[发明专利]一种基于深度学习方法的无纺布缺陷检测方法

说明书

一种基于深度学习方法的无纺布缺陷检测方法，属于图像识别领域。现有关于无纺布的缺陷检测方法存在识别效果差的缺点。一种基于深度学习方法的无纺布缺陷检测方法，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；对获取的图像信号进行预处理操作；建立YOLOX模型，并基于建立的YOLOX模型进行缺陷识别。本发明是利用深度学习的方法对无纺布缺陷进行检测，该方法为非接触测量，具有准确性高、实时性好、精度高、效率高等优点，可以实现在线监测和智能化检测。

技术领域

本发明涉及一种基于深度学习方法的无纺布缺陷检测方法。

背景技术

无纺布作为医用外科口罩，护士帽，手术帽等一次性医用耗材的原料，在生产中被大 量的使用。一次性医用消耗品的品质主要取决于无纺布的质量，由于无纺布的生产和运输 过程中，无法保证环境的绝对无菌无尘，且其本身就具有很强的静电吸附能力，因此常会 吸附空气中的小杂质，所以在无纺布的极少数区域会存在异物，该缺陷的存在直接造成后 续产品的质量不达标，因此，生产厂商需要将这些缺陷部分剔除，否则将造成巨大的经济 损失。目前行业中，多数大型公司采用进口的视觉检测设备进行缺陷检测，虽然效果不错， 但是这些设备通常造价和后期维护费用高昂，并不适合小型企业和作坊使用。

国内大多数小公司还是采用传统人工目视方式进行缺陷筛选，这种方式较为简单，但 是需要较长时间的工人培训，且检测效率及精度较低，并且会浪费较多的人力资源，检测 效率低，不能满足自动化生产线高速生产速度的需求，人工检测需要检测工人有很高的熟 练度，而且人眼检测的效率一般难以跟随布匹生产的速度，因此人工缺陷检测也会制约生 产效率。对劳动力需求大，人工检测过程中会出现视觉疲劳现象，并且受人主观因素影响 大，不同质检员可能会出现不同的判断标准，且一个质检员的判断标准也无法保证一直不 变，所以易出现漏检、误检的现象。对企业经营来讲是一笔不小的开销。

近年来，伴随着机器视觉领域相关技术的不断进步，相关的图像识别检测算法不断地 涌现出来。传统的图像处理算法需要人工设定图像特征提取和识别的参数，并根据不同的 缺陷类型制定不同的检测方案，缺乏灵活性，且很难达到更高的识别准确率。

随着计算机技术的迅速发展，研究人员发现可以利用计算机将摄像机采集到的图像、 视频作为数据源提取其中信息进行处理从而模拟人类的视觉。从视觉出发，让计算机从图 像中提取信息模拟人眼去检测产品缺陷是一项值得研究的课题，在无纺布表面缺陷的识别 检测中使用深度学习算法后，人为提取特征的繁琐程序不仅可以被简化，实现不同类型缺 陷的精确识别。利用深度学习算法对物体表面缺陷图像进行检测的方法不仅能够替代人工 节约成本还能提高检测速度和检测精度。因此，将深度学习运用到工业领域成为最迫切的 需求，这不仅能提高了口罩产品生产合格率，还能提高口罩产品的生产效率，这正是目前 工业生产线上所需要的技术。

目前，基于人工设计特征和机器学习的传统识别算法的情况是，随着计算机运算能力 的不断提升，图像识别技术被应用在很多场景中，其中之一就是缺陷检测，自上世纪90年 代以来，基于计算机视觉技术的缺陷检测逐渐成为研究热点，国内外研究学者也提出了很 多检测方法，大体可以分为基于缺陷结构纹理的方法、基于灰度像素统计的方法、基于频 谱的方法、基于特征学习的方法四类。

上述现有的识别算法存在不同程度的缺点，例如，基于缺陷结构纹理的方法十分依赖 于布匹本身的缺陷纹理特征，只有当缺陷纹理规律非常强的时候，才能有较好的检测结果， 易受布匹纹理和采集光照的影响，可靠性很低。其次，基于像素统计的方法可以描述像素 的空间关系，提供很多有用的信息，比如粗糙度、规则性、自相关性以及同一性等信息， 但它不能分析纹理结构，不能和较大的纹理单元共同作用，又因布匹瑕疵种类繁多及形状 大小不一的问题，导致该方法的鲁棒性较差。

发明内容

本发明的目的是为了解决以上的问题，而提出一种基于深度学习方法的无纺布缺陷检 测方法。