[发明专利]一种基于深度神经网络的织物瑕疵检测方法

说明书

技术领域

本发明涉及一种基于深度神经网络的织物瑕疵检测方法，属于图像处理技术领域。

背景技术

现有技术中，布匹瑕疵检测已成为织物产品质量控制的重要环节，瑕疵检测方法对提高产品质量有着重要的作用，织物瑕疵检测已成为一个热门的研究领域。传统的人工检测方法存在着很大的局限性，如人工成本高，尺寸较小的缺陷难以分辨，长时间工作会造成视觉疲劳，容易产生误检和漏检。为了提高产品质量和减少生产成本，布匹瑕疵自动检测已成为提高布匹质量的一种有效方法。

布匹瑕疵自动检测系统中的关键部分是瑕疵检测方法，目前常见的瑕疵检测方法可以大致分为以下几类：统计、光谱、模型、学习和结构。由于织物和缺陷存在多样性，在实际应用中往往都是根据织物和缺陷的类型选择合适的检测方法。但这些方法的检测过程基本是相同的，即对图像进行预处理，人工提取特征，最后进行分类识别。其中最重要的阶段是特征提取，特征提取是对目标提取几何、灰度、纹理或频谱等能更好体现图像的特征。简单的特征提取易于实现且实时性较高，复杂的特征提取可以提高检测率但增加计算量。特征提取的好坏决定了检测系统的可靠性，如果特征选取的不完整或是错误的，对最终的分类结果会有很大的影响，传统的特征提取包括Gabor变换、数学形态学、傅里叶变换等特征提取技术。这些方法仅对特定的目标进行识别时可以取得良好的效果，不具有良好的适应性。而且在图像背景复杂与缺陷难以区别的时候，识别率有所下降，同时还会增加方法的复杂度。

深度神经网络是近年发展起来，并引起广泛重视的一种高效识别方法，常用的深度神经网络包括深度置信网络、自编码器网络以及卷积神经网络。其中，卷积神经网络已成为众多领域的研究热点，特别是在模式分类领域。因此，为了弥补现有检测方法的不足以及保持较高的检测率，本发明提出了一种基于深度神经网络的瑕疵检测方法。这种方法具有优异的特征学习能力，可以自主学习图像中的特征信息，从低级特征到高级特征逐渐提取。降低了人为提取特征的影响，同时减少了对图像的预处理过程。

发明内容

本发明的发明目的是提供一种基于深度神经网络的织物瑕疵检测方法。

为达到上述发明目的，本发明采用的技术方案是：一种基于深度神经网络的织物瑕疵检测方法，其特征在于：包括如下步骤，

(1)、搭建图像采集系统，将采集到的图像送至计算机；

(2)、采用图像变换和噪声扰动的方式增加织物样本图像数据，将增强后的织物图像作为训练样本，训练样本中包含不同织物的正常和缺陷图像，并对图像进行标定，’0’代表正常样本，’1’代表缺陷样本；

(3)、设计深度神经网络，所述深度神经网络包括9层，一层输入层、三层卷积层、三层池化层以及两层全连接层，其中输入层为获取的织物图像，卷积层用于特征提取，不同卷积层由不同数目的特征图组成，池化层采用max-pooling的方式对上一卷积层进行下采样，经过多层卷积和池化操作，将获取的特征向量输入到全连接层，得到最终输出向量，并使用softmax分类器进行分类；

(4)、设置参数并对所述深度神经网络进行初始化，将训练样本作为输入数据送入到所述深度神经网络进行训练，在网络训练完成之后，保存网络模型；

(5)、将输入的新织物样本送入网络模型进行检测，分类器输出的最大分量的位置为检测结果，将检测结果与定义的标签进行比较，检测结果输出为0时，表示图像为正常图片，结果为1时，则表示图像中存在缺陷；

上述步骤(3)中，对所述深度神经网络进行优化，采用softmax分类器的交叉熵函数作为目标函数，在后向传播中使用mini-batch梯度下降法来优化目标函数，即遍历完一个batch的样本就计算梯度和更新参数，其中目标函数定义如下：

其中1{.}是示性函数，即大括号内的表达式值为真的时候输出1，否则为0，m是训练样本总数，y⁽ⁱ⁾是第i个样本实际的标签值，是样本i分类为类别j的概率，即是经过softmax分类器处理之后的输出，使用mini-batch梯度下降法进行优化的计算方式如下：

优选地，在所述目标函数中加入L2正则化惩罚项，具体方式是在目标函数中添加权重衰减项定义方式如下：

在网络训练过程中在训练过程中使用指数衰减型学习速率，衰减型学习速率的计算方式如下：

η＝learning_rate*decay_rate^(global_step/decay_step)