[发明专利]一种基于卷积神经网络的织带断痕缺陷检测方法

说明书

技术领域

本发明涉及一种织带断痕缺陷检测方法，更具体地，涉及一种基于卷积神经网络的织带断痕缺陷检测方法。

背景技术

在织带生产过程中，由于织带容易受到噪声及织物表面材质和机器拉扯的干扰，而织带外观是影响产品质量的重要因素，因此，缺陷检测成为了织带工业生产的关键环节。传统的人工方式的织带缺陷检测太耗费人力、财力，并且这种方式过度依赖于检测者的注意力和判断力，随着计算机图片处理与识别的不断发展，织带缺陷自动检测重要性日益突出，逐渐取代人工检测。

传统的织带缺陷自动检测主要通过传统的机器学习的方法，通常分为两个部分：基于特征提取方法和基于模板匹配的方法，而基于特征提取方法主要有基于统计的方法、基于谱的方法、基于纹理模型方法、基于学习的方法和基于结构的方法；但是由于织带断痕缺陷比较微细，并且对于附有图案或者文字的织带，断痕缺陷不明显，使得传统的机器学习检测效果不够好。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的织带断痕缺陷检测方法，利用卷积神经网络对图片特征自动实现最有效的提取，降低计算的复杂度。

为解决上述问题，本发明提供的技术方案为：一种基于卷积神经网络的织带断痕缺陷检测方法，其中，包括以下步骤：

S1.图片采集，利用工业摄像头采集织带图片，通过Flycaputer SDK对摄像头拍摄区域大小进行设置，对上述样本图片进行分类和标记，分别得到织带有断痕缺陷样本集和无断痕缺陷样本集；

S2.图片预处理，分别将有断痕缺陷样本集、无断痕缺陷样本集按照一定比例分为两份，取数目较多的一份作为训练集，数目较少的一份作为测试集，分别按照i_1，i_2，i_3......对图片进行编号，其中，i＝0对应有断痕缺陷样本集，i＝1对应无断痕缺陷样本集；同时，将图片随机裁剪成预定像素的图片，将图片均转化为lmdb格式的数据集，对数据集进行镜像操作，并对每一张图片RGB三通道分别减去所有训练图片的三通道均值；

S3.图片训练，采用AlexNet网络结构，并对相应的求解器进行设置，通过命令行输入训练命令指引计算机对图片进行训练；通过前五层卷积层、池化层和激活函数层对图片特征的提取，将原始数据映射到隐层特征空间，再经过后三层全连接层的作用，将学习到的“分布式特征表示”映射到样本标记空间，根据对损失函数值的大小对训练结果进行优化；这里所述的分布式特征表示也就是学习到的不同的特征。求解器就是一个solver.prototxt文件，它里面设置了caffe框架运行的参数。其中，求解器文件内容为：

net:"models/bvlc_alexnet/train_val.prototxt"

test_iter:1000

test_interval:1000

base_lr:0.01

lr_policy:"step"

gamma:0.1

stepsize:100000

display:20

max_iter:450000

momentum:0.9

weight_decay:0.0005

snapshot:10000

snapshot_prefix:"models/bvlc_alexnet/caffe_alexnet_train"

solver_mode:GPU

S4.图片分类，将待分类图片进行S2步骤所述的预处理，输入S3步骤训练得到的模型中进行特征提取和分类，输出分类结果，即输出采集的图片是有断痕缺陷或无断痕缺陷的结果，Caffe提供了两种分类接口，分别为python方法和C++方法。这里所说的待分类的图片为需要进行检测的图片。

进一步地，所述的S3步骤中图片特征的提取是基于深度学习的方法利用计算机自动提取，在训练过程中同时完成分类的过程，并且还可以通过训练过程中迭代次数的适度增加完成对分类结果的进一步优化。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。分布式表达是分散的，能更有效地提取输入数据特征，减少了对于样本的需求量；此外，分布式表达通过逐层降低输入模式的维度，解决高维输入模式引起的维度灾难问题。

进一步地，所述的优化是指通过网络前向传播产生的损失和后向传播产生的梯度进行模型优化来降低损失。