CN110827260B - 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 - Google Patents
一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 Download PDFInfo
- Publication number
- CN110827260B CN110827260B CN201911068094.5A CN201911068094A CN110827260B CN 110827260 B CN110827260 B CN 110827260B CN 201911068094 A CN201911068094 A CN 201911068094A CN 110827260 B CN110827260 B CN 110827260B
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- cloth
- neural network
- lbp
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 60
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000001580 bacterial effect Effects 0.000 claims abstract description 4
- 241000894006 Bacteria Species 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000013145 classification model Methods 0.000 abstract 1
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000004438 eyesight Effects 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002244 magnetosome Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
发明公开了一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，属于缺陷分类方法，该方法将采集的样本图像随机按比例划分为训练集和验证集和测试集，分别进行图像预处理，然后对利用卷积神经模型自动提取样本图像中最优的特征向量与图像所计算的LBP特征向量进行权重融合，为支持向量机分类模型提供最终的支持向量，支持向量机利用带精英策略的趋磁细菌算法优化模型中的超参数，考虑了图像的LBP特征，提取完之后，仅需进行对卷积神经网络自动提取出的特征向量的权重添加即可，明显减少布匹背景的干扰，本发明对于布匹的花色没有要求，可以用于解决不同花色和单色的布匹缺陷检测问题，具有算法实现简单，并且分类的准确率高，运行效率高。
Description
技术领域
本发明涉及缺陷分类方法，尤其涉及一种基于LBP特征与卷积神经网络的布匹缺陷分类方法。
背景技术
人工智能是国家战略性新兴产业。随着制造产业信息建设的不断完善，且产业布局较为完整，且纺织工业是我国传统的轻工业支柱产业，然而纺织品的最终的定级取决于布匹的质量。布匹疵点检验是纺织行业生产和质量管理的重要环节，而布匹疵点智能检测是困扰行业多年的技术瓶颈。目前几乎都是人工检测，易受主观因素影响，缺乏一致性；并且检测人员在强光下长时间工作对视力影响极大。借助人工智能和计算机视觉等先进技术，实现布匹疵点智能检测，其价值无疑是巨大的。
布匹缺陷检测的核心在于布匹缺陷的特征提取算法，目前，对于布匹缺陷检测算法主要分为如下几类：统计法、频谱分析、模型构建法和机器学习方法。传统的检测算法的检测效率以及检测准确率均不高，且在复杂的背景、光照不均匀的条件下，传统的检测算法误检率和漏检率高。
发明内容
为了解决现有布匹缺陷检测方法的不足，进一步提高检测的准确率和减少算法运行时间，本发明提出了一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，包括步骤如下：
S1:采集多张布匹样本图像；
S2:将多张布匹样本图像，划分为正常图像类、扎洞图像类和浆斑图像类，再将所述多张布匹样本图像以8:1:1的比例分为训练集，验证集和测试集；
S3:将所采集的所有的布匹样本图像进行预处理；
S4:搭建卷积神经网络模型，利用卷积神经网络自主提取学习样本的最优特征，将卷积神经网络的输出特征图扁平化，依次生成所述训练集，验证集和测试集中每张图像对应的特征Ⅰ，并分别进行保存；
S5:依次提取训练集，验证集和测试集的LBP特征值，分别构造所述训练集，验证集和测试集中每张图像所对应的特征Ⅱ，并分别进行保存；
S6:依次将所述训练集，验证集和测试集中每张图像所对应的特征Ⅰ和特征Ⅱ进行特征融合，生成特征向量，并分别保存；
S7:利用训练集的特征向量对支持向量机进行模型训练，利用带精英策略的趋磁细菌算法优化支持向量机的超参数，并输出最优的超参数所对应的支持向量机的损失曲线Ⅰ；
S8:将验证集的特征向量输入支持向量机中，输出的损失曲线Ⅱ,依据损失曲线Ⅰ和损失曲线Ⅱ，输出支持向量机模型分数，设定判定阈值，阈值大小为0.02，当分数小于判定阈值，则进行S9，当分数大于判定阈值，则进行S7；
S9:将测试集的特征向量输入已调优的支持向量机中，输出测试布匹缺陷最大的概率对应的类型作为分类结果。
进一步地，所述的图像预处理包括对所述多个布匹样本图像依次进行图像增强，图像分割以及图像去噪处理。
进一步地：所述图像增强处理是利用直方图均衡化算子，将布匹样本图像的像素值重新分配，使亮度分布均匀，提高图像对比度；所述图像分割处理是利用基于特征点的分水岭算法将布匹样本图像的缺陷区域与背景进行区分；所述图像去噪是利用高斯滤波消除布匹样本图像噪声点。
进一步地，所述的卷积神经网络，包括4个卷积层，2个池化层和1个扁平层。
进一步地，所述LBP特征值是将一张布匹样本图像划分会若干个子区域，利用LBP算子计算每个子区域的LBP值，组成图像的LBP特征向量。
进一步地，所述特征融合是以最优权重组合特征Ⅰ和特征Ⅱ，最优权重的依据所述带精英策略的趋磁细菌算法优化迭代产生。
进一步地，所述带精英策略的趋磁细菌算法包括磁性小体生成算子，磁性小体磁矩调节算子和磁性小体替换算子。
进一步地，所述支持向量机的超参数包括特征Ⅰ的权重值、特征Ⅱ的权重值、模型的惩罚系数和模型的核参数。
由于采用了上述技术方案，本发明提供的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，主要解决布匹缺陷检测问题，对于布匹的花色没有要求，可以用于解决不同花色和单色的布匹缺陷检测问题，在特征提取上可以给LBP值和卷积神经网络的输出的主要特征赋予最优的权值，进而对布匹缺陷特征进行比较完整的提取，该方法还将LBP算子和卷积神经网络结合对特征进行提取，将特征进行添加权重融合，以最优的特征向量表征布匹缺陷，利用支持向量机进行缺陷分类，并且该方法增加带精英策略的趋磁细菌算法对模型的超参数进行优化，以训练出最优的模型，通过利用深度学习和机器学习的方法实现了布匹缺陷的检测，具有算法实现简单，并且缺陷检测准确高，算法运行效率高，由于考虑了图像的LBP特征，提取完之后，仅需进行对卷积神经网络自动提取出的特征向量的权重添加即可，明显减少布匹背景的干扰，利用支持向量机对布匹缺陷进行分类，以高效且目的准确的方法得到最终的分类结果；本发明通过聚焦布匹疵点智能检测，研究开发高效可靠的计算机视觉算法，提升布匹疵点检验的准确度，降低对大量人工的依赖，提升布样疵点质检的效果和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的缺陷分类方法流程图；
图2为缺陷分类的步骤流程图；
图3为卷积神经网络模型结构图；
图4为卷积神经网络模型三维结构图；
图5为LBP特征提取流程图；
图6为带精英策略的趋磁细菌算法流程图；
图7为支持向量机模型结构图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
本发明的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，图1为本发明的缺陷分类方法流程图，图2为缺陷分类的步骤流程图，具体实施步骤如下：
步骤1：采集多张布匹样本图像；
步骤2：为支持向量机模型最后能将缺陷分类，划分为正常图像类、扎洞图像类和浆斑图像类三个文件夹，存储图像名和所对应的数字0-3；标签类型为：正常为数字0，扎洞为数字1，浆斑为数字3，并以8:1:1的比例随机划分为训练集，验证集和测试集，并进行保存；由训练集、测试集和验证集组成的数据集Ⅰ，将数据集Ⅰ进行备份，生成数据集Ⅱ；
步骤3：将所有样本图像进行预处理；
该步骤的具体实施过程如下：
(1)图像增强处理：
对数据集Ⅱ的所有布匹样本图像利用直方图均衡化算子进行直方图归一化处理，提高图像的对比度；
(2)图像分割处理：
图像分割算法采用基于特征点的分水岭算法，利用特征点引导算法进行分割，防止过分割，通过标记前景的特征点，计算lobrcbr区域的极大值，标记缺陷的的特征点，计算lobrcbr区域的极小值，对标记的背景进行分水岭变换，生成分界线，得到分割结果；
(3)图像去噪处理，将所有数据集Ⅱ的布匹样本图像进行高斯滤波，其函数为：
式中，x,y表示图像的像素点坐标，σ表示标准差。
步骤4：搭建卷积神经网络模型，图3为卷积神经网络模型结构图；利用卷积神经网络自主提取学习样本的最优特征，将卷积神经网络的输出特征图扁平化，依次生成所在训练集、测试集和验证集中每张图像所对应的特征Ⅰ，并分别保存，所述的卷积神经网络，包括4个卷积层，2个池化层和1个扁平层，其具体实施过程如下：
第一层为卷积层，网络输入的原始图像的压缩图像，其尺寸为28*28*1，卷积核尺寸为3*3，深度为32，激活函数是RELU。
第二层为卷积层，网络输入的特征图尺寸为28*28*32，卷积核尺寸为3*3，深度为64，激活函数是RELU。
第三层为池化层，采用最大池化算子，网络输入的特征图尺寸为28*28*64，过滤器尺寸为2*2。
第四层为卷积层，网络输入的特征图尺寸为14*14*64，卷积核尺寸为3*3，深度为128，激活函数为RELU。
第五层为卷积层，网络输入的特征图尺寸为14*14*128，卷积核尺寸为3*3，深度为192，激活函数为RELU。
第六层为池化层，采用最大池化算子，网络输入的特征图尺寸为7*7*192，过滤器尺寸为2*2。
第七层为扁平层，输出为9408个参数的特征向量，也称为特征Ⅰ。
(1)网络各层的深度，图4为卷积神经网络模型三维结构图，使用的RELU作为激活函数，其函数为：
式中，x′表示激活函数的输入值。
步骤5：依次提取训练集，验证集和测试集的LBP特征值，所述LBP特征值是将一张布匹样本图像划分会若干个子区域，利用LBP算子计算每个子区域的LBP值，组成图像的LBP特征向量，图5为LBP特征提取流程图；依次分别构造所在训练集，验证集和测试集中每张图像所对应的特征Ⅱ，并分别保存，其具体实施方式如下：
(1)遍历数据集Ⅱ的所有已经预处理的图像，将检测图像的划分为n*n个子区域窗口，其中n为邻域半径；
(2)对于每个子区域的每一个像素点与子区域对应的中心像素点的灰度值进行比较，若周围的像素值大于中心像素值，则将该像素位置标记为1，反之为0。最终每个子区域将生成m个二进制数，将二进制数转成十进制的LBP值，由此生成检测图像的LBP特征值向量，其函数为：
式中，(xc,yc)表示n×n邻域的中心元素，其像素值为ic，ip表示邻域内其他元素像素值。
步骤6：依次将训练集、验证集和测试集所对应的特征Ⅰ和特征Ⅱ进行特征融合，生成特征向量，并分别保存，该步骤的具体实施过程为：
(1)权重初始化：将特征Ⅰ和特征Ⅱ进行加权融合，设置特征Ⅰ的权重w1和特征Ⅱ的权重w2，并在(0,1)范围内进行随机初始化，其函数表示为：
X＝w1×X1+w2×X2 (4)
式中，X表示特征向量，X1表示特征Ⅰ，X2表示特征Ⅱ。
(2)权重优化：采用带精英策略的趋磁细菌算法，图6为带精英策略的趋磁细菌算法流程图，对模型的超参数进行迭代优化训练，基于验证集和训练集的loss曲线，进行调整模型的超参数，从而得到最优的参数。
支持向量机模型超参数包括权重w1、w2、支持向量机的惩罚系数C以及高斯径向基的核参数σ。
进一步地，所述特征融合是以最优权重组合特征Ⅰ和特征Ⅱ，最优权重的依据所述带精英策略的趋磁细菌算法优化迭代产生；
步骤7：利用训练集的特征向量对支持向量机进行模型训练，利用带精英策略的趋磁细菌算法优化支持向量机模型的超参数，并输出最优的超参数所对应的支持向量机的损失曲线Ⅰ，其具体实施过程如下：
(1)随机初始化参数w1、w2、惩罚系数C以及核参数σ，获取趋磁细菌算法的细胞群。
(2)计算细胞间的距离矩阵，其函数为：
式中，Xi，Xr表示随机选取的细胞，dik＝xij-xrj，其中
Xi＝(xi1,xi2,…,xij,…,xiL)，Xr＝(xr1,xr2,…,xrj,…,xrL)
(3)计算细胞的相互作用能，采用磁性小体生成算子，产生细胞力矩，其函数为：
υij(t)＝xij(t)+mij(t)·rand (6)
式中，xij(t)表示第i个个体中的第j个变量，mij(t)表示磁矩，rand表示(0-1)之间的均匀分布的随机数。
(4)磁性小体磁矩调节，并计算适应度，其函数为：
式中，Vbest(t)表示当代最优个体的磁矩，Vi(t)表示目标个体的磁矩，Pm表示为磁场强度概率。
(5)磁性小体替换，替换适应度不高的细胞，其函数为：
Xi(t+1)＝mpq(t)η(η-β) (8)
式中，mpq(t)为随机选择的第p个个体磁矩第q个分量，η，β为随机产生的每个分量都(0-1)之间的L维向量。
进一步地，所述带精英策略的趋磁细菌算法包括磁性小体生成算子，磁性小体磁矩调节算子和磁性小体替换算子。
采用支持向量机作为模型的分类器，图7为支持向量机模型结构图，利用3个支持向量机进行一对一组合，该方法将某一类样本作为正样本，另外一类样本作为负样本，构建第一个分类器，然后以第一类样本为正样本，第三类样本为负样本，构建第二个分类器，最后以第二样本为正样本，第三样本为负样本，构建第三个分类器。
步骤8：将验证集的特征向量输入支持向量机中，输出的损失曲线Ⅱ,依据损失曲线Ⅰ和损失曲线Ⅱ，输出支持向量机模型分数，设定判定阈值，所述判定阈值大小为0.02，当分数小于判定阈值，则进行步骤9，当分数大于判定阈值，则进行步骤7；
步骤9：将测试集的特征向量输入已调优的支持向量机中，输出测试布匹缺陷最大的概率对应的类型作为分类结果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征在于，包括步骤如下：
S1:采集多张布匹样本图像；
S2:将多张布匹样本图像，划分为正常图像类、扎洞图像类和浆斑图像类，再将所述多张布匹样本图像以8:1:1的比例分为训练集，验证集和测试集；
S3:将采集的所有布匹样本图像进行预处理；
S4:搭建卷积神经网络模型，利用卷积神经网络自主提取学习样本的最优特征，将卷积神经网络的输出特征图扁平化，依次生成所述训练集，验证集和测试集中每张图像对应的特征Ⅰ，并分别进行保存；
S5:依次提取训练集，验证集和测试集的LBP特征值，分别构造所述训练集，验证集和测试集中每张图像所对应的特征Ⅱ，并分别进行保存；
S6:依次将所述训练集，验证集和测试集中每张图像所对应的特征Ⅰ和特征Ⅱ进行特征融合，生成特征向量，并分别保存；
S7:利用训练集的特征向量对支持向量机进行模型训练，利用带精英策略的趋磁细菌算法优化支持向量机的超参数，并输出最优的超参数所对应的支持向量机的损失曲线Ⅰ；
S8:将验证集的特征向量输入支持向量机中，输出的损失曲线Ⅱ,依据损失曲线Ⅰ和损失曲线Ⅱ，输出支持向量机模型分数，设定判定阈值，当分数小于判定阈值，则进行S9，当分数大于判定阈值，则进行S7；
S9:将测试集的特征向量输入已调优的支持向量机中，输出测试布匹缺陷最大的概率对应的类型作为分类结果。
2.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于：所述图像预处理包括对所述多个布匹样本图像依次进行图像增强，图像分割以及图像去噪处理。
3.根据权利要求2所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于：所述图像增强处理是利用直方图均衡化算子，将布匹样本图像的像素值重新分配；所述图像分割处理是利用基于特征点的分水岭算法将布匹样本图像的缺陷区域与背景进行区分；所述图像去噪是利用高斯滤波消除布匹样本图像噪声点。
4.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述的卷积神经网络，包括4个卷积层，2个池化层和1个扁平层。
5.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述LBP特征值是将一张布匹样本图像划分会若干个子区域，利用LBP算子计算每个子区域的LBP值，组成图像的LBP特征向量。
6.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述特征融合是以最优权重组合特征Ⅰ和特征Ⅱ，最优权重依据所述带精英策略的趋磁细菌算法优化迭代产生。
7.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述带精英策略的趋磁细菌算法包括磁性小体生成算子。
8.根据权利要求1所述的一种基于LBP特征与卷积神经网络的布匹缺陷分类方法，其特征还在于，所述支持向量机的超参数包括特征Ⅰ的权重值、特征Ⅱ的权重值、模型的惩罚系数和模型的核参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911068094.5A CN110827260B (zh) | 2019-11-04 | 2019-11-04 | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911068094.5A CN110827260B (zh) | 2019-11-04 | 2019-11-04 | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110827260A CN110827260A (zh) | 2020-02-21 |
| CN110827260B true CN110827260B (zh) | 2023-04-21 |
Family
ID=69552794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911068094.5A Active CN110827260B (zh) | 2019-11-04 | 2019-11-04 | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110827260B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340783A (zh) * | 2020-02-27 | 2020-06-26 | 创新奇智(广州)科技有限公司 | 一种实时布匹缺陷检测方法 |
| CN111444974A (zh) * | 2020-04-02 | 2020-07-24 | 成都三零凯天通信实业有限公司 | 一种基于零样本识别的服装分类方法 |
| CN111507990B (zh) * | 2020-04-20 | 2022-02-11 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
| CN111507972A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 |
| CN111929327A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院（江苏）有限公司 | 布匹缺陷检测方法和装置 |
| CN112766176B (zh) * | 2021-01-21 | 2023-12-01 | 深圳市安软科技股份有限公司 | 轻量化卷积神经网络的训练方法及人脸属性识别方法 |
| CN113408651B (zh) * | 2021-07-12 | 2024-01-23 | 厦门大学 | 基于局部判别性增强的无监督三维物体分类方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
| CN107145842A (zh) * | 2017-04-19 | 2017-09-08 | 西安电子科技大学 | 结合lbp特征图与卷积神经网络的人脸识别方法 |
| CN107609704A (zh) * | 2017-09-18 | 2018-01-19 | 燕山大学 | 基于轮廓主成分分析特征提取的二维轮廓排样方法 |
| CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
| CN108629338A (zh) * | 2018-06-14 | 2018-10-09 | 五邑大学 | 一种基于lbp和卷积神经网络的人脸美丽预测方法 |
| CN109543899A (zh) * | 2018-11-20 | 2019-03-29 | 燕山大学 | 基于深度学习的二维轮廓排样定序方法 |
| CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
-
2019
- 2019-11-04 CN CN201911068094.5A patent/CN110827260B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
| CN107145842A (zh) * | 2017-04-19 | 2017-09-08 | 西安电子科技大学 | 结合lbp特征图与卷积神经网络的人脸识别方法 |
| CN107609704A (zh) * | 2017-09-18 | 2018-01-19 | 燕山大学 | 基于轮廓主成分分析特征提取的二维轮廓排样方法 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
| CN108629338A (zh) * | 2018-06-14 | 2018-10-09 | 五邑大学 | 一种基于lbp和卷积神经网络的人脸美丽预测方法 |
| CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
| CN109543899A (zh) * | 2018-11-20 | 2019-03-29 | 燕山大学 | 基于深度学习的二维轮廓排样定序方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王志勇 ; 郭保苏 ; 冯东海 ; 师磊 ; .磨粒流抛光工艺中的磨料模糊优选模型.制造技术与机床.2018,(第01期),全文. * |
| 郭保苏 ; 吴文文 ; 付强 ; 吴凤和.基于支持向量机分类策略的多晶硅电池片色差检测.计量学报.2019,第40卷(第006期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110827260A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
| CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
| CN107341499B (zh) | 一种基于无监督分割和elm的织物缺陷检测和分类方法 | |
| CN107316294B (zh) | 一种基于改进的深度玻尔兹曼机肺结节特征提取方法 | |
| CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
| CN112070158B (zh) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 | |
| CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
| CN110363253A (zh) | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 | |
| CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
| CN105005765A (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
| CN112052772A (zh) | 一种人脸遮挡检测算法 | |
| CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN111401145A (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
| Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
| CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
| CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
| CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
| WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
| CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
| CN113762265A (zh) | 肺炎的分类分割方法及系统 | |
| CN105809200A (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
| CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 |
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 |