[发明专利]基于深度学习的布匹缺陷检测方法

权利要求书

1.一种基于深度学习的布匹缺陷检测方法，其特征在于，包括以下步骤：

步骤1：建立不同类型缺陷的布匹检测图像库及其标签库；

步骤2：建立基于深度学习的目标检测模型；

步骤3：建立基于深度学习的图像分类模型；

步骤4：利用数据增强技术扩充步骤1的布匹检测图像库，以增加布匹检测图像库的内容多样性；

步骤5：训练布匹缺陷检测模型；

步骤6：训练布匹缺陷分类模型；

步骤7：将待检测的布匹图像输入布匹缺陷检测模型中，获得布匹图像区域，利用布匹缺陷检测模型判断布匹是否存在缺陷，若是，则利用布匹缺陷分类模型来判断布匹缺陷的具体类型，并将具体类型记录于服务器内。

2.根据权利要求1所述的基于深度学习的布匹缺陷检测方法，其特征在于：步骤1中标签库中的标签类别包括正常、扎洞、毛斑、擦洞、毛洞、织稀、吊经、缺经、跳花及油/污渍；所述布匹检测图像库中的图像为完整高清图像按照图片像素宽度不超过1024或图片像素高度不低于900的规则等比缩放形成。

3.根据权利要求1所述的基于深度学习的布匹缺陷检测方法，其特征在于：步骤2中的目标检测模型包括基础网络、区域提议网络和Fast R-CNN检测网络，其中，所述基础网络用于对输入图片进行高纬度的深层特征提取，并生成一组特征图；所述区域提议网络用于在基础网络所生成的特征图上，使用卷积操作生成尺寸与深度皆一致的特征图，然后再通过卷积操作计算是否含有目标的置信度和相应提议区域位置坐标，以生成提议区域；所述Fast R-CNN检测网络用于根据区域提议网络所生成的提议区域，在每个提议区域上进行感兴趣区域池化操作，并通过并行的两组全连接层计算目标种类的置信度和目标位置坐标。

4.根据权利要求3所述的基于深度学习的布匹缺陷检测方法，其特征在于：所述基础网络选用神经结构搜索网络ResNet。

5.根据权利要求3所述的基于深度学习的布匹缺陷检测方法，其特征在于：所述置信度的计算属于分类任务，训练时采用的损失函数是Softmax Loss；所述提议区域位置坐标的计算属于回归任务，训练时采用的损失函数是SmoothL1 Loss。

6.根据权利要求1所述的基于深度学习的布匹缺陷检测方法，其特征在于：步骤3中的图像分类模型基于深度残差网络ResNet训练而成。

7.根据权利要求1所述的基于深度学习的布匹缺陷检测方法，其特征在于，步骤4具体为：将布匹检测图像库中的某一张原图随机通过包括旋转、填充式裁剪、灰度化的数据增强操作，以变换为一张新的图像。

8.根据权利要求1所述的基于深度学习的布匹缺陷检测方法，其特征在于，步骤5具体为：

(1)对步骤1建立的布匹检测图像库及其标签库进行训练集与测试集的划分；

(2)将步骤2建立的目标检测模型通过反向传播算法在训练集上进行训练；

(3)利用步骤4的数据增强技术提升布匹缺陷检测模型的性能，以得到最终的布匹缺陷检测模型。

9.根据权利要求1所述的基于深度学习的布匹缺陷检测方法，其特征在于，步骤6具体为：

(1)对步骤1建立的布匹检测图像库及其标签库进行训练集与测试集的划分；

(2)将步骤3建立的图像分类模型通过反向传播算法在训练集上进行训练；

(3)利用步骤4的数据增强技术提升布匹缺陷分类模型的性能，以得到最终的布匹缺陷分类模型。

10.根据权利要求9所述的基于深度学习的布匹缺陷检测方法，其特征在于：步骤6中，训练所用的初始化模型为在COCO数据集上训练所得的模型。