[发明专利]基于YOLO神经网络的纺织布匹表面瑕疵检测方法

说明书

本发明公开一种纺织布匹表面瑕疵检测方法，包括：实时采集纺织布匹表面图片；利用预先建立的YOLO神经网络检测模型对实时采集的纺织布匹表面图片进行瑕疵识别，得到包括瑕疵种类和瑕疵位置的识别结果；以及输出瑕疵识别结果数据。YOLO神经网络检测模型的构建包括瑕疵图片采集、处理、标签制作以及样本训练过程，采用了基于大数据的监督学习的方法来检测和识别瑕疵，使得所建立的YOLO神经网络检测模型能够快速选出瑕疵所在的区域并检测出对应种类，可为纺织服装生产企业提供智能布匹瑕疵的检测方案，解决人工验布检出率低、速度慢、人员成本高等问题。

技术领域

本发明涉及纺织品表面瑕疵检测技术领域，特别是一种基于YOLO(You Only LookOnce，只看一眼) 神经网络的纺织布匹表面瑕疵检测方法。

背景技术

目前在纺织服装生产企业主要通过专业的布匹检验员站在验布设备前通过肉眼发现布面疵点再进行疵点的标记。随着计算机视觉检测技术的不断优化，智能化验布系统将大大减轻人工检测的劳动强度，提高生产过程织物质量监控的效率和精度。

随着我国纺织工业化水平的不断发展，对纺织布匹表面质量的要求也越来越高，如何快速准确地检测出瑕疵成为布匹制造过程中非常关键的一个环节。主流的布匹检测技术均为以图像处理为基础的机器视觉技术，基本分为两步：

(1)先对通过工业相机获得的图像进行处理，然后提取特征，这一步的方法主要有统计法、结构法、频谱法、模型法等四类，其中使用较为广泛的是统计法与频谱法；

(2)通过训练好的分类器，对(1)提取的特征进行分类，目前使用较多的分类器有BP神经网络，SVM等。

但这些方法均受限于瑕疵和非瑕疵区域之间的低对比度以及噪音和细微缺陷的相似性，存在检测速度慢和识别精度低等难题，无法满足纺织工业生产的准确性和实时性要求。

深度学习的不断发展为我们提供了更好的工具。其中，YOLO (You Only LookOnce，只看一眼) 是一个基于卷积网络的目标检测深度神经网络，因其在小目标检测上表现出的高帧速和高准确率而被运用于许多实时检测系统中。

发明内容

本发明要解决的技术问题为，利用YOLO神经网络实现纺织布匹的表面瑕疵自动检测，提升纺织工业布匹生产过程中瑕疵检测的准确性和实时性。

本发明采取的技术方案为：一种纺织布匹表面瑕疵检测方法，包括：

实时采集纺织布匹表面图片；

利用预先建立的YOLO神经网络检测模型对实时采集的纺织布匹表面图片进行瑕疵识别，得到包括瑕疵种类和瑕疵位置的识别结果；

输出瑕疵识别结果数据。

可选的，所述YOLO神经网络检测模型的建立方法包括：

采集多个布匹瑕疵图片；

对布匹瑕疵图片进行预处理；

对预处理后的布匹瑕疵图片进行瑕疵区域和种类的标定，得到各布匹瑕疵图片的瑕疵标签；

将各布匹瑕疵图片及其瑕疵标签划分为训练集样本和测试集样本；

利用训练集样本和测试机样本，采用计算机图形处理器GPU对预先搭建的YOLO深度神经网络进行训练，得到YOLO神经网络检测模型。

在建立YOLO神经网络检测模型时，应当尽可能多的拍摄布匹瑕疵图片，尽量涵盖各种已知瑕疵种类，以此使得训练得到的目标检测模型检出率和准确率皆较高。

可选的，所述预处理包括对布匹瑕疵图片进行归一化处理：将等比例缩放后的布匹瑕疵图片填入预设像素大小的空白图片中，然后将空白图片上除布匹瑕疵图片外的像素全部填充为设定颜色。