[发明专利]一种基于卷积神经网络的织带边缘毛疵缺陷检测方法

说明书

本发明公开了一种基于卷积神经网络的织带边缘毛疵缺陷检测方法，利用摄像机采集织带图片，对织带的边缘进行提取，分别得到有毛疵缺陷的样本图片和无毛疵缺陷的样本图片；将采集到的样本图片利用具有多尺度并行训练结构的卷积神经网络进行分类检测，该卷积神经网络能够在增加神经网络深度与宽度的同时，去除普通卷积神经网络中的全连接层，并将一般的卷积转化为稀疏连接，再利用密集成分来近似最优的局部稀疏结构来保持神经网络的高计算性能。因此，本发明的毛疵缺陷检测方法，不仅能够对织带边缘毛疵缺陷进行有效的检测，并且能够有效保持或减小卷积神经网络的计算量，从而提高计算性能。

技术领域

本发明涉及织带边缘毛疵缺陷检测领域，尤其是一种基于卷积神经网络的织带边缘毛疵缺陷检测方法。

背景技术

在织带生产过程中，由于机器故障和纱线问题，会使得生产的织带带有许多毛疵缺陷，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，随着计算机图像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是通过传统机器学习的方法，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。但是由于织带边缘毛疵缺陷比较微细，不明显，使得传统机器学习检测效果不够好，深度学习是机器学习研究中的一个新领域，其主要在于建立能模拟人脑进行分析的神经网络，是具有多隐含层的神经网络结构。深度学习通过组合底层特征形成更加抽象的高层表示属性或特征，从而能够有效对织带边缘毛疵缺陷进行特征提取、训练并检测。

在卷积神经网络中，如果增加网络中的隐含层，利用加深神经网络的层数，可以进一步提高网络的识别成功率，对于织带边缘毛疵缺陷较为细小，与其他区域相差较大，因而通过增加网络的层次可以有效提高织带边缘毛疵缺陷检测的成功率，但是与此同时，加深神经网络的层数，不仅会加大网络中参数的总量，也会使得计算量变得非常庞大，消耗更多的计算资源，从而容易出现过拟合的现象，这个问题当数据集数量较少时会更加明显。在织带工业生产中，对于织带自动检测过程，由于计算资源有限，使用超高计算性能的硬件不现实，因此，有必要在加深网络层数同时保持或减小网络的计算量，提高计算性能。

发明内容

为解决上述问题，本发明的目的在于提供一种基于卷积神经网络的织带边缘毛疵缺陷检测方法，不仅能够对织带边缘毛疵缺陷进行有效的检测，并且能够有效地减少卷积神经网络的参数量，提高计算性能，使生成的模型足够小，从而实现在嵌入式平台上的实时检测。

本发明解决其问题所采用的技术方案是：

一种基于卷积神经网络的织带边缘毛疵缺陷检测方法，包括以下步骤：

A、图像采集及预处理，得到样本图片；

B、对样本图片进行图像增强处理，得到训练图片；

C、构建具有多尺度并行训练结构的卷积神经网络；

D、利用训练图片对卷积神经网络进行训练处理；

E、利用经过训练处理的卷积神经网络进行毛疵缺陷检测。

进一步，步骤A中，图像采集及预处理，得到样本图片，包括以下步骤：

A1、利用摄像机采集织带图片，并对采集到的织带图片进行二值化处理；

A2、对经过二值化处理的织带图片进行倾斜校正；

A3、对校正后的织带图片的边缘以70×70像素的大小进行裁剪，提取到70×70像素的样本图；

A4、对样本图进行分类，分别得到边缘有毛疵缺陷的样本图片和边缘无毛疵缺陷的样本图片。