[发明专利]基于即时-通用特征提取网络的纽扣瑕疵检测方法

说明书

本发明涉及一种基于即时‑通用特征提取网络的纽扣瑕疵检测方法，将实时获得的纽扣图像数据输入到训练好的即时‑通用特征提取网络模型中，由其输出分类结果，即有瑕疵纽扣或无瑕疵纽扣的代码，根据分类结果确定当前纽扣是否属于有瑕疵纽扣；即时‑通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入，以其对应的分类结果作为理论输出，不断更新即时‑通用特征提取网络模型的参数，直至网络收敛，精度不再增加的过程。本发明的方法省去了复杂的特征工程操作，不仅能检测纽扣的轮廓形状瑕疵，还可检测纽扣的花纹等瑕疵，且适用于多种纽扣的瑕疵检测，普适性高，检测速度快，检测准确率高。

技术领域

本发明属于机器视觉和深度学习技术领域，涉及一种基于即时-通用特征提取网络的纽扣瑕疵检测方法。

背景技术

中国是纺织生产和出口大国，纺织行业经过多年发展，已经日趋完善，纽扣生产属于纺织行业中的辅料生产部分，纽扣的质量直接影响服装的销售。目前在纽扣的生产过程中，大多数生产厂家依旧依靠人工检测纽扣瑕疵，由于外界因素以及人为因素的影响，人工检测的效率和精度都无法得到保证。

近几年来，机器视觉处理已成为科学和技术领域的重要组成部分。通过机器视觉进行物体的瑕疵检测在工业生产中是一种常用的方式。传统的纽扣瑕疵检测方式主要以频谱法、统计法、模型法为主，他们均需对纽扣图像进行特征工程的处理，如图像分割，轮廓提取，形态学处理等，以得到直方图、信息熵、空间相关图等特征。这些方式基本只适用于单种纯色纽扣的轮廓形状瑕疵检测，无法应用于多种纽扣的瑕疵检测，且对纽扣花纹等瑕疵无法进行有效的检测，普适性极低。

相比于传统的机器视觉处理方式，通过深度神经网络进行纽扣瑕疵检测不需要进行复杂的特征工程工作，该方法适用于多种纽扣，普适性高，且可以检测彩色纽扣花纹的瑕疵，在完成检测任务的同时，还可通过丰富数据集继续提升检测方法的检测能力，并且由于计算机硬件的发展，深度神经网络对图像的处理能力完全能达到实时纽扣瑕疵检测的要求。

具体而言，深度神经网络通过随机生成参数并迭代更新，自动提取数字图像特征，省去了很大一部分特征提取的工作，随着计算机硬件水平的提高，其学习速度也有了较大改善。其中以VGG-16为代表的深度卷积神经网络在数字图像处理中有了广泛的应用。

因此，研究一种通过深度神经网络进行纽扣瑕疵检测的方法具有十分重要的意义。

发明内容

本发明的目的是解决现有技术中通过机器视觉进行物体的瑕疵检测存在无法应用于多种纽扣的瑕疵检测，对纽扣花纹等瑕疵无法进行有效的检测以及普适性较低的问题，提供一种基于即时-通用特征提取网络的纽扣瑕疵检测方法。

为达到上述目的，本发明采用的技术方案如下：

基于即时-通用特征提取网络的纽扣瑕疵检测方法，将实时获得的纽扣图像数据输入到训练好的即时-通用特征提取网络模型中，由其输出分类结果，即有瑕疵纽扣或无瑕疵纽扣的代码(例如有瑕疵纽扣为“1”，无瑕疵纽扣为“0”)，根据分类结果确定当前纽扣是否属于有瑕疵纽扣；

即时-通用特征提取网络模型由通用特征提取网络和即时特征提取网络结合得到，结合过程为：首先将即时特征提取网络和通用特征提取网络得到的特征图在通道维度进行拼接，然后通过一个卷积层，使来自两个网络的特征图进行有效的融合，接着对其进行全局平均池化后送入全连接层，最后进行分类；

即时-通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入，以其对应的分类结果作为理论输出，不断更新即时-通用特征提取网络模型的参数，直至网络收敛，精度不再增加的过程；训练过程中，冻结通用特征提取网络的最后两个卷积层之外的网络层，将flatten层更改为全局池化层，减少全连接层数，减小全连接层神经元数，并随着epoch(神经网络中训练的“轮数”，把训练集训练全部训练一遍为一“轮”，即一个epoch)增加设置不同学习率lr，

作为优选的技术方案：