基于人工智能和高斯混合模型的纺织物表面缺陷检测方法与流程

1.本发明涉及纺织物缺陷检测技术领域，具体涉及基于人工智能和高斯混合模型的纺织物表面缺陷检测方法。


背景技术：

2.随着机器视觉和人工智能的不断发展，逐渐应用到了纺织物表面缺陷检测领域。现有技术中，针对纺织物表面缺陷的检测，专利号为cn101063660，专利名称为一种纺织品缺陷检测方法及其装置公开了利用小波变换对图像进行小波分解，获取不同方向的高频信息和近似分量，并利用自适应阈值处理，进行纺织物缺陷定位。
3.然而，通过不同方向上的高频信息虽然能够得到纺织物表面纹理信息，但是纺织物缺陷相较于纺织物表面纹理同样属于高频信息，不同的缺陷程度，高频信息变化的程度也不同，从而使得简单的阈值处理很难保证检测精度，因此，需要基于人工智能和高斯混合模型的纺织物表面缺陷检测方法。


技术实现要素：

4.本发明提供基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，以解决现有的问题。
5.本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法采用如下技术方案：该方法包括：
6.s1、s1、采集纺织物图像并获取纺织物图像的灰度图，对灰度图进行分割得到对多个块图像；
7.s2、获取各个块图像的像素点灰度值的变化特征和像素点的分布位置，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型；
8.s3、对多个高斯混合子模型进行聚类，得到多个聚类簇，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量，获取所有占比量中的最高占比量，最高占比量所对应的聚类簇记为正常纹理的高斯分布模型，其他占比量记为可能存在缺陷的高斯分布模型数量的缺陷占比量；
9.s4、缺陷占比量等于0所对应的块图像作为正样本图像、缺陷占比量大于0所对应的块图像作为负样本图像；
10.s5、构建缺陷检测网络模型，根据缺陷占比量对缺陷检测网络模型的每层网络卷积层的神经元丢弃率进行调节，得到调节后的缺陷检测网络模型，对调节后的缺陷检测网络模型进行训练，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；
11.s6、重复s1到s4步骤，获取待测纺织物图像的待测正样本图像和待测负样本图像，将待测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型，得出待测纺织物
图像的置信度，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像。
12.优选的，s步骤中还包括：利用中值滤波去噪算法对灰度图进行去噪处理；
13.利用直方图均衡化算法对灰度图进行灰度增强；
14.对去噪处理和灰度增强处理后的灰度图进行分割得到对多个块图像。
15.优选的，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型的步骤包括：
16.将所有的分割块图像作为高斯混合建模样本，初始化高斯混合模型中的方差、均值、权值参数；
17.获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征，根据像素点的分布位置和像素点灰度值的变化特征利用em算法进行高斯模型拟合；得到k个高斯混合子模型。
18.优选的，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量的步骤包括：
19.设得到q个聚类簇，对q个聚类簇内的高斯分布子模型进行统计；
20.根据下式(1)获取每个聚类簇内高斯分布子模型数量占所有高斯混合子模型数量的占比量：
[0021][0022]
其中，zi表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量，num(qi)表示第i个聚类簇中高斯混合子模型的数量；k表示所有聚类簇内高斯混合子模型的数量，i表示第几个聚类簇。
[0023]
优选的，对缺陷检测网络进行训练的步骤包括：
[0024]
将正样本图像和负样本图像输入缺陷检测网络模型的缺陷检测编码器中；
[0025]
经过对正样本图像和负样本图像卷积、池化获取正样本图像和负样本图像的特征张量，对每层网络卷积层的神经元丢弃率p进行调节，预设初始的神经元丢弃率p0，
[0026]
获取正样本图像和负样本图像对应的缺陷占比量的平均值，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率；
[0027]
对调节后的神经元丢弃率进行归一化处理，范围为[0,1]之间。
[0028]
优选的，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率的步骤包括：
[0029]
根据下式(2)计算调节后的神经元丢弃率：
[0030][0031]
其中，zb＝0.2表示初始丢弃率p0对应的数量占比均值，表示卷积层的层数，表示正样本图像和负样本图像对应的缺陷占比量的平均值。
[0032]
优选的，将正样本图像和负样本图像输入神经元丢弃率调节后的缺陷检测网络模型进行训练得到图像是缺陷样本的置信度的步骤包括：
[0033]
根据调节后的神经元丢弃率对正样本图像和负样本图像进行特征张量提取；
[0034]
根据提取的特征张量通过全连接层得到神经元输出的图像缺陷置信度，其中softmax层输出图像为缺陷图像的置信度。
[0035]
优选的，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像的步骤包括：
[0036]
设置信度阈值为m；
[0037]
缺陷样本的置信度大于阈值时，得出纺织物图像为缺陷图像，反之，则为正常图像。
[0038]
本发明的有益效果是：本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，通过将纺织物图像进行分割得到多个块图像，根据多个分割块图像进行高斯混合建模得到高斯混合子模型，对高斯混合子模型进行聚类获取纺织物的块图像的可能存在缺陷的高斯分布情况，得出训练集图像的样本，为缺陷检测网络模型训练提供参考，根据训练集图像的样本对网络卷积过程中各卷积层丢弃率进行调节，提高训练网络的泛化能力，避免过拟合，提高缺陷检测网络模型精度和训练速度，然后获取调节后的训练模型，根据调节后的训练模型对待检测的纺织物图形进行检测，从而实现待检测的纺织物图形中缺陷图像的高效检测及缺陷的精确检测，实用性强，值得推广。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法的实施例总体步骤的流程图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法的实施例，该方法包括：
[0043]
s1、采集纺织物图像并获取纺织物图像的灰度图，对灰度图进行分割得到对多个块图像。
[0044]
具体的，通过相机获取纺织物表面rgb图像，对纺织物图像进行灰度化处理，得到灰度图像；其中为了去除因信道传输产生的噪声，避免噪声点影响后续高斯模型质量及提高纺织物表面纹理之间的对比度，在s1步骤中还包括：在获取灰度图之后，利用中值滤波去噪算法对灰度图像进行去噪处理，利用直方图均衡化算法对灰度图像进行灰度增强，然后对去噪和图像增强后的灰度图像进行平均分割，默认纺织物图像为n
×
n，将纺织物图像平均分割为m
×
m大小的等分图像，等分图像称为分割块图像，共同组成分割块图像集合。纺织
物表面纹理相近，等分图像不存在明显的纹理差异。
[0045]
s2、获取各个块图像的像素点灰度值的变化特征和像素点的分布位置，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型。
[0046]
具体的，s21、将所有的分割块图像作为高斯混合建模样本，初始化高斯混合模型中的方差σ、均值μ、权值w参数，初始参数σ2＝15，μ＝0和w＝0.001，实际的方差大小可根据分割块图像大小进行调节，s22、获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征，根据像素点的分布位置和像素点灰度值的变化特征利用em算法进行高斯模型拟合；得到k个高斯混合子模型，其中，利用像素点分布位置和灰度值变化特征进行高斯分布模型拟合的过程，高斯混合子模型的权值和方差参数在不断更新，直到k个高斯混合子模型全部收敛，将k个高斯混合子模型中的权值进行归一化处理，归一化采用最大最小值归一化。
[0047]
s3、对多个高斯混合子模型进行聚类，得到多个聚类簇，其中，聚类方法采用k-means聚类；获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量z，获取所有占比量z中的最高占比量z
max
，具体的，设得到q个聚类簇，对q个聚类簇内的高斯混合子模型进行统计；
[0048]
根据下式(1)获取每个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量：
[0049][0050]
其中，zi表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量，num(qi)表示第i个聚类簇中高斯混合子模型的数量；k表示所有聚类簇内高斯混合子模型的数量，i表示第几个聚类簇。
[0051]
最高占比量z
max
所对应的聚类簇记为正常纹理的高斯分布模型，则其他占比量z对应的聚类簇记为可能存在缺陷的高斯分布模型，则其他占比量z即为可能存在缺陷的高斯分布模型数量的缺陷占比量z
′
。
[0052]
s4、缺陷占比量等于0所对应的块图像作为正样本图像、缺陷占比量大于0所对应的块图像作为负样本图像；具体的，通过步骤s3中得到的缺陷占比量z
′
，进行网络训练图像质量评估，将z
″
＝0的作为正样本图像，z
′
》0的纺织物表面图像作为负样本图像，正样本图像和负正样本图像记为训练集图像。
[0053]
s5、构建缺陷检测网络模型，其中，网络结构为：encoder-fc，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；根据缺陷占比量对缺陷检测网络模型的每层网络卷积层的神经元丢弃率进行调节，得到调节后的缺陷检测网络模型，对调节后的缺陷检测网络模型进行训练，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；具体的，将s4中的训练集图像输入缺陷检测网络模型的缺陷检测编码器中；经过对正样本图像和负样本图像卷积、池化获取正样本图像和负样本图像的特征张量，对每层网络卷积层的神经元丢弃率p进行调节，预设初始的神经元丢弃率p0，获取正样本图像和负样本图像对应的缺陷占比量的平均值，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率；对调节后的神经元丢弃率进行归一化处理，
范围为[0,1]之间；根据下式(2)计算调节后的神经元丢弃率：
[0054][0055]
其中，zb＝0.2表示初始丢弃率p0对应的数量占比均值，表示卷积层的层数，表示正样本图像和负样本图像对应的缺陷占比量的平均值。
[0056]
具体的，据调节后的神经元丢弃率对正样本图像和负样本图像进行特征张量提取；根据提取的特征张量通过全连接层得到神经元输出的图像缺陷置信度，其中softmax层输出图像为缺陷图像的置信度p。
[0057]
s6、重复s1到s4步骤，获取待测纺织物图像的待测正样本图像和待测负样本图像，将待测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型，得出待测纺织物图像的置信度，根据置信度p及预设的置信度阈值确定待测纺织物图像是否为缺陷图像，其中，设置信度阈值为m，m＝0.7，当置信度p》m时，得出纺织物图像为缺陷图像，反之，则为正常图像。
[0058]
综上所述，本发明提供基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，通过将纺织物图像进行分割得到多个块图像，根据多个分割块图像进行高斯混合建模得到高斯混合子模型，对高斯混合子模型进行聚类获取纺织物的块图像的可能存在缺陷的高斯分布情况，得出训练集图像的样本，为缺陷检测网络模型训练提供参考，根据训练集图像的样本对网络卷积过程中各卷积层丢弃率进行调节，提高训练网络的泛化能力，避免过拟合，提高缺陷检测网络模型精度和训练速度，然后获取调节后的训练模型，根据调节后的训练模型对待检测的纺织物图形进行检测，从而实现待检测的纺织物图形中缺陷图像的高效检测及缺陷的精确检测，实用性强，值得推广。
[0059]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。