一种基于自注意力的彩色纹理织物缺陷区域的检测方法技术

本发明专利技术公开了一种基于自注意力的彩色纹理织物缺陷区域的检测方法，具体为：建立包括彩色纹理无缺陷图像的彩色纹理织物数据集，对彩色纹理织物数据集中的彩色纹理无缺陷图像叠加噪声；构建基于Transformer的Swin

【技术实现步骤摘要】
一种基于自注意力的彩色纹理织物缺陷区域的检测方法


[0001]本专利技术属于缺陷检测方法
，涉及一种基于自注意力的彩色纹理织物缺陷区域的检测方法。

技术介绍

[0002]彩色纹理织物花型美观多样，近年来销量与日剧增，其不仅被用于服装制造，也被用于工业产品。然而，在其生产过程中，由于不可抗拒的因素影响会导致织物表面存在缺陷。目前，大多企业采用人工目测的方法对其进行缺陷检测，但人工目测会受人眼疲劳程度的影响导致效率低漏检率高。因此，需要一种准确且快速的彩色纹理织物自动缺陷检测方法。
[0003]当前，基于机器视觉的织物缺陷检测技术受到了许多研究人员的广泛关注。根据缺陷检测方法的不同，可分为传统方法和深度学习方法。传统检测方法可分为基于空间的、基于频域的、基于模型的、基于学习的方法。传统检测方法只针对纹理简单的灰度织物布匹，无法对复杂花型取得良好的检测效果。由于卷积深网络具有强大的特征提取和特征融合的能力，深度学习方法逐渐成为研究热点，其中有监督的方法在特定的织物场景下取得了良好的检测效果，但依赖于大量的缺陷样本和人工标记的缺陷区域。由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，具体按照如下步骤实施：步骤1，建立包括彩色纹理无缺陷图像的彩色纹理织物数据集，对彩色纹理织物数据集中的彩色纹理无缺陷图像叠加噪声；步骤2，构建基于Transformer的Swin
‑
Unet模型；步骤3，将步骤1叠加噪声的彩色纹理织物无缺陷图像输入到步骤2构建的基于Transformer的Swin
‑
Unet模型中进行训练，得到训练好的基于Transformer的Swin
‑
Unet模型；步骤4，使用步骤3训练好的基于Transformer的Swin
‑
Unet模型对待测彩色纹理织物图像进行重构，输出对应的重构图像，然后根据重构图像判断并定位缺陷区域。2.根据权利要求1所述的一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，所述步骤1具体为：步骤1.1，建立彩色纹理织物数据集，彩色纹理织物数据包括彩色纹理织物无缺陷图像训练集和彩色纹理织物有缺陷图像测试集，彩色纹理织物数据集中的所有图像均整理成512
×
512
×
3大小的分辨率，图像格式均为.jpg；步骤1.2，对步骤1.1中的彩色纹理织物无缺陷图像训练集中的彩色纹理织物无缺陷图像叠加噪声，如式(1)所示：式中，X为彩色纹理织物无缺陷图像，N(0,0.1)表示服从均值为0、方差为0.1的标准正态分布的高斯噪声，为叠加噪声后的彩色纹理织物无缺陷图像。3.根据权利要求2所述的一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，所述步骤2中的基于Transformer的Swin
‑
Unet模型具体为：所述基于Transformer的Swin
‑
Unet模型为一个基于Transformer的U型对称编码器
‑
解码器结构，分别由编码器、瓶颈层、解码器依次连接组成，编码器的输入层为叠加噪声彩色纹理织物无缺陷图像，解码器的输出层为重构后的彩色纹理织物图像，编码器和解码器之间通过3个跳接层相互连接。4.根据权利要求3所述的一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，所述编码器由输入层、Patch Embedding层、3个Swin Transformer Block层和3个Patch Merging层连接组成，其中，Swin Transformer Block层和Patch Merging层交替相连，所述Patch Embedding层利用卷积核为4、步长为4、填充为0的卷积与Swin Transformer Block层相连，所述Swin Transformer Block层利用自注意力层与Patch Merging层相连，所述Patch Merging层利用全连接层和通道归一化操作与Swin Transformer Block层相连，编码器的最后一个所述Patch Merging层与所述瓶颈层连接；所述瓶颈层由2个Swin Transformer Block层依次连接组成，瓶颈层的两个所述Swin Transformer Block层分别利用通道归一化操作和全连接层连接编码器的输出层和解码器的输入层；所述解码器由3个Patch Expanding层、3个Swin Transformer Block层、Patch Projection层、输出层连接组成，解码器的第一个所述Patch Expanding层与所述瓶颈层的
第二个所述Swin Transformer Block层连接，其中，Patch Expanding层和Swin Transformer Block层交替相连，所述Patch Expanding 层利用全连接层和通道归一化操作与Swin Transformer Block层相连，所述Swin Transformer Block层利用自注意力层与Patch Projection层连接，所述Patch Projection层利用卷积核为1、步长为1、填充为0的卷积与输出层相连；所述编码器的3个Swin Transformer Block层与解码器的3个Swin Transformer Block层一一对应连接。5.根据权利要求4所述的一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，所述Swin Transformer Block层由LayerNorm层、窗口多头自注意力层、移位窗口多头自注意力层、MLP层组成，所述LayerNorm层是通道归一化操作，所述窗口多头自注意力层和移位窗口多头自注意力层都由2个全连接层组成，并在全连接层后加入了激活函数Softmax，移位窗口多头自注意力层在激活函数Softmax后加入了移位和切片操作，所述MLP层由2个全连接层组成，并在2个全连接层间加入了激活函数GELU，按照以下方式连接：输入特征z
l
‑1先经过LayerNorm层，再经过窗口多头自注意力层，接着经过相加操作得到接着经过LayerNorm层、MLP层和相加操作得到z
l
，然后再经过LN层、移位窗口多头自注意力层和相加操作得到最后经过LayerNorm层、MLP层和相加操作得到输出特征z
l+1
，过程如式(2)：式中，LN()表示经过LayerNorm层处理输出，MLP()表示经过MLP 层处理输出，W
‑
MSA()表示经过窗口多头自注意力层处理输出、SW
‑
MSA()表示经过移位窗口多头自注意力层处理输出，LayerNorm层为通道归一化操作。6.根据权利要求5所述的一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，所述窗口多头自注意力层和移位窗口多头自注意力层是在每个窗口中计算自注意力Attention(Q,K,V)，如式(3)：式中，Q、K、V分别表示查询矩阵、键矩阵、值矩阵，d表示矩阵的维度，B表示偏置矩阵，SoftMax为激活函数。7.根据权利要求6所述的一种基于自注意力的彩色纹理织物缺陷区域的检测方法，其特征在于，所述编码器的第一个Swin Transformer Block层中MLP层神经元个数前者为48、后者为192，编码器的第二个Swin Transformer Block层中MLP层神经元个数前者为96、后者为384，编码器的第三个Swin Transformer Block层中MLP层神经元个数前者为192、后者
为768，所述瓶颈层的Swin Transformer Block层中MLP层神经元个数前者和后者分别都为384...

【专利技术属性】
技术研发人员：张宏伟，熊文博，张伟伟，张蕾，景军锋，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：