本發(fā)明涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)：

現(xiàn)有技術(shù)中，布匹瑕疵檢測(cè)已成為織物產(chǎn)品質(zhì)量控制的重要環(huán)節(jié)，瑕疵檢測(cè)方法對(duì)提高產(chǎn)品質(zhì)量有著重要的作用，織物瑕疵檢測(cè)已成為一個(gè)熱門(mén)的研究領(lǐng)域。傳統(tǒng)的人工檢測(cè)方法存在著很大的局限性，如人工成本高，尺寸較小的缺陷難以分辨，長(zhǎng)時(shí)間工作會(huì)造成視覺(jué)疲勞，容易產(chǎn)生誤檢和漏檢。為了提高產(chǎn)品質(zhì)量和減少生產(chǎn)成本，布匹瑕疵自動(dòng)檢測(cè)已成為提高布匹質(zhì)量的一種有效方法。

布匹瑕疵自動(dòng)檢測(cè)系統(tǒng)中的關(guān)鍵部分是瑕疵檢測(cè)方法，目前常見(jiàn)的瑕疵檢測(cè)方法可以大致分為以下幾類(lèi)：統(tǒng)計(jì)、光譜、模型、學(xué)習(xí)和結(jié)構(gòu)。由于織物和缺陷存在多樣性，在實(shí)際應(yīng)用中往往都是根據(jù)織物和缺陷的類(lèi)型選擇合適的檢測(cè)方法。但這些方法的檢測(cè)過(guò)程基本是相同的，即對(duì)圖像進(jìn)行預(yù)處理，人工提取特征，最后進(jìn)行分類(lèi)識(shí)別。其中最重要的階段是特征提取，特征提取是對(duì)目標(biāo)提取幾何、灰度、紋理或頻譜等能更好體現(xiàn)圖像的特征。簡(jiǎn)單的特征提取易于實(shí)現(xiàn)且實(shí)時(shí)性較高，復(fù)雜的特征提取可以提高檢測(cè)率但增加計(jì)算量。特征提取的好壞決定了檢測(cè)系統(tǒng)的可靠性，如果特征選取的不完整或是錯(cuò)誤的，對(duì)最終的分類(lèi)結(jié)果會(huì)有很大的影響，傳統(tǒng)的特征提取包括gabor變換、數(shù)學(xué)形態(tài)學(xué)、傅里葉變換等特征提取技術(shù)。這些方法僅對(duì)特定的目標(biāo)進(jìn)行識(shí)別時(shí)可以取得良好的效果，不具有良好的適應(yīng)性。而且在圖像背景復(fù)雜與缺陷難以區(qū)別的時(shí)候，識(shí)別率有所下降，同時(shí)還會(huì)增加方法的復(fù)雜度。

深度神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)，并引起廣泛重視的一種高效識(shí)別方法，常用的深度神經(jīng)網(wǎng)絡(luò)包括深度置信網(wǎng)絡(luò)、自編碼器網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)。其中，卷積神經(jīng)網(wǎng)絡(luò)已成為眾多領(lǐng)域的研究熱點(diǎn)，特別是在模式分類(lèi)領(lǐng)域。因此，為了彌補(bǔ)現(xiàn)有檢測(cè)方法的不足以及保持較高的檢測(cè)率，本發(fā)明提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的瑕疵檢測(cè)方法。這種方法具有優(yōu)異的特征學(xué)習(xí)能力，可以自主學(xué)習(xí)圖像中的特征信息，從低級(jí)特征到高級(jí)特征逐漸提取。降低了人為提取特征的影響，同時(shí)減少了對(duì)圖像的預(yù)處理過(guò)程。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的是提供一種基于深度神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法。

為達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案是：一種基于深度神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法，其特征在于：包括如下步驟，

(1)、搭建圖像采集系統(tǒng)，將采集到的圖像送至計(jì)算機(jī)；

(2)、采用圖像變換和噪聲擾動(dòng)的方式增加織物樣本圖像數(shù)據(jù)，將增強(qiáng)后的織物圖像作為訓(xùn)練樣本，訓(xùn)練樣本中包含不同織物的正常和缺陷圖像，并對(duì)圖像進(jìn)行標(biāo)定，’0’代表正常樣本，’1’代表缺陷樣本；

(3)、設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)，所述深度神經(jīng)網(wǎng)絡(luò)包括9層，一層輸入層、三層卷積層、三層池化層以及兩層全連接層，其中輸入層為獲取的織物圖像，卷積層用于特征提取，不同卷積層由不同數(shù)目的特征圖組成，池化層采用max-pooling的方式對(duì)上一卷積層進(jìn)行下采樣，經(jīng)過(guò)多層卷積和池化操作，將獲取的特征向量輸入到全連接層，得到最終輸出向量，并使用softmax分類(lèi)器進(jìn)行分類(lèi)；

(4)、設(shè)置參數(shù)并對(duì)所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，將訓(xùn)練樣本作為輸入數(shù)據(jù)送入到所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在網(wǎng)絡(luò)訓(xùn)練完成之后，保存網(wǎng)絡(luò)模型；

(5)、將輸入的新織物樣本送入網(wǎng)絡(luò)模型進(jìn)行檢測(cè)，分類(lèi)器輸出的最大分量的位置為檢測(cè)結(jié)果，將檢測(cè)結(jié)果與定義的標(biāo)簽進(jìn)行比較，檢測(cè)結(jié)果輸出為0時(shí)，表示圖像為正常圖片，結(jié)果為1時(shí)，則表示圖像中存在缺陷；

上述步驟(3)中，對(duì)所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，采用softmax分類(lèi)器的交叉熵函數(shù)作為目標(biāo)函數(shù)，在后向傳播中使用mini-batch梯度下降法來(lái)優(yōu)化目標(biāo)函數(shù)，即遍歷完一個(gè)batch的樣本就計(jì)算梯度和更新參數(shù)，其中目標(biāo)函數(shù)定義如下：

其中1{.}是示性函數(shù)，即大括號(hào)內(nèi)的表達(dá)式值為真的時(shí)候輸出1，否則為0，m是訓(xùn)練樣本總數(shù)，y⁽ⁱ⁾是第i個(gè)樣本實(shí)際的標(biāo)簽值，是樣本i分類(lèi)為類(lèi)別j的概率，即是經(jīng)過(guò)softmax分類(lèi)器處理之后的輸出，使用mini-batch梯度下降法進(jìn)行優(yōu)化的計(jì)算方式如下：

優(yōu)選地，在所述目標(biāo)函數(shù)中加入l2正則化懲罰項(xiàng)，具體方式是在目標(biāo)函數(shù)中添加權(quán)重衰減項(xiàng)定義方式如下：

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中在訓(xùn)練過(guò)程中使用指數(shù)衰減型學(xué)習(xí)速率，衰減型學(xué)習(xí)速率的計(jì)算方式如下：

η＝learning_rate*decay_rate^(global_step/decay_step)

其中l(wèi)earning_rate是初始學(xué)習(xí)速率，η是更新后的學(xué)習(xí)率，decay_rate是衰減系數(shù)，decay_step是衰減速度。

優(yōu)選地，步驟(2)中，采用圖像變換和噪聲擾動(dòng)的方式增加織物樣本圖像數(shù)據(jù)，所述圖像變換為平移變換，即對(duì)圖像的像素點(diǎn)同時(shí)進(jìn)行一定距離的橫向移動(dòng)和縱向移動(dòng)，改變?nèi)毕菟诘奈恢茫凰鲈肼晹_動(dòng)為加入椒鹽噪聲，具體過(guò)程為復(fù)制一部分原始圖像樣本，對(duì)其進(jìn)行平移變換和加入椒鹽噪聲處理，將處理后的圖像也作為樣本圖像。

上述方案步驟(1)中具體的為：搭建圖像采集系統(tǒng)，系統(tǒng)由光源、相機(jī)、鏡頭、圖像采集卡和計(jì)算機(jī)等部分組成，led光源對(duì)織物照明，鏡頭接收織物表面反射的光線(xiàn)，圖像采集卡將ccd線(xiàn)陣相機(jī)輸出的電信號(hào)送到計(jì)算機(jī)，即完成采集工作。

由于上述技術(shù)方案運(yùn)用，本發(fā)明與現(xiàn)有技術(shù)相比具有下列優(yōu)點(diǎn)：

1.本發(fā)明通過(guò)將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到織物瑕疵檢測(cè)中，可以對(duì)不同織物進(jìn)行有效地分類(lèi)且達(dá)到了99％左右的準(zhǔn)確率，具有良好的適應(yīng)性。

2.本發(fā)明采用平移變換和加入椒鹽噪聲的方式增加織物圖像數(shù)據(jù)，可以滿(mǎn)足本發(fā)明所需的數(shù)據(jù)量。

3.本發(fā)明采用的l2正則化和衰減型學(xué)習(xí)速率方法可以提高檢測(cè)方法的準(zhǔn)確率以及加快收斂速度。

4.本發(fā)明無(wú)需對(duì)圖像進(jìn)行預(yù)處理，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單且性能優(yōu)異，在降低算法的復(fù)雜度同時(shí)仍能保持較高的準(zhǔn)確率，具有較高的時(shí)效性，在織物瑕疵檢測(cè)上有著較高的應(yīng)用價(jià)值。

附圖說(shuō)明

圖1是本發(fā)明的流程示意圖。

圖2是本發(fā)明的網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖3是本發(fā)明的訓(xùn)練準(zhǔn)確率示意圖。

圖4是本發(fā)明的誤差趨勢(shì)曲線(xiàn)示意圖。

圖5是本發(fā)明的檢測(cè)結(jié)果示意圖。

圖6是本發(fā)明的檢測(cè)結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述：

實(shí)施例一：參見(jiàn)圖1所示，一種基于深度神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法，包括如下步驟：

1.在織物生產(chǎn)過(guò)程中，通過(guò)工業(yè)線(xiàn)陣相機(jī)從卷布機(jī)上拍攝織物圖像作為實(shí)驗(yàn)樣本，并傳送到計(jì)算機(jī)。

2.將所述采集到的圖像從4096*4096像素分割為128*128像素的實(shí)驗(yàn)樣本，采用圖像變換和加入椒鹽噪聲的方式，對(duì)一部分原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)，將增強(qiáng)后的織物圖像作為訓(xùn)練樣本，訓(xùn)練樣本中包含不同織物的正常和缺陷圖像。對(duì)圖像進(jìn)行標(biāo)定，’0’代表正常樣本，’1’代表缺陷樣本。

3.參見(jiàn)圖2所示，設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)，深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖二所示，包括一層輸入層、三層卷積層、三層池化層和兩層全連接層，其中1：輸入圖像2：第一層卷積3：第一層池化4：第二層卷積5：第二層池化6：第三層卷積7：第三層池化8：兩層全連接層9：softmax分類(lèi)器；輸入層為128*128像素的織物圖像，卷積層用于特征提取，不同卷積層由不同數(shù)目的特征圖組成。池化層采用max-pooling的方式對(duì)上一卷積層進(jìn)行下采樣，用于保留有效特征及減少計(jì)算量。經(jīng)過(guò)多層卷積和池化操作，將獲取的特征向量輸入到全連接層，得到最終輸出向量，并使用softmax分類(lèi)器進(jìn)行分類(lèi)。

4.設(shè)置參數(shù)并對(duì)網(wǎng)絡(luò)進(jìn)行初始化，在織物檢測(cè)方法的網(wǎng)絡(luò)優(yōu)化過(guò)程中采用mini-batch梯度下降法進(jìn)行參數(shù)優(yōu)化，并加入l2正則化和衰減型學(xué)習(xí)速率。采用l2正則化和衰減型學(xué)習(xí)速率的方法訓(xùn)練結(jié)果如圖三所示，分別是訓(xùn)練準(zhǔn)確率曲線(xiàn)圖以及誤差下降趨勢(shì)曲線(xiàn)圖。

5.參見(jiàn)圖3所示，accuracy表示訓(xùn)練準(zhǔn)確率，圖4中l(wèi)oss表示誤差下降趨勢(shì)曲線(xiàn)，將訓(xùn)練樣本作為輸入數(shù)據(jù)送入到所設(shè)計(jì)的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在網(wǎng)絡(luò)訓(xùn)練完成之后，保存網(wǎng)絡(luò)模型。將輸入的新的織物樣本送入網(wǎng)絡(luò)進(jìn)行檢測(cè)，分類(lèi)器輸出的最大分量的位置就是檢測(cè)結(jié)果。將檢測(cè)結(jié)果與定義的標(biāo)簽進(jìn)行比較，即可驗(yàn)證方法的性能。檢測(cè)結(jié)果如圖四所示，絕大多數(shù)結(jié)果是正確的，少數(shù)樣本出現(xiàn)誤檢情況。

本發(fā)明提出的基于深度神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法，以卷積神經(jīng)網(wǎng)絡(luò)為核心，通過(guò)卷積層進(jìn)行特征提取，池化層保留有效特征并減少計(jì)算量，用全連接層進(jìn)行分類(lèi)。以mini-batch梯度下降法進(jìn)行優(yōu)化，l2正則化增強(qiáng)泛化能力，通過(guò)確定分類(lèi)器輸出的最大分量的對(duì)應(yīng)位置進(jìn)行缺陷的識(shí)別，效果參見(jiàn)圖5、圖6所示，其中actual表示樣本真實(shí)的類(lèi)別，pred表示樣本預(yù)測(cè)的類(lèi)別。