[发明专利]一种基于生成对抗网络的彩色纹理织物缺陷检测方法

说明书

本发明一种基于生成对抗网络的彩色纹理织物缺陷检测方法，具体为：准备彩色纹理织物数据集并叠加高斯噪声；构建基于通道注意力的对比学习生成对抗网络模型，将叠加高斯噪声后的彩色纹理织物数据集输入基于通道注意力的对比学习生成对抗网络模型进行训练，得到训练好的基于通道注意力的对比学习生成对抗网络模型；利用训练好的基于通道注意力的对比学习生成对抗网络模型对待检测的彩色纹理织物图像进行重构，输出重构图像，然后进行检测以定位缺陷区域。本发明通过计算彩色纹理织物待测图像和对应重构图像的残差，再对残差结果进行阈值分割和闭运算处理，实现缺陷区域的快速检测和定位。

技术领域

本发明属于缺陷检测方法技术领域，涉及一种基于生成对抗网络的彩色纹理织物缺陷检测方法。

背景技术

彩色纹理织物因其美观的花型，受到国内外消费者的青睐，我国每年都会出口大量的彩色纹理织物。在工业生产中，由于操作不当、机器故障等多方面因素，彩色纹理织物会不可避免的存在各种缺陷，这会导致产品价格下降45％-65％。为了保证产品的价格，对织物的表面进行缺陷检测是不可或缺的一项流程，但是利用人眼进行检测并剔除有缺陷织物因受个人主观因素限制，效率低且准确率不稳定。所以迫切需要一种准确且快速的自动彩色纹理织物缺陷检测方法。

随着计算机视觉技术和图像处理技术的迅猛发展，利用计算机视觉技术辅助织物疵点自动检测的方法吸引了产业界和学术界的广泛关注。传统的机器视觉缺陷检测方法泛用性差，成本高，对于复杂的彩色纹理织物的检测效果并不理想。随着深度学习领域的快速发展，深度神经网络也被广泛应用于织物缺陷检测与分类。与传统的特征提取方法相比，深度学习中的有监督学习方法虽然可以提取到传统方法难以提取到的深层抽象特征，但是需要对缺陷样本进行标记，这不仅耗费大量的人力，同时在实际生产中，彩色纹理织物缺陷样本难以大量获取。所以有监督学习的方法不适合彩色纹理织物花型批量小、变化快的场景。目前，无监督的彩色纹理织物缺陷检测算法可以有效利用实际生产中无缺陷样本，通过去噪、重构得到待测样本的修复图像。再计算待测样本与其修复图像的残差图像，即可快速检测和定位色织物的缺陷区域。但是，目前无监督机器学习的色织物缺陷检测方法较少，并且都是基于传统自编码器的结构。传统自编码器会过分关注像素级的特征信息，忽略更加重要的语义特征，提取特征能力较差，影响缺陷区域的去除和非缺陷区域细节的保留，导致缺陷区域漏检或过检从而无法很好地解决彩色纹理织物缺陷区域检测问题。

发明内容

本发明的目的是提供一种基于生成对抗网络的彩色纹理织物缺陷检测方法，通过计算彩色纹理织物待测图像和对应重构图像的残差，再对残差结果进行阈值分割和闭运算处理，实现缺陷区域的快速检测和定位。

本发明所采用的技术方案是，一种基于生成对抗网络的彩色纹理织物缺陷检测方法，具体按照如下步骤实施：

步骤1，准备彩色纹理织物数据集，将彩色纹理织物数据集中的一部分彩色纹理织物图片叠加高斯噪声；

步骤2，构建基于通道注意力的对比学习生成对抗网络模型，设置训练参数和模型参数；

步骤3，将步骤1叠加高斯噪声后的彩色纹理织物数据集中的彩色纹理织物图片输入步骤2构建的基于通道注意力的对比学习生成对抗网络模型进行训练，当训练次数达到设定的迭代次数，得到训练好的基于通道注意力的对比学习生成对抗网络模型；

步骤4，利用步骤3训练好的基于通道注意力的对比学习生成对抗网络模型对待检测的彩色纹理织物图像进行重构，输出重构图像，然后进行检测以定位缺陷区域。

本发明的特征还在于，

步骤1具体为：

步骤1.1，准备彩色纹理织物数据集，其中包括彩色纹理织物无缺陷图像训练集和彩色纹理织物有缺陷图像验证集，彩色纹理织物无缺陷图像训练集和彩色纹理织物有缺陷图像验证集中的图像为三通道彩色图像，图像为.jpg或.png格式文件；