[发明专利]一种纺织品疵点的检测分类方法

权利要求书

1.一种纺织品疵点的检测分类方法，其特征在于，包括以下步骤：

S1：采集纺织品疵点图像组成数据集，并对所述数据集进行预处理；

S2：将经过预处理的数据集划分为训练集、验证集和测试集；

S3：利用caffe深度学习框架构建增强型Alexnet卷积神经网络；所述增强型Alexnet卷积神经网络中包括卷积层、ReLU激活函数层、池化层、滤波器层、全连接层和分类层；

S4：将训练集输入所述增强型Alexnet卷积神经网络中进行训练，调整所述增强型Alexnet卷积神经网络的参数并保存；

S5：将验证集输入所述完成训练的增强型Alexnet卷积神经网络中进行验证，输出得到纺织品疵点的检测分类结果，并计算其准确率；若准确率低于预设的阈值，则跳转执行S4步骤；

S6：将测试集输入所述完成训练的增强型Alexnet卷积神经网络中进行测试，输出得到纺织品疵点的检测分类结果。

2.根据权利要求1所述的纺织品疵点的检测分类方法，其特征在于，所述纺织品疵点图像的疵点类型包括破洞、污渍、线头、褶皱、正常。

3.根据权利要求1所述的纺织品疵点的检测分类方法，其特征在于，所述S1步骤中，对数据集进行预处理的步骤包括：

S1.1：对图像进行数据清洗；

S1.2：将图像格式转换为jpg格式；

S1.3：针对单通道的图像，将图像中单通道的值复制到另外两个通道，形成三通道图像；

S1.4：将图像的像素调整为256*256；

S1.5：对图像进行图像扩展。

4.根据权利要求3所述的纺织品疵点的检测分类方法，其特征在于，所述S1.4步骤中，对图像进行图像扩展的步骤包括：将图像进行90°旋转、对图像进行180°旋转、输入高斯噪音、改变图像色差。

5.根据权利要求1所述的纺织品疵点的检测分类方法，其特征在于，所述增强型Alexnet卷积神经网络包括依次连接的8层结构，其中：

第一层包括依次连接的卷积层、ReLU激活函数层、池化层；

第二层包括卷积层，其填充边设置为2；

第三层包括依次连接的卷积层、池化层；

第四层包括依次连接的卷积层、ReLU激活函数层；

第五层包括依次连接的卷积层、ReLU激活函数层；

第六层包括池化层；

第七层和第八层包括全连接层，其核数为2048。

6.根据权利要求5所述的纺织品疵点的检测分类方法，其特征在于，所述增强型Alexnet卷积神经网络中，第一层卷积层的卷积核大小为9*9；第二层和第三层的卷积层为采用相同策略的卷积核大小为3*3的卷积层，且其卷积核数量为192。

7.根据权利要求6所述的纺织品疵点的检测分类方法，其特征在于，所述第八层全连接层的输出端与softmax分类器的输入端连接。

8.根据权利要求6所述的纺织品疵点的检测分类方法，其特征在于，所述第八层全连接层的输出端与SVM分类器的输入端连接。

9.根据权利要求7或8所述的纺织品疵点的检测分类方法，其特征在于，所述全连接层采用Dropout策略。

10.根据权利要求1所述的纺织品疵点的检测分类方法，其特征在于，所述S4步骤中，对增强型Alexnet卷积神经网络进行训练过程中，初始学习率设置为0.001，初始权重随机设置，偏置设置为0.1，迭代次数设置为10000，每次迭代的图片数量设置为150。