[发明专利]基于B样条小波和深度神经网络的织物疵点检测方法有效

专利信息
申请号: 201510168873.8 申请日: 2015-04-10
公开(公告)号: CN104751472B 公开(公告)日: 2017-06-23
发明(设计)人: 王宪保;王辛刚;陈德富;顾勤龙;何文秀;姚明海 申请(专利权)人: 浙江工业大学
主分类号: G06T7/00 分类号: G06T7/00;G06N3/02
代理公司: 杭州天正专利事务所有限公司33201 代理人: 王兵,黄美娟
地址: 310014 浙*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 样条小波 深度 神经网络 织物 疵点 检测 方法
【权利要求书】:

1.一种织物疵点自动检测方法,包含模型训练阶段和检测阶段两步,

步骤一,模型训练阶段有如下实现步骤:

11,把样本库中图像的长、宽的像素数扩展为2n的正方形,扩展部分以0填充;

12,对图像进行B样条小波变换,具体实现如下:

12.1对图像进行B样条小波变换,分别得到对角线方向子图HH、竖直方向子图HL、水平方向子图LH和低频子图LL四幅图像;小波变换快速算法如式(1)如示:

<mrow><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><msubsup><mi>a</mi><mrow><mi>n</mi><mo>,</mo><mi>m</mi></mrow><mrow><mi>j</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mi>k</mi><mo>,</mo><mi>p</mi></mrow></munder><msub><mover><mi>h</mi><mo>&OverBar;</mo></mover><mi>k</mi></msub><msub><mover><mi>h</mi><mo>&OverBar;</mo></mover><mi>p</mi></msub><msubsup><mi>a</mi><mrow><mi>n</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>k</mi><mo>,</mo><mi>m</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>p</mi></mrow><mi>j</mi></msubsup></mrow></mtd></mtr><mtr><mtd><mrow><msubsup><mi>d</mi><mrow><mi>n</mi><mo>,</mo><mi>m</mi></mrow><mrow><mi>j</mi><mo>+</mo><mn>1</mn><mo>,</mo><mn>1</mn></mrow></msubsup><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mi>k</mi><mo>,</mo><mi>p</mi></mrow></munder><msub><mover><mi>h</mi><mo>&OverBar;</mo></mover><mi>k</mi></msub><msub><mover><mi>g</mi><mo>&OverBar;</mo></mover><mi>p</mi></msub><msubsup><mi>a</mi><mrow><mi>n</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>k</mi><mo>,</mo><mi>m</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>p</mi></mrow><mi>j</mi></msubsup></mrow></mtd></mtr><mtr><mtd><mrow><msubsup><mi>d</mi><mrow><mi>n</mi><mo>,</mo><mi>m</mi></mrow><mrow><mi>j</mi><mo>+</mo><mn>1</mn><mo>,</mo><mn>2</mn></mrow></msubsup><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mi>k</mi><mo>,</mo><mi>p</mi></mrow></munder><msub><mover><mi>g</mi><mo>&OverBar;</mo></mover><mi>k</mi></msub><msub><mover><mi>h</mi><mo>&OverBar;</mo></mover><mi>p</mi></msub><msubsup><mi>a</mi><mrow><mi>n</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>k</mi><mo>,</mo><mi>m</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>p</mi></mrow><mi>j</mi></msubsup></mrow></mtd></mtr><mtr><mtd><mrow><msubsup><mi>d</mi><mrow><mi>n</mi><mo>,</mo><mi>m</mi></mrow><mrow><mi>j</mi><mo>+</mo><mn>1</mn><mo>,</mo><mn>3</mn></mrow></msubsup><mo>=</mo><munder><mi>&Sigma;</mi><mrow><mi>k</mi><mo>,</mo><mi>p</mi></mrow></munder><msub><mover><mi>g</mi><mo>&OverBar;</mo></mover><mi>k</mi></msub><msub><mover><mi>g</mi><mo>&OverBar;</mo></mover><mi>p</mi></msub><msubsup><mi>a</mi><mrow><mi>n</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>k</mi><mo>,</mo><mi>m</mi><mo>-</mo><msup><mn>2</mn><mi>j</mi></msup><mi>p</mi></mrow><mi>j</mi></msubsup></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>

h,g为小波滤波器,其中滤波器表示hk的时序反转,即m为横坐标,n为纵坐标,k为小波横向宽度,p为小波纵向宽度,j为小波分解层数;

12.2对LL图像进行二进抽取,得到长、宽为2n-1的图像;

12.3对12.2得到的图像重复12.1、12.2操作,直到结果为长、宽都为26的图像;

13,建立深度为5层的神经网络,每层的神经元个数分别为4096、1000、500、200和50;

14,利用已有的图像库,对步骤13建立的网络用对比分歧快速算法进行学习,得到网络的初始权值;对比分歧算法的计算过程为

输入:训练样本x0,学习率ε,隐藏层数m

初始化:可见层单元初始状态v1=x0,可见层和隐藏层之间的连接权重w、可见层的偏置a和隐藏层的偏置b为随机的较小数值;

备注:隐藏层的P(h 2=1|v2)是隐藏层各单元P(h 2i=1|v2)的向量表示,为sigmoid激活函数;

训练过程:

For j=1,2,…,m(对隐藏层单元j)

计算

从P(h 1j=1|v1)采样h 1j∈{0,1}

End

For i=1,2,…,n(对可见层单元i)

计算

从P(h 2i=1|h1)采样v 2i∈{0,1}

End

For j=1,2,…,m(对隐藏层单元j)

计算

End

更新参数:

w←w+ε(h1v'1-P(h2=1|v2)v'2) (5)

a←a+ε(v1-v2) (6)

b←b+ε(h1-P(h2=1|v2)) (7)

15,将上面建立的网络展开连接成新的网络,且分成encoder和decoder两部分,并用步骤14得到的权值给这个新网络赋初值;

16,对得到的权值,用BP算法进行微调,期望输出等于输入;BP算法的计算过程为:

16.1前向传导计算,得出每一层神经元的激活值L2,L3,…,Lnl

16.2对输出层nl计算残差δ:

δ(nl)=-(y-a(nl))·f'(z(nl)) (8)

其中,y为期望输出,a(nl)为实际输出,f'为激活函数,z(nl)为输入;

16.3对以下各层l=nl-1,nl-2,…,2,计算

δ(l)=((W(l))Tδi(l))·f'(z(l)) (9)

其中,W为权值矩阵;

16.4计算所需的偏导数:

<mrow><msub><mo>&dtri;</mo><msup><mi>W</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup></msub><mi>J</mi><mrow><mo>(</mo><mi>W</mi><mo>,</mo><mi>b</mi><mo>;</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>&delta;</mi><mrow><mo>(</mo><mi>l</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msup><msup><mrow><mo>(</mo><msup><mi>a</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>)</mo></mrow><mi>T</mi></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>10</mn><mo>)</mo></mrow></mrow>

<mrow><msub><mo>&dtri;</mo><msup><mi>b</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup></msub><mi>J</mi><mrow><mo>(</mo><mi>W</mi><mo>,</mo><mi>b</mi><mo>;</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>&delta;</mi><mrow><mo>(</mo><mi>l</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow>

步骤二,织物检测阶段,有如下实现步骤:

21,获得待检测织物图像,并转化为8位灰度表示方式;

22,把图像的长、宽扩展为2n的正方形,扩展部分以0填充;

23,对图像进行多次B样条小波变换,具体实现过程同模型训练阶段步骤12;

24,把步骤23获得的图像输入到建立的深度神经网络模型中,从输出端得到重构的织物图像;

25,把得到的重构图像与输入图像作差运算,得到织物疵点图像检测结果;

26,求取结果图像中纹理的面积、长度、宽度、中心矩特征,据此判断是否有疵点,为何种疵点。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201510168873.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top