[发明专利]基于深度学习的印花瑕疵检测方法及系统

权利要求书

1.一种基于深度学习的印花瑕疵检测方法，其特征在于，包括：

图像获取步骤：获取待检测图像和模板图像；

图像输入步骤：将待检测图像和模板图像进行大小、像素和亮度的预处理；

特征提取步骤：将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型，非线性地计算图像特征，分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算，得到不同分辨率的特征结果；

特征融合步骤：将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小，将相同大小的不同特征进行融合，得到待检测图像融合特征和模板图像融合特征；

目标定位和分类步骤：将待检测图像融合特征和模板图像融合特征进行差分，通过区域感知定位与分类模型进行前景与背景分类预测，对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。

2.根据权利要求1所述的基于深度学习的印花瑕疵检测方法，其特征在于，所述图像获取步骤包括：通过线扫相机不断获取布匹图像数据流，根据当前印花花型设定印花循环周期，通过机电控制生成相同周期大小的待检测图像。

3.根据权利要求1所述的基于深度学习的印花瑕疵检测方法，其特征在于，所述特征提取步骤包括：

根据预处理后的待检测图像和模板图像的图像大小、欲检测印花瑕疵种类构建孪生卷积神经网络模型；

将预训练好的模型权重加载入孪生卷积神经网络模型；

将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型，非线性地计算图像特征；

分别对待检测图像、模板图像进行1/4、1/8、1/16和1/32倍率的下采样特征计算，得到不同分辨率的特征结果。

4.根据权利要求1所述的基于深度学习的印花瑕疵检测方法，其特征在于，所述特征融合步骤包括：

构建特征金字塔特征融合模型；

将预训练好的模型权重加载入特征金字塔特征融合模型；

将不同分辨率大小的特征利用双线性插值和卷积方案将特征大小调整至相同大小；

将相同大小的不同特征进行融合。

5.根据权利要求1所述的基于深度学习的印花瑕疵检测方法，其特征在于，所述目标定位和分类步骤包括：

将经过特征融合的待检测图像融合特征和模板图像融合特征进行差分；

根据印花瑕疵种类数量和尺度大小构建区域感知定位与分类模型；

将预训练好的模型权重加载入区域感知定位与分类模型；

对所有感知区域进行前景与背景分类预测；

将所有预测为前景的感知区域进行印花瑕疵类别分类和确切回归定位。

6.一种基于深度学习的印花瑕疵检测系统，其特征在于，包括：

图像获取模块：获取待检测图像和模板图像；

图像输入模块：将待检测图像和模板图像进行大小、像素和亮度的预处理；

特征提取模块：将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型，非线性地计算图像特征，分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算，得到不同分辨率的特征结果；

特征融合模块：将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小，将相同大小的不同特征进行融合，得到待检测图像融合特征和模板图像融合特征；

目标定位和分类模块：将待检测图像融合特征和模板图像融合特征进行差分，通过区域感知定位与分类模型进行前景与背景分类预测，对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。

7.根据权利要求6所述的基于深度学习的印花瑕疵检测系统，其特征在于，所述图像获取模块包括：通过线扫相机不断获取布匹图像数据流，根据当前印花花型设定印花循环周期，通过机电控制生成相同周期大小的待检测图像。