[发明专利]一种基于深度学习方法的无纺布缺陷检测方法

权利要求书

1.一种基于深度学习方法的无纺布缺陷检测方法，其特征在于：所述方法通过以下步骤实现：

首先，搭建图像采集系统，通过图像采集系统对待检测的无纺布进行图像信号的获取；图像采集系统包含图像拍摄系统、图像处理系统、缺陷识别系统、光源照明系统、光学成像系统、图像传感器以及系统支撑部分；

然后，对获取的图像信号进行预处理操作，预处理操作包括灰度化、图像去噪、形态操作、图像增强；

最后，建立YOLOX模型，并基于建立的YOLOX模型进行缺陷识别。

2.根据权利要求1所述的一种基于深度学习方法的无纺布缺陷检测方法，其特征在于：所述的图像拍摄系统包括工业相机、镜头、光源；

相机采用CCD作为采样设备。

3.根据权利要求1或2所述的一种基于深度学习方法的无纺布缺陷检测方法，其特征在于：所述的图像预处理操作过程在采用中值滤波器进行预处理。

4.根据权利要求3所述的一种基于深度学习方法的无纺布缺陷检测方法，其特征在于：所述的基于建立的YOLOX模型进行缺陷识别的步骤具体为：

建立改进的YOLOX模型并进行缺陷识别；

第一、建立特征提取网络；

在网络前端采用ReLU函数，只在后端采用h-swish函数，三层卷积神经网络通过对模型降维和升维用更少的参数进行特征学习，经过通道维的全局平局池化获取全局感受野，再通过自适应一维卷积实现不降维的局部跨信道交互，其中学习到的通道注意力用W_k表示，其中包含k×C个参数；

y_i的权重由y_i与其相邻的k个通道共同决定，避免了不同通道之间的完全独立性：

其中，表示y_i的第k个相邻通道的集合,表示的权重；让所有通道共享权值可以进一步提高模型性能：

最后通过含有k个参数的一维卷积就能够实现有效捕捉局部跨通道的交互信息，其中C表示一维卷积：

ω＝σ(C_k(y))

第二，进行模型结构化剪枝操作；

在神经网络中的BN层引入可学习的参数γ和β加快网络的训练和收敛速度，通过平移和缩放对通道数据进行归一化处理，在迭代训练中学习网络的特征分布：

其中，z_in和z_out表示BN层的输入和输出，B表示mini-patch，μ_B和σ_B表示均值和标准差；

L1正则化的正则项为：

其中λ表示正则项的系数，n表示样本大小，ω表示权重.在损失函数中增加L1正则化可以降低模型的复杂度，使神经网络中的权重趋于0，得到稀疏网络；与L1正则化相似，在BN层的每个通道引入尺度因子，损失函数中增加关于γ的惩罚项，与神经网络权重进行联合训练，最后将稀疏网络的尺度因子γ大小作为衡量各层网络通道重要性的指标；

其中，第一项表示网络正常训练的损失函数，(x，y)表示训练的输入和输出，W表示可训练的网络权重；第二项表示L1正则项，λ表示两项的平衡因子，Γ表示所有剪枝通道的集合；

通过控制超参数λ的大小，使网络获得合适的稀疏度，从而对冗余通道进行筛选；网络中贡献较小的通道去掉之后不会影响模型对特征的有效提取，而且降低了网络的复杂度，经过重新训练后进行微调能够提高模型的精度和泛化性能；

第三，确定识别结果；

设TP(True positives)表示正样本被正确识别为正样本；

TN(True negatives)：负样本被正确识别为负样本；

FP(False positives)：负样本被错误识别为正样本；

FN(False negatives)：正样本被错误识别为负样本；

(1)精确率(Precision)：Precision就是在识别出来的正样本中，True positives所占的比率；

(2)召回率(Recall)：Recall是测试集中所有正样本样例中，被正确识别为正样本的比例；

(3)准确率(Accuracy)：分类正确的样本数除以所有的样本数；准确率一般用来评估模型的全局准确程度，不能包含太多信息，无法全面评价一个模型性能；

(4)平均精度(Average-Precision，AP)

如果一个分类器的性能比较好，那么它应该有如下的表现：在Recall值增长的同时，Precision的值保持在一个很高的水平；而性能比较差的分类器可能会损失很多Precision值才能换来Recall值的提高；通常情况下，文章中都会使用Precision-recall曲线，来显示出分类器在Precision与Recall之间的权衡；

AP就是Precision-recall曲线下面的面积，通常来说一个越好的分类器，AP值越高；

(5)mean Average Precision(mAP)：mAP是多个类别AP的平均值；这个mean的意思是对每个类的AP再求平均，得到的就是mAP的值，mAP的大小一定在[0,1]区间，越大越好；

(6)IoU：IoU这一值，；为系统预测出来的框与原来图片中标记的框的重合程度；计算方法即检测结果Detection Result与Ground Truth的交集比上它们的并集，即为检测的准确率；