[发明专利]一种基于深度神经网络的织物瑕疵检测方法

摘要

本发明公开了一种基于深度神经网络的织物瑕疵检测方法，包括如下步骤，（1）、搭建图像采集系统，采集图像；（2）、将所图像分割为实验样本，同时增加织物样本图像数据，将增强后的织物图像作为训练样本，（3）、设计深度神经网络；（4）、设置参数并对所述深度神经网络进行初始化，将训练样本送入到深度神经网络进行训练，在网络训练完成之后，保存网络模型；（5）、将输入的新的织物样本送入网络模型进行检测。本发明提出的基于深度神经网络的织物瑕疵检测方法，以卷积神经网络为核心，通过卷积层进行特征提取，池化层保留有效特征并减少计算量，用全连接层进行分类。以mini‑batch梯度下降法进行优化，L2正则化增强泛化能力，通过确定分类器输出的最大分量的对应位置进行缺陷的识别，效果参见图4所示，其中Actual表示样本真实的类别，Pred表示样本预测的类别。

主权项

一种基于深度神经网络的织物瑕疵检测方法，其特征在于：包括如下步骤，(1)、搭建图像采集系统，将采集到的图像送至计算机；(2)、采用图像变换和噪声扰动的方式增加织物样本图像数据，将增强后的织物图像作为训练样本，训练样本中包含不同织物的正常和缺陷图像，并对图像进行标定，’0’代表正常样本，’1’代表缺陷样本；(3)、设计深度神经网络，所述深度神经网络包括9层，一层输入层、三层卷积层、三层池化层以及两层全连接层，其中输入层为获取的织物图像，卷积层用于特征提取，不同卷积层由不同数目的特征图组成，池化层采用max‑pooling的方式对上一卷积层进行下采样，经过多层卷积和池化操作，将获取的特征向量输入到全连接层，得到最终输出向量，并使用softmax分类器进行分类；(4)、设置参数并对所述深度神经网络进行初始化，将训练样本作为输入数据送入到所述深度神经网络进行训练，在网络训练完成之后，保存网络模型；(5)、将输入的新织物样本送入网络模型进行检测，分类器输出的最大分量的位置为检测结果，将检测结果与定义的标签进行比较，检测结果输出为0时，表示图像为正常图片，结果为1时，则表示图像中存在缺陷；上述步骤(3)中，对所述深度神经网络进行优化，采用softmax分类器的交叉熵函数作为目标函数，在后向传播中使用mini‑batch梯度下降法来优化目标函数，即遍历完一个batch的样本就计算梯度和更新参数，其中目标函数定义如下：其中1{.}是示性函数，即大括号内的表达式值为真的时候输出1，否则为0，m是训练样本总数，y(i)是第i个样本实际的标签值，是样本i分类为类别j的概率，即是经过softmax分类器处理之后的输出，使用mini‑batch梯度下降法进行优化的计算方式如下：∂J(w)∂wj=-1mΣi=1m[x(i)(1{y(i)=j}-logewjTx(i)Σl=1kewlTx(i))].]]>