CN107123114A - 一种基于机器学习的布匹缺陷检测方法及装置 - Google Patents

一种基于机器学习的布匹缺陷检测方法及装置 Download PDF

Info

Publication number
CN107123114A
CN107123114A CN201710267670.3A CN201710267670A CN107123114A CN 107123114 A CN107123114 A CN 107123114A CN 201710267670 A CN201710267670 A CN 201710267670A CN 107123114 A CN107123114 A CN 107123114A
Authority
CN
China
Prior art keywords
cloth
image
machine learning
layer
defect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710267670.3A
Other languages
English (en)
Inventor
张美杰
黄坤山
李力
王华龙
杨世杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN201710267670.3A priority Critical patent/CN107123114A/zh
Publication of CN107123114A publication Critical patent/CN107123114A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • G06N3/084Back-propagation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/001Image restoration
    • G06T5/002Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30124Fabrics; Textile; Paper

Abstract

本发明公开了一种基于机器学习的布匹缺陷检测方法,具体包括以下步骤:图像分割;图像增强;图像去噪;子图像特征提取;疵点区域分割;离线布匹学习阶段,使用BP神经网络对标准图像特征参数进行训练得出标准值;在线布匹检测阶段,使用BP神经网络对子图像特征参数进行检测;布匹疵点分类阶段,采用基于卷积神经网络的深度学习算法对布匹缺陷进行分类;该基于机器学习的布匹缺陷检测方法具有自我学习功能,可以满足不断发展的工业需求。本发明还提供了一种基于机器学习的布匹缺陷检测装置,该装置包括图像采集单元,图像处理单元,数据通信单元,动作执行单元。本检测装置可以实现高效精准的检测,而且将工人从繁重无味的体力劳动中解脱出来了。

Description

一种基于机器学习的布匹缺陷检测方法及装置
技术领域
[0001] 本发明涉及布匹检测领域,具体涉及一种基于机器学习的布匹缺陷检测方法及装 置。
背景技术
[0002] 纺织工业是我国国民经济的支柱产业,纺织工业与钢铁、汽车、船舶、石化、轻工、 有色金属、装备制造业、电子信息及物流业等产业一起,是我国主要的产业构成。纺织品生 产过程中,布匹表面缺陷是影响布匹质量的关键因素。布面瑕疵直接影响到布匹的定级,二 等品的价格只有一等品的45%-65%,织物疵点严重影响纺织行业经济收入。因此,布匹瑕 疵检测在纺织品质量控制方面显得尤为重要。
[0003]长期以来,布匹检测一般由人工完成。人工检测速度一般在15-20米每分钟。人工 检测依赖验布人员的经验和熟练程度,评价标准不稳定不一致,因而经常会产生误检和漏 检,熟练的验布人员也只能发现约70%的疵点。另外,布匹缺陷检测对工人来说是一个繁重 无味的体力劳动,且极大的伤害了验布工人的视力。使用自动布匹检测系统是纺织厂提高 生产效率,节省人力成本,产业转型升级的必经之路。
[0004]申请号为:201410467132.5的中国专利公开了 “基于机器视觉的布匹疵点自动检 测识别装置及方法”,该装置及方法虽然克服传统人工目检测速度慢、精度低、漏检率高、误 检率高的缺陷,但是其不具有自我学性能,随着工业的发展,它将难以满足更高的工业需 求。
发明内容
[0005]本发明的目的旨在提供一种基于机器学习的布匹缺陷检测方法及装置,能够将工 人从繁重无味的体力劳动中解脱出来,并且该基于机器学习的布匹缺陷检测方法及装置具 有自我学习功能,可以满足不断发展的工业需求。
[0006]为实现上述技术方案,本发明提供了一种基于机器学习的布匹缺陷检测方法,包 括以下步骤:
[0007]步骤1:图像分割,为了方便后续处理,将采集图像同一分割为25柄256的子图像; [000S]步骤2:图像预处理;
[0009]步骤3:子图像特征提取,采用基于Gabor小波变换和投影法结合的图像处理方法 提取子图像的特征参数;
[0010]步骤4:布匹疵点检测;
[0011]步骤5:布匹疵点分类。
[0012]优选的,所述步骤2具体如下:
[0013]步骤21 :图像增强,提取有效区域;
[0014]步骤22:图像去噪,采用高斯滤波器去除噪声;
[0015]步骤23:疵点区域分割,将布匹疵点区域从整幅图像中分割出来。
[0016] 优选的,所述步骤4具体如下:
[0017] 步骤41:离线布匹学习阶段,将工业相机拍摄的无疵点的布匹图像作为标准图像 存入工控机,采用基于小波变换和投影法结合的图像处理方法提取标准图像的特征参数, 包括布匹图像的均值和方差,将特征参数作为BP神经网络的输入信号,使用BP神经网络对 特征参数进行训练,然后进行输出,输出信号作为在线布匹检测的标准值;
[0018] 步骤42:在线布匹检测阶段,将步骤3中提取的子图像特征参数作为输入信号,使 用BP神经网络对子图像特征参数进行检测,通过与标准值对比将被检测布匹分为有缺陷、 伪缺陷和无缺陷三类
[0019] 优选的,所述步骤5具体如下:
[0020]步骤51:布匹疵点分类阶段,对步骤4中检测到的疵点图像,采用基于卷积神经网 络的深度学习算法对布匹缺陷进行分类,具体包括三步骤:
[0021]步骤511:利用多层卷积神经网络自动选取抽象高层特征向量,所述多层卷积神经 网络包括输入层、卷积层、采样层和输出层,所述多层卷积神经网络具体如下:
[0022]输入层,输入层没有输入值,只有一个输出向量,这个向量的大小就是图片的大 小,即一个28*28矩阵;
[0023]卷积层,卷积层的输入来源于输入层或者采样层,如图4红色部分,卷积层的每一 个map都有一个大小相同的卷积核,本发明采用5*5的卷积核,以卷积核大小2*2为例,上一 层的特征map大小为4*4,用这个卷积在图片上滚一遍,得到一个一个(4-2+1) *(4-2+1) =3* 3的特征map,卷积核每次移动一步,因此,卷积层的一个map与上层的所有map都关联,如图3 的S2和C3,S卩C3共有6*12个卷积核,卷积层的每一个特征map是不同的卷积核在前一层所有 map上作卷积并将对应元素累加后加一个偏置,再由sigmoid激活函数得到输出;
[0024]采样层,采样层是对上一层map的一个采样处理,采样方式是对上一层map的相邻 小区域进行聚合统计,区域大小为SCale*SCale,有些实现是取小区域的最大值,本发明采 用2*2小区域的均值;
[0025]输出层,输出层与最后的采样层S4全连接,提取布匹整体的特征信息,得到最终布 匹图像的高层特征向量,用于后续的分类器的输入;
[0026] 步骤512:利用Softmax分类器对提取到的抽象高层特征向量进行分类,完成布匹 缺陷分类;
[0027] 步骤513:基于多GPU的快速训练模型,即采用具有多个GHJ的工作站,每个GHJ的速 度基本接近,并且都含有足够的内存来运行整个基于多层的卷积神经网络深度学习布匹分 类算法。
[0028]本发明还提供了一种基于机器学习的布匹缺陷检测方法的检测装置,包括:
[0029]图像采集单元,用于布匹图像的实时采集,所述图像采集单元包括红外光源和工 业相机,图像处理单元,用于对采集到的布匹缺陷进行检测分类,并将检测结果生成报告, 所述图像处理单元包括工控机,数据通信单元,所述数据通信单元包括上位机和下位机,并 且能实现上位机和下位机的数据通信,动作执行单元,所述动作执行单元包括编码器和打 标机,所述图像采集单元设置在被检测布匹上方。
[0030]优选的,所述图像采集单元中的红外光源是LED条形红外光源,所述图像采集单元 中的工业相机是CCD线阵工业相机,LED条形红外光源发出的光经过被检测的布匹反射后能 被CCD线阵工业相机接收。
[0031] 优选的,所述工控机上搭载有图像处理软件,所述图像处理软件包括软件界面显 示模块、图像处理算法模块和数据库模块。
[0032] 优选的,所述上位机和下位机之间采用以太网接口GigE通信,采用以太网Modbus TCP/IP协议,Telnet通信先进行握手,然后进行数据的读写操作,握手信号成功后,工控机 充当客户端,通过TcpCl ient类中的connect方法进行网络通信,利用NetWorkStream类来进 行网络数据传输,实现上位机和下位机的数据通信。
[0033]本发明提供的一种基于机器学习的布匹缺陷检测方法及装置的有益效果在于: [0034] 1)本基于机器学习的布匹缺陷检测方法采用BP神经网络和卷积神经网络的深度 学习算法对布匹进行疵点检测和疵点分类,这两种神经网络具有深度学习的功能,使得本 发明更具智能化,能满足不断发展的工业需求。
[0035] 2)本基于机器学习的布匹缺陷检测装置利用图像采集单元、工控机、上位机和下 位机等机械电子设备对布匹缺陷进行快速精准地检测,且自动化程度高,解放了工人的生 产力。
附图说明
[0036]图1为本发明的方法步骤流程图;
[0037]图2为本发明图像预处理流程图;
[0038]图3为本发明布匹疵点检测流程图;
[0039]图4为本发明的卷积神经网络模型图;
[0040]图5为本发明装置的结构简图;
[0041]图6为本发明的布匹缺陷的检测结果图。
[0042]图中:1、图像采集单元;101、红外光源;102、工业相机;2、图像处理单元;201、工控 机;3、数据通信单元;3〇 1、上位机;302、下位机;4、动作执行单元;401、编码器;402、打标机。
具体实施方式
[0043]下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完 整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本领 域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明的保护 范围。
[0044]实施例1: 一种基于机器学习的布匹缺陷检测方法。
[0045]参照图1至图5任一所示,一种基于机器学习的布匹缺陷检测方法,具体包括如下 步骤:
[0046]步骤1:图像分割,为了方便后续处理,将采集图像同一分割为256*256的子图像; [0047]步骤2:图像预处理;所述步骤2具体如下:
[0048]步骤21:图像增强,提取有效区域;
[0049]步骤22:图像去噪,采用高斯滤波器去除噪声;
[0050]步骤23:疵点区域分割,将布匹疵点区域从整幅图像中分割出来。
[0051]步骤3:子图像特征提取,采用基于Gabor小波变换和投影法结合的图像处理方法 提取子图像的特征参数;
[0052] 步骤4:布匹疵点检测;所述步骤4具体如下:
[0053] 步骤41:离线布匹学习阶段,将工业相机102拍摄的无疵点的布匹图像作为标准图 像存入工控机201,采用基于小波变换和投影法结合的图像处理方法提取标准图像的特征 参数,包括布匹图像的均值和方差,将特征参数作为BP神经网络的输入信号,使用BP神经网 络对特征参数进行训练,然后进行输出,输出信号作为在线布匹检测的标准值。
[0054]步骤42:在线布匹检测阶段,将步骤3中提取的子图像特征参数作为输入信号,使 用BP神经网络对子图像特征参数进行检测,通过与标准值对比将被检测布匹分为有缺陷、 伪缺陷和无缺陷三类。
[0055] 步骤5:布匹疵点分类;所述步骤5具体如下:
[0056] 步骤51:布匹疵点分类阶段,对步骤4中检测到的疵点图像,采用基于卷积神经网 络的深度学习算法对布匹缺陷进行分类,具体包括三步骤:
[0057] 步骤511:利用多层卷积神经网络自动选取抽象高层特征向量,所述多层卷积神经 网络包括输入层、卷积层、采样层和输出层,所述多层卷积神经网络具体如下:
[0058]输入层,输入层没有输入值,只有一个输出向量,这个向量的大小就是图片的大 小,即一个28*28矩阵;
[0059]卷积层,卷积层的输入来源于输入层或者采样层,如图4红色部分,卷积层的每一 个map都有一个大小相同的卷积核,本发明采用5*5的卷积核,以卷积核大小2*2为例,上一 层的特征map大小为4*4,用这个卷积在图片上滚一遍,得到一个一个(4-2+1) * (4-2+1) =3* 3的特征map,卷积核每次移动一步,因此,卷积层的一个map与上层的所有map都关联,如图3 的S2和C3,即C3共有6*12个卷积核,卷积层的每一个特征map是不同的卷积核在前一层所有 map上作卷积并将对应元素累加后加一个偏置,再由sigmoid激活函数得到输出;
[0060]采样层,采样层是对上一层map的一个采样处理,采样方式是对上一层map的相邻 小区域进行聚合统计,区域大小为scalekcale,有些实现是取小区域的最大值,本发明采 用2*2小区域的均值;
[0061]输出层,输出层与最后的采样层S4全连接,提取布匹整体的特征信息,得到最终布 匹图像的高层特征向量,用于后续的分类器的输入;
[0062]步骤512:利用Softmax分类器对提取到的抽象高层特征向量进行分类,完成布匹 缺陷分类;
[0063] 步骤513:基于多GRJ的快速训练模型,即采用具有多个GPU的工作站,每个GPU的速 度基本接近,并且都含有足够的内存来运行整个基于多层的卷积神经网络深度学习布匹分 类算法,用以下方式设计训练系统,在每个GPU上放置单独的模型副本,等所有GPU处理完一 批数据后再同步更新模型的参数。
[0064] 实施例2:—种基于机器学习的布匹缺陷检测装置。
[0065] 参照图5所示,一种基于实施例1中基于机器学习的布匹缺陷检测方法的检测装置 包括:
[0066]图像采集单元1,所述图像采集单元1包括红外光源101和工业相机102,图像处理 单元2,所述图像处理单元2包括工控机201,数据通信单元3,所述数据通信单元3包括上位 机3〇1和下位机302,动作执行单元4,所述动作执行单元4包括编码器401和打标机402,编码 器401检测运动布匹的速度信号,这个信号反馈给传送带电机,从而使得布匹速度与相机拍 摄速度一致;上位机301将检测到的布匹缺陷的位置和类型发送给下位机3〇2,下位机302控 制打标机402对布匹进行标记,所述图像采集单元1设置在被检测布匹上方。
[0067] 参照图3所示,所述图像采集单元1中的红外光源1〇1是LED条形红外光源,所述图 像采集单元1中的工业相机102是CCD线阵工业相机,LED条形红外光源发出的光经过被检测 的布匹反射后能被CCD线阵工业相机接收,采用CCD线阵工业相机的原因是线阵CCD成本远 低于同面积、同等分辨率的面阵CCD,线阵CCD相机获取的图像在扫描方向上的精度高于面 阵CCD图像。
[0068] 参照图3所示,所述工控机201上搭载有图像处理软件,所述图像处理软件包括软 件界面显示模块、图像处理算法模块和数据库模块,软件界面显示模块是基于微软基础类 库类(QT)在VS2015开发,包括用户模块、显示模块和图像信息管理模块,用户模块主要用于 被检测布匹参数的初始化、用户管理和用户交互以及系统调试和通讯调试,显示模块主要 是图像的分割、拼接、处理,图像信息管理模块用于记录布匹缺陷的位置和类型,以及布匹 的评级结果,并把评定结果生成检测报告,以表格的格式保存下来;数据库模块采用ODBC开 发方式,采用SQL Server 2000作为此系统数据库,数据库中使用三张数据库表来存储该检 测系统的相关信息:T_person记录操作人员信息、T_damage记录布匹缺陷信息、T_statue记 录检测系统运行状态,T_damage记录布匹缺陷信息的具体表现为:检测布匹编号、位置、记 录布匹缺陷处的图片、图片路径,并将这些信息保存下来。
[0069] 参照图3所示,所述上位机301和下位机302之间采用以太网接口 GigE通信,采用以 太网Modbus TCP/IP协议,Telnet通信先进行握手,然后进行数据的读写操作,握手信号成 功后,工控机201充当客户端,通过TcpClient类中的connect方法进行网络通信,利用 NetWorkStream类来进行网络数据传输,实现上位机301和下位机302的数据通信。
[0070]以上所述为本发明的较佳实施例而已,但本发明不应局限于该实施例和附图所公 开的内容,所以凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护 的范围。

Claims (8)

1. 一种基于机器学习的布匹缺陷检测方法,其特征在于,包括以下步骤: 步骤1:图像分割,为了方便后续处理,将采集图像分割为256*256的子图像; 步骤2:图像预处理; 步骤3:子图像特征提取,采用基于Gabor小波变换和投影法结合的图像处理方法提取 子图像的特征参数; 步骤4:布匹疵点检测; 步骤5:布匹疵点分类。
2. 如权利要求1所述的基于机器学习的布匹检测方法,其特征在于,所述步骤2具体如 下: 步骤21:图像增强,提取有效区域; 步骤22:图像去噪,采用高斯滤波器去除噪声; 步骤23:疵点区域分割,将布匹疵点区域从整幅图像中分割出来。
3. 如权利要求1所述的基于机器学习的布匹检测方法,其特征在于,所述步骤4具体如 下: 步骤41:离线布匹学习阶段,将工业相机拍摄的无疵点的布匹图像作为标准图像存入 工控机,采用基于小波变换和投影法结合的图像处理方法提取标准图像的特征参数,包括 布匹图像的均值和方差,将特征参数作为BP神经网络的输入信号,使用BP神经网络对特征 参数进行训练,然后进行输出,输出信号作为在线布匹检测的标准值; 步骤42:在线布匹检测阶段,将步骤3中提取的子图像特征参数作为输入信号,使用BP 神经网络对子图像特征参数进行检测,通过与标准值对比将被检测布匹分为有缺陷、伪缺 陷和无缺陷三类。
4. 如权利要求1所述的基于机器学习的布匹检测方法,其特征在于,所述步骤5具体如 下: 步骤51:布匹疵点分类阶段,对步骤4中检测到的疵点图像,采用基于卷积神经网络的 深度学习算法对布匹缺陷进行分类,具体包括三个过程: 步骤511:利用多层卷积神经网络自动选取抽象高层特征向量,所述多层卷积神经网络 包括输入层、卷积层、采样层和输出层,所述多层卷积神经网络具体如下: 输入层,输入层没有输入值,只有一个输出向量,这个向量的大小就是图片的大小,即 一个28*28矩阵; 卷积层,卷积层的输入来源于输入层或者采样层,如图4红色部分,卷积层的每一个map 都有一个大小相同的卷积核,本发明采用5*5的卷积核,以卷积核大小2*2为例,上一层的特 征map大小为4*4,用这个卷积在图片上滚一遍,得到一个一个(4-2+1) * (4-2+1) =3*3的特 征map,卷积核每次移动一步,因此,卷积层的一个map与上层的所有map都关联,如图3的S 2 和C3,g卩C3共有6*12个卷积核,卷积层的每一个特征map是不同的卷积核在前一层所有map 上作卷积并将对应元素累加后加一个偏置,再由sigmoid激活函数得到输出; 采样层,采样层是对上一层map的一个采样处理,采样方式是对上一层map的相邻小区 域进行聚合统计,区域大小为scale*SCale,有些实现是取小区域的最大值,本发明采用2*2 小区域的均值; 输出层,输出层与最后的采样层S4全连接,提取布匹整体的特征信息,得到最终布匹图 像的高层特征向量,用于后续的分类器的输入; 步骤512:利用Softmax分类器对提取到的抽象高层特征向量进行分类,完成布匹缺陷 分类; 步骤513:基于多GPU的快速训练模型,即采用具有多个GPU的工作站,每个Gpu的速度基 本接近,并且都含有足够的内存来运行整个基于多层的卷积神经网络深度学习布匹分类算 法。
5. 如权利要求1所述的基于机器学习的布匹检测方法的检测装置,其特征在于包括:图 像采集单元,所述图像采集单元包括红外光源和工业相机,图像处理单元,所述图像处理单 元包括工控机,数据通信单元,所述数据通信单元包括上位机和下位机,动作执行单元,所 述动作执行单元包括编码器和打标机,所述图像采集单元设置在被检测布匹上方。
6. 如权利要求5所述的一种基于机器学习的布匹缺陷检测装置,其特征在于:所述图像 采集单元中的红外光源是LED条形红外光源,所述图像采集单元中的工业相机是CCD线阵工 业相机,Lm)条形红外光源发出的光经过被检测的布匹反射后能被CCD线阵工业相机接收。
7. 如权利要求5所述的一种基于机器学习的布匹缺陷检测装置,其特征在于:所述工控 机上搭载有图像处理软件,所述图像处理软件包括软件界面显示模块、图像处理算法模块 和数据库模块。
8. 如权利要求1所述的一种基于机器学习的布匹缺陷检测装置,其特征在于:所述上位 机和下位机之间采用以太网接口GigE通信,采用以太网Modbus TCP/IP协议,Telnet通信先 进行握手,然后进行数据的读写操作,握手信号成功后,工控机充当客户端,通过TcpClien1: 类中的connect方法进行网络通信,利用NetWorkStream类来进行网络数据传输,实现上位 机和下位机的数据通信。
CN201710267670.3A 2017-04-21 2017-04-21 一种基于机器学习的布匹缺陷检测方法及装置 Pending CN107123114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710267670.3A CN107123114A (zh) 2017-04-21 2017-04-21 一种基于机器学习的布匹缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710267670.3A CN107123114A (zh) 2017-04-21 2017-04-21 一种基于机器学习的布匹缺陷检测方法及装置

Publications (1)

Publication Number Publication Date
CN107123114A true CN107123114A (zh) 2017-09-01

Family

ID=59726271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710267670.3A Pending CN107123114A (zh) 2017-04-21 2017-04-21 一种基于机器学习的布匹缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN107123114A (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107731011A (zh) * 2017-10-27 2018-02-23 中国科学院深圳先进技术研究院 一种港口泊船监测方法、系统及电子设备
CN107784660A (zh) * 2017-11-02 2018-03-09 武汉新芯集成电路制造有限公司 图像处理方法、图像处理系统及缺陷检测装置
CN107966447A (zh) * 2017-11-14 2018-04-27 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法
CN108074240A (zh) * 2017-12-29 2018-05-25 深圳市华星光电技术有限公司 识别方法、识别装置、计算机可读存储介质及程序产品
CN108154508A (zh) * 2018-01-09 2018-06-12 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
CN108445011A (zh) * 2018-03-12 2018-08-24 苏州天准科技股份有限公司 一种基于深度学习的瑕疵检测系统及方法
CN108624880A (zh) * 2018-08-10 2018-10-09 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN108985349A (zh) * 2018-06-26 2018-12-11 福州大学 一种考虑图像集复杂性的石材纹理图像cnn识别方法
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术(北京)有限公司 一种基于深度学习的太赫兹危险品检测方法
CN109146875A (zh) * 2018-09-05 2019-01-04 深圳灵图慧视科技有限公司 用于织物表面缺陷检测的方法、装置和设备
CN109215022A (zh) * 2018-09-05 2019-01-15 深圳灵图慧视科技有限公司 验布方法、装置、终端设备、服务器、存储介质和系统
CN109242846A (zh) * 2018-09-05 2019-01-18 深圳灵图慧视科技有限公司 用于织物表面缺陷检测的方法、装置和设备
CN109272494A (zh) * 2018-08-31 2019-01-25 龙山县惹巴妹手工织品有限公司 一种玩具表皮织品检测方法
CN109300117A (zh) * 2018-09-05 2019-02-01 深圳灵图慧视科技有限公司 神经网络系统、电子设备和机器可读介质
CN109325940A (zh) * 2018-09-05 2019-02-12 深圳灵图慧视科技有限公司 织物检测方法及装置、计算机设备和计算机可读介质
CN109509170A (zh) * 2018-09-11 2019-03-22 韶关学院 一种压铸件缺陷检测方法及装置
CN109685978A (zh) * 2017-10-18 2019-04-26 杭州海康威视数字技术股份有限公司 一种自动上货系统及自动售货机
CN109740965A (zh) * 2019-01-22 2019-05-10 北京市天元网络技术股份有限公司 一种工程验证分析方法及装置
CN109829906A (zh) * 2019-01-31 2019-05-31 桂林电子科技大学 一种基于方向场与纹理特征的工件缺陷检测与分类方法
CN109978844A (zh) * 2019-03-15 2019-07-05 维库(厦门)信息技术有限公司 一种基于深度学习模块化的智能分析方法以及系统
CN110057832A (zh) * 2019-04-24 2019-07-26 拓卡奔马机电科技有限公司 一种铺布机上的布料瑕疵检测控制系统
CN110736547A (zh) * 2019-10-17 2020-01-31 华能海南发电股份有限公司 基于红外成像技术的光伏板故障智能诊断系统
US10769774B2 (en) 2018-01-09 2020-09-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor
CN111650208A (zh) * 2020-06-01 2020-09-11 东华大学 一种巡游式机织面料疵点在线检测器
CN112133941A (zh) * 2020-10-10 2020-12-25 西南交通大学 一种机车质子交换膜燃料电池系统的快速故障诊断方法
WO2021008275A1 (zh) * 2019-07-15 2021-01-21 华为技术有限公司 基于小波变换的图像编解码方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268505A (zh) * 2014-09-12 2015-01-07 河海大学常州校区 基于机器视觉的布匹疵点自动检测识别装置及方法
CN104809725A (zh) * 2015-04-23 2015-07-29 广东工业大学 一种布匹缺陷视觉识别检测装置和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268505A (zh) * 2014-09-12 2015-01-07 河海大学常州校区 基于机器视觉的布匹疵点自动检测识别装置及方法
CN104809725A (zh) * 2015-04-23 2015-07-29 广东工业大学 一种布匹缺陷视觉识别检测装置和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史忠植: "《中国计算机学会学术著作丛书,心智计算》", 31 August 2015, 清华大学出版社 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685978A (zh) * 2017-10-18 2019-04-26 杭州海康威视数字技术股份有限公司 一种自动上货系统及自动售货机
CN107731011A (zh) * 2017-10-27 2018-02-23 中国科学院深圳先进技术研究院 一种港口泊船监测方法、系统及电子设备
CN107784660A (zh) * 2017-11-02 2018-03-09 武汉新芯集成电路制造有限公司 图像处理方法、图像处理系统及缺陷检测装置
CN107784660B (zh) * 2017-11-02 2020-12-04 武汉新芯集成电路制造有限公司 图像处理方法、图像处理系统及缺陷检测装置
CN107966447A (zh) * 2017-11-14 2018-04-27 浙江大学 一种基于卷积神经网络的工件表面缺陷检测方法
CN108074240A (zh) * 2017-12-29 2018-05-25 深圳市华星光电技术有限公司 识别方法、识别装置、计算机可读存储介质及程序产品
CN108154508A (zh) * 2018-01-09 2018-06-12 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
US10769774B2 (en) 2018-01-09 2020-09-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor
CN108445011A (zh) * 2018-03-12 2018-08-24 苏州天准科技股份有限公司 一种基于深度学习的瑕疵检测系统及方法
CN108445011B (zh) * 2018-03-12 2021-06-11 苏州天准科技股份有限公司 一种基于深度学习的瑕疵检测系统及方法
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术(北京)有限公司 一种基于深度学习的太赫兹危险品检测方法
CN108985349A (zh) * 2018-06-26 2018-12-11 福州大学 一种考虑图像集复杂性的石材纹理图像cnn识别方法
CN108624880B (zh) * 2018-08-10 2019-08-06 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN108624880A (zh) * 2018-08-10 2018-10-09 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN109272494A (zh) * 2018-08-31 2019-01-25 龙山县惹巴妹手工织品有限公司 一种玩具表皮织品检测方法
CN109300117A (zh) * 2018-09-05 2019-02-01 深圳灵图慧视科技有限公司 神经网络系统、电子设备和机器可读介质
CN109146875A (zh) * 2018-09-05 2019-01-04 深圳灵图慧视科技有限公司 用于织物表面缺陷检测的方法、装置和设备
CN109215022A (zh) * 2018-09-05 2019-01-15 深圳灵图慧视科技有限公司 验布方法、装置、终端设备、服务器、存储介质和系统
CN109242846A (zh) * 2018-09-05 2019-01-18 深圳灵图慧视科技有限公司 用于织物表面缺陷检测的方法、装置和设备
CN109325940A (zh) * 2018-09-05 2019-02-12 深圳灵图慧视科技有限公司 织物检测方法及装置、计算机设备和计算机可读介质
CN109509170A (zh) * 2018-09-11 2019-03-22 韶关学院 一种压铸件缺陷检测方法及装置
CN109740965A (zh) * 2019-01-22 2019-05-10 北京市天元网络技术股份有限公司 一种工程验证分析方法及装置
CN109829906A (zh) * 2019-01-31 2019-05-31 桂林电子科技大学 一种基于方向场与纹理特征的工件缺陷检测与分类方法
CN109978844A (zh) * 2019-03-15 2019-07-05 维库(厦门)信息技术有限公司 一种基于深度学习模块化的智能分析方法以及系统
CN110057832A (zh) * 2019-04-24 2019-07-26 拓卡奔马机电科技有限公司 一种铺布机上的布料瑕疵检测控制系统
WO2021008275A1 (zh) * 2019-07-15 2021-01-21 华为技术有限公司 基于小波变换的图像编解码方法及装置
CN110736547A (zh) * 2019-10-17 2020-01-31 华能海南发电股份有限公司 基于红外成像技术的光伏板故障智能诊断系统
CN111650208A (zh) * 2020-06-01 2020-09-11 东华大学 一种巡游式机织面料疵点在线检测器
CN112133941A (zh) * 2020-10-10 2020-12-25 西南交通大学 一种机车质子交换膜燃料电池系统的快速故障诊断方法

Similar Documents

Publication Publication Date Title
CN107123114A (zh) 一种基于机器学习的布匹缺陷检测方法及装置
CN107392896B (zh) 一种基于深度学习的木材缺陷检测方法和系统
CN103913468B (zh) 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
WO2018028103A1 (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN107328787A (zh) 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN106204618A (zh) 基于机器视觉的产品包装表面缺陷检测与分类方法
CN101403703B (zh) 一种皮棉中异性纤维实时检测方法
CN108520274A (zh) 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN107220649A (zh) 一种素色布匹缺陷检测和分类方法
CN107486415A (zh) 基于机器视觉的篾片缺陷在线检测系统及检测方法
CN108765402A (zh) 无纺布缺陷检测与分类方法
CN106248680A (zh) 一种基于机器视觉的电机换向器质量检测系统及检测方法
CN107402221A (zh) 一种基于机器视觉的显示面板缺陷识别方法及系统
CN111080622A (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN107977686A (zh) 一种工业x光图像的分类方法
CN106934801A (zh) 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法
CN109544522A (zh) 一种钢板表面缺陷检测方法及系统
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
CN102236925A (zh) 大张检查机机检数据离线二次检测核查的系统及方法
CN105931246A (zh) 一种基于小波变换和遗传算法的织物瑕疵检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN109166125A (zh) 一种基于多边缘融合机制的三维深度图像分割算法
CN110619620A (zh) 导致表面缺陷的异常定位方法、装置、系统及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170901

RJ01 Rejection of invention patent application after publication