紡織行業(yè)日趨激烈。布匹質(zhì)量的優(yōu)劣程度對紡織生產(chǎn)影響相當巨大，各大紡織企業(yè)面臨著高標準，嚴要求，低成本的巨大壓力。自動織物缺陷檢測系統(tǒng)具有廣闊的研究前景。
    瑕疵檢測是機器視覺技術最難的部分，傳統(tǒng)的瑕疵檢測，基于模板和特定的過程學習后，對產(chǎn)品進行判斷。但是產(chǎn)品的瑕疵不確定因素很多，傳統(tǒng)的做法，很難真正意義上實現(xiàn)瑕疵檢測。采用視覺技術借助人工智能，通過深度學習的算法，為瑕疵檢測賦能，并已在多個行業(yè)得到應用。
    對于自動織物缺陷檢測系統(tǒng)而言，核心部分是織物缺陷檢測算法，而檢測算法中最重要的部分在于圖像特征值的選擇。本文采取一種基于深度學習模式的深度卷積神經(jīng)網(wǎng)絡的色織物缺陷檢測算法。
    其中多隱層的卷積神經(jīng)網(wǎng)絡模擬了生物神經(jīng)網(wǎng)絡，降低了網(wǎng)絡模型的復雜度，從而具有更優(yōu)異的特征學習能力，織物的圖像特征得到了更準確地提取，更有利于后續(xù)的圖像特征提取及分類。
    本文對缺陷織物進行最優(yōu)尺寸高斯濾波預處理操作，不僅可以有效濾除細節(jié)噪聲，而且不會造成圖像邊緣信息的模糊。
基于深度卷積神經(jīng)網(wǎng)絡的色織物缺陷檢測過程主要包括：
1、對采集到的色織物進行預處理
    采用基于圖像信噪比選擇優(yōu)化尺寸的高斯濾波進行織物預處理，該操作不僅可以有效濾除細節(jié)噪聲，而且大量保留圖像邊緣信息。
    該算法首先通過織物圖像信噪比評估圖像手噪聲影響的程度，然后根據(jù)最小化一階Holder優(yōu)化準則，確定高斯濾波函數(shù)中的最優(yōu)標準方差，并根據(jù)最小二乘法擬合出最終的高斯濾波函數(shù)尺度，實現(xiàn)預處理。同時，為了使圖像更加清晰，采用自適應直方圖均衡化增強圖像對比度。
2、構建深度卷積神經(jīng)網(wǎng)絡，獲取特征字典和映射函數(shù)
    缺陷檢測過程包括訓練階段和檢測階段，其中算法的訓練階段是對無缺陷樣本集進行卷積神經(jīng)網(wǎng)絡和徑向基神經(jīng)網(wǎng)絡的構建，并利用反向傳播算法進行參數(shù)調(diào)整與字典更新，從而獲得深度卷積神經(jīng)網(wǎng)絡的卷積字典和映射函數(shù)。算法的檢測階段包括利用獲取的映射函數(shù)對織物圖像進行重構，并根據(jù)深度卷積字典提取重構圖像的圖像特征。
    卷積神經(jīng)網(wǎng)絡的整個結構如圖2所示。其中輸入圖像作為輸入層。自底而上，從輸入層到S1是卷積過程，主要是增強原圖像特征，降低噪聲。
3、利用Meanshift算法進行圖像閾值分割實現(xiàn)缺陷檢測
    通過Meanshift算法對圖像特征進行圖像分割，獲取較突出的缺陷區(qū)域，并對分割出來的缺陷部分進行雙峰法的二值化處理，得到色織物的二值化缺陷檢測結果。實驗驗證了算法的有效性，對400幅缺陷檢測樣本中20種缺陷類型的識別率較高，且適應性較強，可以實現(xiàn)高效率、高準確率、縮短檢測時間的目的，基本達到工業(yè)現(xiàn)場對色織物顏色及缺陷種類在線檢測的要求。
    織物背景紋理相對復雜，缺陷與背景紋理難以辨別導致檢測成功率相對較低。但是對于工業(yè)現(xiàn)場經(jīng)常出現(xiàn)的帶紗、破洞、污漬、結頭等缺陷檢測成功率是較高的，色織物的缺陷位置和形狀可得到較好的可視化效果，檢測效果較理想。