一种纺织品疵点的检测分类方法

技术领域

本发明涉及机器视觉技术领域，更具体地，涉及一种纺织品疵点的检测分类方法。

背景技术

目前常用的疵点检测算法主要有6种：基于空域的统计法、频率谱法、自学习法、模型法、混合算法和图案法。其中最受欢迎的是频率谱法，因为其在进行特征提取时具有稳定的特性。频率谱法在实际运用中有以下几种方法：傅里叶变换方法、Gabor滤波法、小波变换以及一些其他的滤波方法。

Alexnet是Alex在2012年提出的一个具有极大创新意义的卷积神经网络，在此之后，更深更大的卷积神经网络被纷纷提出。但是这些网络都是针对一个有着1000类图像，每类图像都有着1000多张图像的大型数据集(imagenet)提出的，直接应用于纺织品图像上并不是最佳方法，因为纺织品的疵点的类别少(只有5类)，并且这些图片的背景都类似，并不像imagenet的背景那么多样化，直接将Alexnet等卷积神经网络应用于纺织品的疵点检测分类会存在检测效率低、效果不理想的问题。

发明内容

本发明为克服上述现有技术所述的直接将Alexnet等卷积神经网络应用于纺织品的疵点检测分类会存在检测效率低、效果不理想的缺陷，提供一种纺织品疵点的检测分类方法。

为解决上述技术问题，本发明的技术方案如下：

一种纺织品疵点的检测分类方法，包括以下步骤：

S1：采集纺织品疵点图像组成数据集，并对数据集进行预处理；

S2：将经过预处理的数据集划分为训练集、验证集和测试集；

S3：利用caffe深度学习框架构建增强型Alexnet卷积神经网络；增强型Alexnet卷积神经网络中包括卷积层、ReLU激活函数层、池化层、滤波器层、全连接层和分类层；

S4：将训练集输入增强型Alexnet卷积神经网络中进行训练，调整增强型Alexnet卷积神经网络的参数并保存；

S5：将验证集输入完成训练的增强型Alexnet卷积神经网络中进行验证，输出得到纺织品疵点的检测分类结果，并计算其准确率；若准确率低于预设的阈值，则跳转执行S4步骤；

S6：将测试集输入完成训练的增强型Alexnet卷积神经网络中进行测试，输出得到纺织品疵点的检测分类结果。

优选地，纺织品疵点图像的疵点类型包括破洞、污渍、线头、褶皱、正常。

优选地，S1步骤中，对数据集进行预处理的步骤包括：

S1.1：对图像进行数据清洗；

S1.2：将图像格式转换为jpg格式；

S1.3：针对单通道的图像，将图像中单通道的值复制到另外两个通道，形成三通道图像；

S1.4：将图像的像素调整为256*256；

S1.5：对图像进行图像扩展。

优选地，S1.4步骤中，对图像进行图像扩展的步骤包括：将图像进行90°旋转、对图像进行180°旋转、输入高斯噪音、改变图像色差。

优选地，增强型Alexnet卷积神经网络包括依次连接的8层结构，其中：

第一层包括依次连接的卷积层、ReLU激活函数层、池化层；

第二层包括卷积层，其填充边设置为2；

第三层包括依次连接的卷积层、池化层；

第四层包括依次连接的卷积层、ReLU激活函数层；

第五层包括依次连接的卷积层、ReLU激活函数层；

第六层包括池化层；

第七层和第八层包括全连接层，其核数为2048。

优选地，增强型Alexnet卷积神经网络中，第一层卷积层的卷积核大小为9*9；第二层和第三层的卷积层为采用相同策略的卷积核大小为3*3的卷积层，且其卷积核数量为192。

优选地，第八层全连接层的输出端与softmax分类器的输入端连接。

优选地，第八层全连接层的输出端与SVM分类器的输入端连接。

优选地，全连接层采用Dropout策略。

优选地，S4步骤中，对增强型Alexnet卷积神经网络进行训练过程中，初始学习率设置为0.001，初始权重随机设置，偏置设置为0.1，迭代次数设置为10000，每次迭代的图片数量设置为150。

与现有技术相比，本发明技术方案的有益效果是：本发明利用caffe深度学习框架构建增强型Alexnet卷积神经网络，对传统的Alexnet卷积神经网络进行改进，减少卷积神经网络的计算量，同时有效提高纺织品疵点检测分类的效率。

附图说明

图1为实施例1的纺织品疵点的检测分类方法的流程图。

图2为实施例2的增强型Alexnet卷积神经网络的结构示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提出一种纺织品疵点的检测分类方法，如图1所示，为本实施例的纺织品疵点的检测分类方法的流程图。

本实施例中，采集的纺织品疵点图像的疵点类型包括破洞、污渍、线头、褶皱、正常等5种。

本实施例提出的纺织品疵点的检测分类方法中，包括以下步骤：

S1：采集纺织品疵点图像组成数据集，并对数据集进行预处理。

其中，对数据集进行预处理的步骤包括：

S1.1：对图像进行数据清洗，用于检测数据集中是否存在被污染的数据；

S1.2：将图像格式转换为jpg格式，使图像符合caffe深度学习框架接受的图片格式；

S1.3：针对单通道图像，将图像中单通道的值复制到另外两个通道，形成三通道图像；

S1.4：将图像的像素调整为256*256；

S1.5：对图像进行图像扩展，用于增加纺织品疵点图像的数量。

进一步的，在对图像进行图像扩展时，包括将图像进行90°旋转、对图像进行180°旋转、输入高斯噪音、改变图像色差等。

S2：将经过预处理的数据集划分为训练集、验证集和测试集。

其中，训练集用于输入增强型Alexnet卷积神经网络中进行训练；验证集用于验证增强型Alexnet卷积神经网络的训练结果，根据输出的检测分类结果准确率验证其训练结果；测试集用于测试增强型Alexnet卷积神经网络最终的检测分类结果。

S3：利用caffe深度学习框架构建增强型Alexnet卷积神经网络。

本实施例中的增强型Alexnet卷积神经网络中包括卷积层、ReLU激活函数层、池化层、滤波器层、全连接层和分类层，具体的，增强型Alexnet卷积神经网络包括依次连接的8层结构：

第一层包括依次连接的卷积层、ReLU激活函数层、池化层，其中卷积层的卷积核大小为9*9；

第二层包括卷积层，其填充边设置为2；其中卷积层的卷积核大小为3*3的卷积层，且其卷积核数量为192；

第三层包括依次连接的卷积层、池化层；其中卷积层的卷积核大小为3*3的卷积层，且其卷积核数量为192；

第四层包括依次连接的卷积层、ReLU激活函数层；

第五层包括依次连接的卷积层、ReLU激活函数层；

第六层包括池化层；

第七层和第八层包括全连接层，其核数为2048。

本实施例中的池化层结构相同，均采用最大池化策略。

本实施例中的全连接层采用Dropout策略。

其中，Alexnet卷积神经网络中最后一层全连接层的输出端与softmax分类器的输入端连接，或采用SVM分类器替换softmax分类器与Alexnet卷积神经网络中最后一层全连接层的输出端连接。在本实施例中，采用基于HingeLoss实现的多分类SVM分类器与Alexnet卷积神经网络中最后一层全连接层的输出端连接。

S4：将训练集输入增强型Alexnet卷积神经网络中进行训练，调整增强型Alexnet卷积神经网络的参数并保存；

S5：将验证集输入完成训练的增强型Alexnet卷积神经网络中进行验证，输出得到纺织品疵点的检测分类结果，并计算其准确率；若准确率低于预设的阈值，则跳转执行S4步骤；

S6：将测试集输入所述完成训练的增强型Alexnet卷积神经网络中进行测试，输出得到纺织品疵点的检测分类结果。

本实施例中，对Alexnet卷积神经网络进行改进，采用更小的卷积核，并删除对检测分类效果影响不大的结构，如Alexnet卷积神经网络中的归一化层，在缩减参数的同时增加卷积神经网络的深度，得到计算量更少、处理效率更高的增强型Alexnet卷积神经网络。

实施例2

本实施例应用实施例1提出的纺织品疵点的检测分类方法应用于对Tilda数据库获取的数据集进行纺织品疵点的检测分类。其中，Tilda数据库获取的数据集中的图像类型包括破洞、污渍、线头、褶皱、正常等5种，每一种图像类型的图像有300张。

首先，通过Tilda数据库采集纺织品疵点图像组成数据集，并对数据集进行预处理。具体的，先对该数据集进行数据清洗操作，以满足训练和测试的要求。

然后将数据集中的所有图片转换为可输入由caffe深度学习框架构建的增强型Alexnet卷积神经网络的图像格式。原Tilda数据库的图片为768*512像素大小的黑白的tif图像格式，考虑到tif格式图像不适用于本实施例的增强型Alexnet卷积神经网络中，且tif格式的图像所占存储空间较大，在训练时所需的GPU内存更大，因此在本实施例中将图像格式转换为jpg格式。

进一步的，对数据集中的单通道图像转换为三通道图像，针对单通道图像，将图像中单通道的值复制到另外两个通道，形成三通道图像。然后将Tilda数据库图片的像素由768*512调整为256*256。

为了增加图像的多样性，对完成上述预处理的凸显更进一步进行图像扩展，包括将图像进行90°旋转、对图像进行180°旋转、输入高斯噪音、改变图像色差等，将图像数量扩展为4倍，总数为8105张，其中破洞疵点图像有1653张，污渍疵点图像有1390张，正常疵点图像有1456张，线头疵点图像有1646张，褶皱疵点图像有1960张。其中以8:2的比例随机划分训练集(6484张)和验证集(1621张)，并另外设置测试集，其中测试集中包含每类疵点图像各20张。

利用caffe深度学习框架构建增强型Alexnet卷积神经网络。其中增强型Alexnet卷积神经网络的结构示意图如图2所示。本实施例中，增强型Alexnet卷积神经网络的原始输入为256*256*3，并在数据层对输入图像进行随机裁剪得到227*227*3的图像。

在第一层中，卷积层的卷积核大小为9*9；经过该层卷积层后，图像大小变为56*56*96，然后依次通过ReLU激活函数层和池化层，输出的图像数据大小为28*28*96。

在第二层中，卷积层的填充边为2，卷积核大小为3*3，且没有设置池化层，因此输出的图像数据大小为28*28*96。

第三层为与第二层采用相同策略的卷积层，其卷积核大小为3*3，且设置有池化层，输出的图像数据大小为14*14*192。

第四层与第五层策略相同，包括依次连接的卷积层、ReLU激活函数层，其输出的图像数据大小分别为14*14*256和14*14*192。

第六层为池化层，输出的数据大小为7*7*192，该层将数据转化为长为9408的长向量输出。

第七层和第八层为采用Dropout策略的全连接层，其Dropout值设置为0.5。且第六层和第七层的核数为2048，第八层的核数为5，将第八层中的全连接层的输出端接入SVM分类器中，输出得到5类的纺织品疵点检测分类结果。其中，采用SVM分类器替代传统的softmax分类器能够取得更好的分类结果。

本实施例中的池化层均采用最大池化策略，其kernel_size为3，stride为2。

进一步的，本实施例采用其他传统的纺织品疵点检测方法对Tilda数据库进行纺织品疵点检测分类，包括：

(1)PCA+FFN(Rebhi,A.；Benmhammed,I.；Abid,S.；Fnaiech,F.Fabric DefectDetection Using Local Homogeneity Analysis and Neural Network.J.Photonics2015,2015,1–9.)；

(2)MLP neural networks(Tabassian,M.；Ghaderi,R.；Ebrahimpour,R.KnittedFabric Defect Classification for Uncertain Labels Based on Dempster–ShaferTheory of Evidence.Expert Syst.Appl.2011,38(5),5259–5267.)；

(3)Sparse coding(Zhu,Qiuping；Wu,Minyuan；Li,Jie；Deng,Dexiang.Fabricdefect detection via small scale over-complete basis set.Textile ResearchJournal 2014,vol.84,no.15,pp.1634–1649.)；

(4)GoogLeNet；

(5)LeNet-5(Jing,J.；Ma,H.；Zhang,H.Automatic Fabric Defect DetectionUsing a Deep Convolutional Neural Network.Color.technol.2019,135(3),213–223.)；

(6)VGG16(Jing,J.；Ma,H.；Zhang,H.Automatic Fabric Defect DetectionUsing a Deep Convolutional Neural Network.Color.technol.2019,135(3),213–223.)；

(7)Alexnet。

如下表1所示，为采用上述纺织品疵点检测方法与本发明提出的纺织品疵点检测分类方法对Tilda数据集进行检测分类的分类准确率。

表1对Tilda数据集进行检测分类的分类准确率

其中，Improved Alexnet表示本发明的增强型Alexnet卷积神经网络配合softmax分类器；Improved Alexnet-SVM表示本发明的增强型Alexnet卷积神经网络配合SVM分类器。

由上表可知，本实施例提出的增强型Alexnet卷积神经网络与其他传统的纺织品疵点检测方法相比，显然其检测分类准确率更高，特别的，采用本发明的增强型Alexnet卷积神经网络配合SVM分类器进行纺织品疵点检测分类，其分类准确率高达99％，相对于传统的纺织品疵点检测方法，能够有效简化算法复杂度，有效提高检测分类效率。在具体应用时，将本实施例提出的纺织品疵点的检测分类方法应用于实施自动化检测疵点的上位机中，配合应用于纺织品生产中的图像采集设备，能够实时进行纺织品质量检测并输出疵点检测分类结果，能够大大提高了纺织品生产的自动化效果。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。