[发明专利]一种基于机器学习的布匹缺陷检测方法及装置

权利要求书

1.一种基于机器学习的布匹缺陷检测方法，其特征在于，包括以下步骤：

步骤1：图像分割，为了方便后续处理，将采集图像分割为256*256的子图像；

步骤2：图像预处理；

步骤3：子图像特征提取，采用基于Gabor小波变换和投影法结合的图像处理方法提取子图像的特征参数；

步骤4：布匹疵点检测；

步骤5：布匹疵点分类。

2.如权利要求1所述的基于机器学习的布匹检测方法，其特征在于，所述步骤2具体如下：

步骤21：图像增强，提取有效区域；

步骤22：图像去噪，采用高斯滤波器去除噪声；

步骤23：疵点区域分割，将布匹疵点区域从整幅图像中分割出来。

3.如权利要求1所述的基于机器学习的布匹检测方法，其特征在于，所述步骤4具体如下：

步骤41：离线布匹学习阶段，将工业相机拍摄的无疵点的布匹图像作为标准图像存入工控机，采用基于小波变换和投影法结合的图像处理方法提取标准图像的特征参数，包括布匹图像的均值和方差，将特征参数作为BP神经网络的输入信号，使用BP神经网络对特征参数进行训练，然后进行输出，输出信号作为在线布匹检测的标准值；

步骤42：在线布匹检测阶段，将步骤3中提取的子图像特征参数作为输入信号，使用BP神经网络对子图像特征参数进行检测，通过与标准值对比将被检测布匹分为有缺陷、伪缺陷和无缺陷三类。

4.如权利要求1所述的基于机器学习的布匹检测方法，其特征在于，所述步骤5具体如下：

步骤51：布匹疵点分类阶段，对步骤4中检测到的疵点图像，采用基于卷积神经网络的深度学习算法对布匹缺陷进行分类，具体包括三个过程：

步骤511：利用多层卷积神经网络自动选取抽象高层特征向量，所述多层卷积神经网络包括输入层、卷积层、采样层和输出层，所述多层卷积神经网络具体如下：

输入层，输入层没有输入值，只有一个输出向量，这个向量的大小就是图片的大小，即一个28*28矩阵；

卷积层，卷积层的输入来源于输入层或者采样层，如图4红色部分，卷积层的每一个map都有一个大小相同的卷积核，本发明采用5*5的卷积核，以卷积核大小2*2为例，上一层的特征map大小为4*4，用这个卷积在图片上滚一遍，得到一个一个(4-2+1)*(4-2+1)＝3*3的特征map，卷积核每次移动一步，因此，卷积层的一个map与上层的所有map都关联，如图3的S2和C3，即C3共有6*12个卷积核，卷积层的每一个特征map是不同的卷积核在前一层所有map上作卷积并将对应元素累加后加一个偏置，再由sigmoid激活函数得到输出；

采样层，采样层是对上一层map的一个采样处理，采样方式是对上一层map的相邻小区域进行聚合统计，区域大小为scale*scale，有些实现是取小区域的最大值，本发明采用2*2小区域的均值；

输出层，输出层与最后的采样层S4全连接，提取布匹整体的特征信息，得到最终布匹图像的高层特征向量，用于后续的分类器的输入；

步骤512：利用Softmax分类器对提取到的抽象高层特征向量进行分类，完成布匹缺陷分类；

步骤513：基于多GPU的快速训练模型，即采用具有多个GPU的工作站，每个GPU的速度基本接近，并且都含有足够的内存来运行整个基于多层的卷积神经网络深度学习布匹分类算法。

5.如权利要求1所述的基于机器学习的布匹检测方法的检测装置，其特征在于包括：图像采集单元，所述图像采集单元包括红外光源和工业相机，图像处理单元，所述图像处理单元包括工控机，数据通信单元，所述数据通信单元包括上位机和下位机，动作执行单元，所述动作执行单元包括编码器和打标机，所述图像采集单元设置在被检测布匹上方。

6.如权利要求5所述的一种基于机器学习的布匹缺陷检测装置，其特征在于：所述图像采集单元中的红外光源是LED条形红外光源，所述图像采集单元中的工业相机是CCD线阵工业相机，LED条形红外光源发出的光经过被检测的布匹反射后能被CCD线阵工业相机接收。

7.如权利要求5所述的一种基于机器学习的布匹缺陷检测装置，其特征在于：所述工控机上搭载有图像处理软件，所述图像处理软件包括软件界面显示模块、图像处理算法模块和数据库模块。

8.如权利要求1所述的一种基于机器学习的布匹缺陷检测装置，其特征在于：所述上位机和下位机之间采用以太网接口GigE通信，采用以太网Modbus TCP/IP协议，Telnet通信先进行握手，然后进行数据的读写操作，握手信号成功后，工控机充当客户端，通过TcpClient类中的connect方法进行网络通信，利用NetWorkStream类来进行网络数据传输，实现上位机和下位机的数据通信。