[发明专利]基于卷积神经网络的高清摄像机布料疵点检测方法

说明书

本发明涉及一种基于卷积神经网络的高清摄像机检测布料疵点的方法。该方法首先通过高清摄像机拍摄待检测布料，并对拍摄环境进行补光，保证采集图像包含清晰纹理、颜色等信息；然后判定布料是否处于待检测状态，若布料位置信息准确，自动拍摄并将图片送入设计的神经网络，经过深度学习算法提取特征，检测并标记布料疵点位置。该装置包括：高清摄像机、补光灯、底座、硬件运算平台。该方法对不同类型、不同大小的疵点都有理想的检测结果,可在提高疵点检测速度、检测精度的同时，兼顾实用性。

背景技术

本发明涉及布料疵点检测领域，尤其涉及基于深度学习算法的一种基于卷积神经网络的高清摄像机检测布料疵点的方法。

技术领域

随着计算机的软硬件性能的不断提高，计算机视觉技术也得到了明显提升且开始广泛应用于各个行业。物体的图像检测是计算机视觉技术的一项重要分支，自动化、智能化、高效化的物体图像检测成为产品生产中愈发重要的技术需求。其中自动化的布料疵点检测就需要物体图像检测技术。搭建切实可靠的物体图像检测环境，设计高效准确的检测算法已经成为不可或缺的环节。

目前国内布料疵点的检测多数依靠传统的人工检测方式，该方式存在诸多问题，包括：1)误检率、漏检率较高；2)长时间工作导致视觉疲劳，影响员工视力，且无法保证后续工作的准确性、高效性；3)检测结果带有较强主观性，无法统一检测标准。

疵点检测作为布料质量评估的重点，其核心在于布料疵点的特征提取算法，主要分为：(1)基于模型的方法，该方法通过随机过程建模检测布料疵点，虽然对布料纹理有比较不错的描述能力，但计算量较大，且对细微疵点识别率极低；(2)基于空间域的统计方法，该方法极易受噪声影响，对细微疵点存在严重漏检现象；(3)基于频域的方法，此方法可从整体到局部确定疵点位置，但对复杂纹理布料检测率很低。这类检测算法主要是对灰度图像进行处理，而对彩色布料和细微疵点存在严重漏检现象，目前绝大多数布料检测算法仅针对于特定少量疵点进行测试，对算法的实用性、可行性缺少数据验证。

由于现有的布料检测系统功能单一，真正应用实际生产的并不多，目前已出现的自动化验布装置有：以色列埃尔博特(EVS)公司推出的I-TEX系列布料自动检测系统，瑞士乌斯特(Uster)公司推出的Uster Visotex系统，以及德国Opdix光电子技术公司开发的布料检测系统；以上系统对硬件投资过大，价格过于昂贵，国内尚无类似产品销售。综上所述，现有布料检测装置存在成本较高，效率、准确率较低,对细微疵点检测难等问题。

中国专利CN201710107169.0公开了一种多层次模型布匹疵点检测方法和系统，在布匹图像的疵点检测的过程中使用了3个模型：预分类模型、卷积神经网络模型FabricNet和终分类模型。采集布匹图像，对其分割得到ROI图像，计算ROI图像的GLCM的特征值组成特征向量V1；将V1输入Model1判断ROI图像是否为疵点图像，若为疵点图像则将疵点图像输入FabricNet，得到纹理特征向量V2；若不是疵点图像则得到了ROI图像的判别结果；将V2输入Model2，得出疵点图像的疵点分类判别结果；最终得到布匹图像的疵点检测结果。

发明内容

本发明型的目的是提供一种基于卷积神经网络的高清摄像机布料疵点检测方法，用以克服或者缓解现有技术中上述缺陷。该方法首先通过高清摄像机拍摄待检测布料，并对拍摄环境进行补光，保证采集图像包含清晰纹理、颜色等信息；然后判定布料是否处于待检测状态，若布料位置信息准确，自动拍摄并将图片送入设计的神经网络，经过深度学习算法提取特征，检测并标记布料疵点位置。该方法对不同类型、不同大小的疵点都有理想的检测结果,可在提高疵点检测速度、检测精度的同时，兼顾实用性。

本发明提供一种基于卷积神经网络的高清摄像机布料疵点检测方法是通过高清摄像机拍摄待检测布料，并对拍摄环境进行补光，保证采集图像包含清晰纹理、颜色等信息；然后判定布料是否处于待检测状态，若布料位置信息准确，自动拍摄并将图片送入设计的神经网络，经过深度学习算法提取特征，检测并标记布料疵点位置。