[发明专利]基于对抗神经网络的布匹缺陷检测方法、终端和存储介质

说明书

本发明公开一种基于对抗神经网络的布匹缺陷检测方法、终端和存储介质，其中检测方法包括以下步骤：步骤1：根据布匹的正样本训练GAN模型，训练完成后输出所述GAN模型；步骤2：将布匹的检测图像样本发送给所述GAN模型，所述GAN模型对检测图像样本进行重构，生成好的重构图像样本；将检测图像样本与重构图像样本进行结构相似性对比，根据对比的差异程度判断所述检测图像样本是否有缺陷。本发明通过布匹的正样本来训练和生成GAN模型，再通过GAN模型来将布匹的测试图像样本进行重构来生成重构图像样本，通过对测试图像样本和检测图像样本进行结构相似度对比来判断是否存在缺陷，可以检测出布匹的多种缺陷。

技术领域

本发明涉及布匹缺陷检测技术领域，尤其涉及一种基于对抗神经网络的布匹缺陷检测方法、终端和存储介质。

背景技术

随着经济的快速发展，我国制造业也在迅速发展，每天能够大规模的制造产品以供市场需求。产品数量及种类的增多，致使人们对产品质量的要求也日益提高，外观美丽的产品更易获得消费者的青睐。产品的表面质量会影响产品的商业价值，外观的瑕疵会直接造成产品商业价值的贬值，产品表面质量对产品的直接使用或深加工有着重要影响。在产品生产过程中，由于设备及工艺的影响，产品表面往往会出现不同种类的缺陷。如在织物中出现的破洞、污点、缺经、断纬等缺陷，表面质量不仅影响产品本身外观形象，更有可能影响产品本身的功能特性，给企业造成重大损失。因此，对产品进行表面缺陷检测是十分必要的，设计出具有实时性与有效性的表面缺陷检测方法也显得尤为重要。

传统的检测布匹检测方法是采用人工检测的方法，即在一定的光源条件下，工人们直接观察待测布匹，凭着直观感受判断该布匹是否存在缺陷。这种方法很容易受到人为主观因素的影响而造成错检或漏检，并且检测效率很低，根本不适应现代化大生产的需要。此外，人工检测的检测结果和数据无法自动保存，不便于后续的数据查询，同时也很难对今后的布匹生产起指导作用。

布匹缺陷检测系统的核心在于缺陷检测算法，目前常见的缺陷检测算法大致分为以下几类：统计、光谱、模型、学习和结构。统计算法是通过表示图像灰度值的空间分布以实现缺陷检测，主要包括共生矩阵、数学形态学等。对于数学形态学分析的织物瑕疵检测，使用预训练的 Gabor 小波网络提取重要特征，缺陷检出率高于 90%。光谱算法是采用不同的方式对图像进行特征表达，以完成对图像中瑕疵的检测，包括傅立叶变换、小波变换和Gabor 变换等算法。还有采用傅立叶变换的思想进行缺陷检测，首先使用直方图均衡化对织物图像的对比度进行增强，之后由两点 FFT 计算出中央频率谱图，取得了较好的瑕疵检测结果。结构算法是基于检测物体的纹理结构，根据不同的纹理结构设计相应的算法。最近几年显著性分析算法也常用于布匹检测，一种基于上下文的局部纹理显著性分析的算法是利用局部二进制提取纹理特征，并将其应用到纹理图像检测，较好的效果证明了算法的有效性。

学习方法主要是神经网络（Neural Network）和深度学习，BP 人工神经网络和基于卷积神经网络的缺陷检测方法，该方法可以对纹理结构及特殊结构的图像实现缺陷检测及定位，性能要远远优于传统的检测方法。上述检测方法在具体的应用中都取得了不错的效果，但仍具有一些缺点。如基于 Gabor 变换的检测方法虽然能够提供一种联合空间表示的能力，但滤波模板的计算复杂且计算量惊人。基于数学形态学的检测方法能够很好地检测缺陷的大小及形状，对缺陷进行很好的表示，但没有足够的视觉效果支撑。以上方法的检测流程大致为图像预处理、目标提取、特征选择及模式分类，每一环节都会对模型的识别率产生影响，尤其在数据量较大且复杂的情况下，特征选择的难度也会增加，在一定程度上会对算法的泛化能力产生约束。除此之外，根据不同的检测需求还需要设计相对应的检测算法，不仅需要大量的先验知识，还要考虑检测方法的效率及有效性，在一定程度上存在很大的局限性。深度学习可以直接对二维图像进行学习，减少图像预处理，无需人工手动提取特征，可以逐层自动学习到更为合适的特征，极大地降低了人为因素的影响。