|
紡織行業日趨激烈。布匹質量的優劣程度對紡織生產影響相當巨大，各大紡織企業面臨著高標準，嚴要求，低成本的巨大壓力。自動織物缺陷檢測系統具有廣闊的研究前景。
瑕疵檢測是機器視覺技術最難的部分，傳統的瑕疵檢測，基于模板和特定的過程學習后，對產品進行判斷。但是產品的瑕疵不確定因素很多，傳統的做法，很難真正意義上實現瑕疵檢測。采用視覺技術借助人工智能，通過深度學習的算法，為瑕疵檢測賦能，并已在多個行業得到應用。
對于自動織物缺陷檢測系統而言，核心部分是織物缺陷檢測算法，而檢測算法中最重要的部分在于圖像特征值的選擇。本文采取一種基于深度學習模式的深度卷積神經網絡的色織物缺陷檢測算法。
其中多隱層的卷積神經網絡模擬了生物神經網絡，降低了網絡模型的復雜度，從而具有更優異的特征學習能力，織物的圖像特征得到了更準確地提取，更有利于后續的圖像特征提取及分類。
本文對缺陷織物進行最優尺寸高斯濾波預處理操作，不僅可以有效濾除細節噪聲，而且不會造成圖像邊緣信息的模糊。
基于深度卷積神經網絡的色織物缺陷檢測過程主要包括：
1、對采集到的色織物進行預處理
采用基于圖像信噪比選擇優化尺寸的高斯濾波進行織物預處理，該操作不僅可以有效濾除細節噪聲，而且大量保留圖像邊緣信息。
該算法首先通過織物圖像信噪比評估圖像手噪聲影響的程度，然后根據最小化一階Holder優化準則，確定高斯濾波函數中的最優標準方差，并根據最小二乘法擬合出最終的高斯濾波函數尺度，實現預處理。同時，為了使圖像更加清晰，采用自適應直方圖均衡化增強圖像對比度。
2、構建深度卷積神經網絡，獲取特征字典和映射函數
缺陷檢測過程包括訓練階段和檢測階段，其中算法的訓練階段是對無缺陷樣本集進行卷積神經網絡和徑向基神經網絡的構建，并利用反向傳播算法進行參數調整與字典更新，從而獲得深度卷積神經網絡的卷積字典和映射函數。算法的檢測階段包括利用獲取的映射函數對織物圖像進行重構，并根據深度卷積字典提取重構圖像的圖像特征。
卷積神經網絡的整個結構如圖2所示。其中輸入圖像作為輸入層。自底而上，從輸入層到S1是卷積過程，主要是增強原圖像特征，降低噪聲。
3、利用Meanshift算法進行圖像閾值分割實現缺陷檢測
通過Meanshift算法對圖像特征進行圖像分割，獲取較突出的缺陷區域，并對分割出來的缺陷部分進行雙峰法的二值化處理，得到色織物的二值化缺陷檢測結果。實驗驗證了算法的有效性，對400幅缺陷檢測樣本中20種缺陷類型的識別率較高，且適應性較強，可以實現高效率、高準確率、縮短檢測時間的目的，基本達到工業現場對色織物顏色及缺陷種類在線檢測的要求。
織物背景紋理相對復雜，缺陷與背景紋理難以辨別導致檢測成功率相對較低。但是對于工業現場經常出現的帶紗、破洞、污漬、結頭等缺陷檢測成功率是較高的，色織物的缺陷位置和形狀可得到較好的可視化效果，檢測效果較理想。
|
