去均值；S2.3、对步骤S2.2所得到的图像进行归一化；S2.4、对步骤S2.3所得到的图像进行PCA降维。4.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法，其特征在于，步骤S3包括以下子步骤：S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像，其中不包含瑕疵的子图像样本作为布匹正样本，含有瑕疵的子图像作为布匹负样本；S3.2、在训练CNN网络模型的过程中，为增加布匹检测器的可靠性和健壮性，对步骤S3.1中的样本进行随机的微小尺度变换、对比度变换和旋转变换；S3.3、每次调用小批样本时，小批数量选32个样本，随机对样本进行镜像对称，添加高斯噪声，并从变换后的小样本图像中随...

【专利技术属性】
技术研发人员：姚克明，王小兰，郝大培，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏,32