CN107123107A - 基于神经网络深度学习的布匹缺陷检测方法 - Google Patents
基于神经网络深度学习的布匹缺陷检测方法 Download PDFInfo
- Publication number
- CN107123107A CN107123107A CN201710182718.0A CN201710182718A CN107123107A CN 107123107 A CN107123107 A CN 107123107A CN 201710182718 A CN201710182718 A CN 201710182718A CN 107123107 A CN107123107 A CN 107123107A
- Authority
- CN
- China
- Prior art keywords
- cloth
- image
- deep learning
- cloth defect
- neutral net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 81
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000007935 neutral effect Effects 0.000 title claims abstract description 18
- 238000007689 inspection Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000009021 linear effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000003705 background correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 7
- 240000001624 Espostoa lanata Species 0.000 abstract description 4
- 235000009161 Espostoa lanata Nutrition 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 abstract description 3
- 239000000428 dust Substances 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 208000028804 PERCHING syndrome Diseases 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009967 tasteless effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于神经网络深度学习的布匹缺陷检测方法,方法包括以下步骤:(1)高速线扫描成像;(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行准确检测;(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息,进行非线性系统地处理分类。本发明将图像矫正,拼接,去噪等算法在成像系统中用GPU实现,实现高速高质量的图像采集;通过改进的BP神经网络布匹缺陷检测算法对诸如灰尘,脏污,棉球,褶皱等干扰因素进行检测与排除;通过卷积神经网络的深度学习布匹缺陷分类算法,能够实现对多种缺陷的实时监测,该分类算法能出色地自动选取疵点多样的特征信息,进行非线性系统地处理分类。
Description
技术领域
本发明涉及缺陷检测的技术领域,尤其涉及到基于神经网络深度学习的布匹缺陷检测方法。
背景技术
纺织品生产过程中,布匹表面缺陷是影响布匹质量的关键因素。长期以来,布匹检测一般由人工完成。人工检测依赖验布人员的经验和熟练程度,评价标准不稳定也不一致,因而经常会产生误检和漏检,熟练的验布人员也只能发现约70%的疵点。另外,布匹缺陷检测对工人来说是一个繁重无味的体力劳动,且极大的伤害了验布工人的视力。所以采用机器视觉代替人工自动对布匹瑕疵进行识别,已经成为纺织业发展的必然趋势.
布匹质量检测虽然具有广阔的市场前景,但是由于布匹材质的特殊性,仍存在很多技术难点,譬如:
1、针对不同胚布有不同的成像标准。由于不同织布厂的坯布原料不同,所生产的坯布密度不同,坯布质量检测成像环节难以有量化的成像标准,包括光源强度,相机光圈大小,物距等参数都将是所研制检测装备调试过程中非常难以调节的参数。
2、缺陷种类众多,难以分辨。坯布缺陷有20多种,不同缺陷之间相似度高,即使是经验丰富的验布工也时常难以分辨。
3、缺陷成像影响因素太多。多数纺织厂生产条件较为恶劣,坯布表面不同程度的粘有脏污或棉球,这些物质在很大程度上会影响布匹缺陷检测算法的可靠性。同样的,部分坯布由于时间存放形成褶皱以及机床的震动也会影响算法的可靠性。
发明内容
本发明的目的在于克服现有技术的不足,提供人力成本低、能排除多种影响检测布匹缺陷的干扰因素、能对多种布匹缺陷进行分类并实时监测的基于神经网络深度学习的布匹缺陷检测方法。
为实现上述目的,本发明所提供的技术方案为:基于神经网络深度学习的布匹缺陷检测方法,其包括以下步骤:
(1)高速线扫描成像;
(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行准确检测;
(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息,进行非线性系统地处理分类。
进一步地,步骤(1)中,高速线扫描成像系统基于GPU+FPGA结构而搭建,在GPU中进行图像矫正、拼接以及去噪算法,实现单元图像的高速输出,并根据图像质量实现对曝光时间和行频的自动实时计算和设置。
进一步地,步骤(1)高速线扫描成像包括以下步骤:
1)FPGA控制线性CCD传感器采集布匹图像数据;
2)线性CCD传感器将采集到的布匹图像数据传输至模数转换器,使将模拟信号转换成数字信号,转换后的图像信号存放于片外SDRAM中;
3)GPU经过EMIF存储器形式完成对双口RAM内部图像快速读取操作,完成图像矫正、拼接以及去噪功能;
4)千兆以太网完成图像传输工作。
进一步地,图像矫正包括图像平场矫正和红外图像非线性畸变矫正;
图像平场矫正通过灰度变换法、基于照明—发射的同态滤波法、Retinex增强法以及梯度域增强方法实现;
红外图像非线性畸变矫正通过标定的模板法,先对摄像机进行标定,找到系统的畸变参数,然后利用标定的参数进行图像畸变的校正;
图像拼接包括图像预处理、图像配准、建立变换模型、统一坐标变换和融合重构。其中,通过基于兴趣点方向特征的图像拼接方法,通过Harris检测器提取出图像的兴趣点,采用兴趣点方向特征和相关窗的方法提取出初始匹配特征对,根据相邻特征点之间的关系剔除掉无配对的点,通过此模型来实现图像的配准。
进一步地,步骤(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行检测,该算法采用具有反对称的tanh(·)函数作为激活函数,公式为:
其中,设a=1.716和b=2/3,保证f′(0)≈0.5,且-1<x<1时,f(x)近似线性,从而加快学习速率,检测流程包括以下步骤:
1))对输入样本进行尺度规范,使其在整个网络层之间的输入规范统一,相应的误差运算更加准确,网络健壮性提高;
2))初始化权值:根据输入层和中间层的个数对输入层到中间层的权值和中间层到输出层的权值赋初值,对学习率λ、动量系数α、θ、ε和ρ赋初值;
3))输入规范后的样本,计算中间层输出和输出层输出;
4))计算误差,根据接收信号Tk,输出层输入Ok,中间层到输出层权值Vjk,中间层输出Hk,求出误差δk和δj:
δk=(Ok-Tk)*Ok*(1-OK)
5))根据误差按自适应调整算法调整权值;
6))判断样本是否学习完毕,如果是,计算总误差,否则返回到3));
7))根据总误差自适应调整权值,计算是否满足要求,如果满足,记录权值并结束学习,否则,返回到3))重新训练。
上述样本包括:缺陷布匹图像,无缺陷布匹图像和伪缺陷布匹图像三类。
进一步地,所述步骤1))规范化输入样本步骤如下:先找出样本空间的最大值ximax和最小值ximin,定义一个规范化区间[mmin,mmax],然后按以下公式对各个输入分量进行规范化处理,xi作为规范后的输入样本。
进一步地,所述步骤5))权值调整公式为:ω(m+1)=ω(m)+λ(1-a)Δωbp(m)+αΔω(m-1),式中,λ和α为单个的步长参数,λ为学习率,α为控制动量项的相对权值;
调整算法流程如下:平方误差因权值调整而增加,其增加超过给定范围,则权值调整取消,学习速度乘上一个因子ρ(0<ρ<1),同时把动量系数α=0;权值调整后平方误差减少,则接受权值调整,学习速度乘上一个因子θ(θ>1);调整的权值不超过给定范围,则接受权值调整,学习速度保持不变,如果α=0,则恢复为以前的值。
进一步地,所述对布匹缺陷进行准确检测的过程中,中间层节点数选取时,采用经验公式:其中n为输入层节点数,m为输出层节点数,a为1~10之间的整数。
进一步地,所述步骤(3)包括以下步骤:
(1使用多层卷积神经网络自动选取抽象高层布匹图像的特征向量;
(2利用Softmax分类器对提取到的抽象高层特征向量进行分类;
其中,步骤(2中Softmax分类过程包括训练过程和测试过程;
训练过程,利用训练好的卷积核,提取训练集的卷积特征;采用采样策略,对卷积后得到的特征图进行采样;将采样后的卷积特征串接在一起归一化后得到图像特征,并作为Softmax分类器的输入,用于训练Softmax分类器;
测试过程,利用基于多层神经网络学习到的抽象高层特征向量进行测试分类,得到最后的布匹缺陷分类结果。
与现有技术相比,本方案的原理以及相应的有益效果如下:
将图像矫正,拼接,去噪等算法在成像系统中用GPU实现,从而实现高速高质量的图像采集。
通过改进的BP神经网络布匹缺陷检测算法对诸如灰尘,脏污,棉球,褶皱等干扰因素进行检测与排除,使适合于生产环境恶劣,工况稳定性差的纺织工厂。
通过卷积神经网络的深度学习布匹缺陷分类算法,能够实现对多种缺陷的实时监测,该分类算法能出色地自动选取疵点多样的特征信息,进行非线性系统地处理分类。
附图说明
图1为线扫描成像系统结构图;
图2为检测算法流程图;
图3为缺陷检测流程图;
图4为多层卷积神经网络结构图;
图5为卷积策略模型图;
图6为采样策略模型图;
图7为布匹缺陷检测结果图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图1-6所示,本实施例所述的基于神经网络深度学习的布匹缺陷检测方法,包括以下步骤:
(1)高速线扫描成像;
高速线扫描成像系统基于GPU+FPGA结构而搭建,系统包括线型CCD传感器、FPGA、双口RAM、GPU、模数转换器以及多个存储装置,成像步骤如下:
1)FPGA控制线性CCD传感器采集布匹图像数据;
2)线性CCD传感器将采集到的布匹图像数据传输至模数转换器,使将模拟信号转换成数字信号,转换后的图像信号存放于片外SDRAM中;
3)GPU经过EMIF存储器形式完成对双口RAM内部图像快速读取操作,完成图像矫正、拼接以及去噪功能;
4)千兆以太网完成图像传输工作。
其中,上述图像矫正包括图像平场矫正和红外图像非线性畸变矫正;
图像平场矫正通过灰度变换法、基于照明—发射的同态滤波法、Retinex增强法以及梯度域增强方法实现;
红外图像非线性畸变矫正通过标定的模板法,先对摄像机进行标定,找到系统的畸变参数,然后利用标定的参数进行图像畸变的校正;
图像拼接包括图像预处理、图像配准、建立变换模型、统一坐标变换和融合重构。其中,通过基于兴趣点方向特征的图像拼接方法,通过Harris检测器提取出图像的兴趣点,采用兴趣点方向特征和相关窗的方法提取出初始匹配特征对,根据相邻特征点之间的关系剔除掉无配对的点,通过此模型来实现图像的配准。
(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行准确检测,该算法采用具有反对称的tanh(·)函数作为激活函数,公式为:
其中,设a=1.716和b=2/3,保证f′(0)≈0.5,且-1<x<1时,f(x)近似线性,从而加快学习速率,检测流程包括以下步骤:
1))对输入样本进行尺度规范,使其在整个网络层之间的输入规范统一,相应的误差运算更加准确,网络健壮性提高;规范化输入样本步骤如下:先找出样本空间的最大值ximax和最小值ximin,定义一个规范化区间[mmin,mmax],然后按以下公式对各个输入分量进行规范化处理,本实施例选规范区间为[-1,1],则xi作为规范后的输入样本。
2))初始化权值:根据输入层和中间层的个数对输入层到中间层的权值和中间层到输出层的权值赋初值,对学习率λ、动量系数α、θ、ε和ρ赋初值;
3))输入规范后的样本,计算中间层输出和输出层输出;
4))计算误差,根据接收信号Tk,输出层输入Ok,中间层到输出层权值Vjk,中间层输出Hk,求出误差δk和δj:
δk=(Ok-Tk)*Ok*(1-OK)
5))根据误差按自适应调整算法调整权值;
权值调整公式为:ω(m+1)=ω(m)+λ(1-a)Δωbp(m)+αΔω(m-1),式中,λ和α为单个的步长参数,λ为学习率,α为控制动量项的相对权值;
如果α=0,算法等同于标准反向传播;如果α较小,权值的变化与标准反向传播很接近,如果α较大,则变化将比较迟缓;如果α=1,反向传播算法所提出的变化将被忽略,且权值向量以恒定的速度变化。
调整算法流程如下:平方误差因权值调整而增加,其增加超过给定范围,则权值调整取消,学习速度乘上一个因子ρ(0<ρ<1),同时把动量系数α=0;权值调整后平方误差减少,则接受权值调整,学习速度乘上一个因子θ(θ>1);调整的权值不超过给定范围,则接受权值调整,学习速度保持不变,如果α=0,则恢复为以前的值。
6))判断样本是否学习完毕,如果是,计算总误差,否则返回到3));
7))根据总误差自适应调整权值,计算是否满足要求,如果满足,记录权值并结束学习,否则,返回到3))重新训练。
上述样本包括:缺陷布匹图像,无缺陷布匹图像和伪缺陷布匹图像三类。
对布匹缺陷进行准确检测的过程中,中间层节点数选取时,采用经验公式:其中n为输入层节点数,m为输出层节点数,a为1~10之间的整数。经测试表明,在判别网络中,n=8,m=1,a取1,则中间层节点数为4;在分类网络中,n=9,m=7,a取4,在中间层节点数为8,这样能达到很好效果。针对权值初始化,采用改进后在选取区间选取,在识别网络中,输入层到中间层权Wij∈(-0.3536,0.3536),中间层到输出层初始权值Vjk∈(-0.5,0.5)。
(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息,进行非线性系统地处理分类。
包括以下步骤:
(1使用多层卷积神经网络(CNN)自动选取抽象高层布匹图像的特征向量;
CNN中每一层由多个map组成,每个map由多个神经单元组成,同一map的所有神经单元共用一个卷积核(即权重),卷积核代表一个特征,CNN一般采用卷积层与采样层交替设置,即一层卷积层接一层采样层,采样层后接一层卷积...这样卷积层提取出特征,再进行组合形成更抽象的特征。
本实施例中,选取布匹缺陷图像是28*28大小,图4为设计的多层卷积神经网络整体结构,其中,CNN的初始化主要包括初始化卷积层和输出层的权重和偏置,而对卷积核和权重进行随机初始化,而对偏置进行全0初始化。具体步骤如下:
A.输入层:输入层不设置输入值,只设置一个输出向量,该向量的大小即图片大小,本发明规定为28*28矩阵;
B.卷积层:由于卷积层的每一个map都有一个大小相同的卷积核,而本发明采用2*2的卷积核。由图4可知,上一层的特征map大小为4*4,将该卷积在图片上滚一遍,得到一个(4-2+1)*(4-2+1)=3*3的特征map,卷积核每次移动一步。因此,卷积层的一个map与上层的所有map都关联,如图5的S2和C3,即C3共有6*12个卷积核。接着将卷积层的每一个特征map在前一层所有map上作卷积并将对应元素累加后再加一个偏置,最后由sigmoid激活函数得到输出。
C.采样层:采样层对上一层map进行采样处理,本发明的采样方式是对上一层map的相邻小区域进行聚合统计,规定区域大小为scale*scale。本发明采用2*2小区域的均值。由于卷积的计算窗口有重叠,而采用的计算窗口无重叠,在ToolBox中计算采样使用卷积(conv2(A,K,'valid'))来实现,由于卷积核是2*2,所以每个元素都是1/4,去掉计算得到的卷积结果中有重叠的部分,如图6所示.
D.输出层:输出层与最后的采样层S4全连接,提取布匹整体的特征信息,得到最终布匹图像的高层特征向量,用于后续的分类器的输入。
(2利用Softmax分类器对提取到的抽象高层特征向量进行分类;
Softmax分类过程包括训练过程和测试过程;
训练过程,利用训练好的卷积核,提取训练集的卷积特征;采用采样策略,对卷积后得到的特征图进行采样;将采样后的卷积特征串接在一起归一化后得到图像特征,并作为Softmax分类器的输入,用于训练Softmax分类器。训练模型的过程实质是一个不断优化模型参数的过程,训练目标是寻找到最优的模型参数,能够使代价函数的值最小,在布匹实际检测中,可在代价函数中添加一个权重衰减项,该权重衰减项可解决Softmax回归的"参数冗余"问题。
利用基于多层神经网络学习到的抽象高层特征向量进行测试分类,得到最后的布匹缺陷分类结果。
本实施例将图像矫正,拼接,去噪等算法在成像系统中用GPU实现,从而实现高速高质量的图像采集。通过改进的BP神经网络布匹缺陷检测算法对诸如灰尘,脏污,棉球,褶皱等干扰因素进行检测与排除,适合于生产环境恶劣,工况稳定性差的纺织工厂。通过卷积神经网络的深度学习布匹缺陷分类算法,能够实现对多种缺陷的实时监测,该分类算法能出色地自动选取疵点多样的特征信息,进行非线性系统地处理分类。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (10)
1.基于神经网络深度学习的布匹缺陷检测方法,其特征在于:包括以下步骤:
(1)高速线扫描成像;
(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行准确检测;
(3)通过卷积神经网络的深度学习布匹缺陷分类算法实现自动选取疵点多样的特征信息,进行非线性系统地处理分类。
2.根据权利要求1所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述步骤(1)中,高速线扫描成像系统基于GPU+FPGA结构而搭建,在GPU中实现图像矫正、拼接以及去噪算法。
3.根据权利要求2所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述步骤(1)高速线扫描成像包括以下步骤:
1)FPGA控制线性CCD传感器采集布匹图像数据;
2)线性CCD传感器将采集到的布匹图像数据传输至模数转换器,使将模拟信号转换成数字信号,转换后的图像信号存放于片外SDRAM中;
3)GPU经过EMIF存储器形式完成对双口RAM内部图像快速读取操作,完成图像矫正、拼接以及去噪功能;
4)千兆以太网完成图像传输工作。
4.根据权利要求3所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述图像矫正包括图像平场矫正和红外图像非线性畸变矫正;其中,所述图像平场矫正通过灰度变换法、基于照明—发射的同态滤波法、Retinex增强法以及梯度域增强方法实现;所述红外图像非线性畸变矫正通过标定的模板法,先对摄像机进行标定,找到系统的畸变参数,然后利用标定的参数进行图像畸变的校正;
所述图像拼接包括图像预处理、图像配准、建立变换模型、统一坐标变换和融合重构。
5.根据权利要求1所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述步骤(2)通过改进的BP神经网络布匹缺陷检测算法对布匹缺陷进行检测包括以下步骤:
1))规范化样本:输入层输入值范围在(-1,1)内;
2))初始化权值:根据输入层和中间层的个数对输入层到中间层的权值和中间层到输出层的权值赋初值,对学习率λ、动量系数α、θ、ε和ρ赋初值;
3))输入规范后的样本,计算中间层输出和输出层输出;
4))计算误差,根据接收信号Tk,输出层输入Ok,中间层到输出层权值Vjk,中间层输出Hk,求出误差δk和δj:
δk=(Ok-Tk)*Ok*(1-OK)
<mrow>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>k</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
5))根据误差按自适应调整算法调整权值;
6))判断样本是否学习完毕,如果是,计算总误差,否则返回到3));
7))根据总误差自适应调整权值,计算是否满足要求,如果满足,记录权值并结束学习,否则,返回到3))重新训练。
6.根据权利要求5所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述改进的BP神经网络布匹缺陷检测算法采用具有反对称的tanh(·)函数作为激活函数,公式为:
其中,设a=1.716和b=2/3,保证f′(0)≈0.5,且-1<x<1时,f(x)近似线性。
7.根据权利要求5所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述步骤1))规范化输入样本步骤如下:先找出样本空间的最大值ximax和最小值Ximin,定义一个规范化区间[mmin,mmax],然后按以下公式对各个输入分量进行规范化处理,
Xi作为规范后的输入样本。
8.根据权利要求5所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述步骤5))权值调整公式为:
ω(m+1)=ω(m)+λ(1-a)Δωbp(m)+αΔω(m-1),式中,λ和α为单个的步长参数,λ为学习率,α为控制动量项的相对权值;
调整算法流程如下:平方误差因权值调整而增加,其增加超过给定范围,则权值调整取消,学习速度乘上一个因子ρ(0<ρ<1),同时把动量系数α=0;权值调整后平方误差减少,则接受权值调整,学习速度乘上一个因子θ(θ>1);调整的权值不超过给定范围,则接受权值调整,学习速度保持不变,如果α=0,则恢复为以前的值。
9.根据权利要求5所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述对布匹缺陷进行准确检测的过程中,中间层节点数选取时,采用经验公式:其中n为输入层节点数,m为输出层节点数,a为1~10之间的整数。
10.根据权利要求1所述的基于神经网络深度学习的布匹缺陷检测方法,其特征在于:所述步骤(3)包括以下步骤:
(1使用多层卷积神经网络自动选取抽象高层布匹图像的特征向量;
(2利用Softmax分类器对提取到的抽象高层特征向量进行分类;
其中,步骤(2中Softmax分类过程包括训练过程和测试过程;
训练过程,利用训练好的卷积核,提取训练集的卷积特征;采用采样策略,对卷积后得到的特征图进行采样;将采样后的卷积特征串接在一起归一化后得到图像特征,并作为Softmax分类器的输入,用于训练Softmax分类器;
测试过程,利用基于多层神经网络学习到的抽象高层特征向量进行测试分类,得到最后的布匹缺陷分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710182718.0A CN107123107A (zh) | 2017-03-24 | 2017-03-24 | 基于神经网络深度学习的布匹缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710182718.0A CN107123107A (zh) | 2017-03-24 | 2017-03-24 | 基于神经网络深度学习的布匹缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107123107A true CN107123107A (zh) | 2017-09-01 |
Family
ID=59717334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710182718.0A Pending CN107123107A (zh) | 2017-03-24 | 2017-03-24 | 基于神经网络深度学习的布匹缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123107A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327021A (zh) * | 2016-08-31 | 2017-01-11 | 西安艾贝尔科技发展有限公司 | 一种基于在线模型预测的锅炉燃烧优化配风方法 |
CN108520114A (zh) * | 2018-03-21 | 2018-09-11 | 华中科技大学 | 一种纺织布疵点检测模型及其训练方法和应用 |
CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测系统和方法 |
CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
CN109816631A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 一种基于新代价函数的图像分割方法 |
CN109946303A (zh) * | 2017-12-21 | 2019-06-28 | 东友精细化工有限公司 | 检查装置和方法 |
CN110322437A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于自动编码器和bp神经网络的织物缺陷检测方法 |
CN110400268A (zh) * | 2019-07-02 | 2019-11-01 | 上海工程技术大学 | 一种非单一视角下织物图像修复系统及其方法 |
CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN110738225A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 图像识别方法及装置 |
CN110930379A (zh) * | 2019-11-18 | 2020-03-27 | 湖北工业大学 | 基于ddpg-ram算法的复杂光照条件下织物缺陷检测方法 |
CN111028204A (zh) * | 2019-11-19 | 2020-04-17 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN111210417A (zh) * | 2020-01-07 | 2020-05-29 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN111260614A (zh) * | 2020-01-13 | 2020-06-09 | 华南理工大学 | 一种基于极限学习机的卷积神经网络布匹瑕疵检测方法 |
CN111415333A (zh) * | 2020-03-05 | 2020-07-14 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像反对称生成分析模型训练方法和装置 |
WO2020147152A1 (zh) * | 2019-01-17 | 2020-07-23 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN113138198A (zh) * | 2021-04-27 | 2021-07-20 | 环旭(深圳)电子科创有限公司 | 电子元件的瑕疵影像生成系统及方法 |
CN116433664A (zh) * | 2023-06-13 | 2023-07-14 | 成都数之联科技股份有限公司 | 面板缺陷检测方法、装置、存储介质、设备及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN102854194A (zh) * | 2012-09-11 | 2013-01-02 | 中南大学 | 基于线阵ccd的物件表面缺陷检测方法及装置 |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
CN104268505A (zh) * | 2014-09-12 | 2015-01-07 | 河海大学常州校区 | 基于机器视觉的布匹疵点自动检测识别装置及方法 |
CN104809725A (zh) * | 2015-04-23 | 2015-07-29 | 广东工业大学 | 一种布匹缺陷视觉识别检测装置和方法 |
CN105678767A (zh) * | 2016-01-07 | 2016-06-15 | 无锡信捷电气股份有限公司 | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 |
-
2017
- 2017-03-24 CN CN201710182718.0A patent/CN107123107A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
CN102854194A (zh) * | 2012-09-11 | 2013-01-02 | 中南大学 | 基于线阵ccd的物件表面缺陷检测方法及装置 |
CN104268505A (zh) * | 2014-09-12 | 2015-01-07 | 河海大学常州校区 | 基于机器视觉的布匹疵点自动检测识别装置及方法 |
CN104809725A (zh) * | 2015-04-23 | 2015-07-29 | 广东工业大学 | 一种布匹缺陷视觉识别检测装置和方法 |
CN105678767A (zh) * | 2016-01-07 | 2016-06-15 | 无锡信捷电气股份有限公司 | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 |
Non-Patent Citations (5)
Title |
---|
周学伟: ""改进的BP神经网络算法在汽车发动机故障诊断中的应用"", 《电子技术与软件工程》 * |
徐姗姗等: ""基于卷积神经网络的木材缺陷识别"", 《山东大学学报(工学版)》 * |
杨慧等: ""基于自适应神经网络的飞机突发故障诊断研究"", 《计算机工程与设计》 * |
熊少康等: ""基于BP神经网络的车辆动态称重技术"", 《安徽工业大学学报(自然科学版)》 * |
程文博等: ""基于卷积神经网络的注塑制品短射缺陷识别"", 《塑料工业》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327021A (zh) * | 2016-08-31 | 2017-01-11 | 西安艾贝尔科技发展有限公司 | 一种基于在线模型预测的锅炉燃烧优化配风方法 |
CN109946303A (zh) * | 2017-12-21 | 2019-06-28 | 东友精细化工有限公司 | 检查装置和方法 |
CN108520114A (zh) * | 2018-03-21 | 2018-09-11 | 华中科技大学 | 一种纺织布疵点检测模型及其训练方法和应用 |
CN108520114B (zh) * | 2018-03-21 | 2020-05-19 | 华中科技大学 | 一种纺织布疵点检测模型及其训练方法和应用 |
CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测系统和方法 |
CN110738225A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 图像识别方法及装置 |
CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
CN109816631A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 一种基于新代价函数的图像分割方法 |
WO2020147152A1 (zh) * | 2019-01-17 | 2020-07-23 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
CN110322437A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于自动编码器和bp神经网络的织物缺陷检测方法 |
CN110322437B (zh) * | 2019-06-20 | 2021-10-15 | 浙江工业大学 | 一种基于自动编码器和bp神经网络的织物缺陷检测方法 |
CN110400268A (zh) * | 2019-07-02 | 2019-11-01 | 上海工程技术大学 | 一种非单一视角下织物图像修复系统及其方法 |
CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN110570393B (zh) * | 2019-07-31 | 2023-06-23 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
CN110570397B (zh) * | 2019-08-13 | 2020-12-04 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
CN110930379B (zh) * | 2019-11-18 | 2023-04-07 | 湖北工业大学 | 基于ddpg-ram算法的复杂光照条件下织物缺陷检测方法 |
CN110930379A (zh) * | 2019-11-18 | 2020-03-27 | 湖北工业大学 | 基于ddpg-ram算法的复杂光照条件下织物缺陷检测方法 |
CN111028204B (zh) * | 2019-11-19 | 2021-10-08 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
CN111028204A (zh) * | 2019-11-19 | 2020-04-17 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN111210417B (zh) * | 2020-01-07 | 2023-04-07 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN111210417A (zh) * | 2020-01-07 | 2020-05-29 | 创新奇智(北京)科技有限公司 | 基于卷积神经网络的布匹缺陷检测方法 |
CN111260614A (zh) * | 2020-01-13 | 2020-06-09 | 华南理工大学 | 一种基于极限学习机的卷积神经网络布匹瑕疵检测方法 |
CN111415333A (zh) * | 2020-03-05 | 2020-07-14 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像反对称生成分析模型训练方法和装置 |
CN111415333B (zh) * | 2020-03-05 | 2023-12-01 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像反对称生成分析模型训练方法和装置 |
CN113138198A (zh) * | 2021-04-27 | 2021-07-20 | 环旭(深圳)电子科创有限公司 | 电子元件的瑕疵影像生成系统及方法 |
CN116433664A (zh) * | 2023-06-13 | 2023-07-14 | 成都数之联科技股份有限公司 | 面板缺陷检测方法、装置、存储介质、设备及程序产品 |
CN116433664B (zh) * | 2023-06-13 | 2023-09-01 | 成都数之联科技股份有限公司 | 面板缺陷检测方法、装置、存储介质、设备及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123107A (zh) | 基于神经网络深度学习的布匹缺陷检测方法 | |
CN107437094B (zh) | 基于机器学习的木板分拣方法及系统 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN107369155A (zh) | 一种基于机器视觉的布匹表面疵点检测方法及其系统 | |
CN113505865B (zh) | 一种基于卷积神经网络的片材表面缺陷图像识别处理方法 | |
CN109461149A (zh) | 喷漆表面缺陷的智能检测系统及方法 | |
CN103235830A (zh) | 一种基于无人机电力巡线方法、装置及无人机 | |
CN108549910A (zh) | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN112446429A (zh) | 一种基于cgan的巡检图像数据小样本扩充方法 | |
CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
CN109060838B (zh) | 一种基于机器视觉的产品表面划痕检测方法 | |
CN110297401A (zh) | 极紫外光刻掩模多层膜相位型缺陷检测方法 | |
Nandi et al. | Machine vision based automatic fruit grading system using fuzzy algorithm | |
Javadikia et al. | Measuring the weight of egg with image processing and ANFIS model | |
CN108830831A (zh) | 一种基于改进surf匹配的锌浮选泡沫自然速度特征提取方法 | |
CN113902710A (zh) | 基于异常检测算法进行工业零件表面缺陷检测方法及系统 | |
JP7415286B2 (ja) | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 | |
CN113077450A (zh) | 基于深度卷积神经网络的樱桃分级检测方法及系统 | |
CN113065431A (zh) | 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法 | |
Vilcamiza et al. | A coffee bean classifier system by roast quality using convolutional neural networks and computer vision implemented in an NVIDIA Jetson Nano |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170901 |