[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

本发明公开了一种针对色织物裁片缺陷区域的检测方法，具体为：步骤1，构建注意力量子化变分自编码器模型；步骤2，将无缺陷色织衬衫裁片图像叠加噪声；步骤3，将叠加噪声之后的无缺陷色织衬衫裁片图像输入步骤1构建的注意力量子化变分自编码器模型中对模型训练，直到达到设定的迭代次数，得到训练好的注意力量子化变分自编码器模型；步骤4，将待检测的色织物裁片彩色图像输入至训练好的注意力量子化变分自编码器模型中输出对应的重构图像，再进行检测从而确定缺陷区域。本发明的一种针对色织物裁片缺陷区域的检测方法，解决了现有技术中存在的对复杂色织花型缺陷检测效果不佳的问题。

技术领域

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

背景技术

色织衬衫花型美观多样，近年来产销量与日俱增，已成为我国出口创汇的重要服装产品之一。在色织物生产过程中，由于织造设备故障、纱线问题等因素的影响，衬衫裁片外观不可避免的出现缺陷，如破洞、断头、双纱等问题。为了降低缺陷裁片对色织衬衫质量的影响，多数色织衬衫织造企业在衬衫裁片缝制工序之前，加入人工验片的工序，利用人眼进行检测并剔除有缺陷裁片。但受个人主观因素限制，人工检测方法效率低且准确率不稳定。因此，随着计算机视觉技术和图像处理技术的迅猛发展，利用计算机视觉技术辅助织物疵点自动检测的方法吸引了产业界和学术界的广泛关注。

传统的织物缺陷检测方法主要可分为4类：基于统计的方法，基于结构的方法，基于频谱的方法和基于模型的方法。然而，传统的视觉纹理缺陷检测方法大多是利用人工设计提取每个纹理图像小块的特征来区分缺陷区域和无缺陷区域，然而，这些方法的性能在很大程度上受限于每个纹理图像块人工设计提取的特征的识别能力。因此，传统的纹理缺陷视觉检测方法无法同时对多种纹理类型进行良好的检测。

近几年，随着深度学习领域的快速发展，深度神经网络也被广泛应用于织物缺陷检测与分类。与传统的特征提取方法相比，深度神经网络由数据驱动，不需要特定的领域知识，而且它可以提取到传统方式难以提取到的深层抽象特征。在众多深度神经网络中，有监督的网络模型，比如CNN、监督式 SAE和DNN等,在织物缺陷检测领域取得了显著的成果。但是，在实际的工业应用中，获取大量的标记缺陷样本来训练神经网络是非常困难的，因此，有监督深度模型在织物缺陷检测的应用中受到了很大的限制。

针对上述问题，一些学者开始探索利用无监督的深度模型去实现织物缺陷检测的方法。无监督的深度学习方法具有在训练阶段不需要缺陷样本，不需要人工手动标记缺陷区域等优点。目前，无监督深度学习的方法多是针对颜色、纹理单一的花型，对复杂色织花型缺陷检测效果不佳。

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，解决了现有技术中存在的对复杂色织花型缺陷检测效果不佳的问题。

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，具体按照如下步骤实施：

步骤1，在量子化变分自编码器的模型内融入注意力机制构建注意力量子化变分自编码器模型；

步骤2，准备色织物裁片彩色图像数据集，对色织物裁片彩色图像数据集中的无缺陷色织衬衫裁片图像叠加噪声；

步骤3，将步骤2叠加噪声之后的无缺陷色织衬衫裁片图像输入步骤1 构建的注意力量子化变分自编码器模型中对模型训练，直到达到设定的迭代次数，得到训练好的注意力量子化变分自编码器模型；

步骤4，将待检测的色织物裁片彩色图像输入至训练好的注意力量子化变分自编码器模型中输出对应的重构图像，再进行检测从而确定缺陷区域。

本发明的特征还在于，

步骤1中的注意力量子化变分自编码器模型包括依次连接的编码器、潜在嵌入空间和解码器。