[发明专利]一种基于卷积神经网络的织带断痕缺陷检测方法

摘要

本发明涉及一种织带断痕缺陷检测方法，更具体地，涉及一种基于卷积神经网络的织带断痕缺陷检测方法。利用卷积神经网络对织带图片特征自动实现最有效的提取，提出局部连接方式，大大减少了神经网络参数量，降低计算的复杂度；采用卷积核的权值共享的方式，减少需要训练的权重数量，不仅进一步降低了计算的复杂度，而且可以避免过多的连接导致的严重的过拟合，减少连接数可以提升模型的泛化性；利用池化层对卷积层输出的特征图进行聚合统计，通过将池化区域的特征进行整合，对相同特征进行筛选，从而达到降低模型规模，加速训练的目的。

主权项

一种基于卷积神经网络的织带断痕缺陷检测方法，其特征在于，包括以下步骤：S1.图片采集，利用工业摄像头采集织带图片，通过Flycaputer SDK对摄像头拍摄区域大小进行设置，对上述样本图片进行分类和标记，分别得到织带有断痕缺陷样本集和无断痕缺陷样本集；S2.图片预处理，分别将有断痕缺陷样本集、无断痕缺陷样本集按照一定比例分为两份，取数目较多的一份作为训练集，数目较少的一份作为测试集，分别按照i_1，i_2，i_3......对图片进行编号，其中，i＝0对应有断痕缺陷样本集，i＝t对应无断痕缺陷样本集；同时，将图片随机裁剪成预定像素的图片，将图片均转化为lmdb格式的数据集，对数据集进行镜像操作，并对每一张图片RGB三通道分别减去所有训练图片的三通道均值；S3.图片训练，采用AlexNet网络结构，并对相应的求解器进行设置，通过命令行输入训练命令指引计算机对图片进行训练；通过前五层卷积层、池化层和激活函数层对图片特征的提取，将原始数据映射到隐层特征空间，再经过后三层全连接层的作用，将学习到的“分布式特征表示”映射到样本标记空间，根据对损失函数值的大小对训练结果进行优化；S4.图片分类，将待分类图片进行S2步骤所述的预处理，输入S3步骤训练得到的模型中进行特征提取和分类，输出分类结果，即输出采集的图片是有断痕缺陷或无断痕缺陷的结果。