基于生成对抗网络的数码印花织物缺陷检测方法技术

本发明专利技术公开了生成对抗网络的数码印花织物缺陷检测方法，具体按照如下步骤实施：步骤1，构建数码印花织物数据集并对数码印花织物图像进行预处理；步骤2，构建基于无监督学习的图像重构修复模型；步骤3，将预处理后的数码印花织物图像送入基于无监督学习的图像重构修复模型中进行训练，得到训练好的基于无监督学习的图像重构修复模型；步骤4，将测试样本输入到训练好的基于无监督学习的图像重构修复模型中输出重构图像

【技术实现步骤摘要】
基于生成对抗网络的数码印花织物缺陷检测方法


[0001]本专利技术属于织物缺陷检测
，具体涉及基于生成对抗网络的数码印花织物缺陷检测方法
。

技术介绍

[0002]印染业是纺织业的重要组成部分，纺织品印花是提高纺织品附加值的关键操作
。
在数码印花织物的生产过程中，由于喷嘴堵塞
、
喷嘴漏墨
、
布料褶皱
、
电机步进偏差等故障，印花织物表面会出现各种类型的缺陷，影响最终产品的价值
。
因此，缺陷检测是数码印花织物质量控制的关键一步
。
目前，纺织和服装企业普遍使用的人工视觉检测方式，由于人工成本高
、
检测标准不统一以及视觉疲劳等因素导致其实际检测效果并不良好
。
因此，开发快速
、
准确
、
现代化的自动化工业检测技术是非常必要的
。
[0003]有效的缺陷检测系统对于制造商提高工艺和产品质量具有重要的意义，在近几年成为了业界和学术界研究的热点
。
目前，国内外学者针对单色
、
规则图案的织物疵点检测问题已经取得了一定的研究成果
。
但由于数码印花织物图案和颜色数量的复杂性，使得有效识别或检测其缺陷仍然是一项具有挑战性的任务
。
目前，数码印花织物缺陷检测方法可以被分为基于传统图像处理的方法和基于深度学习的方法
。
基于传统图像处理的方法利用人工设计的描述符提取每个图像块的特征来区分缺陷区域，存在检测速度低
、
准确性差的缺点
。
因此，能够自动提取深层抽象特征的深度学习方法展现出了明显的优势
。
[0004]根据是否需要标注数据集，深度学习方法可以被分为有监督和无监督两种
。
在实际数码印花中，由于设备的影响使得获取的数据存在严重的类别不均衡，且织物花型复杂多变，印花图案的印花结构细微，导致有监督深度学习算法在实际应用中受到诸多限制
。
无监督深度学习方法由于不需要标注样本信息，逐渐成为了研究人员关注的焦点
。
然而，目前仍然缺乏较为成熟的无监督印花织物缺陷检测算法来提高检测的效率与准确度
。

技术实现思路

[0005]本专利技术的目的是提供基于生成对抗网络的数码印花织物缺陷检测方法，解决了现有无监督印花织物缺陷检测方法的检测效率及准确度低的问题
。
[0006]本专利技术所采用的技术方案是，基于生成对抗网络的数码印花织物缺陷检测方法，具体按照如下步骤实施：
[0007]步骤1，构建数码印花织物数据集并对数码印花织物图像进行预处理；
[0008]步骤2，构建基于无监督学习的图像重构修复模型；
[0009]步骤3，将步骤1预处理后的数码印花织物图像送入步骤2构建的基于无监督学习的图像重构修复模型中进行训练，得到训练好的基于无监督学习的图像重构修复模型；
[0010]步骤4，将测试样本输入到步骤3训练好的基于无监督学习的图像重构修复模型中输出重构图像
A
，对测试样本及重构图像
A
进行处理，得到最终的检测结果
。
[0011]本专利技术的特点还在于，
[0012]步骤1的具体过程为：
[0013]步骤
1.1
，构建基于数码印花织物图像的数据集；
[0014]数码印花织物数据集中包括作为训练样本的无缺陷数码印花织物图像和作为测试样本的有缺陷数码印花织物图像，数码印花织物数据集中的图像均为三通道彩色图像，图像格式均为
.jpg
或
.png
格式文件；
[0015]步骤
1.2
，给无缺陷数码印花织物图像叠加高斯噪声，表达式为：
[0016][0017]式中，为叠加高斯噪声之后的无缺陷数码印花织物图像，
X
为无缺陷数码印花织物图像，
g
表示叠加的高斯噪声的等级，
g
为
0.6
，
N
表示服从标准正态分布的高斯噪声
。
[0018]步骤2中，基于无监督学习的图像重构修复模型包括生成器和判别器两个部分
。
[0019]生成器由编码器和解码器组成，编码器包括特征提取模块和对比学习模块；
[0020]特征提取模块由依次线性连接的边界反射填充层
、7
×7卷积核的卷积块
、SENet
通道注意力层
、3
×3卷积核的卷积块
、
下采样层
、SENet
通道注意力层
、3
×3卷积核的卷积块
、
下采样层
、SENet
通道注意力层
、6
个
ResBlock
残差块和
SENet
通道注意力层组成；
[0021]对比学习模块由一个
MLP
和一个
softmax
分类器组成，并且，对比学习模块仅在计算对比学习损失函数时使用；
[0022]解码器由依次线性连接的上采样层
、3
×3卷积核的卷积块
、SENet
通道注意力层
、
上采样层
、3
×3卷积核的卷积块
、SENet
通道注意力层
、7
×7卷积核的卷积块和边界反射填充层组成
。
[0023]特征提取模块中的每个卷积块均由依次连接的卷积层
、Batch Normalization
标准化层
、ReLU
激活函数层和
Dropout
层组成；
[0024]MLP
由四个依次连接的全连接层构成，每个全连接层后面均包含一个
ReLU
激活函数层；
[0025]解码器中的每个卷积块由依次连接的卷积层
、Batch Normalization
标准化层
、
激活函数层和
Dropout
层组成；
Dropout
层组成用于防止模型过拟合，其中，卷积核为3×3的卷积块中采用的激活函数为
ReLU
，卷积核为7×7的卷积块中采用的激活函数为
Tanh。
[0026]判别器为
Patch
级别判别器，由依次交替连接的三个卷积核大小为4×
4、
步长为1的卷积层和下采样层，以及两层卷积核大小为4×4，步长为1的卷积层组成；判别器的每个卷积层后均依次连接有
Batch Normalization
标准化层和
LeakyReLU
激活函数
。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
生成对抗网络的数码印花织物缺陷检测方法，其特征在于，具体按照如下步骤实施：步骤1，构建数码印花织物数据集并对数码印花织物图像进行预处理；步骤2，构建基于无监督学习的图像重构修复模型；步骤3，将步骤1预处理后的数码印花织物图像送入步骤2构建的基于无监督学习的图像重构修复模型中进行训练，得到训练好的基于无监督学习的图像重构修复模型；步骤4，将测试样本输入到步骤3训练好的基于无监督学习的图像重构修复模型中输出重构图像
A
，对测试样本及重构图像
A
进行处理，得到最终的检测结果
。2.
根据权利要求1所述的生成对抗网络的数码印花织物缺陷检测方法，其特征在于，步骤1的具体过程为：步骤
1.1
，构建基于数码印花织物图像的数据集；数码印花织物数据集中包括作为训练样本的无缺陷数码印花织物图像和作为测试样本的有缺陷数码印花织物图像，数码印花织物数据集中的图像均为三通道彩色图像，图像格式均为
.jpg
或
.png
格式文件；步骤
1.2
，给无缺陷数码印花织物图像叠加高斯噪声，表达式为：式中，为叠加高斯噪声之后的无缺陷数码印花织物图像，
X
为无缺陷数码印花织物图像，
g
表示叠加的高斯噪声的等级，
g
为
0.6
，
N
表示服从标准正态分布的高斯噪声
。3.
根据权利要求1所述的生成对抗网络的数码印花织物缺陷检测方法，其特征在于，步骤2中，基于无监督学习的图像重构修复模型包括生成器和判别器两个部分
。4.
根据权利要求3所述的生成对抗网络的数码印花织物缺陷检测方法，其特征在于，生成器由编码器和解码器组成，编码器包括特征提取模块和对比学习模块；特征提取模块由依次线性连接的边界反射填充层
、7
×7卷积核的卷积块
、SENet
通道注意力层
、3
×3卷积核的卷积块
、
下采样层
、SENet
通道注意力层
、3
×3卷积核的卷积块
、
下采样层
、SENet
通道注意力层
、6
个
ResBlock
残差块和
SENet
通道注意力层组成；对比学习模块由一个
MLP
和一个
softmax
分类器组成；解码器由由依次线性连接的上采样层
、3
×3卷积核的卷积块
、SENet
通道注意力层
、
上采样层
、3
×3卷积核的卷积块
、SENet
通道注意力层
、7
×7卷积核的卷积块和边界反射填充层组成
。5.
根据权利要求4所述的生成对抗网络的数码印花织物缺陷检测方法，其特征在于，特征提取模块中的每个卷积块均由依次连接的卷积层
、Batch Normalization
标准化层
、ReLU
激活函数层和
Dropout
层组成；
MLP
由四个依次连接的全连接层构成，每个全连接层后面均包含一个
ReLU
激活函数层；解码器中的每个卷积块由依次连接的卷积层
、Batch Normalization
标准化层
、
激活函数层和
Dropout
层组成；
Dropout
层组成用于防止模型过拟合，其中，卷积核为3×3的卷积块中采用的激活函数为
ReLU
，卷积核为7×7的卷积块中采用的激活函数为
Tanh。6.
根据权利要求4所述的生成对抗网络的数码印花织物缺陷检测方法，其特征在于，判别器为
Patch
级别判别器，由依次交替连接的三个卷积核大小为4×
4、
步长为1的卷积层和下采样层组成，以及两层卷积核大小为4×4，步长为1的卷积层组成；判别器的每个卷积层
后均依次连接有
Batch Normalization
标准化层和
LeakyReLU
激活函数
。7.
根据权利要求2所述的生成对抗网络的数码印花织物缺陷检测方法，其特征在于，步骤3的具体过程为：步骤
3.1
，将经步骤
1.2
预处理后的无缺陷数码印花织物图像放入编码器中特征提取模块进行特征提取，得到特征图，将特征图输入到解码器中进行特征重构，得到重构图像；步骤
3.2
，以未叠加高斯噪声的无缺陷数码印花织物图像作为训练的目标图像，计算步骤
3.1
得到的重构图像与目标图像之间的损失函数，损失函数的表达式为：
L
＝
L
GAN
+
λ
·
L
PatchNCE
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
式中，
L
GAN
为对抗损失，
L
PatchNCE
为对比学习损失，
λ
为对比学习损失的损失权重；基于无监督学习的图像重构修复模型训练过程以最小化总损失函数
L
为目标优化模型参数，使用...

【专利技术属性】
技术研发人员：张宏伟，乔冠华，陈锡伟，李鹏飞，景军锋，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：