[0031] 下面结合附图和具体实施方式对本发明进行详细说明。
[0032] 一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法,如图1所示,具体按照以下步骤实施:
[0033] 步骤1、构建关于色织衬衫裁片缺陷图像样本的样本库,并对该样本库进行预处理;
[0034] 具体为:
[0035] 步骤1.1、创建345张色织衬衫裁片缺陷图像样本库;
[0036] 步骤1.2、对样本库中的缺陷图像进行基于DCGAN的样本扩张,得到扩张缺陷图像;
[0037] 对样本库中的缺陷图像进行基于DCGAN的样本扩张具体步骤为:首先,在DCGAN中的生成模型,利用反卷积学习到色织衬衫裁片缺陷特征,利用学习到的缺陷特征生成新的缺陷图片,通过比对公式判别对新的缺陷图片与原样本库中图像的差异,并由判别结果得到扩张缺陷图像。
[0038] 比对公式具体为:
[0039]
[0040] 式(1)中Pdata(x)为真实样本分布,PG(x)为虚假样本分布。
[0041] 判别结果D*(x)值为0.5时,则新的缺陷图片为扩张缺陷图像。
[0042] 利用G生成器与D判别器进行对抗生成相互平衡,使得Pdata与PG相等时达到了全局最优,此时判别器D对真实样本和虚假样本进行判别,输出相同。对抗生成网络生成的图片与原图不同,但具体特征相近,与一般扩展图片数量的方法有着本质的区别。
[0043] 步骤1.3、将扩张缺陷图像与原样本库中的缺陷图像进行融合,创建新样本库,并对新样本库的缺陷区域进行人工标注缺陷类别以及缺陷坐标;
[0044] 对新样本库的缺陷区域进行人工标注具体过程为:采用Labellmg标注工具对色织衬衫裁片的缺陷用矩形框进行坐标信息、缺陷关键点以及缺陷类别的标注。其中缺陷存在7类,包括Belt yarn、Knot tying、Hole、BrokenEnd、NettingMultiple、ThickBar,ThinBar。
[0045] 步骤1.4、将标注后的缺陷图像随机划分为72%的训练集、10%的测试集以及18%的验证集。
[0046] 步骤2、设计色织衬衫裁片缺陷检测的网络模型,该网络模型的输入缺陷图像尺寸设定为416*416,卷积层有22层,最大池化层有5层,网络模型的第一层为卷积层,第二层为最大池化层,第三层为卷积层,第四层为最大池化层,第五层到第七层为卷积层,第八层为最大池化层,第九层到十一层为卷积层,第十二层为最大池化层,第十三层到十七层为卷积层,十八层为最大池化层,十九层到二十五层为卷积层。使用Leaky Relu作为激活函数,网络模型迭代次数为2W次,学习率设定为0.01,并在迭代次数为2000、7500时分别改变学习率为0.001和0.0001;
[0047] 通过下述方法对生成的训练模型进行检测,检测的具体步骤为:将一幅图像分成S*S个网格,如果某个目标的中心,落在这个网格中,则这个网格就负责预测这个目标,每个网格预测B个预测框,每个预测框除了要回归自身的位置之外,还要附带预测一个置信度值,这个置信度值代表了所预测的框中含有目标的置信度和预测框预测的是否准确的两重信息,其中值是计算方式如下:
[0048]
[0049] 如果有目标落下一个网格中,第一项取1,否则取0.第二项是预测的框与实际情况之间的IOU值,除此之外还需要预测类别信息和坐标。整个网络的损失函数如下:
[0050]
[0051] 检测结果如图2(a)、图2(b)、图2(c)、图2(d)所示。
[0052] 步骤3、利用步骤1中预处理后的样本库对步骤2中设计的网络模型训练,进而对色织衬衫裁片缺陷检测的网络模型进行优化,得优化网络模型,如图3所示;
[0053] 步骤4、利用步骤3中的优化网络模型搭建检测系统硬件平台,具体为:将优化网络模型嵌入JETSON TX2,JETSON TX2是一台基于NVIDA Pascal架构的AI单模块嵌入式平台,即完成检测系统硬件平台;将该检测系统硬件平台连接显示装置,向显示装置中输入待检测的缺陷样本图像,经过检测系统硬件平台检测缺陷类别以及缺陷位置;可以借助其高性能、低能耗的特性,在板载终端设备上处理复杂数据,满足工业生产的低成本、高实时性要求。
[0054] 通过上述方式,本发明一种基于DCGAN和DCNN的色织衬衫裁片缺陷检测方法,根据企业提供的原样本库,进行DCGAN对抗生成得到新的色织缺陷图像,扩充了缺陷样本,可以有效的避免训练过程中产生的过拟合问题;通过调整超参数、网络结构等,训练了多种模型,通过对比选择适用于色织衬衫裁片缺陷检测的网络模型;将最终的优化网络模型嵌入在TETSON TX2中,形成一套完整的检测系统,能够对色织衬衫表面缺陷情况进行定位与分类,满足了工业生产检测环节的需求。