[发明专利]一种双分支面料缺陷检测方法、存储介质及电子设备

说明书

本发明公开了一种双分支面料缺陷检测方法，本发明针对网络架构采用双网络的架构方法，可以有效地提高检测结果的精度；利用深度学习神经网络基于图像内容比对的方式进行坯布缺陷检测，可以大幅提高了不明显缺陷检的特征表示，这种特征表示的提取加入了良品的数据，在深度学习的网络有更加丰富的数据信息，且使用图像金字塔对图像的尺寸进行变换，能够提取到尺寸更小的缺陷。

技术领域

本发明涉及纺织缺陷检测技术领域，具体涉及一种双分支面料缺陷检测方法。

背景技术

对于制造企业来说，坯布表面瑕疵检测在生产上极其消耗人力资源，并且存在人工检验速度慢、劳动强度大、受主观因素影响大从而缺乏一致性等生产问题。现有技术做瑕疵检测一般基于机器学习和图像处理的方法进行缺陷检测，但由于坯布生产过程中瑕疵具有种类多、成因多、形态多样、不易识别、数据获取困难等多种特性，而且环境变化和光照变化，会对缺陷的检测产生较大的影响，因此容易产生漏识别等情况，所以到目前为止，坯布纺织行业还未出现成熟的缺陷检测方案。

发明内容

本发明的目的在于公开了一种双分支面料缺陷检测方法，解决了现有的胚布纺织的缺陷检测过程存在的检测结果不准确、受到环境因素影响较大的问题。

为达到上述目的，本发明采用如下技术方案：

一种双分支面料缺陷检测方法，包括以下步骤：

S1、获取良品坯布的三通道的良品图片；

S2、获取待检测坯布的三通道的待检测图片；

S3、将所述良品图片和待检测图片进行拼接，得到六通道的图像数据矩阵；

S4、将所述图像数据矩阵输入预先训练好的目标检测神经网络模型，得到若干包含第一置信度的第一边界框；

S5、将所述图像数据矩阵再次输入所述目标检测神经网络模型，得到若干包含第二置信度的第二边界框；

S6、将若干所述第一边界框和若干所述第二边界框合并生成第一边界框集；所述第一边界框集包含多个边界框及其对应的置信度；

S7、剔除所述第一边界框集中置信度小于置信度阈值的边界框，得到对应的第二边界框集；

S8、计算所述第二边界框集中任意两个边界框的交并比，生成对应的重叠度；

S9、判断该第二边界框集中任意两个边界框的重叠度是否均小于重叠度阈值：若为否，则执行步骤S10；若为是，则执行步骤S11；

S10、筛选出第二边界框集中置信度最大的边界框，记为最大边界框；将该最大边界框从所述第二边界框集中剔除，得到对应的第三边界框集；将该最大边界框和第三边界框集中各个边界框对应的重叠度与重叠度阈值进行比较，将该第三边界框集中剔除重叠度大于或等于重叠度阈值的边界框后的边界框集更新为新的第二边界框集，并返回步骤S9；

S11、对所有最大边界框以及该第二边界框集中的各个边界框分别调整坐标和尺寸，得到各个边界框所对应的回归窗口，根据各个回归窗口的坐标和尺寸，确定待检测图片中对应的缺陷的坐标和尺寸。

可选的，在所述步骤S3中，将所述良品图片和待检测图片进行拼接，具体采用torch.cat函数，将良品图片和待检测图片在通道维度上进行拼接，得到六通道的图像数据矩阵。

可选的，在所述步骤S6中，将若干所述第一边界框和若干所述第二边界框合并生成第一边界框集，使用concatenate函数进行合并。

可选的，在所述步骤S11中，所述边界框回归函数存储在预先训练好的目标检测神经网络模型中，所述边界框函数采用梯度下降法更新边界框的参数，得到回归窗口。