【技术实现步骤摘要】
本专利技术涉及表面缺陷检测，具体涉及一种基于特征库压缩的外观质量检测方法。
技术介绍
1、化学纤维，作为一种广泛应用的合成材料，凭借其卓越的强度、轻盈的密度及优异的弹性特性，已应用至众多行业之中，不仅局限于传统的纺织服装领域，更在国防航天、生物医用材料研发及能源开发等前沿领域展现出重要价值。为了优化存储与运输效率，化纤长丝常借助精密的卷绕设备被巧妙地绕制成特定形状或容量的卷装形式。然而，在复杂的加工工艺中，诸如加工速度失控、张力分布不均、假捻处理不充分、喷丝组件状态异常及卷绕时纸管晃动等问题，往往会在卷装表面遗留下各种瑕疵。根据国内纺织行业的严格标准，这些外观上的疵点详尽地分类为毛丝、卷径不均、绊丝、网丝、污丝、成形缺陷、无尾丝、多尾丝、僵丝、纸管破损、断头以及上尾丝等多种类型。其中，污丝、绊丝及成形不良因其高频出现而被视为最为普遍的三大问题。这些问题不仅直接降低了化纤长丝卷装的品质等级，还可能对后续的织造流程构成阻碍，进而影响成品的整体质量与市场竞争力。因此，严格控制生产过程中的各个环节，减少并消除这些疵点，对于提升化纤产品的整体性能与市场价值具有重要意义。
2、现存的织物表面缺陷检测方法主要有三类，基于监督学习、基于重建、基于特征嵌入，当前织物表面缺陷检测方法有：专利技术专利申请号：202310813505.9，名称：一种化纤长丝在线缺陷检测方法及检测系统，利用灰度特征和形状特征来训练模型从而定位化纤的僵丝区域，由于化纤缺陷的多样性，且需要大量的缺陷训练样本，其无法对新缺陷类型进行有效检测，缺少泛化性；专利技术专
3、因此需要研发一种新的检测方法，可克服冷启动问题和大量缺陷样本的需求问题，且能快速地在复杂缺陷表现类型中定位缺陷并达到高准确率。
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，能够在保证准确度的同时对化纤织物表面缺陷进行快速识别和定位。
2、首先收集大量织物表面图片，并将无缺陷和有缺陷两种类型分类，使用预训练模型微调，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、一种基于特征库压缩的外观质量检测方法，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，正常图像集合表示为x＝{x1,x2…xi},并对缺陷图像x′进行标注，具体为：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；用于限制人工标注的误差，避免因为人工标注误差导致的训练误差；
6、步骤2：构建特征提取器和特征库，具体为：
7、步骤2.1：以wideresnet50作为特征提取器；
8、步骤2.2：将正常图像xi输入特征提取器并按照公式(1)计算感受野大小，再按照公式(2)进行自适应池化获得特征图；
9、
10、其中，fph,w表示特征图上以(h,w)坐标为中心的一块大小为p*p的区域，fi,j表示第i张正常图像xi的第j层特征向量，фpool表示自适应池化；
11、步骤2.3：从步骤2.2获得的特征图中取出第二层特征向量f2(xi)、第四层特征向量f4(xi)，对两层特征进行双线性插值处理，使得两层特征向量的维度相同；2、4两层特征值能最大限度地体现全局特征而不损失局部特征；
12、步骤2.4：将步骤2.2中获得的特征向量存入特征库m中，对于每一张正常图像xi的特征向量都按照公式(3)进行存储；
13、
14、其中，z表示正常图像xi的特征向量集合,fj(xi)＝fi,j表示第i张正常图像的第j层特征向量；
15、步骤3：对特征库m进行压缩，具体为：
16、步骤3.1：在特征库m中随机选取s个初始点，按照公式(4)计算出初始点和所有特征点之间的距离，并加入到距离矩阵rn*s中；
17、
18、其中，dij代表起始点ai和特征点bj的欧几里得距离，n为特征点的数量；
19、步骤3.2：按照公式(5)计算每个特征点到起始点集合的平均距离davg；
20、
21、步骤3.3：重复执行步骤3.2直至得出每个特征点到起始点集合的平均距离，选择平均距离最大的点加入集合m；
22、步骤3.4：计算所有特征点与新加入集合的点之间的距离向量d拼接到步骤3.1得到的距离矩阵rn*(s+1)中；
23、步骤3.5：重复执行步骤3.2-3.4，直至集合m中点的数量到达m中总数的e％，其中e为大于零的自然数；集合m就是压缩好的特征库m。
24、步骤4：使用压缩好的特征库m来定位缺陷以及计算缺陷得分，具体为：
25、步骤4.1：将缺陷图像x′输入wideresnet50特征提取器中，获得缺陷图像的特征向量fj(xi′)，并存入特征库mtest中；
26、步骤4.2：按照公式(6)对特征库mtest和m中的特征进行计算，获得缩减后的测试集的特征集以及其邻近特征集m*；
27、
28、其中，内层优化函数argmin()按照特征库m的特征找到距离mtest最近的向量集mt，其步骤按照3.1-3.5执行，外层优化函数argmax()在zp(fj(xi′))中找到使得内层优化结果最大的特征库mtest；
29、步骤4.3：按照公式(7)计算缺陷得分s*，并按照缺陷得分生成热力图。
30、
31、通过采用上述技术，与现有技术相比，本专利技术的有益效果为：本专利技术利用预训练模型和特征库压缩算法，通过将特征集合降维化解为np-hard问题来求解，以此快速获得邻近特征库，从而大幅提高训练与检测速率、克服因缺陷的多样性导致错检的问题，能快速定位缺陷，同时满足工业检测需求。
本文档来自技高网...【技术保护点】
1.一种基于特征库压缩的外观质量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于特征库压缩的外观质量检测方法，其特征在于，所述步骤1中对缺陷图像x′进行标注具体为：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，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。
3.根据权利要求1所述的一种基于特征库压缩的外观质量检测方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的一种基于特征库压缩的外观质量检测方法，其特征在于，所述步骤3具体为：
5.根据权利要求4所述的一种基于特征库压缩的外观质量检测方法，其特征在于，所述步骤4具体为：
【技术特征摘要】
1.一种基于特征库压缩的外观质量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于特征库压缩的外观质量检测方法，其特征在于，所述步骤1中对缺陷图像x′进行标注具体为：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，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<...
【专利技术属性】
技术研发人员：康文泽，方文卿，高飞，翁立波，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。