[发明专利]一种基于遗传算法优化神经网络的织物疵点检测方法

权利要求书

1.一种基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，包括以下步骤：

S1：基于遗传算法建立初始种群，得到初始Gabor滤波参数；

S2：采集织物疵点图像，对织物疵点图像进行裁剪和分割；

S3：利用LabelImg标记得到疵点类别和包含疵点的边框，建立PascalVOC数据集；

S4：将所述PascalVOC数据集送入Faster-RCNN网络训练模型中进行训练，计算mAP；

S5：将所述mAP作为遗传算法的适应度函数，进行变异、交叉和选择得到子代Gabor参数，直至迭代次数达到设定的最大值，输出最优基因型即织物疵点图像的最优Gabor滤波参数；

之后调用对应的Faster-RCNN模型输出织物疵点的位置、类型和准确度。

2.根据权利要求1所述的基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，在步骤S1中，基于遗传算法建立初始种群具体操作为：

设定种群大小，迭代次数以及种群进化的适应度函数。

3.根据权利要求1所述的基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，在步骤S2中，采集的织物疵点图像为：

擦洞图像、边扎洞图像或污渍图像的JPEG格式。

4.根据权利要求1所述的基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，步骤S3中建立PascalVOC数据集的具体过程为将包含疵点的JPEG图片进行分割和裁剪，并取部分图片作为训练集，利用软件LabelImg标定文字边框，标签类别分别为Hole、Edgehole和Stain，生成xml文件；

将图片与xml文件做成VOC2007数据集格式并生成test、train、trainval和val的txt文件。

5.根据权利要求1所述的基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，步骤S4的过程为：

S4-1：输入任意大小的图片进入主干网络resnet50进行卷积，输出Feature Map；

S4-2：Feature Map通过RPN模块生成多个anchor boxes，对anchor boxes进行裁剪后，通过softmax判断属于前景或者背景，再利用边框回归修正anchors，获得proposals；

S4-3：Rol Pooling层利用RPN模块生成的proposals和之前获得的特征映射，得到固定大小的proposal feature maps；

S4-4：Classification将建议框特征图进行分类，利用全连接层与softmax进行具体类别的分类；同时，利用L1 Loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型。

6.根据权利要求5所述的基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，所述主干网络resnet50网络有四组block，每组分别有3、4、6、3个block，每个block里有三个卷积层，另外网络的最开始都有一个单独的卷积层，所以一共是(3+4+6+3)*3+1＝49个卷积层，1个全连接层；

conv1：7×7×64，output size为112×112；

conv2_x：3个block，每个block里有1×1×64、3×3×64、1×1×256，output size为56×56；

conv3_x：4个block，每个block里有1×1×128、3×3×128、1×1×512，output size为28×28；

conv4_x：6个block，每个block里有1×1×256、3×3×256、1×1×1024，output size为14×14；

conv5_x：3个block，每个block包括1×1×512、3×3×512、1×1×2048，output size为7×7。

7.根据权利要求5所述的基于遗传算法优化神经网络的织物疵点检测方法，其特征在于，所述训练模型的训练损失包括分类损失和回归损失，总损失函数如下：

式中：i为整数，表示每一个样本的下标；pi表示第i个anchor预测为目标的概率，表示第i个标定框预测为目标的概率；tk＝{tx，ty，tw，th}表示预测框的四个参数化坐标的向量，是标定框的四个参数化坐标的向量；Ncls表示cls项的归一化的大小；λ表示外部权重；Nreg表示reg项归一化为anchor位置的数量；Lcls(pi,pi*)表示分类损失，分类损失的定义为-log[pi*pi+(1-pi*)(1-pi)]，pi表示预测为某一类别的概率，若当前样本为正样本，则pk＝1，若当前样本为负样本，则pi＝0；pi*是标注过的真实数据的标签，Lreg(ti,ti*)表示边框回归损失，定义为Smooth_L1(t-t*)；Smooth_L1函数的定义为：