[发明专利]一种基于深度神经网络的布匹疵点检测方法和系统

权利要求书

1.一种基于深度神经网络的布匹疵点检测方法，其特征在于，该方法包括以下步骤：

S1.使用疵点布匹图像训练集训练深度神经网络模型，训练样本的标签为疵点类型和真实框位置信息，所述深度神经网络模型由主干网络和检测网络构成，所述主干网络用于从疵点布匹图像中提取三个尺度不同的特征图；每个检测子网络的主体是一个Dense set结构；所述检测网络包括：三个结构相同的检测子网络和一个检测结果融合模块，第i个检测子网络用于从第i个尺度的特征图中检测出疵点类型和预测框的位置信息，每个检测子网络由三个密集连接块组成，通过密集块之间的特征通道连接加强特征传递，所述检测结果融合模块用于根据预测框和真实框的交并比和中心距，对三个预测结果进行非极大值抑制，得到最终的预测框和对应疵点类型，i＝1,2,3；

S2.将待测布匹输入训练好的深度神经网络模型，得到布匹疵点检测结果；

每个密集连接块由三路输出组成，第一路为1个第一Convolutional结构，第二路为2个第一Convolutional结构级联，第三路为3个第一Convolutional结构级联，在经过三路Convolutional结构之前，使用1个第二Convolutional结构进行特征通道压缩，形成Bottleneck结构。

2.如权利要求1所述的布匹疵点检测方法，其特征在于，Convolutional结构由卷积层、批归一化层和激活层组成，将卷积层与批归一化层合并。

3.如权利要求2所述的布匹疵点检测方法，其特征在于，非极大值抑制的衡量指标如下：

其中，iou表示真实框与预测框之间的交并比，x_p、y_p表示预测框中心的横坐标和纵坐标，x_t、y_t表示真实框中心的横坐标和纵坐标，C表示能够同时覆盖预测框和真实框的最小矩形的对角线距离，β表示缩放因子。

4.如权利要求1至3任一项所述的布匹疵点检测方法，其特征在于，训练时的损失函数如下：

LOSS_总＝LOSS_置+LOSS_定+LOSS_分，

LOSS_置＝-α₁(1-p_t)²ln p

其中，LOSS_置、LOSS_定、LOSS_分分别为目标置信度损失、目标定位损失和目标分类损失，α₁表示平衡因子，正样本时p_t＝p，负样本时p_t＝1-p，p表示网络输出经过sigmoid激活函数之后的值，iou表示真实框与预测框之间的交并比，x_p、y_p表示预测框中心的横坐标和纵坐标，x_t、y_t表示真实框中心的横坐标和纵坐标，C表示能够同时覆盖预测框和真实框的最小矩形的对角线距离，表示平衡比例，v表示预测框与真实框的长宽比，o_jk表示第j个目标框是否属于第k类，属于为1，不属于为0，c表示网络输出经过sigmoid激活函数之后的值。

5.如权利要求4所述的布匹疵点检测方法，其特征在于，其中，w^gt表示真实框的宽，h^gt表示真实框的高，w表示预测框的宽，h表示预测框的高。

6.如权利要求1所述的布匹疵点检测方法，其特征在于，疵点布匹图像训练集采用以下至少一种增强方式：恒等变换、X方向剪切、Y方向剪切、X方向平移、Y方向平移、旋转、对比度拉伸规范化、一定几率像素取反、直方图均衡化、曝晒、减少颜色通道位数、图像彩色化、随机亮度增强和图像锐化，每次随机从所有增强方式中选出K个算法组成一串操作进行图像增强，控制失真强度为M，通过调节参数K和M，控制数据增强效果。

7.一种基于深度神经网络的布匹疵点检测系统，其特征在于，该系统包括：

训练模块，用于使用疵点布匹图像训练集训练深度神经网络模型，训练样本的标签为疵点类型和真实框位置信息，所述深度神经网络模型由主干网络和检测网络构成，所述主干网络用于从疵点布匹图像中提取三个尺度不同的特征图；所述检测网络包括：三个结构相同的检测子网络和一个检测结果融合模块，第i个检测子网络用于从第i个尺度的特征图中检测出疵点类型和预测框的位置信息，每个检测子网络的主体是一个Dense set结构；每个检测子网络由三个密集连接块组成，通过密集块之间的特征通道连接加强特征传递，所述检测结果融合模块用于根据预测框和真实框的交并比和中心距，对三个的预测结果进行非极大值抑制，得到最终的预测框和对应疵点类型，i＝1,2,3；

检测模块，用于将待测布匹输入训练好的深度神经网络模型，得到布匹疵点检测结果；

每个密集连接块由三路输出组成，第一路为1个第一Convolutional结构，第二路为2个第一Convolutional结构级联，第三路为3个第一Convolutional结构级联，在经过三路Convolutional结构之前，使用1个第二Convolutional结构进行特征通道压缩，形成Bottleneck结构。