[发明专利]基于混合膨胀卷积和多尺度特征融合的织物疵点检测方法

说明书

本发明涉及一种基于混合膨胀卷积和多尺度特征融合的织物疵点检测方法，其步骤为：首先，建立用于训练卷积神经网络的织物疵点模型的数据集，并将织物图像数据集分成训练集和测试集；其次，设计混合膨胀卷积模块、特征融合方法和候选框架构，搭建织物疵点检测网络；然后，将训练集输入织物疵点检测网络中进行训练，并利用异步梯度下降的训练策略调整织物疵点检测网络的参数，得到织物疵点检测模型；最后，将测试集输入织物疵点检测网络模型中，定位出图像中的目标疵点及位置坐标，并在图像中框出疵点目标。本发明将混合膨胀卷积和多尺度特征提取相结合搭建织物疵点检测网络模型，在保证有较高检测精度的同时，减少了模型的尺寸大小。

技术领域

本发明涉及计算机视觉技术结合纺织技术领域，涉及一种基于混合膨胀卷积和多尺度特征融合的织物疵点检测方法。

背景技术

疵点检测是纺织企业提高产品质量的重要环节，但是由于纺织产品种类繁多，疵点颜色、结构与形状随机性大，使得疵点自动检测成为一项极具挑战的任务。传统上，织物疵点检测是由工人手工完成的，但是由于人眼的限制，如果织物的运动速度过快，那么手工操作便不可避免的就会产生疲劳，进而导致误差，这无疑限制了高质量织物生产的速度。因此，中国纺织工业联合会在纺织工业“十三五”科技进步纲要中将纺织信息化技术列为研发重点，旨在完善与推广纺织在线生产监控技术。根据纲要的统计结果表明，织物疵点在线检测实现比人工肉眼检测节约成本30％，准确率提高20％，速度提高25％。企业如果想要提高织物疵点检测的效率，同时又不降低纺织产品的质量，那么纺织企业有必要用智能检测取代人工检测。深度学习是近年兴起的新型人工智能技术，其通过高层神经网络的构建，能用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达，从而可以实现织物疵点的检测。

发明内容

本发明的目的是提供一种基于混合膨胀卷积和多尺度特征融合的织物疵点检测方法，所得的混凝土具有优异的工作性能、力学性能、抗裂性和抗冲磨性能。

为达到上述目的，本发明采用的技术方案为：

基于混合膨胀卷积和多尺度特征融合的织物疵点检测方法，包括以下步骤：

步骤1、收集织物图像并进行预处理得到数据集，将数据集按比例划分为训练集与测试集；

步骤2、将步骤1中的训练集中的训练样本依次输入织物疵点检测网络中进行训练，织物疵点检测网络通过混合膨胀卷积模块提取图像的特征，在混合膨胀卷积模块中设计了四条并行路径，其中三条路径用于提取不同尺度特征，用于检测不同尺寸的织物疵点，另一条路径用于获取不同位置疵点的非线性特征；

步骤3、使用最优的特征融合方法进行特征融合，将获得的特征输入区域建议模块获得疵点建议框；

步骤4、分类和回归模块结合步骤2得到的特征与步骤3得到的疵点建议框进行最终疵点位置的回归与疵点类型的分类，得到每个训练样本的最终疵点检测结果；

步骤5、利用异步梯度下降的训练策略调整织物疵点检测网络的参数，得到织物疵点检测模型；

步骤6、将步骤1中的测试集输入织物疵点检测网络模型中，得到图像中的目标疵点及位置坐标，并在图像中利用候选框框出疵点目标。

进一步的，所述步骤1中的预处理方法为，收集带有疵点的织物图像，通过随机裁剪和旋转来增强训练数据，并对图像上实际疵点的位置坐标进行标记。

进一步的，所述织物疵点检测网络包括特征提取模块、区域建议模块以及分类和回归模块，特征提取模块用于包括图像浅加工模块和混合膨胀卷积模块处理模块，图像浅加工模块包含四个卷积层和两个池化层，用于捕获织物的纹理及边缘特征，并减少特征图的大小，混合膨胀卷积模块处理模块包含九个混合膨胀卷积模块，用于在减少参数数量的同时获得多尺度特征。