摘要：本文采用深度学习技术，建立神经网络和数字图像处理方法相结合的生丝质量评分系统，统一完成生丝黑板法对匀度、清洁度、洁净度的测量和评分过程。作为一种新的生丝黑板AI辅助判定系统，做到了黑板原始图像可溯源、检验数据可复现，生丝疵点识别更准确，可以实现检验过程智能化、信息化和可视化等。解决了目前生丝黑板完全靠人眼看、靠经验评等问题，最大限度减少生丝黑板检验中人为因素影响，提高检验效率，保证结果公正。
引 言
我国作为世界上最大的茧丝生产国和出口国，生丝产量占世界的70 %，生丝出口量占国际市场同类贸易量的80 %左右，在国民经济中具有重要地位。但作为茧丝类生产大国，我国在生丝检测自动化、智能化上研究不够，目前国内生丝检测方法还是上世纪的水平，检测过程复杂，检测仍以人的主观评价为主。
传统的黑板检测法仍然存在如下的缺点：
（1）检测结果受检验人员的主观因素影响；
（2）人眼难以区分与标准样片相近的丝条、难以观察生丝表面更加微小的疵点；
（3）检测结果可重复性差；
（4）检测效率较低且培养一个熟练掌握生丝黑板打分方法的专家成本较高。
近年来图像识别技术日新月异，人工智能在各领域应用也广泛深入，卷积神经网络已经在手写体字符识别、人脸检测、行人检测、语音识别、人体动作识别、机器人导航等各个方面的应用上获得了显著的成果。从2012年至今，各研究机构利用数字图像处理、机器视觉方法对传统的生丝黑板检测法进行了大量的改进，然而，深度学习方法依然没有被应用于其中，且现有的方法存在较多的问题：
（1）生丝疵点分类粒度和精度有待提高；
（2）单独测量生丝的匀度、清洁度和洁净度；
（3）没有对生丝的质量进行打分，无法获得最终的生丝质量打分结果。
因此本文建立一套采用深度学习技术，神经网络和数字图像处理方法相结合的生丝质量评分系统。
1、 生丝黑板检测智能化技术的意义
生丝黑板检测智能化技术的研究及其应用将会对生丝检测领域产生深远的影响：
（1）提升检验结果的可重复性。该技术将生丝缺陷的识别、分类、评分标准数字化，提高检测过程中各个指标的量化程度，从而提高检验结果的可重复性。
（2）提高检验精度。基于深度学习的图像识别技术，能精确区分人眼难以识别的微小瑕疵点，减少漏检、误检现象。
（3）提高检验效率。人工智能识别技术能在数秒的时间内完成所采集图像上的缺陷识别、分类、评分。
（4）系统稳定，判断结果可靠。该技术是通过一个或者多个摄像机在标准规定条件下进行图像采集，干扰因素少，分析对象更加直观。
（5）缓解用工压力。在保证检验正确率、提高检验效率的前提下，减少检验工作对人工的依赖。
（6）推动生丝检验行业检验技术的革新。推动人工检验方法向智能化检验方法转型。
（7）普及生丝检验技术在全产业链的应用。智能检验技术的研发和应用， 会大大降低企业检验成本，促进企业通过自检的手段提升产品品质和企业竞争力。
（8）奠定大数据应用基础。通过对大量检验数据的整理、分析，可以为提高生丝品质提供有力的技术和数据支持。
2、 生丝黑板智能化检测系统
总体来说该系统分为6个模块，分别为控制模块、成像模块、图像预处理、缺陷检测、缺陷分类和质量评分模块。
控制模块：对环境光源的光强和两台工业面阵相机的帧率、图像大小、曝光时间参数进行自动化配置，使得两台工业面阵相机能在一定的光强下同步成像；定时发出脉冲控制信号，控制相机匀速运动采集黑板上的生丝表面图像。
成像模块：根据计算机模块的脉冲信号，定时拍摄蚕丝表面实时图像。
图像预处理模块：针对输入的生丝表面图像，首先采用均值滤波去除生丝黑板上的椒盐噪声（脉冲噪声），对实时的图像进行直方图均衡化。其次，将RGB图像转换到YCrCb空间后，对Y通道进行均衡化（其中Y代表亮度）。最后，对图像进行2倍降采样处理，最终得到预处理后的生丝图像。
缺陷检测模块：检测生丝表面是否存在缺陷时，将预处理后的图像进行灰度化处理，并用阈值分割算法再次去除黑板噪声；采用傅里叶变换及霍夫直线检测的方式初筛生丝疵点特征，并通过形态学运算的方式将筛选后的特征连接起来；再根据疵点的轮廓、面积、长度等阈值范围筛选出最终特征。
缺陷分类模块：利用像素阈值分割算法，选中缺陷区域，并通过缺陷区域的面积、空洞数、长度、缺陷区域的连通数等阈值范围将生丝疵点分类。
质量评分模块：若存在缺陷，记录缺陷，按照蚕丝缺陷扣分标准进行质量评分，并输出与生丝评分对应的蚕丝质量等级。
3、 主要技术内容
3.1 生丝表面微小缺陷成像系统的研发
采用软硬件相结合的模式解决生丝表面多种缺陷成像问题，硬件上采用多个相机、多个工位的设计模式，以满足不同缺陷的成像要求；软件上利用基于 SURF 的特征点图像拼接算法、自适应衰减滤波去伪影算法，突出显示图像中的缺陷。利用 ZEMAX 进行光学设计仿真和优化，确定系统各光学元件参数，搭建光学平台。
3.2 高效率、高精度、弱对比生丝表面缺陷检测模型的构建
针对在图像采集过程中产生的高斯噪声，采用小波分析方法，将图像进行归一化处理后，统一降噪处理。针对缺陷识别的问题，采用深度残差神经网络结构，构建基于多尺度特征重建和上下文特征融合的多任务网络模型，采用锚框自适应等小目标检测技术，提升细小目标缺陷的检测精度；利用图像增强技术，提高弱对比缺陷的区分度；采用网络剪枝技术，构建轻量级神经网络，提升缺陷检测和识别效率。均匀度检测理论思路：
1）生丝表面成像图为灰度图像，由于局部的分布不均或者其他问题，会导致局部区域的灰度分布变化较大，通过计算图像的灰度直方图，计算像素值在一定区域内的均值、方差，以此判定生丝均匀程度。
2）利用深度学习方法，将评级当作分类类别，将图像按照区块划分，对当前区块，采用卷积神经网络方法，进行图像分类打分。
3.3 基于深度学习的生丝缺陷图像数据扩充方法的开发
针对样本采集初期生丝表面缺陷数据较少的问题，采用生成对抗网络，解决因样本量过少而导致的缺陷识别模型效果差的问题。初期将少量的样本在生成对抗网络上进行训练，得到大量类似的缺陷样本数据。同时，利用迁移学习方法，将神经网络预先在与生丝表面较为相似的产品上进行训练，再将得到的神经网络在生丝数据上训练，得到的效果会比单独在生丝上的训练效果好。基于先进的基准检测算法，实现异常图像及区域的自动化检测，实现海量生丝图像的自动化标注入库管理。
3.4 基于双目视觉的生丝黑板检测智能评分系统的开发
针对生丝缺陷在图像上的定位问题，采用深度神经网络进行图像缺陷检测，标示出生丝缺陷存在的位置。采用多台相机模拟多个角度的人眼观看立体物体方式，多次矫正测量数据，提高生丝缺陷数据测量准确性和评分准确性。针对生丝产品，建立产品外观缺陷识别、分类及评分标准。由于单目视觉测量物体尺寸，存在角度造成的视差，不满足于生丝尺寸检测这类精度要求较高的场合，因此，采用双目视觉标定，测量待测两点的三维立体坐标，利用三维立体坐标，进行尺寸测算，提高测量精度。
4、 结 论
本项目的研发可以解决黑板检测过度依赖于人的问题，可以及时矫正人为误差，最大限度降低人的经验对结果的影响，可以将暗室检变为屏幕检，营造更好的适宜于人的检验环境，减轻人的劳动强度，提高检验效率。可以实现检验过程信息化、可视化，可以对数据信息进行挖掘分析，对质量变化进行研判，提高检验数据的利用率。
