[发明专利]一种基于端到端神经网络的织物疵点检测方法

说明书

本发明提出了一种基于端到端神经网络的织物疵点检测方法，其步骤如下：设定SSD神经网络模型的初始参数，将织物疵点数据库中的织物疵点图像输入设定的SSD神经网络模型进行训练，得到深度学习的织物检测模型；将待检测的织物图像输入到步骤一训练好的织物检测模型，对织物图像进行特征提取，选取出多个可能是疵点目标的候选框；基于设定好的判别阈值对步骤二中的候选框进行判别得到最终的疵点目标，利用疵点目标所在候选框的交并比阈值选择疵点目标框，存储疵点的位置坐标信息并输出疵点目标框。本发明对平纹织物和模式织物均具有很好的自适应性及检测性能，扩大了使用范围；检测速率快，有效解决人工检测速度慢的问题；模型易训练，操作简单。

技术领域

本发明涉及纺织品图像处理中织物疵点检测的技术领域，尤其涉及一种基于端到端神经网络的织物疵点检测方法，对织物疵点图像的疵点进行检测和定位。

背景技术

我国是纺织品大国，纺织产业在社会经济中占有重要地位，其中织物质量是关键问题，织物疵点检测更是纺织品质量控制的重要环节。目前，绝大部分的工业生产线仍在使用人工进行疵点检测，传统的人工检查结果受人类的主观影响大，而且速度慢、效率低，使得检测的准确性和实时性难以保证。随着机器视觉的不断进步与发展，图像处理技术与深度学习算法也逐渐被应用到纺织品行业中来，这些技术的发展与应用使得自动化织物疵点检测得以实现，因此，相较于传统人工检测疵点的方法，其达到了速度快，效率高的目的。

目前，已有的传统的织物疵点检测方法按照采用技术的不同，可以分为三大类：一是统计分析方法通过比对图像块之间的统计特征进行疵点检测，然而现有特征方法很难有效描述复杂多样的织物纹理，检测效果不理想；二是频域分析方法，如傅里叶变换、小波变换、Gabor滤波器等，该类方法性能依赖于滤波器组的选择，且计算复杂度相对较高；三是模型方法，如高斯-马尔科夫随机场(GMRF)等，计算量大，实现比较复杂。

当今，随着科学技术的不断发展，深度神经网络算法在目标检测领域的应用有了很大的发展与提高，对于图像目标检测，深度神经网络算法需要大量的图片作为模型训练支撑。而织物疵点检测也属于目标检测的范畴，而且织物图像易于拍摄，为深度神经网络模型的训练提供了训练图像的支撑，有望将深度神经网络应用在织物疵点检测的工业现场。原有的SSD网络模型对织物疵点检测效果并不理想。

发明内容

针对现有的织物疵点检测方法对织物疵点检测效果差，计算量大的技术问题，本发明提出一种基于端到端神经网络的织物疵点检测方法，对已有的SSD深度神经网络进行改进进行织物疵点检测，能够自动识别疵点，并对识别出的疵点标记确定疵点位置信息，适用于多维和纹理复杂的织物图像。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于端到端神经网络的织物疵点检测方法，其步骤如下：

步骤一：设定SSD神经网络模型的初始参数，将织物疵点数据库中的织物疵点图像输入设定的SSD神经网络模型进行训练，得到深度学习的织物检测模型；

步骤二：将待检测的织物图像输入到步骤一训练好的织物检测模型，对织物图像进行特征提取，选取出多个可能是疵点目标的候选框；

步骤三：基于设定好的判别阈值对步骤二中的候选框进行判别得到最终的疵点目标，利用疵点目标所在候选框的交并比阈值选择疵点目标框，存储疵点的位置坐标信息并输出疵点目标框。

所述SSD神经网络模型是基于前馈卷积网络VGG-16的网络结构，VGG-16网络结构生成固定大小的候选框集，并在候选框框中显示对象类实例，接着采用非最大的抑制方法来产生最终的检测结果，并显示目标类、对应目标概率及目标框；SSD神经网络模型的初始参数包括网络层数、各层神经元的权值及偏置值；SSD神经网络模型的最初学习率为0.001、最小学习率为0.00001、最小损失值为0.5，最大训练迭代步数为20000。