[发明专利]一种基于深度学习的复杂提花织物缺陷检测方法

摘要

本发明实施例提供了一种基于深度学习的复杂提花织物缺陷检测方法。该方法主要包括：训练SDA网络，训练后的SDA网络包括像素分类器，该像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系；将待测图像的模式数据输入到训练好的SDA网络中的像素分类器，该像素分类器输出所述待测图像中的每个像素属于瑕疵区域的概率向量，通过设定变换关系式将所述概率向量投影到目标图像获得概率分布图；根据概率分布图获取待测图像中的瑕疵区域。本发明实施例提出一种基于深度学习的瑕疵识别与定位方法，通过构建基于深度学习的像素分类器将瑕疵检测任务转化为像素分类，对图像是适应能力好，精度高，可以有效地对复杂提花织物的缺陷进行检测。

主权项

1.一种基于深度学习的复杂提花织物缺陷的检测方法，其特征在于，包括：/n训练SDA网络，训练后的SDA网络包括像素分类器，该像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系；/n将待测图像的模式数据输入到训练好的SDA网络中的像素分类器，该像素分类器输出所述待测图像中的每个像素属于瑕疵区域的概率向量，通过设定变换关系式将所述概率向量投影到目标图像获得概率分布图；/n根据所述概率分布图获取所述待测图像中的瑕疵区域；/n所述的训练SDA网络，训练后的SDA网络包括像素分类器，该像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系，包括：/nSDA网络的训练包括2个阶段：预训练阶段和微调阶段，在预训练阶段，SDA网络包括3层DA，选取patch样本置为0的样本数据，采用贪婪算法利用DA逐层训练所述patch样本置为0的样本数据中的每个编码，将上一层DA训练后得到的SDA网络特征输入到下一层的DA训练中，得到训练后的SDA网络；/n在微调阶段，选取带标签的样本数据，利用训练后的SDA网络和所述带标签的样本数据初始化网络参数，把训练得到的权值作为SDA网络的权值w1、w2、w3和w4的初始值，得到softmax分类器，使用所述softmax分类器对所述训练后的SDA网络进行微调，得到像素分类器，所述像素分类器的输出是像素属于瑕疵区域的概率，输出0表示该像素不属于瑕疵区域，输出1表示该像素属于瑕疵区域；/n所述的将待测图像的模式数据输入到训练好的SDA网络中的像素分类器，该像素分类器输出所述待测图像中的每个像素属于瑕疵区域的概率向量，包括：/n训练好的SDA网络中的像素分类器中包括像素的模式数据和像素属于瑕疵区域之间的映射关系为：/nf(q_i)＝p_i/nq_i表示第i个像素的模式数据，p_i表示第i个像素属于瑕疵区域的概率；/n将待测图像中的每个像素输入到所述映射关系中，得到待测图像中的每个像素属于瑕疵区域的概率，将所有像素属于瑕疵区域的概率组成概率向量P＝[p₁,p₂,...,p_n]；/n所述的通过设定变换关系式将所述概率向量投影到目标图像获得概率分布图，包括：/n通过下面的变换公式把所述概率向量投影到目标图像，获得所述待测图像的概率分布图M：/nM_xy＝255×P_x*w+y/nw是目标图像的宽度，P是一维向量，概率分布图M为二维图，x,y分别是概率分布图的行与列，表示概率分布图对应原图的空间坐标，x*w+y整体作为像素的标识，P_x*w+y表示像素x*w+y属于瑕疵区域的概率。/n