[发明专利]一种基于机器学习的布匹缺陷检测方法及装置

说明书

技术领域

本发明涉及布匹检测领域，具体涉及一种基于机器学习的布匹缺陷检测方法及装置。

背景技术

纺织工业是我国国民经济的支柱产业，纺织工业与钢铁、汽车、船舶、石化、轻工、有色金属、装备制造业、电子信息及物流业等产业一起，是我国主要的产业构成。纺织品生产过程中，布匹表面缺陷是影响布匹质量的关键因素。布面瑕疵直接影响到布匹的定级，二等品的价格只有一等品的45％-65％，织物疵点严重影响纺织行业经济收入。因此，布匹瑕疵检测在纺织品质量控制方面显得尤为重要。

长期以来，布匹检测一般由人工完成。人工检测速度一般在15-20米每分钟。人工检测依赖验布人员的经验和熟练程度，评价标准不稳定不一致，因而经常会产生误检和漏检，熟练的验布人员也只能发现约70％的疵点。另外，布匹缺陷检测对工人来说是一个繁重无味的体力劳动，且极大的伤害了验布工人的视力。使用自动布匹检测系统是纺织厂提高生产效率，节省人力成本，产业转型升级的必经之路。

申请号为：201410467132.5的中国专利公开了“基于机器视觉的布匹疵点自动检测识别装置及方法”，该装置及方法虽然克服传统人工目检测速度慢、精度低、漏检率高、误检率高的缺陷，但是其不具有自我学性能，随着工业的发展，它将难以满足更高的工业需求。

发明内容

本发明的目的旨在提供一种基于机器学习的布匹缺陷检测方法及装置，能够将工人从繁重无味的体力劳动中解脱出来，并且该基于机器学习的布匹缺陷检测方法及装置具有自我学习功能，可以满足不断发展的工业需求。

为实现上述技术方案，本发明提供了一种基于机器学习的布匹缺陷检测方法，包括以下步骤：

步骤1：图像分割，为了方便后续处理，将采集图像同一分割为256*256的子图像；

步骤2：图像预处理；

步骤3：子图像特征提取，采用基于Gabor小波变换和投影法结合的图像处理方法提取子图像的特征参数；

步骤4：布匹疵点检测；

步骤5：布匹疵点分类。

优选的，所述步骤2具体如下：

步骤21：图像增强，提取有效区域；

步骤22：图像去噪，采用高斯滤波器去除噪声；

步骤23：疵点区域分割，将布匹疵点区域从整幅图像中分割出来。

优选的，所述步骤4具体如下：

步骤41：离线布匹学习阶段，将工业相机拍摄的无疵点的布匹图像作为标准图像存入工控机，采用基于小波变换和投影法结合的图像处理方法提取标准图像的特征参数，包括布匹图像的均值和方差，将特征参数作为BP神经网络的输入信号，使用BP神经网络对特征参数进行训练，然后进行输出，输出信号作为在线布匹检测的标准值；

步骤42：在线布匹检测阶段，将步骤3中提取的子图像特征参数作为输入信号，使用BP神经网络对子图像特征参数进行检测，通过与标准值对比将被检测布匹分为有缺陷、伪缺陷和无缺陷三类

优选的，所述步骤5具体如下：

步骤51：布匹疵点分类阶段，对步骤4中检测到的疵点图像，采用基于卷积神经网络的深度学习算法对布匹缺陷进行分类，具体包括三步骤：

步骤511：利用多层卷积神经网络自动选取抽象高层特征向量，所述多层卷积神经网络包括输入层、卷积层、采样层和输出层，所述多层卷积神经网络具体如下：

输入层，输入层没有输入值，只有一个输出向量，这个向量的大小就是图片的大小，即一个28*28矩阵；

卷积层，卷积层的输入来源于输入层或者采样层，如图4红色部分，卷积层的每一个map都有一个大小相同的卷积核，本发明采用5*5的卷积核，以卷积核大小2*2为例，上一层的特征map大小为4*4，用这个卷积在图片上滚一遍，得到一个一个(4-2+1)*(4-2+1)＝3*3的特征map，卷积核每次移动一步，因此，卷积层的一个map与上层的所有map都关联，如图3的S2和C3，即C3共有6*12个卷积核，卷积层的每一个特征map是不同的卷积核在前一层所有map上作卷积并将对应元素累加后加一个偏置，再由sigmoid激活函数得到输出；

采样层，采样层是对上一层map的一个采样处理，采样方式是对上一层map的相邻小区域进行聚合统计，区域大小为scale*scale，有些实现是取小区域的最大值，本发明采用2*2小区域的均值；

输出层，输出层与最后的采样层S4全连接，提取布匹整体的特征信息，得到最终布匹图像的高层特征向量，用于后续的分类器的输入；