【技术实现步骤摘要】
一种织物缺陷检测方法
[0001]本专利技术属于缺陷检测领域,具体涉及一种织物缺陷检测方法。
技术介绍
[0002]缺陷检测在纺织工业中起着重要作用。传统的织物缺陷检测方法主要依靠人眼来区分不良品,耗时长,误检率高。因此,人工检测不能满足实际生产需要。迫切需要开发自动化的织物缺陷检测方法来应对纺织工业的生产。开发一种通用、高效、可靠、准确的织物缺陷自动检测算法具有重要意义。在过去的几十年中,许多研究人员提出了大量的织物缺陷检测方法。这些方法大致可以分为传统方法和基于学习的方法:
[0003]1)传统方法:传统的织物缺陷检测方法
[0004]2)基于深度学习的方法:基于深度学习的织物缺陷检测方法。
[0005]传统的织物缺陷检测算法主要使用手动特征提取,无法自适应地选择特征来检测复杂场景中的缺陷。近年来,深度卷积神经网络(DCNN)在图像识别、图像分割、目标检测等领域取得了优异的性能。因此,近年来,许多研究人员将CNN应用于织物缺陷检测,并取得了令人满意的结果。多个实验表明在大型工业数据集的训练下,该算法优于其他传统算法。与传统的织物缺陷检测方法相比,深度学习可以提取更丰富的图像特征,具有较强的适应性和检测精度。
[0006]现今计算机视觉和模式识别技术已广泛应用于工业表面缺陷检测领域。用织物缺陷自动检测算法代替人工视觉,不仅可以提高检测速度,降低人工成本,而且可以通过织物缺陷自动检测系统采集可靠数据,进行报表分析及拓展应用。
[0007]Ross B.Girshick(RBG) ...
【技术保护点】
【技术特征摘要】
1.一种织物缺陷检测方法,其特征在于,包括如下步骤:步骤一:构建数据集;步骤二:数据集预处理;步骤三:构建织物缺陷检测R
‑
CNN网络模型;织物缺陷检测R
‑
CNN网络模型由4个卷积层和4个最大池化层,及2个全连接层组成;步骤四:训练织物缺陷检测R
‑
CNN网络模型;步骤五:使用分类阈值降低方法降低FN样本数量。2.根据权利要求1所述的一种织物缺陷检测方法,其特征在于,步骤一具体方法如下:使用四个不同的数据集;除了现有的TILDA,MVTec和Stains数据集之外,创建了一个新的自建数据集;所述的自建数据集分为两个部分,分别用于训练和测试阶段;其他三个数据集仅在测试阶段使用;所述自建数据集是用来自两个不同来源的图像构成的,包括来自Cotton Incorporated的织物缺陷图像的样本和从网络中提取的织物图像;来自Cotton Incorporated的数据集包含具有6种缺陷类型的194个512
×
512织物图像,从而可以更广泛地表示织物缺陷类别;为了补充和增加此数据集中的样本数量,从网络中提取织物图像,包括了6个缺陷类型的纹理图像,每个类别包含了200个无缺陷图像样本和10个有缺陷图像样本,每个图像中有且仅有一个缺陷,合计1454张图片作为样本,采用开源工具Labelme进行图像标注。3.根据权利要求2所述的一种织物缺陷检测方法,其特征在于,步骤二具体方法如下:(1)图像大小调整:通过resize函数进行对自建数据集中的图片进行缩放;原始图像宽高比参数为512
×
512在此基础上缩小并进行测试,并找到适合模型的图像大小,确定输入大小固定为150
×
150;(2)灰度变换:图像中每个像素灰度值由R,G,B三个单色取加权平均:D=0.299R+0.587G+0.114B将自建数据集中的图像转换为灰度直方图后,像素灰度信息集中于100~200之间,无法突出细节信息;使用灰度直方图均衡化来修正图像中像素灰度;直方图均衡化公式如下:其中,L=256为灰度级数,cdf为累积分布函数,min和max分别为灰度直方图中灰度最小值与最大值;round函数返回点数四舍五入运算后的整数结果。4.根据权利要求3所述的一种织物缺陷检测方法,其特征在于,步骤三具体方法如下:织物缺陷检测R
‑
CNN网络模型由4个卷积层和4个最大池化层,及2个全连接层组成;每个卷积层后连接一个最大池化层,最后一层最大池化层后依次连接2个全连接层;最大池化层max
‑
pooling卷积核的大小是2
×
2;下表为所有层及超参数,输入图像为150
×
150
×
1;层输出特征图超参数
Conv1150
×
150
×
【专利技术属性】
技术研发人员:张桦,吴奕飞,吴以凡,张灵均,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。