[发明专利]一种基于自动编码器和BP神经网络的织物缺陷检测方法

说明书

本发明涉及一种基于自动编码器和BP神经网络的织物缺陷检测方法，在正常图像样本中加入预设比例的经疵和纬疵图像样本，创建自动编码器训练集后输入自动编码器模型，得到重构图像后分别与正常、经疵和纬疵图像样本作差，预处理作差图；创建BP神经网络模型，以处理得到的数据集作为训练集，得到BP神经网络模型，输入待测样本图像，将待测样本图像与重构图像作差，预处理后得到待测作差图像，输入BP神经网络检测并输出织物缺陷种类。本发明可以高效、准确进行织物缺陷检测，识别率高，满足工厂生产车间织物的检测要求；将被广泛应用、发展非常成熟、对图像处理非常高效的深度神经网络模型应用于织物缺陷检测中，提高织物的生产效率。

技术领域

本发明涉及一般的图像数据处理或产生；图像分析的技术领域，特别涉及一种基于自动编码器和BP神经网络的织物缺陷检测方法。

背景技术

作为世界上最大的织物产出国，从西汉开始，丝绸等织物就成为了我国与外国贸易往来的重要组成部分，作为我国古代的标志贸易物品之一，丝绸的贸易也衍生出“海上丝绸之路”和“陆上丝绸之路”，成为了与外国交流的纽带和桥梁。

到了近现代，我国的丝绸制造业在世界范围内仍然处于领先地位，但是对织物花纹印染过程中出现的错印、漏印等情况，仍然主要采用人工检测的方法。在实际生产中，一个熟练的操作工平均每分钟能够检测长度为17米、宽度为1米左右的织物，长时间的人工肉眼识别，会导致员工视觉疲劳，甚至遗漏掉重要缺陷。显而易见地，传统的人工检测织物疵点花费时间长、成本高，导致企业在市场竞争中难以占据有利位置。

现有技术中，除了人工检测外，当然也出现了计算机检测织物缺陷的技术。当前织物缺陷检测主要有两种方法：(1)使用机器视觉和形态学算法对织物图像直接进行特征提取和图像分割；(2)通过神经网络对样本训练获取特征向量，再结合机器视觉进行图像分割提取缺陷部分；很多图像处理的技术被广泛运用到缺陷检测中来，如局部二值模式(localbinary pattern，LBP)、方向梯度直方图(histogram of oriented gradient，HOG)，还有图像分割技术，如Sobel算子、Roberts算子、mean shift算法等。然而，由于使用纯图像处理算法，织物的检测时间要求长，对相机像素精度要求高，且由于织物花纹的变化，算法的检测特征提取需要人为进行复杂的操作改变。

发明内容

本发明解决了现有技术中，传统的人工检测织物疵点花费时间长、成本高，导致企业在市场竞争中难以占据有利位置，而计算机检测使用纯图像处理算法，织物的检测时间要求长，对相机像素精度要求高，算法的检测特征提取需要人为进行复杂的操作改变的问题，提供了一种优化的基于自动编码器和BP神经网络的织物缺陷检测方法。

本发明所采用的技术方案是，一种基于自动编码器和BP神经网络的织物缺陷检测方法，所述方法包括以下步骤：

步骤1：基于正常图像样本，在正常图像样本中加入预设比例的经疵图像样本和纬疵图像样本，创建自动编码器训练集；将训练集输入自动编码器模型；设置自动编码器参数；

步骤2：自动编码器输出重构图像；

步骤3：将正常图像样本、经疵图像样本和纬疵图像样本分别与重构图像作差；将作差图进行预处理；

步骤4：创建BP神经网络模型，以步骤3处理得到的数据集作为BP神经网络的训练集，设定BP神经网络参数，得到BP神经网络模型；

步骤5：输入待测样本图像，将待测样本图像与所述重构图像作差，进行与步骤3相同的预处理，得到待测作差图像，输入BP神经网络；

步骤6：输出织物缺陷种类。

优选地，所述步骤1中，自动编码器模型包括4层隐藏层。

优选地，所述隐藏层的维度分别为1500、500、200和50。

优选地，所述步骤1中，预设比例为2％～8％。