[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

说明书

本发明涉及一种基于深度卷积神经网络的布匹疵点识别方法，包括以下四个部分：（1）修改Faster R‑CNN神经网络模型，包括使用全局平局池化层替代特征提取网络中的前两个全连接层，并增加区域建议网络中的锚点框；（2）使用数据增强的方法扩充数据集；（3）采用变化的学习率训练改进后的Faster R‑CNN网络模型；（4）使用工业线阵相机采集布匹图像，并使用训练好的网络模型识别疵点，输出疵点类别和位置信息。本发明能对断纬、断经、破洞、浮纬等多种类型布匹瑕疵进行识别，具有较快的识别速度和较高的识别精度。

技术领域

本发明属于深度学习技术在纺织行业机器视觉检测领域的应用，具体涉及一种基于深度卷积神经网络的布匹疵点识别方法。

背景技术

中国是纺织品大国，纺织行业在国家经济发展中起着重要的作用，其中布匹质量是制约纺织品行业发展的一个关键性问题。随着科学技术的快速进步，国际纺织行业的竞争日趋激烈，各大纺织企业面临着高质量标准和高人力成本的巨大压力，带有疵点的布匹价格往往比正常布匹低50％左右。但目前在中国，绝大部分纺织企业的布匹疵点检测都依然停留在传统的人工检测阶段。在传统的人工检测下，布匹的移动速度通常只有5-10m/min，导致验布工序效率低下，而且人眼在高度集中地工作一段时间后必然产生视觉疲劳，从而导致许多本应能检测出的疵点被遗漏，布匹疵点人眼检测的漏检率最高达30％以上。近几年，随着光学技术、数字电路技术和图像处理技术的快速发展，机器视觉已经在工业表面检测领域中得到越来越广泛的应用，布匹疵点自动检测系统已经成为必然趋势。

对于布匹疵点自动检测系统来说，核心部分就是疵点检测方法，现有方法主要分为：基于统计分析、频域分析、模型分析、学习分析等几大类。直方图统计技术由于低计算成本等特点被用于布匹疵点检测，Zhang等人通过检查被染色和无缺陷的布匹图像的直方图差异进行疵点检测(见Zhang W Y,Zhang J,Hou Y,et al.MWGR:A new method for real-time detection of cord fabric defects.International Journal of AdvancedMechatronic Systems,2012:458-461.)。该方法虽然具有简单性和高计算速度等特点，但存在检测准确率较低的问题。常见的频域的分析方法有Gabor滤波、小波变换等，Karlekar等人提出了一种结合小波变换和图像形态学的布匹纹理检测方法，取得了不错的效果(见Karlekar V V,Biradar M S,Bhangale K B.Fabric Defect Detection Using WaveletFilter.IEEE International Conference on Computing Communication Control andAutomation,2015:712-715)。

申请号为201410200849.3的专利公开了一种基于大津法的布面疵点检测及分类方法。该方法中下位机对采集的图像信息进行滤波、插值、方差采样预处理，大津法分割及二值化，空洞填充和小块处理，二值图像通道连通处理，提取各个疵点区域并保存；上位机将疵点分为区域类和非区域类疵点、经类疵点和纬类疵点、暗疵点和亮疵点。该方法的识别效率较高，满足实时要求，但识别疵点类型较为单一，对于纹理复杂的布匹检测效果欠佳。