[发明专利]一种基于深度神经网络的数码印花织物缺陷检测方法

说明书

本发明公开了一种基于深度神经网络的数码印花织物缺陷检测方法，具体按照以下步骤实施：步骤1、采集分辨率为416×416大小的RGB彩色数码印花织物缺陷图像；建立神经网络；步骤2、利用步骤1获得的彩色数码印花织物缺陷图像，进行目标信息的提取和标定，建立数码印花织物缺陷样本数据集，得到训练集、验证集和测试集；步骤3、利用步骤1建立的神经网络和ImageNet数据集的训练集建立损失函数，利用损失函数训练神经网络，得到预训练模型，利用步骤2得到的训练集和验证集对预训练模型进行调整和验证；步骤4、利用步骤2得到的测试集对模型进行评价。本发明公开的一种基于深度神经网络的数码印花织物缺陷检测方法能够实现数码印花缺陷的实时准确检测。

技术领域

本发明属于纺织品疵点检测方法技术领域，涉及一种基于深度神经网络的数码印花织物缺陷检测方法。

背景技术

纺织品是人们生活中必不可少的产品，印花工艺是提升纺织品附加值的关键工序。数码印花作为一种新型的印花技术，将印花图像输入至计算机，利用计算机分色处理后，由专用RIP软件转换为数字点阵信息，控制孔径精度达微米级的喷头在织物上进行固定方向的喷印，形成预期高精度印花图案。因此，数码印花会由于喷孔堵塞、电机步进偏差、喷墨气压不稳定、喷头出墨、调试不均匀、设备压布不平整等故障，使印花产品出现PASS道、漏墨、喷墨不均以及布匹褶皱等缺陷，从而使产品的销售价格在其原价格的基础上降低45％～65％。因此，为确保数码印花织物产品的质量，缺陷检测是纺织品生产中质量控制的核心部分。

在一系列基于印花织物检测算法的基础上，数码印花织物缺陷检测方法主要分为两种，一种是基于传统图像处理的方法、一种基于深度神经网络的目标检测方法。传统的印花织物缺陷检测方法存在检测速度低、准确性差的缺点，并且其检测对象主要集中于白坯布、净色布、电子布以及纹理单一的色织物，针对图案丰富、色彩鲜明的印花产品，目前没有较为成熟的检测方法；基于此背景，基于深度神经网络的目标检测方法在数码印花织物缺陷检测领域中广泛应用。

发明内容

本发明的目的是提供一种基于深度神经网络的数码印花织物缺陷检测方法，能够实现数码印花缺陷的实时准确检测。

本发明所采用的技术方案是，一种基于深度神经网络的数码印花织物缺陷检测方法，具体按照以下步骤实施：

步骤1、采集分辨率为416×416大小的RGB彩色数码印花织物缺陷图像；建立神经网络；

步骤2、利用步骤1获得的彩色数码印花织物缺陷图像，进行目标信息的提取和标定，建立数码印花织物缺陷样本数据集，得到训练集、验证集和测试集；

步骤3、利用步骤1建立的神经网络和ImageNet数据集的训练集建立损失函数，利用损失函数训练神经网络，得到预训练模型，利用步骤2得到的训练集和验证集对预训练模型进行调整和验证；

步骤4、利用步骤2得到的测试集对模型进行评价。

本发明的特点还在于：

步骤1中采集分辨率为416×416大小的RGB彩色数码印花织物缺陷图像具体按照以下实施：利用扫描仪获取数码印花织物缺陷图像，运用局部均值法调整图像分辨率为416×416。包含PASS道、漏墨、布匹褶皱以及喷墨不均4类缺陷，每类缺陷800张，共3200张样本图像，并将图像统一命名为######.jpg格式。

步骤1中的建立神经网络具体按照以下实施：神经网络的构成具体如下：

1)建立CSPDarkNet53特征提取网络的子模块，CSPDarkNet53特征提取网络的子模块是在原DarkNet53子模块的基础上加上Cross Stage Partial，使其在保持网络结构轻量化的同时，增强其语义信息表达能力，子模块可对输入特征图进行2倍下采样，连续堆叠5个子模块，分别得到对输入图像进行8倍、16倍、32倍下采样的特征图作为特征融合网络的输入信息；