[发明专利]基于人工智能和高斯混合模型的纺织物表面缺陷检测方法

权利要求书

1.基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，该方法包括：

S1、采集纺织物图像并获取纺织物图像的灰度图，对灰度图进行分割得到对多个块图像；

S2、获取各个块图像的像素点灰度值的变化特征和像素点的分布位置，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型；

S3、对多个高斯混合子模型进行聚类，得到多个聚类簇，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量，获取所有占比量中的最高占比量，最高占比量所对应的聚类簇记为正常纹理的高斯分布模型，其他占比量记为可能存在缺陷的高斯分布模型数量的缺陷占比量；

S4、缺陷占比量等于0所对应的块图像作为正样本图像、缺陷占比量大于0所对应的块图像作为负样本图像；

S5、构建缺陷检测网络模型，根据缺陷占比量对缺陷检测网络模型的每层网络卷积层的神经元丢弃率进行调节，得到调节后的缺陷检测网络模型，对调节后的缺陷检测网络模型进行训练，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；

S6、重复S1到S4步骤，获取待测纺织物图像的待测正样本图像和待测负样本图像，将待测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型，得出待测纺织物图像的置信度，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像。

2.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，S1的步骤中还包括：

利用中值滤波去噪算法对灰度图进行去噪处理；

利用直方图均衡化算法对灰度图进行灰度增强；

对去噪处理和灰度增强处理后的灰度图进行分割得到对多个块图像。

3.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型的步骤包括：

将所有的分割块图像作为高斯混合建模样本，初始化高斯混合模型中的方差、均值、权值参数；

获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征，根据像素点的分布位置和像素点灰度值的变化特征利用EM算法进行高斯模型拟合；得到K个高斯混合子模型。

4.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量的步骤包括：

设得到Q个聚类簇，对Q个聚类簇内的高斯混合子模型进行统计；

根据下式(1)获取每个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量：

其中，Z_i表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量，Num(Q_i)表示第i个聚类簇中高斯混合子模型的数量；K表示所有聚类簇内高斯混合子模型的数量，i表示第几个聚类簇。

5.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，对缺陷检测网络进行训练的步骤包括：

将正样本图像和负样本图像输入缺陷检测网络模型的缺陷检测编码器中；

经过对正样本图像和负样本图像卷积、池化获取正样本图像和负样本图像的特征张量，对每层网络卷积层的神经元丢弃率p进行调节，预设初始的神经元丢弃率p₀，

获取正样本图像和负样本图像对应的缺陷占比量的平均值，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率；

对调节后的神经元丢弃率进行归一化处理，范围为[0,1]之间。