基于弱监督学习的毛丝缺陷图像检测方法技术

本发明专利技术公开了一种基于弱监督学习的毛丝缺陷图像检测方法，该方法包括以下步骤：搭建检测装置，获取待检测丝锭产品的图像，使用滑动窗口截出所有可能存在毛丝的图像样本，使用分割模型对图像样本逐一推理，得到样本分割图；将样本分割图拼接，使用形态学方法处理整合后的整体分割图；统计整体分割图中的毛丝块及其面积、包围盒信息；整合分割图，统计单个丝锭上存在的毛丝信息，输出丝锭的毛丝缺陷信息。本发明专利技术引入弱监督学习范式，克服了监督学习范式下人工标签一致性差所带来的性能瓶颈，提高了丝锭毛丝缺陷检测的准确率，同时节省了人工标注所需成本。人工标注所需成本。人工标注所需成本。

【技术实现步骤摘要】
基于弱监督学习的毛丝缺陷图像检测方法


[0001]本专利技术公开涉及纺织
，深度学习的缺陷检测
，尤其涉及一种基于弱监督学习的化纤丝锭表面毛丝缺陷检测方法与采集装置。

技术介绍

[0002]化纤行业是中国起步最早、掌握自主核心技术最多和产业化程度最高的传统制造业，作为高度流程性产业，具有工艺一致性和标准化程度高等特点。但是与生产工艺的自动化形成鲜明对比的是，成品化纤丝锭的质量检测流程依然大量依靠人力。丝锭成品存在毛丝等缺陷，携带缺陷的丝锭一旦进入下游纺织品生产环节，将直接导致瑕疵织物的出现。相对于其他工业产品，化纤产品的瑕疵具有种类多样、尺度多变、背景纹理较为复杂的特点。这些问题导致实时瑕疵检测成为了化纤产品生产过程中的一个十分重要的，具有现实意义和科学研究意义的难题。
[0003]丝锭的毛丝缺陷是从丝锭端面延伸出的，长短不一且形状各异的条状或毛团状缺陷，毛丝的颜色与丝锭相同。毛丝的成因包括但不限于：出丝工艺参数设置不合理、机械因素、人为因素等。毛丝缺陷在下游织造环节可能造成经编机断经等事故，以及织物表面不平、起球起毛等缺陷。所以毛丝缺陷检测在化纤生产环节具有重大意义。
[0004]现有专利中，如丝锭外观成型不良缺陷检测与分级方法、存储介质及设备(CN114299065B)等，使用深度学习模型对丝锭缺陷进行检测，其中提到的深度学习模型均基于监督学习算法训练。但相比于传统目标检测对象丝锭缺陷没有固定形状，因此在设计深度分类器的训练数据集时，存在类内差大的问题；此外，毛丝缺陷像素尺度小且边缘存在因拖影、失焦造成的模糊，人工标注毛丝缺陷时存在不同标注员判定不一致，不同缺陷判定标准不统一的问题，进而导致数据集中标签一致性不强。上述这些问题将直接导致训练出的深度学习模型性能受限，从而使最终的检测结果存在误差。在化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质(CN 113344923 B)中，使用传统图像处理算法产生的标签训练深度卷积网络，该方法使用图像处理算法生成一致性强的掩码标签，在该标签下训练出的模型表现十分出色。然而毛丝缺陷没有固定形状，相较于条状的绊丝更加复杂，该专利中提出的基于斜率的判断方法不能对误判、漏判的毛丝标签样本予以纠正，因此其提出的掩码数据集生成方法对于毛丝缺陷失效。建立样本充分、标签可靠的毛丝缺陷训练集对于监督学习范式下的深度模型来说意义重大但同时又极具难度。

技术实现思路

[0005]本专利技术的目的是针对基于深度学习技术的丝锭外观缺陷检测方法所需数据量大且人工标签质量低的实际问题，提出一种弱监督范式下的化纤外观缺陷检测方法。
[0006]为此，本专利技术采用以下技术方案：
[0007]基于弱监督学习的毛丝缺陷图像检测方法，其特征在于，包括以下步骤：
[0008]步骤一：获取待检测丝锭产品的原始图像；
[0009]步骤二：使用算法分割原始图像，获得掩码标注；
[0010]步骤三：使用原始图像及掩码标注构建预训练数据集；
[0011]步骤四：使用预训练数据集对U
‑
Net模型进行预训练，获得预训练模型；
[0012]步骤五：对步骤四获得的预训练模型进行弱监督训练，获得弱监督训练模型；
[0013]明确步骤三获得的预训练数据标签集作为弱监督训练的初始标签；按照固定轮数进行弱监督训练，训练的每一轮包含具有如下先后顺序的步骤：
[0014]每一轮弱监督训练包含两个步骤：弱标签更新和网络参数更新，整个训练过程中弱标签更新和网络参数更新交替进行；首先进行弱标签更新，使用U
‑
Net模型对训练集样本进行推理，得到U
‑
Net模型直接预测的概率图Y；之后使用DenseCRF对概率图Y进行调整，得到概率图Y
′
；根据置信度阈值T将概率图Y
′
中概率值小于T的像素标记为背景，将其余的像素标记为毛丝，得到标记图L
′
；最后使用标记图L
′
替换原本的标记图L。之后进行网络更新，使用样本原图和更新后的标记图L训练U
‑
Net网络；两个步骤完成后，使用测试集数据对本轮得到的模型进行性能测试，保存测试结果和模型参数；
[0015]弱监督训练完成后，根据弱监督训练过程中得到的模型及测试结果，保留准确率最高的参数组；
[0016]步骤六：将待检测样本输入弱监督训练模型进行推理，得到样本中的毛丝分割图像；
[0017]步骤七：整理毛丝分割图像，得到样本中的缺陷信息；
[0018]步骤八：输出缺陷信息。
[0019]在一个优选实施例中，在步骤一之前，搭建检测装置，所述检测装置包含以下模块：
[0020]丝锭传送模块，用于将丝锭送至、送离拍摄工位；
[0021]丝锭位置确定模块，用于捕获丝锭经过拍摄工位事件；
[0022]图像采集模块，用于获取摄工位处的丝锭的图像；
[0023]图像信息维护模块，用于确定采集图像的来源丝锭；
[0024]控制模块，用于整合传感器信号以及实施控制。
[0025]在一个优选实施例中，所述步骤一包含以下过程：
[0026]所述丝锭传送模块可采用辊道。将待测丝锭放置于丝锭传送模块的辊道内的托盘上；辊道运送丝锭经过拍摄工位触发信号；
[0027]控制模块接受并响应触发信号，依次执行以下操作：控制图像信息维护模块输出当前拍摄工位处的丝锭编号、控制图像采集模块中的光源打光、控制图像采集模块中的相机抓图；
[0028]相机输出图像。
[0029]在一个优选实施例中，所述步骤二包含以下步骤：
[0030]步骤2.1：使用高斯滤波、中值滤波、均值滤波对原始图像滤波，获得去噪图像；
[0031]步骤2.2：使用Canny算法对去噪图像提取丝锭边缘图和毛丝边缘图；
[0032]步骤2.3：根据丝锭边缘图将毛丝边缘图中的丝锭边缘去除，获得毛丝边缘图；
[0033]步骤2.4：对毛丝边缘图进行形态学闭运算操作，获得毛丝掩码标注。
[0034]在一个优选实施例中，所述步骤三包含以下步骤：
[0035]步骤3.1：以丝锭边缘为窗口中心，滑动窗口截取图像块；
[0036]步骤3.2：计算所有图像块的灰度值总和，根据灰度值总和剔除不包含丝锭的图像块，得到预训练数据集。
[0037]在一个优选实施例中，所述步骤五包含以下步骤：
[0038]步骤5.1：明确步骤三获得的预训练数据标签集作为弱监督训练的初始标签；
[0039]步骤5.2：对预训练模型进行弱监督训练；
[0040]步骤5.3：根据弱监督训练过程中得到的模型及测试结果，选择性能最优的作为最终检测模型。
[0041]进一步地，在一个优选实施例中，所述步骤5.2包含以下步骤：
[0042]步骤5.2.1：使用U
‑
Net模型对训练集样本进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于弱监督学习的毛丝缺陷图像检测方法，其特征在于，包括以下步骤：步骤一：获取待检测丝锭产品的原始图像；步骤二：使用算法分割原始图像，获得掩码标注；步骤三：使用原始图像及掩码标注构建预训练数据集；步骤四：使用预训练数据集对U
‑
Net模型进行预训练，获得预训练模型；步骤五：对步骤四获得的预训练模型进行弱监督训练，获得弱监督训练模型；按照固定轮数进行弱监督训练，每一轮弱监督训练包含两个步骤：弱标签更新和网络参数更新，整个训练过程中弱标签更新和网络参数更新交替进行；明确步骤三获得的预训练数据标签集作为弱监督训练的初始标签L；首先进行弱标签更新，使用U
‑
Net模型对训练集样本进行推理，得到U
‑
Net模型直接预测的概率图Y；使用DenseCRF对概率图Y进行调整，得到概率图Y
′
；根据置信度阈值T将概率图Y
′
中概率值小于T的像素标记为背景，将其余的像素标记为毛丝，得到标记图L
′
；使用标记图L
′
替换原本的标记图L；之后进行网络更新，使用样本原图和更新后的标记图L训练U
‑
Net网络；两个步骤完成后，使用测试集数据对本轮得到的模型进行性能测试，保存测试结果和模型参数；弱监督训练完成后，根据弱监督训练过程中得到的模型及测试结果，保留准确率最高的参数组；步骤六：将待检测样本输入弱监督训练模型进行推理，得到样本中的毛丝分割图像；步骤七：整理毛丝分割图像，得到样本中的缺陷信息；步骤八：输出缺陷信息。2.根据权利要求1所述的基于弱监督学习的毛丝缺陷图像检测方法，其特征在于，在步骤一之前，搭建检测装置，所述检测装置包含以下模块：丝锭传送模块，用于将丝锭送至、送离拍摄工位；丝锭位置确定模块，用于捕获丝锭经过拍摄工位事件；图像采集模块，用于获取摄工位处的丝锭的图像；图像信息维护模块，用于确定采集图像的来源丝锭；控制模块，用于整合传感器信号以及实施控制。3.根据权利要求2所述的基于弱监督学习的毛丝缺陷图像检测方法，其特征在于，所述步骤一包含以下过程：将待测丝锭放置于丝锭传送模块的辊道内的托盘上；辊道运送丝锭经过拍摄工位触发信号；控制模块接受并响应触发信号，依次执行以下操作：控制图像信息维护模块输出当前拍摄工位处的丝锭编号、控制图像采集模块中的光源打光、控制图像采集模块中的相机抓图；相机输出图像。4.根据权利要...

【专利技术属性】
技术研发人员：叶炜，赵博文，王智，王文海，
申请(专利权)人：浙江大学，
类型：发明
国别省市：