[发明专利]一种针对大分辨率布匹图像中的小瑕疵的高效检验算法

摘要

本发明涉及一种针对大分辨率布匹图像中的小瑕疵的高效检验算法，包括：(1)通过摄像头采集图像，然后使用labelImg工具图像进行标注；(2)将处理后图像拆分成训练集和测试集，训练集用来训练检验模型，测试集用来评估检验模型性能；(3)将训练集图像和对应的类别信息位置信息等输入到改进的se‑resnext101检验模型中，训练检验模型；(4)采用训练后的检验模型处理测试集中的图像，获取瑕疵的大致位置和对应的类别。本发明的方法可以对单分辨率的输入图像实现多尺度特征图的处理，从而处理多尺度图像块，这样可以适应多种不同大小的瑕疵，大幅度提高检测精度和速度；同时该算法实现在图像分类框架上获取瑕疵大致位置和处理图像中存在多种瑕疵的情况。

主权项

1.一种针对大分辨率布匹图像中的小瑕疵的高效检验算法，其特征在于，包括如下步骤：(1)图像采集，利用分辨率为2560*1920的摄像头对布匹图像进行拍摄，获取相关的数据集并对图像重命名，如1.jpg，2.jpg，3.jpg，…，M.jpg等，接着将图像缩放到1024*768大小，并采用label Img工具对拍摄的图像进行标注，获取图像中关于瑕疵的标签，瑕疵的标签包含了瑕疵在图像中左上角的坐标(x1，y1)，右下角的坐标(x2，y2)和瑕疵的类别defectN，其中N表示数字，如1，2，3，…等，特别的，如果拍摄的图像中没有瑕疵，我们不会用labelImg进行处理，只记录其类别信息norm；(2)图像划分，将图像划分成训练集和测试集两部分，两个部分不存在相同的图像，训练集用来训练检验模型，测试集用来评估检验模型的性能；(3)图像预处理，包括随机上下翻转、随机左右翻转和随机光照改变等，其中随机上下翻转、随机左右翻转和随机光照改变只针对训练集，特别的，当进行随机上下翻转和随机左右翻转的时候，瑕疵的坐标信息也需要做出相应的变化；(4)训练检验模型，将经过图像预处理后的训练集中的图像和标签信息输入到检验模型中进行训练，检验模型是在se‑resnext101的基础上进行改进的，使得网络可以针对单分辨率的输入图像在模型上获取多尺度特征图，通过检验模型的前向传播获取每个特征图上每个特征点的类别概率值，通过Focal Loss函数计算分类损失，利用带动量的梯度下降算法反向传播训练模型；(5)布匹图像检验，将测试集中的图像输入到训练好的检验模型中提取特征并获取多尺度特征图上每个特征点的类别概率值；如果三张特征图中有两张及以上的特征图中所有特征点都判为norm，则认为该图像类别为norm，其他情况则认为图像中存在瑕疵；对于判别为存在瑕疵的图像，我们利用每个特征点都对应原图中的某个图像块，通过特征点的预测类别转换对应图像块的像素值获取相关的热力图，叠加多种特征图对应的热力图获得最终的热力图，由最终的热力图得到瑕疵的大致位置，对瑕疵附近的图像块取概率均值得到该瑕疵的类别，特别的，该算法可以处理图像中存在多瑕疵的情况，并得到各个瑕疵的类别和大致位置。