本發(fā)明涉及缺陷檢測的技術領域,尤其涉及到基于神經(jīng)網(wǎng)絡深度學習的布匹缺陷檢測方法。
背景技術:
紡織品生產(chǎn)過程中,布匹表面缺陷是影響布匹質(zhì)量的關鍵因素。長期以來,布匹檢測一般由人工完成。人工檢測依賴驗布人員的經(jīng)驗和熟練程度,評價標準不穩(wěn)定也不一致,因而經(jīng)常會產(chǎn)生誤檢和漏檢,熟練的驗布人員也只能發(fā)現(xiàn)約70%的疵點。另外,布匹缺陷檢測對工人來說是一個繁重無味的體力勞動,且極大的傷害了驗布工人的視力。所以采用機器視覺代替人工自動對布匹瑕疵進行識別,已經(jīng)成為紡織業(yè)發(fā)展的必然趨勢.
布匹質(zhì)量檢測雖然具有廣闊的市場前景,但是由于布匹材質(zhì)的特殊性,仍存在很多技術難點,譬如:
1、針對不同胚布有不同的成像標準。由于不同織布廠的坯布原料不同,所生產(chǎn)的坯布密度不同,坯布質(zhì)量檢測成像環(huán)節(jié)難以有量化的成像標準,包括光源強度,相機光圈大小,物距等參數(shù)都將是所研制檢測裝備調(diào)試過程中非常難以調(diào)節(jié)的參數(shù)。
2、缺陷種類眾多,難以分辨。坯布缺陷有20多種,不同缺陷之間相似度高,即使是經(jīng)驗豐富的驗布工也時常難以分辨。
3、缺陷成像影響因素太多。多數(shù)紡織廠生產(chǎn)條件較為惡劣,坯布表面不同程度的粘有臟污或棉球,這些物質(zhì)在很大程度上會影響布匹缺陷檢測算法的可靠性。同樣的,部分坯布由于時間存放形成褶皺以及機床的震動也會影響算法的可靠性。
技術實現(xiàn)要素:
本發(fā)明的目的在于克服現(xiàn)有技術的不足,提供人力成本低、能排除多種影響檢測布匹缺陷的干擾因素、能對多種布匹缺陷進行分類并實時監(jiān)測的基于神經(jīng)網(wǎng)絡深度學習的布匹缺陷檢測方法。
為實現(xiàn)上述目的,本發(fā)明所提供的技術方案為:基于神經(jīng)網(wǎng)絡深度學習的布匹缺陷檢測方法,其包括以下步驟:
(1)高速線掃描成像;
(2)通過改進的bp神經(jīng)網(wǎng)絡布匹缺陷檢測算法對布匹缺陷進行準確檢測;
(3)通過卷積神經(jīng)網(wǎng)絡的深度學習布匹缺陷分類算法實現(xiàn)自動選取疵點多樣的特征信息,進行非線性系統(tǒng)地處理分類。
進一步地,步驟(1)中,高速線掃描成像系統(tǒng)基于gpu+fpga結(jié)構(gòu)而搭建,在gpu中進行圖像矯正、拼接以及去噪算法,實現(xiàn)單元圖像的高速輸出,并根據(jù)圖像質(zhì)量實現(xiàn)對曝光時間和行頻的自動實時計算和設置。
進一步地,步驟(1)高速線掃描成像包括以下步驟:
1)fpga控制線性ccd傳感器采集布匹圖像數(shù)據(jù);
2)線性ccd傳感器將采集到的布匹圖像數(shù)據(jù)傳輸至模數(shù)轉(zhuǎn)換器,使將模擬信號轉(zhuǎn)換成數(shù)字信號,轉(zhuǎn)換后的圖像信號存放于片外sdram中;
3)gpu經(jīng)過emif存儲器形式完成對雙口ram內(nèi)部圖像快速讀取操作,完成圖像矯正、拼接以及去噪功能;
4)千兆以太網(wǎng)完成圖像傳輸工作。
進一步地,圖像矯正包括圖像平場矯正和紅外圖像非線性畸變矯正;
圖像平場矯正通過灰度變換法、基于照明—發(fā)射的同態(tài)濾波法、retinex增強法以及梯度域增強方法實現(xiàn);
紅外圖像非線性畸變矯正通過標定的模板法,先對攝像機進行標定,找到系統(tǒng)的畸變參數(shù),然后利用標定的參數(shù)進行圖像畸變的校正;
圖像拼接包括圖像預處理、圖像配準、建立變換模型、統(tǒng)一坐標變換和融合重構(gòu)。其中,通過基于興趣點方向特征的圖像拼接方法,通過harris檢測器提取出圖像的興趣點,采用興趣點方向特征和相關窗的方法提取出初始匹配特征對,根據(jù)相鄰特征點之間的關系剔除掉無配對的點,通過此模型來實現(xiàn)圖像的配準。
進一步地,步驟(2)通過改進的bp神經(jīng)網(wǎng)絡布匹缺陷檢測算法對布匹缺陷進行檢測,該算法采用具有反對稱的tanh(·)函數(shù)作為激活函數(shù),公式為:
其中,設a=1.716和b=2/3,保證f′(0)≈0.5,且-1<x<1時,f(x)近似線性,從而加快學習速率,檢測流程包括以下步驟:
1))對輸入樣本進行尺度規(guī)范,使其在整個網(wǎng)絡層之間的輸入規(guī)范統(tǒng)一,相應的誤差運算更加準確,網(wǎng)絡健壯性提高;
2))初始化權值:根據(jù)輸入層和中間層的個數(shù)對輸入層到中間層的權值和中間層到輸出層的權值賦初值,對學習率λ、動量系數(shù)α、θ、ε和ρ賦初值;
3))輸入規(guī)范后的樣本,計算中間層輸出和輸出層輸出;
4))計算誤差,根據(jù)接收信號tk,輸出層輸入ok,中間層到輸出層權值vjk,中間層輸出hk,求出誤差δk和δj:
δk=(ok-tk)*ok*(1-ok)
5))根據(jù)誤差按自適應調(diào)整算法調(diào)整權值;
6))判斷樣本是否學習完畢,如果是,計算總誤差,否則返回到3));
7))根據(jù)總誤差自適應調(diào)整權值,計算是否滿足要求,如果滿足,記錄權值并結(jié)束學習,否則,返回到3))重新訓練。
上述樣本包括:缺陷布匹圖像,無缺陷布匹圖像和偽缺陷布匹圖像三類。
進一步地,所述步驟1))規(guī)范化輸入樣本步驟如下:先找出樣本空間的最大值ximax和最小值ximin,定義一個規(guī)范化區(qū)間[mmin,mmax],然后按以下公式對各個輸入分量進行規(guī)范化處理,
進一步地,所述步驟5))權值調(diào)整公式為:ω(m+1)=ω(m)+λ(1-a)δωbp(m)+αδω(m-1),式中,λ和α為單個的步長參數(shù),λ為學習率,α為控制動量項的相對權值;
調(diào)整算法流程如下:平方誤差因權值調(diào)整而增加,其增加超過給定范圍,則權值調(diào)整取消,學習速度乘上一個因子ρ(0<ρ<1),同時把動量系數(shù)α=0;權值調(diào)整后平方誤差減少,則接受權值調(diào)整,學習速度乘上一個因子θ(θ>1);調(diào)整的權值不超過給定范圍,則接受權值調(diào)整,學習速度保持不變,如果α=0,則恢復為以前的值。
進一步地,所述對布匹缺陷進行準確檢測的過程中,中間層節(jié)點數(shù)選取時,采用經(jīng)驗公式:
進一步地,所述步驟(3)包括以下步驟:
(1使用多層卷積神經(jīng)網(wǎng)絡自動選取抽象高層布匹圖像的特征向量;
(2利用softmax分類器對提取到的抽象高層特征向量進行分類;
其中,步驟(2中softmax分類過程包括訓練過程和測試過程;
訓練過程,利用訓練好的卷積核,提取訓練集的卷積特征;采用采樣策略,對卷積后得到的特征圖進行采樣;將采樣后的卷積特征串接在一起歸一化后得到圖像特征,并作為softmax分類器的輸入,用于訓練softmax分類器;
測試過程,利用基于多層神經(jīng)網(wǎng)絡學習到的抽象高層特征向量進行測試分類,得到最后的布匹缺陷分類結(jié)果。
與現(xiàn)有技術相比,本方案的原理以及相應的有益效果如下:
將圖像矯正,拼接,去噪等算法在成像系統(tǒng)中用gpu實現(xiàn),從而實現(xiàn)高速高質(zhì)量的圖像采集。
通過改進的bp神經(jīng)網(wǎng)絡布匹缺陷檢測算法對諸如灰塵,臟污,棉球,褶皺等干擾因素進行檢測與排除,使適合于生產(chǎn)環(huán)境惡劣,工況穩(wěn)定性差的紡織工廠。
通過卷積神經(jīng)網(wǎng)絡的深度學習布匹缺陷分類算法,能夠?qū)崿F(xiàn)對多種缺陷的實時監(jiān)測,該分類算法能出色地自動選取疵點多樣的特征信息,進行非線性系統(tǒng)地處理分類。
附圖說明
圖1為線掃描成像系統(tǒng)結(jié)構(gòu)圖;
圖2為檢測算法流程圖;
圖3為缺陷檢測流程圖;
圖4為多層卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)圖;
圖5為卷積策略模型圖;
圖6為采樣策略模型圖;
圖7為布匹缺陷檢測結(jié)果圖。
具體實施方式
下面結(jié)合具體實施例對本發(fā)明作進一步說明:
參見附圖1-6所示,本實施例所述的基于神經(jīng)網(wǎng)絡深度學習的布匹缺陷檢測方法,包括以下步驟:
(1)高速線掃描成像;
高速線掃描成像系統(tǒng)基于gpu+fpga結(jié)構(gòu)而搭建,系統(tǒng)包括線型ccd傳感器、fpga、雙口ram、gpu、模數(shù)轉(zhuǎn)換器以及多個存儲裝置,成像步驟如下:
1)fpga控制線性ccd傳感器采集布匹圖像數(shù)據(jù);
2)線性ccd傳感器將采集到的布匹圖像數(shù)據(jù)傳輸至模數(shù)轉(zhuǎn)換器,使將模擬信號轉(zhuǎn)換成數(shù)字信號,轉(zhuǎn)換后的圖像信號存放于片外sdram中;
3)gpu經(jīng)過emif存儲器形式完成對雙口ram內(nèi)部圖像快速讀取操作,完成圖像矯正、拼接以及去噪功能;
4)千兆以太網(wǎng)完成圖像傳輸工作。
其中,上述圖像矯正包括圖像平場矯正和紅外圖像非線性畸變矯正;
圖像平場矯正通過灰度變換法、基于照明—發(fā)射的同態(tài)濾波法、retinex增強法以及梯度域增強方法實現(xiàn);
紅外圖像非線性畸變矯正通過標定的模板法,先對攝像機進行標定,找到系統(tǒng)的畸變參數(shù),然后利用標定的參數(shù)進行圖像畸變的校正;
圖像拼接包括圖像預處理、圖像配準、建立變換模型、統(tǒng)一坐標變換和融合重構(gòu)。其中,通過基于興趣點方向特征的圖像拼接方法,通過harris檢測器提取出圖像的興趣點,采用興趣點方向特征和相關窗的方法提取出初始匹配特征對,根據(jù)相鄰特征點之間的關系剔除掉無配對的點,通過此模型來實現(xiàn)圖像的配準。
(2)通過改進的bp神經(jīng)網(wǎng)絡布匹缺陷檢測算法對布匹缺陷進行準確檢測,該算法采用具有反對稱的tanh(·)函數(shù)作為激活函數(shù),公式為:
其中,設a=1.716和b=2/3,保證f′(0)≈0.5,且-1<x<1時,f(x)近似線性,從而加快學習速率,檢測流程包括以下步驟:
1))對輸入樣本進行尺度規(guī)范,使其在整個網(wǎng)絡層之間的輸入規(guī)范統(tǒng)一,相應的誤差運算更加準確,網(wǎng)絡健壯性提高;規(guī)范化輸入樣本步驟如下:先找出樣本空間的最大值ximax和最小值ximin,定義一個規(guī)范化區(qū)間[mmin,mmax],然后按以下公式對各個輸入分量進行規(guī)范化處理,
2))初始化權值:根據(jù)輸入層和中間層的個數(shù)對輸入層到中間層的權值和中間層到輸出層的權值賦初值,對學習率λ、動量系數(shù)α、θ、ε和ρ賦初值;
3))輸入規(guī)范后的樣本,計算中間層輸出和輸出層輸出;
4))計算誤差,根據(jù)接收信號tk,輸出層輸入ok,中間層到輸出層權值vjk,中間層輸出hk,求出誤差δk和δj:
δk=(ok-tk)*ok*(1-ok)
5))根據(jù)誤差按自適應調(diào)整算法調(diào)整權值;
權值調(diào)整公式為:ω(m+1)=ω(m)+λ(1-a)δωbp(m)+αδω(m-1),式中,λ和α為單個的步長參數(shù),λ為學習率,α為控制動量項的相對權值;
如果α=0,算法等同于標準反向傳播;如果α較小,權值的變化與標準反向傳播很接近,如果α較大,則變化將比較遲緩;如果α=1,反向傳播算法所提出的變化將被忽略,且權值向量以恒定的速度變化。
調(diào)整算法流程如下:平方誤差因權值調(diào)整而增加,其增加超過給定范圍,則權值調(diào)整取消,學習速度乘上一個因子ρ(0<ρ<1),同時把動量系數(shù)α=0;權值調(diào)整后平方誤差減少,則接受權值調(diào)整,學習速度乘上一個因子θ(θ>1);調(diào)整的權值不超過給定范圍,則接受權值調(diào)整,學習速度保持不變,如果α=0,則恢復為以前的值。
6))判斷樣本是否學習完畢,如果是,計算總誤差,否則返回到3));
7))根據(jù)總誤差自適應調(diào)整權值,計算是否滿足要求,如果滿足,記錄權值并結(jié)束學習,否則,返回到3))重新訓練。
上述樣本包括:缺陷布匹圖像,無缺陷布匹圖像和偽缺陷布匹圖像三類。
對布匹缺陷進行準確檢測的過程中,中間層節(jié)點數(shù)選取時,采用經(jīng)驗公式:
(3)通過卷積神經(jīng)網(wǎng)絡的深度學習布匹缺陷分類算法實現(xiàn)自動選取疵點多樣的特征信息,進行非線性系統(tǒng)地處理分類。
包括以下步驟:
(1使用多層卷積神經(jīng)網(wǎng)絡(cnn)自動選取抽象高層布匹圖像的特征向量;
cnn中每一層由多個map組成,每個map由多個神經(jīng)單元組成,同一map的所有神經(jīng)單元共用一個卷積核(即權重),卷積核代表一個特征,cnn一般采用卷積層與采樣層交替設置,即一層卷積層接一層采樣層,采樣層后接一層卷積...這樣卷積層提取出特征,再進行組合形成更抽象的特征。
本實施例中,選取布匹缺陷圖像是28*28大小,圖4為設計的多層卷積神經(jīng)網(wǎng)絡整體結(jié)構(gòu),其中,cnn的初始化主要包括初始化卷積層和輸出層的權重和偏置,而對卷積核和權重進行隨機初始化,而對偏置進行全0初始化。具體步驟如下:
a.輸入層:輸入層不設置輸入值,只設置一個輸出向量,該向量的大小即圖片大小,本發(fā)明規(guī)定為28*28矩陣;
b.卷積層:由于卷積層的每一個map都有一個大小相同的卷積核,而本發(fā)明采用2*2的卷積核。由圖4可知,上一層的特征map大小為4*4,將該卷積在圖片上滾一遍,得到一個(4-2+1)*(4-2+1)=3*3的特征map,卷積核每次移動一步。因此,卷積層的一個map與上層的所有map都關聯(lián),如圖5的s2和c3,即c3共有6*12個卷積核。接著將卷積層的每一個特征map在前一層所有map上作卷積并將對應元素累加后再加一個偏置,最后由sigmoid激活函數(shù)得到輸出。
c.采樣層:采樣層對上一層map進行采樣處理,本發(fā)明的采樣方式是對上一層map的相鄰小區(qū)域進行聚合統(tǒng)計,規(guī)定區(qū)域大小為scale*scale。本發(fā)明采用2*2小區(qū)域的均值。由于卷積的計算窗口有重疊,而采用的計算窗口無重疊,在toolbox中計算采樣使用卷積(conv2(a,k,'valid'))來實現(xiàn),由于卷積核是2*2,所以每個元素都是1/4,去掉計算得到的卷積結(jié)果中有重疊的部分,如圖6所示.
d.輸出層:輸出層與最后的采樣層s4全連接,提取布匹整體的特征信息,得到最終布匹圖像的高層特征向量,用于后續(xù)的分類器的輸入。
(2利用softmax分類器對提取到的抽象高層特征向量進行分類;
softmax分類過程包括訓練過程和測試過程;
訓練過程,利用訓練好的卷積核,提取訓練集的卷積特征;采用采樣策略,對卷積后得到的特征圖進行采樣;將采樣后的卷積特征串接在一起歸一化后得到圖像特征,并作為softmax分類器的輸入,用于訓練softmax分類器。訓練模型的過程實質(zhì)是一個不斷優(yōu)化模型參數(shù)的過程,訓練目標是尋找到最優(yōu)的模型參數(shù),能夠使代價函數(shù)的值最小,在布匹實際檢測中,可在代價函數(shù)中添加一個權重衰減項,該權重衰減項可解決softmax回歸的"參數(shù)冗余"問題。
利用基于多層神經(jīng)網(wǎng)絡學習到的抽象高層特征向量進行測試分類,得到最后的布匹缺陷分類結(jié)果。
本實施例將圖像矯正,拼接,去噪等算法在成像系統(tǒng)中用gpu實現(xiàn),從而實現(xiàn)高速高質(zhì)量的圖像采集。通過改進的bp神經(jīng)網(wǎng)絡布匹缺陷檢測算法對諸如灰塵,臟污,棉球,褶皺等干擾因素進行檢測與排除,適合于生產(chǎn)環(huán)境惡劣,工況穩(wěn)定性差的紡織工廠。通過卷積神經(jīng)網(wǎng)絡的深度學習布匹缺陷分類算法,能夠?qū)崿F(xiàn)對多種缺陷的實時監(jiān)測,該分類算法能出色地自動選取疵點多樣的特征信息,進行非線性系統(tǒng)地處理分類。
以上所述之實施例子只為本發(fā)明之較佳實施例,并非以此限制本發(fā)明的實施范圍,故凡依本發(fā)明之形狀、原理所作的變化,均應涵蓋在本發(fā)明的保護范圍內(nèi)。