fangzhixingyeriqujilie。bupizhiliangdeyouliechengduduifangzhishengchanyingxiangxiangdangjuda
，gedafangzhiqiyemianlinzhegaobiaozhun，yanyaoqiu，dichengbendejudayali。zidongzhiwuquexianjiancexitongjuyouguangkuodeyanjiuqianjing。
    瑕xia疵ci檢jian測ce是shi機ji器qi視shi覺jiao技ji術shu最zui難nan的de部bu分fen，傳chuan統tong的de瑕xia疵ci檢jian測ce，基ji於yu模mo板ban和he特te定ding的de過guo程cheng學xue習xi後hou，對dui產chan品pin進jin行xing判pan斷duan。但dan是shi產chan品pin的de瑕xia疵ci不bu確que定ding因yin素su很hen多duo，傳chuan統tong的de做zuo法fa，很hen難nan真zhen正zheng意yi義yi上shang實shi現xian瑕xia疵ci檢jian測ce。采cai用yong視shi覺jiao技ji術shu借jie助zhu人ren工gong智zhi能neng
，通tong過guo深shen度du學xue習xi的de算suan法fa，為wei瑕xia疵ci檢jian測ce賦fu能neng
，並bing已yi在zai多duo個ge行xing業ye得de到dao應ying用yong。
    對dui於yu自zi動dong織zhi物wu缺que陷xian檢jian測ce係xi統tong而er言yan，核he心xin部bu分fen是shi織zhi物wu缺que陷xian檢jian測ce算suan法fa，而er檢jian測ce算suan法fa中zhong最zui重zhong要yao的de部bu分fen在zai於yu圖tu像xiang特te征zheng值zhi的de選xuan擇ze。本ben文wen采cai取qu一yi種zhong基ji於yu深shen度du學xue習xi模mo式shi的de深shen度du卷juan積ji神shen經jing網wang絡luo的de色se織zhi物wu缺que陷xian檢jian測ce算suan法fa。
    其(qi)中(zhong)多(duo)隱(yin)層(ceng)的(de)卷(juan)積(ji)神(shen)經(jing)網(wang)絡(luo)模(mo)擬(ni)了(le)生(sheng)物(wu)神(shen)經(jing)網(wang)絡(luo)，降(jiang)低(di)了(le)網(wang)絡(luo)模(mo)型(xing)的(de)複(fu)雜(za)度(du)，從(cong)而(er)具(ju)有(you)更(geng)優(you)異(yi)的(de)特(te)征(zheng)學(xue)習(xi)能(neng)力(li)
，織(zhi)物(wu)的(de)圖(tu)像(xiang)特(te)征(zheng)得(de)到(dao)了(le)更(geng)準(zhun)確(que)地(di)提(ti)取(qu)，更(geng)有(you)利(li)於(yu)後(hou)續(xu)的(de)圖(tu)像(xiang)特(te)征(zheng)提(ti)取(qu)及(ji)分(fen)類(lei)。
    本文對缺陷織物進行最優尺寸高斯濾波預處理操作

，不僅可以有效濾除細節噪聲，而且不會造成圖像邊緣信息的模糊。
基於深度卷積神經網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
    采用基於圖像信噪比選擇優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
，然後根據最小化一階Holder優you化hua準zhun則ze，確que定ding高gao斯si濾lv波bo函han數shu中zhong的de最zui優you標biao準zhun方fang差cha，並bing根gen據ju最zui小xiao二er乘cheng法fa擬ni合he出chu最zui終zhong的de高gao斯si濾lv波bo函han數shu尺chi度du
，實shi現xian預yu處chu理li。同tong時shi，為wei了le使shi圖tu像xiang更geng加jia清qing晰xi，采cai用yong自zi適shi應ying直zhi方fang圖tu均jun衡heng化hua增zeng強qiang圖tu像xiang對dui比bi度du。
2、構建深度卷積神經網絡，獲取特征字典和映射函數
    缺(que)陷(xian)檢(jian)測(ce)過(guo)程(cheng)包(bao)括(kuo)訓(xun)練(lian)階(jie)段(duan)和(he)檢(jian)測(ce)階(jie)段(duan)，其(qi)中(zhong)算(suan)法(fa)的(de)訓(xun)練(lian)階(jie)段(duan)是(shi)對(dui)無(wu)缺(que)陷(xian)樣(yang)本(ben)集(ji)進(jin)行(xing)卷(juan)積(ji)神(shen)經(jing)網(wang)絡(luo)和(he)徑(jing)向(xiang)基(ji)神(shen)經(jing)網(wang)絡(luo)的(de)構(gou)建(jian)，並(bing)利(li)用(yong)反(fan)向(xiang)傳(chuan)播(bo)算(suan)法(fa)進(jin)行(xing)參(can)數(shu)調(tiao)整(zheng)與(yu)字(zi)典(dian)更(geng)新(xin)，從(cong)而(er)獲(huo)得(de)深(shen)度(du)卷(juan)積(ji)神(shen)經(jing)網(wang)絡(luo)的(de)卷(juan)積(ji)字(zi)典(dian)和(he)映(ying)射(she)函(han)數(shu)。算(suan)法(fa)的(de)檢(jian)測(ce)階(jie)段(duan)包(bao)括(kuo)利(li)用(yong)獲(huo)取(qu)的(de)映(ying)射(she)函(han)數(shu)對(dui)織(zhi)物(wu)圖(tu)像(xiang)進(jin)行(xing)重(zhong)構(gou)
，並(bing)根(gen)據(ju)深(shen)度(du)卷(juan)積(ji)字(zi)典(dian)提(ti)取(qu)重(zhong)構(gou)圖(tu)像(xiang)的(de)圖(tu)像(xiang)特(te)征(zheng)。
    卷積神經網絡的整個結構如圖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缺陷檢測
    通過Meanshift算suan法fa對dui圖tu像xiang特te征zheng進jin行xing圖tu像xiang分fen割ge，獲huo取qu較jiao突tu出chu的de缺que陷xian區qu域yu
，並bing對dui分fen割ge出chu來lai的de缺que陷xian部bu分fen進jin行xing雙shuang峰feng法fa的de二er值zhi化hua處chu理li，得de到dao色se織zhi物wu的de二er值zhi化hua缺que陷xian檢jian測ce結jie果guo。實shi驗yan驗yan證zheng了le算suan法fa的de有you效xiao性xing，對dui400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

，可以實現高效率、高準確率
、縮短檢測時間的目的，基本達到工業現場對色織物顏色及缺陷種類在線檢測的要求。
    織物背景紋理相對複雜
，缺陷與背景紋理難以辨別導致檢測成功率相對較低。但是對於工業現場經常出現的帶紗、破洞

、汙漬
、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。