CN107169956A

CN107169956A - 基于卷积神经网络的色织物疵点检测方法

Info

Publication number: CN107169956A
Application number: CN201710290830.6A
Authority: CN
Inventors: 景军锋; 董阿梅; 李鹏飞; 张蕾; 张宏伟
Original assignee: Xian Polytechnic University
Current assignee: Xi'an Huode Image Technology Co ltd
Priority date: 2017-04-28
Filing date: 2017-04-28
Publication date: 2017-09-15
Anticipated expiration: 2037-04-28
Also published as: CN107169956B

Abstract

本发明的公开了一种基于卷积神经网络的色织物疵点检测方法，本发明中使用的方法总共分为两个阶段：训练阶段和检测阶段。训练阶段是首先建立色织物疵点图像库，对图像进行预处理，削弱噪声和图像纹理的影响，再将图像及图像标签打包起来，然后建立建立基于AlexNet卷积神经网络的色织物疵点检测模型，包括图像卷积，池化，批归一化，全连接等一系列操作，提取出图像中疵点特征，改进网络模型的卷积核数目，层数，网络结构等，使得所建的卷积神经网络模型对测试图片预测的准确率进一步提高。使用深度学习的方法，建立卷积神经网络模型对色织物图像疵点进行检测，与传统方法相比，检测结果更加准确，可以更高效的实现色织物疵点的检测。

Description

基于卷积神经网络的色织物疵点检测方法

技术领域

本发明属于深度学习与机器视觉技术领域，涉及一种基于卷积神经网络的色织物疵点检测方法。

背景技术

我国是纺织品生产和出口的大国，随着科学技术的发展和进步，纺织行业在繁荣发展的同时也面临着激烈的竞争，提高纺织品的质量是提高我国纺织行业竞争力的关键因素。有瑕疵的纺织品会影响销售，浪费大量的人力物力，所以能够及早将疵点检测出来有助于提高产品质量，增强生产过程中的工作效率。但是目前疵点检测都是有人工来完成，容易受到人主观因素的干扰，检测效率低，投入资金大并且长时间连续工作对工人的视力有很大伤害。所以研究出一种能够自动完成疵点检测的方法是很有意义的。

目前用于色织物疵点检测的方法可以分为三类，基于统计学的方法，基于频域的谱的方法和基于模型的方法。其中，基于统计学的方法是把待分类的色织物图像划分成具有不同特征的不同区，也就是将无疵点区域和疵点区域在某一项特征上面具有显著差别。提取图像特征也就是色织物的纹理特征，使用数学方法如分形锥、双阈值、灰度统计、形态学处理、边缘分类、互相关、灰度共生矩阵、局部线性变换和神经网络等方法。

许多低阶灰度统计方法(如边缘分类)由于其复杂的灰度变换过程而破坏了疵点。基于频域的谱方法相对于统计学的方法更具有鲁棒性和有效性。均匀的纹理图像按照一定的基本规律重复排列而构成。色织物中的基本纹理基元(如色织物组织)高度的周期性与谱特性相一致，可以用谱方法来分类色织物疵点。谱方法主要有傅里叶变换、Gabor变换法和小波变换法。

纹理通常被看作物体表面的花纹或线条，并且能被随机的或者确定的模型定义。然而实际的色织物纹理常常是由随机的和确定的成分组合而成。实际色织物纹理能被随机过程建模，疵点分类问题能被看作来源于这个模型的统计假设检验问题，基于模型的方法尤其适用与灰度统计方法和谱方法都难以处理的表面特征呈随机变化趋势的色织物图像。基于模型的方法主要包括高斯-马尔科夫随机场模型、泊松模型和基于模型的聚类等。

传统的疵点检测算法难以具有广泛的适用性，但是在太阳能电池板、木材缺陷、射线图像缺陷上已经有了研究，得到了良好的检测效果。图像卷积基本思想就是通过卷积操作，对图像特征进行提取，而卷积神经网络是通过第一个卷积层提取出图像边缘特征，并且在第二层卷积中进行图像特征融合，学习到图像局部特征，同理，后面的卷积层都是对前面卷积层的特征融合，直到最终得出疵点特征。卷积神经网络的训练过程就类似于人的学习过程，在对大量样本进行训练的过程中，不断学习，样本越多，学到的“知识”也就越多，建立的神经网络模型也就越准确。Sergey Ioffe和Christian Szegedy提出batchnormalization来提高网络训练速度，简化训练过程。基于卷积神经网络的色织物疵点检测方法与其他方法相比，能够更加智能的学习出疵点特征，不是单纯地使用图像处理和数学知识进行机械的疵点分割，具有更大的适用范围。

发明内容

本发明的目的是提供一种基于卷积神经网络的色织物疵点检测方法，解决了现有传统人工色织物疵点检测存在的检测效率低、易受主观因素的影响以及耗费人力物力的问题。

本发明基于卷积神经网络的色织物疵点检测方法，包括以下步骤：

步骤1，建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集；

步骤2，建立基于AlexNet卷积神经网络的色织物疵点检测模型

建立AlexNet的卷积神经网络模型，该模型由五个卷积层、三个全连接层构成，最后使用softmax分类器分类；

步骤3，利用步骤1建立的标准Mnist格式的数据集对步骤2中建立的基于AlexNet卷积神经网络的色织物疵点检测模型进行学习和训练，最终完成对色织物疵点的检测。

本发明的特点还在于，

步骤1中建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集的具体步骤为：

步骤1.1，色织物图像的选取

选取疵点图像和无疵点图像两类色织物图像，色织物图像的格式均为PNG格式，大小均为256×256像素，分辨率为200dpi的彩色图像；

步骤1.2，建立色织物图库

步骤1.2.1，新建两个文件夹，分别用来存放训练集图像和测试集图像，并对这两个文件夹命名；

步骤1.2.2，在训练集图像文件夹中建立存放疵点图像和存放无疵点图像的文件夹，随机选择步骤1.1中的疵点图像和无疵点图像分别存入这两个文件夹；在测试集图像文件夹中建立存放疵点图像和存放无疵点图像的文件夹，随机选择步骤1.1中的疵点图像和无疵点图像分别存入这两个文件夹；

步骤1.2.3，疵点图像和无疵点图像中的图像路径及标签保存

疵点图像和无疵点图像中的图像路径及标签保存为“XXX/X/X,X”格式，其中前三个X是训练集或测试集的文件夹名称，第四个X表示训练集或测试集的文件夹下图像所属子文件夹的名称，第五个表示图像名称，最后一个X表示图像标签；

步骤1.3，对色织物图像进行灰度化和低通滤波的预处理

读取步骤1.2中训练集文件夹中的图像和测试集文件夹中的图像，选用低通滤波大小为7*7的滤波器对读取的图像进行灰度化和低通滤波的预处理，将图像大小从256*256转换成为224*224；

步骤1.4，标准Mnist数据集格式的疵点数据集构建

使用numpy中的dstack函数将步骤1.3处理后的单通道图像转换为三通道图像，具体为将图像用三维数组[图像的宽，图像的高，图像通道数]的形式表示，并将其存放进图像数组，最后把图像数组和标签数组使用pickle.dump函数“打包”成Mnist数据集格式。

步骤2中的五个卷积层包括第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5，三个全连接层分别为第六全连接层Fc6、第七全连接层Fc7和第八全连接层Fc8，并且第一卷积层至第五卷积层直接依次级联，第六全连接层至第八全连接层直接依次级联，第六全连接层直接连接到第五卷积层上，其中第一卷积层至第五卷积层为特征提取层，第六全连接层至第八全连接层为特征融合层和分类层。

其中，第一卷积层、第二卷积层和第五卷积层进行卷积操作后依次进行Relu、归一化BN和池化Pool操作，第三卷积层和第四卷积层进行卷积操作后进行Rule操作，第六全连接层和第七全连接层依次进行Dropout和Rule操作，第八全连接层进行Rule操作后进行softmax操作。

其中，池化Pool操作采用max pooling方式，具体步骤为设置3*3大小的感受野，设置步长为2，在输入特征图像上以不重叠的方式遍历，得到与输入图像的3*3大小的感受野对应的每个输出的值。

其中，归一化BN操作使用的公式为：

引入可学习参数γ、β，当

时，可恢复本层原来学习的特征。

其中，Rule操作采用的激活函数为：f(x)＝max(0,x)

其中，第八全连接层softmax分类器的节点数目为2，分别对应有疵点和无疵点两类输出结果。

本发明的有益效果在于：

1.本发明提出了基于卷积神经网络的色织物疵点检测方法，该方法建立卷积神经网络，使用大量图像疵点样本进行训练，在图像中学习和提取出色织物疵点的特征。

2.本发明在卷积神经网络训练过程中实现权重，准确率，损失函数，网络结构等的可视化，以便更加直观地看出在网络模型训练过程中各个网络层的变化情况。

3.本发明将建立好的色织物图像疵点检测网络模型用来进行疵点检测速度快且准确率高，可以达到95％以上。

附图说明

图1是本发明基于卷积神经网络的色织物疵点检测方法的实施方式中的使用的部分色织物图像；

图2是本发明基于卷积神经网络的色织物疵点检测方法中标准Mnist数据集格式的疵点数据集的构建流程图；

图3是本发明基于卷积神经网络的色织物疵点检测方法步骤2中基于AlexNet卷积神经网络的色织物疵点检测模型的结构图；

图4是本发明基于卷积神经网络的色织物疵点检测方法的实施方式中卷积过程的示意图；

图5是本发明基于卷积神经网络的色织物疵点检测方法的实施方式中池化过程的示意图；

图6是本发明基于卷积神经网络的色织物疵点检测方法的实施方式中卷积神经网络模型训练结果图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明中的一些术语解释如下：

网络层数：卷积神经网络通过卷积操作来提取图像特征，第一个卷积层提取出的是图像边缘的细节特征，随着卷积层数的增加，特征之间不断融合，可以提取出图像的整体的特征图，卷积层数越多，学习到的图像特征就越准确，越全面。但是并不是卷积层层数越多越好，网络层数的增加会导致计算机计算量的增加，程序运行效率变慢。除此之外，卷积神经网络还包含池化层，全连接层和dropout层。池化层是用来给减少数据量的有效操作，并且不会丢失有用的图像特征信息。全连接层是对图像整体特征的融合。当训练样本比较少的时候，模型很容易出现过拟合现象。Dropout是为减少过拟合而生的，其思想就是是输入神经元随机失活，权值变成0，从而使特征能够随机组合起来，而不是在所有特征检测器共同作用下进一步提取特征，这样神经网络性能便得到了提高。

卷积核数：在图像处理中，卷积是一种类似于滤波的操作。每一个卷积核对应着对图像一种特征的提取，图1表示在图像上的w1,w2两个卷积核。卷积核的数目越多，提取出来的图像特征也就越多。每个卷积核都会生成一个对应的另一幅特征图像。这些特征图像可以看做是同一个图像的不同通道。

卷积核大小：输入图像大小为256*256像素，卷积核设置过大可能会把疵点信息遗漏，卷积核设置过小又会导致方法运算效率低，所以一个大小合适的卷积核需要兼顾这两方面因素。

本发明基于卷积神经网络的色织物疵点检测方法，可以对于图像疵点进行智能化的、高准确率的瑕疵检测。

具体按照以下步骤实施：

步骤1，建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集的具体步骤为：

步骤1.1，色织物图像的选取

选取疵点图像和无疵点图像两类色织物图像，色织物图像的格式均为PNG格式，大小均为256×256像素，分辨率为200dpi的彩色图像，本发明基于卷积神经网络的色织物疵点检测方法的实施方式中的使用的部分色织物图像，如图1所示；

步骤1.2，建立色织物图库

步骤1.2.1，新建两个文件夹，分别用来存放训练集图像和测试集图像，并对这两个文件夹命名，将训练集图像文件夹命名为train data，将测试集图像文件夹命名为testdata；

步骤1.2.2，在训练集图像文件夹中建立存放疵点图像和存放无疵点图像的文件夹，其中，无疵点图像文件夹命名为0，疵点图像文件夹命名为1，随机选择步骤1.1中的疵点图像和无疵点图像分别存入这两个文件夹；在测试集图像文件夹中建立存放疵点图像和存放无疵点图像的文件夹，其中，无疵点图像文件夹命名为0，疵点图像文件夹命名为1，随机选择步骤1.1中的疵点图像和无疵点图像分别存入这两个文件夹；由于本发明所使用图库中有3个不同的数据集，包含疵点图像和无疵点图像两类，随机选择疵点图像和无疵点图像分别存入训练集和测试集，在数据集1中，分别有疵点图像130张和无疵点图像146张，traindata文件夹中分别存放80张含疵点的图像和130张无疵点的图像，test data文件夹中分别存放50张含疵点图像和18张无疵点图像，最后，将训练集和测试集的图像路径和图像对应标签的格式分别依次写进训练图像和测试图像对应的文本文件，为了便于区分，可以将其命名为train.txt和test.txt；

步骤1.2.3，疵点图像和无疵点图像中的图像路径及标签保存

疵点图像和无疵点图像中的图像路径及标签保存为“XXX/X/X,X”格式，其中前三个X是训练集或测试集的文件夹名称，第四个X表示训练集或测试集的文件夹下图像所属子文件夹的名称，第五个表示图像名称，最后一个X表示图像标签，有疵点则为1，无疵点为0，图像路径及其对应标签保存格式示意为:train_data/0/Image 003.bmp 0；

步骤1.3，对色织物图像进行灰度化和低通滤波的预处理

首先，打开步骤1中写好的train.txt文本文件和test.txt文本文件，依次读取文本文件的每一行，并将图像路径和图像标签分离出来，然后将得到的每一个图像标签写入label数组，再根据图像路径打开指定图像文件，进行读取图像，选用低通滤波大小为7*7的滤波器对读取的图像进行灰度化和低通滤波的预处理，将图像大小从256*256转换成为224*224；

步骤1.4，标准Mnist数据集格式的疵点数据集构建

本发明基于卷积神经网络的色织物疵点检测方法中标准Mnist数据集格式的疵点数据集的构建流程图，如图2所示，TFlearn中，卷积函数conv_2d输入参数是4_d tensor,[batch,image_height,image_width,in_channels]，但是在Python中预处理图像之后图像变成灰度图像，是用二维数组表示的，属于单通道图像。这时就用到了单通道图像转化为三通道图像；

步骤2，建立基于AlexNet卷积神经网络的色织物疵点检测模型

其中的五个卷积层包括第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5，三个全连接层分别为第六全连接层Fc6、第七全连接层Fc7和第八全连接层Fc8，并且第一卷积层至第五卷积层直接依次级联，第六全连接层至第八全连接层直接依次级联，第六全连接层直接连接到第五卷积层上，其中第一卷积层至第五卷积层为特征提取层，第六全连接层至第八全连接层为特征融合层和分类层；

第一卷积层、第二卷积层和第五卷积层进行卷积操作后依次进行Relu、归一化BN和池化Pool操作，第三卷积层和第四卷积层进行卷积操作后进行Rule操作，第六全连接层和第七全连接层依次进行Dropout和Rule操作，第八全连接层进行Rule操作后进行softmax操作。

池化Pool操作采用max pooling方式，具体步骤为设置3*3大小的感受野，设置步长为2，在输入特征图像上以不重叠的方式遍历，得到与输入图像的3*3大小的感受野对应的每个输出的值。

归一化BN操作使用的公式为：

引入可学习参数γ、β，当

时，可恢复本层原来学习的特征。

Rule操作采用的激活函数为：f(x)＝max(0,x)。

第八全连接层softmax分类器的节点数目为2，分别对应有疵点和无疵点两类输出结果。

本发明基于卷积神经网络的色织物疵点检测方法步骤2中基于AlexNet卷积神经网络的色织物疵点检测模型的结构图，如图3所示，本发明基于卷积神经网络的色织物疵点检测方法实施方式中的卷积过程的示意图，如图4所示，本发明基于卷积神经网络的色织物疵点检测方法实施方式中的池化过程的示意图，如图5所示。

具体工作流程如下：

其中卷积神经网络模型参数如下表，

Conv1层：第一个卷积层的输入是大小为227*227*3的原图像，采用大小为11*11*3的卷积核，共96个，步长设置为4。卷积操作结果可以得到96个大小为55*55*3的特征图像，即通过卷积操作提取出了原图中的96个特征，在原图上做卷积就是把利用卷积核在图像上面遍历，提取全图中的边缘信息，第一个卷积层的作用就是得到图像最细节的特征。在这一层中，输入神经元的个数为227*227*3＝154587个，这96个卷积核的权值使用权值共享的方式，大大减少了计算量，权值参数总共(11*11+1)*96*3＝35136个，这比不使用权值共享能大大减少参数计算量。Conv1层中使用的激活函数为relu函数，它收敛速度快，没有饱和区，而且计算简单，效果优于sigmiod函数。卷积出来的结果乘以其对应的可训练权值，再加上可训练偏置向量，就是Conv1层的输出。

Pool1层：pool1层的输入为第一个卷积层conv1的输出。池化过程作用是减少数据计算量，提高计算效率。为了不丢失疵点信息，池化层采用max_pooling的方式。输入为96个大小为55*55*3的特征图像，取3*3大小的感受野，步长设置为2，不重叠的在输入特征图像上面遍历，特征图中的每个单元与conv1层输出中相对应特征图的3*3感受野相连接，每个3*3的感受野互相不重叠，得到((55-3)/2+1)＝27，所以输出为96个大小为27*27的特征图像。

BN1层：batch normalization(BN)解决的是在训练过程中，数据的分布改变情况。它的原理就是在网络上一层输入下一层之前，对输出进行归一化处理，使均值为0，方差为1。归一化使用的公式：

同时Batch normalization1层为了不破坏本层学习到的特征，使用了变换重构，引入可学习参数γ、β：

每一个神经元x_(k)都会有一对这样的参数γ、β。当：

时，可以恢复本层原来学习到的特征。BN方法的流程是：

输入：Values of x over a mini-batch:Β＝{x_1...m}，可学习参数γ、β

输出：{y_i＝BN_γ,β(x_i)}

得到以下数据：

1.训练样本均值：

2.训练样本方差：

3.归一化：

4.结果：

Batch_normalization1层的输入为pool1层的输出。对pool1层输出的96个大小为27*27的特征图像进行归一化，并与可学习参数γ、β计算。

Conv2层：第二个卷积层输入的特征图像为BN1层的输出，conv2中使用256个5*5大小的过滤器filter对96*27*27个特征图，进行进一步提取特征，但是处理的方式和conv1不同，过滤器是对96个特征图中的某几个特征图中相应的区域乘以相应的权重，然后加上偏置之后所得到区域进行卷积，比如过滤器中的一个点X11，如X11*new_X11，需要和96个特征图中的1，2，7特征图中的X11，new_X11＝1_X_11*1_W_11+2_X_11*2_W_11+7_X_11*7_W_11+Bias，经过这样卷积之后，然后在在加上宽度高度两边都填充2像素，会得到一个新的256个特征图。特征图的大小为：((27+2*2-5)/1+1)＝27，也就是会有256个27*27大小的特征图。卷积采用大小为5*5的256个卷积核，设置步长为1，卷积操作可以得到256个特征图像，神经元数目为27*27*256＝186642个。

Pool2层：pool2层输入为conv2层输出的特征图像，同pool1层中的操作一样，设置3*3大小的感受野，设置步长为2，在输入特征图像上以不重叠的方式遍历，所以每个输出的值都对应着输入图像的3*3大小的感受野，得到(27-3)/2+1＝1，池化之后的结果就是输出256个13*13大小的特征图像。

BN2层：BN2层的输入是pool2层输出的256个13*13的特征图像，同BN1层一样，BN2层的作用也是对输入特征图像做归一化和运算，加快网络训练速度，最终BN2层的输出形式是256个13*13大小的特征图像。

Conv3层：Conv3层的层输入是Norm2层输出的256个13*13的特征图像，第三个卷积层和前两个卷积层不同，没有进行池化和局部响应归一化，它使用384个3*3大小的卷积核，设置步长为1，分别用这384个卷积核在每个输入特征图像上面遍历，提取特征，得到(13+2*1-3)/1+1＝13，conv3层的输出结果是384个13*13大小的特征图像。

Conv4层：Conv4层的输入是Conv3层输出的384个大小的特征图像，同第三个卷积层一样，Conv4层没有进行池化和局部响应归一化，它使用384个3*3大小的卷积核，设置步长为1，分别用这384个卷积核在每个输入特征图像上面遍历，提取特征，得到(13+2*1-3)/1+1＝13，conv3层的输出结果是384个13*13大小的特征图像。

Conv5层：Conv5层的输入是Conv4层输出的384个13*13大小的特征图像，第五个卷积层不同于第三、四个卷积层，Conv5层进行了池化但没有局部响应归一化。它使用256个3*3大小的卷积核，设置步长为1，分别用这256个卷积核在输入特征图像上面遍历，提取特征，得到256个13*13个特征图像。

Pool5层：Pool5层的输入是Conv5层输出的256个13*13大小的特征图像，同pool1和pool2层一样，设置3*3大小的感受野，设置步长为2，在输入特征图像上以不重叠的方式遍历，所以每个输出的值都对应着输入图像的3*3大小的感受野，得到256个((13-3)/2+1)＝6，池化之后的结果就是输出256个6*6大小的特征图像。

BN5层：为了网络计算的快速性和参数调整的简化，在第五个卷积层后面也要进行batch normalization。BN5层的输入是pool5层输出的256个6*6大小的特征图像，最终BN5层的输出形式是经过局部响应归一化的256个6*6大小的特征图像。

Fc6层：图像往往以像素矩阵的形式作为原始输入，在卷积神经网络中第一层的学习功能通常是检测特定方向和形状的边缘的存在与否，以及这些边缘在图像中的位置。第二个卷积层往往会检测多种边缘的特定布局，同时忽略边缘位置的微小变化。第三个卷积层可以把特定的边缘布局组合成为实际物体的某个部分。后续的层次将会把这些部分组合起来，实现物体的识别，这往往通过全连接层来完成。对于深度学习而言，这些特征和层次并不需要通过人工设计，它们都可以通过通用的学习过程得到。本发明中，第六层是全连接层，全接连是指每个输入的神经元都与上一层输出的神经元相连接，将卷积层产生的特征图像映射成一个固定长度的特征向量，得到固定长度的特征向量进行分类。在全连接层，以第四层卷积和第三层max-pooling的输出作为全连接层的输入，这样可以学习到局部的和全局的特征，这里使用4096个神经元。对输入的256个大小为6*6特征图像，进行一个全连接，也就是将6*6大小的特征图像，进行卷积变为一个特征点。然后对于4096个神经元中的一个点，是由256个特征图中某些个特征图卷积之后得到的特征点乘以相应的权重之后，再加上一个偏置得到。通常为了计算的优化等缘故，维度一般取2的指数。本发明中，取2¹²＝4096。

Dropout6层：Dropout的提出是为了神经网络训练过程中的过拟合，与一般线性模型使用正则的策略来防止模型的过拟合不同，神经网络通过改变网络结构来防止网络过拟合，对于某一层神经元，通过定义一定的比例来随机使一部分神经元失活，使他们在前向传播和反向传播的过程中不再起作用，然后神经网络的优化方法更新参数，在下一个训练过程中，再随机使一部分神经元失活，进行迭代，知道训练过程结束。对于每一次迭代，使用的网络结构都不同，这样训练出来的网络模型能够适应各种不同的输入，模型的泛化能力得到了提高。Dropout6层的输入是Fc6层输出的4096个神经元节点，输出的也是4096个神经元节点，此时虽然输入输出神经元节点数相同，不同的是部分神经元节点已经失活。

Fc7层：与Fc6层类似，输入是4096个神经元节点，输出的也是4096个神经元节点。

Dropout7层：与Dropout6层类似，输入4096个神经元节点，随机是部分节点失活，输出也是4096个神经元节点。

Fc8层:采用的是1000个神经元，它的输入是Fc7中输出4096个神经元，对输入进行全连接，输出4096个神经元节点。

Softmax层：softmax是分类层，输出预测结果的概率值，有几类，输出几个节点，每个节点对应该类别的概率。本层节点的数目为2，对应着2类输出结果，有疵点和无疵点。

步骤3，利用步骤1建立的标准Mnist数据集对步骤2中建立的基于AlexNet卷积神经网络的色织物疵点检测模型进行学习和训练，最终完成对色织物疵点的检测，利用构建好的分类模型，每一次训练，以步骤1中构建的数据集中的训练集随机选取十分之一作为验证集，剩下的图像作为模型输入，对权重进行随机初始化，在模型中训练，然后计算损失和优化并更新权值参数，在验证集上经过多次迭代，直到验证集准确率基本不再上升停止训练，最后，将训练好的检测模型保存好以便下面测试模型时调用。为了验证模型性能，将数据集中的测试集作为模型输入进行验证，得出检测结果，统计出检测准确率。

本发明基于卷积神经网络的色织物疵点检测方法的实施方式中卷积神经网络模型训练结果图如图6所示，部分色织物疵点检测结果如下表。

本发明针对传统的人工疵点检测耗费大量人力物力财力且效率低的问题，提出了基于深度学习的色织物疵点检测方法。深度学习的模型主要有深度置信网络(DBN)和卷积神经网络(CNN)两种，其中DBN是无监督的深度学习模型，CNN是有监督的深度学习模型。本文采用有监督的深度学习方法，搭建基于CNN的模型。本发明中使用的方法总共分为两个阶段：训练阶段和检测阶段。训练阶段是首先建立色织物疵点图像库，对图像进行预处理，削弱噪声和图像纹理的影响，再将图像及图像标签打包起来，然后建立基于AlexNet的神经网络模型，包括图像卷积，池化，批归一化，全连接等一系列操作，提取出图像中疵点特征，改进网络模型的卷积核数目，层数，网络结构等，使得所建的卷积神经网络模型对测试图片预测的准确率进一步提高。使用深度学习的方法，建立卷积神经网络模型对色织物图像疵点进行检测，与传统方法相比，检测方法更加智能，检测结果更加准确，可以更高效的实现色织物疵点的检测。

Claims

1.基于卷积神经网络的色织物疵点检测方法，其特征在于，具体按照以下步骤实施：

步骤2，建立基于AlexNet卷积神经网络的色织物疵点检测模型

2.根据权利要求1所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述步骤1中建立用于训练基于AlexNet卷积神经网络的色织物疵点检测模型的标准Mnist格式的数据集的具体步骤为：

步骤1.1，色织物图像的选取

步骤1.2，建立色织物图库

步骤1.2.1，新建两个文件夹，分别用来存放训练集图像和测试集图像；

步骤1.2.3，疵点图像和无疵点图像中的图像路径及标签保存

步骤1.3，对色织物图像进行灰度化和低通滤波的预处理

步骤1.4，标准Mnist数据集格式的疵点数据集构建

3.根据权利要求1所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述步骤2中的五个卷积层包括第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4和第五卷积层Conv5，三个全连接层分别为第六全连接层Fc6、第七全连接层Fc7和第八全连接层Fc8，并且第一卷积层至第五卷积层直接依次级联，第六全连接层至第八全连接层直接依次级联，第六全连接层直接连接到第五卷积层上，其中第一卷积层至第五卷积层为特征提取层，第六全连接层至第八全连接层为特征融合层和分类层。

4.根据权利要求3所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述第一卷积层、第二卷积层和第五卷积层均进行卷积操作后依次进行Relu、归一化BN和池化Pool操作，第三卷积层和第四卷积层均进行卷积操作后再进行Rule操作，第六全连接层和第七全连接层依次进行了Dropout和Rule操作，第八全连接层进行Rule操作后进行softmax操作。

5.根据权利要求4所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述池化Pool操作采用max pooling方式，具体步骤为设置3*3大小的感受野，设置步长为2，在输入特征图像上以不重叠的方式遍历，得到与输入图像的3*3大小的感受野对应的每个输出的值。

6.根据权利要求4所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述归一化BN操作使用的公式为：

引入可学习参数γ、β，当

<mrow> <msup> <mi>&gamma;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <msqrt> <mrow> <mi>V</mi> <mi>a</mi> <mi>r</mi> <mo>&lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msup> <mo>&rsqb;</mo> </mrow> </msqrt> <mo>,</mo> <msup> <mi>&beta;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>E</mi> <mo>&lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msup> <mo>&rsqb;</mo> </mrow>

时，可恢复本层原来学习的特征。

7.根据权利要求4所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述Rule操作采用的激活函数为：f(x)＝max(0,x)。

8.根据权利要求4所述的基于卷积神经网络的色织物疵点检测方法，其特征在于，所述第八全连接层softmax分类器的节点数目为2，分别对应有疵点和无疵点两类输出结果。