一种基于卷积神经网络的织物表面缺陷检测方法技术

本发明专利技术公开了一种基于卷积神经网络的织物表面缺陷检测方法，包括以下步骤：S1、数据集收集与标记；S2、制作数据集缺陷样本图像的GroundTruth；S3、构建卷积神经网络模型；S4、训练卷积神经网络模型，得到最优的模型；S5、在线采集织物的缺陷图像，将待检测织物图像输入到上述训练好的卷积神经网络模型中进行图像分割，通过卷积神经网络模型实现在线的自动检测，从而识别织物表面存在的缺陷。本发明专利技术可以克服人工设计缺陷特征的缺点，能利用卷积神经网络从预先标记好的样本数据集中学习特征，从而快速准确进行分割，实现对织物表面缺陷进行准确且自动检测，节省人力物力，提高织物产品品质。

【技术实现步骤摘要】
一种基于卷积神经网络的织物表面缺陷检测方法
本专利技术涉及织物表面缺陷检测
，尤其涉及一种基于卷积神经网络的织物表面缺陷检测方法。
技术介绍
随着纺织行业的飞速发展，人们对织物布匹质量的控制也越来越严格，在纺织工业中，人为过失、机器故障、纱线断裂等各种不利因素容易造成面料缺陷并影响产品品质，从而给企业造成巨大的经济损失，因此织物疵点检测是品质控制的重要环节之一。疵点种类多样、形状不一，传统的检测过程主要依靠人眼识别，而目前绝大部分的纺织企业依赖人工视觉检测织物缺陷，传统的人工检测易受个人视力、疲劳状况、情绪、光照等主客观因素的影响，往往无法确保检测的精度及准确率，效率低下。尤其对于纹理复杂、图案花型多变、颜色差异较小的缺陷，人眼几乎不能识别，远远不能满足工业生产应用的需求。缺陷的存在对纺织终端产品的质量及价格有着决定性影响，如果缺陷产品应用于航空、军工及医用中，将造成不可估量和无法挽回的损失，因此，织物缺陷检测尤为重要。然而由于各类织物纹理结构复杂，噪声和细微缺陷之间相似性高，极大增加了缺陷检测的难度。传统的织物缺本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述方法包括以下步骤：/nS1、数据集收集与标记；/nS2、制作数据集缺陷样本图像的GroundTruth；/nS3、构建卷积神经网络模型；/nS4、训练卷积神经网络模型，得到最优的模型；/nS5、在线采集织物的缺陷图像，将待检测织物图像输入到上述训练好的卷积神经网络模型中进行图像分割，通过卷积神经网络模型实现在线的自动检测，从而识别织物表面存在的缺陷。/n

【技术特征摘要】
1.一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述方法包括以下步骤：
S1、数据集收集与标记；
S2、制作数据集缺陷样本图像的GroundTruth；
S3、构建卷积神经网络模型；
S4、训练卷积神经网络模型，得到最优的模型；
S5、在线采集织物的缺陷图像，将待检测织物图像输入到上述训练好的卷积神经网络模型中进行图像分割，通过卷积神经网络模型实现在线的自动检测，从而识别织物表面存在的缺陷。


2.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S1中通过收集若干类织物表面缺陷样本集图像并进行标记，同时收集一类正常样本进行标记，将收集的上述样本图像作为数据集。


3.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S2中通过将数据集中所有缺陷样本图像按8:2的比例划分出训练集和验证集。


4.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述卷积神经网络模型为多层卷积神经网络模型，使用双向分割网络并基于卷积模块DepthwiseFire、独特注意力优化模块ARM、通道注意力模块SE和特征融合模块FFM进行搭建的。


5.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S3中卷积神经网络模型的构建方法包括以下步骤：
步骤一、输入图像；
步骤二、对图像进行卷积操作，使用双向分割网络，将卷积操作分为PartA网络结构和PartB...

【专利技术属性】
技术研发人员：郑小青，陈杰，郑松，孔亚广，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33