一种渐进式织物疵点自动检测系统、检测方法

技术领域

本发明涉及纺织业检测技术领域，特别是指一种渐进式织物疵点自动检测系统、检测方法。

背景技术

微波炉在日常生活，以及物理、化学、生物医药等学科的实验研究中被广泛使用。在很多时候会用到微波炉进行加热或利用微波频谱效应进行相应的处理。微波炉加热是指利用磁控管等微波源产生微波，然后通过相应的通道使微波到达一个微波无法逃逸的微波谐振腔中(谐振腔一般是密闭，或设置有小于微波波长的孔，因而微波无法逸出谐振腔)，从而对谐振腔内的物质进行加热处理或频谱处理。

长期以来，在纺织行业中，来料布匹的质量直接关系到后续裁剪流程和成衣质量。目前服装工厂都采用自动化面料瑕疵检测技术进行验布，自动检测系统的织物疵点方法，大多在一个固定的训练集上拟合得到，检测不同品种面料时参数基本不变，疵点在不同面料(如深色和浅色面料)呈现方式有所不同，导致检测算法很难适应所有品种面料，品种适应性有限。一般自动验布机中使用灰度相机或者彩色进行拍摄，光源比较单一，一些疵点如荧光斑，无法采集此类疵点，而且有些训练模型采用如YOLO等的有监督的方式，训练过程需要提供人工标注，检测方法较为费时。

发明内容

为了解决上述技术所存在的不足之处，本发明提出一种渐进式织物疵点自动检测系统、检测方法。

本发明的技术方案是这样实现的：一种渐进式织物疵点自动检测方法，包括以下步骤：

1)图像获取：

2)采集布头初始位置的图像数据，通过添加随机掩膜的方式对图像进行预训练，构建训练模型；

3)对待检测图像进行图像处理与融合；

4)利用训练模型，对处理后待检测的图像进行瑕疵检测；

5)对瑕疵点进行评分，同时标记。

本发明又提出一种渐进式织物疵点自动检测方法的检测系统，包括相机组、对布匹进行铺展传送的传送机构、光源、位于布匹下方的计米轮、计算机，

所述光源由三组正面三基色光源、一组背面三基色光源L4、一组紫外光光源L5组成，三组所述正面三基色光源均位于所述相机的右侧，且分别为第一正面三基色光源L1、第二正面三基色光源L2、第三正面三基色光源L3，所述紫外光光源L5位于所述相机的左侧，

以布平面作为参考面，第一正面三基色光源L1的光线、背面三基色光源L4的光线、紫外光光源L5的光线均与布平面的法线相平行，

第二正面三基色光源L2的光线与布平面的法线夹角为A1，第三正面三基色光源L3的光线与布平面的法线夹角为A2，第三正面三基色光源L3的光线与布平面夹角为B，∠A1＝2∠A2，∠A2+∠B＝90°，

∠B在10°～30°之间；

所述相机组、计米轮与所述计算机导线连接，所述计算机上设有存储介质。

本发明的有益效果：

1)本发明对图像采用添加掩膜的方式，构建掩膜-图像对，这是一种无监督方式，用于对图像重构模型的训练，无需人工标注数据，省事省力。通过在待检测面料上进行预训练，及时更新检测算法中的损失函数，使得检测算法能够适应不同品种的面料。

2)本发明设计了一套光源，包括四组三基色光源和一组紫外光源，从正面、背面和侧面分别照射，提高了疵点图像的细节采集精度，使得相机能够有效采集如异纤、油污等飞机构化疵点。

3)本发明提供了一种疵点检测框架，通过重构无疵图像，求得只包含疵点的残差图像，再对残差图像进行识别，这种渐进式的疵点识别方式搭配光源配置可以提高各类疵点的检出率。

4)采集新布料上机前5米的面料图像，对图像添加掩膜生成图像对，输入重构模型进行预训练，得到能够适应新品种的重构模型，然后使用该模型对后续面料图像进行重构，利用重构图像求只包含疵点的残差图像，通过识别残差图像中疵点有无及类别完成对疵点的精确识别。该种方式提高了检测方法的品种适应性和鲁棒性，并提高了对于难检疵点如异纤、油污等的检出率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明自动检测方法的流程示意图；

图2为本发明自动检测系统的结构示意图；

图3为本发明图像预训练模型的一种实施例示意图；

图4为本发明图像重构方案的一种实施例示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种渐进式织物疵点自动检测方法，包括以下步骤：

1)图像获取：

2)采集布头初始位置的图像数据，通过添加随机掩膜的方式对图像进行预训练，构建训练模型；

3)对待检测图像进行图像处理与融合；

4)利用训练模型，对处理后待检测的图像进行瑕疵检测；

5)对瑕疵点进行评分，同时标记。

步骤1)中图像获取方式：织物稳定传送，多个不同角度的光源、不同类型的光源，依次频闪，配合相机，获取织物的图像数据。

步骤2)中，采用集布头前5米的面料图像，该图像为原图无疵图像X，通过对面料图像随机添加掩膜的方式，生成有疵-无疵图像对，导入重构模型，对有疵-无疵图像对进行预训练，输出重构图像Xr，训练出模型的损失函数，旨在缩小原图无疵图像X与重构图像Xr之间的差距，损失函数可用以下公式表示，

其中：i和j分别表示图像中横纵像素索引。

预训练中重构模型是pixel2pixel、或自编码器，训练过程中通过反向传播算法优化重构模型中的各个卷积层的参数。

步骤3)中图像处理方法：

将布料分别在多个不同角度的光源、不同类型的光源，依次频闪，采集出完整的待检测图像，将待检测图像分别与两张互补掩膜相乘，得到两张处理后的图像，输入步骤2)中的预训练模型中进行重构，分别得到不同的重构图像，重构图像与原图的对应像素相减，然后使用中值滤波、高斯滤波、形态学变化处理方式，可以消除图像中的正常纹理，分离图像中的异常区域，得到含疵点的残差图像。

步骤3)中融合的方法：将不同光源下残差图像进行加和，进一步消除图中噪声，增强图像中疵点信息。

两张互补掩膜的尺寸大小与待检测图像的一致。

步骤4)中疵点检测方法：将步骤3输出的残差图像输入到一个分类器中，识别疵点的有无及疵点类别。

如图2所示，本发明还提出一种渐进式织物疵点自动检测方法的检测系统，包括相机组、对布匹进行铺展传送的传送机构、光源、位于布匹下方的计米轮、计算机，

所述光源由三组正面三基色光源、一组背面三基色光源L4、一组紫外光光源L5组成，三组所述正面三基色光源均位于所述相机的右侧，且分别为第一正面三基色光源L1、第二正面三基色光源L2、第三正面三基色光源L3，所述紫外光光源L5位于所述相机的左侧，

以布平面作为参考面，第一正面三基色光源L1的光线、背面三基色光源L4的光线、紫外光光源L5的光线均与布平面的法线相平行，

第二正面三基色光源L2的光线与布平面的法线夹角为A1，第三正面三基色光源L3的光线与布平面的法线夹角为A2，第三正面三基色光源L3的光线与布平面夹角为B，∠A1＝2∠A2，∠A2+∠B＝90°，

∠B在10°～30°之间；

所述相机组、计米轮与所述计算机导线连接，所述计算机上设有存储介质。

本发明具体工作流程：

图像获取：将布卷置于传送装置指定区域进行生头操作，通过传动机构将布匹完全铺开伸展并传送至相应图像采集区域，在这个过程中，布匹会持续受到一定张力，以保证织物呈完全舒展状态。

在传送至图像采集区域后，布匹传送停止，三基色光源分别以布面为基准，从90度、60度、30度、-90度(织物背面)四个角度依次频闪打光，相机配合进行四次图像采集；最后紫外光源频闪(垂直于布面)，相机配合进行第五次图像采集。采集结束后，布匹继续传送至下一位置，进行后续区域的图像采集。

如图3所示，模型预训练：布头前10米一般为无瑕疵，采用集布头前5米的面料图像，该图像为原图无疵图像X，通过添加与面料图像尺寸一致的掩膜，掩膜与原面料图像相乘，得到有疵图像。模型包含生成器和判别器，生成器设有下采样、上采样。有疵图像进行下采样后，输入生成器，生成器接受下采样输出的特征图，对图像在重构模型中进行重构，然后经过上采样，输出一样重构图像Xr，目的是消除添加的掩膜，判别器接收到原图无疵图像X、重构图像Xr，计算二者的误差，误差为损失函数，重构模型既可以是pixel2pixel，也可以是自编码器，本专利不做限定。

通过获取的无疵点织物图像添加掩膜的方式，能生成异常标注。由该方式生成的数据集可用于训练图像修复模型，由于织物图像纹理具有高度的循环重复性，通过该方案可以实现对掩膜区域图像可能纹理特征的预测。

如图4所示，图像的处理：将布料图像在五组光源照射下采集完整，取两张尺寸与待检测图像一致的互补掩膜，待检测图像与两张互补掩膜相乘，得到两张处理后的图像，这两张图像各自的信息在对应图像中被消除，将两张处理后的图像输入预训练模型中，两张图像中被消除的部分可以通过网络，根据残存信息进行重建，两张图像中的重建部分提取组合后可以获取待检测图像的正常纹理预测图，将其与原待检测图像进行对比处理，可以将正常纹理消除，暴露图中的异常区域，得到包含疵点的残差图像。由于消除正常纹理可能会导致异常区域失去连续性，通过形态学算法，可以将图像中的异常区域重新连接组合。然后依次通过5×5和3×3的中值滤波可以对噪声进行一定程度的抑制。

通过将掩膜遍历整幅图像可以实现对整个图像的重构。当输入图像为有疵图像时，重构出的图像上疵点会被重构为正常纹理(疵点区域占比小，不会参与重构)。

图像的融合：通过以上方法，分别对不同光照条件下的图像进行处理。由于采集过程中织物没有发生移动，如果存在疵点，其位置在不同图像上也不会发生移动。同时，在不同光照条件下，不同疵点的表现和显著性不停，因此根据不同光照条件，图像不同权重后进行叠加的方式，增强图像中的疵点信息。

瑕疵点检测：将上个步骤中输出的残差图像输入到一个分类器中，识别疵点的有无及疵点类别；输入到分类器中的图像为灰度图像；分类器为目前现存的常用分类网络模型，本申请中使用在大规模图像数据集ImageNet中预训练模型，在自建疵点数据中进行微调，使得其能够适应疵点检测分类的任务；分类器是已经经过训练的，预训练模型中损失函数得参数不变；

评分及标记：根据计米轮读数、计米轮与拍摄取景区域相对位置和检测疵点所在图像中位置计算得出疵点在织物上的实际位置，并记录于存储系统中。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。