[发明专利]一种基于自编码器的彩色纹理织物缺陷区域的检测方法

说明书

本发明公开了一种基于自编码器的彩色纹理织物缺陷区域的检测方法，具体为：对彩色纹理织物数据集中的彩色纹理织物无缺陷图像叠加噪声；构建记忆引导的量子化变分自编码器二模型；使用叠加噪声的彩色纹理织物无缺陷图像对记忆引导的量子化变分自编码器二模型根据训练参数进行训练；利用训练好的量子化变分自编码器二模型对所有待检测的彩色纹理织物图像进行重构，输出各自对应的重构图像，然后进行检测以定位缺陷区域。本发明通过计算彩色纹理织物待测图像和对应的重构图像的残差，结合自适应阈值化和闭运算处理即可快速检测和定位织物缺陷，进而减少缺陷区域漏检或过检的情况。

技术领域

本发明属于缺陷检测方法技术领域，涉及一种基于自编码器的彩色纹理织物缺陷区域的检测方法。

背景技术

我国是织物生产大国，生产的彩色纹理织物不仅被用于制造服装，也被广泛地用于制造工业产品。然而，织物在工业生产过程中，由于机器波动，纱线问题等不稳定因素会导致织物表面产生缺陷。企业为提高产品质量，减少损失，在裁剪工序之后和缝制工序之前需要加入缺陷检测的工序。目前，彩色纹理织物缺陷检测主要依靠传统人工目测的方法，它能一定程度上筛除缺陷。但工人不可避免地会因长时间车间工作产生疲劳而发生误检和漏检。因人工目测准确率不可靠且效率低等问题，迫切需要一种准确且快速的自动彩色纹理织物缺陷检测方法。

近年来，随着机器视觉技术的快速发展，众多国内外相关学者做了研究。传统的基于机器视觉的检测方法多针对于白坯布和平纹斜纹等纹理相对简单且大批量生产的织物，不适用于花型复杂多样且小批量定制化生产的彩色纹理织物缺陷检测场景。因此，传统的基于机器视觉的特征提取的检测方法难以有效解决花型复杂多变的彩色纹理织物缺陷检测问题。深度学习可自动特征提取逐渐成为研究热点，深度学习中的有监督学习方法在织物缺陷检测中得到广泛应用。有监督的深度学习方法在特定的织物场景下取得了良好的效果，但是依赖大量的织物缺陷样本和手工标注的缺陷区域。由于彩色纹理织物缺陷样本稀缺且缺陷类型不平衡，获取大量的缺陷样本极其困难。因此，有监督的深度学习方法难以解决彩色纹理织物的缺陷检测问题。深度学习中的无监督的方法已受部分研究人员关注。由于无需大量手工标注的缺陷样本，有效利用实际生产中无缺陷样本容易获取的优势，使之减少了巨大的人力和人工标注时间成本的消耗。目前，无监督的彩色纹理织物缺陷检测算法较少，它们主要利用输入待测图片和其对应重构图片的差异实现进行缺陷的准确检测和定位。无监督方法的重要假设是经无缺陷的织物样本训练好的模型，当输入为织物缺陷样本时重构图像为对应的无缺陷图像。具体来说，它要求模型具有去除缺陷区域且保留非缺陷区域细节的能力。然而，这一假设在实践中并不总是成立。无监督方法的模型的结构若泛化能力太强则直接影响缺陷区域的去除和非缺陷区域细节的保留，导致缺陷区域漏检或过检，从而无法很好地解决彩色纹理织物缺陷区域的检测问题。

发明内容

本发明的目的是提供一种基于自编码器的彩色纹理织物缺陷区域的检测方法，通过计算彩色纹理织物待测图像和对应的重构图像的残差，结合自适应阈值化和闭运算处理即可快速检测和定位织物缺陷，进而减少缺陷区域漏检或过检的情况。

本发明所采用的技术方案是，一种基于自编码器的彩色纹理织物缺陷区域的检测方法，具体按照如下步骤：

步骤1，准备彩色纹理织物数据集，对彩色纹理织物数据集中的彩色纹理织物无缺陷图像叠加噪声；

步骤2，构建记忆引导的量子化变分自编码器二模型；

步骤3，将步骤1经过叠加噪声的彩色纹理织物数据集中的彩色纹理织物无缺陷图像输入步骤2建立的记忆引导的量子化变分自编码器二模型中，对记忆引导的量子化变分自编码器二模型根据训练参数进行训练；

步骤4，利用步骤3训练好的记忆引导的量子化变分自编码器二模型对所有待检测的彩色纹理织物图像进行重构，输出各自对应的重构图像，然后进行检测以定位缺陷区域。

本发明的特征还在于，

步骤1具体为：