[发明专利]一种基于深度学习的复杂提花织物缺陷检测方法

说明书

本发明实施例提供了一种基于深度学习的复杂提花织物缺陷检测方法。该方法主要包括：训练SDA网络，训练后的SDA网络包括像素分类器，该像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系；将待测图像的模式数据输入到训练好的SDA网络中的像素分类器，该像素分类器输出所述待测图像中的每个像素属于瑕疵区域的概率向量，通过设定变换关系式将所述概率向量投影到目标图像获得概率分布图；根据概率分布图获取待测图像中的瑕疵区域。本发明实施例提出一种基于深度学习的瑕疵识别与定位方法，通过构建基于深度学习的像素分类器将瑕疵检测任务转化为像素分类，对图像是适应能力好，精度高，可以有效地对复杂提花织物的缺陷进行检测。

技术领域

本发明涉及视觉检测领域，尤其涉及一种基于深度学习的复杂提花织物缺陷检测方法。

背景技术

瑕疵检测是织物质量控制的关键因素，传统瑕疵检测依靠人眼进行，人眼容易疲劳会导致效率低下和漏检率较高。因此，随着机器视觉的发展出现了一种新的检测方法。在过去的二十年中，许多学者针对布匹瑕疵图像进行了深入研究，研究对象可分为两大类：平纹织物和带有图案的织物。目前的大多数研究成果是针对平纹这些具有简单纹理结构的织物，这些检测方法可以分为6类：基于统计的方法、基于谱分析的方法、基于模型的方法、基于学习的方法、基于结构的方法和混合方法。基于谱分析的方法包括傅立叶变换、小波变换、Gabor滤波器等方法。傅立叶变换的全局性质难以对瑕疵区域准确定位，小波变换虽然具有良好的局部时频特性，但是该方法对面状等灰度变化平坦的瑕疵却难以检测。Gabor滤波器适用于模拟人类眼睛的生物特征，但是Gabor滤波器需要进行多尺度、多方向滤波，这意味着计算复杂，难以满足实时性的要求。

图案织物的瑕疵检测比平纹织物复杂的多。2005年Ngan提出基于小波低频分解分量的二值化方法，用于检测带有图案织物的瑕疵，但这种方法只适用于分析图案排列非常规则的织物。后来，在对17种墙纸图案分析的基础上，Ngan等提出基于基本图案的适应性更广的检测方法，该方法首先提取出织物中的基本图案，然后根据参考图像与待检测图像对应的基本图案之间的能量与方差曲线做出判断，确定出瑕疵位置。但是该方法对具有复杂提花图案的经编织物的瑕疵检测并不适用。

发明内容

本发明的实施例提供了一种基于深度学习的复杂提花织物缺陷检测方法，以实现有效地对复杂提花织物的缺陷进行检测。

为了实现上述目的，本发明采取了如下技术方案。

一种基于深度学习的复杂提花织物缺陷的检测方法，包括：

训练SDA网络，训练后的SDA网络包括像素分类器，该像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系；

将待测图像的模式数据输入到训练好的SDA网络中的像素分类器，该像素分类器输出所述待测图像中的每个像素属于瑕疵区域的概率向量，通过设定变换关系式将所述概率向量投影到目标图像获得概率分布图；

根据所述概率分布图获取所述待测图像中的瑕疵区域。

优选地，所述的训练SDA网络，训练后的SDA网络包括像素分类器，该像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系，包括：

SDA网络的训练包括2个阶段：预训练阶段和微调阶段，在预训练阶段，SDA网络包括3层DA，选取patch样本置为0的样本数据，采用贪婪算法利用DA逐层训练所述patch样本置为0的样本数据中的每个编码，将上一层DA训练后得到的SDA网络特征输入到下一层的DA训练中，得到训练后的SDA网络；