[发明专利]一种纺织品疵点的检测分类方法

说明书

本发明为克服卷积神经网络直接应用于纺织品的疵点检测分类会存在检测效率低、效果不理想的缺陷，提出一种纺织品疵点的检测分类方法，包括以下步骤：采集纺织品疵点图像组成数据集，并对数据集进行预处理；将经过预处理的数据集划分为训练集、验证集和测试集；构建增强型Alexnet卷积神经网络；将训练集输入增强型Alexnet卷积神经网络中进行训练，调整其参数并保存；将验证集输入完成训练的增强型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，则重新进行训练；将测试集输入完成训练的增强型Alexnet卷积神经网络中，输出得到纺织品疵点的检测分类结果。

技术领域

本发明涉及机器视觉技术领域，更具体地，涉及一种纺织品疵点的检测分类方法。

背景技术

目前常用的疵点检测算法主要有6种：基于空域的统计法、频率谱法、自学习法、模型法、混合算法和图案法。其中最受欢迎的是频率谱法，因为其在进行特征提取时具有稳定的特性。频率谱法在实际运用中有以下几种方法：傅里叶变换方法、Gabor滤波法、小波变换以及一些其他的滤波方法。

Alexnet是Alex在2012年提出的一个具有极大创新意义的卷积神经网络，在此之后，更深更大的卷积神经网络被纷纷提出。但是这些网络都是针对一个有着1000类图像，每类图像都有着1000多张图像的大型数据集(imagenet)提出的，直接应用于纺织品图像上并不是最佳方法，因为纺织品的疵点的类别少(只有5类)，并且这些图片的背景都类似，并不像imagenet的背景那么多样化，直接将Alexnet等卷积神经网络应用于纺织品的疵点检测分类会存在检测效率低、效果不理想的问题。

发明内容

本发明为克服上述现有技术所述的直接将Alexnet等卷积神经网络应用于纺织品的疵点检测分类会存在检测效率低、效果不理想的缺陷，提供一种纺织品疵点的检测分类方法。

为解决上述技术问题，本发明的技术方案如下：

一种纺织品疵点的检测分类方法，包括以下步骤：

S1：采集纺织品疵点图像组成数据集，并对数据集进行预处理；

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；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：将训练集输入增强型Alexnet卷积神经网络中进行训练，调整增强型Alexnet卷积神经网络的参数并保存；

S5：将验证集输入完成训练的增强型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。

优选地，纺织品疵点图像的疵点类型包括破洞、污渍、线头、褶皱、正常。

优选地，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。

优选地，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。