(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 202210356871.1 (22)申请日 2022.04.01 (71)申请人 南通沐沐兴晨纺织品有限公司 地址 226000 江苏省南 通市海门区三星镇 通启路16 6号17号楼 (72)发明人 钟树英　林海健　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 7/187(2017.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于神经网络的织物缺陷图像分割方法 (57)摘要 本发明涉及神经网络技术领域， 具体涉及一 种基于神经网络的织物缺陷图像分割方法， 包 括： 获取待检测织物表面图像， 进而得到织物缺 陷距离变换图像； 根据织物缺陷距离变换图像中 的各个像素点的灰度值， 得到织物 缺陷距离变换 图像中的各个像素点的窗口大小； 根据织物缺陷 距离变换图像中的各个像素点的灰度值和窗口 大小， 得到织物缺陷距离变换图像中的各个像素 点的灰度共生矩阵， 确定织物能量图像中的各个 像素点的能量值， 得到织物能量图像； 根据织物 能量图像、 织物缺陷距离变换图像和织物表面图 像， 得到织物缺陷分割图像。 本发明通过对织物 表面图像的处理， 得到织物缺陷分割图像， 提高 了对织物缺陷分割的效率和精度。 权利要求书2页 说明书8页 附图1页 CN 114565607 A 2022.05.31 CN 114565607 A 1.一种基于神经网络的织物缺陷图像分割方法， 其特 征在于， 包括以下步骤： 获取待检测织物表面图像， 并根据待检测织物表面图像和预先确定的神经网络， 得到 织物缺陷激活图像； 根据织物缺陷激活图像， 得到织物缺陷距离变换图像； 根据织物缺陷距离变换图像中的各个像素点的灰度值， 得到织物缺陷距离变换图像中 的各个像素点的窗口大小； 根据织物缺陷距离变换图像中的各个像素点的灰度值和窗口大小， 得到织物缺陷距离 变换图像中的各个 像素点的灰度共生矩阵； 根据织物缺陷距离变换图像中的各个像素点的灰度共生矩阵， 确定织物能量图像 中的 各个像素点的能量 值， 进而得到织物能量图像； 根据织物能量图像、 织物缺陷距离变换图像和织物 表面图像， 得到织物缺陷分割图像。 2.根据权利要求1所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 得到织 物缺陷激活图像的步骤 包括： 根据待检测织物表面图像， 获取待检测织物表面图像的各个特征图， 进而得到各个特 征图的平均激活值； 根据前一半特 征图的平均激活值， 得到织物缺陷激活值； 根据织物缺陷激活值、 待检测织物表面图像的前一半特征图， 前一半特征图的平均激 活值， 得到织物缺陷激活图像。 3.根据权利要求2所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 各个特 征图的平均激活值的计算公式为： Aa＝GAP(Sw ish(Feature map)) 其中， Aa为特征图的平均激活值， Feature  map为特征图， Swish为激活函数， GAP为全矩 平均池化操作。 4.根据权利要求2所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 织物缺 陷激活值的计算公式为： 其中， Ca1为 织物缺陷激活值， Aai为第i张特 征图的平均激活值， N 为特征图的数量。 5.根据权利要求2所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 织物缺 陷激活图像的计算公式为： 其中， Map为织物缺陷激活图像， Ca1为织物缺陷激活值， Aai为第i张特征图的平均激活 值， Feature mapi为第i张特 征图， N为特征图的数量。 6.根据权利要求1所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 得到织 物缺陷距离变换图像的步骤 包括：权　利　要　求　书 1/2 页 2 CN 114565607 A 2根据织物缺陷激活图像， 得到织物缺陷二值图像， 并确定织物缺陷二值图像中的各个 缺陷连通 域； 对织物缺陷二值图像中的各个缺陷连通域进行筛选， 并根据筛选后的织物缺陷二值图 像中的各个缺陷连通 域和织物缺陷二 值图像， 得到 筛选后的织物缺陷二 值图像； 对筛选后的织物缺陷二 值图像进行距离变换， 得到织物缺陷距离变换图像。 7.根据权利要求6所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 得到织 物缺陷距离变换图像中的各个 像素点的窗口大小的步骤 包括： 根据筛选后的织物缺陷二值图像中的各个缺陷连通域， 确定织物缺陷距离变换图像中 的各个缺陷连通 域； 根据织物缺陷距离变换图像中的各个缺陷连通域的外接矩形最长边的边长和各个缺 陷连通域内的各个像素点的灰度值， 得到织物缺陷距离变换图像中各个缺陷连通域内的各 个像素点的窗口大小； 将织物缺陷距离变换图像中缺陷连通域外的各个像素点的窗口大小置为标准窗口大 小。 8.根据权利要求7所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 织物缺 陷距离变换图像中缺陷连通 域内的各个 像素点的窗口大小的计算公式为： Dk＝round(Grayk*MaxDk) 其中， Dk为织物缺陷距 离变换图像中缺陷连通域内的第k个像 素点的窗口大小， rou nd为 向上取整函 数， Grayk为第k个像素点的灰度值， MaxDk为第k个像素点所在缺陷连通域的外接 矩形最长边的边长 。 9.根据权利要求1所述的基于神经网络的织物缺陷 图像分割方法， 其特征在于， 织物能 量图像中的各个 像素点的能量 值的计算公式为： 其中， ASMk为织物能量图像中的第k个像素点的能量值， Sk(i， j)为第k个像素点所对应 的灰度共生矩阵中第i行第j列的元 素值， N为灰度共生矩阵的行或列的数量。 10.根据权利要求1所述的基于神经网络的织物缺陷图像分割方法， 其特征在于， 得到 织物缺陷分割图像的步骤 包括： 将织物能量图像、 织物缺陷距离变换图像和织物表面图像进行融合， 得到织物缺陷表 示图像； 将织物缺陷表示图像输入至训练好的语义分割神经网络中， 得到织物缺陷分割图像。权　利　要　求　书 2/2 页 3 CN 114565607 A 3