[发明专利]基于One-Class深度支持向量描述的布匹疵点检测方法

说明书

本发明公开了一种基于One‑Class深度支持向量描述的布匹疵点检测方法，在半监督的条件下，利用深度卷积神经网络的优势，提取出图像有效的深度特征，通过训练，在高维空间中映射出可以准确描述正常样本点超球体模型。实现了端到端的布匹瑕疵检测。通过训练得到的网络参数和超球体半径即可完整地描述出测试样本与超球体的关系，实现瑕疵的判别。解决了以往模型中内存占用大，检测速度慢，限定瑕疵种类等问题。

技术领域

本发明涉及纺织品图像处理技术领域，尤其是一种基于One-Class深度支持向量描述的 布匹疵点检测方法。

背景技术

随着科学技术的快速发展，纺织行业面临着激烈的竞争，布匹质量的优劣对纺织生产效 益影响巨大，现有人工的检测方法检测速度慢，质检员平均注意力集中的时间有限，当疲劳 出现时，检测准确性会下降。据有关统计，织物疵点人眼检测的漏检率高达30％以上。在产 业转型的新阶段，各大纺织企业争相提高自己的产品质量，高标准意味着更高的检测成本。 如何减少人工参与，加快自动化进行是当前面临的挑战。

近几年，疵点检测已成为图像处理和机器视觉领域的研究热点，机器视觉技术在布匹疵 点检测上发挥越来越广泛的作用。目前，现有的疵点检测方法可大致分为两大类：传统图像 处理和模式识别的检测方法和基于深度学习的检测方法。

在传统的图像处理和模式识别的检测方法中，布匹瑕疵的特征可以通过不同的算子进行 检测，但提取特征的算子和特征的设计主要是靠人工经验的确定。在基于深度学习的检测方 法中，可以通过卷积神经网络CNN自动学习出布匹图像的有效特征，这些特征相比于传统手工提取特征有更高的通用性和可迁移性，目前深度学习应用于瑕疵检测的常用方法是使用 CNN网络作为特征提取器，并联合传统单分类模型OC-SVM(或SVDD)进行训练，这种两 步混合的方法中，以最大限度地提高了检测性能。但混合方法的一个显著缺点是缺乏可训练 的、自定义的异常检测目标，因为这些模型不能提取丰富的差分特征来检测异常值，这种两 步的检测方式，增加了训练成本和难度。

无论是基于传统的方法还是目前基于深度学习的检测方法，对于织物疵点检测仍存在以 下问题：(1)现有的疵点检测方法都是针对某类或某几类瑕疵类型进行算法设计的，对可能 出现的疵点类别范畴有严格的划分，超出特定领域就没有好的效果，通用性差；(2)在现有 基于单分类的深度学习方法中，如果采用两步法进行训练，模型不能充分地提取差分特征来 检测异常，并且在训练CNN模型后，还需要对分类器进行再次训练，不能以端到端的学习方 式进行检测，并且占用了大量内存资源，增加了训练成本和难度。

发明内容

本发明的目的是提供一种基于One-Class深度支持向量描述的布匹疵点检测方法，技术 方案为：

包括如下步骤：步骤1：在无瑕疵布匹样本库中，在布匹图像上分块操作，得到4000-5000 张无瑕疵布匹图像块作为训练数据；步骤2：在有瑕疵布匹样本库中，在布匹图像上使用滑 动窗口法进行分块操作，人工将图像块分类，分为有瑕疵图像块和无瑕疵图像块，两种图像 块的数量用作测试数据；步骤3：对步骤1中的训练数据使用Deep SVDD模型进行训练，通 过卷积神经网络的特征提取和神经网络的学习可将原始数据映射到高维空间中的一个最小体积超球内，得到高维空间中的一个紧凑的描述，生成Model；步骤4：将测试数据图像使用训 练好的Model进行检测，得到异常分数，正常样本映射到超球面的内部，异常分数为负值； 异常样本映射到超球面的外部，异常分数为正值；所有测试异常分数将作为测试图像的判定指标；步骤5：对步骤4测试数据得到的异常分数从高到低进行排序，确定分类阈值，将异 常分数大于分类阈值的判定为负样本，小于分类阈值的判定为正样本，最终判断出所有测试 图像的类别情况，即所有的正样本和负样本。

进一步地，步骤1中采用滑动窗口法进行分块操作，具体过程如下：将800×600的原始 图像以100×75的窗口做左上至右下进行滑动，宽度方向步长为50，长度方向步长为75，若 切割的图像块宽度小于100或高度小于75则去掉该图像块。