CN114757900B - 基于人工智能的纺织品缺陷类型识别方法 - Google Patents

Abstract

本发明涉及纺织品领域，具体涉及一种基于人工智能的纺织品缺陷类型识别方法，包括：获取纺织品表面灰度图；对灰度图进行聚类，得到第一聚类簇；根据第一聚类簇内像素点的灰度值进行高斯拟合，计算各高斯模型两两间的KL散度，得到第一聚类簇两两间的相似度；根据相似度对第一聚类簇进行合并，得到第二聚类簇；根据各第二聚类簇与正常纺织品的灰度均值的差值获取疑似缺陷区域；根据各疑似缺陷区域的面积和最小外接矩形的宽高比获取缺陷区域；对包含缺陷区域的RGB图进行剪切，得到各缺陷区域RGB图；利用各缺陷区域RGB图识别纺织品中的缺陷种类。上述方法用于识别纺织品的缺陷类型，通过上述方法可提高缺陷识别的准确度。

Description

基于人工智能的纺织品缺陷类型识别方法

技术领域

本发明涉及纺织品领域，具体涉及一种基于人工智能的纺织品缺陷类型识别方法。

背景技术

纺织品表面出现缺陷时，将会影响后续织物的美观，甚至会造成质量问题。缺陷检测以及缺陷种类的识别是纺织品工业生产的关键环节。在纺织工业中，纺织品缺陷有50多种，大多数缺陷是由机器故障和纱线问题引起的，这类缺陷可分为污纱、蛛网、断经、并纬、稀弄和松纱六种缺陷。纺织品在生产过程中以及在进入市场之前需经过各种检验和测试，对于纺织品表面的瑕疵缺陷识别是必不可少的一步。

目前，对于纺织品表面的瑕疵缺陷识别的手段主要是人工方式，依靠检测者的主观经验进行判断和识别。

然而，人工方式的纺织品缺陷识别效果严重依赖于检测者的主观经验、注意力和判断力，误检率及漏检率过高，识别效率低。因此亟需一种方法提高纺织品缺陷识别的准确度和效率。

发明内容

本发明提供一种基于人工智能的纺织品缺陷类型识别方法，包括：获取纺织品表面灰度图；对灰度图进行聚类，得到第一聚类簇；根据第一聚类簇内像素点的灰度值进行高斯拟合，计算各高斯模型两两间的KL散度，得到第一聚类簇两两间的相似度；根据相似度对第一聚类簇进行合并，得到第二聚类簇；根据各第二聚类簇与正常纺织品的灰度均值的差值获取疑似缺陷区域；根据各疑似缺陷区域的面积和最小外接矩形的宽高比获取缺陷区域；对包含缺陷区域的RGB图进行剪切，得到各缺陷区域RGB图；利用各缺陷区域RGB图识别纺织品中的缺陷种类，相比于现有技术，本发明不仅实现对纺织品缺陷的检测，对纺织品表面的缺陷区域进行提取，而且能够对纺织品的缺陷种类进行识别，以对相关工作人员提供参考依据，便于其针对性的采取相应的处理措施。具有检测速度快，识别准确率高、成本低等效果。

为达到上述目的，本发明采用以下技术方案，一种基于人工智能的纺织品缺陷类型识别方法，包括：

获取待检测纺织品表面灰度图。

对灰度图进行聚类处理，得到所有第一聚类簇。

根据每个第一聚类簇内各像素点的灰度值进行高斯拟合，计算各第一聚类簇对应的高斯模型两两间的KL散度，根据KL散度得到所有第一聚类簇两两间的相似度。

根据第一聚类簇两两间的相似度对所有第一聚类簇进行类别合并，得到所有第二聚类簇。

计算每个第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的差值，根据差值获取所有疑似缺陷区域。

根据各疑似缺陷区域的面积和最小外接矩形的宽高比获取所有缺陷区域。

对仅包含缺陷区域的纺织品表面RGB图像进行剪切，得到各缺陷区域对应的RGB图像。

通过将各缺陷区域对应的RGB图像输入训练好的网络中对缺陷区域的缺陷类型进行分类。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述第一聚类簇两两间的相似度是按照如下方式得到：

根据每个第一聚类簇内各像素点的灰度值进行高斯拟合，得到所有第一聚类簇对应的高斯模型。

根据每个第一聚类簇对应的高斯模型值计算得到所有高斯模型两两间的KL散度。

利用高斯模型两两间的KL散度计算得到第一聚类簇两两间的相似度。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述所有第二聚类簇是按照如下方式得到：

设置阈值，对第一聚类簇两两间的相似度进行判断。

当两个第一聚类簇的相似度高于阈值时，则将这两个第一聚类簇进行合并，分为一个集合。

当集合外存在第一聚类簇与集合内的所有第一聚类簇两两间的相似度均高于阈值时，将集合外所有与集合内的各第一聚类簇两两间的相似度均高于阈值的第一聚类簇进行合并，得到第一个第二聚类簇。

按照得到第一个第二聚类簇的方法得到第二个第二聚类簇，依次得到所有第二聚类簇。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述所有疑似缺陷区域是按照如下方式获取：

计算各第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的差值。

将最小差值对应的第二聚类簇包含的像素点作为背景像素点，其余的各个第二聚类簇包含的像素点作为各个疑似缺陷区域像素点，获取所有疑似缺陷区域。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述所有缺陷区域是按照如下方式获取：

计算各疑似缺陷区域的面积，获取面积最小值。

计算各疑似缺陷区域的最小外接矩形的宽高比，获取宽高比的最小值。

根据面积最小值设置面积阈值，根据宽高比最小值设置宽高比阈值。

设置疑似缺陷区域滤除条件：当疑似缺陷区域的面积小于面积阈值且最小外接矩形的宽高比小于宽高比阈值时，将该疑似缺陷区域进行滤除。

根据滤除条件对所有疑似缺陷区域进行筛选，获取所有缺陷区域。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述各缺陷区域对应的RGB图像是按照如下方式得到：

将灰度图中各缺陷区域的像素值设置为1，剩余部分的像素值设置为0，得到缺陷二值图。

对缺陷二值图与待检测纺织品表面RGB图进行相乘操作，得到仅包含缺陷区域的纺织品表面RGB图。

对仅包含缺陷区域的纺织品表面RGB图进行剪切，得到各缺陷区域对应的RGB图。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述对缺陷区域的缺陷类型进行分类的过程具体如下：

设定纺织品缺陷种类数。

获取各种纺织品缺陷种类的图像，并对各图像进行标注，得到网络训练的数据集。

从数据集中任选两张图像输入孪生网络中，基于损失函数完成网络训练。

分别将各缺陷区域对应的RGB图输入训练好的孪生网络中，输出各缺陷区域的缺陷类型，完成对待检测纺织品中缺陷类型的分类。

进一步的，所述一种基于人工智能的纺织品缺陷类型识别方法，所述训练好的网络是按照如下方式得到：

从数据集中任选两张图像，将两张图像分别输入两个子网络中，经过编码器进行特征提取，特征展平后送入全连接层FC，分别输出两张图像对应的特征向量。

计算两张图像对应的特征向量之间的欧式距离。

根据两张图像对应的特征向量之间的欧式距离建立对比损失函数。

基于对比损失函数利用数据集中的图像进行训练，得到训练好的网络。

所述对比损失函数的表达式如下：

式中，L为对比损失函数值，d为两个样本的特征向量Z₁，Z₂之间的欧式距离，Y为两个输入样本是否匹配的人为标注标签，当Y＝1时，代表两个样本相似或者匹配；当Y＝0时，代表两个样本不匹配，margin为设定的阈值。

本发明的有益效果在于：

本发明不仅实现对纺织品缺陷的检测，对纺织品表面的缺陷区域进行提取，而且能够对纺织品的缺陷种类进行识别，以对相关工作人员提供参考依据，便于其针对性的采取相应的处理措施。具有检测速度快，识别准确率高、成本低等效果。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种纺织品缺陷类型识别方法流程示意图；

图2为本发明实施例2提供的一种纺织品缺陷类型识别方法流程示意图。

具体实施方式

下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例提供一种基于人工智能的纺织品缺陷类型识别方法，如图1所示，包括：

S101、获取待检测纺织品表面灰度图。

其中，灰度图，又称灰阶图。把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。

S102、对灰度图进行聚类处理，得到所有第一聚类簇。

其中，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。

S103、根据每个第一聚类簇内各像素点的灰度值进行高斯拟合，计算各第一聚类簇对应的高斯模型两两间的KL散度，根据KL散度得到所有第一聚类簇两两间的相似度。

其中，相对熵，又被称为KL散度，是两个概率分布间差异的非对称性度量。

S104、根据第一聚类簇两两间的相似度对所有第一聚类簇进行类别合并，得到所有第二聚类簇。

其中，相似度越高，归为同一聚类簇的可能性越大。

S105、计算每个第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的差值，根据差值获取所有疑似缺陷区域。

其中，差值最小的第二聚类簇所包含的像素点为背景像素点。

S106、根据各疑似缺陷区域的面积和最小外接矩形的宽高比获取所有缺陷区域。

其中，利用面积和宽高比过滤掉不符合的疑似缺陷区域，避免纺织品表面固有的棉籽以及其他多余噪点的影响。

S107、对仅包含缺陷区域的纺织品表面RGB图像进行剪切，得到各缺陷区域对应的RGB图像。

其中，各缺陷区域对应的RGB图像用于后续缺陷的识别。

S108、通过将各缺陷区域对应的RGB图像输入训练好的网络中对缺陷区域的缺陷类型进行分类。

其中，将各缺陷区域的RGB图像输入缺陷种类识别模型，得到缺陷种类。

本实施例的有益效果在于：

本实施例不仅实现对纺织品缺陷的检测，对纺织品表面的缺陷区域进行提取，而且能够对纺织品的缺陷种类进行识别，以对相关工作人员提供参考依据，便于其针对性的采取相应的处理措施。具有检测速度快，识别准确率高、成本低等效果。

实施例2

本发明主要通过人工智能的方法对纺织品表面缺陷进行检测、分类，通过对图像数据进行特征提取，以识别检测表面的缺陷等状况，进一步对纺织品的缺陷种类进行识别。通过本发明所述方法可实现对纺织品表面的缺陷进行检测同时可对缺陷类型进行分类识别，以便为纺织工作人员提供具体的缺陷类别，便于工作人员针对不同的缺陷类型采取相应的修复措施。

本发明实施例提供一种基于人工智能的纺织品缺陷类型识别方法，如图2所示，包括：

S201、采集待检测纺织品图像。

首先，在纺织品的正上方部署设备对图像进行采集，摄像头的拍摄范围及角度实施者根据实际情况自行调整。同时，为提高图像质量避免图像中噪声的影响，保证后续缺陷检测及识别的精度，对于采集的图像数据进行高斯滤波去噪处理，获取去噪后的图像数据，作为纺织品缺陷检测的基准图像数据。

至此，即可得到高质量的图像数据，将其作为待检测纺织品图像数据，用于纺织品缺陷检测，在此需要说明，后续对于纺织品的缺陷检测均是在去噪处理后的基础上进行的，均是对所述待检测纺织品图像数据进行检测分析的。

获取待检测纺织品的基准图像数据后，本实施例将对图像数据进行处理分析，先建立表面异常区域提取模型，用于识别纺织品表面的异常区域，然后构建图像特征参数提取模型，用于获取纺织品表面的表征数据，进一步用于对纺织品的质量进行精确评估。

对于待检测纺织品图像数据，本实施例首先根据纺织品缺陷检测模型，对其表面的缺陷区域进行提取。所述纺织品缺陷检测模型具体为：

S202、获取所有聚类簇。

a.对于待检测纺织品图像数据，为降低计算量，先对图像进行灰度化处理，提高检测速度。本实施例采用DBSCAN聚类算法对灰度图像的像素点进行类别划分，可以得到N个不同的聚类簇，用于对纺织品进行缺陷检测；

b.获取各聚类簇之后，本实施例将对每个聚类簇内的像素灰度分布情况进行分析，基于聚类簇内像素点的灰度值进行高斯模型构建，每个聚类簇均建立一个高斯模型G_i(x)，以对聚类簇内的像素点的分布情况进行分析；

c.进一步，对于N个聚类簇内的像素分布情况进行相似程度分析，以实现准确对图像的像素点进行类别划分，准确对不同的缺陷区域进行提取。聚类簇相似程度分析过程具体为：

首先，本实施例基于各高斯模型，将分析不同的聚类簇对应高斯模型之间的K-L散度，具体为：

式中，x代表像素点的像素值，G_i(x)为像素值x对应的高斯模型i的模型值，G_j(x)为像素值x对应的高斯模型j的模型值，K_ij为高斯模型G_i(x)和G_j(x)之间的K-L散度。根据所述方法可得到任意两个不同高斯模型对应的K-L散度，用于对两个高斯分布的关联度，K-L散度越小，则认为两个高斯模型的关联度越高，则认为对应的两个聚类簇的相似程度越高；

然后，基于各高斯模型之间的关联度，可实现对对应聚类簇之间的相似程度进行分析，所述聚类簇相似度为r_ij＝exp(-K_ij)，其中，函数值越大，则对应两个聚类簇的相似程度越高。最后，本实施例将对其设置程度阈值r_T＝0.8，当两个聚类簇的相似程度高于预设阈值r_T时，则认为两个聚类簇为同一类别，将两个聚类簇合并为一个类。至此，可最终完成纺织品图像像素点的分类，经本实施例所述方法处理后将得到的聚类簇数量记为M，其中M≤N，本发明所述实施例可实现对像素点的准确分类，避免单一聚类算法导致的缺陷检测不准确等问题。

S203、获取缺陷区域。

获取最终的聚类簇之后，分别计算各聚类簇的灰度均值(也即聚类簇所包含的所有像素点的灰度的均值)，记为g_i，i＝1,2,…,M，同时，本实施例将正常纺织品对应灰度图像的像素灰度均值作为标准灰度均值g_O，本实施例设置：将min(|g_i-g_O|),i＝1,2,…,M对应的聚类簇所包含的像素点作为背景像素点，其他的各个聚类簇作为非背景区域对应的像素点，也即疑似为缺陷区域的像素点，对应可在灰度图像上得到各个连通域，将其记为疑似缺陷连通域，共有(M-1)个疑似缺陷连通域。最后，设置缺陷连通域过滤条件，以避免纺织品表面固有的棉籽以及其他多余噪点的影响，缺陷连通域过滤条件为：获取各疑似缺陷连通域的面积S_i和最小外接矩形，并计算最小外接矩形的宽高比：

W_i、H_i分别为疑似缺陷连通域i的宽、高，然后将满足(U_i＜U_min+Δ1)∩(S_i＜S_min+Δ2)所对应的各连通域滤除，其中，U_min为所有疑似缺陷连通域最小外接矩形的宽高比的最小值，S_min为所有疑似缺陷连通域中的面积最小值，Δ1，Δ2为人为设定增量，实施者自行选取，本实施例设置Δ1＝0.8，Δ2＝5或者10。至此，即可得到最终的各缺陷连通域，实现对纺织品表面缺陷的检测提取。

至此，根据本实施例所设置的缺陷检测模型，可对待检测纺织品表面的缺陷区域进行识别，获取各缺陷连通域，将缺陷区域对应的像素点的像素值设置为1，图像中的其他像素点的像素值设置为0，即可得到纺织品对应的各缺陷连通域，得到对应的缺陷图像，作为缺陷类型识别的基础。

S204、建立缺陷种类识别模型。

获取纺织品表面的缺陷区域后，将所述缺陷图像与对应的处理后的原待检测RGB图像进行相乘操作，以获取仅包含缺陷区域的RGB图像，将缺陷区域的RGB图像进行剪切，获取各缺陷连通域对应的RGB图像，将其作为缺陷类型识别的基础图像。本实施例将构建缺陷种类识别模型，用于对各缺陷连通域进行分类识别。所述缺陷种类识别模型为神经网络模型，本实施例将采用孪生网络模型对其进行分类识别，所述缺陷种类识别模型具体为：

01)首先，根据纺织品缺陷种类，将纺织品表面缺陷分类N’个类型，实施者可自行设定缺陷类别数；

02)分别获取各种缺陷类别的图像数据，并对图像数据进行标注，具体过程为公知技术，作为网络训练的数据集，训练集中包含各种缺陷类型的图像，且每个缺陷类型都有多种图像数据，将其作为网络的训练集对网络进行训练；

03)从训练集中随机选取两张图像送入孪生网络中，然后本实施例将基于损失函数对网络进行训练，孪生网络有左右两个子网络结构，第一个子网络的输入是一幅缺陷RGB图像数据，然后经过编码器进行特征提取，Flatten(特征展平)后送入全连接层FC，最后输出一个特征向量；向第二个子网络(与第一个子网络完全相同)输入一张缺陷RGB图片，对它做相同的处理，得到对应的特征向量2，最后计算网络输出特征向量1和特征向量2之间的欧式距离，如果它比某个阈值小，则把两张图片对应的缺陷归类为同一种类型，网络训练采用对比损失函数进行训练：

其中，两个样本的特征向量为Z₁，Z₂，d(Z₁,Z₂)为特征向量之间的欧式距离，Y为两个输入样本是否匹配的人为标注标签，当Y＝1时，代表两个样本相似或者匹配；当Y＝0时，代表两个样本不匹配，margin为设定的阈值，实施者可根据实际情况及经验进行设定，本实施例将其设置为margin＝10。具体训练过程为公知技术，不在本实施例中做详细阐述。

S205、识别待检测纺织品中的缺陷类型。

网络训练完成之后，将待识别的缺陷RGB图像数据送入孪生网络的一个子网络中，作为网络的输入，然后经过编码器对其进行特征提取，并经全连接层得到待识别的缺陷RGB图像所对应的特征向量，获取待识别缺陷特征向量与其他缺陷种类对应特征向量的欧式距离，将欧式距离最小对应的类别作为待识别缺陷的缺陷类别，最终可基于网络完成的网络模型获取待识别缺陷的缺陷类型。

需要说明的是，孪生网络在训练时采用两条支路，两条支路的网络是权重共享的，可利用对比损失函数进行训练，且能适应样本数量不够多的情况。孪生网络在实际应用时快速方便，仅采用其中一条支路输出特征向量，再计算其与存储的训练集中的特征向量计算欧式距离，其具体训练及使用过程为公知技术，不在本实施例过多阐述。

至此，即可根据本实施例所述方法对纺织品表面的缺陷区域进行检测提取，进一步可基于各缺陷连通域及缺陷种类识别模型对缺陷进行分类，以准确获取各缺陷的类别。本实施例具有无接触性、检测速度快以及缺陷识别精度高等优点。

本实施例的有益效果在于：

本实施例不仅实现对纺织品缺陷的检测，对纺织品表面的缺陷区域进行提取，而且能够对纺织品的缺陷种类进行识别，以对相关工作人员提供参考依据，便于其针对性的采取相应的处理措施。具有检测速度快，识别准确率高、成本低等效果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (7)

1.一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，包括：

获取待检测纺织品表面灰度图；

对灰度图进行聚类处理，得到所有第一聚类簇；

根据每个第一聚类簇内各像素点的灰度值进行高斯拟合，计算各第一聚类簇对应的高斯模型两两间的KL散度，根据KL散度得到所有第一聚类簇两两间的相似度；

根据第一聚类簇两两间的相似度对所有第一聚类簇进行类别合并，得到所有第二聚类簇；

计算每个第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的差值，根据差值获取所有疑似缺陷区域；

根据各疑似缺陷区域的面积和最小外接矩形的宽高比获取所有缺陷区域；

所述所有缺陷区域是按照如下方式获取：

计算各疑似缺陷区域的面积，获取面积最小值；

计算各疑似缺陷区域的最小外接矩形的宽高比，获取宽高比的最小值；

根据面积最小值设置面积阈值，根据宽高比最小值设置宽高比阈值；

设置疑似缺陷区域滤除条件：当疑似缺陷区域的面积小于面积阈值且最小外接矩形的宽高比小于宽高比阈值时，将该疑似缺陷区域进行滤除；

根据滤除条件对所有疑似缺陷区域进行筛选，获取所有缺陷区域；

对仅包含缺陷区域的纺织品表面RGB图像进行剪切，得到各缺陷区域对应的RGB图像；

通过将各缺陷区域对应的RGB图像输入训练好的网络中对缺陷区域的缺陷类型进行分类。

2.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，所述第一聚类簇两两间的相似度是按照如下方式得到：

根据每个第一聚类簇内各像素点的灰度值进行高斯拟合，得到所有第一聚类簇对应的高斯模型；

根据每个第一聚类簇对应的高斯模型值计算得到所有高斯模型两两间的KL散度；

利用高斯模型两两间的KL散度计算得到第一聚类簇两两间的相似度。

3.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，所述所有第二聚类簇是按照如下方式得到：

设置阈值，对第一聚类簇两两间的相似度进行判断；

当两个第一聚类簇的相似度高于阈值时，则将这两个第一聚类簇进行合并，分为一个集合；

当集合外存在第一聚类簇与集合内的所有第一聚类簇两两间的相似度均高于阈值时，将集合外所有与集合内的各第一聚类簇两两间的相似度均高于阈值的第一聚类簇进行合并，得到第一个第二聚类簇；

按照得到第一个第二聚类簇的方法得到第二个第二聚类簇，依次得到所有第二聚类簇。

4.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，所述所有疑似缺陷区域是按照如下方式获取：

计算各第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的差值；

将最小差值对应的第二聚类簇包含的像素点作为背景像素点，其余的各个第二聚类簇包含的像素点作为各个疑似缺陷区域像素点，获取所有疑似缺陷区域。

5.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，所述各缺陷区域对应的RGB图像是按照如下方式得到：

将灰度图中各缺陷区域的像素值设置为1，剩余部分的像素值设置为0，得到缺陷二值图；

对缺陷二值图与待检测纺织品表面RGB图进行相乘操作，得到仅包含缺陷区域的纺织品表面RGB图；

对仅包含缺陷区域的纺织品表面RGB图进行剪切，得到各缺陷区域对应的RGB图。

6.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，所述对缺陷区域的缺陷类型进行分类的过程具体如下：

设定纺织品缺陷种类数；

获取各种纺织品缺陷种类的图像，并对各图像进行标注，得到网络训练的数据集；

从数据集中任选两张图像输入孪生网络中，基于损失函数完成网络训练；

分别将各缺陷区域对应的RGB图输入训练好的孪生网络中，输出各缺陷区域的缺陷类型，完成对待检测纺织品中缺陷类型的分类。

7.根据权利要求1或6所述的一种基于人工智能的纺织品缺陷类型识别方法，其特征在于，所述训练好的网络是按照如下方式得到：

从数据集中任选两张图像，将两张图像分别输入两个子网络中，经过编码器进行特征提取，特征展平后送入全连接层FC，分别输出两张图像对应的特征向量；

计算两张图像对应的特征向量之间的欧式距离；

根据两张图像对应的特征向量之间的欧式距离建立对比损失函数；

基于对比损失函数利用数据集中的图像进行训练，得到训练好的网络；

所述对比损失函数的表达式如下：

式中，L为对比损失函数值，d为两个样本的特征向量Z₁，Z₂之间的欧式距离，Y为两个输入样本是否匹配的人为标注标签，当Y＝1时，代表两个样本相似或者匹配；当Y＝0时，代表两个样本不匹配，margin为设定的阈值。

Images