(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 202210176128.8 (22)申请日 2022.02.25 (71)申请人 南通海恒纺织设备有限公司 地址 226001 江苏省南 通市海门区三星镇 通启路16 6号4幢101室 (72)发明人 邓存芳　 (74)专利代理 机构 郑州知倍 通知识产权代理事 务所(普通 合伙) 41191 专利代理师 夏开松 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01N 21/88(2006.01) (54)发明名称 基于人工智能和高斯混合模型的纺织物表 面缺陷检测方法 (57)摘要 本发明涉及基于人工智能和高斯混合模型 的纺织物表面缺陷检测方法， 该方法包括： 获取 纺织物图像的灰度图， 将灰度图分割为多个块图 像； 根据块图像的像素点位置分布和灰度值变化 特征， 获取多个高斯混合子模型； 根据高斯混合 子模型获取可能存在缺陷的高斯混合子模型的 缺陷占比量， 根据缺陷占比量获取训练图像集， 根据训练图像集对构建的缺陷检测网络模型进 行训练， 利用训练完成的缺陷检测网络模型对待 检测的纺织物图像进行检测， 判断待检测纺织物 图像中缺陷的位置， 本发明方法通过训练好的缺 陷检测网络模 型对待检测纺织物图像进行检测， 不仅提高了检测效率， 同时提高了缺陷检测的精 确度， 实用性强， 值得推广。 权利要求书2页 说明书5页 附图1页 CN 114529538 A 2022.05.24 CN 114529538 A 1.基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 该方法包 括： S1、 采集纺织物图像并获取纺织物图像的灰度图， 对灰度图进行分割得到对多个块图 像； S2、 获取各个块图像的像素点灰度值的变化特征和像素点的分布位置， 根据块图像的 像素点的分布位置和灰度值的变化特 征进行高斯模型拟合， 得到多个高斯混合子模型； S3、 对多个 高斯混合子模型进行聚类， 得到多个聚类簇， 获取每个聚类簇中高斯混合子 模型数量占所有高斯混合子模型 的占比量， 获取所有占比量中的最高占比量， 最高占比量 所对应的聚类簇记为正常纹理的高斯分布模型， 其他占比量记为可能存在缺陷的高斯分布 模型数量的缺陷占比量； S4、 缺陷占比量等于0所对应的块图像作为正样本图像、 缺陷占比量大于0所对应的块 图像作为负 样本图像； S5、 构建缺陷检测网络模型， 根据缺陷占比量对缺陷检测网络模型的每层网络卷积层 的神经元丢弃率进行调节， 得到调节后的缺陷检测网络模型， 对调节后的缺陷检测网络模 型进行训练， 网络 输入为正样本图像和负 样本图像， 网络 输出为图像是缺陷图像的置信度； S6、 重复S1到S4步骤， 获取待测纺织物图像的待测正样本图像和待测负样本图像， 将待 测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型， 得出待测纺织物图像 的置信度， 根据置信度及预设的置信度阈值确定待测纺织物图像是否为 缺陷图像。 2.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， S1的步骤中还 包括： 利用中值滤波 去噪算法对灰度图进行去噪处 理； 利用直方图均衡化 算法对灰度图进行 灰度增强； 对去噪处 理和灰度增强处 理后的灰度图进行分割得到对多个块图像。 3.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合， 得 到多个高斯混合子模型的步骤 包括： 将所有的分割块图像作为高斯混合建模样本， 初始化高斯混合模型中的方差、 均值、 权 值参数； 获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征， 根据像素点的分 布位置和 像素点灰度值的变化特征利用EM算法进行高斯模型拟合； 得到K个高斯混合子模 型。 4.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模 型的占比量的步 骤包括： 设得到Q个聚类簇， 对Q个聚类簇内的高斯混合子模型进行统计； 根据下式(1)获取每个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占 比量： 权　利　要　求　书 1/2 页 2 CN 114529538 A 2其中， Zi表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比 量， Num(Qi)表示第i个聚类簇中高斯混合子模型的数量； K表示所有聚类簇内高斯混合子模 型的数量， i表示第几个聚类簇 。 5.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 对缺陷检测网络进行训练的步骤 包括： 将正样本图像和负 样本图像输入缺陷检测网络模型的缺陷检测编码器中； 经过对正样本图像和负样本图像卷积、 池化获取正样本图像和负样本图像的特征张 量， 对每层网络卷积层的神经 元丢弃率p进行调节， 预设初始的神经 元丢弃率p0， 获取正样本图像和负样本图像对应的缺陷占比量的平均值， 根据平均值对不同卷积层 的神经元丢弃率进行调节， 得到调节后的神经 元丢弃率； 对调节后的神经 元丢弃率进行归一 化处理， 范围为[0,1]之间。 6.根据权利要求5所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 根据平均值对不同卷积层的神经元丢弃率进行调节， 得到调节后的神经元丢 弃率的步骤 包括： 根据下式(2)计算调节后的神经 元丢弃率： 其中， Zb＝0.2表示初始丢弃率p0对应的数量占比均值， 表示卷积层的层数， 表示正 样本图像和负 样本图像对应的缺陷占比量的平均值。 7.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 将正样本图像和负样本图像输入神经元丢弃率调节后的缺陷检测网络模型进 行训练得到图像是缺陷样本的置信度的步骤 包括： 根据调节后的神经 元丢弃率对正样本图像和负 样本图像进行 特征张量提取； 根据提取的特征张量通过全连接层得到神经元输出的图像缺陷置信度， 其中Softmax 层输出图像为 缺陷图像的置信度。 8.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法， 其特征在于， 根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像的步骤 包括： 设置信度阈值 为M； 缺陷样本的置信度大于阈值时， 得 出纺织物图像为 缺陷图像， 反 之， 则为正常图像。权　利　要　求　书 2/2 页 3 CN 114529538 A 3