一种基于深度学习多层特征融合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深度学习多层特征融合的布匹缺陷检测方法，包括以下步骤：S01：建立不同缺陷类别的布匹检测图像库及其标签库，并导入缺陷类别图片；S02：利用数据增广技术扩充布匹检测图像库内的数据；S03：将扩充后的布匹检测图像库数据分为训练集和测试集，对数据进行处理；S04：设计多层特征融合的目标检测网络模型；S05：采用训练集训练设计的网络模型；S06：将训练后的网络模型部署至上位机，并运用至布匹自动检测生产线对布匹进行检测。本发明专利技术中，该匹缺陷检测方法融合了多层特征的网络结构可以准确的检测出缺陷的位置和种类，无需预先设置预设框，也实现了模型端到端的可微性，进而无需肉眼观察，统一了检测标准。

Fabric defect detection method based on deep learning and multi-layer feature fusion

【技术实现步骤摘要】
一种基于深度学习多层特征融合的布匹缺陷检测方法
本专利技术涉及布匹缺陷检测
，尤其涉及一种基于深度学习多层特征融合的布匹缺陷检测方法。
技术介绍
在布匹生产当中，为了确保生产出的布匹符合生产标准，就需要对布匹进行质量的缺陷检测，而产线中布匹缺陷检测大部分依靠人工进行检测，但是人工检测布匹缺陷的检测速度慢，同时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；传统的布匹缺陷检测的技术主要有统计法、频谱法、模型法、和学习方法，这些方法涉及复杂的特征统计和分析，计算量较大，很难满足工业要求。目前利用深度学习方法进行布匹缺陷检测的方法，主要利用两阶段目标检测算法，该方法首先需要生成大量的候选图片，之后再利用卷积神经网络对图片进行分类和回归，从而降低了布匹缺陷检测的速率，增加了布匹检测的时间，无法保证布匹产品的质量一致性。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺点，而提出融合了多层特征的网络结构，可以快速准确的检测出布匹缺陷的一种基于深度学习多层特征融合的布匹缺陷检测方法。本文档来自技高网...

【技术保护点】
1.一种基于深度学习多层特征融合的布匹缺陷检测方法，其特征在于，包括以下步骤：/nS01：建立不同缺陷类别的布匹检测图像库及其标签库，并导入缺陷类别图片；/nS02：利用数据增广技术扩充布匹检测图像库内的数据；/nS03：将扩充后的布匹检测图像库数据分为训练集和测试集，对数据进行处理；/nS04：设计多层特征融合的目标检测网络模型；/nS05：采用训练集训练设计的网络模型；/nS06：将训练后的网络模型部署至上位机，并运用至布匹自动检测生产线对布匹进行检测。/n

【技术特征摘要】
1.一种基于深度学习多层特征融合的布匹缺陷检测方法，其特征在于，包括以下步骤：
S01：建立不同缺陷类别的布匹检测图像库及其标签库，并导入缺陷类别图片；
S02：利用数据增广技术扩充布匹检测图像库内的数据；
S03：将扩充后的布匹检测图像库数据分为训练集和测试集，对数据进行处理；
S04：设计多层特征融合的目标检测网络模型；
S05：采用训练集训练设计的网络模型；
S06：将训练后的网络模型部署至上位机，并运用至布匹自动检测生产线对布匹进行检测。


2.根据权利要求1所述的一种基于深度学习多层特征融合的布匹缺陷检测方法，其特征在于：所述步骤S01中，导入的缺陷类别图片根据布匹缺陷的类别不同，将每种类别布匹缺陷的图片各采集100张以上，使得采集的图片可以覆盖各种布匹缺陷情况。


3.根据权利要求1所述的一种基于深度学习多层特征融合的布匹缺陷检测方法，其特征在于：所述步骤S02中，图像库内数据的增广扩充技术包括平移、旋转、缩放、裁剪和组合变换等方式，用来增加布匹缺陷的多样性。


4.根据权利要求1所述的一种基于深度学习多层特征融合的布匹缺陷检测方法，其特征在于：所述步骤S03中，布匹检测图像库数据处理主要包括以下步骤：
S03.1：根据图片对应的标签，将布匹检测图像库数据按照7：3的比例划分为训练集和测试集；
S03.2：将训练集和测试集中的图像各自减去其均值；
S03.3：对减去均值的图像进行归一化；
S03.4：对归一化后的图像进行...

【专利技术属性】
技术研发人员：赵凯，牛佩红，
申请(专利权)人：苏州臻识信息科技有限公司，
类型：发明
国别省市：江苏;32