《電子技術(shù)應用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應用 > 基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究
基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究
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，張財貴4，劉文芳2，韓 軍2
1.福州大學 電氣工程與自動化學院，福建 福州350108； 2.中國科學院福建物質(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 物理與信息工程學院，福建 福州350108
摘要： 織物瑕疵檢測是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測方法檢測效率低，勞動強度大。因此，針對傳統(tǒng)檢測方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實現(xiàn)織物瑕疵檢測。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實現(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的目標，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)訓練，既提高了網(wǎng)絡(luò)的分類準確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測試過程中，提出對大尺度圖片進行有重疊的分割，然后對分割后的圖片進行分類，根據(jù)每張圖片的輸出標簽和位置來實現(xiàn)大尺度圖片的瑕疵檢測。實驗結(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), 具有檢測速度快、檢測精度高等優(yōu)勢。
中圖分類號： TP391.4
文獻標識碼： 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

    織物瑕疵檢測是織物生產(chǎn)過程中質(zhì)量檢驗和控制的重要一步。一個有缺陷的成品布，其價值將會降低45%以上[1]。因此，布匹的瑕疵檢測非常重要。傳統(tǒng)的瑕疵檢測手段主要是通過人工目視，這種方法勞動強度大而且瑕疵的漏檢率高。近些年來，機器視覺方法在瑕疵自動化檢測方面快速發(fā)展，其具有效率高、漏檢率低、長時間穩(wěn)定運行等優(yōu)點。

    針對織物瑕疵的檢測，國內(nèi)外學者提出了許多方法，主要包括統(tǒng)計學方法[2-3]、模型法[4-5]、頻譜法[6-7]、字典學習法[8-9]。這些方法雖然能在有限的數(shù)據(jù)上實現(xiàn)較高的準確率，但是對于工業(yè)中各種各樣的布匹和瑕疵類型，其檢測性能仍然不足。統(tǒng)計學方法根據(jù)織物瑕疵所引起的圖像局部統(tǒng)計信息異常來檢測瑕疵，這種方法對于特定的布料有效，但對于其余樣式的布料，檢測效果仍然有限。模型法將織物紋理看作是一個隨機的過程，紋理圖片是圖像空間中所產(chǎn)生的樣本，這種方法不僅計算復雜度高，而且對小瑕疵織物樣品的檢測表現(xiàn)不足。頻譜法將時域信號轉(zhuǎn)化為頻域信號，根據(jù)能量標準來檢測織物圖片瑕疵，這種方法對簡單的紋理布檢測精度高，但對紋理明顯的布料檢測精度低，而且算法的計算量大?；谧值鋵W習的方法可根據(jù)從訓練集和測試集中學習的信息來構(gòu)建字典，測試過程中重構(gòu)待檢測布匹圖片，根據(jù)重構(gòu)圖片和原始圖片的差值檢測瑕疵，或者將圖片投影到字典中檢測瑕疵。這兩種檢測方式都需要重構(gòu)圖片，如果重構(gòu)圖片中也存在瑕疵，就會降低瑕疵檢測的準確率。

    近些年來，隨著深度學習的快速發(fā)展，深度學習在分類任務(wù)[10-11]、目標識別[12-13]和語義分割[14-15]等方面有卓越表現(xiàn)，證明其有獨特的圖像特征提取能力。因此，不少學者將深度學習應用于瑕疵檢測方面研究，包括金屬表面瑕疵檢測[16-17]、膠囊表面瑕疵檢測[18]、織物瑕疵檢測[19]等?；谏疃葘W習的瑕疵檢測的方法包括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)通過手動提取織物的一維特征信息，然后對特征信息進行分類，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輸入數(shù)據(jù)壓縮和解壓來實現(xiàn)瑕疵檢測，這種方法對于紋理復雜、瑕疵較少的織物檢測不理想。卷積神經(jīng)網(wǎng)絡(luò)方法相對于BP網(wǎng)絡(luò)，通過共享卷積核大大降低網(wǎng)絡(luò)的參數(shù)，這種方法準確率高，但是訓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，這些因素增加了織物瑕疵檢測的難度。目前，卷積神經(jīng)網(wǎng)絡(luò)算法在織物瑕疵檢測方面存在如下困難：

    (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。

    針對以上存在的問題，本文提出利用卷積神經(jīng)網(wǎng)絡(luò)強大的分類能力來實現(xiàn)織物瑕疵的檢測。首先針對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，這樣同一個瑕疵可以分割成多個瑕疵樣本，解決了圖片中瑕疵占比不一和瑕疵圖片搜集困難的問題；通過對小尺度織物圖片的分類訓練，將被檢測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注有瑕疵小圖片的位置，最終實現(xiàn)大尺度織物圖片的瑕疵檢測。本文的網(wǎng)絡(luò)只用于檢測圖片中有無瑕疵，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)，具有瑕疵檢測速度快和檢測精度高的優(yōu)點，更加滿足實時需求。




本文詳細內(nèi)容請下載:http://ihrv.cn/resource/share/2000003180




作者信息:

劉艷鋒1，2，鄭云波3，黃惠玲2，張財貴4，劉文芳2，韓  軍2

(1.福州大學 電氣工程與自動化學院，福建 福州350108；

2.中國科學院福建物質(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 物理與信息工程學院，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。