[发明专利]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

说明书

本发明公开了一种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，属于图像处理技术领域。包含缺陷区域定位模块与缺陷语义分割模块。缺陷区域定位模块利用局部卷积神经网络和全局卷积神经网络两个深度学习模型进行融合，自动提取织物缺陷的高级特征并将其作用于缺陷图像，获得缺陷区域的精确定位。缺陷语义分割模块利用缺陷区域的定位结果，结合基于视觉显著性的超像素图像分割方法，获取缺陷先验前景点并对缺陷目标进行精准分割，最终实现缺陷的检测。本发明利用多深度学习融合的织物缺陷定位网络与改进的视觉显著性的织物缺陷分割网络，对织物图像的适应能力好，精度高，可以有效地对复杂背景与噪声干扰下的织物图像中的缺陷进行检测。

技术领域

本发明涉及图像处理中的视觉检测领域，尤其涉及一种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。

背景技术

随着纺织行业的飞速发展，人们对织物布匹质量的控制也越来越严格，而织物疵点通常是影响布匹质量的关键因素。传统的织物缺陷检测方法大多是基于手工测量和人眼观察来完成，在实际应用中有很大的局限性，如主观性强、检测结果的一致性差，不能很准确的实现对细小缺陷、色差不明显缺陷的完全检测等。目前，现有的自动化织物缺陷检测算法主要分为三类：(1)基于统计的方法、(2)基于谱分析的方法、(3)基于模型的方法。基于模型的方法利用缺陷图像构建分解模型，获得织物图像的纹理信息并重构无缺陷图像，通过比较输入图像与重构无缺陷图像之间的差别来定位缺陷。该类方法通常精确度不高，并且具有相当大的计算复杂度。基于统计的方法利用傅立叶变换、Gabor滤波器以及小波变换提取缺陷图像的频域特性，其算法性能很大程度上取决于算法所选用的滤波器种类以及织物图像的背景。基于统计的方法通过局部二值模式、灰度共生矩阵以及直方图统计等方法统计纹理与缺陷的不同特性，可以有效的检测织物缺陷，但织物背景图案及缺陷形状的不同对该类方法的影响较大。

上述研究可以准确地对单一背景和纯色背景下的织物缺陷进行定位与分割，但对于背景复杂、图案不规则的织物图像中的缺陷检测效果不佳。

发明内容

本发明所要解决的技术问题是：提供一种织物缺陷检测方法，以实现对背景复杂、图案不规则的织物图像中的缺陷进行有效的检测。

为了实现上述目的，本发明采取以下技术方案。

一种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，包括以下步骤：

(1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；

(2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；

(3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型不负责对每个像素点进行预测，而是对待测试图像进行缺陷区域的初始定位，获得一些缺陷区域的边界框，所述边界框是缺陷候选区域；

(4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；

(5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且根据显著函数计算输入图像的先验显著图；