【技术实现步骤摘要】
本专利技术属于织物表面缺陷检测，具体涉及一种基于概率扩散去噪模型的化纤织物表面缺陷检测方法。
技术介绍
1、化学纤维是一种常见的合成材料，因其强度高、密度小、弹性好等优点被广泛运用于各个领域，除传统的纺织服装领域外，其在国防航天、生物医用材料、能源开发等领域也有所涉及，为了便于存放和运输，化纤长丝通常通过卷绕机构绕成一定形状或一定容量的卷装，而由于加工工艺过程中加工速度过高、张力不均、假捻不充分、组件喷丝状态不良以及卷绕过程中纸管跳动等原因，生产出来的卷装表面会存在一些缺陷，根据我国纺织行业标准，长丝卷装外观疵点主要包括毛丝、卷径大小、绊丝、网丝、污丝、成形不良、无尾、多尾、僵丝、纸管损坏、断头、上尾丝等，其中污丝、绊丝、成形不良是最为常见的3种缺陷，这些缺陷的存在不仅会影响化纤长丝卷装的优等品率，且会影响后续织造过程的顺利进行和织物的质量。
2、现存的织物表面缺陷检测方法主要有两类，监督学习和无监督学习，当前织物表面缺陷检测方法有：
3、专利技术专利申请号：202210810512.9，名称：基于纹理分析的化纤表面僵丝缺陷检测方法，利用子区域对应纹理的清晰度和色彩均匀程度来定位化纤的僵丝区域，由于化纤缺陷的多样性，其无法对更多缺陷进行有效检测，缺少泛化性；
4、专利技术专利申请号：202311032655.2，名称：一种基于改进yolov7-tiny网络模型的织物缺陷检测方法，利用改进的yolov7-tiny网络模型来检测织物缺陷，但其所需的模型训练数据大，面临多种缺陷需要更多的样本，时间开
5、专利技术专利申请号：202310788546.7，名称：基于生成对抗网络的数码印花织物缺陷检测方法，利用对抗生成网络来重构图像通过对比定位缺陷，但生成对抗网络的不稳定性以及简单像素对比的方法导致检测方案缺少鲁棒性；此外，模型还会受到图片中噪声数据、光照条件、织物材质等因素影响，进一步降低准确率。
6、因此需要研发一种新的检测方法，可克服因样本稀少导致过杀以及因缺陷的多样性导致错检的问题，且能在复杂缺陷表现类型中达到高准确率。
技术实现思路
1、为克服现有技术上的不足，本专利技术的目的在于提供一种化纤织物表面缺陷检测方法，具体是去噪重建和缺陷定位过程的描述方法，能够对化纤织物表面缺陷进行精准识别和定位。
2、首先收集大量化纤织物表面图片，并将无缺陷和有缺陷两种类型分类，使用概率扩散去噪模型训练，然后使用训练好的概率扩散去噪模型对有缺陷图进行重建，对重建图和原图进行对比获得缺陷定位和大小，形成热力图。
3、本专利技术的技术方案如下：
4、一种化纤织物表面缺陷检测方法，包括如下步骤：
5、步骤1：将化纤织物图像分为无缺陷和有缺陷两类，并对所有图像进行预处理，具体步骤如下：
6、步骤1.1：根据式子(1)对所有化纤织物图像进行归一化；
7、
8、其中，s表示化纤织物图像的像素值；
9、步骤1.2：根据正态分布n(0,1)进行随机采样生成与原图大小相同且为三通道的噪声ε；
10、步骤1.3：对于有缺陷的样本图像，准确找到缺陷区域，然后对局部缺陷区域进行标注，具体标注策略为：标注的局部缺陷区域面积不超过缺陷区域总面积的α倍，0<α<1.0；
11、步骤2：构建并训练概率扩散去噪模型，具体步骤如下：
12、步骤2.1：以u-net作为概率扩散去噪模型的去噪网络；
13、步骤2.2：加噪所预定义的方差表为β1＜β2＜…＜βt，其中βt∈(0,1)，时间总步长为t，在每一个时间步t都进行一次步骤1.2的操作，获得新的噪声εt，再根据公式(2)对无缺陷图像x加噪，获得噪声图xt；
14、
15、步骤2.3：重复进行步骤2.2直至时间步长为t，向前过程中关于x的条件概率分布按照公式(3)计算；
16、
17、其中，函数q表示xt关于xt-1的条件概率分布；
18、步骤2.4：在步骤2.2中，每一次加噪结束网络都会预测一次噪声εt′，以公式(4)计算向前过程的损失函数lforward；
19、lforward＝||εt-εt′||2 (4)
20、步骤2.5：将目标图像换成另一张无缺陷图y，将模型所预测的噪声εt′加噪到无缺陷图y，时间步长从t到1，按照公式(5)对无缺陷图y加噪，获得新的加噪无缺陷图yt；
21、
22、步骤2.6：按照公式(6)计算yt与xt的像素偏差，并按照公式(7)对网络预测的噪声更新；
23、lxy＝xt-yt (6)
24、
25、其中，w表示该像素差在噪声中的权重系数；
26、步骤2.7：根据公式(8)对噪声图像xt进行反向去噪计算；
27、
28、其中，σt表示噪声对图片影响的权重，用于增加生成图像的多样性；
29、步骤2.8：去噪结束后获得重建图x0，使用重建图x0和原图x按照公式(9)计算损失loss：
30、loss＝(x-x0)2 (9)
31、步骤2.9：重复步骤2.2到2.8直至概率扩散去噪模型收敛；
32、步骤3：使用预测的噪声和无缺陷图像对特征提取网络进行微调，具体为：
33、步骤3.1：构建特征提取网络，该网络为resnet50；
34、步骤3.2：首先从训练集中抽取图像x，并使用噪声进行扰乱，得到xt，然后再抽取无缺陷图像y，给定训练好的去噪模型所预测的噪声εt′，将扰乱的图像xt去噪至x0来近似于y；
35、步骤3.3：用特征提取网络来提取图像x0和无缺陷图像y的特征，使用余弦相似度通过最小化两者的特征θ(x0)和θ(y)来微调网络，按照公式(10)进行损失函数lda计算：
36、lda＝1-cos(θ(x0),θ(y)) (10)
37、步骤4：使用像素级和特征级比较来确定缺陷位置和大小，并计算缺陷检测的得分，具体步骤为：
38、步骤4.1：将有缺陷的图像输入到训练好的概率去噪扩散模型中获得新的无缺陷图像；
39、步骤4.2：对新的无缺陷图像和有缺陷的图像使用像素级和特征级比较生成热力图，获得缺陷位置和大小，按照公式(11)计算缺陷得分；
40、
41、其中，v表示df在缺陷得分中的权重，dp表示新的无缺陷图像和有缺陷的图像之间的像素差，按照公式(12)进行计算，df表示新的无缺陷图像和有缺陷的图像使用特征提取网络计算得出的特征差，按照公式(13)计算；
42、dp＝|x-x0| (12)
43、
44、进一步的，j为特征提取器提取的特征图数量，θj(x)表示本文档来自技高网...
【技术保护点】
1.一种化纤织物表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种化纤织物表面缺陷检测方法，其特征在于，所述步骤1)具体步骤如下：
3.根据权利要求1所述的一种化纤织物表面缺陷检测方法，其特征在于，所述步骤3)具体步骤如下：
【技术特征摘要】
1.一种化纤织物表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种化纤织物表面缺陷检测方法，其特征在...
【专利技术属性】
技术研发人员：康文泽，方文卿，翁立波，高飞，张元鸣，程振波，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。