基于b樣條小波和深度神經(jīng)網(wǎng)絡(luò)的織物疵點(diǎn)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及自動(dòng)測(cè)量與控制領(lǐng)域，尤其涉及一種織物疵點(diǎn)在生產(chǎn)過(guò)程中的檢測(cè)方 法。
【背景技術(shù)】
[0002] 傳統(tǒng)的織物疵點(diǎn)檢測(cè)是檢驗(yàn)人員按照個(gè)人經(jīng)驗(yàn)和織物評(píng)等標(biāo)準(zhǔn)對(duì)織物等級(jí)做出 評(píng)定，這種方法存在檢測(cè)速度低、漏檢率高、檢測(cè)結(jié)果受人的主觀(guān)影響等諸多問(wèn)題，無(wú)法滿(mǎn) 足快速、高品質(zhì)的產(chǎn)品生產(chǎn)。因此，發(fā)展一種快速、準(zhǔn)確的織物疵點(diǎn)自動(dòng)檢測(cè)方法是當(dāng)前紡 織或織物印刷企業(yè)的迫切需求。織物疵點(diǎn)自動(dòng)檢測(cè)是對(duì)織物質(zhì)量進(jìn)行控制、實(shí)現(xiàn)織造及驗(yàn) 布工序自動(dòng)化、無(wú)人化的關(guān)鍵環(huán)節(jié)。尤其是隨著圖像處理和人工智能技術(shù)的發(fā)展，以計(jì)算機(jī) 視覺(jué)為基礎(chǔ)的織物自動(dòng)檢測(cè)逐漸得到發(fā)展與應(yīng)用。本發(fā)明即時(shí)一種快速的織物疵點(diǎn)視覺(jué)檢 測(cè)方法。
[0003] 現(xiàn)有的計(jì)算機(jī)視覺(jué)檢測(cè)方法主要是以圖像處理技術(shù)為基礎(chǔ)，通過(guò)對(duì)灰度或紋理的 計(jì)算，得到面積、長(zhǎng)度、中心矩、偏心距等幾何或代數(shù)特征，并據(jù)此判斷是否含有疵點(diǎn)，有何 疵點(diǎn)等。這種方法在高分辨率圖像的處理中計(jì)算量大，且隨著織物中圖案的變化，為了達(dá)到 理想的檢測(cè)效果，特征的選擇必須有人來(lái)完成，不能實(shí)現(xiàn)完全意義上的自動(dòng)化。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點(diǎn)，提出一種基于B樣條小波和深度神經(jīng)網(wǎng)絡(luò)的 織物疵點(diǎn)檢測(cè)方法，解決現(xiàn)有技術(shù)中計(jì)算速度慢、對(duì)不同背景圖案需要人工干預(yù)的缺點(diǎn)。
[0005] -種織物疵點(diǎn)自動(dòng)檢測(cè)方法包含模型訓(xùn)練階段和檢測(cè)階段兩步。
[0006] 步驟一，模型訓(xùn)練階段有如下實(shí)現(xiàn)步驟：
[0007] 11，把樣本庫(kù)中圖像的長(zhǎng)、寬的像素?cái)?shù)擴(kuò)展為2"的正方形，擴(kuò)展部分以0填充；
[0008] 12,對(duì)圖像進(jìn)行多次B樣條小波變換，具體實(shí)現(xiàn)如下：
[0009] 12. 1對(duì)圖像進(jìn)行B樣條小波變換，分別得到對(duì)角線(xiàn)方向子圖HH、豎直方向子圖HL、 水平方向子圖LH和低頻子圖LL四幅圖像。小波變換快速算法如式（1)如示：
[0010
【主權(quán)項(xiàng)】
1. 一種織物疵點(diǎn)自動(dòng)檢測(cè)方法包含模型訓(xùn)練階段和檢測(cè)階段兩步 步驟一，模型訓(xùn)練階段有如下實(shí)現(xiàn)步驟： 11，把樣本庫(kù)中圖像的長(zhǎng)、寬的像素?cái)?shù)擴(kuò)展為2"的正方形，擴(kuò)展部分以O(shè)填充； 12,對(duì)圖像進(jìn)行B樣條小波變換，具體實(shí)現(xiàn)如下： 12. 1對(duì)圖像進(jìn)行B樣條小波變換，分別得到對(duì)角線(xiàn)方向子圖HH、豎直方向子圖HL、水平 方向子圖LH和低頻子圖LL四幅圖像。小波變換快速算法如式（1)如示：
h，gjj為小波濾波器，其中濾波器ρ表示Ir3的時(shí)序反轉(zhuǎn)，即=?，m為橫坐標(biāo)，η 為縱坐標(biāo)，k為小波橫向?qū)挾龋褳樾〔v向?qū)挾?，j為小波分解層數(shù)； 12. 2對(duì)LL圖像進(jìn)行二進(jìn)抽取，得到長(zhǎng)、寬為2-1的圖像； 12, 3對(duì)12. 2得到的圖像重復(fù)12. 1、12. 2操作，直到結(jié)果為長(zhǎng)、寬都為26的圖像； 13, 建立深度為5層的神經(jīng)網(wǎng)絡(luò)，每層的神經(jīng)元個(gè)數(shù)分別為4096、1000、500、200和50 ; 14, 利用已有的圖像庫(kù)，對(duì)步驟13建立的網(wǎng)絡(luò)用對(duì)比分歧快速算法進(jìn)行學(xué)習(xí)，得到網(wǎng) 絡(luò)的初始權(quán)值；對(duì)比分歧算法的計(jì)算過(guò)程為 輸入：訓(xùn)練樣本學(xué)習(xí)率ε，隱藏層數(shù)m 初始化：可見(jiàn)層單元初始狀態(tài)V1= X 〇,可見(jiàn)層和隱藏層之間的連接權(quán)重W、可見(jiàn)層的偏 置a和隱藏層的偏置b為隨機(jī)的較小數(shù)值； 備注：隱藏層的P (h2= 11 V 2)是隱藏層各單元P (h2i= 11 V 2)的向量表示，
15, 將上面建立的網(wǎng)絡(luò)展開(kāi)連接成新的網(wǎng)絡(luò)，且分成encoder和decoder兩部分，并用 步驟14得到的權(quán)值給這個(gè)新網(wǎng)絡(luò)賦初值； 16, 對(duì)得到的權(quán)值，用BP算法進(jìn)行微調(diào)，期望輸出等于輸入。BP算法的計(jì)算過(guò)程為： 16. 1前向傳導(dǎo)計(jì)算，得出每一層神經(jīng)元的激活值L2, L3，…，Lnl 16. 2對(duì)輸出層nl計(jì)算殘差δ : δ (nl)= -(y-a (nl)) · f' (z(nl)) (8) 其中，y為期望輸出，a(nl)為實(shí)際輸出，f'為激活函數(shù)，z (nl)為輸入； 16. 3對(duì)以下各層I = nfl，]^-〗，…，2,計(jì)算 δ (1)= (〇ν(1))τδ，)）· f (zG)) (9) 其中，W為權(quán)值矩陣； 16. 4計(jì)算所需的偏導(dǎo)數(shù)：
步驟二，織物檢測(cè)階段，有如下實(shí)現(xiàn)步驟： 21，獲得待檢測(cè)織物圖像，并轉(zhuǎn)化為8位灰度表示方式； 22, 把圖像的長(zhǎng)、寬擴(kuò)展為2"的正方形，擴(kuò)展部分以0填充； 23, 對(duì)圖像進(jìn)行多次B樣條小波變換，具體實(shí)現(xiàn)過(guò)程同模型訓(xùn)練階段步驟12 ; 24, 把步驟23獲得的圖像輸入到建立的深度神經(jīng)網(wǎng)絡(luò)模型中，從輸出端得到重構(gòu)的織 物圖像； 25, 把得到的重構(gòu)圖像與輸入圖像作差運(yùn)算，得到織物疵點(diǎn)圖像檢測(cè)結(jié)果； 26, 求取結(jié)果圖像中紋理的面積、長(zhǎng)度、寬度、中心矩等特征，據(jù)此判斷是否有疵點(diǎn)，為 何種疵點(diǎn)。
【專(zhuān)利摘要】一種織物疵點(diǎn)自動(dòng)檢測(cè)方法包含深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和疵點(diǎn)圖像檢測(cè)兩部分。深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練主要是經(jīng)過(guò)已有樣本庫(kù)的學(xué)習(xí)，實(shí)現(xiàn)在輸入疵點(diǎn)圖像的前提下，得到樣本無(wú)疵點(diǎn)的重構(gòu)圖像。疵點(diǎn)圖像檢測(cè)如圖所示。待測(cè)織物圖像首先經(jīng)過(guò)多次小波變換，得到保留大部分紋理信息的壓縮圖像并保存。然后把壓縮圖像輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)輸入端，進(jìn)行計(jì)算，在輸出端得到重構(gòu)的無(wú)疵點(diǎn)圖像。隨后把重構(gòu)圖像與保存的壓縮圖像做差值運(yùn)算，得到只含有疵點(diǎn)的圖像。最后通過(guò)對(duì)疵點(diǎn)圖像的特征提取，分析出是否含有疵點(diǎn)及疵點(diǎn)的種類(lèi)等。
【IPC分類(lèi)】G06N3-02, G06T7-00
【公開(kāi)號(hào)】CN104751472
【申請(qǐng)?zhí)枴緾N201510168873
【發(fā)明人】王憲保, 王辛剛, 陳德富, 顧勤龍, 何文秀, 姚明海
【申請(qǐng)人】浙江工業(yè)大學(xué)
【公開(kāi)日】2015年7月1日
【申請(qǐng)日】2015年4月10日