CN107316295A - 一种基于深度神经网络的织物瑕疵检测方法 - Google Patents
一种基于深度神经网络的织物瑕疵检测方法 Download PDFInfo
- Publication number
- CN107316295A CN107316295A CN201710529838.3A CN201710529838A CN107316295A CN 107316295 A CN107316295 A CN 107316295A CN 201710529838 A CN201710529838 A CN 201710529838A CN 107316295 A CN107316295 A CN 107316295A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- image
- sample
- msubsup
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络的织物瑕疵检测方法,包括如下步骤,(1)、搭建图像采集系统,采集图像;(2)、将所图像分割为实验样本,同时增加织物样本图像数据,将增强后的织物图像作为训练样本,(3)、设计深度神经网络;(4)、设置参数并对所述深度神经网络进行初始化,将训练样本送入到深度神经网络进行训练,在网络训练完成之后,保存网络模型;(5)、将输入的新的织物样本送入网络模型进行检测。本发明提出的基于深度神经网络的织物瑕疵检测方法,以卷积神经网络为核心,通过卷积层进行特征提取,池化层保留有效特征并减少计算量,用全连接层进行分类。以mini‑batch梯度下降法进行优化,L2正则化增强泛化能力,通过确定分类器输出的最大分量的对应位置进行缺陷的识别,效果参见图4所示,其中Actual表示样本真实的类别,Pred表示样本预测的类别。
Description
技术领域
本发明涉及一种基于深度神经网络的织物瑕疵检测方法,属于图像处理技术领域。
背景技术
现有技术中,布匹瑕疵检测已成为织物产品质量控制的重要环节,瑕疵检测方法对提高产品质量有着重要的作用,织物瑕疵检测已成为一个热门的研究领域。传统的人工检测方法存在着很大的局限性,如人工成本高,尺寸较小的缺陷难以分辨,长时间工作会造成视觉疲劳,容易产生误检和漏检。为了提高产品质量和减少生产成本,布匹瑕疵自动检测已成为提高布匹质量的一种有效方法。
布匹瑕疵自动检测系统中的关键部分是瑕疵检测方法,目前常见的瑕疵检测方法可以大致分为以下几类:统计、光谱、模型、学习和结构。由于织物和缺陷存在多样性,在实际应用中往往都是根据织物和缺陷的类型选择合适的检测方法。但这些方法的检测过程基本是相同的,即对图像进行预处理,人工提取特征,最后进行分类识别。其中最重要的阶段是特征提取,特征提取是对目标提取几何、灰度、纹理或频谱等能更好体现图像的特征。简单的特征提取易于实现且实时性较高,复杂的特征提取可以提高检测率但增加计算量。特征提取的好坏决定了检测系统的可靠性,如果特征选取的不完整或是错误的,对最终的分类结果会有很大的影响,传统的特征提取包括Gabor变换、数学形态学、傅里叶变换等特征提取技术。这些方法仅对特定的目标进行识别时可以取得良好的效果,不具有良好的适应性。而且在图像背景复杂与缺陷难以区别的时候,识别率有所下降,同时还会增加方法的复杂度。
深度神经网络是近年发展起来,并引起广泛重视的一种高效识别方法,常用的深度神经网络包括深度置信网络、自编码器网络以及卷积神经网络。其中,卷积神经网络已成为众多领域的研究热点,特别是在模式分类领域。因此,为了弥补现有检测方法的不足以及保持较高的检测率,本发明提出了一种基于深度神经网络的瑕疵检测方法。这种方法具有优异的特征学习能力,可以自主学习图像中的特征信息,从低级特征到高级特征逐渐提取。降低了人为提取特征的影响,同时减少了对图像的预处理过程。
发明内容
本发明的发明目的是提供一种基于深度神经网络的织物瑕疵检测方法。
为达到上述发明目的,本发明采用的技术方案是:一种基于深度神经网络的织物瑕疵检测方法,其特征在于:包括如下步骤,
(1)、搭建图像采集系统,将采集到的图像送至计算机;
(2)、采用图像变换和噪声扰动的方式增加织物样本图像数据,将增强后的织物图像作为训练样本,训练样本中包含不同织物的正常和缺陷图像,并对图像进行标定,’0’代表正常样本,’1’代表缺陷样本;
(3)、设计深度神经网络,所述深度神经网络包括9层,一层输入层、三层卷积层、三层池化层以及两层全连接层,其中输入层为获取的织物图像,卷积层用于特征提取,不同卷积层由不同数目的特征图组成,池化层采用max-pooling的方式对上一卷积层进行下采样,经过多层卷积和池化操作,将获取的特征向量输入到全连接层,得到最终输出向量,并使用softmax分类器进行分类;
(4)、设置参数并对所述深度神经网络进行初始化,将训练样本作为输入数据送入到所述深度神经网络进行训练,在网络训练完成之后,保存网络模型;
(5)、将输入的新织物样本送入网络模型进行检测,分类器输出的最大分量的位置为检测结果,将检测结果与定义的标签进行比较,检测结果输出为0时,表示图像为正常图片,结果为1时,则表示图像中存在缺陷;
上述步骤(3)中,对所述深度神经网络进行优化,采用softmax分类器的交叉熵函数作为目标函数,在后向传播中使用mini-batch梯度下降法来优化目标函数,即遍历完一个batch的样本就计算梯度和更新参数,其中目标函数定义如下:
其中1{.}是示性函数,即大括号内的表达式值为真的时候输出1,否则为0,m是训练样本总数,y(i)是第i个样本实际的标签值,是样本i分类为类别j的概率,即是经过softmax分类器处理之后的输出,使用mini-batch梯度下降法进行优化的计算方式如下:
优选地,在所述目标函数中加入L2正则化惩罚项,具体方式是在目标函数中添加权重衰减项定义方式如下:
在网络训练过程中在训练过程中使用指数衰减型学习速率,衰减型学习速率的计算方式如下:
η=learning_rate*decay_rate^(global_step/decay_step)
其中learning_rate是初始学习速率,η是更新后的学习率,decay_rate是衰减系数,decay_step是衰减速度。
优选地,步骤(2)中,采用图像变换和噪声扰动的方式增加织物样本图像数据,所述图像变换为平移变换,即对图像的像素点同时进行一定距离的横向移动和纵向移动,改变缺陷所在的位置;所述噪声扰动为加入椒盐噪声,具体过程为复制一部分原始图像样本,对其进行平移变换和加入椒盐噪声处理,将处理后的图像也作为样本图像。
上述方案步骤(1)中具体的为:搭建图像采集系统,系统由光源、相机、镜头、图像采集卡和计算机等部分组成,LED光源对织物照明,镜头接收织物表面反射的光线,图像采集卡将CCD线阵相机输出的电信号送到计算机,即完成采集工作。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
1.本发明通过将深度神经网络应用到织物瑕疵检测中,可以对不同织物进行有效地分类且达到了99%左右的准确率,具有良好的适应性。
2.本发明采用平移变换和加入椒盐噪声的方式增加织物图像数据,可以满足本发明所需的数据量。
3.本发明采用的L2正则化和衰减型学习速率方法可以提高检测方法的准确率以及加快收敛速度。
4.本发明无需对图像进行预处理,网络结构简单且性能优异,在降低算法的复杂度同时仍能保持较高的准确率,具有较高的时效性,在织物瑕疵检测上有着较高的应用价值。
附图说明
图1是本发明的流程示意图。
图2是本发明的网络结构图。
图3是本发明的训练准确率示意图。
图4是本发明的误差趋势曲线示意图。
图5是本发明的检测结果示意图。
图6是本发明的检测结果示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述:
实施例一:参见图1所示,一种基于深度神经网络的织物瑕疵检测方法,包括如下步骤:
1.在织物生产过程中,通过工业线阵相机从卷布机上拍摄织物图像作为实验样本,并传送到计算机。
2.将所述采集到的图像从4096*4096像素分割为128*128像素的实验样本,采用图像变换和加入椒盐噪声的方式,对一部分原始图像进行数据增强,将增强后的织物图像作为训练样本,训练样本中包含不同织物的正常和缺陷图像。对图像进行标定,’0’代表正常样本,’1’代表缺陷样本。
3.参见图2所示,设计深度神经网络,深度神经网络的结构图如图二所示,包括一层输入层、三层卷积层、三层池化层和两层全连接层,其中1:输入图像2:第一层卷积3:第一层池化4:第二层卷积5:第二层池化6:第三层卷积7:第三层池化8:两层全连接层9:softmax分类器;输入层为128*128像素的织物图像,卷积层用于特征提取,不同卷积层由不同数目的特征图组成。池化层采用max-pooling的方式对上一卷积层进行下采样,用于保留有效特征及减少计算量。经过多层卷积和池化操作,将获取的特征向量输入到全连接层,得到最终输出向量,并使用softmax分类器进行分类。
4.设置参数并对网络进行初始化,在织物检测方法的网络优化过程中采用mini-batch梯度下降法进行参数优化,并加入L2正则化和衰减型学习速率。采用L2正则化和衰减型学习速率的方法训练结果如图三所示,分别是训练准确率曲线图以及误差下降趋势曲线图。
5.参见图3所示,accuracy表示训练准确率,图4中loss表示误差下降趋势曲线,将训练样本作为输入数据送入到所设计的深度神经网络进行训练,在网络训练完成之后,保存网络模型。将输入的新的织物样本送入网络进行检测,分类器输出的最大分量的位置就是检测结果。将检测结果与定义的标签进行比较,即可验证方法的性能。检测结果如图四所示,绝大多数结果是正确的,少数样本出现误检情况。
本发明提出的基于深度神经网络的织物瑕疵检测方法,以卷积神经网络为核心,通过卷积层进行特征提取,池化层保留有效特征并减少计算量,用全连接层进行分类。以mini-batch梯度下降法进行优化,L2正则化增强泛化能力,通过确定分类器输出的最大分量的对应位置进行缺陷的识别,效果参见图5、图6所示,其中Actual表示样本真实的类别,Pred表示样本预测的类别。
Claims (3)
1.一种基于深度神经网络的织物瑕疵检测方法,其特征在于:包括如下步骤,
(1)、搭建图像采集系统,将采集到的图像送至计算机;
(2)、采用图像变换和噪声扰动的方式增加织物样本图像数据,将增强后的织物图像作为训练样本,训练样本中包含不同织物的正常和缺陷图像,并对图像进行标定,’0’代表正常样本,’1’代表缺陷样本;
(3)、设计深度神经网络,所述深度神经网络包括9层,一层输入层、三层卷积层、三层池化层以及两层全连接层,其中输入层为获取的织物图像,卷积层用于特征提取,不同卷积层由不同数目的特征图组成,池化层采用max-pooling的方式对上一卷积层进行下采样,经过多层卷积和池化操作,将获取的特征向量输入到全连接层,得到最终输出向量,并使用softmax分类器进行分类;
(4)、设置参数并对所述深度神经网络进行初始化,将训练样本作为输入数据送入到所述深度神经网络进行训练,在网络训练完成之后,保存网络模型;
(5)、将输入的新织物样本送入网络模型进行检测,分类器输出的最大分量的位置为检测结果,将检测结果与定义的标签进行比较,检测结果输出为0时,表示图像为正常图片,结果为1时,则表示图像中存在缺陷;
上述步骤(3)中,对所述深度神经网络进行优化,采用softmax分类器的交叉熵函数作为目标函数,在后向传播中使用mini-batch梯度下降法来优化目标函数,即遍历完一个batch的样本就计算梯度和更新参数,其中目标函数定义如下:
其中1{.}是示性函数,即大括号内的表达式值为真的时候输出1,否则为0,m是训练样本总数,y(i)是第i个样本实际的标签值,是样本i分类为类别j的概率,即是经过softmax分类器处理之后的输出,
使用mini-batch梯度下降法进行优化的计算方式如下:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>{</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>j</mi>
<mo>}</mo>
<mo>-</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<msubsup>
<mi>w</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</msup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<msubsup>
<mi>w</mi>
<mi>l</mi>
<mi>T</mi>
</msubsup>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的基于深度神经网络的织物瑕疵检测方法,其特征在于:在所述目标函数中加入L2正则化惩罚项,具体方式是在目标函数中添加权重衰减项定义方式如下:
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mn>1</mn>
<mo>{</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>j</mi>
<mo>}</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<msubsup>
<mi>w</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</msup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<msubsup>
<mi>w</mi>
<mi>l</mi>
<mi>T</mi>
</msubsup>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>+</mo>
<mfrac>
<mi>&lambda;</mi>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>,</mo>
</mrow>
在网络训练过程中在训练过程中使用指数衰减型学习速率,衰减型学习速率的计算方式如下:
η=learning_rate*decay_rate^(global_step/decay_step)
其中learning_rate是初始学习速率,η是更新后的学习率,decay_rate是衰减系数,decay_step是衰减速度。
3.根据权利要求1所述的基于深度神经网络的织物瑕疵检测方法,其特征在于:步骤(2)中,采用图像变换和噪声扰动的方式增加织物样本图像数据,所述图像变换为平移变换,即对图像的像素点同时进行一定距离的横向移动和纵向移动,改变缺陷所在的位置;所述噪声扰动为加入椒盐噪声,具体过程为复制一部分原始图像样本,对其进行平移变换和加入椒盐噪声处理,将处理后的图像也作为样本图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710529838.3A CN107316295A (zh) | 2017-07-02 | 2017-07-02 | 一种基于深度神经网络的织物瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710529838.3A CN107316295A (zh) | 2017-07-02 | 2017-07-02 | 一种基于深度神经网络的织物瑕疵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107316295A true CN107316295A (zh) | 2017-11-03 |
Family
ID=60179941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710529838.3A Pending CN107316295A (zh) | 2017-07-02 | 2017-07-02 | 一种基于深度神经网络的织物瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316295A (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
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 |
CN108333183A (zh) * | 2018-01-31 | 2018-07-27 | 西安工程大学 | 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法 |
CN108364281A (zh) * | 2018-01-08 | 2018-08-03 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108596203A (zh) * | 2018-03-13 | 2018-09-28 | 北京交通大学 | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 |
CN108956614A (zh) * | 2018-05-08 | 2018-12-07 | 太原理工大学 | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 |
CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
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 |
CN109272045A (zh) * | 2018-09-25 | 2019-01-25 | 华南农业大学 | 一种基于神经网络和迁移学习的水果图像分类方法及装置 |
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 |
CN109304306A (zh) * | 2018-09-19 | 2019-02-05 | 广东省智能制造研究所 | 生产线物体分拣方法、系统和物体分拣系统 |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109558791A (zh) * | 2018-10-11 | 2019-04-02 | 浙江大学宁波理工学院 | 一种基于图像识别的寻笋装置及方法 |
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 |
CN109829483A (zh) * | 2019-01-07 | 2019-05-31 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN109903267A (zh) * | 2019-01-22 | 2019-06-18 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术测试网络丝网络度的方法 |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
CN110414301A (zh) * | 2018-04-28 | 2019-11-05 | 中山大学 | 一种基于双摄头的列车车厢人群密度估计方法 |
CN110490858A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种基于深度学习的织物缺陷像素级分类方法 |
CN110648323A (zh) * | 2019-09-26 | 2020-01-03 | 上海御微半导体技术有限公司 | 一种缺陷检测分类系统及其方法 |
CN110659660A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 利用深度学习系统的自动光学检测分类设备及其训练设备 |
WO2020010638A1 (zh) * | 2018-07-13 | 2020-01-16 | 华为技术有限公司 | 一种图像坏点检测方法及装置 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN110796039A (zh) * | 2019-10-15 | 2020-02-14 | 北京达佳互联信息技术有限公司 | 一种面部瑕疵检测方法、装置、电子设备及存储介质 |
CN111260614A (zh) * | 2020-01-13 | 2020-06-09 | 华南理工大学 | 一种基于极限学习机的卷积神经网络布匹瑕疵检测方法 |
WO2020156409A1 (zh) * | 2019-02-02 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 |
CN111524113A (zh) * | 2020-04-17 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 提升链异常识别方法、系统、设备及介质 |
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 |
CN111724337A (zh) * | 2020-03-05 | 2020-09-29 | 中冶赛迪重庆信息技术有限公司 | 一种冷床冲顶识别方法、系统、电子设备及介质 |
CN112270722A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
CN110322433B (zh) * | 2019-05-27 | 2021-03-12 | 苏州佳赛特智能科技有限公司 | 一种面向外观缺陷视觉检测的数据集扩增方法 |
CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
CN113267501A (zh) * | 2020-02-17 | 2021-08-17 | 远传电信股份有限公司 | 片状材料快速检测瑕疵整合系统及其使用方法 |
WO2021159569A1 (en) * | 2020-02-10 | 2021-08-19 | Dalian University Of Technology | Method for engineering structural fiexibility identification considering the impact of noise |
CN114088730A (zh) * | 2022-01-24 | 2022-02-25 | 心鉴智控(深圳)科技有限公司 | 一种运用图像处理检测铝塑泡罩瑕疵的方法及系统 |
CN114549507A (zh) * | 2022-03-01 | 2022-05-27 | 浙江理工大学 | 改进Scaled-YOLOv4的织物瑕疵检测方法 |
CN117115147A (zh) * | 2023-10-19 | 2023-11-24 | 山东华盛创新纺织科技有限公司 | 一种基于机器视觉的纺织品检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
EP2869239A2 (en) * | 2013-11-04 | 2015-05-06 | Facebook, Inc. | Systems and methods for facial representation |
CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
CN105574550A (zh) * | 2016-02-02 | 2016-05-11 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
US20160328660A1 (en) * | 2015-05-04 | 2016-11-10 | Yi Sun Huang | Machine Learning System, Method, and Program Product for Point of Sale Systems |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN106530288A (zh) * | 2016-11-03 | 2017-03-22 | 东华大学 | 基于深度学习算法的织物疵点检测方法 |
US20170103040A1 (en) * | 2015-10-08 | 2017-04-13 | Via Alliance Semiconductor Co., Ltd. | Processor with variable rate execution unit |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
-
2017
- 2017-07-02 CN CN201710529838.3A patent/CN107316295A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2869239A2 (en) * | 2013-11-04 | 2015-05-06 | Facebook, Inc. | Systems and methods for facial representation |
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
US20160328660A1 (en) * | 2015-05-04 | 2016-11-10 | Yi Sun Huang | Machine Learning System, Method, and Program Product for Point of Sale Systems |
US20170103040A1 (en) * | 2015-10-08 | 2017-04-13 | Via Alliance Semiconductor Co., Ltd. | Processor with variable rate execution unit |
CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
CN105574550A (zh) * | 2016-02-02 | 2016-05-11 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
CN106530288A (zh) * | 2016-11-03 | 2017-03-22 | 东华大学 | 基于深度学习算法的织物疵点检测方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
Non-Patent Citations (4)
Title |
---|
K.L.MAK等: "Optimal Morphological Filter Design for Fabric Defect Detection", 《THE IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL TECHNOLOGY》 * |
MASATOSHI KIMURA等: "FACIAL POINT DETECTION BASED ON A CONVOLUTIONAL NEURAL NETWORK WITH OPTIMAL MINI-BATCH PROCEDURE", 《2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
万士宁: "基于卷积神经网络的人脸识别研究与实现", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
叶浪: "基于卷积神经网络的人脸识别研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
CN108074231B (zh) * | 2017-12-18 | 2020-04-21 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
CN108038853B (zh) * | 2017-12-18 | 2020-05-26 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
CN108364281A (zh) * | 2018-01-08 | 2018-08-03 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 |
CN108364281B (zh) * | 2018-01-08 | 2020-10-30 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 |
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 |
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 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108333183A (zh) * | 2018-01-31 | 2018-07-27 | 西安工程大学 | 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法 |
CN108596203A (zh) * | 2018-03-13 | 2018-09-28 | 北京交通大学 | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 |
CN108596203B (zh) * | 2018-03-13 | 2022-03-04 | 北京交通大学 | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 |
CN110414301A (zh) * | 2018-04-28 | 2019-11-05 | 中山大学 | 一种基于双摄头的列车车厢人群密度估计方法 |
CN108956614A (zh) * | 2018-05-08 | 2018-12-07 | 太原理工大学 | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 |
CN110659660B (zh) * | 2018-06-29 | 2023-09-15 | 由田新技股份有限公司 | 利用深度学习系统的自动光学检测分类设备及其训练设备 |
CN110659660A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 利用深度学习系统的自动光学检测分类设备及其训练设备 |
CN112384946A (zh) * | 2018-07-13 | 2021-02-19 | 华为技术有限公司 | 一种图像坏点检测方法及装置 |
WO2020010638A1 (zh) * | 2018-07-13 | 2020-01-16 | 华为技术有限公司 | 一种图像坏点检测方法及装置 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN109064459A (zh) * | 2018-07-27 | 2018-12-21 | 江苏理工学院 | 一种基于深度学习的布匹瑕疵检测方法 |
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 |
CN109272494B (zh) * | 2018-08-31 | 2020-07-10 | 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 |
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 |
CN109304306A (zh) * | 2018-09-19 | 2019-02-05 | 广东省智能制造研究所 | 生产线物体分拣方法、系统和物体分拣系统 |
CN109304306B (zh) * | 2018-09-19 | 2020-08-11 | 广东省智能制造研究所 | 生产线物体分拣方法、系统和物体分拣系统 |
CN109272045A (zh) * | 2018-09-25 | 2019-01-25 | 华南农业大学 | 一种基于神经网络和迁移学习的水果图像分类方法及装置 |
CN109558791A (zh) * | 2018-10-11 | 2019-04-02 | 浙江大学宁波理工学院 | 一种基于图像识别的寻笋装置及方法 |
CN109558791B (zh) * | 2018-10-11 | 2020-12-01 | 浙江大学宁波理工学院 | 一种基于图像识别的寻笋装置及方法 |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109509187B (zh) * | 2018-11-05 | 2022-12-13 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109829483A (zh) * | 2019-01-07 | 2019-05-31 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
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 |
CN109903267A (zh) * | 2019-01-22 | 2019-06-18 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术测试网络丝网络度的方法 |
CN109903267B (zh) * | 2019-01-22 | 2021-01-05 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术测试网络丝网络度的方法 |
WO2020156409A1 (zh) * | 2019-02-02 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 |
CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
CN110322433B (zh) * | 2019-05-27 | 2021-03-12 | 苏州佳赛特智能科技有限公司 | 一种面向外观缺陷视觉检测的数据集扩增方法 |
CN110490858A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种基于深度学习的织物缺陷像素级分类方法 |
CN110490858B (zh) * | 2019-08-21 | 2022-12-13 | 西安工程大学 | 一种基于深度学习的织物缺陷像素级分类方法 |
CN110648323A (zh) * | 2019-09-26 | 2020-01-03 | 上海御微半导体技术有限公司 | 一种缺陷检测分类系统及其方法 |
CN110648323B (zh) * | 2019-09-26 | 2022-08-02 | 上海御微半导体技术有限公司 | 一种缺陷检测分类系统及其方法 |
CN110796039A (zh) * | 2019-10-15 | 2020-02-14 | 北京达佳互联信息技术有限公司 | 一种面部瑕疵检测方法、装置、电子设备及存储介质 |
CN111260614A (zh) * | 2020-01-13 | 2020-06-09 | 华南理工大学 | 一种基于极限学习机的卷积神经网络布匹瑕疵检测方法 |
WO2021159569A1 (en) * | 2020-02-10 | 2021-08-19 | Dalian University Of Technology | Method for engineering structural fiexibility identification considering the impact of noise |
CN113267501A (zh) * | 2020-02-17 | 2021-08-17 | 远传电信股份有限公司 | 片状材料快速检测瑕疵整合系统及其使用方法 |
CN111724337A (zh) * | 2020-03-05 | 2020-09-29 | 中冶赛迪重庆信息技术有限公司 | 一种冷床冲顶识别方法、系统、电子设备及介质 |
CN111524113A (zh) * | 2020-04-17 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 提升链异常识别方法、系统、设备及介质 |
CN111650208B (zh) * | 2020-06-01 | 2021-08-27 | 东华大学 | 一种巡游式机织面料疵点在线检测器 |
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 |
CN112270722B (zh) * | 2020-10-26 | 2024-05-17 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
CN112270722A (zh) * | 2020-10-26 | 2021-01-26 | 西安工程大学 | 一种基于深度神经网络的数码印花织物缺陷检测方法 |
CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
CN114088730A (zh) * | 2022-01-24 | 2022-02-25 | 心鉴智控(深圳)科技有限公司 | 一种运用图像处理检测铝塑泡罩瑕疵的方法及系统 |
CN114549507B (zh) * | 2022-03-01 | 2024-05-24 | 浙江理工大学 | 改进Scaled-YOLOv4的织物瑕疵检测方法 |
CN114549507A (zh) * | 2022-03-01 | 2022-05-27 | 浙江理工大学 | 改进Scaled-YOLOv4的织物瑕疵检测方法 |
CN117115147B (zh) * | 2023-10-19 | 2024-01-26 | 山东华盛创新纺织科技有限公司 | 一种基于机器视觉的纺织品检测方法及系统 |
CN117115147A (zh) * | 2023-10-19 | 2023-11-24 | 山东华盛创新纺织科技有限公司 | 一种基于机器视觉的纺织品检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316295A (zh) | 一种基于深度神经网络的织物瑕疵检测方法 | |
CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
CN109035233B (zh) | 视觉注意力网络系统及工件表面缺陷检测方法 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
CN109829893A (zh) | 一种基于注意力机制的缺陷目标检测方法 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN108960143A (zh) | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 | |
CN111310862A (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN108564049A (zh) | 一种基于深度学习的快速人脸检测识别方法 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN108280856A (zh) | 基于混合信息输入网络模型的未知物体抓取位姿估计方法 | |
CN109741328A (zh) | 一种基于生成式对抗网络的汽车表观质量检测方法 | |
CN106548159A (zh) | 基于全卷积神经网络的网纹人脸图像识别方法与装置 | |
CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
CN106407903A (zh) | 基于多尺度卷积神经网络的实时人体异常行为识别方法 | |
CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN107133622A (zh) | 一种单词的分割方法和装置 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN110322438A (zh) | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 | |
CN110210608A (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171103 |
|
WD01 | Invention patent application deemed withdrawn after publication |