基于深度学习的纺织品瑕疵检测方法技术

一种基于深度学习的纺织品瑕疵检测方法，涉及深度学习技术领域，包括以下步骤：S1：分析纺织品瑕疵样本的特点；S2：针对织物的纹理构建纹理预分类模型，使用所述纹理预分类模型判断样本的纹理类型；S3：基于瑕疵是否分辨纹理特征，将瑕疵样本分为特征明显的瑕疵和特征不明显的瑕疵；S4：搭建瑕疵检测模型，通过对应的检测模型对特征明显的瑕疵进行检测是否存在，若存在则输出检测结果；若不存在则进一步检测是否存在特征不明显的瑕疵，输出检测结果。本发明专利技术通过分析纺织品瑕疵样本的特点，基于是否分辨纹理特征，将瑕疵样本分为特征明显的瑕疵和特征不明显的瑕疵，通过对特征明显的瑕疵和特征不明显的瑕疵分开检测，从而解决了漏检问题。题。题。

【技术实现步骤摘要】
基于深度学习的纺织品瑕疵检测方法


[0001]本专利技术涉及深度学习
，特别涉及一种基于深度学习的纺织品瑕疵检测方法。

技术介绍

[0002]随着纺织企业不断向智能化发展，在纺织品自动化生成过程中，机械纺织极大地提高了生产效率，但同时也出现了各种类型的瑕疵，高质量把控出厂纺织品的企业能够更有利、更快速地占领市场。对于现今的纺织企业，纺织品表面的瑕疵检测是纺织行业一直以来急需解决的问题。因此，研究高效和稳定的纺织品瑕疵检测方法，对纺织企业具有市场实用性和经济性。
[0003]目前，纺织企业的纺织品瑕疵检测任务主要是由人工检测来完成，人工检测具有成本高、效率低、易漏检和误检、需求量大、容易受到主观因素的影响等缺点。目前市场上也有专门检测纺织品瑕疵检测的设备。如国内的SIMV无纺布检测设备，但是该设备只能检测出特征显著的简单瑕疵，无法检测出特征复杂的瑕疵。而国外的检测设备，如以色列Elbit Systems集团生产的EVS自动检测设备，检测效率达到了1000m/min，能够准确检测断经、毛丝等人眼难以识别的瑕疵，虽然该设备能够完成纺织品瑕疵检测任务，但其成本价格高，且国内外瑕疵检测标准不一致，因此适合国内企业的纺织品自动化检测设备非常稀少。传统的机器学习和图像方法很难检测复杂的瑕疵，随着GPU算力的大幅提升，深度学习方法发展迅速，应用深度学习算法来解决这些问题成为可能。

技术实现思路

[0004]针对以上缺陷，本专利技术的目的是提供一种基于深度学习的纺织品瑕疵检测方法，有效提高了纺织品瑕疵检测的准确率。
[0005]为了实现上述目的，本专利技术的技术方案是：
[0006]基于深度学习的纺织品瑕疵检测方法，包括以下步骤：S1：分析纺织品瑕疵样本的特点；S2：针对织物的纹理构建纹理预分类模型，使用所述纹理预分类模型判断样本的纹理类型；S3：基于瑕疵是否分辨纹理特征，将瑕疵样本分为特征明显的瑕疵和特征不明显的瑕疵；S4：搭建瑕疵检测模型，通过对应的检测模型对特征明显的瑕疵进行检测是否存在，若存在则输出检测结果；若不存在则进一步检测是否存在特征不明显的瑕疵，输出检测结果。
[0007]其中，S1中的特征明显的瑕疵包括破洞、污渍，特征不明显的瑕疵包括带纱、断纱、棉球、脱纱。
[0008]其中，S2中所述纹理预分类模型的检测结果包括方格和条纹纹理。
[0009]其中，S4中搭建瑕疵检测模型包括以下步骤：1)搭建Yolov3瑕疵检测模型；2)对数据集进行标定；3)利用精确度和召回率体现模型性能的指标；4) 采用K
‑
means++方法对瑕疵数据进行聚类；5)引入SPP增强感受野；6)利用膨胀卷积改进空间金字塔池化结构；7)改进优化后模型的预测结果；8)针对瑕疵间特征差异，改进通道注意力机制和改进激励过程，
以提高检测效果。
[0010]其中，搭建Yolov3瑕疵检测模型包括以下步骤：1)将分类问题当做回归问题并将图像分成若干个网格点依次判断，网络除了输出4个物体的位置参数和1个是否有目标的置信度外还包括对应各个类别的概率，这种一阶段算法之所以能有效的核心在于其复合了多个损失的损失函数；2)基于锚框的检测模型； 3)提取网络的深度，并在每个3
×
3的卷积之间加入一个1
×
1的卷积，用更少的参数量来调整通道数，进而加快检测速度；4)利用多尺度预测、FPN结构、卷积来提高检测性能。
[0011]其中，基于锚框的检测模型包括以下步骤：(1)Yolov3模型在数据集上通过聚类的方式得到9个更加合理的初始框；(2)以每个网格的中心点为中心放置这9个不同大小的先验框作为初始预测位置；(3)通过回归对先验框进行调整得到最终的预测框，即使是数据集中有大量长宽比例很极端的目标也能快速回归检测出来。
[0012]其中，改进通道注意力机制包括以下步骤：(1)首先对原始输入使用不同大小的卷积核进行卷积获得不同尺度的特征图并进行堆叠；(2)使用全局平均池化压缩得到一维向量，使用快速以为卷积进行激励获得对应的权重并与对应尺度的特征图相乘；(3)进一步堆叠得到自适应调整过通道和感受野的特征图。
[0013]其中，改进激励过程包括以下步骤：(1)通过维数与输入维数相同的全局平均池化进行压缩过程；(2)使用大小为k的一维卷积和Sigmoid激活函数来实现激励过程；(3)将激励过程得到的权重与输入特征图对应通道相乘。
[0014]其中，所述步骤3)中为了防止梯度消失问题，引入了残差边的结构，将卷积层的输入跳跃连接到输出端，输入输出相加后在传给下一层卷积层。
[0015]采用了上述技术方案后，本专利技术的有益效果是：
[0016]1、本专利技术通过分析纺织品瑕疵样本的特点，基于是否分辨纹理特征，将瑕疵样本分为特征明显的瑕疵和特征不明显的瑕疵，通过对特征明显的瑕疵和特征不明显的瑕疵分开检测，从而针对这2类瑕疵单独训练模型进行检测，从而解决了漏检问题。
[0017]2、通过增强感受野和全局、局部信息融合策略改进模型检测效果，利用并行膨胀卷积获得具有不同感受野的全局信息，通过堆叠操作将3种不同大小的膨胀卷积和原始特征图并行，将具有不同感受野的特征图进行融合得到更加丰富的特征，同时设计了能够自适应选择卷积大小且不需要降低通道数的通道注意力机制，在激励过程中使用快速一维卷积代替了常规的全连接，避免了压缩通道数带来的负面影响，从而提高了检测效果。
[0018]综上所述，本专利技术基于深度学习的纺织品瑕疵检测方法解决了现有技术中纺织品检测困难的技术问题，本专利技术有效提高了纺织品瑕疵检测的准确率。
附图说明
[0019]图1纺织品瑕疵检测流程；
[0020]图2常见的6种纺织品瑕疵；
[0021]图3纹理分类网络；
[0022]图4改进后的空间池化金字塔；
[0023]图5经过优化的yolov3网络结构模型；
[0024]图6SKNet的通道注意力机制；
[0025]图7改进后的注意力机制；
[0026]图8从左到右依次为带纱，断纱，棉球，脱纱检测结果；
[0027]图9破洞和污渍检测模型的检测效果；
具体实施方式
[0028]下面结合附图和实施例，进一步阐述本专利技术。
[0029]本说明书中涉及到的方位均以附图所示方位为准，仅代表相对的位置关系，不代表绝对的位置关系。
[0030]如图1所示，基于深度学习的纺织品瑕疵检测方法，包括以下步骤：
[0031]S1：分析纺织品瑕疵样本的特点；本文采用的纺织品瑕疵数据均来自网上收集和实验室从中小企业采购的瑕疵品，主要包括常见的6种纺织品瑕疵，如图2所示，带纱、断纱、棉球、破洞、脱纱、污渍。
[0032]S2：针对织物的纹理构建纹理预分类模型，使用纹理预分类模型判断样本的纹理类型；纹理预分类模型的检测结果分别为方格和条纹纹理，搭建卷积神经网络训练出纺织品纹理分类模型，网络结构如图3所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的纺织品瑕疵检测方法，其特征在于，包括以下步骤：S1：分析纺织品瑕疵样本的特点；S2：针对织物的纹理构建纹理预分类模型，使用所述纹理预分类模型判断样本的纹理类型；S3：基于瑕疵是否分辨纹理特征，将瑕疵样本分为特征明显的瑕疵和特征不明显的瑕疵；S4：搭建瑕疵检测模型，通过对应的检测模型对特征明显的瑕疵进行检测是否存在，若存在则输出检测结果；若不存在则进一步检测是否存在特征不明显的瑕疵，输出检测结果。2.根据权利要求1所述的基于深度学习的纺织品瑕疵检测方法，其特征在于，S1中的特征明显的瑕疵包括破洞、污渍，特征不明显的瑕疵包括带纱、断纱、棉球、脱纱。3.根据权利要求1所述的基于深度学习的纺织品瑕疵检测方法，其特征在于，S2中所述纹理预分类模型的检测结果包括方格和条纹纹理。4.根据权利要求1所述的基于深度学习的纺织品瑕疵检测方法，其特征在于，S4中搭建瑕疵检测模型包括以下步骤：1）搭建Yolov3瑕疵检测模型；2）对数据集进行标定；3）利用精确度和召回率体现模型性能的指标；4）采用K
‑
means++方法对瑕疵数据进行聚类；5）引入SPP增强感受野；6）利用膨胀卷积改进空间金字塔池化结构；7）改进优化后模型的预测结果；8）针对瑕疵间特征差异，改进通道注意力机制和改进激励过程，以提高检测效果。5.根据权利要求4所述的基于深度学习的纺织品瑕疵检测方法，其特征在于，搭建Yolov3瑕疵检测模型包括以下步骤：1）将分类问题当做回归问题并将图像分成若干个网格点依次判断，网络除了输出4个物体的位置参数和1个是否有目标的置信度外还包括对应各个类别的概率，这种一阶段算法之所以能有效的核心在于其复合了多个损...

【专利技术属性】
技术研发人员：魏东，张震伟，卢妍儒，于丰溢，
申请(专利权)人：潍坊大友电子科技有限公司，
类型：发明
国别省市：