[发明专利]一种印花与提花面料的疵点检测方法

说明书

本发明要解决的技术问题是：传统印花与提花面料疵点检测采用人工检测方法。为了解决上述技术问题，本发明的技术方案是提供了一种印花与提花面料的疵点检测方法，其特征在于，通过将模板花纹图案与待检面料图案进行特征提取，将高维图像数据转化为低维的特征向量，通过特征向量相减的方式实现模板花纹背景与疵点的分离。本发明针对印花或提花图案周期性出现的特点，设计了一种面向印花与提花面料的疵点的特征相减机制与检测方法，可以准确、高效地检测出印花与提花面料的表面疵点。

技术领域

本发明涉及产品表面缺陷检测技术领域，特别是涉及印花与提花面料的产品表面缺陷检测。

背景技术

面料表面质量影响着产品价格以及纺织企业的市场声誉，直接决定企业的生存。随着纺织面料企业的生产水平与产品产量提高，对面料产品外观检测的精准度及效率要求也在提升。印花面料由于图案背景复杂，疵点与背景花纹难以分离，其自动化检测难以实现。

传统印花与提花面料疵点检测采用人工检测方法，人工检测无统一标准，漏检与误检率高且效率低，无法满足工厂大量生产的效率要求。另一方面，工人工资高，这提高了企业生产的成本。因此，急需突破当前基于人工检测的印花与提花面料疵点检测方法，提高纺织企业产品检测的自动化智能化水平，为纺织企业提供一种智能化的方法来提高印花与提花面料疵点检测的效率与准确度。

发明内容

本发明要解决的技术问题是：传统印花与提花面料疵点检测采用人工检测方法。

为了解决上述技术问题，本发明的技术方案是提供了一种印花与提花面料的疵点检测方法，其特征在于，针对印花或提花图案周期性出现的特点，提供了一种模板花纹图案与待检面料图案特征相减的疵点检测方法，包括以下步骤：设计双通道特征分离神经网络模型，该双通道特征分离神经网络模型通过将模板花纹图案与待检面料图案进行特征提取，将高维图像数据转化为低维的特征向量，随后通过特征向量相减的方式实现模板花纹背景与疵点的分离以及最终的检测。

优选地，所述双通道特征分离神经网络模型由模块一与模块二组成：

所述模块一为双通道图像特征提取与分离网络模块，由卷积层和池化层构成，包括两个平行通道的卷积神经网络，通道一的卷积神经网络输入为待检面料图像x，通道二的卷积神经网路输入为模板图像m，待检面料图像x经通道一处理后得到n维张量x′，模板图像m经通道二处理后得到n维张量m′，随后对包含特征信息的n维张量x′及n维张量m′进行相减得到n维张量l＝|x′-m′|，l为特征相减后留下的包含疵点信息的张量数据；

所述模块二为特征还原网络模块，由反卷积层构成，将所述模块一中计算得到的张量数据l输入模块二中，通过反卷积层将n维张量l最终计算为单层0/1矩阵。

优选地，具体包括以下步骤：

步骤1：根据无疵点的待检测面料模板建立花纹周期模板图像M，花纹周期模板图像M包含重复出现的印花与提花图案的最小周期；

步骤2：采集得到待检面料图像x，从花纹周期模板图像M中，通过对花纹信息的特征搜寻，整体进行特征点提取，随后进行特征点匹配，快速定位识别待检测面料图像x对应在花纹周期模板图像M中的位置与区域，将对应图像区域截取获得截取图像x1；

步骤3：对截取图像x1进行区域再采样，计算截取图像x1与待检测图像x之间的投影变换矩阵，利用该投影矩阵对截取图像x1进行投影变换，消除面料形变，获得与待检面料图像x花纹分布匹配一致的模板图像m；

步骤4：建立并训练所述双通道特征分离神经网络模型；

步骤5：将待检面料图像x与模板图像m分别输入训练后的所述双通道特征分离神经网络模型的两个通道最终得到一个单层0/1矩阵；

步骤6：利用单层0/1矩阵，对单层0/1矩阵中标注为1或标注为0的像素点的个数进行统计，基于个数判断待检面料是否存在疵点。