[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

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：

$\left\{\begin{array}{c}{a}_{n,m}^{j+1}=\underset{k,p}{\mathrm{\Σ}}{\stackrel{\‾}{h}}_k{\stackrel{\‾}{h}}_p{a}_{n-2^{j}k,m-2^{j}p}^j\\ d_{n,m}^{j+1,1}=\underset{k,p}{\mathrm{\Σ}}{\stackrel{\‾}{h}}_k{\stackrel{\‾}{g}}_p{a}_{n-2^{j}k,m-2^{j}p}^j\\ d_{n,m}^{j+1,2}=\underset{k,p}{\mathrm{\Σ}}{\stackrel{\‾}{g}}_k{\stackrel{\‾}{h}}_p{a}_{n-2^{j}k,m-2^{j}p}^j\\ d_{n,m}^{j+1,3}=\underset{k,p}{\mathrm{\Σ}}{\stackrel{\‾}{g}}_k{\stackrel{\‾}{g}}_p{a}_{n-2^{j}k,m-2^{j}p}^j\end{array}\right.---\left(1\right)$

h,g为小波滤波器，其中滤波器表示h_k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2^n-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,…,L_nl

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＝n_l-1,n_l-2,…,2，计算

δ^(l)＝((W^(l))^Tδ_i^(l))·f'(z^(l)) (9)

其中，W为权值矩阵；

16.4计算所需的偏导数：

${\▿}_{W^{\left(l\right)}}J(W,b;x,y)={\mathrm{\δ}}^{(l+1)}{\left(a^{\left(l\right)}\right)}^T---\left(10\right)$

${\▿}_{b^{\left(l\right)}}J(W,b;x,y)={\mathrm{\δ}}^{(l+1)}---\left(11\right)$

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。