[发明专利]基于神经网络深度学习的布匹缺陷检测方法

说明书

技术领域

本发明涉及缺陷检测的技术领域，尤其涉及到基于神经网络深度学习的布匹缺陷检测方法。

背景技术

纺织品生产过程中，布匹表面缺陷是影响布匹质量的关键因素。长期以来，布匹检测一般由人工完成。人工检测依赖验布人员的经验和熟练程度，评价标准不稳定也不一致，因而经常会产生误检和漏检，熟练的验布人员也只能发现约70％的疵点。另外，布匹缺陷检测对工人来说是一个繁重无味的体力劳动，且极大的伤害了验布工人的视力。所以采用机器视觉代替人工自动对布匹瑕疵进行识别，已经成为纺织业发展的必然趋势.

布匹质量检测虽然具有广阔的市场前景，但是由于布匹材质的特殊性，仍存在很多技术难点，譬如：

1、针对不同胚布有不同的成像标准。由于不同织布厂的坯布原料不同，所生产的坯布密度不同，坯布质量检测成像环节难以有量化的成像标准，包括光源强度，相机光圈大小，物距等参数都将是所研制检测装备调试过程中非常难以调节的参数。

2、缺陷种类众多，难以分辨。坯布缺陷有20多种，不同缺陷之间相似度高，即使是经验丰富的验布工也时常难以分辨。

3、缺陷成像影响因素太多。多数纺织厂生产条件较为恶劣，坯布表面不同程度的粘有脏污或棉球，这些物质在很大程度上会影响布匹缺陷检测算法的可靠性。同样的，部分坯布由于时间存放形成褶皱以及机床的震动也会影响算法的可靠性。

发明内容

本发明的目的在于克服现有技术的不足，提供人力成本低、能排除多种影响检测布匹缺陷的干扰因素、能对多种布匹缺陷进行分类并实时监测的基于神经网络深度学习的布匹缺陷检测方法。

为实现上述目的，本发明所提供的技术方案为：基于神经网络深度学习的布匹缺陷检测方法，其包括以下步骤：

(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。

进一步地，步骤(1)中，高速线扫描成像系统基于GPU+FPGA结构而搭建，在GPU中进行图像矫正、拼接以及去噪算法，实现单元图像的高速输出，并根据图像质量实现对曝光时间和行频的自动实时计算和设置。

进一步地，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。

进一步地，图像矫正包括图像平场矫正和红外图像非线性畸变矫正；

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；

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；

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。其中，通过基于兴趣点方向特征的图像拼接方法，通过Harris检测器提取出图像的兴趣点，采用兴趣点方向特征和相关窗的方法提取出初始匹配特征对，根据相邻特征点之间的关系剔除掉无配对的点，通过此模型来实现图像的配准。

进一步地，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，该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，从而加快学习速率，检测流程包括以下步骤：

1))对输入样本进行尺度规范，使其在整个网络层之间的输入规范统一，相应的误差运算更加准确，网络健壮性提高；

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: