基于弱监督学习的三分支卷积网络织物疵点检测方法技术

本发明专利技术提出了一种基于弱监督学习的三分支卷积网络织物疵点检测方法，其步骤为：首先，基于弱监督网络中的互斥原则，建立多示例学习的检测网络，以便利用图像级标签进行训练。然后，建立三分支网络框架，并采用长连接结构以便对多层级卷积特征图进行提取及融合；同时，利用SE模块和空洞卷积，分别学习了通道之间的相关性和扩大了卷积感受野。最后，利用类激活映射的方法计算出目标的定位信息，获得疵点图像的注意力映射。本发明专利技术综合考虑了织物图片所包含的丰富的纹理特征及疵点标签缺失的问题，通过采用弱监督网络机制及互斥原则，在减少对标签的依赖性的同时，提升对织物图像的表征能力，使得检测结果具有更高的检测精度和自适应性。

【技术实现步骤摘要】
基于弱监督学习的三分支卷积网络织物疵点检测方法
本专利技术涉及纺织品图像处理
，特别是指一种基于弱监督学习的三分支卷积网络织物疵点检测方法。
技术介绍
织物缺陷检测在织物产品的质量控制中起着至关重要的作用，一直是科学研究人员的主要研究方向。但是，由于织物种类繁多，一个生产厂商能同时生产上百种不同纹理的布匹，这就导致了缺陷检测极其复杂。传统的织物检测主要是通过人工视觉进行的。由于工人本身的感官问题及长时间连续工作的疲劳，使得漏检，误检等情况经常出现。这会导致较高的人工成本和较低的生产效率。因此，快速自动检测缺陷的机器视觉为织物检测提供了理想的解决方案。近年来，深度学习技术，特别是深度卷积神经网络CNN(ConvolutionalNeuralNetwork)在机器视觉中表现出更强大的特征表示能力，并在目标检测领域取得了显著的进步。于是，相关学者提出将CNN与显著性检测相结合，应用到疵点的检测和定位方面。文献[OuyangW,XuB,HouJ,etal.FabricDefectDetectionUsingActivationLayerE本文档来自技高网...

【技术保护点】
1.一种基于弱监督学习的三分支卷积网络织物疵点检测方法，其特征在于，其步骤如下：/nS1、从织物图像库中选取数据集，并将数据集分为正样本数据集和负样本数据集，其中，正样本数据集中的图像为包含疵点的织物图像，负样本数据集中的图像为正常织物图像；/nS2、构建弱监督网络，利用正样本数据集和负样本数据集同时对弱监督网络进行训练，得到弱监督检测网络；/nS3、将全局平均池化层加入弱监督检测网络中，以便引入类激活映射，得到完整的弱监督检测网络模型；/nS4、将待检测的织物图像输入完整的弱监督检测网络模型中进行识别，输出织物图像的类激活图和类别。/n

【技术特征摘要】
1.一种基于弱监督学习的三分支卷积网络织物疵点检测方法，其特征在于，其步骤如下：
S1、从织物图像库中选取数据集，并将数据集分为正样本数据集和负样本数据集，其中，正样本数据集中的图像为包含疵点的织物图像，负样本数据集中的图像为正常织物图像；
S2、构建弱监督网络，利用正样本数据集和负样本数据集同时对弱监督网络进行训练，得到弱监督检测网络；
S3、将全局平均池化层加入弱监督检测网络中，以便引入类激活映射，得到完整的弱监督检测网络模型；
S4、将待检测的织物图像输入完整的弱监督检测网络模型中进行识别，输出织物图像的类激活图和类别。


2.根据权利要求1所述的基于弱监督学习的三分支卷积网络织物疵点检测方法，其特征在于，所述正样本数据集的数量最少为3000张，负样本数据集的数量最少为3000张。


3.根据权利要求1所述的基于弱监督学习的三分支卷积网络织物疵点检测方法，其特征在于，所述步骤S2中的弱监督网络包括第一阶段、第二阶段、第三阶段、第四阶段和全局平均池化层；第一阶段与第二阶段相连接，第二阶段与第三阶段相连接，第三阶段与第四阶段相连接，第四阶段与全局平均池化层相连接。


4.根据权利要求3所述的基于弱监督学习的三分支卷积网络织物疵点检测方法，其特征在于，所述第一阶段包括卷积层Conv1-1和卷积层Conv1-2，卷积层Conv1-1与卷积层Conv1-2相连接；所述第二阶段包括卷积结构conv2-T、卷积层conv2-M和卷积结构conv2-B；卷积结构conv2-T包括卷积层Conv2-T和第一SE模块，卷积层Conv2-T与第一SE模块相连接；卷积结构conv2-B包括池化层pool-1、卷积层Conv2-B-1、卷积层Conv2-B-2、第二SE模块和上采样层UnPooling-1，池化层pool-1与卷积层Conv2-B-1相连接，卷积层Conv2-B-1与卷积层Conv2-B-2相连接，卷积层Conv2-B-2与第二SE模块相连接，第二SE模块与上采样层UnPooling-1相连接；第三阶段为空洞卷积模块，空洞卷积模块包括卷积层Conv3-1、卷积层Conv3-2、卷积层Conv3-3和卷积层Conv3-4；第四阶段包括卷积层Conv4；所述卷积层Conv1-2分别与卷积层Conv2-T和池化层pool-1相连接，卷积层Conv1-2、卷积层Conv2-T、池化层pool-1均与卷积层conv2-M相连接，卷积层conv2-M分别与卷积层Conv3-1、卷积层Conv3-2、卷积层Conv3-3和卷积层Conv3-4相连接，卷积层Conv3-1、卷积层Conv3-2、卷积层Conv3-3和卷积层Conv3-4均与卷积层Conv4相连接，卷积层Conv4与全局平均池化层相连接。


5.根据权利要求1所述的基于弱监督学习的三分支卷积网络织物疵点检测方法，其特征在于，所述利用正样本数据集和负样本数据集对弱监督网络进行训练，得到弱监督检测网络的方法为：
S21、设置训练次数k＝1和最大训练次数kmax；
S22、分别从正样本数据集和负样本数据集随机选取Q张图像，将Q张图像输入弱监督网...

【专利技术属性】
技术研发人员：丁淑敏，李春雷，霍昭辰，刘洲峰，郭振铎，魏苗苗，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南;41