《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法研究
基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法研究
2020年信息技術(shù)與網(wǎng)絡(luò)安全第11期
劉艷鋒1，2，鄭云波3，黃惠玲2，張財(cái)貴4，劉文芳2，韓 軍2
1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院，福建 福州350108； 2.中國科學(xué)院福建物質(zhì)結(jié)構(gòu)研究所，福建 福州350002； 3.海西紡織新材料工業(yè)技術(shù)晉江研究院，福建 泉州362200； 4.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108
摘要： 織物瑕疵檢測(cè)是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測(cè)方法檢測(cè)效率低，勞動(dòng)強(qiáng)度大。因此，針對(duì)傳統(tǒng)檢測(cè)方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實(shí)現(xiàn)織物瑕疵檢測(cè)。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測(cè)的目標(biāo)，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測(cè)試過程中，提出對(duì)大尺度圖片進(jìn)行有重疊的分割，然后對(duì)分割后的圖片進(jìn)行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來實(shí)現(xiàn)大尺度圖片的瑕疵檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測(cè)速度快、檢測(cè)精度高等優(yōu)勢(shì)。
中圖分類號(hào)： TP391.4
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2020.11.010
引用格式： 劉艷鋒，鄭云波，黃惠玲，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法研究[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39(11)：62-68.
Research on fabric defect detection method based on convolutional neural network
Liu Yanfeng1，2，Zheng Yunbo3，Huang Huiling2，Zhang Caigui4，Liu Wenfang2，Han Jun2
1.College of Electrical Engineering and Automation，F(xiàn)uzhou University，F(xiàn)uzhou 350108，China； 2.Fujian Institute of Research on the Structure of Matter，Chinese Academy of Sciences，F(xiàn)uzhou 350002，China； 3.Haixi New Textile Material of Jinjiang Industrial Technology Academy，Quanzhou 362200，China； 4.College of Physics and Information Engineering，F(xiàn)uzhou University，F(xiàn)uzhou 350108，China
Abstract： Fabric defect detection is an important step to control the quality of fabric products. The traditional fabric defect detection methods have low detection efficiency and high labor intensity. Therefore, in view of the problems of traditional detection methods, a classification algorithm based on Convolutional Neural Network(CNN) for fabric defect detection is proposed in this paper. Network is based on VGG16 to adjust structure, by optimal network parameters to achieve the optimal results. First of all, due to the difference in the size of fabric flaws, it is proposed to use the edges of the defects as the detection target, so that large-scale images can be divided into 64×64 small-scale images for network training, which not only improves the classification accuracy of the network, but also solves the problems of difficulty in collecting images of fabric defects. Secondly, in the test process, the large-scale images are segmented with overlapping, and then the divided images are classified, and the large-scale images defect detection is realized according to the output label and position of each image. The experimental results show that compared with the traditional VGG16 and LeNet network structures, the network structure proposed in this paper has the advantages of fast detection speed and high detection accuracy.
Key words : CNN；fabric；overlapping segmentation；defect detection

0 引言

    織物瑕疵檢測(cè)是織物生產(chǎn)過程中質(zhì)量檢驗(yàn)和控制的重要一步。一個(gè)有缺陷的成品布，其價(jià)值將會(huì)降低45%以上[1]。因此，布匹的瑕疵檢測(cè)非常重要。傳統(tǒng)的瑕疵檢測(cè)手段主要是通過人工目視，這種方法勞動(dòng)強(qiáng)度大而且瑕疵的漏檢率高。近些年來，機(jī)器視覺方法在瑕疵自動(dòng)化檢測(cè)方面快速發(fā)展，其具有效率高、漏檢率低、長(zhǎng)時(shí)間穩(wěn)定運(yùn)行等優(yōu)點(diǎn)。

    針對(duì)織物瑕疵的檢測(cè)，國內(nèi)外學(xué)者提出了許多方法，主要包括統(tǒng)計(jì)學(xué)方法[2-3]、模型法[4-5]、頻譜法[6-7]、字典學(xué)習(xí)法[8-9]。這些方法雖然能在有限的數(shù)據(jù)上實(shí)現(xiàn)較高的準(zhǔn)確率，但是對(duì)于工業(yè)中各種各樣的布匹和瑕疵類型，其檢測(cè)性能仍然不足。統(tǒng)計(jì)學(xué)方法根據(jù)織物瑕疵所引起的圖像局部統(tǒng)計(jì)信息異常來檢測(cè)瑕疵，這種方法對(duì)于特定的布料有效，但對(duì)于其余樣式的布料，檢測(cè)效果仍然有限。模型法將織物紋理看作是一個(gè)隨機(jī)的過程，紋理圖片是圖像空間中所產(chǎn)生的樣本，這種方法不僅計(jì)算復(fù)雜度高，而且對(duì)小瑕疵織物樣品的檢測(cè)表現(xiàn)不足。頻譜法將時(shí)域信號(hào)轉(zhuǎn)化為頻域信號(hào)，根據(jù)能量標(biāo)準(zhǔn)來檢測(cè)織物圖片瑕疵，這種方法對(duì)簡(jiǎn)單的紋理布檢測(cè)精度高，但對(duì)紋理明顯的布料檢測(cè)精度低，而且算法的計(jì)算量大。基于字典學(xué)習(xí)的方法可根據(jù)從訓(xùn)練集和測(cè)試集中學(xué)習(xí)的信息來構(gòu)建字典，測(cè)試過程中重構(gòu)待檢測(cè)布匹圖片，根據(jù)重構(gòu)圖片和原始圖片的差值檢測(cè)瑕疵，或者將圖片投影到字典中檢測(cè)瑕疵。這兩種檢測(cè)方式都需要重構(gòu)圖片，如果重構(gòu)圖片中也存在瑕疵，就會(huì)降低瑕疵檢測(cè)的準(zhǔn)確率。

    近些年來，隨著深度學(xué)習(xí)的快速發(fā)展，深度學(xué)習(xí)在分類任務(wù)[10-11]、目標(biāo)識(shí)別[12-13]和語義分割[14-15]等方面有卓越表現(xiàn)，證明其有獨(dú)特的圖像特征提取能力。因此，不少學(xué)者將深度學(xué)習(xí)應(yīng)用于瑕疵檢測(cè)方面研究，包括金屬表面瑕疵檢測(cè)[16-17]、膠囊表面瑕疵檢測(cè)[18]、織物瑕疵檢測(cè)[19]等。基于深度學(xué)習(xí)的瑕疵檢測(cè)的方法包括BP神經(jīng)網(wǎng)絡(luò)[20]、自編碼器[21]和CNN[22]等技術(shù)。BP神經(jīng)網(wǎng)絡(luò)通過手動(dòng)提取織物的一維特征信息，然后對(duì)特征信息進(jìn)行分類，這種方法具有優(yōu)良的分類能力和多維函數(shù)映射能力，但是存在收斂速度慢、容易陷入局部最小值。自編碼器方法通過對(duì)輸入數(shù)據(jù)壓縮和解壓來實(shí)現(xiàn)瑕疵檢測(cè)，這種方法對(duì)于紋理復(fù)雜、瑕疵較少的織物檢測(cè)不理想。卷積神經(jīng)網(wǎng)絡(luò)方法相對(duì)于BP網(wǎng)絡(luò)，通過共享卷積核大大降低網(wǎng)絡(luò)的參數(shù)，這種方法準(zhǔn)確率高，但是訓(xùn)練過程需要大量的樣本。

    織物瑕疵具有多樣性、尺度不一等特點(diǎn)，這些因素增加了織物瑕疵檢測(cè)的難度。目前，卷積神經(jīng)網(wǎng)絡(luò)算法在織物瑕疵檢測(cè)方面存在如下困難：

    (1)織物瑕疵在生產(chǎn)過程中出現(xiàn)的概率較小，構(gòu)建大容量織物瑕疵數(shù)據(jù)庫困難；

    (2)不同瑕疵出現(xiàn)的概率不同而且同種瑕疵在不同布料的表現(xiàn)不同；

    (3)搜集的數(shù)據(jù)庫中瑕疵占圖片比例差別很大，造成算法魯棒性低。

    針對(duì)以上存在的問題，本文提出利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的分類能力來實(shí)現(xiàn)織物瑕疵的檢測(cè)。首先針對(duì)布料中的瑕疵大小不確定，提出使用包含瑕疵邊界的小圖片作為負(fù)樣本，將沒有包含瑕疵邊界的小圖片作為正樣本，這樣同一個(gè)瑕疵可以分割成多個(gè)瑕疵樣本，解決了圖片中瑕疵占比不一和瑕疵圖片搜集困難的問題；通過對(duì)小尺度織物圖片的分類訓(xùn)練，將被檢測(cè)的大尺度圖片分割成相同尺度的小圖片，判斷各小圖片是否有瑕疵，并在大尺度圖片中標(biāo)注有瑕疵小圖片的位置，最終實(shí)現(xiàn)大尺度織物圖片的瑕疵檢測(cè)。本文的網(wǎng)絡(luò)只用于檢測(cè)圖片中有無瑕疵，并不需要判斷瑕疵的具體種類，從而避免了相同瑕疵在不同布匹中表現(xiàn)不同的問題。本文提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu)，具有瑕疵檢測(cè)速度快和檢測(cè)精度高的優(yōu)點(diǎn)，更加滿足實(shí)時(shí)需求。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://theprogrammingfactory.com/resource/share/2000003180




作者信息:

劉艷鋒1，2，鄭云波3，黃惠玲2，張財(cái)貴4，劉文芳2，韓  軍2

(1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院，福建 福州350108；

2.中國科學(xué)院福建物質(zhì)結(jié)構(gòu)研究所，福建 福州350002；

3.海西紡織新材料工業(yè)技術(shù)晉江研究院，福建 泉州362200；

4.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。