[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

说明书

本发明公开了一种基于深度神经网络的布匹疵点检测方法和系统，属于模式识别技术领域。包括：使用疵点布匹图像训练集训练深度神经网络模型，标签为疵点类型和真实框位置信息，深度神经网络模型由主干网络和检测网络构成，主干网络用于从疵点布匹图像中提取三个尺度不同特征图；检测网络包括：三个结构相同的检测子网络和检测结果融合模块，每个检测子网络用于从特征图中检测出疵点类型和预测框位置信息，由三个密集连接块组成，密集块之间的特征通道连接加强特征传递，检测结果融合模块用于对预测结果非极大值抑制，得到最终预测框和疵点类型，将待测布匹输入训练好的深度神经网络模型，得到检测结果，从而更快更准确检测布匹中疵点的类型和位置。

技术领域

本发明属于机器视觉与模式识别技术领域，更具体地，涉及一种基于深度神经网络的布匹疵点检测方法和系统。

背景技术

我国布匹产量大、厂家众多，但多数厂家的产品属于中低端产品，其中80％的厂家生产中低档纺织品，只生产低质量低价格纺织品的企业有4％，而高质量纺织品的生产厂家只有10％左右。要想提高布匹的质量，就必须对布匹上的疵点进行检测。

由于布匹疵点形状各异，特征比较复杂，所以传统的布匹检测方法精度一直不高，并且传统的布匹疵点检测方法受外界环境影响比较大，稳定性不好，不具备通用性。专利CN108520114A“一种纺织布疵点检测模型及其训练方法和应用”，公开了基于深度学习框架YOL0v2构建纺织布疵点检测模型，它通过多层卷积操作对图像特征进行提取和融合，并且使用了固定框、维度聚类、直接坐标预测、多尺度训练、批归一化进行网络优化。西安工程大学的刘娆在论文“卷积神经网络在纺织品缺陷检测中的应用研究”中提出YOLOV3缺陷检测模型，基础网络采用Darknet-53，分类器使用多个logistic分类器代替使用Softmax对每个框进行分类，同时增加了多尺度预测。

但是，YOLOV2对于小目标的检测能力比较弱，而布匹中具有不同大小的疵点，导致对于一些小的疵点YOLOV2检测精度不理想，准确率较低。YOLOV3检测网络过于复杂，参数较多，导致检测实时性差的技术问题。

发明内容

针对现有技术纺织布疵点检测方法存在准确率低、实时性差和不具有通用性的技术问题，本发明提供了一种基于深度神经网络的布匹疵点检测方法，其目的在于通过本发明设计的深度神经网络模型，更快更准确检测布匹中疵点的类型和位置。

为实现上述目的，按照本发明的第一方面，提供了一种基于深度神经网络的布匹疵点检测方法，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；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。

优选地，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。

优选地，Convolutional结构由卷积层、批归一化层、激活层组成，将卷积层与批归一化层合并。

优选地，非极大值抑制的衡量指标如下：