基于深度纹理特征的纺织品纱织尺寸检测方法技术

本发明专利技术属于纺织品检测技术领域，具体为一种基于深度纹理特征的纺织品纱织尺寸检测方法。本发明专利技术包括：使用光学显微镜获取待检测纺织品的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围。本发明专利技术可以更有效的提取纹理图像中不同粒度的纹理特征；同时将有序池化层提取的特征与字典学习获取的无序特征进行融合，在描述无序特征的同时充分考虑了纹理图像空间上下文的有序信息，使检测准确性更高。

【技术实现步骤摘要】
基于深度纹理特征的纺织品纱织尺寸检测方法
本专利技术属于纺织品检测
，具体涉及一种基于深度纹理特征的纺织品纱织尺寸检测方法。
技术介绍
近年来，随着自动化技术的发展和应用，纺织行业取得了长足的进步。然而，纺织质量检测领域中的人工智能技术的应用还相对欠缺。阻碍纺织品质量检测产业技术革新的一个关键因素是纺织品原材料中的大部分基础物理信息难以数字化，使得纺织品的规格数据难以通过人工智能技术进行识别。当前，纺织品的纱织尺寸测量主要依靠人工进行观察和测量，存在着速度慢，错误率高，成本高等问题。显微镜下的拍摄的纺织品图像包含丰富的纹理信息，可以使用深度神经网络提取纹理特征来对纺织品的规格进行识别。当前的主流深度纹理网络在字典学习模块中使用固定尺度的字典获取纹理的无序特征进行分类，这种方法无法更科学的描述多样化的纹理图像分布，无法捕获不同粗细粒度的图像特征。
技术实现思路
本专利技术的目的在于提供一种纺织品纱织尺寸测量方法，以提高纺织品纱织规格检测的准确性。本专利技术提供的纺织品纱织尺寸测量方法，包括：使用光学显微镜获取待检测纺织品的高放大倍数的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该纹理编码网络模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围(单位为旦数，即9000m长的纤维或纱线在公定回潮率时的重量克数)。>本专利技术中，在使用训练好的模型对待检测图像纱织尺寸测量的步骤之前，包括：获取训练样本，所述训练样本包括包含各种尺寸区间的纺织品显微镜拍摄图像；对训练样本进行预处理；所述预处理包括裁剪、缩放、归一化、标准化中的至少一项基本操作；对训练样本中的图像进行灰度处理，保留三个通道的特征数据，作为缺陷图像分类模型的输入。本专利技术中，使用训练好的模型对待检测图像进行纺织品纱织尺寸检测并得到分类结果，具体包括：利用显微镜获取高放大倍数的纺织品纹理细节图像数据，并进行预处理；将图像数据输入纹理编码网络模型的特征提取层(包括但不限于ResNet,VGGNet)，进行特征提取，获得2048个的特征图；将特征图输入到具有多个不同尺寸的字典编码层(即多尺度字典学习层)，分别用多个尺度的字典对特征图进行编码，获得多个字典编码向量，输出4个无序特征表示向量；多尺度字典注意力层，对每个字典编码向量计算其重要程度并与原向量相乘，得到注意力层向量；最后，将特征提取层获得的特征图进行有序池化处理得到有序特征；将有序特征和无序特征输入特征融合层，获得融合特征；将融合特征输入分类器获得分类结果。本专利技术中，利用一个多尺度字典学习的纹理编码网络对图像进行处理步骤之前，包括：获取多个训练图像，并采用图像增强技术对每个训练图像进行图像处理。对每个训练图像标注该布匹的纱织尺寸信息，以获取训练集。对图像进行预处理，其中，预处理过程包括裁剪、缩放、归一化、标准化中的至少一项基本操作。具体地，所述纹理编码网络模型中：所述特征提取层，使用50层的卷积神经网络，对输入待检测图像进行特征提取，得到2048个7*7的特征图；所述多尺度字典学习层，定义4个不同尺寸的字典，作为模型的可学习参数C＝{C1,C2,C3,C4}，其尺度分别为8*128、16*128、32*128、64*128。将特征提取层处理后得到2048个7*7尺寸的特征图转化为49个2048维度的特征描述子；再分别用不同尺寸的字典对这些特征描述子进行编码，获得向量E＝{e1,e2...ej}；用定义的四个字典分别进行编码获得4个编码输出向量E1,E2,E3,E4。所述多尺度字典注意力层，用全局平均池化方法将获得的4个编码输出向量进行压缩，获得4个一维向量，将所述4个一维向量通过两层全连接网络进行计算，获得每个字典编码向量的重要程度，得到注意力向量，输出为维度为4；将获得的注意力向量与字典编码向量相乘，获得4个注意力编码特征；将四个注意力编码特征分别降维得到四个512维的向量，将四个向量相加获得一个维度为512的融合特征。所述特征融合层，将特征提取层获得的2048个特征图输入到平均池化层中，获得一个维度为2048的一维有序向量，并通过一层全连接层将池化层输出的维度降低到512维，输出一个维度为512的一维向量；将多尺度字典学习层输出的无序向量和有序池化层输出的有序向量输入到特征融合层，将两个向量进行拼接，获得一个1024维度的一维向量；所述分类层，通过一层全连接层并通过softmax方法计算出每个类别的概率，获取概率最大的类别为输出结果。基于上述纺织品纱织尺寸测量方法，本专利技术还提供纺织品纱织尺寸测量系统。所述测量系统包括：训练样本获取模块，用于获取训练样本，其中训练样本包括包含不同纱织尺寸的纺织品显微图像样本(尺寸范围为：0～20,20～50,50～70,70～90以及>100，单位为旦数，即9000m长的纤维或纱线在公定回潮率时的重量克数)。预处理模块，用于对训练样本进行预处理，其中，预处理包括裁剪、缩放、归一化、标准化中的至少一项基本操作。特征数据保留模块，用于对训练样本中的图像进行灰度处理后保留三个通道的特征数据，作为缺陷图像分类模型的输入。还包括：模型建立模块，用于建立多尺度字典学习的纹理编码网络，其中包括：特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层。本专利技术通过设置一组不同尺度的字典参数并融合注意力机制实现字典尺度的自动选择，可以更有效的提取纹理图像中不同粒度的纹理特征。同时将有序池化层提取的特征与字典学习获取的无序特征进行融合，在描述无序特征的同时充分考虑了纹理图像空间上下文的有序信息，使检测准确性更高。附图说明图1为本专利技术纺织品纱织尺寸测量方法的流程框图。图2为本专利技术多尺度字典学习的纹理编码网络结构示意图。图3为为模型的训练过程中测试集的测试准确率。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例和附图，对本专利技术技术方案作进一步具体描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。请参看图1，图1为本专利技术实施例提供的一种缺陷检测方法的流程框图，该缺陷检测方法包括以下步骤：通过光学显微镜采集的高度放大倍数的图像可以清晰的观察到纺织品纱织显微的细节，包括其宽度、类别、纺织工艺等信息。可以达到通过肉眼进行规格分析的能力，但是传统的方式依靠人工进行计量和测算，容易产生误差，并且耗费较多的人力成本，因此通过大量的纺织品显微成像数据训练深度模型进行纺织品工艺规格的检测可以极大的提升效率。步骤S1：利用显微镜获取高度放大倍数的纺织品纹理细节图像数据。对所述光学显微镜获取的样本进行预处理，其中，所述预处理包括裁剪、缩放、归一化、标准化操作，使图片尺寸为224*224，并本文档来自技高网...

【技术保护点】
1.一种基于深度纹理特征的纺织品纱织尺寸检测方法，其特征在于，包括：使用光学显微镜获取待检测纺织品的高放大倍数的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该纹理编码网络模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围；/n在使用训练好的模型对待检测图像纱织尺寸测量的步骤之前，包括：/n获取训练样本，所述训练样本包括包含各种尺寸区间的纺织品显微镜拍摄图像；/n对训练样本进行预处理；所述预处理包括裁剪、缩放、归一化、标准化中的至少一项基本操作；/n对训练样本中的图像进行灰度处理，保留三个通道的特征数据，作为缺陷图像分类模型的输入。/n

【技术特征摘要】
1.一种基于深度纹理特征的纺织品纱织尺寸检测方法，其特征在于，包括：使用光学显微镜获取待检测纺织品的高放大倍数的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该纹理编码网络模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围；
在使用训练好的模型对待检测图像纱织尺寸测量的步骤之前，包括：
获取训练样本，所述训练样本包括包含各种尺寸区间的纺织品显微镜拍摄图像；
对训练样本进行预处理；所述预处理包括裁剪、缩放、归一化、标准化中的至少一项基本操作；
对训练样本中的图像进行灰度处理，保留三个通道的特征数据，作为缺陷图像分类模型的输入。


2.根据权利要求1所述的纺织品纱织尺寸检测方法，其特征在于，所述纹理编码网络模型中，所述特征提取层，使用50层的卷积神经网络，对输入待检测图像进行特征提取，得到2048个7*7的特征图。


3.根据权利要求2所述的纺织品纱织尺寸检测方法，其特征在于，所述纹理编码网络模型中，所述多尺度字典学习层，定义4个不同尺寸的字典，作为模型的可学习参数C＝{C1,C2,C3,C4}，其尺度分别为8*128、16*128、32*128、64*128；将特征提取层处理后得到2048个7*7尺寸的特征图转化为49个2048维度的特征描述子；再分别用不同尺寸的字典对这些特征描述子进行编码，获得向量E＝{e1,e2...ej}；用定义的四个字典分别进行编码获得4个编码输出向量E1,E2,E3,E4。


4.根据权利要求3所述的纺织品纱织尺寸检测方法，其特征在于，所述纹理编码网络模型中，所述多尺度字典注意力层，用全局平均池化方法将获得的4个编码输出向量进行压缩，获得4个一维向量，将所述4个一维向量通过两层全连接网络进行计算，获得每个字典编码向量的重要程度，得到注意力向量，输出为维度为4；将获得的注意力向量与字典编码向量相乘，获得4个注意力编码特征；将四个注意力编码特征分别降维得到四个512维的向量，将四个向量相加获得一个维度为512的融合特征。


5.根据权利要求4所述的纺织品纱织尺寸检测方法，其特征在...

【专利技术属性】
技术研发人员：彭博，池明旻，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31