本發(fā)明涉及一種基于深度神經(jīng)網(wǎng)絡的織物瑕疵檢測方法，屬于圖像處理技術領域。

背景技術：

現(xiàn)有技術中，布匹瑕疵檢測已成為織物產(chǎn)品質(zhì)量控制的重要環(huán)節(jié)，瑕疵檢測方法對提高產(chǎn)品質(zhì)量有著重要的作用，織物瑕疵檢測已成為一個熱門的研究領域。傳統(tǒng)的人工檢測方法存在著很大的局限性，如人工成本高，尺寸較小的缺陷難以分辨，長時間工作會造成視覺疲勞，容易產(chǎn)生誤檢和漏檢。為了提高產(chǎn)品質(zhì)量和減少生產(chǎn)成本，布匹瑕疵自動檢測已成為提高布匹質(zhì)量的一種有效方法。

布匹瑕疵自動檢測系統(tǒng)中的關鍵部分是瑕疵檢測方法，目前常見的瑕疵檢測方法可以大致分為以下幾類：統(tǒng)計、光譜、模型、學習和結(jié)構。由于織物和缺陷存在多樣性，在實際應用中往往都是根據(jù)織物和缺陷的類型選擇合適的檢測方法。但這些方法的檢測過程基本是相同的，即對圖像進行預處理，人工提取特征，最后進行分類識別。其中最重要的階段是特征提取，特征提取是對目標提取幾何、灰度、紋理或頻譜等能更好體現(xiàn)圖像的特征。簡單的特征提取易于實現(xiàn)且實時性較高，復雜的特征提取可以提高檢測率但增加計算量。特征提取的好壞決定了檢測系統(tǒng)的可靠性，如果特征選取的不完整或是錯誤的，對最終的分類結(jié)果會有很大的影響，傳統(tǒng)的特征提取包括gabor變換、數(shù)學形態(tài)學、傅里葉變換等特征提取技術。這些方法僅對特定的目標進行識別時可以取得良好的效果，不具有良好的適應性。而且在圖像背景復雜與缺陷難以區(qū)別的時候，識別率有所下降，同時還會增加方法的復雜度。

深度神經(jīng)網(wǎng)絡是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法，常用的深度神經(jīng)網(wǎng)絡包括深度置信網(wǎng)絡、自編碼器網(wǎng)絡以及卷積神經(jīng)網(wǎng)絡。其中，卷積神經(jīng)網(wǎng)絡已成為眾多領域的研究熱點，特別是在模式分類領域。因此，為了彌補現(xiàn)有檢測方法的不足以及保持較高的檢測率，本發(fā)明提出了一種基于深度神經(jīng)網(wǎng)絡的瑕疵檢測方法。這種方法具有優(yōu)異的特征學習能力，可以自主學習圖像中的特征信息，從低級特征到高級特征逐漸提取。降低了人為提取特征的影響，同時減少了對圖像的預處理過程。

技術實現(xiàn)要素：

本發(fā)明的發(fā)明目的是提供一種基于深度神經(jīng)網(wǎng)絡的織物瑕疵檢測方法。

為達到上述發(fā)明目的，本發(fā)明采用的技術方案是：一種基于深度神經(jīng)網(wǎng)絡的織物瑕疵檢測方法，其特征在于：包括如下步驟，

(1)、搭建圖像采集系統(tǒng)，將采集到的圖像送至計算機；

(2)、采用圖像變換和噪聲擾動的方式增加織物樣本圖像數(shù)據(jù)，將增強后的織物圖像作為訓練樣本，訓練樣本中包含不同織物的正常和缺陷圖像，并對圖像進行標定，’0’代表正常樣本，’1’代表缺陷樣本；

(3)、設計深度神經(jīng)網(wǎng)絡，所述深度神經(jīng)網(wǎng)絡包括9層，一層輸入層、三層卷積層、三層池化層以及兩層全連接層，其中輸入層為獲取的織物圖像，卷積層用于特征提取，不同卷積層由不同數(shù)目的特征圖組成，池化層采用max-pooling的方式對上一卷積層進行下采樣，經(jīng)過多層卷積和池化操作，將獲取的特征向量輸入到全連接層，得到最終輸出向量，并使用softmax分類器進行分類；

(4)、設置參數(shù)并對所述深度神經(jīng)網(wǎng)絡進行初始化，將訓練樣本作為輸入數(shù)據(jù)送入到所述深度神經(jīng)網(wǎng)絡進行訓練，在網(wǎng)絡訓練完成之后，保存網(wǎng)絡模型；

(5)、將輸入的新織物樣本送入網(wǎng)絡模型進行檢測，分類器輸出的最大分量的位置為檢測結(jié)果，將檢測結(jié)果與定義的標簽進行比較，檢測結(jié)果輸出為0時，表示圖像為正常圖片，結(jié)果為1時，則表示圖像中存在缺陷；

上述步驟(3)中，對所述深度神經(jīng)網(wǎng)絡進行優(yōu)化，采用softmax分類器的交叉熵函數(shù)作為目標函數(shù)，在后向傳播中使用mini-batch梯度下降法來優(yōu)化目標函數(shù)，即遍歷完一個batch的樣本就計算梯度和更新參數(shù)，其中目標函數(shù)定義如下：

其中1{.}是示性函數(shù)，即大括號內(nèi)的表達式值為真的時候輸出1，否則為0，m是訓練樣本總數(shù)，y⁽ⁱ⁾是第i個樣本實際的標簽值，是樣本i分類為類別j的概率，即是經(jīng)過softmax分類器處理之后的輸出，使用mini-batch梯度下降法進行優(yōu)化的計算方式如下：

優(yōu)選地，在所述目標函數(shù)中加入l2正則化懲罰項，具體方式是在目標函數(shù)中添加權重衰減項定義方式如下：

在網(wǎng)絡訓練過程中在訓練過程中使用指數(shù)衰減型學習速率，衰減型學習速率的計算方式如下：

η＝learning_rate*decay_rate^(global_step/decay_step)

其中l(wèi)earning_rate是初始學習速率，η是更新后的學習率，decay_rate是衰減系數(shù)，decay_step是衰減速度。

優(yōu)選地，步驟(2)中，采用圖像變換和噪聲擾動的方式增加織物樣本圖像數(shù)據(jù)，所述圖像變換為平移變換，即對圖像的像素點同時進行一定距離的橫向移動和縱向移動，改變?nèi)毕菟诘奈恢?；所述噪聲擾動為加入椒鹽噪聲，具體過程為復制一部分原始圖像樣本，對其進行平移變換和加入椒鹽噪聲處理，將處理后的圖像也作為樣本圖像。

上述方案步驟(1)中具體的為：搭建圖像采集系統(tǒng)，系統(tǒng)由光源、相機、鏡頭、圖像采集卡和計算機等部分組成，led光源對織物照明，鏡頭接收織物表面反射的光線，圖像采集卡將ccd線陣相機輸出的電信號送到計算機，即完成采集工作。

由于上述技術方案運用，本發(fā)明與現(xiàn)有技術相比具有下列優(yōu)點：

1.本發(fā)明通過將深度神經(jīng)網(wǎng)絡應用到織物瑕疵檢測中，可以對不同織物進行有效地分類且達到了99％左右的準確率，具有良好的適應性。

2.本發(fā)明采用平移變換和加入椒鹽噪聲的方式增加織物圖像數(shù)據(jù)，可以滿足本發(fā)明所需的數(shù)據(jù)量。

3.本發(fā)明采用的l2正則化和衰減型學習速率方法可以提高檢測方法的準確率以及加快收斂速度。

4.本發(fā)明無需對圖像進行預處理，網(wǎng)絡結(jié)構簡單且性能優(yōu)異，在降低算法的復雜度同時仍能保持較高的準確率，具有較高的時效性，在織物瑕疵檢測上有著較高的應用價值。

附圖說明

圖1是本發(fā)明的流程示意圖。

圖2是本發(fā)明的網(wǎng)絡結(jié)構圖。

圖3是本發(fā)明的訓練準確率示意圖。

圖4是本發(fā)明的誤差趨勢曲線示意圖。

圖5是本發(fā)明的檢測結(jié)果示意圖。

圖6是本發(fā)明的檢測結(jié)果示意圖。

具體實施方式

下面結(jié)合附圖及實施例對本發(fā)明作進一步描述：

實施例一：參見圖1所示，一種基于深度神經(jīng)網(wǎng)絡的織物瑕疵檢測方法，包括如下步驟：

1.在織物生產(chǎn)過程中，通過工業(yè)線陣相機從卷布機上拍攝織物圖像作為實驗樣本，并傳送到計算機。

2.將所述采集到的圖像從4096*4096像素分割為128*128像素的實驗樣本，采用圖像變換和加入椒鹽噪聲的方式，對一部分原始圖像進行數(shù)據(jù)增強，將增強后的織物圖像作為訓練樣本，訓練樣本中包含不同織物的正常和缺陷圖像。對圖像進行標定，’0’代表正常樣本，’1’代表缺陷樣本。

3.參見圖2所示，設計深度神經(jīng)網(wǎng)絡，深度神經(jīng)網(wǎng)絡的結(jié)構圖如圖二所示，包括一層輸入層、三層卷積層、三層池化層和兩層全連接層，其中1：輸入圖像2：第一層卷積3：第一層池化4：第二層卷積5：第二層池化6：第三層卷積7：第三層池化8：兩層全連接層9：softmax分類器；輸入層為128*128像素的織物圖像，卷積層用于特征提取，不同卷積層由不同數(shù)目的特征圖組成。池化層采用max-pooling的方式對上一卷積層進行下采樣，用于保留有效特征及減少計算量。經(jīng)過多層卷積和池化操作，將獲取的特征向量輸入到全連接層，得到最終輸出向量，并使用softmax分類器進行分類。

4.設置參數(shù)并對網(wǎng)絡進行初始化，在織物檢測方法的網(wǎng)絡優(yōu)化過程中采用mini-batch梯度下降法進行參數(shù)優(yōu)化，并加入l2正則化和衰減型學習速率。采用l2正則化和衰減型學習速率的方法訓練結(jié)果如圖三所示，分別是訓練準確率曲線圖以及誤差下降趨勢曲線圖。

5.參見圖3所示，accuracy表示訓練準確率，圖4中l(wèi)oss表示誤差下降趨勢曲線，將訓練樣本作為輸入數(shù)據(jù)送入到所設計的深度神經(jīng)網(wǎng)絡進行訓練，在網(wǎng)絡訓練完成之后，保存網(wǎng)絡模型。將輸入的新的織物樣本送入網(wǎng)絡進行檢測，分類器輸出的最大分量的位置就是檢測結(jié)果。將檢測結(jié)果與定義的標簽進行比較，即可驗證方法的性能。檢測結(jié)果如圖四所示，絕大多數(shù)結(jié)果是正確的，少數(shù)樣本出現(xiàn)誤檢情況。

本發(fā)明提出的基于深度神經(jīng)網(wǎng)絡的織物瑕疵檢測方法，以卷積神經(jīng)網(wǎng)絡為核心，通過卷積層進行特征提取，池化層保留有效特征并減少計算量，用全連接層進行分類。以mini-batch梯度下降法進行優(yōu)化，l2正則化增強泛化能力，通過確定分類器輸出的最大分量的對應位置進行缺陷的識別，效果參見圖5、圖6所示，其中actual表示樣本真實的類別，pred表示樣本預測的類別。