纺织行业日趋激烈。布匹质量的优劣程度对纺织生产影响相当巨大，各大纺织企业面临着高标准，严要求，低成本的巨大压力。自动织物缺陷检测系统具有广阔的研究前景。
    瑕疵检测是机器视觉技术最难的部分，传统的瑕疵检测，基于模板和特定的过程学习后，对产品进行判断。但是产品的瑕疵不确定因素很多，传统的做法，很难真正意义上实现瑕疵检测。采用视觉技术借助人工智能，通过深度学习的算法，为瑕疵检测赋能，并已在多个行业得到应用。
    对于自动织物缺陷检测系统而言，核心部分是织物缺陷检测算法，而检测算法中最重要的部分在于图像特征值的选择。本文采取一种基于深度学习模式的深度卷积神经网络的色织物缺陷检测算法。
    其中多隐层的卷积神经网络模拟了生物神经网络，降低了网络模型的复杂度，从而具有更优异的特征学习能力，织物的图像特征得到了更准确地提取，更有利于后续的图像特征提取及分类。
    本文对缺陷织物进行最优尺寸高斯滤波预处理操作，不仅可以有效滤除细节噪声，而且不会造成图像边缘信息的模糊。
基于深度卷积神经网络的色织物缺陷检测过程主要包括：
1、对采集到的色织物进行预处理
    采用基于图像信噪比选择优化尺寸的高斯滤波进行织物预处理，该操作不仅可以有效滤除细节噪声，而且大量保留图像边缘信息。
    该算法首先通过织物图像信噪比评估图像手噪声影响的程度，然后根据最小化一阶Holder优化准则，确定高斯滤波函数中的最优标准方差，并根据最小二乘法拟合出最终的高斯滤波函数尺度，实现预处理。同时，为了使图像更加清晰，采用自适应直方图均衡化增强图像对比度。
2、构建深度卷积神经网络，获取特征字典和映射函数

    缺陷检测过程包括训练阶段和检测阶段，其中算法的训练阶段是对无缺陷样本集进行卷积神经网络和径向基神经网络的构建，并利用反向传播算法进行参数调整与字典更新，从而获得深度卷积神经网络的卷积字典和映射函数。算法的检测阶段包括利用获取的映射函数对织物图像进行重构，并根据深度卷积字典提取重构图像的图像特征。

    卷积神经网络的整个结构如图2所示。其中输入图像作为输入层。自底而上，从输入层到S1是卷积过程，主要是增强原图像特征，降低噪声。

3、利用Meanshift算法进行图像阈值分割实现缺陷检测
    通过Meanshift算法对图像特征进行图像分割，获取较突出的缺陷区域，并对分割出来的缺陷部分进行双峰法的二值化处理，得到色织物的二值化缺陷检测结果。实验验证了算法的有效性，对400幅缺陷检测样本中20种缺陷类型的识别率较高，且适应性较强，可以实现高效率、高准确率、缩短检测时间的目的，基本达到工业现场对色织物颜色及缺陷种类在线检测的要求。
    织物背景纹理相对复杂，缺陷与背景纹理难以辨别导致检测成功率相对较低。但是对于工业现场经常出现的带纱、破洞、污渍、结头等缺陷检测成功率是较高的，色织物的缺陷位置和形状可得到较好的可视化效果，检测效果较理想。

专栏文章内容及配图由作者撰写发布，仅供工程师学习之用，如有侵权或者其他违规问题，请联系本站处理。 联系我们