(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211092361.4 (22)申请日 2022.09.08 (71)申请人 潍坊大友电子科技有限公司 地址 261200 山东省潍坊市坊子区崇文街 与兴国路交叉口地理信息小镇大厦 1106房间 (72)发明人 魏东　张震伟　卢妍儒　于丰溢　 (74)专利代理 机构 潍坊领潮知识产权代理有限 公司 37376 专利代理师 滕书华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/54(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06T 5/30(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的纺织品瑕疵检测方法 (57)摘要 一种基于深度学习的纺织品瑕疵检测方法， 涉及深度学习技术领域， 包括以下步骤： S1： 分析 纺织品瑕疵样本的特点； S2： 针对织物的纹理构 建纹理预分类模 型， 使用所述纹理预分类模型判 断样本的纹理类型； S3： 基于瑕疵是否分辨纹理 特征， 将瑕疵样本分为特征明显的瑕疵和特征不 明显的瑕疵； S4： 搭建瑕疵 检测模型， 通过对应的 检测模型对 特征明显的瑕疵进行检测是否存在， 若存在则输出检测结果； 若不存在则进一步检测 是否存在特征不明显的瑕疵， 输出检测结果。 本 发明通过分析纺织品瑕疵样本的特点， 基于是否 分辨纹理特征， 将瑕疵样本分为特征明显的瑕疵 和特征不明显的瑕疵， 通过对特征明显的瑕疵和 特征不明显的瑕疵分开检测， 从而解决了漏检问 题。 权利要求书2页 说明书8页 附图8页 CN 115511796 A 2022.12.23 CN 115511796 A 1.基于深度学习的纺织品瑕疵检测方法， 其特征在于， 包括以下步骤： S1： 分析纺织品 瑕疵样本的特点； S2： 针对织物的纹理构建纹理预分类模型， 使用所述纹理预分类模型判断样本的纹理 类型； S3： 基于瑕疵是否分辨纹理特征， 将瑕疵样本分为特征明显的瑕疵和特征不明显的瑕 疵； S4： 搭建瑕疵检测模型， 通过对应的检测模型对特征明显的瑕疵进行检测是否存在， 若 存在则输出检测结果； 若不存在则进一 步检测是否存在特 征不明显的瑕疵， 输出检测结果。 2.根据权利要求1所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， S1中的特 征明显的瑕疵包括破洞、 污 渍， 特征不明显的瑕疵包括带纱、 断纱、 棉球、 脱纱。 3.根据权利要求1所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， S2中所述 纹理预分类模型的检测结果包括方格和条纹 纹理。 4.根据权利要求1所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， S4中搭建 瑕疵检测模 型包括以下步骤： 1） 搭建Yolov3瑕疵检测模 型； 2） 对数据集进行标定； 3） 利用精 确度和召回率体现模型性能的指标； 4） 采用K ‑means++方法对瑕疵数据进行聚类； 5） 引入 SPP增强感受野； 6） 利用膨胀卷积改进空间金字塔池化结构； 7） 改进优化后模型的预测结 果； 8） 针对瑕疵间特 征差异， 改进通道 注意力机制和改进激励过程， 以提高检测效果。 5.根据权利要求4所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， 搭建 Yolov3瑕疵检测模 型包括以下步骤： 1） 将分类问题当做回归问题并将图像 分成若干个网格 点依次判断， 网络除了输出4个物体的位置参数和1个是否有目标的置信度外还包括对应各 个类别的概率， 这种一阶段算法之所以能有效的核心在于其复合了多个损失的损失函数； 2） 基于锚框的检测模型； 3） 提取网络的深度， 并在每个3 ×3的卷积之间加入一个1 ×1的卷 积， 用更少的参数量来调整通道数， 进而加快检测 速度； 4） 利用多尺度预测、 FPN结构、 卷积 来提高检测性能。 6.根据权利要求5所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， 基于锚框 的检测模 型包括以下步骤： （1） Yolov3模 型在数据集上通过聚类的方式得到9个更加合理的 初始框； （2） 以每个网格的中心点为中心放置这9个不同大小的先验框作为初始预测位置； （3） 通过回归对先验框进行调整得到最终的预测框， 即使是数据集中有大量长宽比例很极 端的目标也能快速回归检测出来。 7.根据权利要求4所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， 改进通道 注意力机制包括以下步骤： （1） 首先对原始输入使用不同大小的卷积核进行卷积获得不同 尺度的特征图并进 行堆叠； （2） 使用全局平均池化压缩得到一 维向量， 使用快速以为卷积进 行激励获得对应的权重并与对应尺度的特征图相乘； （3） 进一步堆叠得到自适应调整过通 道和感受野的特 征图。 8.根据权利要求4所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， 改进激励 过程包括以下步骤： （1） 通过维数与输入维数相同的全局平均池化进行压缩过程； （2） 使用 大小为k的一维卷积和Sigmoid激活函数来实现激励过程； （3） 将激励过程得到的权重与输 入特征图对应通道相乘。 9.根据权利要求5所述的基于深度学习的纺织品瑕疵检测方法， 其特征在于， 所述步骤权　利　要　求　书 1/2 页 2 CN 115511796 A 23） 中为了防止梯度消失问题， 引入了残差边的结构， 将卷积层的输入跳跃连接到输出端， 输 入输出相加后在 传给下一层卷积层。权　利　要　求　书 2/2 页 3 CN 115511796 A 3