[发明专利]一种基于深度卷积神经网络的布匹疵点识别方法

权利要求书

1.一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述的识别方法包括以下步骤：

(1)Faster R-CNN神经网络修改；

(2)收集布匹疵点原始数据，使用数据增强的方法扩充数据集；

(3)神经网络训练优化：

采用变化的学习率训练(1)中改进后的Faster R-CNN网络模型；

(4)布匹图像实时检测与分类：

(4-1)使用工业相机采集布匹的原始图像；

(4-2)使用训练好的改进Faster R-CNN神经网络对布匹图像进行疵点检测，得到疵点在图像中的位置及其类型；

(4-3)重复步骤(4-1)至步骤(4-2)，完成整卷布匹的检测。

2.如权利要求1所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述的步骤(1)中包含以下子步骤：

(1-1)将Faster R-CNN的特征提取网络VGG-16中的前两个全连接层FC1、FC2用一个全局平均池化层替代，第三个全连接层FC3保持不变；

(1-2)在Faster R-CNN的原区域生成网络的9种预测锚点框的基础上增加锚点框的尺度大小与尺度变化种类，生成多于9个尺度变化的锚点框。

3.如权利要求2所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述步骤(1-2)中，生成16个尺度变化的锚点框，生成锚点框的长宽比条件ratios＝[0.25,0.5,1,2]、生成锚点框的面积条件scales＝[4,8,16,32]。

4.如权利要求1所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述的步骤(2)中包含以下子步骤：

(2-1)通过摄像头采集基础布匹疵点图像；

(2-2)经过图像翻转、图像缩放、图像融合的方式扩充数据集，实现数据增强；

(2-3)将疵点分类。

5.如权利要求4所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述步骤(2-2)中，图像融合如式(1)所示，

ImageM＝α×Image1+β×Image2 (1)

其中，ImageM为融合后的图像，Image1和Image2为任意两张分辨率大小、图像格式相同的布匹疵点图像，α为Image1所占的权重系数，取值范围为[0,1]，β为Image2所占的权重系数,取值范围为[0,1]，α+β＝1。

6.如权利要求4所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述步骤(2-3)中，将疵点分类为重经重纬、断经断纬、筘痕、斑点、破洞、折痕、渍疵七个大类，图像融合的形式包含疵点类间组合以及类内组合。

7.如权利要求1所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述的步骤(3)中包含以下子步骤：

(3-1)设置训练初始学习率lr为0.001，以步骤(2)的数据集训练步骤(1)中改进后的Faster R-CNN网络模型；

(3-2)当训练的总迭代次数达到n1次之时，将降低学习率lr到0.0001，其中n1的取值范围为[10000,500000]；

(3-3)当训练的总迭代次数达到n2之时，将学习率降lr至0.00001，直至收敛到局部最优迭代结束得到训练好的模型参数，其中次数n2的范围为[20000,1000000]，且要求n2大于n1。

8.如权利要求1所述的一种基于深度卷积神经网络的布匹疵点识别方法，其特征在于，所述的步骤(4)中的步骤(4-2)使用训练好的改进Faster R-CNN神经网络模型对布匹图像进行疵点检测包含以下子步骤：

(4-2-1)使用VGG-16的13个共享卷积层提取布匹图像特征，生成特征图；

(4-2-2)对特征图做维度为256、卷积核大小为3×3、步长为1的卷积，根据RPN网络对每个锚点框做分类学习，区分属于前景还是后景，以及对分类框位置回归调整至疵点所在的区域范围，输出分类得分与各个框回归后的位置坐标；

(4-2-3)根据RPN的区域意见生成ROI区域，并将各ROI区域统一至7×7大小，每个ROI区域包含512个通道，ROI区域经过全局平均池化层与全连接层将特征映射到样本空间，得到在各样本空间上的分类得分及回归后的目标边框；

(4-2-4)根据分类得分和回归后的目标边框位置信息，对每个目标框的分类得分做分类排序，获取最高得分的类，当最高得分超过设定阈值TH时则该目标框内为最高得分的疵点类，否则目标框内无疵点，输出检测出的疵点类别以及位置信息，TH的取值范围为[0,1]。