應用深度卷積神經(jīng)網(wǎng)絡(luò )的色織物缺陷檢測系統

    紡織行業(yè)日趨激烈。布匹質(zhì)量的優(yōu)劣程度對紡織生產(chǎn)影響相當巨大，各大紡織企業(yè)面臨著(zhù)高標準，嚴要求，低成本的巨大壓力。自動(dòng)織物缺陷檢測系統具有廣闊的研究前景。
    瑕疵檢測是機器視覺(jué)技術(shù)最難的部分，傳統的瑕疵檢測，基于模板和特定的過(guò)程學(xué)習后，對產(chǎn)品進(jìn)行判斷。但是產(chǎn)品的瑕疵不確定因素很多，傳統的做法，很難真正意義上實(shí)現瑕疵檢測。采用視覺(jué)技術(shù)借助人工智能，通過(guò)深度學(xué)習的算法，為瑕疵檢測賦能，并已在多個(gè)行業(yè)得到應用。
    對于自動(dòng)織物缺陷檢測系統而言，核心部分是織物缺陷檢測算法，而檢測算法中最重要的部分在于圖像特征值的選擇。本文采取一種基于深度學(xué)習模式的深度卷積神經(jīng)網(wǎng)絡(luò )的色織物缺陷檢測算法。
    其中多隱層的卷積神經(jīng)網(wǎng)絡(luò )模擬了生物神經(jīng)網(wǎng)絡(luò )，降低了網(wǎng)絡(luò )模型的復雜度，從而具有更優(yōu)異的特征學(xué)習能力，織物的圖像特征得到了更準確地提取，更有利于后續的圖像特征提取及分類(lèi)。
    本文對缺陷織物進(jìn)行最優(yōu)尺寸高斯濾波預處理操作，不僅可以有效濾除細節噪聲，而且不會(huì )造成圖像邊緣信息的模糊。
基于深度卷積神經(jīng)網(wǎng)絡(luò )的色織物缺陷檢測過(guò)程主要包括：
1、對采集到的色織物進(jìn)行預處理
    采用基于圖像信噪比選擇優(yōu)化尺寸的高斯濾波進(jìn)行織物預處理，該操作不僅可以有效濾除細節噪聲，而且大量保留圖像邊緣信息。
    該算法首先通過(guò)織物圖像信噪比評估圖像手噪聲影響的程度，然后根據最小化一階Holder優(yōu)化準則，確定高斯濾波函數中的最優(yōu)標準方差，并根據最小二乘法擬合出最終的高斯濾波函數尺度，實(shí)現預處理。同時(shí)，為了使圖像更加清晰，采用自適應直方圖均衡化增強圖像對比度。
2、構建深度卷積神經(jīng)網(wǎng)絡(luò )，獲取特征字典和映射函數

    缺陷檢測過(guò)程包括訓練階段和檢測階段，其中算法的訓練階段是對無(wú)缺陷樣本集進(jìn)行卷積神經(jīng)網(wǎng)絡(luò )和徑向基神經(jīng)網(wǎng)絡(luò )的構建，并利用反向傳播算法進(jìn)行參數調整與字典更新，從而獲得深度卷積神經(jīng)網(wǎng)絡(luò )的卷積字典和映射函數。算法的檢測階段包括利用獲取的映射函數對織物圖像進(jìn)行重構，并根據深度卷積字典提取重構圖像的圖像特征。

    卷積神經(jīng)網(wǎng)絡(luò )的整個(gè)結構如圖2所示。其中輸入圖像作為輸入層。自底而上，從輸入層到S1是卷積過(guò)程，主要是增強原圖像特征，降低噪聲。

3、利用Meanshift算法進(jìn)行圖像閾值分割實(shí)現缺陷檢測
    通過(guò)Meanshift算法對圖像特征進(jìn)行圖像分割，獲取較突出的缺陷區域，并對分割出來(lái)的缺陷部分進(jìn)行雙峰法的二值化處理，得到色織物的二值化缺陷檢測結果。實(shí)驗驗證了算法的有效性，對400幅缺陷檢測樣本中20種缺陷類(lèi)型的識別率較高，且適應性較強，可以實(shí)現高效率、高準確率、縮短檢測時(shí)間的目的，基本達到工業(yè)現場(chǎng)對色織物顏色及缺陷種類(lèi)在線(xiàn)檢測的要求。
    織物背景紋理相對復雜，缺陷與背景紋理難以辨別導致檢測成功率相對較低。但是對于工業(yè)現場(chǎng)經(jīng)常出現的帶紗、破洞、污漬、結頭等缺陷檢測成功率是較高的，色織物的缺陷位置和形狀可得到較好的可視化效果，檢測效果較理想。