CN107833220B - 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 - Google Patents

基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 Download PDF

Info

Publication number
CN107833220B
CN107833220B CN201711212830.0A CN201711212830A CN107833220B CN 107833220 B CN107833220 B CN 107833220B CN 201711212830 A CN201711212830 A CN 201711212830A CN 107833220 B CN107833220 B CN 107833220B
Authority
CN
China
Prior art keywords
neural network
defect
image
fabric
network model
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.)
Active
Application number
CN201711212830.0A
Other languages
English (en)
Other versions
CN107833220A (zh
Inventor
李庆武
邢俊
马云鹏
周亚琴
吴晨辉
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201711212830.0A priority Critical patent/CN107833220B/zh
Priority to PCT/CN2017/116837 priority patent/WO2019104767A1/zh
Publication of CN107833220A publication Critical patent/CN107833220A/zh
Application granted granted Critical
Publication of CN107833220B publication Critical patent/CN107833220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators

Abstract

本发明公开了一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，属于图像处理技术领域。包含缺陷区域定位模块与缺陷语义分割模块。缺陷区域定位模块利用局部卷积神经网络和全局卷积神经网络两个深度学习模型进行融合，自动提取织物缺陷的高级特征并将其作用于缺陷图像，获得缺陷区域的精确定位。缺陷语义分割模块利用缺陷区域的定位结果，结合基于视觉显著性的超像素图像分割方法，获取缺陷先验前景点并对缺陷目标进行精准分割，最终实现缺陷的检测。本发明利用多深度学习融合的织物缺陷定位网络与改进的视觉显著性的织物缺陷分割网络，对织物图像的适应能力好，精度高，可以有效地对复杂背景与噪声干扰下的织物图像中的缺陷进行检测。

Description

基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
技术领域
本发明涉及图像处理中的视觉检测领域，尤其涉及一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法。
背景技术
随着纺织行业的飞速发展，人们对织物布匹质量的控制也越来越严格，而织物疵点通常是影响布匹质量的关键因素。传统的织物缺陷检测方法大多是基于手工测量和人眼观察来完成，在实际应用中有很大的局限性，如主观性强、检测结果的一致性差，不能很准确的实现对细小缺陷、色差不明显缺陷的完全检测等。目前，现有的自动化织物缺陷检测算法主要分为三类：(1)基于统计的方法、(2)基于谱分析的方法、(3)基于模型的方法。基于模型的方法利用缺陷图像构建分解模型，获得织物图像的纹理信息并重构无缺陷图像，通过比较输入图像与重构无缺陷图像之间的差别来定位缺陷。该类方法通常精确度不高，并且具有相当大的计算复杂度。基于统计的方法利用傅立叶变换、Gabor滤波器以及小波变换提取缺陷图像的频域特性，其算法性能很大程度上取决于算法所选用的滤波器种类以及织物图像的背景。基于统计的方法通过局部二值模式、灰度共生矩阵以及直方图统计等方法统计纹理与缺陷的不同特性，可以有效的检测织物缺陷，但织物背景图案及缺陷形状的不同对该类方法的影响较大。
上述研究可以准确地对单一背景和纯色背景下的织物缺陷进行定位与分割，但对于背景复杂、图案不规则的织物图像中的缺陷检测效果不佳。
发明内容
本发明所要解决的技术问题是：提供一种织物缺陷检测方法，以实现对背景复杂、图案不规则的织物图像中的缺陷进行有效的检测。
为了实现上述目的，本发明采取以下技术方案。
一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，包括以下步骤：
(1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；
(2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；
(3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型不负责对每个像素点进行预测，而是对待测试图像进行缺陷区域的初始定位，获得一些缺陷区域的边界框，所述边界框是缺陷候选区域；
(4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；
(5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且根据显著函数计算输入图像的先验显著图；
(6)由于先验显著图通常存在显著性区域的显著值不一致、背景区域不能很好抑制等问题，因此利用自适应阈值分割算法对先验显著图进行分割，然后基于形态学开闭运算对分割后图像进行后处理，去除图像空洞及一些散点，最终检测出织物图像中的缺陷。
本发明所达到的增益效果：
由上述本发明的实例提供的技术方案中可以看出，本发明针对复杂背景与噪声干扰下的织物图像，提出一种基于深度卷积神经网络与视觉显著性的织物缺陷定位与检测方法，利用全局神经网络对像素的分类及局部神经网络对缺陷的初步定位想融合以获得精准的缺陷定位窗口，然后基于改进的视觉显著性方法对定位窗口内的缺陷进行分割。该方法不需要人工设定参数以及构建参考图像，鲁棒性好，能够精确检测出织物图像中的缺陷，实时性强，可以满足实际工程需求，具有广泛的应用前景。
附图说明
图1为本发明的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法的流程图；
图2为织物缺陷检测模型示意图；
图3为全局卷积神经网络模型示意图；
图4为局部卷积神经网络模型示意图；
图5为基于改进视觉显著性的缺陷分割模型示意图。
具体实施方式：
下面结合附图对本发明的具体实施方式做进一步详细的描述。
如图1和图2所示，本发明基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，包括缺陷区域定位网络模型与缺陷分割网络模型。缺陷定位网络模型利用全局神经网络模型与局部神经网络模型相融合，提供缺陷在织物图像中准确的位置信息。缺陷分割网络模型利用超像素与视觉显著性内容，对缺陷区域进行分割，提取缺陷目标。包括以下步骤：
(1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；
(2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；
(3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型不负责对每个像素点进行预测，而是对待测试图像进行缺陷区域的初始定位，获得一些缺陷区域的边界框，所述边界框是缺陷可能存在的区域；
(4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；
(5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且根据显著函数计算输入图像的先验显著图；
(6)由于先验显著图通常存在显著性区域的显著值不一致、背景区域不能很好抑制等问题，因此利用自适应阈值分割算法对先验显著图进行分割，然后基于形态学开闭运算对分割后图像进行后处理，去除图像空洞及一些散点，最终检测出织物图像中的缺陷。
步骤(1)中，利用RGB与YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的关系，即Y＝0.11B+0.59G+0.3R，对织物缺陷图像数据集进行灰度化，并利用双立方插值法将所述训练图像归一化至设定像素大小，如400×400像素大小。
步骤(2)中，训练全局神经网络模型时，训练全局神经网络的输入为织物缺陷图像数据集和织物缺陷标注索引图，利用卷积操作提取织物图像的全局特征，其中卷积核尺寸均取3×3大小，如图3所示。
全局神经网络的模型参数为：
第一层为图像输入层，图像输入层大小与训练图片大小一致，此处取400×400大小；训练图片指的是步骤(1)中，织物缺陷训练数据集中的图片，其大小为400×400；
中间有l层隐层，由卷积层与池化层交替连接构成；l可以是8层；
最后是若干反卷积层，由于卷积层导致10×10ppi～200×200ppi分辨率大小的特征图恢复至原图400×400ppi大小，输出图像中每个像素点属于缺陷点的概率，得到一张heatmap图。ppi的含义是指每英寸图像所包含的像素点数，原图是指400×400的输入图像，即400×400ppi分辨率；
步骤(2)中，训练局部神经网络模型时，局部神经网络的输入为织物缺陷数据集及织物缺陷在图像中的坐标，利用卷积操作提取织物图像的局部特征，其中卷积核大小与全局神经网络模型中的卷积核大小一致，均为3×3大小，如图4所示。
局部神经网络的模型参数为：
第一层为训练图像输入层，图像输入层的大小被归一化成设定大小，如300×300大小；中间有k层隐层，由卷积层与池化层交替连接构成；最后是全连接层，输出缺陷位置与类别信息。
步骤(2)中，利用n张织物缺陷图像分别对全局神经网络与局部神经网络模型进行训练，全局神经网络与局部神经网络模型分别训练k1次和k2次后，模型误差收敛，此时获得最优模型权重。
步骤(3)中，利用训练好的最优模型权重设置网络模型，将测试织物图像分别输入至全局神经网络模型与局部神经网络模型中，分别输出heatmap图及缺陷的位置信息。
步骤(3)中，全局神经网络模型输出的heatmap图是一种索引图，每个数值代表一种颜色，颜色越靠近红色代表缺陷可能性越高，颜色越靠近蓝色，代表缺陷可能性越低。
步骤(3)中，局部神经网络输出的位置信息，其数据格式为[xmin,ymin,xmax,ymax,label]，其中xmin，ymin，xmax，ymax分别是缺陷边界框的左上角和右下角坐标，label为缺陷所属种类。
步骤(4)中，构造如下的联合得分函数来计算缺陷得分Pscore(m)：
Figure BDA0001484919840000061
其中，i,j分别代表像素点在图像中的横坐标与纵坐标，A(m)代表局部神经网络模型SSD中的第m个检测窗口，A(m).conf表示局部神经网络模型SSD中第m个检测结果的得分，S表示A(m)窗口的面积大小，B(i,j)代表坐标为(i,j)的像素点在heatmap中的像素值。
步骤(4)中，设定比较阈值T，通过比较计算出的缺陷得分与阈值大小来实现；如果计算出来的缺陷得分低于设定阈值T，则认为该检测结果是错检，直接过滤掉；如果缺陷得分大于设定阈值T，则保留该缺陷区域。
步骤(5)中，利用SLIC超像素分割算法将织物缺陷区域子图像分割成K个超像素块，如图5所示，并利用全局神经网络模型中获得的heatmap图提取先验前景点，根据先验前景点以及区域对比度、区域空间关系构建超像素显著度函数γ(Pi)：
Figure BDA0001484919840000071
其中，i1，j1分别表示超像素节点编号，
Figure BDA0001484919840000072
为第i1个超像素节点，
Figure BDA0001484919840000073
为超像素节点
Figure BDA0001484919840000074
到先验前景点所在超像素节点的归一化欧式距离；
Figure BDA0001484919840000075
为超像素节点
Figure BDA0001484919840000076
与超像素节点
Figure BDA0001484919840000077
之间的归一化欧式距离；
Figure BDA0001484919840000078
为超像素节点
Figure BDA0001484919840000079
所对应区域在Lab颜色空间的平均值，
Figure BDA00014849198400000710
为超像素节点
Figure BDA00014849198400000711
所对应区域在Lab颜色空间的平均值，
Figure BDA00014849198400000712
为先验前景点所在超像素区域在Lab颜色空间的平均值，K为超像素个数，α为调节因子。
步骤(5)中，利用全局神经网络模型中的heatmap图提取先验前景点时，首先根据缺陷子图像坐标在heatmap图中提取局部heatmap图，然后使用N×N的掩模模板在局部heatmap上滑动，N为奇数，遍历整张所述局部heatmap图像获得最大输出值的位置，最大输出值位置即缺陷的先验前景点坐标；掩模模板权重矩阵为
Figure BDA00014849198400000713
i2,j2代表像素点在掩模模板中的坐标，其具体公式为
Figure BDA0001484919840000081
其中δ(·)为冲激函数，u(·)为阶跃函数，N为模板大小。在步骤(4)中获得了一些缺陷区域，缺陷子图像就是将每个缺陷区域从织物图像中抠出，构成一张张图像，由于这些图像都是原始织物图像中的一部分，所以称之为子图像。
步骤(5)中，利用显著度函数计算出织物图像中每个超像素点的先验显著度，并将所述先验显著值作为超像素点的像素值，构建先验显著图。
步骤(6)中，利用自适应阈值OTSU算法对先验显著图进行分割，提取图像中的缺陷目标，自适应阈值选取公式为：
Figure BDA0001484919840000082
其中α1，α2分别为阈值比例因子一和阈值比例因子二，b1，b2分别为阈值平移因子一和阈值平移因子二，Iprior为先验前景点的像素值。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。

Claims (14)

1.一种基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于，包括以下步骤：
(1)选取织物缺陷训练数据集，对数据集中的图像进行灰度化处理，然后进行尺寸归一化处理；
(2)将经过步骤(1)预处理后的织物缺陷训练数据集输入至缺陷区域定位模块，所述缺陷区域定位模块利用全局神经网络模型与局部神经网络模型分别对织物数据集进行训练，提取织物缺陷的全局与局部高级特征，获得一个误差最低的模型；
(3)将待测试图像进行灰度化及归一化处理，然后分别输入至全局神经网络模型与局部神经网络模型；全局神经网络模型负责对待测试图像中的每个像素点进行预测，输出每个像素点属于缺陷区域的概率向量；局部神经网络模型对待测试图像进行缺陷区域的初始定位，获得缺陷区域的边界框，所述边界框是缺陷候选区域；
(4)利用全局神经网络模型对每个像素点的预测结果以及局部神经网络模型输出的缺陷区域的边界框，通过构建的多模型融合方法，获得联合全局神经网络模型、局部神经网络模型两个模型的缺陷区域得分，根据所述得分对缺陷区域进行剔除；
(5)利用SLIC超像素分割算法将缺陷子图像区域分割成若干个不同的超像素区域，把每一个超像素区域看作一个节点，然后利用超像素节点间的区域对比度、空间位置关系、先验局部heatmap信息构建超像素节点的显著函数，并且根据显著函数计算输入图像的先验显著图；
(6)利用自适应阈值分割算法对先验显著图进行分割，然后基于形态学开闭运算对分割后图像进行后处理，去除图像空洞及散点，最终检测出织物图像中的缺陷。
2.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(1)中，利用RGB与YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的关系，即Y＝0.11B+0.59G+0.3R，对织物缺陷图像数据集进行灰度化，并利用双立方插值法将训练图像归一化至设定像素大小。
3.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(2)中，训练全局神经网络模型时，训练全局神经网络的输入为织物缺陷图像数据集和织物缺陷标注索引图，利用卷积操作提取织物图像的全局特征，全局神经网络模型参数为：
第一层为图像输入层，图像输入层大小与训练图片大小一致；
中间有l层隐层，由卷积层与池化层交替连接构成；
最后是若干反卷积层，由于卷积层导致10×10ppi～200×200ppi分辨率大小的特征图恢复至原图大小，输出图像中每个像素点属于缺陷点的概率，得到一张heatmap图。
4.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(2)中，训练局部神经网络模型时，局部神经网络的输入为织物缺陷数据集及织物缺陷在图像中的坐标，利用卷积操作提取织物图像的局部特征，其中卷积核大小与全局神经网络模型中的卷积核大小一致，局部神经网络的模型参数为：
第一层为训练图像输入层，图像输入层的大小被归一化成设定大小；中间有k层隐层，由卷积层与池化层交替连接构成；最后是全连接层，输出缺陷位置与类别信息。
5.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(2)中，利用n张织物缺陷图像分别对全局神经网络与局部神经网络模型进行训练，全局神经网络与局部神经网络模型分别训练k1次和k2次后，模型误差收敛，此时获得最优模型权重。
6.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(3)中，利用训练好的最优模型权重设置网络模型，将测试织物图像分别输入至全局神经网络模型与局部神经网络模型中，分别输出heatmap图及缺陷的位置信息。
7.根据权利要求6所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(3)中，全局神经网络模型输出的heatmap图是一种索引图，每个数值代表一种颜色，颜色越靠近红色代表缺陷可能性越高，颜色越靠近蓝色，代表缺陷可能性越低。
8.根据权利要求7所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(3)中，局部神经网络输出的位置信息，其数据格式为[xmin,ymin,xmax,ymax,label]，其中xmin，ymin，xmax，ymax分别是缺陷边界框的左上角和右下角坐标，label为缺陷所属种类。
9.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(4)中，构造如下的联合得分函数来计算缺陷区域得分Pscore(m)：
Figure FDA0002944213980000031
其中，i,j分别代表像素点在图像中的横坐标与纵坐标，A(m)代表局部神经网络模型SSD中的第m个检测窗口，A(m).conf表示局部神经网络模型SSD中第m个检测结果的得分，S表示A(m)窗口的面积大小，B(i,j)代表坐标为(i,j)的像素点在heatmap图中的像素值。
10.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(4)中，设定比较阈值T，通过比较计算出的缺陷区域得分与阈值大小来实现；如果计算出来的缺陷区域得分低于设定阈值T，则认为检测结果是错检，直接过滤掉；如果缺陷区域得分大于设定阈值T，则保留该缺陷区域。
11.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(5)中，利用SLIC超像素分割算法将织物缺陷区域子图像分割成K个超像素块，并利用全局神经网络模型中获得的heatmap图提取先验前景点，根据先验前景点以及区域对比度、区域空间关系构建超像素显著度函数γ(Pi)：
Figure FDA0002944213980000041
其中，i1，j1分别表示超像素节点编号，
Figure FDA0002944213980000042
为第i1个超像素节点，
Figure FDA0002944213980000043
为超像素节点
Figure FDA0002944213980000044
到先验前景点所在超像素节点的归一化欧式距离；
Figure FDA0002944213980000045
为超像素节点
Figure FDA0002944213980000046
与超像素节点
Figure FDA0002944213980000047
之间的归一化欧式距离；
Figure FDA0002944213980000048
为超像素节点
Figure FDA0002944213980000049
所对应区域在Lab颜色空间的平均值，
Figure FDA00029442139800000410
为超像素节点
Figure FDA00029442139800000411
所对应区域在Lab颜色空间的平均值，
Figure FDA00029442139800000412
为先验前景点所在超像素区域在Lab颜色空间的平均值，K为超像素个数，α为调节因子。
12.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(5)中，利用全局神经网络模型中的heatmap图提取先验前景点时，首先根据缺陷子图像坐标在heatmap图中提取局部heatmap图，然后使用N×N的掩模模板在局部heatmap上滑动，N为奇数，遍历整张所述局部heatmap图像获得最大输出值的位置，最大输出值位置即缺陷的先验前景点坐标；掩模模板权重矩阵为
Figure FDA0002944213980000051
i2,j2代表像素点在掩模模板中的坐标，其具体公式为
Figure FDA0002944213980000052
，其中δ(·)为冲激函数，u(·)为阶跃函数，N为模板大小。
13.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(5)中，利用显著度函数计算出织物图像中每个超像素点的先验显著度值，并将所述先验显著度值作为超像素点的像素值，构建先验显著图。
14.根据权利要求1所述的基于深度卷积神经网络与视觉显著性的织物缺陷检测方法，其特征在于：步骤(6)中，利用自适应阈值OTSU算法对先验显著图进行分割，提取图像中的缺陷目标，自适应阈值选取公式为：
Figure FDA0002944213980000053
其中α1，α2分别为阈值比例因子一和阈值比例因子二，b1，b2分别为阈值平移因子一和阈值平移因子二，Iprior为先验前景点的像素值。
CN201711212830.0A 2017-11-28 2017-11-28 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 Active CN107833220B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711212830.0A CN107833220B (zh) 2017-11-28 2017-11-28 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
PCT/CN2017/116837 WO2019104767A1 (zh) 2017-11-28 2017-12-18 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711212830.0A CN107833220B (zh) 2017-11-28 2017-11-28 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Publications (2)

Publication Number Publication Date
CN107833220A CN107833220A (zh) 2018-03-23
CN107833220B true CN107833220B (zh) 2021-06-11

Family

ID=61646102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711212830.0A Active CN107833220B (zh) 2017-11-28 2017-11-28 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法

Country Status (2)

Country Link
CN (1) CN107833220B (zh)
WO (1) WO2019104767A1 (zh)

Families Citing this family (155)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108562589B (zh) * 2018-03-30 2020-12-01 慧泉智能科技（苏州）有限公司 一种对磁路材料表面缺陷进行检测的方法
CN108664967B (zh) * 2018-04-17 2020-08-25 上海媒智科技有限公司 一种多媒体页面视觉显著性预测方法及系统
CN110619619A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种缺陷检测方法、装置及电子设备
CN109033944B (zh) * 2018-06-07 2021-09-24 西安电子科技大学 一种全天空极光图像分类与关键局部结构定位方法及系统
CN108876781A (zh) * 2018-06-26 2018-11-23 广东工业大学 基于ssd算法的表面缺陷识别方法
CN110717880B (zh) * 2018-07-11 2022-07-05 杭州海康威视数字技术股份有限公司 一种缺陷检测方法、装置及电子设备
CN109239073B (zh) * 2018-07-28 2020-11-10 西安交通大学 一种用于汽车车身的表面缺陷检测方法
CN109242830A (zh) * 2018-08-18 2019-01-18 苏州翔升人工智能科技有限公司 一种基于深度学习的机器视觉技术检测方法
CN109300109B (zh) * 2018-08-23 2020-10-09 苏州富鑫林光电科技有限公司 机器学习的工业智能图像分割及识别系统
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
CN109509172A (zh) * 2018-09-25 2019-03-22 无锡动视宫原科技有限公司 一种基于深度学习的液晶屏瑕疵检测方法及系统
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN109357679B (zh) * 2018-11-16 2022-04-19 山东浪潮科学研究院有限公司 一种基于显著性特征识别的室内定位方法
CN109583450A (zh) * 2018-11-27 2019-04-05 东南大学 基于前馈神经网络融合视觉注意先验的显著区域检测方法
CN109813276B (zh) * 2018-12-19 2021-01-26 五邑大学 一种基站天线下倾角测量方法及其系统
CN109740617A (zh) * 2019-01-08 2019-05-10 国信优易数据有限公司 一种图像检测方法及装置
CN109872303B (zh) * 2019-01-16 2021-04-23 北京交通大学 表面缺陷视觉检测方法、装置和电子设备
CN111563869B (zh) * 2019-01-25 2023-07-21 宁波舜宇光电信息有限公司 用于摄像模组质检的污点测试方法
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
CN109961437B (zh) * 2019-04-04 2021-06-25 江南大学 一种基于机器教学模式下的显著性织物疵点检测方法
CN110033451A (zh) * 2019-04-17 2019-07-19 国网山西省电力公司电力科学研究院 一种基于ssd架构的电力部件缺陷检测方法
CN110111331B (zh) * 2019-05-20 2023-06-06 中南大学 基于机器视觉的蜂窝纸芯缺陷检测方法
CN110232406B (zh) * 2019-05-28 2021-07-06 厦门大学 一种基于统计学习的液晶面板cf图片识别方法
CN110223295B (zh) * 2019-06-21 2022-05-03 安徽大学 基于深度神经网络色彩感知的显著性预测方法及装置
CN110349146B (zh) * 2019-07-11 2020-06-02 中原工学院 基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法
CN110632094B (zh) * 2019-07-24 2022-04-19 北京中科慧眼科技有限公司 一种基于逐点比对分析的图纹质量检测方法，装置与系统
CN110472639B (zh) * 2019-08-05 2023-04-18 山东工商学院 一种基于显著性先验信息的目标提取方法
CN112347823A (zh) * 2019-08-09 2021-02-09 中国石油天然气股份有限公司 沉积相边界识别方法及装置
CN110363254B (zh) * 2019-08-12 2024-02-02 河北工业大学 用于曲轴柔性生产线的零件种类快速识别装置
CN110580701A (zh) * 2019-08-13 2019-12-17 创新奇智(重庆)科技有限公司 一种基于计算机视觉的成衣测量和缺陷检测的方法
CN112417931B (zh) * 2019-08-23 2024-01-26 河海大学常州校区 一种基于视觉显著性的水面物体检测和分类的方法
CN110555831B (zh) * 2019-08-29 2023-09-26 天津大学 一种基于深度学习的排水管道缺陷分割方法
US11727522B2 (en) * 2019-10-11 2023-08-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
CN110827260B (zh) * 2019-11-04 2023-04-21 燕山大学 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN110766689A (zh) * 2019-11-06 2020-02-07 深圳微品致远信息科技有限公司 基于卷积神经网络进行物品图像缺陷检测的方法及装置
CN110827263B (zh) * 2019-11-06 2021-01-29 创新奇智(南京)科技有限公司 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法
CN111062910B (zh) * 2019-11-13 2023-06-20 易思维（杭州）科技有限公司 局部阈值分割方法及缺陷检测方法
CN110910363A (zh) * 2019-11-15 2020-03-24 上海交通大学 基于机器视觉和深度学习的虚焊检测方法、系统及介质
CN111028207B (zh) * 2019-11-22 2023-06-09 东华大学 基于即时-通用特征提取网络的纽扣瑕疵检测方法
CN110889837A (zh) * 2019-11-25 2020-03-17 东华大学 一种具有瑕疵分级功能的布匹瑕疵检测方法
CN110992329B (zh) * 2019-11-28 2023-06-30 上海微创卜算子医疗科技有限公司 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN110969606B (zh) * 2019-11-29 2023-08-08 华中科技大学 一种纹理表面缺陷检测方法及系统
CN111179278B (zh) * 2019-12-16 2021-02-05 精英数智科技股份有限公司 一种图像检测的方法、装置、设备和存储介质
CN111062934B (zh) * 2019-12-25 2023-10-13 陈金选 一种织物图像缺陷实时检测方法
CN111145163B (zh) * 2019-12-30 2021-04-02 深圳市中钞科信金融科技有限公司 一种纸张褶皱缺陷检测方法及装置
CN111222558B (zh) * 2019-12-31 2024-01-30 富联裕展科技(河南)有限公司 图像处理方法及存储介质
CN111210417B (zh) * 2020-01-07 2023-04-07 创新奇智(北京)科技有限公司 基于卷积神经网络的布匹缺陷检测方法
CN111275679B (zh) * 2020-01-17 2023-06-02 同济大学 一种基于图像的太阳能电池缺陷检测系统及方法
CN111275718B (zh) * 2020-01-18 2024-01-30 江南大学 一种基于显著区域分割的衣物量检测及护色洗判别方法
CN111242238B (zh) * 2020-01-21 2023-12-26 北京交通大学 一种rgb-d图像显著性目标获取的方法
CN111402197B (zh) * 2020-02-09 2023-06-16 西安工程大学 一种针对色织物裁片缺陷区域的检测方法
CN111402203B (zh) * 2020-02-24 2024-03-01 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法
CN111354031B (zh) * 2020-03-16 2023-08-29 浙江一木智能科技有限公司 基于深度学习的3d视觉引导系统
CN111476766B (zh) * 2020-03-31 2023-08-22 哈尔滨商业大学 基于深度学习的肺结节ct图像检测系统
CN111640120B (zh) * 2020-04-09 2023-08-29 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111598846B (zh) * 2020-04-26 2024-01-05 鲲鹏通讯(昆山)有限公司 一种基于yolo的隧道内铁轨缺陷检测方法
CN111553265B (zh) * 2020-04-27 2021-10-29 河北天元地理信息科技工程有限公司 一种排水管道内部缺陷的检测方法及系统
CN111582447B (zh) * 2020-04-30 2023-04-07 电子科技大学 基于多种网络特征的闭环检测方法
CN111652852B (zh) * 2020-05-08 2024-03-29 浙江华睿科技股份有限公司 一种产品表面缺陷检测方法和装置及设备
CN111582214B (zh) * 2020-05-15 2023-05-12 中国科学院自动化研究所 基于孪生网络的笼养动物行为分析方法、系统、装置
CN111768365B (zh) * 2020-05-20 2023-05-30 太原科技大学 基于卷积神经网络多特征融合的太阳能电池缺陷检测方法
CN113706437B (zh) * 2020-05-21 2024-03-15 国网智能科技股份有限公司 一种输电线路细粒度螺栓缺陷诊断方法及系统
CN111860579A (zh) * 2020-06-09 2020-10-30 广州寻星网络科技有限公司 布面瑕疵识别方法、系统和存储介质
CN111696092B (zh) * 2020-06-11 2023-08-25 深圳市华汉伟业科技有限公司 一种基于特征对比的缺陷检测方法及系统、存储介质
CN111768386B (zh) * 2020-06-30 2024-02-20 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN111950362B (zh) * 2020-07-07 2024-04-16 西北大学 一种金丝猴面部图像识别方法、装置、设备及存储介质
CN112070851B (zh) * 2020-07-07 2023-07-11 辽宁师范大学 基于遗传算法和bp神经网络的索引图预测方法
CN111968076A (zh) * 2020-07-24 2020-11-20 西安工程大学 一种基于s-yolov3的织物实时缺陷检测方法
KR20220013071A (ko) * 2020-07-24 2022-02-04 에스케이하이닉스 주식회사 깊이 맵 생성 장치
CN111882537B (zh) * 2020-07-28 2023-12-15 研祥智能科技股份有限公司 视觉检测方法及系统
CN111860465A (zh) * 2020-08-10 2020-10-30 华侨大学 基于超像素的遥感图像提取方法、装置、设备及存储介质
CN112102252B (zh) * 2020-08-21 2023-11-28 北京无线电测量研究所 一种微带天线焊点外观缺陷的检测方法及装置
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CN112085037B (zh) * 2020-09-21 2024-04-09 国网吉林省电力有限公司电力科学研究院 一种变电设备红外热故障特征提取及数字化表达方法
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
CN112308860B (zh) * 2020-10-28 2024-01-12 西北工业大学 基于自监督学习的对地观测图像语义分割方法
CN112541884A (zh) * 2020-10-30 2021-03-23 浙江大华技术股份有限公司 缺陷检测方法及设备、计算机可读存储介质
CN112418019A (zh) * 2020-11-08 2021-02-26 国家电网有限公司 架空电力通信光缆巡视系统及方法
CN112651972A (zh) * 2020-11-11 2021-04-13 北京平恒智能科技有限公司 使用双定位的整体约束的定位方法
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型
CN112508883A (zh) * 2020-11-24 2021-03-16 南京航空航天大学 一种列车车轮踏面锥形孔检测的自适应缺陷识别方法
CN112488125B (zh) * 2020-11-28 2021-12-14 重庆邮电大学 一种基于高速视觉诊断和bp神经网络的重建方法及系统
CN112465815B (zh) * 2020-12-17 2023-09-19 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112561892A (zh) * 2020-12-22 2021-03-26 东华大学 一种印花与提花面料的疵点检测方法
CN112598646A (zh) * 2020-12-23 2021-04-02 山东产研鲲云人工智能研究院有限公司 电容缺陷检测方法、装置、电子设备及存储介质
CN112541912B (zh) * 2020-12-23 2024-03-12 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112767339B (zh) * 2021-01-13 2023-12-29 哈尔滨工业大学 一种基于视觉注意模型的表面缺陷检测方法
CN112785568A (zh) * 2021-01-18 2021-05-11 厦门大学嘉庚学院 一种基于深度学习的磁瓦缺陷分割方法
CN112907519A (zh) * 2021-01-29 2021-06-04 广州信邦智能装备股份有限公司 一种基于深度学习的金属曲面缺陷分析系统及方法
CN112950547B (zh) * 2021-02-03 2024-02-13 佛山科学技术学院 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法
CN112991271B (zh) * 2021-02-08 2024-02-02 西安理工大学 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN112837311A (zh) * 2021-03-02 2021-05-25 苏州零样本智能科技有限公司 一种基于深度学习的聚乙烯颗粒缺陷检测识别系统及方法
CN113033635A (zh) * 2021-03-12 2021-06-25 中钞长城金融设备控股有限公司 一种硬币隐形图文检测方法及装置
CN113077454A (zh) * 2021-04-19 2021-07-06 凌云光技术股份有限公司 一种图像缺陷拟合方法、系统和存储介质
CN113269191A (zh) * 2021-04-19 2021-08-17 内蒙古智诚物联股份有限公司 一种农作物叶片病害识别方法、装置和存储介质
CN113192018B (zh) * 2021-04-23 2023-11-24 北京化工大学 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN113362276A (zh) * 2021-04-26 2021-09-07 广东大自然家居科技研究有限公司 板材视觉检测方法及系统
CN113313109A (zh) * 2021-05-13 2021-08-27 中国计量大学 一种荧光免疫层析试纸的半定量分析方法
CN113344857B (zh) * 2021-05-13 2022-05-03 深圳市华汉伟业科技有限公司 缺陷检测网络的训练方法、缺陷检测方法和存储介质
CN113375676B (zh) * 2021-05-26 2024-02-20 南京航空航天大学 一种基于脉冲神经网络的探测器着陆点定位方法
CN113379765B (zh) * 2021-06-09 2023-09-08 大连海事大学 一种路面修补区域提取与修补类型判定方法
CN113469224A (zh) * 2021-06-16 2021-10-01 浙江大学 一种基于卷积神经网络与特征描述算子相融合的大米分类方法
CN113470045B (zh) * 2021-06-16 2024-04-16 浙江工业大学 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法
CN113298809B (zh) * 2021-06-25 2022-04-08 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113313706B (zh) * 2021-06-28 2022-04-15 安徽南瑞继远电网技术有限公司 基于检测参考点偏移分析的电力设备缺陷图像检测方法
CN113554604B (zh) * 2021-07-01 2024-02-02 常州大学 一种基于机器视觉的熔喷布缺陷区域检测方法
CN113379729B (zh) * 2021-07-02 2023-07-25 四川启睿克科技有限公司 一种图像微小异常检测方法、装置及计算机可读存储介质
CN113554605B (zh) * 2021-07-07 2023-09-26 常州大学 一种基于特征匹配的织物异常区域检测方法
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法
CN113362347B (zh) * 2021-07-15 2023-05-26 广东工业大学 一种基于超像素特征增强的图像缺陷区域分割方法和系统
CN113658108A (zh) * 2021-07-22 2021-11-16 西南财经大学 一种基于深度学习的玻璃缺陷检测方法
CN113657238B (zh) * 2021-08-11 2024-02-02 南京精益安防系统科技有限公司 基于神经网络的火灾早期预警方法、存储介质及终端设备
CN113538503B (zh) * 2021-08-21 2023-09-01 西北工业大学 一种基于红外图像的太阳能板缺陷检测方法
CN113643275B (zh) * 2021-08-29 2024-03-01 浙江工业大学 一种基于无监督流形分割的超声波缺陷检测方法
CN113610843B (zh) * 2021-08-30 2023-10-24 合肥工业大学智能制造技术研究院 一种光纤编织层的实时缺陷识别系统及其方法
CN113506295B (zh) * 2021-09-10 2021-11-26 启东市海信机械有限公司 基于深度学习的带钢表面热轧滑移缺陷检测方法
CN113793314A (zh) * 2021-09-13 2021-12-14 河南丹圣源农业开发有限公司 一种石榴成熟度鉴别设备及使用方法
CN113642529B (zh) * 2021-09-17 2023-10-24 湖南科技大学 基于ga-bp神经网络的障碍物尺寸预测系统及方法
CN113834816A (zh) * 2021-09-30 2021-12-24 江西省通讯终端产业技术研究院有限公司 基于机器视觉的光伏电池缺陷在线检测方法及系统
CN113870236B (zh) * 2021-10-09 2024-04-05 西北工业大学 一种基于深度学习算法的复合材料缺陷无损探伤方法
CN115965734A (zh) * 2021-10-13 2023-04-14 北京字节跳动网络技术有限公司 图像处理方法及装置
CN114140400B (zh) * 2021-11-16 2024-04-12 湖北中烟工业有限责任公司 一种基于ransac与cnn算法检测烟包封签缺陷的方法
CN114092745B (zh) * 2021-11-26 2024-04-05 中国人民解放军空军工程大学 碳纤维复合材料红外热成像分层缺陷面积自动计算方法
CN114170174B (zh) * 2021-12-02 2024-01-23 沈阳工业大学 基于RGB-D图像的CLANet钢轨表面缺陷检测系统及方法
CN114463258A (zh) * 2021-12-23 2022-05-10 中铁第一勘察设计院集团有限公司 一种基于深度学习技术的机车车辆闸片磨耗检测方法
CN114565607A (zh) * 2022-04-01 2022-05-31 南通沐沐兴晨纺织品有限公司 基于神经网络的织物缺陷图像分割方法
CN114972225B (zh) * 2022-05-16 2023-04-25 上海可明科技有限公司 一种基于深度学习的两阶段光伏板缺陷检测方法
CN114926436A (zh) * 2022-05-20 2022-08-19 南通沐沐兴晨纺织品有限公司 一种用于周期性花纹织物的缺陷检测方法
CN115578660B (zh) * 2022-11-09 2023-04-07 牧马人(山东)勘察测绘集团有限公司 基于遥感图像的土地地块分割方法
CN115960605B (zh) * 2022-12-09 2023-10-24 西南政法大学 一种多色荧光碳点及其应用
CN115690105B (zh) * 2022-12-30 2023-03-21 无锡康贝电子设备有限公司 一种基于计算机视觉的铣刀划痕检测方法
CN115908142B (zh) * 2023-01-06 2023-05-09 诺比侃人工智能科技(成都)股份有限公司 一种基于视觉识别的接触网微小部件验损方法
CN116797533B (zh) * 2023-03-24 2024-01-23 东莞市冠锦电子科技有限公司 电源适配器的外观缺陷检测方法及其系统
CN116030061B (zh) * 2023-03-29 2023-08-22 深圳市捷超行模具有限公司 一种基于视觉的硅胶成型效果检测方法
CN116152807B (zh) * 2023-04-14 2023-09-05 广东工业大学 一种基于U-Net网络的工业缺陷语义分割方法及存储介质
CN116309589B (zh) * 2023-05-22 2023-08-01 季华实验室 钣金件表面缺陷检测方法、装置、电子设备及存储介质
CN116309600B (zh) * 2023-05-24 2023-08-04 山东金佳成工程材料有限公司 基于图像处理的环保纺织品质量检测方法
CN116402828B (zh) * 2023-06-09 2023-09-08 江苏森标科技有限公司 一种基于显著图的电池片缺陷检测方法及系统
CN116523901B (zh) * 2023-06-20 2023-09-19 东莞市京品精密模具有限公司 一种基于计算机视觉的冲切模具检测方法
CN116485801B (zh) * 2023-06-26 2023-09-12 山东兰通机电有限公司 基于计算机视觉的胶管质量在线检测方法及系统
CN116596922B (zh) * 2023-07-17 2023-09-12 山东龙普太阳能股份有限公司 一种太阳能热水器生产质量检测方法
CN116630813B (zh) * 2023-07-24 2023-09-26 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116681992B (zh) * 2023-07-29 2023-10-20 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN117315578A (zh) * 2023-08-14 2023-12-29 金钱猫科技股份有限公司 一种结合分类网络的锈斑面积扩大的监测方法与系统
CN116935179B (zh) * 2023-09-14 2023-12-08 海信集团控股股份有限公司 一种目标检测方法、装置、电子设备及存储介质
CN116934749B (zh) * 2023-09-15 2023-12-19 山东虹纬纺织有限公司 基于图像特征的纺织物瑕疵快速检测方法
CN117197006A (zh) * 2023-09-27 2023-12-08 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN116993745B (zh) * 2023-09-28 2023-12-19 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN117437188A (zh) * 2023-10-17 2024-01-23 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统
CN117132736B (zh) * 2023-10-25 2024-02-13 深圳市广通软件有限公司 一种基于元宇宙的体育场馆建模方法和系统
CN117152148B (zh) * 2023-10-31 2023-12-29 南通杰元纺织品有限公司 一种纺织物毛斑缺陷检测方法
CN117314901B (zh) * 2023-11-28 2024-02-02 闽都创新实验室 一种尺度自适应的芯片检测神经网络系统
CN117351062B (zh) * 2023-12-04 2024-02-23 尚特杰电力科技有限公司 风机扇叶缺陷诊断方法、装置、系统及电子设备
CN117541587B (zh) * 2024-01-10 2024-04-02 山东建筑大学 太阳能电池板缺陷检测方法、系统、电子设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201217395D0 (en) * 2012-09-28 2012-11-14 Omg Plc Determination of position from images and associated camera positions
EP2570970A1 (en) * 2011-09-16 2013-03-20 Technische Universität Berlin Method and system for the automatic analysis of an image of a biological sample
CN103729842A (zh) * 2013-12-20 2014-04-16 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
CN105701477A (zh) * 2016-02-19 2016-06-22 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法
CN105701508A (zh) * 2016-01-12 2016-06-22 西安交通大学 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法
CN106203430A (zh) * 2016-07-07 2016-12-07 北京航空航天大学 一种基于前景聚集度和背景先验的显著性物体检测方法
CN106447658A (zh) * 2016-09-26 2017-02-22 西北工业大学 基于全局和局部卷积网络的显著性目标检测方法
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置
CN106778634A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于区域融合的显著性人体区域检测方法
CN107169954A (zh) * 2017-04-18 2017-09-15 华南理工大学 一种基于并行卷积神经网络的图像显著性检测方法
CN107274419A (zh) * 2017-07-10 2017-10-20 北京工业大学 一种基于全局先验和局部上下文的深度学习显著性检测方法
CN107292875A (zh) * 2017-06-29 2017-10-24 西安建筑科技大学 一种基于全局‑局部特征融合的显著性检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660368B2 (en) * 2011-03-16 2014-02-25 International Business Machines Corporation Anomalous pattern discovery

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570970A1 (en) * 2011-09-16 2013-03-20 Technische Universität Berlin Method and system for the automatic analysis of an image of a biological sample
GB201217395D0 (en) * 2012-09-28 2012-11-14 Omg Plc Determination of position from images and associated camera positions
CN103729842A (zh) * 2013-12-20 2014-04-16 中原工学院 基于局部统计特征与整体显著性分析的织物疵点检测方法
CN105701508A (zh) * 2016-01-12 2016-06-22 西安交通大学 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法
CN105701477A (zh) * 2016-02-19 2016-06-22 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法
CN106203430B (zh) * 2016-07-07 2017-11-03 北京航空航天大学 一种基于前景聚集度和背景先验的显著性物体检测方法
CN106203430A (zh) * 2016-07-07 2016-12-07 北京航空航天大学 一种基于前景聚集度和背景先验的显著性物体检测方法
CN106447658A (zh) * 2016-09-26 2017-02-22 西北工业大学 基于全局和局部卷积网络的显著性目标检测方法
CN106599830A (zh) * 2016-12-09 2017-04-26 中国科学院自动化研究所 人脸关键点定位方法及装置
CN106778634A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于区域融合的显著性人体区域检测方法
CN107169954A (zh) * 2017-04-18 2017-09-15 华南理工大学 一种基于并行卷积神经网络的图像显著性检测方法
CN107292875A (zh) * 2017-06-29 2017-10-24 西安建筑科技大学 一种基于全局‑局部特征融合的显著性检测方法
CN107274419A (zh) * 2017-07-10 2017-10-20 北京工业大学 一种基于全局先验和局部上下文的深度学习显著性检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Superpixel-Based Spatiotemporal Saliency Detection;zhiliu等;《 IEEE Transactions on Circuits and Systems for Video Technology》;20140226;第274卷;第1522-1540页 *
基于图像配准与视觉显著性检测的指针仪表识别研究;张文杰;《中国博士学位论文全文数据库·信息科技辑》;20170315(第3期);第I138-63页 *
基于对比度与空间位置特征的显著性区域检测;张文杰等;《吉林大学学报》;20150930;第45卷(第5期);第1709-1717页 *
基于机器视觉的坯布疵点检测方法研究;魏娟;《中国优秀硕士学位论文全文数据库·工程科技Ⅰ辑》;20170215(第2期);第B024-14页 *
应用深度卷积神经网络的色织物缺陷检测;景军锋等;《纺织学报》;20170228;第38卷(第2期);第68-75页 *
金属表面缺陷自适应分割算法;马云鹏等;《仪器仪表学报》;20170131;第38卷(第1期);第245-252页 *

Also Published As

Publication number Publication date
CN107833220A (zh) 2018-03-23
WO2019104767A1 (zh) 2019-06-06

Similar Documents

Publication Publication Date Title
CN107833220B (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN109154978B (zh) 用于检测植物疾病的系统和方法
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
CN106875395B (zh) 基于深度神经网络的超像素级sar图像变化检测方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN108765465B (zh) 一种无监督sar图像变化检测方法
CN109636772A (zh) 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN110826389B (zh) 基于注意力3d频率卷积神经网络的步态识别方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN110717896A (zh) 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN107154044B (zh) 一种中餐食物图像的分割方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN111080574A (zh) 一种基于信息熵和视觉注意机制的织物疵点检测方法
Deepa et al. Improved watershed segmentation for apple fruit grading
Zhang et al. An empirical study on the artificial intelligence-aided quantitative design of art images
Zhu Moving Objects Detection and Segmentation Based on Background Subtraction and Image Over-Segmentation.

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
GR01 Patent grant
GR01 Patent grant