[发明专利]一种针对色织物裁片缺陷区域的检测方法

说明书

本发明一种针对色织物裁片缺陷区域的检测方法，具体按照以下步骤实施：步骤1、每次随机选取待检测的色织物裁片彩色图像中的一张无缺陷图像，将该张无缺陷图像进行先叠加噪声，后输入至U型去噪卷积自编码模型中进行迭代处理，重复操作多次，直至U型去噪卷积自编码模型达到设定的迭代次数，得到训练好的U型去噪卷积自编码模型；步骤2、将所有待检测的色织物裁片彩色图像输入至训练好的U型去噪卷积自编码模型中输出各自对应的重构图像，再进行检测从而确定缺陷区域。本发明一种针对色织物裁片缺陷区域的检测方法，能够有效地对色织物图像重构修复，从而可以快速、准确地检测出色织物缺陷。

技术领域

本发明属于色织物缺陷检测技术领域，具体涉及一种针对色织物裁片缺陷区域的检测方法。

背景技术

色织物花型美观大方，其花型一般由染色的纱线经纬交织而成，但由于色织物品质波动和生产过程中的不确定因素，色织物裁片外观不可避免地会出现缺陷，如破洞、断头、双纱等。为了提高色织物的品质、降低缺陷裁片对色织物产品的影响，经过裁剪工序加工的裁片在进入缝制工序前，需要进行严格检测。目前，色织物裁片的缺陷检测基本依赖人工目测，人工检测方法效率低、速度慢且准确率不稳定。因此，亟需一种高效率的机器视觉方法来解决人工目测存在的问题。

目前，基于机器视觉的织物缺陷检测技术已成为纺织行业的一个研究热点。针对纹理、花型相对固定的织物品种，研究人员设计了多种能够区分缺陷区域和织物背景图像特征的传统织物缺陷检测方法，可分为基于统计的、基于谱特征的、基于结构的、基于模型的、基于字典学习的和混合的检测方法。传统检测方法只能针对特定织物，人工设计精巧的检测算法来判别织物的特征以实现织物的缺陷检测，具有成本高且难以适用于新的色织物花型检测的缺点。而对于产量大且花型固定的织物品种，易于构建缺陷样本数量丰富、缺陷种类相对平衡的数据集，如果再对这些缺陷样本进行准确地人工标注，借助有监督机器学习的织物缺陷检测方法能够很好地实现织物缺陷的检测、分类，但在实际生产场景中，色织物花型品种随市场需求而变化，难以构建缺陷种类完备的织物数据库，更难以实现完备地人工标注，因此，基于有监督机器学习的织物缺陷检测方法难以适应于色织物的缺陷检测。而无监督机器学习的色织物缺陷检测方法由于不需要人工手动标记缺陷区域，已经引起了部分色织物缺陷检测研究人员的关注。无监督机器学习的织物缺陷检测模型可以有效利用实际生产中无缺陷样本容易获取的优势，以及不需要标注缺陷样本的巨大优点，通过去噪、重构得到待测样本的修复图像，再计算待测样本与其修复图像的残差图像，即可快速检测和定位色织物的缺陷区域。但是目前无监督机器学习的色织物缺陷检测方法较少，并且所借助的模型也不同，导致缺陷检测效果参差不齐。

发明内容

本发明的目的是提供一种针对色织物裁片缺陷区域的检测方法，能够有效地对色织物图像重构修复，从而可以快速、准确地检测出色织物缺陷。

本发明所采用的技术方案是：一种针对色织物裁片缺陷区域的检测方法，具体按照以下步骤实施：

步骤1、每次随机选取待检测的色织物裁片彩色图像中的一张无缺陷图像，将该张无缺陷图像进行先叠加噪声，后输入至U型去噪卷积自编码模型中进行迭代处理，重复操作多次，直至U型去噪卷积自编码模型达到设定的迭代次数，得到训练好的U型去噪卷积自编码模型；

步骤2、将所有待检测的色织物裁片彩色图像输入至训练好的U型去噪卷积自编码模型中输出各自对应的重构图像，再进行检测从而确定缺陷区域。

本发明的特点还在于，U型去噪卷积自编码模型的输入层和输出层均为三通道图像结构，隐藏层采用对称性卷积和反卷积网络组成的自编码器结构，U型去噪卷积自编码模型的卷积神经网络采用padding填充方式。

步骤1中叠加噪声的具体操作步骤如式(1)所示：

式中，X为无缺陷图像，N(0,1)为服从均值为0，标准差为1的标准正态分布的高斯噪声，为叠加噪声后的无缺陷图像。