基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法技术

本发明专利技术涉及一种基于类脑即时‑通用特征提取网络的纽扣瑕疵检测方法，将实时获得的纽扣图像数据输入到训练好的类脑即时‑通用特征提取网络模型中，由其输出分类结果，即有瑕疵纽扣或无瑕疵纽扣的代码，根据分类结果确定当前纽扣是否属于有瑕疵纽扣；类脑即时‑通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入，以其对应的分类结果作为理论输出，不断更新类脑即时‑通用特征提取网络模型的参数，直至网络收敛，精度不再增加的过程。本发明专利技术的方法省去了复杂的特征工程操作，不仅能检测纽扣的轮廓形状瑕疵，还可检测纽扣的花纹等瑕疵，且适用于多种纽扣的瑕疵检测，普适性高，检测速度快，检测准确率高。

Button defect detection method based on brain like real-time universal feature extraction network

【技术实现步骤摘要】
基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法
本专利技术属于机器视觉和深度学习
，涉及一种基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法。
技术介绍
中国是纺织生产和出口大国，纺织行业经过多年发展，已经日趋完善，纽扣生产属于纺织行业中的辅料生产部分，纽扣的质量直接影响服装的销售。目前在纽扣的生产过程中，大多数生产厂家依旧依靠人工检测纽扣瑕疵，由于外界因素以及人为因素的影响，人工检测的效率和精度都无法得到保证。近几年来，机器视觉处理已成为科学和
的重要组成部分。通过机器视觉进行物体的瑕疵检测在工业生产中是一种常用的方式。传统的纽扣瑕疵检测方式主要以频谱法、统计法、模型法为主，他们均需对纽扣图像进行特征工程的处理，如图像分割，轮廓提取，形态学处理等，以得到直方图、信息熵、空间相关图等特征。这些方式基本只适用于单种纯色纽扣的轮廓形状瑕疵检测，无法应用于多种纽扣的瑕疵检测，且对纽扣花纹等瑕疵无法进行有效的检测，普适性极低。相比于传统的机器视觉处理方式，通过深度神经网络进行纽扣瑕疵检测不需要进行复杂的特征工程工作，该方法本文档来自技高网...

【技术保护点】
1.基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法，其特征是：将实时获得的纽扣图像数据输入到训练好的类脑即时-通用特征提取网络模型中，由其输出分类结果，即有瑕疵纽扣或无瑕疵纽扣的代码，根据分类结果确定当前纽扣是否属于有瑕疵纽扣；/n类脑即时-通用特征提取网络模型由通用特征提取网络和即时特征提取网络结合得到，结合过程为：首先将即时特征提取网络和通用特征提取网络得到的特征图在通道维度进行拼接，然后通过一个卷积层，使来自两个网络的特征图进行有效的融合，接着对其进行全局平均池化后送入全连接层，最后进行分类；/n类脑即时-通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入，以其对应的分类...

【技术特征摘要】
1.基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法，其特征是：将实时获得的纽扣图像数据输入到训练好的类脑即时-通用特征提取网络模型中，由其输出分类结果，即有瑕疵纽扣或无瑕疵纽扣的代码，根据分类结果确定当前纽扣是否属于有瑕疵纽扣；
类脑即时-通用特征提取网络模型由通用特征提取网络和即时特征提取网络结合得到，结合过程为：首先将即时特征提取网络和通用特征提取网络得到的特征图在通道维度进行拼接，然后通过一个卷积层，使来自两个网络的特征图进行有效的融合，接着对其进行全局平均池化后送入全连接层，最后进行分类；
类脑即时-通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入，以其对应的分类结果作为理论输出，不断更新类脑即时-通用特征提取网络模型的参数，直至网络收敛，精度不再增加的过程；训练过程中，冻结通用特征提取网络的最后两个卷积层之外的网络层，将flatten层更改为全局池化层，减少全连接层数，减小全连接层神经元数，并随着epoch增加设置不同学习率lr，


2.根据权利要求1所述的基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法，其特征在于，通用特征提取网络是通过将以VGG16为基础删除其全连接层之后的网络在ImageNet数据集上进行预训练得到的。


3.根据权利要求1所述的基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法，其特征在于，即时特征提取网络为基于CNN建立的一个浅层神经网络。


4.根据权利要求1所述的基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法，其特征在于，融合两个网络的特征图采用的卷积层为3*3的卷积层。


5.根据权利要求1所述的基于类脑即时-通...

【专利技术属性】
技术研发人员：郝矿荣，王嘉豪，陈磊，张义红，唐雪嵩，蔡欣，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31