(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 202210346780.X (22)申请日 2022.03.31 (71)申请人 启东新朋莱纺织科技有限公司 地址 226200 江苏省南 通市启东市滨 海工 业园区(百越新材料科技启东有限公 司内) (72)发明人 杨美琴　范春燕　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/90(2017.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于人工智能的纺织品缺陷类型识别方法 (57)摘要 本发明涉及纺织品领域， 具体涉及一种基于 人工智能的纺织品缺陷类型识别方法， 包括： 获 取纺织品表面灰度图； 对灰度图进行聚类， 得到 第一聚类簇； 根据第一聚类簇内像素点的灰度值 进行高斯拟合， 计算各高斯模型两两间的KL散 度， 得到第一聚类簇两两间的相似度； 根据相似 度对第一聚类簇进行合并， 得到第二聚类簇； 根 据各第二聚类簇与正常纺织品的灰度均值的差 值获取疑似缺陷区域； 根据各疑似缺陷区域的面 积和最小外接矩形的宽高比获取缺陷区域； 对包 含缺陷区域的RGB图进行剪切， 得到各缺陷区域 RGB图； 利用各缺陷区域RGB图识别纺织品中的缺 陷种类。 上述方法用于识别纺织品的缺陷类型， 通过上述方法可提高缺陷识别的准确度。 权利要求书2页 说明书7页 附图2页 CN 114757900 A 2022.07.15 CN 114757900 A 1.一种基于人工智能的纺织品缺陷类型识别方法， 其特 征在于， 包括： 获取待检测纺织品表面灰度图； 对灰度图进行聚类处 理， 得到所有第一聚类簇； 根据每个第 一聚类簇 内各像素点的灰度值进行高斯拟合， 计算各第 一聚类簇对应的高 斯模型两 两间的KL散度， 根据KL散度得到所有第一聚类簇 两两间的相似度； 根据第一聚类簇两两间的相似度对所有第 一聚类簇进行类别合并， 得到所有第 二聚类 簇； 计算每个第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的 差值， 根据差值获取 所有疑似缺陷区域； 根据各疑似缺陷区域的面积和最小外 接矩形的宽高比获取 所有缺陷区域； 对仅包含缺陷区域的纺织品表面RGB图像进行剪切， 得到各缺陷区域对应的RGB图像； 通过将各缺陷区域对应的RGB图像输入训练好的网络 中对缺陷区域的缺陷类型进行分 类。 2.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在于， 所述第一聚类簇 两两间的相似度是按照如下 方式得到： 根据每个第 一聚类簇 内各像素点的灰度值进行高斯拟合， 得到所有第 一聚类簇对应的 高斯模型； 根据每个第一聚类簇对应的高斯模型值计算得到所有高斯模型两 两间的KL散度； 利用高斯模型两 两间的KL散度计算得到第一聚类簇 两两间的相似度。 3.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在于， 所述所有第二聚类簇是按照如下 方式得到： 设置阈值， 对第一聚类簇 两两间的相似度进行判断； 当两个第一聚类簇的相似度高于阈值时， 则将这两个第一聚类簇进行合并， 分为一个 集合； 当集合外存在第 一聚类簇与集合内的所有第 一聚类簇两两间的相似度均高于 阈值时， 将集合外所有与集合内的各第一聚类簇两两间的相似度均高于阈值的第一聚类簇进行合 并， 得到第一个第二聚类簇； 按照得到第一个第二聚类簇的方法得到第二个第二聚类簇， 依次得到所有第二聚类 簇。 4.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在于， 所述所有疑似缺陷区域是按照如下 方式获取： 计算各第二聚类簇所有像素点的灰度均值与正常纺织品所有像素点的灰度均值的差 值； 将最小差值对应的第 二聚类簇包含的像素点作为背景像素点， 其余的各个第 二聚类簇 包含的像素点作为各个疑似缺陷区域像素点， 获取 所有疑似缺陷区域。 5.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在于， 所述所有缺陷区域是按照如下 方式获取： 计算各疑似缺陷区域的面积， 获取面积最小值； 计算各疑似缺陷区域的最小外 接矩形的宽高比， 获取宽高比的最小值；权　利　要　求　书 1/2 页 2 CN 114757900 A 2根据面积最小值设置面积阈值， 根据宽高比最小值设置 宽高比阈值； 设置疑似缺陷区域滤除条件： 当疑似缺陷区域的面积小于面积阈值且最小外接矩形的 宽高比小于 宽高比阈值时， 将该疑似缺陷区域进行 滤除； 根据滤除条件 对所有疑似缺陷区域进行筛 选， 获取所有缺陷区域。 6.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在于， 所述各缺陷区域对应的RGB图像是按照如下 方式得到： 将灰度图中各缺陷区域的像素值设置为1， 剩余部分的像素值设置为0， 得到缺陷二值 图； 对缺陷二值图与待检测纺织品表面RGB图进行相乘操作， 得到仅包含缺陷区域的纺织 品表面RGB图； 对仅包含缺陷区域的纺织品表面RGB图进行剪切， 得到各缺陷区域对应的RGB图。 7.根据权利要求1所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在于， 所述对缺陷区域的缺陷类型进行分类的过程具体如下： 设定纺织品缺陷种类数； 获取各种纺织品缺陷种类的图像， 并对各图像进行 标注， 得到网络训练的数据集； 从数据集中任选 两张图像输入孪生网络中， 基于损失函数完成网络训练； 分别将各缺陷区域对应的RGB图输入训练好的孪生网络中， 输出各缺陷区域的缺陷类 型， 完成对待检测纺织品中缺陷类型的分类。 8.根据权利要求1或7所述的一种基于人工智能的纺织品缺陷类型识别方法， 其特征在 于， 所述训练好的网络是按照如下 方式得到： 从数据集中任选两张图像， 将两张图像分别输入两个子网络中， 经过编码器进行特征 提取， 特征展平后送入 全连接层FC， 分别输出两张图像对应的特 征向量； 计算两张图像对应的特 征向量之间的欧式距离； 根据两张图像对应的特 征向量之间的欧式距离建立对比损失函数； 基于对比损失函数对数据集中的图像进行训练， 得到训练好的网络； 所述对比损失函数的表达式如下： 式中， L为对比损失函数值， d为两个样本的特征向量Z1， Z2之间的欧式距离， Y为两个输 入样本是否匹配的人为标注标签， 当Y＝1时， 代表两个样本相 似或者匹配； 当Y＝0时， 代表 两个样本不匹配， margi n为设定的阈值。权　利　要　求　书 2/2 页 3 CN 114757900 A 3