一种基于深度学习的无纺布缺陷检测与分类方法与流程

本发明涉及纺织材料质量检测，尤其涉及一种基于深度学习的无纺布缺陷检测与分类方法。

背景技术：

1、在纺织材料质量检测技术领域，对于无纺布在生产过程中容易出现纤维断裂、褶皱、纤维团聚、厚薄不均、污渍及孔隙异常等表面缺陷的问题，现有检测方式多采用人工目检、普通机器视觉检测或卷积神经网络分类检测，通过采集无纺布表面图像，提取灰度、纹理、边缘或深度特征后完成缺陷识别。上述方式能够对明显破损和高对比度缺陷进行检测，但对连续生产场景下的细小缺陷、低对比度缺陷和边界模糊缺陷识别稳定性不足。

2、现有深度学习检测方法通常将无纺布图像作为静态图像块处理，缺少对同一纹理区域在连续采集过程中的状态变化建模，难以区分正常纤维纹理波动和真实缺陷扰动。无纺布表面纤维具有交错、粘连、孔隙分布不均等特点，普通图像特征容易将正常纹理误判为缺陷，也容易忽略纤维微元连接状态的持续变化。现有液态状态机模型虽可处理时序输入，但常规储备池结构未结合纤维微元拓扑连接、方向引导标记和储备区因果关系，导致缺陷扰动路径与正常纹理状态路径难以有效分离，缺陷分类结果易受缺陷形态差异和尺度变化影响。

3、因此，如何提供一种基于深度学习的无纺布缺陷检测与分类方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的无纺布缺陷检测与分类方法，本发明利用同位纹理帧序列、纤维微元拓扑连接状态和拓扑因果液态状态机模型，实现无纺布缺陷定位与分类，具备弱缺陷识别稳定、分类准确性高和在线检测效率高的优点。

2、根据本发明实施例的一种基于深度学习的无纺布缺陷检测与分类方法，包括如下步骤：

3、采集无纺布连续表面图像，执行图像校正处理，生成同位纹理帧序列；

4、依据同位纹理帧序列构建纤维微元连接状态，生成纤维微元拓扑连接状态序列；

5、依据纤维微元拓扑连接状态序列识别纤维微元不可逆连接变化，生成缺陷类事件起始标记，按照缺陷类事件起始标记划分生成目标纹理事件集合；

6、对目标纹理事件集合进行脉冲化编码，生成纹理脉冲序列，配置纹理事件标记和方向引导标记；

7、依据纹理事件标记和方向引导标记构建拓扑因果液态状态机模型，按照纹理事件标记配置分区液态储备池，依据方向引导标记配置储备神经元连接权重，建立分区液态储备池内各储备区之间的因果连接关系；

8、基于拓扑因果液态状态机模型读取纹理脉冲序列，按照采集顺序标记触发与位置标记关联的储备神经元响应，经储备神经元连接权重和因果连接关系进行状态演化，生成液态状态路径；

9、对液态状态路径进行轨迹归并，形成缺陷轨迹片段集合，对缺陷轨迹片段集合执行类别映射处理，生成无纺布缺陷检测与分类结果。

10、可选的，所述同位纹理帧序列的生成包括如下步骤：

11、对无纺布连续表面图像进行帧序列化处理，生成连续表面图像帧；

12、对连续表面图像帧执行光照一致化、噪声抑制和运行位移校正处理，生成校正图像帧序列；

13、依据无纺布运行方向和采集顺序建立相邻校正图像帧之间的纹理区域对应关系；

14、按照纹理区域对应关系对校正图像帧序列进行同位排列，生成同位纹理帧序列。

15、可选的，所述纤维微元拓扑连接状态序列的生成包括如下步骤：

16、读取同位纹理帧序列，选取同位对应标记相同的纹理块，对纹理块对应的校正后图像内容执行纤维纹理主干提取，生成纤维纹理主干集合；

17、按照纤维纹理主干的走向延续关系和交汇关系划分纤维微元，生成带有位置标记和采集顺序标记的纤维微元集合；

18、依据纤维微元集合记录相邻纤维微元之间的连接端点、连接方向和邻接对象，生成纤维微元连接状态；

19、读取同一同位对应标记下的纹理块，按照采集顺序排列纤维微元连接状态，生成纤维微元拓扑连接状态序列。

20、可选的，所述目标纹理事件集合的生成包括如下步骤：

21、读取纤维微元拓扑连接状态序列，按照采集顺序标记对相同位置标记下的连接端点、连接方向和邻接对象进行前后比对，生成连接状态比对结果；

22、依据连接状态比对结果识别连接端点消失、连接方向改变和邻接对象改变，生成纤维微元连接变化；

23、以纤维微元连接变化对应的采集顺序标记为当前采集顺序标记，读取相同位置标记下位于当前采集顺序标记之后的连接端点、连接方向和邻接对象，将未恢复至前序连接状态的纤维微元连接变化记为纤维微元不可逆连接变化；

24、依据纤维微元不可逆连接变化生成缺陷类事件起始标记，按照缺陷类事件起始标记对纤维微元拓扑连接状态序列进行事件段划分，生成目标纹理事件集合；

25、在目标纹理事件集合中保留缺陷类事件起始标记对应的采集顺序标记、位置标记和纤维微元不可逆连接变化。

26、可选的，所述纹理脉冲序列的生成包括如下步骤：

27、读取目标纹理事件集合中的采集顺序标记、位置标记和纤维微元不可逆连接变化，按照采集顺序标记排列目标纹理事件，生成脉冲编码顺序；

28、依据纤维微元不可逆连接变化中的连接端点、连接方向和邻接对象变化内容配置纹理事件标记，依据纤维微元不可逆连接变化对应的连接方向配置方向引导标记；

29、按照脉冲编码顺序将采集顺序标记、位置标记、纹理事件标记和方向引导标记写入脉冲编码单元，生成纹理脉冲序列。

30、可选的，所述拓扑因果液态状态机模型的构建包括如下步骤：

31、读取纹理事件标记和方向引导标记，建立纹理脉冲序列与拓扑因果液态状态机模型之间的输入对应关系；

32、按照纹理事件标记配置分区液态储备池，分区液态储备池内的储备区分别接收对应纹理事件标记的纹理脉冲；

33、依据方向引导标记配置储备神经元连接权重，携带纹理脉冲对应的方向传递关系；

34、依据分区液态储备池内的储备区接收的纹理脉冲和储备神经元连接权重，建立储备区之间的因果连接关系，生成拓扑因果液态状态机模型。

35、可选的，所述分区液态储备池的配置包括如下步骤：

36、读取纹理脉冲序列中的纹理事件标记，识别连接断开类标记、方向变动类标记和邻接替换类标记；

37、在拓扑因果液态状态机模型中配置连接断开储备区、方向变动储备区和邻接替换储备区，形成分区液态储备池；

38、将携带连接断开类标记的纹理脉冲写入连接断开储备区，将携带方向变动类标记的纹理脉冲写入方向变动储备区，将携带邻接替换类标记的纹理脉冲写入邻接替换储备区；

39、当同一纹理脉冲携带两种以上纹理事件标记时，将同一纹理脉冲分别写入对应储备区，各对应储备区保留同一采集顺序标记和同一位置标记。

40、可选的，所述储备神经元连接权重的配置包括如下步骤：

41、读取纹理脉冲序列中的方向引导标记，确定纹理脉冲对应的连接方向变化；

42、在分区液态储备池内查找与纹理脉冲位置对应的储备神经元连接边，将延续连接方向变化的储备神经元连接边确定为方向承接连接边，将偏离连接方向变化的储备神经元连接边确定为方向偏离连接边；

43、对方向承接连接边执行定向响应增强处理，对方向偏离连接边执行偏离响应抑制处理，生成储备神经元连接权重；

44、依据储备神经元连接权重控制纹理脉冲在分区液态储备池内的液态状态传递，生成带有方向约束的液态状态路径。

45、可选的，所述液态状态路径的生成包括如下步骤：

46、按照采集顺序标记读取纹理脉冲序列，将读取到的纹理脉冲提交至拓扑因果液态状态机模型的输入端；

47、依据位置标记在分区液态储备池中触发关联储备神经元响应，生成初始液态状态；

48、初始液态状态按照储备神经元连接权重在储备神经元连接边上传递，按照因果连接关系在储备区之间联动，生成储备区液态状态；

49、按照位置标记和采集顺序标记归集储备区液态状态，生成液态状态路径。

50、可选的，所述无纺布缺陷检测与分类结果的生成包括如下步骤：

51、按照位置标记和采集顺序标记对液态状态路径进行连续轨迹划分，形成候选轨迹片段；

52、根据候选轨迹片段中的所属储备区和储备神经元响应对候选轨迹片段执行归并处理，生成缺陷轨迹片段集合；

53、依据缺陷轨迹片段集合中的所属储备区建立类别映射关系，依据储备神经元响应确定类别响应状态；

54、依据缺陷轨迹片段集合中的位置标记标定缺陷位置，依据采集顺序标记确定缺陷范围，结合类别映射关系和类别响应状态输出无纺布缺陷检测与分类结果。

55、本发明的有益效果是：

56、（1）本发明通过同位纹理帧序列和纤维微元拓扑连接状态序列，跟踪同一纹理区域的连续变化，减少正常纹理波动造成的误检，提高细小缺陷检测稳定性。

57、（2）本发明通过纤维微元不可逆连接变化生成缺陷类事件起始标记，低对比度缺陷和边界模糊缺陷以结构异常形式被识别，降低漏检率。

58、（3）本发明通过拓扑因果液态状态机模型形成液态状态路径，进行轨迹归并和类别映射，提高破洞、褶皱、纤维团聚等缺陷的分类准确性。