CN111652870B - 一种布匹缺陷检测方法、装置、存储介质及电子设备 - Google Patents
一种布匹缺陷检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111652870B CN111652870B CN202010492104.4A CN202010492104A CN111652870B CN 111652870 B CN111652870 B CN 111652870B CN 202010492104 A CN202010492104 A CN 202010492104A CN 111652870 B CN111652870 B CN 111652870B
- Authority
- CN
- China
- Prior art keywords
- layer
- cloth
- defect detection
- convolution
- detection model
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- 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
-
- 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
- G06T2207/20081—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
- G06T2207/30—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
本发明提供了一种布匹缺陷检测方法、装置、存储介质及电子设备,其中,一种布匹缺陷检测方法包括将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;由布匹缺陷检测模型对待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,分类识别为对待检测布匹图像中所存在的缺陷按照预设分类进行识别。即本发明将深度卷积神经网络应用在复杂花色的布匹的缺陷检测,可以有效且可靠的完成对复杂花色的布匹缺陷检测。
Description
技术领域
本发明涉及一种图像识别技术领域,尤其涉及一种布匹缺陷检测方法、装置、存储介质及电子设备。
背景技术
目前,人工检测在布匹缺陷检测中仍然占据重要地位。随着科学技术的发展,有关机器视觉在布匹缺陷检测上的应用也获得了突破性的成果。但是,因为布匹种类繁多,花色越来越复杂,所以布匹缺陷检测较为困难。
为了提高布匹缺陷检测的精确度,有许多研究者已经对布匹缺陷检测进行了研究。比如,Ajay-Kumar提出了一种基于前馈神经网络的纺织品局部缺陷分割方法。能为布匹缺陷检测提供了一种低成本、基于单台电脑主机的解决方案。李云东提出了一种基于智能视觉传感器的经编机自动检测方案。该方案有效,检测率达98%。切利克、托帕贝基罗和杜尔格提出了一种能够适应不同类型织物的机器视觉系统。该系统能检测牛仔布样品的疵点,平均真检出率为91.7%,假检出率为6.5%。通常这些方法包括两个步骤,首先需要从图像中提取特征进行表达,然后再作为输入传输给分类器。但是这种方法主要依赖于人为的特征选取过程,如果选取的特征不完整或者是错误的,对分类的结果有很大影响。
而深度神经网络可以自主学习输入样本中的特征信息,减少了在特征选取中人为因素的影响,可减少数据的预处理过程,已有不少的研究成果表明深度学习在特征学习及分类任务中表现优异。在深度神经网络中, CNN(Convolutional Neural Networks,卷积神经网络)在图像识别、分类和检测方面具有杰出的表现。它最早由K.Fukushima在1980年提出的新识别机制。随后由Alexander和Taylor进行改进,综合了之前各种方法的优点并避免了耗时的误差反向传播。CNN也在不断地从不同的方面改进:网络结构、非线性激活函数、监控组件、正则化机制和优化技术等等。再现有技术中,提出一种改进的Alexnet对布匹瑕疵进行分类,实验结果表示针对布匹的分类具有可接受的平均分类率和强鲁棒性。但是,因为布匹种类繁多,花色各样,已有的这些方法很难有较好的适应性。
到目前为止,布匹缺陷检测主要针对的是单色布,将其应用在对复杂色布进行瑕疵检测时,其有效性和可靠还有待进一步提高。
发明内容
有鉴于此,本发明提供了一种布匹缺陷检测方法、装置、存储介质及电子设备,可以有效且可靠的完成对复杂花色的布匹缺陷检测。
为实现上述目的,本发明提供如下一种技术方案:
一种布匹缺陷检测方法,包括以下步骤:
S1、将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;
S2、由所述布匹缺陷检测模型对所述待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,所述分类识别为对所述待检测布匹图像中所存在的缺陷按照预设分类进行识别。
作为进一步改进的,所述步骤S2具体包括以下步骤:
将所述待检测布匹图像输入到所述布匹缺陷检测模型的图像输入层,并依此经过第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层至分类输出层,以得到布匹缺陷检测结果,所述分类识别为对所述待检测布匹图像中所存在的缺陷按照预设分类进行识别。
作为进一步改进的,所述步骤S2中的所述第三池化层与第一全连接层之间还包括Inception层,所述Inception层由1*1,3*3,5*5卷积核以及3*3 池化堆叠而成,并在所述3*3卷积核之前、所述5*5卷积核之前以及所述 3*3池化之后各设置有一层1*1卷积核。
作为进一步改进的,所述步骤S2中的所述Inception层与所述第一全连接层之间还设置有平均池化层。
作为进一步改进的,所述步骤S2中的所述第一全连接层与所述第二全连接层之间设置有第一dropout层,所述第二全连接层与所述分类输出层之间设置有第二dropout层。
作为进一步改进的,训练以得到所述步骤S1和所述步骤S2中的所述布匹缺陷检测模型的过程具体包括以下步骤:
输入训练集的图像样本至待训练的所述布匹缺陷检测模型,所述图像样本依次经过经过所述布匹缺陷检测模型的图像输入层、第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、Inception层、第一全连接层、第一dropout层、第二全连接层、第二dropout层以及分类输出层的向前传播,输出预测缺陷类别,所述训练集内每个预设分类的图像样本数量均为一致,且每一个所述图像样本均标记有实际缺陷类别;
通过交叉熵方法比较所述预测缺陷类别和所述实际缺陷类别之间的误差;
对所述布匹缺陷检测模型进行训练,并对所述误差进行优化;
通过测试集对所述布匹缺陷检测模型进行验证,直至验证精确度达到预设阈值时输出训练好的所述布匹缺陷检测模型。
作为进一步改进的,所述对所述布匹缺陷检测模型进行训练,并对所述误差进行优化具体包括以下步骤:
选择迭代次数为2000次、学习率为0.001、batch_size为32且采用Adam 或RMSProp作为优化器来对所述布匹缺陷检测模型进行训练,并对所述误差进行优化;
当采用Adam作为优化器时,假设f(θ)为损失函数,为梯度,θ为参数,所述参数更新的最终公式为:
mt=β1*mt-1+(1-β1)*gt
其中,mt,nt分别是对梯度的第一时刻平均值和第二时刻非中心方差值;分别是对mt,nt的校正;β1设为0.9,β2设为0.9999。
为实现上述目的,本发明提供如下另一种技术方案:
一种布匹缺陷检测装置,包括:
输入模块,用于将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;
分类模块,用于通过所述布匹缺陷检测模型对所述待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,所述分类识别为对所述待检测布匹图像中所存在的缺陷按照预设分类进行识别。
为实现上述目的,本发明提供如下另一种技术方案:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序存储有如上所述的一种布匹缺陷检测方法。
为实现上述目的,本发明提供如下另一种技术方案:
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的一种布匹缺陷检测方法。
本发明的有益效果是:本发明将深度卷积神经网络应用在复杂花色的布匹的缺陷检测,可以有效且可靠的完成对复杂花色的布匹缺陷检测。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例的一种布匹缺陷检测方法的流程示意图;
图2为本发明实施例涉及的布匹缺陷检测模型的结构示意图;
图3为本发明实施例涉及的Inception层的结构示意图;
图4为本发明实施例涉及的断线的布匹示意图;
图5为本发明实施例涉及的脏污的布匹示意图;
图6为本发明实施例涉及的夹痕的布匹示意图;
图7为本发明实施例涉及的无缺陷的布匹示意图;
图8为本发明实施例涉及的不同学习率下的精确度示意图;
图9为本发明实施例涉及的不同网络结构下的精确度示意图;
图10为本发明实施例涉及的不同优化器下的精确度示意图;
图11为本发明实施例涉及的不同缺陷分类的数量示意图;
图12为本发明实施例的布匹缺陷检测装置的模块连接示意图;
图13为本发明实施例的电子设备的结构示意图。
附图标记说明:
1、布匹缺陷检测装置;2、电子设备;11、输入模块;12、分类模块; 21、处理器;22、存储器。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参照图1至图11,本发明的实施例一为:
一种布匹缺陷检测方法,包括以下步骤:
S1、将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;
S2、由布匹缺陷检测模型对待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,分类识别为对待检测布匹图像中所存在的缺陷按照预设分类进行识别。
如图2所示,为在本实施例的布匹缺陷检测模型的网络结构,如下表1 详细描述了基于深度卷积神经网络的布匹缺陷检测模型的每一层。
表1、布匹缺陷检测模型的网络结构的详细描述
由此,步骤S2具体包括以下步骤:
将待检测布匹图像输入到布匹缺陷检测模型的图像输入层,并依此经过第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、Inception 层、平均池化层、第一全连接层、第一dropout层、第二全连接层、第二dropout 层至分类输出层,以得到布匹缺陷检测结果,分类识别为对待检测布匹图像中所存在的缺陷按照预设分类进行识别。
具体的,对表1和图2中涉及到的英文缩小说明如下:IN为input的缩写,对应于图像输入;C1-C5中的C为Convolution的缩写,对应于卷积; BN1-BN3中的BN是Batchnormalization的缩写,对应于归一化;ReLu1- ReLu3中的ReLu是Rectified Linear Units的缩写,是本实施例中采用的激活函数;S1-S3的S是最大池化(Max pooling)的表示;Inception又叫 Googlenet,是经典CNN分类模型;dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃。
由此可知,本实施例中的一种布匹缺陷检测模型的网络结构包括卷积层、采样层、卷积核数以及大小、激励函数等。它主要包括五层卷积层和二层全连接层。根据经验,在本实施例中输入图像尺寸为224*224*3。
其中,第一层卷积层获取的输入图像,卷积核为11*11;在每一卷积层后都加LeRU作为激励函数。第一层BN层加在第一层卷积和LeRu激励函数之间,并作为第一个池化层的输入。接下来就是第一个池化层,大小为 3*3,采用的为最大池化,并作为第二个卷积层的输入。第二层卷积神经网络有256个卷积核,接下来就是第二个BN和第二个池化层同第一层有相同的卷积核。第三、四、五层卷积层分别有384个卷3x3积核,384个3x3卷积核,256个3x3卷积核。第五层卷积层同样使用BN和基于最大值池化层,其卷积核3x3。接下来是Inception层,由1*1,3*3,5*5卷积核以及3*3 池化堆叠而成,结构如图3所示。其输出为256个27x27maps。紧接着的为平均池化层,可以减少邻域大小受限造成的估计值方差增大。接下来两层为全连接层有256个神经元。两层全连接层后分别设置有一层dropout,以防止过拟合。最后一层具有跟全连接层相同神经元的输出类别。这就是我们得到的输出矩阵。
其中,本实施例采用了一种叫做BN的新机制可以通过一个固定层输入均值和方差的标准化步骤,显著加快深度网络的训练,减少内部协变量的变化。因此,对BN进行说明如下:
在每次SGD(stochastic gradient descent,随机梯度下降)时,通过 mini-bitch来对相应的激活做规范化操作使计算结果的均值为0,方差为1。 BN允许采用x为训练样本,最终BN的计算公式为
上述的k是第k维数据,最后的结果是经过BN变换的值。E[xk]和分别为样本x的期望和方差。
上述所得到的值的绝对值会很小,当输入sigmoid函数时,整体数据处在sigmoid函数的非饱和区域。为了解决这一问题,对结果又施加了一个反变换,至少可以保证原数据的恢复。计算为
其中,参数γ和β是需要后续训练中学习的。
其中,本实施例中使用Inception模型,使提出的DCNN网络在增加网络宽度的同时还增加了对尺度的适应性,一次使用多个不同的特征大小来抓取多个范围的特征来消除尺寸对识别结果的影响。因此,对Inception模型进行说明如下:
在AlexNet之后,网络改进的主要方向为使网络更宽更深,这就使容易过拟合以及计算量增大。Inception model是Szegedy,Liu,et al为参加ILSVRC 大赛而提出的CNN分类模型。它在增加网络深度和宽度的同时减少了参数。
如图3所示,为了消除尺寸对识别结果的影响,一次使用多个不同的特征大小来抓取多个范围的特征。即分别使用1*1、3*3、5*5卷积核,同时加入3*3max pooling。为了避免计算量爆发,在3*3卷积核之前、5*5 卷积核之前以及3*3池化之后各设置有一层1*1卷积核,由于1*1的卷积可以对输出有效的进行降维,从而有效的减少计算量。
其中,为训练以得到步骤S1和S2的布匹缺陷检测模型,首先需要确认图像数据集,在本实施例中,如图4至图7可知,预设类别包括脏污(对应于图11中的Burl mark)、夹痕(对应于图11中的Clip mark)、断线(对应于图11中的Broken yam)和无缺陷(对应于图11中的Defect_free),其包括4000 张图片,且每个预设类别分别为1000张的图像样本,每一个图像样本均标记有实际缺陷类别,并按照0.2的比例关系随机分成训练集和测试集。
之后将训练集的图像样本输入到一种布匹缺陷检测模型中以进行训练,其中,布匹缺陷检测模型的网络结构和对应说明参照上述即可;在得到布匹缺陷检测模型的输出矩阵之后,通过交叉熵方法比较预测缺陷类别和实际缺陷类别之间的误差;对布匹缺陷检测模型进行训练,并对误差进行优化;通过测试集对布匹缺陷检测模型进行验证,直至验证精确度达到预设阈值时输出训练好的布匹缺陷检测模型。
其中,在训练过程中,训练选择包括:
(1)优化算法用来优化模型的参数,本实施例中采用了四种梯度法的变形作为优化器,即SGD、Momentum、Adam和RMSProp。
其中,当采用Adam作为优化器时,假设f(θ)为损失函数,为梯度,θ为参数,参数更新的最终公式为:
mt=β1*mt-1+(1-β1)*gt
其中,mt,nt分别是对梯度的第一时刻平均值和第二时刻非中心方差值;分别是对mt,nt的校正;β1设为0.9,β2设为0.9999。
(2)学习率控制着基于损失梯度调整神经网络权值的速度,为了使梯度下降法有较好的性能,我们需要把学习率的值设置在合适的范围内。学习率越小,我们沿着损失梯度下降的速度越慢,但同时需要花更多的时间来收敛。如果学习率过大,很可能会越过最优值。我们采用0.01,0.001, 0.0001的学习率对模型进行训练。
(3)Batch_Size:根据样本数量选择为32(3)Epoch,为训练所有样本一个正向传递和反向传递的一个时期。其公式为Epoch=(全体样本/ batchsize)/iteration=1,其中,iteration为迭代次数。在训练时,我们希望通过迭代进行多次的训练以到达所需的目标或结果。
如此,我们通过训练集和测试集对提出的网络进行评价。
首先采用图像尺寸224*224,分别以0.01,0.001和0.0001的学习率对网络进行评价。为了进行实验和分析,我们选择迭代次数为2000次,不同学习率下的精确度见表2,不同学习率下的精确度曲线见图8。最后结果显示为学习率为0.001时具有更好的表现。
表2.不同学习率在相同迭代次数下的精确度
Learning rate | 0.01 | 0.001 | 0.0001 |
Accuracy | 93.8% | 96.9% | 95.7% |
为了证明本实施例的网络结构的合理性,去掉了本实施例中的网络结构的BN和Inception模型进行了实验。结果显示在表3。结果证明无论是去掉BN还是Inception都无法取得较好的精确度,具体见图9。
表3.改变网络结构的精确度对比
去掉BN | 去掉inception | 去掉BN和inception | 本实施例 | |
精确度 | 89.7 | 52.3 | 93.2 | 96.9% |
接下来,我们采用不同优化技术进行实验,实验结果表4所示。当采用SGD和Momentum作为优化器时,网络结构的精确度较低;当采用Adam 和RMSProp作为优化器时,布匹缺陷分类的网络结构的精确度较好且相似, 具体见图10。
表4.不同优化器下的精确度
优化器 | SGD | Momentum | RMSProp | Adam |
精确度 | 62.7% | 84.5% | 96.1% | 96.9% |
结合上述可知,选择迭代次数为2000次、学习率为0.001、batch_size 为32且采用Adam或RMSProp作为优化器来对布匹缺陷检测模型进行训练,并对误差进行优化,其得到的精确度最高;
由此,在测试集上进行10次模型训练,测试结果如表5所示。
表5.测试集的分类精度(%)
另外,我们采用误判率来评价提出网络的性能。在测试集上的每一种缺陷的误判数量如图11所示。每一种缺陷的误判率见表6。综合以上实验结果来看,提出的网络结构在各个分类上都具有较好的分类效果,而在训练集增加的情况下,则有望进一步提高精确度,同时,也可以建立包括布匹其他缺陷,比如悬线、吊边等等。
表6.不同缺陷的误判率
布匹缺陷 | 脏污 | 夹痕 | 断线 | 无缺陷 |
误差率(%) | 10.8 | 12.4 | 4.2 | 2.8 |
即,本实施例提出了一种新的基于深度卷积神经网络的复杂花色的一种布匹缺陷检测方法,在各种花色布匹的生产线上,对于多花色布匹缺陷检测过程中,表明了所提出的一种布匹缺陷检测方法可以正确有效的实现布匹缺陷检测。通过实验表明,其识别精确度可达96%。
请参照图12,本发明的实施例二为与上述实施例一的一种布匹缺陷检测方法相对应的一种布匹缺陷检测装置1,包括:
输入模块11,用于将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;
分类模块12,用于通过布匹缺陷检测模型对待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,分类识别为对待检测布匹图像中所存在的缺陷按照预设分类进行识别。
其中,关于输入模块11和分类模块12所实现的具体过程和对应的效果,可以参照上述实施例的一种布匹缺陷检测方法中的相关描述。
本发明的实施例三为与上述实施例一的一种布匹缺陷检测方法对应的一种计算机可读存储介质,其上存储有计算机程序,计算机程序存储有如上述实施例一的一种布匹缺陷检测方法。
其中,关于本实施例中的计算机程序中包含的一种布匹缺陷检测方法的具体实现过程和对应效果,可以参照上述实施例的一种布匹缺陷检测方法中的相关描述。
请参照图3,本发明的实施例四为与上述实施例一的一种布匹缺陷检测方法相对应的一种电子设备2,包括存储器22、处理器21及存储在存储器 22上并可在处理器21上运行的计算机程序,其中,处理器21执行计算机程序时实现上述实施例一的一种布匹缺陷检测方法。
其中,关于本实施例中处理器21所实现的一种布匹缺陷检测方法的具体实现过程和对应效果,可以参照上述实施例一的一种布匹缺陷检测方法的相关描述。
由此,根据实施例一至四所提供的一种布匹缺陷检测方法、装置、存储介质及电子设备,将深度卷积神经网络应用在复杂花色的布匹的缺陷检测,并通过一种叫做BN的新机制来显著加快深度网络的训练,减少内部协变量的变化。以及通过设置Inception模型,使提出的DCNN网络在增加网络宽度的同时还增加了对尺度的适应性,一次使用多个不同的特征大小来抓取多个范围的特征来消除尺寸对识别结果的影响,从而可以有效、快速且准确的实现布匹缺陷检测。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种布匹缺陷检测方法,其特征在于,包括以下步骤:
S1、将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;
S2、由所述布匹缺陷检测模型对所述待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,所述分类识别为对所述待检测布匹图像中所存在的缺陷按照预设分类进行识别;
将所述待检测布匹图像输入到所述布匹缺陷检测模型的图像输入层,并依此经过第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层至分类输出层,以得到布匹缺陷检测结果,所述分类识别为对所述待检测布匹图像中所存在的缺陷按照预设分类进行识别;
所述第三池化层与第一全连接层之间还包括Inception层,所述Inception层由1*1,3*3,5*5卷积核以及3*3池化堆叠而成,并在所述3*3卷积核之前、所述5*5卷积核之前以及所述3*3池化之后各设置有一层1*1卷积核;
所述Inception层与所述第一全连接层之间还设置有平均池化层;
所述第一全连接层与所述第二全连接层之间设置有第一dropout层,所述第二全连接层与所述分类输出层之间设置有第二dropout层。
2.根据权利要求1所述的一种布匹缺陷检测方法,其特征在于,训练以得到所述步骤S1和所述步骤S2中的所述布匹缺陷检测模型的过程具体包括以下步骤:
输入训练集的图像样本至待训练的所述布匹缺陷检测模型,所述图像样本依次经过所述布匹缺陷检测模型的图像输入层、第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、Inception层、第一全连接层、第一dropout层、第二全连接层、第二dropout层以及分类输出层的向前传播,输出预测缺陷类别,所述训练集内每个预设分类的图像样本数量均为一致,且每一个所述图像样本均标记有实际缺陷类别;
通过交叉熵方法比较所述预测缺陷类别和所述实际缺陷类别之间的误差;
对所述布匹缺陷检测模型进行训练,并对所述误差进行优化;
通过测试集对所述布匹缺陷检测模型进行验证,直至验证精确度达到预设阈值时输出训练好的所述布匹缺陷检测模型。
3.根据权利要求2所述的一种布匹缺陷检测方法,其特征在于,所述对所述布匹缺陷检测模型进行训练,并对所述误差进行优化具体包括以下步骤:
选择迭代次数为2000次、学习率为0.001、batch_size为32且采用Adam或RMSProp作为优化器来对所述布匹缺陷检测模型进行训练,并对所述误差进行优化;
当采用Adam作为优化器时,假设f(θ)为损失函数,为梯度,θ为参数,所述参数更新的最终公式为:
mt=β1*mt-1+(1-β1)*gt
其中,mt,nt分别是对梯度的第一时刻平均值和第二时刻非中心方差值;分别是对mt,nt的校正;β1设为0.9,β2设为0.9999。
4.一种用于权利要求1-3任一项布匹缺陷检测方法的布匹缺陷检测装置,其特征在于,包括:
输入模块,用于将待检测布匹图像输入基于深度卷积神经网络的布匹缺陷检测模型内;
分类模块,用于通过所述布匹缺陷检测模型对所述待检测布匹图像进行分类识别,以得到布匹缺陷检测结果,所述分类识别为对所述待检测布匹图像中所存在的缺陷按照预设分类进行识别。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序存储有如权利要求1-3任意一项所述的一种布匹缺陷检测方法。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-3任意一项所述的一种布匹缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492104.4A CN111652870B (zh) | 2020-06-02 | 2020-06-02 | 一种布匹缺陷检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492104.4A CN111652870B (zh) | 2020-06-02 | 2020-06-02 | 一种布匹缺陷检测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652870A CN111652870A (zh) | 2020-09-11 |
CN111652870B true CN111652870B (zh) | 2023-04-07 |
Family
ID=72344231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010492104.4A Active CN111652870B (zh) | 2020-06-02 | 2020-06-02 | 一种布匹缺陷检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652870B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503872B (zh) * | 2023-06-26 | 2023-09-05 | 四川集鲜数智供应链科技有限公司 | 一种基于机器学习的授信客户挖掘方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685774A (zh) * | 2018-12-10 | 2019-04-26 | 桂林理工大学 | 基于深度卷积神经网络的压敏电阻外观缺陷检测方法 |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
-
2020
- 2020-06-02 CN CN202010492104.4A patent/CN111652870B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
CN109685774A (zh) * | 2018-12-10 | 2019-04-26 | 桂林理工大学 | 基于深度卷积神经网络的压敏电阻外观缺陷检测方法 |
CN110363253A (zh) * | 2019-07-25 | 2019-10-22 | 安徽工业大学 | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 |
Non-Patent Citations (3)
Title |
---|
查广丰.基于深度学习的点胶缺陷检测.《电子技术与软件工程》.2019,全文. * |
蓝金辉.卷积神经网络在视觉图像检测的研究进展.《仪器仪表学报》.2020,全文. * |
赵鹏 ; 唐英杰 ; 杨牧 ; 安静 ; .卷积神经网络在无纺布缺陷分类检测中的应用.包装工程.2020,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111652870A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898095B (zh) | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 | |
CN109902584B (zh) | 一种口罩缺陷的识别方法、装置、设备及存储介质 | |
CN112270347A (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
CN111611847B (zh) | 基于尺度注意力空洞卷积网络的视频动作检测方法 | |
CN109492624A (zh) | 一种人脸识别方法、特征提取模型的训练方法及其装置 | |
CN112991330A (zh) | 基于知识蒸馏的正样本工业缺陷检测方法 | |
CN111652870B (zh) | 一种布匹缺陷检测方法、装置、存储介质及电子设备 | |
CN104778692A (zh) | 一种基于稀疏表示系数优化的织物疵点检测方法 | |
CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
CN111079837A (zh) | 一种用于二维灰度图像检测识别分类的方法 | |
CN116912568A (zh) | 基于自适应类别均衡的含噪声标签图像识别方法 | |
CN108549899B (zh) | 一种图像识别方法及装置 | |
CN109740569B (zh) | 基于编码器-解码器的手指静脉成像时残缺信息复原方法 | |
CN116524317A (zh) | 一种图像切割及预测频率统计的方法、装置、设备及介质 | |
CN111368856A (zh) | 一种基于视觉的图书盘点系统的书脊提取方法及装置 | |
CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
Liu et al. | SSD small object detection algorithm based on feature enhancement and sample selection | |
CN113409290B (zh) | 一种液晶屏外观缺陷检测方法、装置及存储介质 | |
WO2021237682A1 (zh) | 显示面板的检测装置、检测方法、电子装置、可读介质 | |
CN113255768A (zh) | 一种提升卷积神经网络鲁棒性能的方法 | |
Huang et al. | An adaptive voting mechanism based on relative density for filtering label noises | |
CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及系统 | |
CN115829005B (zh) | 面向卷积神经分类网络的缺陷自动诊断与修复方法及装置 | |
CN116246209B (zh) | 基于偏移卷积核的广角镜头生物目标检测方法 | |
Wang et al. | A deep learning-based method for aluminium foil-surface defect recognition |
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 |