[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

说明书

本发明公开了一种基于遗传算法优化神经网络的织物疵点检测方法，属于数据处理领域。本发明包括：初始化Gabor滤波参数；采集织物疵点图像；标记得到疵点类别和包含疵点的边框，建立PascalVOC数据集；将PascalVOC数据集送入Faster‑RCNN网络训练模型中进行训练，计算mAP；将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滤波参数；调用对应的Faster‑RCNN模型输出织物疵点的位置、类型和准确度。本发明能够很好的将疵点和背景分离，织物检测模型进行疵点的准确率高、通用性好。

技术领域

本发明属于数据处理领域，尤其是一种基于遗传算法优化神经网络的织物疵点检测方法。

背景技术

织物缺陷的检测多依赖于手工操作，这种方法重复性高，耗费人力，检测时间长，而且检测结果很大程度上依赖于工人的熟练度，准确性、一致性和效率均无法保障。由于织物(包括单组织织物、复合组织织物、针织物、斜纹织物、提花织物等)纹理复杂，织物颜色多变，织物疵点与背景纹理的对比度较低等问题很难将疵点与背景分离从而达到很好的识别效果。织物缺陷检测可分为四类：统计方法、结构方法、基于模型的方法和光谱方法。统计方法通常使用一阶和二阶统计量来表示纹理特征。然而，利用灰度值的统计信息来检测细微的缺陷是非常具有挑战性的。在统计方法中，图像的灰度值由各种表示形式定义，如自相关函数、共现矩阵、数学形态学和分形维数。结构化方法将纹理视为一组织构基元，当图案规则时，能有效地分割缺陷。光谱方法是应用最广泛的方法之一，利用图像的光谱特征进行织物缺陷检测，主要包括傅里叶变换、小波变换、Gabor变换等。其中，Gabor变换接近人类视觉系统对于频率和方向的表示，常用于纹理过滤，在提取目标的局部空间和频率域信息方面具有良好的特性。但是Gabor滤波参数多，选择合适的Gabor滤波参数是滤波是否成功的重要因素。现有的适应度函数很难满足消除织物疵点背景，突出疵点对Gabor参数组合的要求，织物疵点检测的准确率和效率低下。

发明内容

本发明的目的在于克服现有的适应度函数很难满足消除织物疵点背景，突出疵点对Gabor参数组合的要求，织物疵点检测的准确率和效率低下的缺点，提供一种基于遗传算法优化神经网络的织物疵点检测方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于遗传算法优化神经网络的织物疵点检测方法，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。

进一步的，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。

进一步的，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。