[发明专利]基于深度学习的印花瑕疵检测方法及系统

说明书

本发明提供了一种基于深度学习的印花瑕疵检测方法及系统，包括：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；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；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。充分利用全部资源信息，极大地提升检测算法的检出率和降低误检率。

技术领域

本发明涉及图像处理技术领域，具体地，涉及一种基于深度学习的印花瑕疵检测方法及系统。

背景技术

中国是纺织品大国，要使纺织品在国内外市场上占据有利地位，必须对印花的质量进行检测。

专利文献CN100593716公开了机器视觉系统对印花布瑕疵的在线检测方法，利用工业相机在运行的印花布上拍摄清晰完整的、无瑕疵的图像作为标准图像模板存贮于计算机，将瑕疵面积及图像灰度值设定为瑕疵的检测参量，根据用户要求设置检测参量的精度范围，利用工业相机将实时拍摄的在线运行印花布的图像传输至计算机与标准图像模板进行对比及处理，如有瑕疵出现，由计算机启动报警，提示操作人员对印花布瑕疵进行处理。

布匹印花样式十分繁多和复杂，当前各类目标检测算法均无法很好地解决背景非常复杂的数据，即使是已知的深度学习方案也无法将全部花色列入训练数据中，从而导致误检率过高。并且已知算法均为单输入模式，无法有效地利用印花模板来降低误检率。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的印花瑕疵检测方法及系统。

根据本发明提供的一种基于深度学习的印花瑕疵检测方法，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。

优选地，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。

优选地，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。

优选地，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；