[发明专利]一种基于卷积神经网络的织物表面缺陷检测方法

权利要求书

1.一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述方法包括以下步骤：

S1、数据集收集与标记；

S2、制作数据集缺陷样本图像的GroundTruth；

S3、构建卷积神经网络模型；

S4、训练卷积神经网络模型，得到最优的模型；

S5、在线采集织物的缺陷图像，将待检测织物图像输入到上述训练好的卷积神经网络模型中进行图像分割，通过卷积神经网络模型实现在线的自动检测，从而识别织物表面存在的缺陷。

2.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S1中通过收集若干类织物表面缺陷样本集图像并进行标记，同时收集一类正常样本进行标记，将收集的上述样本图像作为数据集。

3.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S2中通过将数据集中所有缺陷样本图像按8:2的比例划分出训练集和验证集。

4.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述卷积神经网络模型为多层卷积神经网络模型，使用双向分割网络并基于卷积模块DepthwiseFire、独特注意力优化模块ARM、通道注意力模块SE和特征融合模块FFM进行搭建的。

5.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S3中卷积神经网络模型的构建方法包括以下步骤：

步骤一、输入图像；

步骤二、对图像进行卷积操作，使用双向分割网络，将卷积操作分为Part A网络结构和Part B网络结构；

步骤三、进行Part A输出特征操作，卷积核尺寸的选取方式为根据需要分类的图像特征，人工设计较为有利的卷积核尺寸参数或选择尽量多的卷积核尺寸的组合，以覆盖所有可能的特征类型；

步骤四、进行Part B输出特征操作；

步骤五、通过特征融合模块FFM连接PartA和PartB的输出特征；

步骤六、将加权后的特征图通过上采样还原到原来的分辨率；

步骤七、输出分割图像。

6.根据权利要求1所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述步骤S4中训练卷积神经网络模型包括以下步骤：

S4.1、设定迭代周期；

S4.2、输入织物缺陷样本图像；

S4.3、计算损失函数；

S4.4、用优化器进行迭代优化计算，得到更新的卷积神经网络模型的最优的模型参数；

S4.5、在每一个迭代周期都进行步骤S4.2到步骤S4.4的迭代优化运算，每迭代一个周期，输出一次验证集准确率，可对参数进行微调或修改迭代周期数来获得最优模型，当迭代周期达到迭代周期设定值时退出训练。

7.根据权利要求5所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述Part A网络结构包括三层，第一层为卷积层，第二层和第三层采用并联结构的卷积模块DepthwiseFire。

8.根据权利要求5所述的一种基于卷积神经网络的织物表面缺陷检测方法，其特征在于，所述Part B网络结构使用Densenet骨架快速下采样特征图以获得大感受野，并添加一个全局平均池化，通过全局语境信息提供一个最大感受野。