本發(fā)明涉及織物疵點(diǎn)檢測技術(shù)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)算法的織物疵點(diǎn)檢測方法。

背景技術(shù)：

我國是紡織大國，紡織產(chǎn)業(yè)在社會經(jīng)濟(jì)中占有重要地位，其中織物質(zhì)量是關(guān)鍵，織物疵點(diǎn)的檢測更是重中之重。目前，絕大多數(shù)生產(chǎn)線還在用人工進(jìn)行疵點(diǎn)檢測，人工檢測的速度慢、效率低，很容易受檢測人員的主觀影響而漏檢和錯檢。隨著機(jī)器視覺的不斷發(fā)展，圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法也逐漸應(yīng)用到紡織行業(yè)中，這些技術(shù)的發(fā)展使得疵點(diǎn)檢測實(shí)現(xiàn)自動化，從而達(dá)到快速和高效的目的。

如今，國內(nèi)外學(xué)者發(fā)表了大量的相關(guān)文章和研究成果，不斷涌現(xiàn)出新方法，穩(wěn)步地提升了科研水平，但是較為成熟的自動檢測系統(tǒng)卻很少，其區(qū)分疵點(diǎn)能力有限，然而更為先進(jìn)的自動檢測系統(tǒng)畢竟是少數(shù)。一些外國公司研發(fā)的織物自動檢測系統(tǒng)，主要是存在一些缺陷，如他們分辨織物疵點(diǎn)類型的能力有限，實(shí)際應(yīng)用的高成本，局限性大等等。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種基于深度學(xué)習(xí)算法的織物疵點(diǎn)檢測方法，能夠自動識別疵點(diǎn)，并對識別出的疵點(diǎn)進(jìn)行分類。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：提供一種基于深度學(xué)習(xí)算法的織物疵點(diǎn)檢測方法，包括以下步驟：

(1)采用圖像預(yù)處理技術(shù)對織物原圖進(jìn)行噪聲濾除和圖像增強(qiáng)；

(2)運(yùn)用Daubechies小波變換的方法對預(yù)處理后的織物圖像進(jìn)行分解重構(gòu)，再對重構(gòu)后的水平、垂直和對角線三個(gè)方向上的圖像進(jìn)行特征提取，構(gòu)成圖像的特征向量；

(3)運(yùn)用多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型對提取出的織物圖像的特征向量進(jìn)行分析和處理，實(shí)現(xiàn)對織物圖像中的疵點(diǎn)進(jìn)行識別和分類。

所述步驟(1)中還包含將彩色的織物原圖進(jìn)行灰度化處理和采用權(quán)值法將三維圖像矩陣轉(zhuǎn)換成二維矩陣的步驟。

所述步驟(1)采用使用高斯濾波的方式實(shí)現(xiàn)噪聲濾除，采用壓縮動態(tài)范圍和直方圖均衡的方式實(shí)現(xiàn)圖像增強(qiáng)。

所述步驟(2)采用db8小波函數(shù)對織物圖像進(jìn)行Daubechies小波變換。

所述步驟(2)中特征提取時(shí)主要提取圖像的能量、方差、極差和熵這四個(gè)參數(shù)。

所述步驟(3)具體包括：設(shè)定神經(jīng)網(wǎng)絡(luò)各初始參數(shù)，包括隱含層層數(shù)、各層神經(jīng)元的個(gè)數(shù)及其權(quán)值w和偏置值b，構(gòu)建基本的神經(jīng)網(wǎng)絡(luò)模型；設(shè)定構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練目標(biāo)最小誤差、學(xué)習(xí)速率和最大允許訓(xùn)練步數(shù)；將數(shù)據(jù)導(dǎo)入輸入層，遞歸計(jì)算網(wǎng)絡(luò)輸出；計(jì)算輸出誤差，并修改權(quán)值；重復(fù)上述步驟，直至誤差在預(yù)期值內(nèi)或超出訓(xùn)練次數(shù)限制；最終得到適合織物圖像的深度學(xué)習(xí)檢測模型，并利用得到的檢測模型對提取出的織物圖像的特征向量進(jìn)行分析和處理，實(shí)現(xiàn)對織物圖像中的疵點(diǎn)進(jìn)行識別和分類；其中，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本為織物圖像，網(wǎng)絡(luò)輸入為織物圖像的特征向量，網(wǎng)絡(luò)輸出為織物圖像樣本是否存在疵點(diǎn)以及疵點(diǎn)類型的情況。

所述多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型包含：輸入層，10層隱含層和輸出層；其中，對織物圖像進(jìn)行特征向量提取之后，再對其特征向量進(jìn)行歸一化處理，使其值處于相近的數(shù)量級；將歸一化后的特征向量作為輸入信號送入輸入層中；在隱含層中，每一隱含層的節(jié)點(diǎn)個(gè)數(shù)根據(jù)公式y(tǒng)＝2n+1來確定，y為每一隱含層的節(jié)點(diǎn)個(gè)數(shù)；n為輸入層節(jié)點(diǎn)個(gè)數(shù)。

有益效果

由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果：

本發(fā)明先通過采用圖像預(yù)處理的技術(shù)實(shí)現(xiàn)噪聲濾除和圖像增強(qiáng)的目的，然后運(yùn)用Daubechies小波變換的方法對織物圖像進(jìn)行分解重構(gòu)，再對重構(gòu)后的水平、垂直和對角線三個(gè)方向上的圖像進(jìn)行特征提取，構(gòu)成圖像的特征向量，最后運(yùn)用深度學(xué)習(xí)網(wǎng)絡(luò)模型對提取出的織物圖像特征向量進(jìn)行分析和處理，利用多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對織物圖像中的疵點(diǎn)進(jìn)行識別和分類。

附圖說明

圖1為本發(fā)明的實(shí)施例的流程框圖；

圖2為本發(fā)明實(shí)施例中織物疵點(diǎn)原圖；

圖3為本發(fā)明實(shí)施例中圖像處理效果圖；

圖4為本發(fā)明實(shí)施例中小波變換重構(gòu)圖；

圖5為本發(fā)明實(shí)施例中深度學(xué)習(xí)模型結(jié)構(gòu)圖；

圖6為本發(fā)明實(shí)施例中深度學(xué)習(xí)模型輸出圖；

圖7為使用單隱含層BP模型的輸出圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價(jià)形式同樣落于本申請所附權(quán)利要求書所限定的范圍。

本發(fā)明的實(shí)施方式涉及一種基于深度學(xué)習(xí)算法的織物疵點(diǎn)檢測方法，如圖1所示，其主要包括圖像預(yù)處理步驟、圖像特征提取步驟和深度學(xué)習(xí)網(wǎng)絡(luò)識別步驟。

圖像預(yù)處理步驟，主要是將現(xiàn)場拍攝的織物圖片(見圖2)傳入計(jì)算機(jī)中，首先對這些圖片進(jìn)行圖像灰度化、圖像濾波處理、壓縮動態(tài)范圍和直方圖均衡化處理。圖3是預(yù)處理后的效果圖。

圖像特征提取步驟，主要是先運(yùn)用db8小波函數(shù)對織物圖像進(jìn)行尺度為2的小波分解，然后對分解后高頻分量做小波重構(gòu)，再從重構(gòu)圖中提取圖像的特征向量。圖4為小波變換重構(gòu)圖。

深度學(xué)習(xí)網(wǎng)絡(luò)識別步驟，主要是采用多隱含層的BP神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)網(wǎng)絡(luò)模型。將得到的特征向量投入訓(xùn)練好的網(wǎng)絡(luò)中，得到是否為完好織物(0，0，0)的結(jié)果。同時(shí)，對存在的疵點(diǎn)進(jìn)行分類，主要分為經(jīng)向疵點(diǎn)(0，0，1)、緯向疵點(diǎn)(0，1，0)、區(qū)域型疵點(diǎn)(1，0，0)和離散型疵點(diǎn)(1，0，1)。

具體檢測方法如下：

圖像預(yù)處理步驟，主要是將現(xiàn)場拍攝的1100張不同織物圖片樣本傳入計(jì)算機(jī)中，首先對這些樣本圖片進(jìn)行圖像灰度化處理，采用權(quán)值法將三維圖像矩陣轉(zhuǎn)換成二維矩陣；其次進(jìn)行圖像濾波處理，運(yùn)用高斯濾波器將圖像中的噪聲濾除；然后對圖像進(jìn)行壓縮動態(tài)范圍和直方圖均衡化處理，采用對數(shù)變換的形式對圖片進(jìn)行增強(qiáng)。

其中，圖像灰度化處理是將彩色圖片轉(zhuǎn)換成灰度圖片處理，將圖像矩陣從三維變?yōu)槎S，大大減少了計(jì)算量，有利于提高檢測速度。圖像濾波處理使用高斯濾波能夠在盡可能保留原圖信息的情況下很好地濾除織物圖片中的噪聲，壓縮動態(tài)范圍和直方圖均衡化可以對織物圖像進(jìn)行增強(qiáng)，這有利于疵點(diǎn)的識別和分類。

圖像預(yù)處理步驟是在實(shí)時(shí)拍照中對圖像進(jìn)行包括圖像灰度化、圖像濾波、壓縮動態(tài)范圍和直方圖均衡化等操作，其處理程序是固定的，這有利于提高運(yùn)行速度。

圖像特征提取步驟，主要是先運(yùn)用db8小波函數(shù)對織物圖像進(jìn)行尺度為2的小波分解，然后對分解后的水平、垂直和對角線三個(gè)方向上的高頻分量做小波重構(gòu)，再從三個(gè)方向的重構(gòu)圖中分別提取能量、方差、熵和極差這四個(gè)參數(shù)作為圖像的特征值。

本實(shí)施方式中采用db8小波函數(shù)對織物圖像進(jìn)行小波變換，能夠從不同角度對圖像進(jìn)行分析和處理，有助于進(jìn)行圖像的特征提取。

深度學(xué)習(xí)網(wǎng)絡(luò)識別步驟，主要是采用多隱含層的BP神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)網(wǎng)絡(luò)模型。其中訓(xùn)練樣本為上述的織物圖像，網(wǎng)絡(luò)輸入為織物圖像的特征向量，網(wǎng)絡(luò)輸出為織物圖像樣本是否存在疵點(diǎn)以及疵點(diǎn)類型的情況，由于輸入樣本的數(shù)值大小不一，差距較大，需要進(jìn)行輸入數(shù)據(jù)歸一化處理。其次構(gòu)建網(wǎng)絡(luò)并進(jìn)行網(wǎng)絡(luò)的初始化工作，設(shè)置隱含層個(gè)數(shù)設(shè)為10，每一隱含層的節(jié)點(diǎn)個(gè)數(shù)一般根據(jù)公式來確定，其中，n為輸入層節(jié)點(diǎn)個(gè)數(shù)，并對學(xué)習(xí)速率、訓(xùn)練目標(biāo)最小誤差和最大允許訓(xùn)練步數(shù)進(jìn)行初始化。然后開始深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，將大量的輸入輸出訓(xùn)練樣本投入網(wǎng)絡(luò)y＝2n+1中，進(jìn)行網(wǎng)絡(luò)中的權(quán)值訓(xùn)練，最終得到帶有各個(gè)新權(quán)值的深度學(xué)習(xí)網(wǎng)絡(luò)模型。最后進(jìn)行網(wǎng)絡(luò)測試，將測試結(jié)果與預(yù)期值進(jìn)行對比，以便評估該網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果，并對網(wǎng)絡(luò)參數(shù)進(jìn)行修正。

最后，得到適合織物圖片的深度學(xué)習(xí)檢測模型。

本方法的核心算法為深度學(xué)習(xí)算法，在進(jìn)行疵點(diǎn)檢測時(shí)，使用深度學(xué)習(xí)網(wǎng)絡(luò)模型，它能夠描述復(fù)雜的非線性關(guān)系，這有利于提高疵點(diǎn)檢測的準(zhǔn)確性。

本實(shí)施方式的深度學(xué)習(xí)網(wǎng)絡(luò)模塊采用多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型，一般的BP網(wǎng)絡(luò)具有一層或兩層隱含層，而本方法采用的多隱含層模型能夠大大提高其所能描述系統(tǒng)的非線性復(fù)雜程度，從而更加準(zhǔn)確地進(jìn)行擬合。

如圖4所示，所述多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型包含：輸入層，10層隱含層和輸出層。

其中，對織物圖像進(jìn)行特征向量提取之后，再對其體征向量進(jìn)行歸一化處理，使其值處于相近的數(shù)量級，這樣可以減小計(jì)算誤差，避免輸出飽和現(xiàn)象出現(xiàn)，增加網(wǎng)絡(luò)的收斂速度，使程序的運(yùn)行效果更好；將歸一化后的特征向量作為輸入信號送入輸入層中；在隱含層中，隱含層的層數(shù)設(shè)為10，每一隱含層的節(jié)點(diǎn)個(gè)數(shù)一般根據(jù)公式來確定，其公式為：y＝2n+1，其中，n為輸入層節(jié)點(diǎn)個(gè)數(shù)。本實(shí)施方式中的輸入層節(jié)點(diǎn)為12個(gè)，因此，根據(jù)公式y(tǒng)＝2n+1計(jì)算得出隱含層節(jié)點(diǎn)的個(gè)數(shù)為25。

其中，多隱含層的BP神經(jīng)網(wǎng)絡(luò)算法的步驟如下：

步驟1、設(shè)定神經(jīng)網(wǎng)絡(luò)各初始參數(shù)，包括隱含層層數(shù)、各層神經(jīng)元的個(gè)數(shù)及其權(quán)值w和偏置值b，構(gòu)建基本的神經(jīng)網(wǎng)絡(luò)模型；

步驟2、設(shè)定模型中的訓(xùn)練目標(biāo)最小誤差、學(xué)習(xí)速率和最大允許訓(xùn)練步數(shù)；

步驟3、將數(shù)據(jù)導(dǎo)入輸入層，遞歸計(jì)算網(wǎng)絡(luò)輸出；

步驟4、計(jì)算輸出誤差，并修改權(quán)值。

步驟5、重復(fù)步驟1～步驟4，直至誤差在可接受范圍內(nèi)或超出訓(xùn)練次數(shù)限制。

多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型可以有效地利用反向傳播的性質(zhì)修改權(quán)值，從而更好地進(jìn)行擬合。如圖6所示，采用多隱含層的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測輸出與期望輸出十分接近。圖7是使用單隱含層BP模型的輸出圖，通過圖7發(fā)現(xiàn)，采用單隱含層BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測輸出明顯低于期望輸出。