CN108389180A - 一种基于深度学习的织物疵点检测方法 - Google Patents

Abstract

一种基于深度学习的织物疵点检测方法，包含模型训练阶段和检测阶段两步：把样本库中的图像分割为图像块集合；建立六层深度神经网络，利用步骤一得到的图像块，对步骤二建立的网络的前五层进行训练，得到网络的权值；对第5层与第六层的连接权值用BP算法进行调节，期望输出等于疵点类型对应的编码；把待检测织物图像进行分割；把待检测图像块输入深度神经网络；统计该检测图像中包含的所有图像块的检测结果，并据此给出该织物的质量等级，并显示缺陷的具体坐标位置。本发明检测准确，提高了织物疵点的检测效率。

Description

一种基于深度学习的织物疵点检测方法

技术领域

本发明涉及自动测量与控制领域，尤其涉及一种基于深度学习的织物疵点检测方法。

背景技术

传统的织物疵点检测是检验人员按照个人经验和织物评等标准对织物等级做出评定，这种方法存在检测速度低、漏检率高、检测结果受人的主观影响等诸多问题，无法满足快速、高品质的产品生产。因此，发展一种快速、准确的织物疵点自动检测方法是当前纺织或织物印刷企业的迫切需求。织物疵点自动检测是对织物质量进行控制、实现织造及验布工序自动化、无人化的关键环节。尤其是随着图像处理和人工智能技术的发展，以计算机视觉和深度学习为基础的织物自动检测逐渐得到发展与应用。本发明即是一种快速的基于视觉织物疵点智能检测方法。

现有的计算机视觉检测方法主要是以图像处理技术为基础，通过对灰度或纹理的计算，得到面积、长度、中心矩、偏心距等几何或代数特征，并据此判断是否含有疵点，有何疵点等。这种方法在高分辨率图像的处理中计算量大，且随着织物中图案的变化，为了达到理想的检测效果，具体特征必须由人根据图案来完成详细设计，不能实现完全意义上的自动化。

发明内容

为解决现有技术的不足，提供一种基于深度学习的织物疵点检测方法，这种方法效率高、结果准确。

为实现上述目的，本发明采用以下技术方案：

一种基于深度学习的织物疵点检测方法，包含模型训练阶段和检测阶段两步：

模型训练阶段有如下实现步骤：

步骤一，把样本库中的图像分割为M×N的图像块集合X＝{x₁,…,x_i,…,x_k}，M、N为包含至少一个织物图案周期的图像块长度和宽度，k为图像块总个数；

步骤二，建立六层深度神经网络，每层描述如下：

2.1第一层为输入层，用于接受输入图像，神经元个数为M×N；

2.2第二层为卷积层，卷积核为4个大小C₁×C₁的滤波器，产生4组大小为L₂×W₂的矩阵输出，其中L₂＝M-C₁+1，W₂＝N-C₁+1；

2.3第三层为池化层，池化常数为2，可产生4组大小为L₃×W₃的矩阵输出，其中L₃＝L₂/2，W₃＝W₂/2；

2.4第四层为卷积层，卷积核为16个大小C₂×C₂的滤波器，C₂可取3、5、7，可产生16组大小为L₄×W₄的矩阵输出，其中L₄＝L₃-C₂+1，W₄＝W₃-C₂+1；

2.5第五层为池化层，池化常数为2，可产生16组大小为L₅×W₅的矩阵输出，其中L₅＝L₄/2，W₅＝W₄/2；

2.6第六层为识别层，神经元个数为R，具体根据织物疵点种类确定。每个神经元与第五层全连接。

步骤三，利用步骤一得到的图像块，对步骤二建立的网络的前五层进行训练，得到网络的权值，计算过程为：

3.1令第一层为可见层，第二层为隐藏层，输入训练样本x₁，学习率ε。初始化可见层单元v＝x₁，可见层和隐藏层之间的连接权重W₁、可见层的偏置c和隐藏层的偏置b为随机值，训练过程如下：

Err＝0；累计误差置0

For t＝1:m(m为训练次数)

For j＝1:k(k为图像块总个数)

计算隐藏层：

其中，隐藏层神经元的状态i为隐藏层神经元编号，σ为神经元结构函数；

根据隐藏层状态重构训练样本

P(v_ij＝1|h)＝σ((∑_kW^k*h^k)_ij+c) (2)

计算误差e＝P(v_ij＝1|h)-P(h_ij＝1|v)

更新参数：

W₁＝W₁(1+ε×e) (3)

b＝b(1+ε×e) (4)

c＝c(1+ε×e) (5)

end

若累积误差err小于规定值，则跳出循环，训练结束；

end

3.2对第二层的输出结果进行池化，池化公式为：

其中Max表示取括号里的最大值，i、j分别表示第三层的输出编号。

3.3令第三层为可见层，第四层为隐藏层，把第三层输出Y³＝{y³ ₁,…,y³ _i,…,y³ _k}作为训练样本，k为样本总个数；学习率ε。初始化可见层单元v＝y³ ₁，可见层和隐藏层之间的连接权重W₃、可见层的偏置c₃和隐藏层的偏置b₃为随机的较小数值，则训练过程与3.1一致。

3.4对第四层的输出结果进行池化，池化公式为：

其中Max表示取括号里的最大值，i、j分别表示第五层神经元的输出编号。

步骤四，对第5层与第六层的连接权值用BP算法进行调节，期望输出等于疵点类型对应的编码，计算过程为：

4.1前向计算，初始化连接权重W₅、偏置c₅为随机的较小数值，把步骤3.4得到的第五层输出作为输入，即X⁶＝Y⁵，得出第六层神经元的输出值Y⁶。计算公式为：

Y⁶＝F(X⁶·W₅)-c₅ (8)

4.2对输出层计算残差：

δ＝Y⁶-a (9)

其中，a为期望输出值。

4.3更新权值和偏置：

W₅＝W₅-F’(X⁶·W₅)δ (10)

c₅＝c₅-δ (11)

其中，F’表示函数F对连接权重W₅的一阶导数。

织物检测阶段有如下实现步骤：

步骤五，把待检测织物图像分割为M×N的图像块集合S＝{s₁,…,s_i,…,s_p}，p为待检测图像块总个数；

步骤六，把待检测图像块输入深度神经网络，得到对应的输出，无缺陷还是某种类型的缺陷，记录结果和对应的中心坐标；

步骤七，统计该检测图像中包含的所有图像块的检测结果，并据此给出该织物的质量等级，并显示缺陷的具体坐标位置。

附图说明

图1是深度神经网络结构示意图。

图2是本发明的检测流程图。

图中标记为：输入层1，卷积层2，池化层3，卷积层4，池化层5，识别层6。

具体实施方式

一种织物疵点自动检测方法包含模型训练阶段和检测阶段两步。

模型训练阶段有如下实现步骤：

步骤一，把样本库中的图像分割为16×16的图像块集合X＝{x₁,…,x₅₀₀₀}，即图像块长度和宽度均为16，5000为图像块总个数；

步骤二，建立六层深度神经网络，每层描述如下：

2.1第一层为输入层，用于接受输入图像，神经元个数为256；

2.2第二层为卷积层，卷积核为4个大小C₁×C₁的滤波器，C₁取5，产生4组大小为L₂×W₂的矩阵输出，其中L₂＝12，W₂＝12；

2.3第三层为池化层，池化常数为2，可产生4组大小为L₃×W₃的矩阵输出，其中L₃＝6，W₃＝6；

2.4第四层为卷积层，卷积核为16个大小C₂×C₂的滤波器，C₂取3，产生16组大小为L₄×W₄的矩阵输出，其中L₄＝4，W₄＝4；

2.5第五层为池化层，池化常数为2，可产生16组大小为L₅×W₅的矩阵输出，其中L₅＝2，W₅＝2；

2.6第六层为识别层，设神经元个数为R＝4。每个神经元与第五层全连接。

步骤三，利用步骤一得到的图像块，对步骤二建立的网络的前五层进行训练，得到网络的权值，计算过程为：

3.1令第一层为可见层，第二层为隐藏层，输入训练样本x₁，学习率ε＝0.1。初始化可见层单元v＝x₁，可见层和隐藏层之间的连接权重W₁、可见层的偏置c和隐藏层的偏置b为随机的较小数值，则训练过程如下：

Err＝0；(累计误差置0)

For t＝1:1000(1000为训练次数)

For j＝1:5000(5000为图像块总个数)

计算隐藏层

其中，隐藏层神经元的状态i为隐藏层神经元编号，σ为神经元结构函数，这里取S型函数。

根据隐藏层状态重构训练样本

P(v_ij＝1|h)＝σ((∑_kW^k*h^k)_ij+c) (2)

计算误差e＝P(v_ij＝1|h)-P(h_ij＝1|v)

更新参数：

W₁＝W₁(1+ε×e) (3)

b＝b(1+ε×e) (4)

c＝c(1+ε×e) (5)

end

若累积误差err＝9.8，小于规定值10，则跳出循环，训练结束；

end

3.2对第二层的输出结果进行池化，池化公式为：

若计算结果为则

3.3令第三层为可见层，第四层为隐藏层，把第三层输出Y³＝{y³ ₁,…,y³ _i,…,y³ _k}作为训练样本，k＝5000为样本总个数；学习率ε＝0.1。初始化可见层单元v＝y³ ₁，可见层和隐藏层之间的连接权重W₃、可见层的偏置c₃和隐藏层的偏置b₃为随机的较小数值，则训练过程与3.1一致。

3.4对第四层的输出结果进行池化，池化公式为：

若计算结果为则

步骤四，对第5层与第六层的连接权值用BP算法进行调节，期望输出等于疵点类型对应的编码，计算过程为：

4.1前向计算，初始化连接权重W₅、偏置c₅为随机的较小数值，把步骤3.4得到的第五层输出作为输入，即X⁶＝Y⁵，得出第六层神经元的输出值Y⁶。计算公式为：

Y⁶＝F(X⁶·W₅)-c₅ (8)

4.2对输出层计算残差：

δ＝Y⁶-a (9)

其中，a为期望输出值。

4.3更新权值和偏置：

W₅＝W₅-F’(X⁶·W₅)δ (10)

c₅＝c₅-δ (11)

其中，F’表示函数F对连接权重W₅的一阶导数。

织物检测阶段有如下实现步骤：

步骤五，把待检测织物图像分割为16×16的图像块集合S＝{s₁,…,s_i,…,s_p}，p＝100为待检测图像块总个数；

步骤六，把待检测图像块输入深度神经网络，得到对应的输出，无缺陷还是某种类型的缺陷，记录结果和对应的中心坐标；

假设某一图像块经神经网络计算，输出结果为0001，则此图像块含有经疵，其中心坐标(200,300)即为经疵的位置。

步骤七，统计该检测图像中包含的所有图像块的检测结果，并据此给出该织物的质量等级，并显示缺陷的具体坐标位置。

假设织物图像质量的判定标准为：

若统计某织物图像中2个图像块含有疵点，则该织物为合格品。

参照附图：

如图1所示，深度神经网络的训练过程为：

把分割后的图像块输入到输入层；

输入层首先经过四个卷积核的运算，输入到卷积层，然后卷积层根据玻尔兹曼概率模型，反向计算输入层，最后根据对比分歧算法调整权值。经过多次循环，直至满足要求；

卷积层经过池化运算，输出到池化层3；

池化层3首先经过十六个卷积核的运算，输入到卷积层4，然后卷积层4根据玻尔兹曼概率模型，反向计算池化层3，最后根据对比分歧算法调整权值。经过多次循环，直至满足要求；

卷积层4经过池化运算，输出到池化层5；

池化层5经过权值运算，输入到识别层6。通过对比识别层6与期望值，调整连接权值。经过多次循环，直至满足要求。

如图2所示，织物疵点检测***运行流程为：1首先经过图像块分割得到2，输入到5进行训练，得到可用于识别的网络模型。检测时，首先把3分割成4，输入到5进行运算，得到6。最后通过对6进行统计与分析得到7。

Claims (1)

1.一种基于深度学习的织物疵点检测方法，包含模型训练阶段和检测阶段，其特征在于：

模型训练阶段有如下实现步骤：

步骤一，把样本库中的图像分割为M×N的图像块集合X＝{x₁,…,x_i,…,x_k}，M、N为包含至少一个织物图案周期的图像块长度和宽度，k为图像块总个数；

步骤二，建立六层深度神经网络，每层描述如下：

2.1第一层为输入层，用于接受输入图像，神经元个数为M×N；

2.2第二层为卷积层，卷积核为4个大小C₁×C₁的滤波器，产生4组大小为L₂×W₂的矩阵输出，其中L₂＝M-C₁+1，W₂＝N-C₁+1；

2.3第三层为池化层，池化常数为2，可产生4组大小为L₃×W₃的矩阵输出，其中L₃＝L₂/2，W₃＝W₂/2；

2.4第四层为卷积层，卷积核为16个大小C₂×C₂的滤波器，C₂可取3、5、7，可产生16组大小为L₄×W₄的矩阵输出，其中L₄＝L₃-C₂+1，W₄＝W₃-C₂+1；

2.5第五层为池化层，池化常数为2，可产生16组大小为L₅×W₅的矩阵输出，其中L₅＝L₄/2，W₅＝W₄/2；

2.6第六层为识别层，神经元个数为R，具体根据织物疵点种类确定；每个神经元与第五层全连接；

步骤三，利用步骤一得到的图像块，对步骤二建立的网络的前五层进行训练，得到网络的权值，计算过程为：

3.1令第一层为可见层，第二层为隐藏层，输入训练样本x₁，学习率ε；初始化可见层单元v＝x₁，可见层和隐藏层之间的连接权重W₁、可见层的偏置c和隐藏层的偏置b为随机值，训练过程如下：

Err＝0；累计误差置0

For t＝1:m(m为训练次数)

For j＝1:k(k为图像块总个数)

计算隐藏层：

其中，隐藏层神经元的状态i为隐藏层神经元编号，σ为神经元结构函数；

根据隐藏层状态重构训练样本

P(v_ij＝1|h)＝σ((∑_kW^k*h^k)_ij+c) (2)

计算误差e＝P(v_ij＝1|h)-P(h_ij＝1|v)

更新参数：

W₁＝W₁(1+ε×e) (3)

b＝b(1+ε×e) (4)

c＝c(1+ε×e) (5)

end

若累积误差err小于规定值，则跳出循环，训练结束；

end

3.2对第二层的输出结果进行池化，池化公式为：

其中Max表示取括号里的最大值，i、j分别表示第三层的输出编号；

3.3令第三层为可见层，第四层为隐藏层，把第三层输出Y³＝{y³ ₁,…,y³ _i,…,y³ _k}作为训练样本，k为样本总个数；学习率ε；初始化可见层单元v＝y³ ₁，可见层和隐藏层之间的连接权重W₃、可见层的偏置c₃和隐藏层的偏置b₃为随机的较小数值，则训练过程与3.1一致；

3.4对第四层的输出结果进行池化，池化公式为：

其中Max表示取括号里的最大值，i、j分别表示第五层神经元的输出编号；

步骤四，对第5层与第六层的连接权值用BP算法进行调节，期望输出等于疵点类型对应的编码，计算过程为：

4.1前向计算，初始化连接权重W₅、偏置c₅为随机的较小数值，把步骤3.4得到的第五层输出作为输入，即X⁶＝Y⁵，得出第六层神经元的输出值Y⁶；计算公式为：

Y⁶＝F(X⁶·W₅)-c₅ (8)

4.2对输出层计算残差：

δ＝Y⁶-a (9)

其中，a为期望输出值；

4.3更新权值和偏置：

W₅＝W₅-F’(X⁶·W₅)δ (10)

c₅＝c₅-δ (11)

其中，F’表示函数F对连接权重W₅的一阶导数；

织物检测阶段有如下实现步骤：

步骤五，把待检测织物图像分割为M×N的图像块集合S＝{s₁,…,s_i,…,s_p}，p为待检测图像块总个数；

步骤六，把待检测图像块输入深度神经网络，得到对应的输出，无缺陷还是某种类型的缺陷，记录结果和对应的中心坐标；

步骤七，统计该检测图像中包含的所有图像块的检测结果，并据此给出该织物的质量等级，并显示缺陷的具体坐标位置。