基于人工智能的纺织布瑕疵检测模型的构建检测方法技术

本发明专利技术公开了基于人工智能的纺织布瑕疵检测模型的构建检测方法，包括如下步骤，织物疵点训练集构建，织物疵点图像的预处理，建立织物疵点数据库，建立测试集，通过数据库建立模型，并根据对检测模型进行训练并使用，本申请的系统方法最少可减少50%纺织品疵点检测有关人员，提高劳动生产率，降低成本，减轻工人劳动强度；同时依靠检测数据指导减少织疵，做到织出的布就是合格品。织出的布就是合格品。织出的布就是合格品。

【技术实现步骤摘要】
基于人工智能的纺织布瑕疵检测模型的构建检测方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于人工智能的纺织布瑕疵检测模型的构建检测方法。

技术介绍

[0002]目前纺织行业主要的验布方式为半自动人工验布，一个称职的检验员能满足检验、正确识别和评定所有纺织品的疵点，但人的肉眼检测不可能没有偏差。另外，由于一个检查员在验布工作环境下(主要是强光造成的视疲劳)精力集中的最长时间为20
‑
30分钟，超过此时间段，就会产生疲劳，即使一个人全神贯注，每小时也只能观察到200次事件，但如果在20秒内没有观察到特殊事件，检验员的注意力就会下降，且只会对清晰易见的事件产生反应。事实上大概有30％的疵点未被检测到，即使在考试环境下，不同人员的疵点评分的重现性很少能超过50％，随着检验的持续进行，一个检验偏差可能会也可能不会被判做疵点，即使织疵通常被评为疵点，在个别情况下也会被认为“无害”。但是其它偏差只能被评为“无害”或者具有某种程度的不确定性的有害疵点。这样“检验”检验员就不可能具有一个客观的尺度，往往因检验纰漏很多。
[0003](1)必须寻找纺织品的差异并且必须覆盖整幅纺织品。若纺织品以0.08
‑
0.33M/S的速度移动，甚至在某些情况下以高达1M/S的速度移动。在lM的距离范围内，人眼只能提供直径为0.018M的圆形的清晰图象，所以必须连续移动。
[0004](2)疵点的特征如大小式样、形状、反差、织造的均匀性等对后道工序的影响，在每种情况下必须连续予以评定：要考虑疵点分为不同的种类、影响和可能弥补的办法。
[0005](3)在整个移动过程中必须连续做出决定，一个疵点是否做记号修理或忽略不记。以上因素说明了人工纺织品检验不可克服的缺陷，使得这种检验肯定不能满足检验有关高可靠性和重现性方面的要求，质量检验的客观、公正和权威性因此大大下降。

技术实现思路

[0006]为了解决上述的主要技术问题，本专利技术提出了一种基于人工智能的纺织布瑕疵检测模型的构建检测方法，通过机器视觉技术是软件和硬件的结合，主要组成部分包括照相机、摄像头、图像传感器、视觉处理和通信设备。完备的系统能捕捉任意对象的图像，并根据质量和安全性的不同参数，一旦出现上述疵点，应分别分类纪录标出，并评分考核；如连续或重复多次出现，则必须发出警报，及时停机处理。
[0007]本专利技术的技术方案如下：基于人工智能的纺织布瑕疵检测模型的构建检测方法，包括如下步骤，步骤1、织物疵点训练集构建，采用线阵相机在实际生产线上采集足够数量的图像，从图像中分割出疵点所在的区域，然后建立起常见类别的织物疵点图像数据库；步骤2、织物疵点图像的预处理，突出织物纹理图像信息和疵点信息，对疵点特征提取，建立织物疵点数据库；
步骤3、建立测试集，采用TILDA织物数据库中150幅有瑕疵织物图像进行检测模型的测试，通过角度旋转，比例缩放等数据扩增方法获得更多测试数据库样本，图标数据代表相应的瑕疵类型图像数量，包含破洞、污点、吊经、缺纬、缺经等瑕疵类型，图像大小均为256
×
256；步骤4、利用深度卷积神经网络和ResNet和步骤2得到的织物疵点数据库搭建织物检测的优化深度残差网络CrossNet的检测模型，并通过步骤3的测试集对检测模型进行测试；步骤5、测试结束后进行数据标注，采用机器视觉技术把目标标识出来，并把标识结果保存为计算机模型训练需要的数据；步骤6、采用pretr人工智能ned+fine
‑
tuning策略，搭建好的检测模型网络模型放在ImageNet数据库上进行预训练，根据训练结果进行织物数据库进行调整优化，得到最终的纺织布瑕疵检测模型；步骤7、将步骤6得到的模型存储于深度学习服务器内，并将线阵相机安装在送布系统流水线上；步骤8、线阵相机对流水线上的布料进行拍摄，并通过传输至深度学习服务器内供检测模型进行识别，对包含疵点的图片经过预处理后进一步通过集线器传送到在线电脑上显示并储存；步骤9、一旦出现疵点，应分别分类纪录标出，并评分考核；如连续或重复多次出现，则必须发出警报，及时停机处理。
[0008]优先地，所述步骤1织物疵点图像数据库包括正常布匹样本和织造过程中常见的断经、断纬、勾丝、横档、油污、破洞、棉球和折痕8类疵点样本，大小均为256*256像素的256级灰度图像；且数据库共包含40000张疵点样本图和10000张正常布匹样本图；数据库中正常布匹图像命名为C0，8类疵点样本图像依次命名为C1~C8；正常布匹样本图像即为没有C1~C8类疵点出现时的背景图像。
[0009]优先地，所述步骤2预处理的方法为直方图均衡化法、自适应中值滤波法和灰度共生矩阵。
[0010]优先地，还包括长度测量仪，所述长度测量仪用于同步检测系统和布匹的速度及方向，并通过I/O盒连接到线阵相机上，使线阵相机能够定位疵点的位置。
[0011]与现有技术相比，本专利技术采用精确的米长换制器，疵点检出不能用手工穿纸的定位方法，常用布边打印黏胶标签、显隐油墨标签、紫外线可见墨渍打印等新方法，而计算机纱疵数据可长期保存并绘图统计分析，并与计算机控制中心联网；本申请的系统方法最少可减少50%纺织品疵点检测有关人员，提高劳动生产率，降低成本，减轻工人劳动强度；同时依靠检测数据指导减少织疵，做到织出的布就是合格品。
附图说明
[0012]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图做简要介绍，显而易见地，下面描述中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。
[0013]图1为本专利技术疵点样本图像图。
[0014]图2为本专利技术织物检测的优化深度残差网络CrossNet图。
具体实施方式
[0015]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]实施例1如图1和图2所示，基于人工智能的纺织布瑕疵检测模型的构建检测方法，包括如下步骤，步骤1、织物疵点训练集构建，采用相机在实际生产线上采集足够数量的图像，从图像中分割出疵点所在的区域，然后建立起常见类别的织物疵点图像数据库；尽管我国纺织标准定义了71类本色布疵点类型，但在纺织布织造中经常出现的疵点并非全部类别，且其中部分类别的疵点很容易被识别和分类，如豁边、毛边、猫耳朵等，这些类别的布边疵点本申请不予研究。
[0017]织物疵点图像数据库包括正常布匹样本和织造过程中常见的断经、断纬、勾丝、横档、油污、破洞、棉球和折痕8类疵点样本，大小均为256*256像素的256级灰度图像；且数据库共包含40000张疵点样本图和10000张正常布匹样本图；数据库中正常布匹图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的纺织布瑕疵检测模型的构建检测方法，其特征在于，包括如下步骤，步骤1、织物疵点训练集构建，采用线阵相机在实际生产线上采集足够数量的图像，从图像中分割出疵点所在的区域，然后建立起常见类别的织物疵点图像数据库；步骤2、织物疵点图像的预处理，突出织物纹理图像信息和疵点信息，对疵点特征提取，建立织物疵点数据库；步骤3、建立测试集，采用TILDA织物数据库中150幅有瑕疵织物图像进行检测模型的测试，通过角度旋转，比例缩放等数据扩增方法获得更多测试数据库样本，图标数据代表相应的瑕疵类型图像数量，包含破洞、污点、吊经、缺纬、缺经等瑕疵类型，图像大小均为256
×
256；步骤4、利用深度卷积神经网络和ResNet和步骤2得到的织物疵点数据库搭建织物检测的优化深度残差网络CrossNet的检测模型，并通过步骤3的测试集对检测模型进行测试；步骤5、测试结束后进行数据标注，采用机器视觉技术把目标标识出来，并把标识结果保存为计算机模型训练需要的数据；步骤6、采用pretr人工智能ned+fine
‑
tuning策略，搭建好的检测模型网络模型放在ImageNet数据库上进行预训练，根据训练结果进行织物数据库进行调整优化，得到最终的纺织布瑕疵检测模型；步骤7、将步骤6得到的...

【专利技术属性】
技术研发人员：王伟华，周小燕，
申请(专利权)人：播种者工业智能科技苏州有限公司，
类型：发明
国别省市：