[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

说明书

本发明公开了一种基于卷积神经网络的织物表面缺陷检测方法，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。本发明可以克服人工设计缺陷特征的缺点，能利用卷积神经网络从预先标记好的样本数据集中学习特征，从而快速准确进行分割，实现对织物表面缺陷进行准确且自动检测，节省人力物力，提高织物产品品质。

技术领域

本发明涉及织物表面缺陷检测技术领域，尤其涉及一种基于卷积神经网络的织物表面缺陷检测方法。

背景技术

随着纺织行业的飞速发展，人们对织物布匹质量的控制也越来越严格，在纺织工业中，人为过失、机器故障、纱线断裂等各种不利因素容易造成面料缺陷并影响产品品质，从而给企业造成巨大的经济损失，因此织物疵点检测是品质控制的重要环节之一。

疵点种类多样、形状不一，传统的检测过程主要依靠人眼识别，而目前绝大部分的纺织企业依赖人工视觉检测织物缺陷，传统的人工检测易受个人视力、疲劳状况、情绪、光照等主客观因素的影响，往往无法确保检测的精度及准确率，效率低下。尤其对于纹理复杂、图案花型多变、颜色差异较小的缺陷，人眼几乎不能识别，远远不能满足工业生产应用的需求。

缺陷的存在对纺织终端产品的质量及价格有着决定性影响，如果缺陷产品应用于航空、军工及医用中，将造成不可估量和无法挽回的损失，因此，织物缺陷检测尤为重要。然而由于各类织物纹理结构复杂，噪声和细微缺陷之间相似性高，极大增加了缺陷检测的难度。

传统的织物缺陷检测方法一般是基于分割的无监督方法，基于分割的图像缺陷检测技术依赖于图像的质量和对比度，要求缺陷部分和织物纹理背景部分有较大的差别，也就是只有当背景和缺陷的特征差别较大时，传统的检测方法才会有好的检测效果。但是，由于现在织物类型繁多，随着生产技术的不断提高，缺陷种类更多，缺陷也越来越小，缺陷部分和背景部分人眼都不容易分辨，在这种情况下，基于传统的分割方法容易将带花纹的图像部分检测为缺陷，造成很大的误检率，也会漏检小目标缺陷，且无法解决所有的织物图像缺陷检测。

传统方法主要有：

1、基于阈值的图像分割技术基于阈值的图像分割技术的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值进行比较，最后再根据像素比较的结果划分到合适的类别中。阈值分割的优点是计算简单、运算效率较高且速度快。局限性在于这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常要与其他方法结合使用。

2、基于边缘的图像分割技术所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。基于边缘的分割技术是根据灰度值进行边缘检测，将图像分割成不同的部分。该方法的不足之处在于，在划分复杂图像时边缘的连续性和完整性难以保证。

3、基于区域的图像分割技术基于区域的图像分割技术按照相似性准则将图像分成不同的区域。其主要利用了图像的局部空间信息，能够较好地避免其他算法带来的分割空间小的缺陷。然而，这种分割技术在进行大区域分割时速度较慢，抗噪性差，往往会分割出无意义的区域或者造成图像的过度分割等。一般情况下，会与其他方法结合使用，发挥各自的优势以获得更好的分割效果。

4、基于特定理论的图像分割技术基于特定理论、方法的图像分割技术包括聚类分析、模糊集理论、图论等，这些理论为图像分割技术的难点突破和研究拓展了新的方向。传统的图像分割技术在分割精度和分割效率上难以达到实际应用的要求，尤其是在实时场景理解和图像信息处理方面。而且，语义分割时，单独使用一种传统的图像分割算法，难以获得良好的分割效果。