基于卷积神经网络的布匹缺陷检测方法技术

本发明专利技术公开了一种基于卷积神经网络的布匹缺陷检测方法，包括如下步骤：步骤S1，训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型；步骤S2，基于所述布匹缺陷分类检测模型，多层提取待检测的布匹图像的图像特征；步骤S3，基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各特征图进行前背景分类；步骤S4，将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合，得到经图像融合后的关联于所述布匹图像的融合特征图；步骤S5，基于所述布匹缺陷分类检测模型，对所述融合特征图进行分类检测，得到所述布匹图像上存在的布匹缺陷对应的缺陷种类，并输出缺陷种类检测结果，本发明专利技术提高了布匹缺陷检测准确率和检测效率。

Fabric defect detection method based on convolution neural network

【技术实现步骤摘要】
基于卷积神经网络的布匹缺陷检测方法
本专利技术涉及布匹缺陷检测
，具体涉及一种基于卷积神经网络的布匹缺陷检测方法。
技术介绍
在布匹缺陷检测领域中，由于布匹上通常具有多种纹路，所以对于布匹缺陷的检测较为困难。近些年，随着计算机视觉识别技术的发展，出现了一些利用计算机视觉识别技术识别布匹缺陷的方法，但也因为布匹纹路过于繁杂，而且布匹颜色丰富，各种颜色特别是较深的颜色对于布匹缺陷检测造成了障碍，导致布匹缺陷检测的识别率和准确率较低。目前，还存在基于深度学习的布匹缺陷检测方法，但现有的基于深度学习的布匹缺陷检测方法同样由于布匹纹理过于复杂，无法很好地实现布匹图像的缺陷部分与非缺陷部分的图像分类，很难对缺陷位置进行识别定位，而且在大面积检测布匹缺陷时检测时间过长，检测准确率较低。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的布匹缺陷检测方法，以解决上述技术问题。为达此目的，本专利技术采用以下技术方案：提供一种基于卷积神经网络的布匹缺陷检测方法，用于对布匹上存在的缺陷进行分类检测，包括如下步骤：步骤S1，以布匹样本数据集为训练样本作为一训练网络的输入，训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型；步骤S2，基于所述布匹缺陷分类检测模型，多层提取待检测的布匹图像的图像特征，得到所述布匹图像对应的多张特征图；步骤S3，基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各所述特征图进行前背景分类；步骤S4，将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合，得到经图像融合后的关联于所述布匹图像的融合特征图；步骤S5，基于所述布匹缺陷分类检测模型，对所述融合特征图进行分类检测，得到所述布匹图像上存在的布匹缺陷对应的缺陷种类，并输出缺陷种类检测结果。作为本专利技术的一种优选方案，所述步骤S1中，所述训练网络为ResNet50卷积神经网络结构。作为本专利技术的一种优选方案，所述步骤S2中，所述布匹缺陷分类检测模型基于RPN网络架构提取所述布匹图像的图像特征。作为本专利技术的一种优选方案，所述步骤S3中对各所述特征图进行前背景分类的图像增强方法包括mixup、图像加噪和图像旋转中的任意一种或多种。作为本专利技术的一种优选方案，所述步骤S4中，所述布匹缺陷分类检测模型基于FPN网络架构对关联于所述布匹图像的各所述特征图进行融合，得到所述融合特征图。作为本专利技术的一种优选方案，所述步骤S4中，对各所述特征图进行图像融合的具体方法步骤如下：步骤S41，以递归的图像特征融合方式，对当前层级的上一层级提取的所述特征图进行上采样，使得上一层级提取的所述特征图的尺寸与当前层级提取的所述特征图的尺寸一致；步骤S42，对所述步骤S41上采样得到的所述特征图进行图像卷积处理，使得上采样得到的所述特征图的图像通道数与当前层级提取的所述特征图的图像通道数一致；步骤S43，将经所述步骤S42处理后的上一层级的所述特征图和当前层级的所述特征图进行特征融合，直至完成对所有所述特征图的图像融合过程，最终得到关联于所述布匹图像的所述融合特征图。本专利技术通过多层提取布匹图像的缺陷特征，并对所提取的各特征图进行前背景分类，然后将各特征图的前景图像进行特征融合，再对特征融合后的融合特征图进行缺陷分类检测，大幅提高了布匹缺陷的检测准确率，而且大幅提高了布匹缺陷检测的效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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是本专利技术一实施例所述的基于卷积神经网络的布匹缺陷检测方法的步骤图；图2是对各所述特征图进行图像融合的具体方法步骤图；图3是对布匹图像进行图像特征提取的流程框图；图4是对各特征图进行图像融合的原理框图。具体实施方式下面结合附图并通过具体实施方式来进一步说明本专利技术的技术方案。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。在本专利技术的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。本专利技术一实施例提供的基于卷积神经网络的布匹缺陷检测方法，用于对布匹上存在的缺陷进行分类检测，请参照图1和图3，包括如下步骤：步骤S1，以布匹样本数据集为训练样本作为一训练网络的输入，训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型；步骤S2，基于布匹缺陷分类检测模型，多层提取待检测的布匹图像的图像特征，得到布匹图像对应的多张特征图；步骤S3，基于布匹缺陷分类检测模型对步骤S2提取到的各特征图进行前背景分类；步骤S4，将步骤S3分类得到的关联于各特征图的前景图像进行图像融合，得到经图像融合后的关联于布匹图像的融合特征图；步骤S5，基于布匹缺陷分类检测模型，对融合特征图进行分类检测，得到布匹图像上存在的布匹缺陷对应的缺陷种类，并输出缺陷种类检测结果。步骤S1中，训练布匹缺陷分类检测模型的训练网络优选为ResNet50卷积神经网络。ResNet50网络架构为现有的其中一种卷积神经网络架构。基于ResNet50，并以布匹样本数据集为训练样本训练布匹缺陷分类检测模型的方法为现有技术，而且，布匹缺陷分类检测模型的训练过程也并非本专利技术要求权利保护的范围，所以具体训练过程在此不作阐述。布匹样本数据集中包含多张已作出缺陷标记的布匹图像。对于作为样本图像的布匹图像的缺陷标注可以通过人工标注实现，也可以通过机器识别实现。步骤S2中，布匹缺陷分类检测模型基于RPN网络架构提取布匹图像的图像特征，得到关联于布匹图像的多张特征图。RPN网络是现有的另外一种卷积神经网络架构，其提取布匹图像本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的布匹缺陷检测方法，用于对布匹上存在的缺陷进行分类检测，其特征在于，包括如下步骤：/n步骤S1，以布匹样本数据集为训练样本作为一训练网络的输入，训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型；/n步骤S2，基于所述布匹缺陷分类检测模型，多层提取待检测的布匹图像的图像特征，得到所述布匹图像对应的多张特征图；/n步骤S3，基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各所述特征图进行前背景分类；/n步骤S4，将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合，得到经图像融合后的关联于所述布匹图像的融合特征图；/n步骤S5，基于所述布匹缺陷分类检测模型，对所述融合特征图进行分类检测，得到所述布匹图像上存在的布匹缺陷对应的缺陷种类，并输出缺陷种类检测结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的布匹缺陷检测方法，用于对布匹上存在的缺陷进行分类检测，其特征在于，包括如下步骤：
步骤S1，以布匹样本数据集为训练样本作为一训练网络的输入，训练形成一用于分类检测布匹缺陷的布匹缺陷分类检测模型；
步骤S2，基于所述布匹缺陷分类检测模型，多层提取待检测的布匹图像的图像特征，得到所述布匹图像对应的多张特征图；
步骤S3，基于所述布匹缺陷分类检测模型对所述步骤S2提取到的各所述特征图进行前背景分类；
步骤S4，将所述步骤S3分类得到的关联于各所述特征图的前景图像进行图像融合，得到经图像融合后的关联于所述布匹图像的融合特征图；
步骤S5，基于所述布匹缺陷分类检测模型，对所述融合特征图进行分类检测，得到所述布匹图像上存在的布匹缺陷对应的缺陷种类，并输出缺陷种类检测结果。


2.如权利要求1所述的布匹缺陷检测方法，其特征在于，所述步骤S1中，所述训练网络为ResNet50卷积神经网络结构。


3.如权利要求1所述的布匹缺陷检测方法，其特征在于，所述步骤S2中，所述布匹缺陷分类检测模型基于RPN网络架构提取所述布匹图像的图像特征。<...

【专利技术属性】
技术研发人员：艾国，赫工博，杨敏，
申请(专利权)人：创新奇智北京科技有限公司，
类型：发明
国别省市：北京;11