ICS59.080.30

CCSW00

EJCCCSE

中國(guó)商業(yè)股份制企業(yè)經(jīng)濟(jì)聯(lián)合會(huì)團(tuán)體標(biāo)準(zhǔn)

T/EJCCCSEXXXX—XXXX

紡織提花缺陷檢測(cè)系統(tǒng)

TextileJacquardDefectDetectionSystem

（征求意見稿）

在提交反饋意見時(shí)，請(qǐng)將您知道的相關(guān)專利連同支持性文件一并附上。

2024-XX-XX發(fā)布2024-XX-XX實(shí)施

中國(guó)商業(yè)股份制企業(yè)經(jīng)濟(jì)聯(lián)合會(huì)發(fā)布

T/EJCCCSEXXXX—XXXX

紡織提花缺陷檢測(cè)系統(tǒng)

1范圍

本文件規(guī)定了紡織提花缺陷檢測(cè)系統(tǒng)的一般要求、系統(tǒng)模塊、功能及方法的具體要求。

本文件適用于紡織提花缺陷的檢測(cè)。

2規(guī)范性引用文件

下列文件中的內(nèi)容通過(guò)文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，

僅該日期對(duì)應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本

文件。

GB/T28035軟件系統(tǒng)驗(yàn)收規(guī)范

3術(shù)語(yǔ)和定義

本文件沒(méi)有需要界定的術(shù)語(yǔ)和定義。

4一般要求

4.1系統(tǒng)應(yīng)遵循整體設(shè)計(jì)、統(tǒng)籌建設(shè)，優(yōu)化服務(wù)，統(tǒng)一標(biāo)準(zhǔn)、安全可靠的原則。

4.2系統(tǒng)應(yīng)通過(guò)驗(yàn)收，系統(tǒng)驗(yàn)收應(yīng)符合本文件和現(xiàn)行國(guó)家標(biāo)準(zhǔn)GB/T28035的有關(guān)規(guī)定。

4.3系統(tǒng)應(yīng)及時(shí)進(jìn)行日常管理維護(hù)、軟件維護(hù)、數(shù)據(jù)維護(hù)、運(yùn)行環(huán)境維護(hù)等。

5系統(tǒng)模塊

5.1該檢測(cè)系統(tǒng)包括：數(shù)據(jù)采集模塊、判別模塊、建立模塊、分析模塊、設(shè)計(jì)模塊及連接模塊。其中，

數(shù)據(jù)采集模塊與判別模塊連接，判別模塊與建立模塊連接，建立模塊與分析模塊連接，分析模塊與設(shè)計(jì)

模塊連接，設(shè)計(jì)模塊與連接模塊連接。

5.2數(shù)據(jù)采集模塊：用于通過(guò)信息采集端獲取歷史紡織提花圖像數(shù)據(jù)，利用去噪的方式對(duì)數(shù)據(jù)實(shí)施預(yù)

處理，并將數(shù)據(jù)分解為測(cè)試集與訓(xùn)練集。

5.3判別模塊：用于基于深度學(xué)習(xí)方法結(jié)合訓(xùn)練集設(shè)計(jì)缺陷判別方法，并根據(jù)判別方法對(duì)測(cè)試集進(jìn)行

檢測(cè)生成缺陷樣本。

5.4建立模塊：用于對(duì)待檢測(cè)的紡織提花圖像數(shù)據(jù)進(jìn)行對(duì)抗訓(xùn)練，生成與缺陷樣本相似的數(shù)據(jù)擴(kuò)充缺

陷樣本，并根據(jù)缺陷樣本建立特征提取模型。

5.5分析模塊：用于將缺陷特征提取結(jié)果映射至模板紡織提花圖像數(shù)據(jù)中分析其幾何形狀。

5.6設(shè)計(jì)模塊：用于將幾何形狀作為訓(xùn)練數(shù)據(jù)設(shè)計(jì)基于神經(jīng)網(wǎng)絡(luò)的提花缺陷分類模型。

5.7連接模塊：用于將構(gòu)建完成的缺陷特征提取模型及分類模型與管理系統(tǒng)進(jìn)行連接，實(shí)時(shí)輸出紡織

提花缺陷檢測(cè)與分類結(jié)果。

6功能及方法

6.1功能

系統(tǒng)的主要功能包括：

a)檢測(cè)提花圖案的缺陷或錯(cuò)誤；

b)確保提花圖案的正確性和一致性；

c)及時(shí)發(fā)現(xiàn)并糾正生產(chǎn)過(guò)程中的問(wèn)題。

1

T/EJCCCSEXXXX—XXXX

6.2檢測(cè)方法

6.2.1采集及預(yù)處理

用于通過(guò)信息采集端獲取歷史紡織提花圖像數(shù)據(jù)，利用去噪的方式對(duì)數(shù)據(jù)實(shí)施預(yù)處理，并將數(shù)據(jù)分

解為測(cè)試集與訓(xùn)練集。采集及預(yù)處理的具體步驟如下：

d)通過(guò)信息采集端獲取歷史紡織提花圖像數(shù)據(jù)；

e)對(duì)采集到的紡織提花圖像數(shù)據(jù)進(jìn)行清洗，去除可能存在的噪聲、無(wú)效數(shù)據(jù)或異常值；

f)應(yīng)用去噪算法（如高斯濾波、中值濾波等）對(duì)圖像數(shù)據(jù)進(jìn)行去噪處理，以減少噪聲對(duì)后續(xù)分

析的影響，可以應(yīng)用圖像增強(qiáng)技術(shù)（如對(duì)比度增強(qiáng)、邊緣增強(qiáng)等）來(lái)改善圖像質(zhì)量，使缺陷

更加突出；

g)從預(yù)處理后的數(shù)據(jù)中選擇一部分作為訓(xùn)練集，用于訓(xùn)練深度學(xué)習(xí)模型；

h)從預(yù)處理后的數(shù)據(jù)中保留一部分作為測(cè)試集，用于評(píng)估訓(xùn)練好的模型的性能和泛化能力；

i)根據(jù)紡織提花圖像數(shù)據(jù)的實(shí)際情況，對(duì)訓(xùn)練集中的圖像進(jìn)行標(biāo)注，標(biāo)注缺陷的位置和類型；

j)可以采用數(shù)據(jù)增強(qiáng)技術(shù)（如旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等）對(duì)訓(xùn)練集進(jìn)行擴(kuò)充，增加數(shù)據(jù)的多樣性和

數(shù)量，提高模型的泛化能力；

k)對(duì)圖像數(shù)據(jù)進(jìn)行歸一化處理，使其在訓(xùn)練過(guò)程中具有相似的尺度和分布。

6.2.2缺陷樣本生成

用于基于深度學(xué)習(xí)方法結(jié)合訓(xùn)練集設(shè)計(jì)缺陷判別方法，并根據(jù)判別方法對(duì)測(cè)試集進(jìn)行檢測(cè)生成缺陷

樣本。具體包括以下步驟：

a)使用預(yù)處理過(guò)的訓(xùn)練集，包括缺陷圖像和正常圖像。確保訓(xùn)練集中的缺陷圖像被正確標(biāo)注（標(biāo)

明缺陷位置和類型）；

b)將預(yù)處理后的訓(xùn)練集輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練，輸入圖像可以是單通道灰度圖像或多

通道彩色圖像；

c)標(biāo)簽定義：將缺陷圖像標(biāo)注為正樣本，正常圖像標(biāo)注為負(fù)樣本；

d)損失函數(shù)：選擇適當(dāng)?shù)膿p失函數(shù)（如交叉熵?fù)p失函數(shù)）來(lái)衡量預(yù)測(cè)與真實(shí)標(biāo)簽之間的差異；

e)優(yōu)化算法：選擇適當(dāng)?shù)膬?yōu)化算法（如隨機(jī)梯度下降法）來(lái)最小化損失函數(shù)，更新模型的權(quán)重

參數(shù)；

f)使用驗(yàn)證集對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估，計(jì)算準(zhǔn)確率、召回率、F1值等指標(biāo)，評(píng)估模型的性能

和泛化能力；

g)將預(yù)處理后的測(cè)試集輸入到訓(xùn)練好的模型中進(jìn)行檢測(cè)；

h)根據(jù)模型的輸出進(jìn)行缺陷判別，可以設(shè)定一個(gè)閾值來(lái)確定是否為缺陷樣本；

i)對(duì)于被判定為缺陷的圖像，在圖像上標(biāo)記缺陷位置，并將其保存為缺陷樣本，以便后續(xù)分析

和進(jìn)一步處理；

j)對(duì)生成的缺陷樣本進(jìn)行分析，可以統(tǒng)計(jì)缺陷的類型、數(shù)量和位置分布等信息，幫助優(yōu)化模型

或進(jìn)行后續(xù)處理。

6.2.3建立特征提取模型

用于對(duì)待檢測(cè)的紡織提花圖像數(shù)據(jù)進(jìn)行對(duì)抗訓(xùn)練，生成與缺陷樣本相似的數(shù)據(jù)擴(kuò)充缺陷樣本，并根

據(jù)缺陷樣本建立特征提取模型。具體包括以下步驟：

a)生成一組包含圖嵌入模塊、兩個(gè)生成器、分類器及判別器的樣本對(duì)抗訓(xùn)練的學(xué)習(xí)框架；

b)將紡織提花圖像映射至特征空間中，并通過(guò)一組生成器生成圖像中與缺陷樣本相似的合成樣

本；

c)通過(guò)另一組生成器生成圖像中與缺陷樣本存在差異的未合成樣本，并通過(guò)分類器對(duì)樣本標(biāo)簽

進(jìn)行分類；

d)根據(jù)判別器辨別生成的合成樣本與缺陷樣本之間的差異，設(shè)定一組生成器與判別器進(jìn)行對(duì)抗

訓(xùn)練，使生成的合成樣本與缺陷樣本更貼近，并通過(guò)分類器對(duì)合成樣本與缺陷樣本進(jìn)行訓(xùn)練；

e)在經(jīng)過(guò)多次迭代訓(xùn)練后將生成的合成樣本加入至缺陷樣本中；

f)根據(jù)擴(kuò)充后的缺陷樣本構(gòu)建特征提取模型，輸出提取結(jié)果，對(duì)結(jié)果進(jìn)行重復(fù)率檢測(cè)，并對(duì)重

復(fù)率進(jìn)行排序，選取重復(fù)率排序位于前列的結(jié)果生成缺陷特征。

2

T/EJCCCSEXXXX—XXXX

6.2.4映射分析

用于將缺陷特征提取結(jié)果映射至模板紡織提花圖像數(shù)據(jù)中分析其幾何形狀。具體包括以下步驟：

a)確定紡織提花圖像數(shù)據(jù)的坐標(biāo)系，并將缺陷特征提取結(jié)果分別與圖像坐標(biāo)系對(duì)齊；

b)通過(guò)圖像處理技術(shù)將缺陷特征提取結(jié)果在圖像數(shù)據(jù)上進(jìn)行繪制標(biāo)記；

c)采用迭代閾值法對(duì)圖像數(shù)據(jù)進(jìn)行二值化分割，并采用邊界跟蹤方法進(jìn)行邊緣提取得到目標(biāo)完

整輪廓的邊緣點(diǎn)集；

d)對(duì)邊緣點(diǎn)集構(gòu)成的曲線進(jìn)行多邊形擬合，并對(duì)擬合后的多邊形進(jìn)行歸一化處理提取幾何特征；

e)計(jì)算相應(yīng)的幾何特征參數(shù)，并將幾何特征參數(shù)與幾何形狀進(jìn)行比對(duì)確定其形狀。

6.2.5設(shè)計(jì)缺陷分類模型

用于將幾何形狀作為訓(xùn)練數(shù)據(jù)設(shè)計(jì)基于神經(jīng)網(wǎng)絡(luò)的提花缺陷分類模型。具體包括以下步驟：

a)將上述步驟得到的不同幾何形狀特征作為模型訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)；

b)通過(guò)依次實(shí)施初始化、隱含層及輸出層計(jì)算、權(quán)值計(jì)算步驟完成神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練；

c)采用粒子群算法確定神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值與閾值，并計(jì)算粒子適應(yīng)度值，更新粒子速度和位

置；

d)符合終止條件時(shí)輸出神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值優(yōu)化結(jié)果，并構(gòu)建基于群智優(yōu)化神經(jīng)網(wǎng)絡(luò)的提花