基于深度学习的纺织品折痕检测方法技术

本发明专利技术公开了一种基于深度学习的纺织品折痕检测方法，首先，采集多张纺织品原始灰度图像检测出纺织品灰度图像对应的纺织品折痕二值图，得到纺织品折痕样本集；然后，对纺织品原始灰度图像样本集以及对应的纺织品折痕样本集进行样本增强，得到扩增的样本集；利用扩增的样本集训练纺织品折痕检测语义分割深度卷积神经网络；结合区块链技术利用训练好的语义分割深度卷积神经网络进行纺织品折痕检测。利用本发明专利技术，在纺织品折痕检测中，不仅能够提高检测精度，降低手工调参量，克服光照影响，而且能够提高数据处理过程中的安全性。

【技术实现步骤摘要】
基于深度学习的纺织品折痕检测方法
本专利技术涉及人工智能、计算机视觉、区块链
，具体涉及一种基于深度学习的纺织品折痕检测方法。
技术介绍
折痕检测属于纺织品缺陷检测中的难点。对于纺织材料，折痕的形成有很多因素，如在前期加工中开布器未将布匹全部展开，又或是布匹在使用回转圆筒烘干机时，没有完全铺开，存在堆积、褶皱的状况，在机器启动后出现折痕。折痕的存在影响纺织品的实用性、外观，如果存在折痕，说明前期机器或工艺存在问题，需要及时做出调整。同时对有折痕的布料进行处理，是纺织品出厂检测中非常重要的一环。纺织品折痕检测属于纺织品缺陷检测的一种，折痕检测有别于其它种类的缺陷检测如粗节、断线、断经等，如果在纺织品的表面没有明显的缺陷痕迹，有时肉眼也很难分辨出来。利用传统的缺陷检测方法，没有明显的边缘灰度变化很难检测提取出折痕缺陷。常规的降噪与设计不同方向的滤波器来对图像进行滤波处理，以此识别缺陷，该方法需要手工设计参数且折痕出现的方向不定，最重要的是算法的计算量较大，如果要提高精度需要通过多个角度与方向对图像进行滤波。也无法克服光照不均匀对特征提取的影响。此外，现有折痕检测计算中，由于缺少相应的加密算法设计，系统安全性较低。综上所述，现有纺织品折痕检测技术存在检测精度不高、手工设计参数工作量大、容易受光照不均匀影响、安全性较低等问题。
技术实现思路
本专利技术提供了一种基于深度学习的纺织品折痕检测方法，不仅能够提高检测精度，降低手工调参量，克服光照影响，而且能够提高数据处理过程中的安全性。<br>一种基于深度学习的纺织品折痕检测方法，该方法包括：(1)提取纺织品原始灰度图像的纺织品折痕：(1a)对纺织品原始灰度图像进行直方图均衡化处理；(1b)对直方图均衡化处理后的纺织品图像进行中值滤波；(1c)对纺织品原始灰度图像进行自商处理；(1d)对(1c)得到的图像进行空域滤波；(1e)利用空域滤波后得到的纺织品图像，对(1c)得到的图像进行自商处理；(1f)求取(1e)所得图像X、Y方向的梯度响应值，并进行阈值化，得到纺织品缺陷二值图；(1g)对纺织品缺陷二值图进行缺陷充盈率分析，筛选出纺织品折痕，得到纺织品折痕二值图；(2)采集多张纺织品原始灰度图像重复步骤(1)，检测出纺织品原始灰度图像对应的纺织品折痕二值图，得到纺织品折痕样本集；(3)对纺织品原始灰度图像样本集以及对应的纺织品折痕样本集进行样本增强，得到扩增的样本集；(4)利用扩增的样本集训练纺织品折痕检测语义分割深度卷积神经网络；(5)利用训练好的纺织品折痕检测语义分割深度卷积神经网络进行纺织品折痕检测。进一步地，在(1a)之前还包括：如果采集的纺织品原始图像是彩色图像，对其进行灰度化处理：S(i,j)＝max(R(i,j),G(i,j),B(i,j))，其中R(i,j)、G(i,j)、B(i,j)分别为纺织品原始图像R、G、B通道的数据，得到纺织品原始灰度图像S(i,j)。进一步地，(1c)对纺织品原始灰度图像进行自商处理具体为：其中，S(i,j)为纺织品原始灰度图像，B(i,j)为经(1b)滤波后得到的纺织品图像，SQI′(i,j)为自商处理后得到的纺织品图像。进一步地，(1e)利用空域滤波后得到的纺织品图像，对(1c)得到的图像进行自商处理具体为：其中，SQI′(i,j)为(1c)得到的纺织品图像，B′(i,j)为(1d)空域滤波后得到的纺织品图像，SQI″(i,j)即为本步骤自商处理的结果。进一步地，(1d)的空域滤波为中值滤波。进一步地，(3)对纺织品原始灰度图像样本集以及对应的纺织品折痕样本集进行样本增强，得到扩增的样本集包括：对纺织品原始灰度图像样本集、纺织品折痕样本集进行图像旋转、亮度调节、添加噪声、图像压缩操作，得到扩增的样本集。进一步地，(5)利用训练好的纺织品折痕检测语义分割深度卷积神经网络进行纺织品折痕检测包括：(5a)将训练好的折痕检测语义分割深度卷积神经网络参数发送至所有云主机实例上，并对网络进行模块化拆分，拆分为编码器、解码器；(5b)对于图像采集单元采集的待检测纺织品原始图像，从云主机实例集合中随机挑选云主机实例，并在图像采集单元、云主机实例、监控中心上配置包括图像采集单元、编码器、解码器、监控中心四个区块的区块链私链，执行网络推理，得到检测结果，区块链链序与网络推理链序一致。进一步地，折痕检测语义分割深度卷积神经网络的网络推理链序包括：图像采集单元将纺织品原始图像发送至折痕检测语义分割深度卷积神经网络的编码器；编码器实现对图像的特征提取，得到特征图；解码器对编码器传输而来的特征图进行上采样与特征提取，输出纺织品折痕图；监控中心对解码器的输出进行处理，在纺织品原始图像上标注出折痕所在位置，并进行数据展示。进一步地，(5b)中从云主机实例集合中随机挑选云主机实例包括：将当前时间的时、分、秒的数值相乘，所得乘积作为随机数种子，根据该随机数种子生成随机数序列，以随机数序列的数值大小索引来选取云主机实例。进一步地，采用张量变形加密机制对区块链区块之间传输的数据进行加密。本专利技术的有益效果在于：1.本专利技术提供的方法，经过直方图均衡化增强全局对比度，并通过两次自商处理，克服光照影响，突出折痕缺陷，进一步通过分析缺陷充盈率筛选出折痕缺陷，与传统方法相比，克服光照影响，并提高了检测精度。2.本专利技术采用语义分割深度神经网络在云端对纺织品图像进行分析，端到端地输出结果响应，与传统方法相比，不仅降低了手工设计参数的工作量，而且提高了检测效率。由于在云端进行计算，降低了设备门槛，可以利用终端进行检测，或是结合主动光源集成在机床上，安置在不同工序的位置中，在每一道工序完成后进行检测，提高了检测的便捷性。3.本专利技术结合区块链技术，在云端配置包括图像采集单元、编码器、解码器、监控中心四个区块的区块链私链，并行执行网络推理，提高了网络的并行性以及安全性。4.本专利技术对区块之间传输的数据进行加密传输，防止数据泄露，提高了本专利技术方法的保密性能。附图说明图1为直方图均衡处理后的纺织品图像；图2为第一次自商处理后的纺织品图像；图3为对第一次自商处理后滤波得到的纺织品图像；图4为第二次自商处理后的纺织品图像；图5为纺织品折痕二值图像；图6为展示结果示例。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供了一种基于深度学习的纺织品折痕检测方法。使用面阵相机对纺织品进行拍照，对图像的灰度图进行操作。通过直方图均衡化和一种空域中值滤波对灰度图像进行处理后，再与原图做自商操作，消除光照不均本文档来自技高网...

【技术保护点】
1.一种基于深度学习的纺织品折痕检测方法，其特征在于，该方法包括：/n(1)提取纺织品原始灰度图像的纺织品折痕：/n(1a)对纺织品原始灰度图像进行直方图均衡化处理；/n(1b)对直方图均衡化处理后的纺织品图像进行中值滤波；/n(1c)对纺织品原始灰度图像进行自商处理；/n(1d)对(1c)得到的图像进行空域滤波；/n(1e)利用空域滤波后得到的纺织品图像，对(1c)得到的图像进行自商处理；/n(1f)求取(1e)所得图像X、Y方向的梯度响应值，并进行阈值化，得到纺织品缺陷二值图；/n(1g)对纺织品缺陷二值图进行缺陷充盈率分析，筛选出纺织品折痕，得到纺织品折痕二值图；/n(2)采集多张纺织品原始灰度图像重复步骤(1)，检测出纺织品原始灰度图像对应的纺织品折痕二值图，得到纺织品折痕样本集；/n(3)对纺织品原始灰度图像样本集以及对应的纺织品折痕样本集进行样本增强，得到扩增的样本集；/n(4)利用扩增的样本集训练纺织品折痕检测语义分割深度卷积神经网络；/n(5)利用训练好的纺织品折痕检测语义分割深度卷积神经网络进行纺织品折痕检测。/n

【技术特征摘要】
1.一种基于深度学习的纺织品折痕检测方法，其特征在于，该方法包括：
(1)提取纺织品原始灰度图像的纺织品折痕：
(1a)对纺织品原始灰度图像进行直方图均衡化处理；
(1b)对直方图均衡化处理后的纺织品图像进行中值滤波；
(1c)对纺织品原始灰度图像进行自商处理；
(1d)对(1c)得到的图像进行空域滤波；
(1e)利用空域滤波后得到的纺织品图像，对(1c)得到的图像进行自商处理；
(1f)求取(1e)所得图像X、Y方向的梯度响应值，并进行阈值化，得到纺织品缺陷二值图；
(1g)对纺织品缺陷二值图进行缺陷充盈率分析，筛选出纺织品折痕，得到纺织品折痕二值图；
(2)采集多张纺织品原始灰度图像重复步骤(1)，检测出纺织品原始灰度图像对应的纺织品折痕二值图，得到纺织品折痕样本集；
(3)对纺织品原始灰度图像样本集以及对应的纺织品折痕样本集进行样本增强，得到扩增的样本集；
(4)利用扩增的样本集训练纺织品折痕检测语义分割深度卷积神经网络；
(5)利用训练好的纺织品折痕检测语义分割深度卷积神经网络进行纺织品折痕检测。


2.如权利要求1所述的方法，其特征在于，在(1a)之前还包括：
如果采集的纺织品原始图像是彩色图像，对其进行灰度化处理：S(i,j)＝max(R(i,j),G(i,j),B(i,j))，其中R(i,j)、G(i,j)、B(i,j)分别为纺织品原始图像R、G、B通道的数据，得到纺织品原始灰度图像S(i,j)。


3.如权利要求1所述的方法，其特征在于，(1c)对纺织品原始灰度图像进行自商处理具体为：



其中，S(i,j)为纺织品原始灰度图像，B(i,j)为经(1b)滤波后得到的纺织品图像，SQI′(i,j)为自商处理后得到的纺织品图像。


4.如权利要求3所述的方法，其特征在于，(1e)利用空域滤波后得到的纺织品图像，对(1c)得到的图像进行自商处理具体为：



其中，SQI′(i,j)为...

【专利技术属性】
技术研发人员：李玉枫，蔡路，张俊鹏，张勇，赵雨航，
申请(专利权)人：郑州蓝智枫智能科技有限公司，
类型：发明
国别省市：河南;41