[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

说明书

本发明涉及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，该方法包括：获取纺织物图像的灰度图，将灰度图分割为多个块图像；根据块图像的像素点位置分布和灰度值变化特征，获取多个高斯混合子模型；根据高斯混合子模型获取可能存在缺陷的高斯混合子模型的缺陷占比量，根据缺陷占比量获取训练图像集，根据训练图像集对构建的缺陷检测网络模型进行训练，利用训练完成的缺陷检测网络模型对待检测的纺织物图像进行检测，判断待检测纺织物图像中缺陷的位置，本发明方法通过训练好的缺陷检测网络模型对待检测纺织物图像进行检测，不仅提高了检测效率，同时提高了缺陷检测的精确度，实用性强，值得推广。

技术领域

本发明涉及纺织物缺陷检测技术领域，具体涉及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。

背景技术

随着机器视觉和人工智能的不断发展，逐渐应用到了纺织物表面缺陷检测领域。现有技术中，针对纺织物表面缺陷的检测，专利号为CN101063660，专利名称为一种纺织品缺陷检测方法及其装置公开了利用小波变换对图像进行小波分解，获取不同方向的高频信息和近似分量，并利用自适应阈值处理，进行纺织物缺陷定位。

然而，通过不同方向上的高频信息虽然能够得到纺织物表面纹理信息，但是纺织物缺陷相较于纺织物表面纹理同样属于高频信息，不同的缺陷程度，高频信息变化的程度也不同，从而使得简单的阈值处理很难保证检测精度，因此，需要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。

发明内容

本发明提供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，以解决现有的问题。

本发明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采用如下技术方案：该方法包括：

S1、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。

优选的，S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。

优选的，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。