CN110322437B - 一种基于自动编码器和bp神经网络的织物缺陷检测方法 - Google Patents
一种基于自动编码器和bp神经网络的织物缺陷检测方法 Download PDFInfo
- Publication number
- CN110322437B CN110322437B CN201910535049.XA CN201910535049A CN110322437B CN 110322437 B CN110322437 B CN 110322437B CN 201910535049 A CN201910535049 A CN 201910535049A CN 110322437 B CN110322437 B CN 110322437B
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- automatic encoder
- fabric
- detection method
- 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.)
- Active
Links
Images
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
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于自动编码器和BP神经网络的织物缺陷检测方法,在正常图像样本中加入预设比例的经疵和纬疵图像样本,创建自动编码器训练集后输入自动编码器模型,得到重构图像后分别与正常、经疵和纬疵图像样本作差,预处理作差图;创建BP神经网络模型,以处理得到的数据集作为训练集,得到BP神经网络模型,输入待测样本图像,将待测样本图像与重构图像作差,预处理后得到待测作差图像,输入BP神经网络检测并输出织物缺陷种类。本发明可以高效、准确进行织物缺陷检测,识别率高,满足工厂生产车间织物的检测要求;将被广泛应用、发展非常成熟、对图像处理非常高效的深度神经网络模型应用于织物缺陷检测中,提高织物的生产效率。
Description
技术领域
本发明涉及一般的图像数据处理或产生;图像分析的技术领域,特别涉及一种基于自动编码器和BP神经网络的织物缺陷检测方法。
背景技术
作为世界上最大的织物产出国,从西汉开始,丝绸等织物就成为了我国与外国贸易往来的重要组成部分,作为我国古代的标志贸易物品之一,丝绸的贸易也衍生出“海上丝绸之路”和“陆上丝绸之路”,成为了与外国交流的纽带和桥梁。
到了近现代,我国的丝绸制造业在世界范围内仍然处于领先地位,但是对织物花纹印染过程中出现的错印、漏印等情况,仍然主要采用人工检测的方法。在实际生产中,一个熟练的操作工平均每分钟能够检测长度为17米、宽度为1米左右的织物,长时间的人工肉眼识别,会导致员工视觉疲劳,甚至遗漏掉重要缺陷。显而易见地,传统的人工检测织物疵点花费时间长、成本高,导致企业在市场竞争中难以占据有利位置。
现有技术中,除了人工检测外,当然也出现了计算机检测织物缺陷的技术。当前织物缺陷检测主要有两种方法:(1)使用机器视觉和形态学算法对织物图像直接进行特征提取和图像分割;(2)通过神经网络对样本训练获取特征向量,再结合机器视觉进行图像分割提取缺陷部分;很多图像处理的技术被广泛运用到缺陷检测中来,如局部二值模式(localbinary pattern,LBP)、方向梯度直方图(histogram of oriented gradient,HOG),还有图像分割技术,如Sobel算子、Roberts算子、mean shift算法等。然而,由于使用纯图像处理算法,织物的检测时间要求长,对相机像素精度要求高,且由于织物花纹的变化,算法的检测特征提取需要人为进行复杂的操作改变。
发明内容
本发明解决了现有技术中,传统的人工检测织物疵点花费时间长、成本高,导致企业在市场竞争中难以占据有利位置,而计算机检测使用纯图像处理算法,织物的检测时间要求长,对相机像素精度要求高,算法的检测特征提取需要人为进行复杂的操作改变的问题,提供了一种优化的基于自动编码器和BP神经网络的织物缺陷检测方法。
本发明所采用的技术方案是,一种基于自动编码器和BP神经网络的织物缺陷检测方法,所述方法包括以下步骤:
步骤1:基于正常图像样本,在正常图像样本中加入预设比例的经疵图像样本和纬疵图像样本,创建自动编码器训练集;将训练集输入自动编码器模型;设置自动编码器参数;
步骤2:自动编码器输出重构图像;
步骤3:将正常图像样本、经疵图像样本和纬疵图像样本分别与重构图像作差;将作差图进行预处理;
步骤4:创建BP神经网络模型,以步骤3处理得到的数据集作为BP神经网络的训练集,设定BP神经网络参数,得到BP神经网络模型;
步骤5:输入待测样本图像,将待测样本图像与所述重构图像作差,进行与步骤3相同的预处理,得到待测作差图像,输入BP神经网络;
步骤6:输出织物缺陷种类。
优选地,所述步骤1中,自动编码器模型包括4层隐藏层。
优选地,所述隐藏层的维度分别为1500、500、200和50。
优选地,所述步骤1中,预设比例为2%~8%。
优选地,步骤1包括以下步骤:
步骤1.1:以sigmoid为自动编码器模型的隐层激活函数;
步骤1.2:令第一层的学习率为0.5,自动编码器去噪效果为0.5;
步骤1.3:令第二层学习率为0.5,自动编码器去噪效果为0.3;
步骤1.4:令第三层学习率为0.2,自动编码去噪效果为0.2;
步骤1.5:令第四层学习率为0.1,自动编码器去噪效果为0.3。
优选地,所述步骤3中,预处理包括以下步骤:
步骤3.1:对作差图二值化处理;
步骤3.2:对二值化的图进行去噪处理;
步骤3.3:得到预处理后的数据集。
优选地,所述步骤3.1中,所述二值化处理的阈值为0.12。
优选地,所述步骤3.2中,所述去噪处理的阈值为10。
优选地,设定最大训练次数2500次、目标误差为0.01、学习率为0.05。
本发明提供了一种优化的基于自动编码器和BP神经网络的织物缺陷检测方法,通过在正常图像样本中加入预设比例的经疵图像样本和纬疵图像样本,创建自动编码器训练集后输入自动编码器模型,设置参数;得到重构图像后分别与正常图像样本、经疵图像样本和纬疵图像样本作差,将作差图进行预处理;创建BP神经网络模型,以处理得到的数据集作为BP神经网络的训练集,设定BP神经网络参数,得到BP神经网络模型,输入待测样本图像,将待测样本图像与重构图像作差,预处理后得到待测作差图像,输入BP神经网络,检测并输出织物缺陷种类。
本发明可以高效、准确进行织物缺陷检测,解决传统使用数字图像处理的算法复杂度高、检测时间长的缺点,检测方法识别率高,满足工厂生产车间织物的检测要求;将被广泛应用于人脸识别、目标检测、缺陷检测等各个方面且发展非常成熟、对图像处理非常高效的深度神经网络模型应用于织物缺陷检测中,提高织物的生产效率。
附图说明
图1为本发明中基于自动编码器获得的重构图像;
图2自左至右为本发明中正常织物图像获得的重构图像、正常图像和缺陷图像;
图3自左至右为本发明中纬疵织物图像获得的重构图像、正常图像和缺陷图像;
图4自左至右为本发明中经疵织物图像获得的重构图像、正常图像和缺陷图像。
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
本发明涉及一种基于自动编码器和BP神经网络的织物缺陷检测方法,所述方法包括以下步骤。
步骤1:基于正常图像样本,在正常图像样本中加入预设比例的经疵图像样本和纬疵图像样本,创建自动编码器训练集;将训练集输入自动编码器模型;设置自动编码器参数。
所述步骤1中,自动编码器模型包括4层隐藏层。
所述隐藏层的维度分别为1500、500、200和50。
所述步骤1中,预设比例为2%~8%。
步骤1包括以下步骤:
步骤1.1:以sigmoid为自动编码器模型的隐层激活函数;
步骤1.2:令第一层的学习率为0.5,自动编码器去噪效果为0.5;
步骤1.3:令第二层学习率为0.5,自动编码器去噪效果为0.3;
步骤1.4:令第三层学习率为0.2,自动编码去噪效果为0.2;
步骤1.5:令第四层学习率为0.1,自动编码器去噪效果为0.3。
本发明中,自动编码器主要是对图像进行重新编码和解码,从而重构图像、提取图像特征的一种神经网络。为了增强训练样本的特征提取、提高重构模式的鲁棒性和纯度,需要在训练样本中加入一定比例的缺陷样本。纯净的训练样本X加入一定比例的缺陷样本,经过自动编码器编码过程得到Y,再进入解码阶段得到重构矩阵Z,由于自动编码器是对输入数据的隐含特征的提取,所以X和Z具有相同的维度。
本发明中,训练集样本像素可以依据需求自行设置,如64*64,则输入层维度为4096。
本发明中,隐藏层的维度可以依据需求自行设置。
本发明中,预设比例可以依据需求自行设置,如3%。
本发明中,调整参数包括学习率和自动编码器去噪效果可以依据需求自行设置,本实施例中公开为多次实验后的最佳初始参数;正常情况下,每次学习的学习率是自适应的,如matlab等工具中的函数自带参数调整,甚至只需要输入初始值即可。
步骤2:自动编码器输出重构图像。
本发明中,重建后的图像具有很强的特征提取能力,将检测到的图像与重构后的图像进行作差,得到有缺陷的图像,并将缺陷图像设置为一定的阈值进行二值化去噪模糊过程,进一步提取缺陷的形状和轮廓,保存为训练集。
步骤3:将正常图像样本、经疵图像样本和纬疵图像样本分别与重构图像作差;将作差图进行预处理。
所述步骤3中,预处理包括以下步骤:
步骤3.1:对作差图二值化处理;
所述步骤3.1中,所述二值化处理的阈值为0.12。
步骤3.2:对二值化的图进行去噪处理;
所述步骤3.2中,所述去噪处理的阈值为10。
步骤3.3:得到预处理后的数据集。
本发明中,为了避免二值化后的失真,故对作差图的二值化设置阈值为0.12,即是指在灰度图像中像素点高于0.12*255的则设为1,低于0.12*255的则设为0,进而生成二值化图像。
本发明中,同理,为了避免去噪不完整,进一步提取缺陷的形状和轮廓,设置去噪阈值,当去噪处理的阈值为10时,将噪声点小于10的全部过滤掉。
本发明中,本领域技术人员可以依据实际的需求设置二值化处理的阈值和去噪处理的阈值。
步骤4:创建BP神经网络模型,以步骤3处理得到的数据集作为BP神经网络的训练集,设定BP神经网络参数,得到BP神经网络模型。
设定最大训练次数2500次、目标误差为0.01、学习率为0.05。
本发明中,一般情况下,BP神经网络的参数和自动编码器参数一样,设置初始参数后,就可以自适应,在训练过程中自动调整,本领域技术人员可以依据需求自行设置需要的数值。
步骤5:输入待测样本图像,将待测样本图像与所述重构图像作差,进行与步骤3相同的预处理,得到待测作差图像,输入BP神经网络。
本发明中,在检测织物时,首先将待测图像和重构图像作差,获得缺陷图像,在将缺陷图像使用BP神经网络判断缺陷种类。
步骤6:输出织物缺陷种类。
本发明通过在正常图像样本中加入预设比例的经疵图像样本和纬疵图像样本,创建自动编码器训练集后输入自动编码器模型,设置参数;得到重构图像后分别与正常图像样本、经疵图像样本和纬疵图像样本作差,将作差图进行预处理;创建BP神经网络模型,以处理得到的数据集作为BP神经网络的训练集,设定BP神经网络参数,得到BP神经网络模型,输入待测样本图像,将待测样本图像与重构图像作差,预处理后得到待测作差图像,输入BP神经网络,检测并输出织物缺陷种类。
本发明可以高效、准确进行织物缺陷检测,解决传统使用数字图像处理的算法复杂度高、检测时间长的缺点,检测方法识别率高,满足工厂生产车间织物的检测要求;将被广泛应用于人脸识别、目标检测、缺陷检测等各个方面且发展非常成熟、对图像处理非常高效的深度神经网络模型应用于织物缺陷检测中,提高织物的生产效率。
Claims (10)
1.一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述方法包括以下步骤:
步骤1:基于正常图像样本,在正常图像样本中加入预设比例的经疵图像样本和纬疵图像样本,创建自动编码器训练集;将训练集输入自动编码器模型;设置自动编码器参数;
步骤2:自动编码器输出重构图像;
步骤3:将正常图像样本、经疵图像样本和纬疵图像样本分别与重构图像作差;将作差图进行预处理;
步骤4:创建BP神经网络模型,以步骤3处理得到的数据集作为BP神经网络的训练集,设定BP神经网络参数,得到BP神经网络模型;
步骤5:输入待测样本图像,将待测样本图像与所述重构图像作差,进行与步骤3相同的预处理,得到待测作差图像,输入BP神经网络;
步骤6:输出织物缺陷种类。
2.根据权利要求1所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述步骤1中,自动编码器模型包括4层隐藏层。
3.根据权利要求2所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述隐藏层的维度分别为1500、500、200和50。
4.根据权利要求1所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述步骤1中,预设比例为2%~8%。
5.根据权利要求2所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:步骤1包括以下步骤:
步骤1.1:以sigmoid为自动编码器模型的隐层激活函数;
步骤1.2:令第一层的学习率为0.5,自动编码器去噪效果为0.5;
步骤1.3:令第二层学习率为0.5,自动编码器去噪效果为0.3;
步骤1.4:令第三层学习率为0.2,自动编码去噪效果为0.2;
步骤1.5:令第四层学习率为0.1,自动编码器去噪效果为0.3。
6.根据权利要求1所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述步骤3中,预处理包括以下步骤:
步骤3.1:对作差图二值化处理;
步骤3.2:对二值化的图进行去噪处理;
步骤3.3:得到预处理后的数据集。
7.根据权利要求6所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述步骤3.1中,所述二值化处理的阈值为0.12。
8.根据权利要求6所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:所述步骤3.2中,所述去噪处理的阈值为10。
10.根据权利要求9所述的一种基于自动编码器和BP神经网络的织物缺陷检测方法,其特征在于:设定最大训练次数2500次、目标误差为0.01、学习率为0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535049.XA CN110322437B (zh) | 2019-06-20 | 2019-06-20 | 一种基于自动编码器和bp神经网络的织物缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535049.XA CN110322437B (zh) | 2019-06-20 | 2019-06-20 | 一种基于自动编码器和bp神经网络的织物缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322437A CN110322437A (zh) | 2019-10-11 |
CN110322437B true CN110322437B (zh) | 2021-10-15 |
Family
ID=68119933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910535049.XA Active CN110322437B (zh) | 2019-06-20 | 2019-06-20 | 一种基于自动编码器和bp神经网络的织物缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322437B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252701B (zh) * | 2021-07-02 | 2021-10-26 | 湖南大学 | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN109635946A (zh) * | 2018-11-29 | 2019-04-16 | 华南理工大学 | 一种联合深度神经网络和成对约束的聚类方法 |
CN109740687A (zh) * | 2019-01-09 | 2019-05-10 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
CN109858488A (zh) * | 2018-12-28 | 2019-06-07 | 众安信息技术服务有限公司 | 一种基于样本增强的手写样本识别方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
-
2019
- 2019-06-20 CN CN201910535049.XA patent/CN110322437B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN109635946A (zh) * | 2018-11-29 | 2019-04-16 | 华南理工大学 | 一种联合深度神经网络和成对约束的聚类方法 |
CN109858488A (zh) * | 2018-12-28 | 2019-06-07 | 众安信息技术服务有限公司 | 一种基于样本增强的手写样本识别方法与系统 |
CN109740687A (zh) * | 2019-01-09 | 2019-05-10 | 北京工业大学 | 一种基于dlae的发酵过程故障监测方法 |
Non-Patent Citations (4)
Title |
---|
Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model;Shuang Mei等;《sensors》;20180402;第1-18页 * |
Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks;Xian Tao;《applied science》;20180906;第1-15页 * |
基于AutoEncoder的BP神经网络改进;李森林;《中国科技论文在线》;20131120;第1-6页 * |
基于自编码器图像重构的织物瑕疵检测算法;欧庆芳 等;《计算机与现代化》;20190429(第1期);第27-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110322437A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
WO2023070911A1 (zh) | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 | |
Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
CN109829891B (zh) | 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN111402197B (zh) | 一种针对色织物裁片缺陷区域的检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN108364281B (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN112837295A (zh) | 一种基于生成对抗网络的橡胶手套缺陷检测方法 | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
CN105261003A (zh) | 一种基于织物自身结构进行疵点检测的方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN110084246A (zh) | 一种色织物疵点自动识别方法 | |
CN110473184A (zh) | 一种pcb板缺陷检测方法 | |
CN108389216A (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |