[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

说明书

技术领域

本发明涉及自动测量与控制领域，尤其涉及一种织物疵点在生产过程中的检测方法。

背景技术

传统的织物疵点检测是检验人员按照个人经验和织物评等标准对织物等级做出评定，这种方法存在检测速度低、漏检率高、检测结果受人的主观影响等诸多问题，无法满足快速、高品质的产品生产。因此，发展一种快速、准确的织物疵点自动检测方法是当前纺织或织物印刷企业的迫切需求。织物疵点自动检测是对织物质量进行控制、实现织造及验布工序自动化、无人化的关键环节。尤其是随着图像处理和人工智能技术的发展，以计算机视觉为基础的织物自动检测逐渐得到发展与应用。本发明即时一种快速的织物疵点视觉检测方法。

现有的计算机视觉检测方法主要是以图像处理技术为基础，通过对灰度或纹理的计算，得到面积、长度、中心矩、偏心距等几何或代数特征，并据此判断是否含有疵点，有何疵点等。这种方法在高分辨率图像的处理中计算量大，且随着织物中图案的变化，为了达到理想的检测效果，特征的选择必须有人来完成，不能实现完全意义上的自动化。

发明内容

本发明要克服现有技术的上述缺点，提出一种基于B样条小波和深度神经网络的织物疵点检测方法，解决现有技术中计算速度慢、对不同背景图案需要人工干预的缺点。

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，对图像进行多次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：

h,g,为小波滤波器，其中滤波器表示h^j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(h₂＝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：

Forj＝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，并用步骤四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：