[发明专利]基于神经网络深度学习的布匹缺陷检测方法

权利要求书

1.基于神经网络深度学习的布匹缺陷检测方法，其特征在于：包括以下步骤：

(1)高速线扫描成像；

(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行准确检测；

(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息，进行非线性系统地处理分类。

2.根据权利要求1所述的基于神经网络深度学习的布匹缺陷检测方法，其特征在于：所述步骤(1)中，高速线扫描成像系统基于GPU+FPGA结构而搭建，在GPU中实现图像矫正、拼接以及去噪算法。

3.根据权利要求2所述的基于神经网络深度学习的布匹缺陷检测方法，其特征在于：所述步骤(1)高速线扫描成像包括以下步骤：

1)FPGA控制线性CCD传感器采集布匹图像数据；

2)线性CCD传感器将采集到的布匹图像数据传输至模数转换器，使将模拟信号转换成数字信号，转换后的图像信号存放于片外SDRAM中；

3)GPU经过EMIF存储器形式完成对双口RAM内部图像快速读取操作，完成图像矫正、拼接以及去噪功能；

4)千兆以太网完成图像传输工作。

4.根据权利要求3所述的基于神经网络深度学习的布匹缺陷检测方法，其特征在于：所述图像矫正包括图像平场矫正和红外图像非线性畸变矫正；其中，所述图像平场矫正通过灰度变换法、基于照明—发射的同态滤波法、Retinex增强法以及梯度域增强方法实现；所述红外图像非线性畸变矫正通过标定的模板法，先对摄像机进行标定，找到系统的畸变参数，然后利用标定的参数进行图像畸变的校正；

所述图像拼接包括图像预处理、图像配准、建立变换模型、统一坐标变换和融合重构。

5.根据权利要求1所述的基于神经网络深度学习的布匹缺陷检测方法，其特征在于：所述步骤(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行检测包括以下步骤：

1))规范化样本：输入层输入值范围在(-1,1)内；

2))初始化权值：根据输入层和中间层的个数对输入层到中间层的权值和中间层到输出层的权值赋初值，对学习率λ、动量系数α、θ、ε和ρ赋初值；

3))输入规范后的样本，计算中间层输出和输出层输出；

4))计算误差，根据接收信号T_k，输出层输入O_k，中间层到输出层权值V_jk，中间层输出H_k，求出误差δ_k和δ_j:

δ_k＝(O_k-T_k)*O_k*(1-O_K)

δj=Σkδk*Vkj*Hj(1-Hj);]]>

5))根据误差按自适应调整算法调整权值；

6))判断样本是否学习完毕，如果是，计算总误差，否则返回到3))；

7))根据总误差自适应调整权值，计算是否满足要求，如果满足，记录权值并结束学习，否则，返回到3))重新训练。

6.根据权利要求5所述的基于神经网络深度学习的布匹缺陷检测方法，其特征在于：所述改进的BP神经网络布匹缺陷检测算法采用具有反对称的tanh(·)函数作为激活函数，公式为：

其中，设a＝1.716和b＝2/3，保证f′(0)≈0.5，且-1<x<1时，f(x)近似线性。