一种织物缺陷检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937143A(43)申请公布日2023.04.07(21)申请号202211571542.5G06N3/08(2023.01)(22)申请日2022.12.08(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人张桦吴奕飞吴以凡张灵均(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240专利代理师朱月芬(51)Int.Cl.G06T7/00(2017.01)G06V10/764(2022.01)G06V10/82(2022.01)G06N3/0464(2023.01)G06N3/048(2023.01)权利要求书2页说明书6页附图1页(54)发明名称一种织物缺陷检测方法(57)摘要本发明公开了一种织物缺陷检测方法，首先构建数据集，对数据集进行预处理；再构建织物缺陷检测R‑CNN网络模型，织物缺陷检测R‑CNN网络模型由4个卷积层和4个最大池化层，及2个全连接层组成，随后训练织物缺陷检测R‑CNN网络模型；最后使用分类阈值降低方法降低FN样本数量；本发明提出了一种新的织物缺陷检测R‑CNN网络模型。该模型不仅提供了良好的特征检测准确性，且运行成本低，易于实施，可以更好地适用于工业环境下的实际操作情况。CN115937143ACN115937143A权利要求书1/2页1.一种织物缺陷检测方法，其特征在于，包括如下步骤：步骤一：构建数据集；步骤二：数据集预处理；步骤三：构建织物缺陷检测R‑CNN网络模型；织物缺陷检测R‑CNN网络模型由4个卷积层和4个最大池化层，及2个全连接层组成；步骤四：训练织物缺陷检测R‑CNN网络模型；步骤五：使用分类阈值降低方法降低FN样本数量。2.根据权利要求1所述的一种织物缺陷检测方法，其特征在于，步骤一具体方法如下：使用四个不同的数据集；除了现有的TILDA，MVTec和Stains数据集之外，创建了一个新的自建数据集；所述的自建数据集分为两个部分，分别用于训练和测试阶段；其他三个数据集仅在测试阶段使用；所述自建数据集是用来自两个不同来源的图像构成的，包括来自CottonIncorporated的织物缺陷图像的样本和从网络中提取的织物图像；来自CottonIncorporated的数据集包含具有6种缺陷类型的194个512×512织物图像，从而可以更广泛地表示织物缺陷类别；为了补充和增加此数据集中的样本数量，从网络中提取织物图像，包括了6个缺陷类型的纹理图像，每个类别包含了200个无缺陷图像样本和10个有缺陷图像样本，每个图像中有且仅有一个缺陷，合计1454张图片作为样本，采用开源工具Labelme进行图像标注。3.根据权利要求2所述的一种织物缺陷检测方法，其特征在于，步骤二具体方法如下：(1)图像大小调整：通过resize函数进行对自建数据集中的图片进行缩放；原始图像宽高比参数为512×512在此基础上缩小并进行测试，并找到适合模型的图像大小，确定输入大小固定为150×150；(2)灰度变换：图像中每个像素灰度值由R,G,B三个单色取加权平均：D＝0.299R+0.587G+0.114B将自建数据集中的图像转换为灰度直方图后，像素灰度信息集中于100～200之间，无法突出细节信息；使用灰度直方图均衡化来修正图像中像素灰度；直方图均衡化公式如下：其中，L＝256为灰度级数，cdf为累积分布函数，min和max分别为灰度直方图中灰度最小值与最大值；round函数返回点数四舍五入运算后的整数结果。4.根据权利要求3所述的一种织物缺陷检测方法，其特征在于，步骤三具体方法如下：织物缺陷检测R‑CNN网络模型由4个卷积层和4个最大池化层，及2个全连接层组成；每个卷积层后连接一个最大池化层，最后一层最大池化层后依次连接2个全连接层；最大池化层max‑pooling卷积核的大小是2×2；下表为所有层及超参数，输入图像为150×150×1；层输出特征图超参数2CN115937143A权利要求书2/2页Conv1150×150×64F＝64,K＝5,S＝1,p＝2Max‑pool175×75×64S＝2Conv275×75×64F＝64,K＝5,S＝1,p＝2Max‑pool238×38×64S＝2Conv338×38×128F＝128,K＝3,S＝1,p＝2Max‑pool313×13×128S＝3Conv413×13×128F＝128,K＝3,S＝1,p＝2Max‑pool45×5×128S＝3全连接层1256神经元256全连接层2128神经元128其中F是特征图的数量，K对应于卷积核大小kernel_size，S是卷积步长stride，p是填充padding；神经元激活函数为ReLu；损失