CN109064459A - 一种基于深度学习的布匹瑕疵检测方法 - Google Patents
一种基于深度学习的布匹瑕疵检测方法 Download PDFInfo
- Publication number
- CN109064459A CN109064459A CN201810838891.6A CN201810838891A CN109064459A CN 109064459 A CN109064459 A CN 109064459A CN 201810838891 A CN201810838891 A CN 201810838891A CN 109064459 A CN109064459 A CN 109064459A
- Authority
- CN
- China
- Prior art keywords
- sample
- fabric defect
- training
- defect detection
- deep learning
- 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
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的布匹瑕疵检测方法,涉及机器视觉技术领域,通过卷积神经网络离线学习训练并分成在线适用的标准无瑕疵布匹和有瑕疵布匹检测器;将训练成功的CNN布匹瑕疵检测器载入上位机,并置于自动生产检测线;进行在线全自动布匹瑕疵检测;通过快速循环卷积神经网络方法搜索定位瑕疵区域。本发明将特征和检测器结合到一个框架中,自动地从样本中去学习特征,在使用中减少了手工设计特征的巨大工作量,提高了特征选择便捷性和鲁棒性;提升了自动化和智能水平、有效提高检测的精度和速度的基于深度学习的布匹瑕疵检测及定位方法。
Description
技术领域
本发明属于计算机视觉瑕疵检测技术领域,具体涉及一种基于深度学习的布匹瑕疵检测方法。
背景技术
随着技术的不断进步,工业生产的自动化程度也越来越高,在布料生产中,提高生产效率的同时,成品的质量问题仍然不可避免。目前,大部分生产线还都是人工检测,然而该方法检测速度慢,劳动强度大,检测结果受检验人员的经验、熟练程度以及一些主观因素的影响,缺乏一致性和可靠性。同时,这种工作方式还会极大的损伤工人的视觉系统。由于人工检测效率低且不是一种客观一致的评判方法,检测结果容易使行业上下游之间产生贸易纠纷和矛盾。因此,对布匹瑕疵进行准确的识别、定位有着重要的现实意义。
现有布匹瑕疵检测的技术主要有统计法、频谱法、模型法、和学习方法。但是,这些方法或多或少都存在计算量大、准确率差和可靠性低的缺陷,很难满足工业要求。
(一)解决的技术问题
本发明的目的在于克服上述现有技术的缺点与不足,提供一种基于深度学习的布匹瑕疵检测方法。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于深度学习的布匹瑕疵检测方法,包括样本预处理、离线训练、在线检测三个阶段,具体步骤如下:
S1、训练样本的采集;
S2、进行样本的预处理;
S3、样本分类成有瑕疵和无瑕疵两类并进行处理;
S4、通过有瑕疵和无瑕疵两类样本,通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器;
S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机,并置于自动生产线;
S6、进行在线全自动布匹瑕疵检测;
S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。
进一步地,所述步骤S1样本总量为1万张以上。
进一步地,所述步骤S2包括以下子步骤:
S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波,使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声;
S2.2、对步骤S2.1所得到的图像进行去均值;
S2.3、对步骤S2.2所得到的图像进行归一化;
S2.4、对步骤S2.3所得到的图像进行PCA降维。
进一步地,步骤S3包括以下子步骤:
S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像,其中不包含瑕疵的子图像样本作为布匹正样本,含有瑕疵的子图像作为布匹负样本;
S3.2、在训练CNN网络模型的过程中,为增加布匹检测器的可靠性和健壮性,对步骤S3.1中的样本进行随机的微小尺度变换、对比度变换和旋转变换;
S3.3、每次调用小批样本时,小批数量选32个样本,随机对样本进行镜像对称,添加高斯噪声,并从变换后的小样本图像中随机抽取N*N的区域作为卷积神经网络的训练样本。
进一步地,所述正样本、负样本的比例控制为m:n。
进一步地,所述正样本、负样本的比例控制为1:2。
进一步地,步骤S4包括以下子步骤:
S4.1、根据布匹标准样本和布匹瑕疵样本,采用BP算法训练布匹瑕疵检测神经网络模型,每次迭代采用随机梯度下降法最小批计算网络误差并且迭代、更新权重;
S4.2、训练时,学习速率需要预先设定一个值x;
S4.3、每次迭代输入小批样本,输入样本数量为32个;
S4.4、卷积神经网络模型包括第一阶段通过前向计算得到互熵损失,第二阶段通过反向传播算法计算一小批样本上的梯度,第三阶段用这部分梯度迭代更新权重参数,对低层特征通过神经元进行线性组合形成高层特征;
S4.5、当测试集上的正确率满足所要求的准确率时终止卷积网络训练,最终获得布匹瑕疵检测器。
进一步地,所述步骤S4.2学习速率设定为0.01。
进一步地,步骤S7包括以下子步骤:
S7.1、输入测试图像,将整张图像输入CNN,进行特征提取;
S7.2、用RPN网络生成建议窗口,每张图片生成约300个建议窗口;
S7.3、把建议窗口映射到CNN的最后一层卷积特征图上;
S7.4、通过ROI池化层使每个ROI生成固定尺寸的特征图;
S7.5、利用探测分类概率和探测边框回归对分类概率和边框概率联合训练。
(三)有益效果
本发明的有益效果:一种基于深度学习的布匹瑕疵检测方法,具有如下优点:(1)在训练阶段,卷积神经网络从大量不同的布匹正样本和负样本中学习到布匹瑕疵本质的特征,这种特征比从图像人工提取的特征有更强的可识别性,即可分类性;(2)由于卷积神经网络对识别图像一定程度的缩放、位移以及其他形式的变形具有一定的鲁棒性;(3)对光照环境的变化,拍摄角度的变化具有很强的鲁棒性;(4)由于布匹瑕疵检测过程无需人工参与,布匹生产检测的自动化提高,操作简单,生产效率高,运行成本低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2为本发明卷积神经网络结构图;
图3为本发明卷积神经网络训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1,一种基于深度学习的布匹瑕疵检测方法,包括样本预处理、离线训练、在线检测三个阶段,具体步骤如下:
S1、训练样本的采集;样本总量为1万张以上;
S2、进行样本的预处理;
步骤S2包括以下子步骤:
S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波,使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声;
S2.2、对步骤S2.1所得到的图像进行去均值;
S2.3、对步骤S2.2所得到的图像进行归一化;
S2.4、对步骤S2.3所得到的图像进行PCA降维。
S3、样本分类成有瑕疵和无瑕疵两类并进行处理;
步骤S3包括以下子步骤:
S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像,其中不包含瑕疵的子图像样本作为布匹正样本,含有瑕疵的子图像作为布匹负样本;所述正样本、负样本的比例控制为m:n,本发明正样本、负样本的比例控制为1:2。
S3.2、在训练CNN网络模型的过程中,为增加布匹检测器的可靠性和健壮性,对步骤S3.1中的样本进行随机的微小尺度变换、对比度变换和旋转变换;
S3.3、每次调用小批样本时,小批数量选32个样本,随机对样本进行镜像对称,添加高斯噪声,并从变换后的小样本图像中随机抽取N*N的区域作为卷积神经网络的训练样本。
S4、通过有瑕疵和无瑕疵两类样本,通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器;
步骤S4包括以下子步骤:
S4.1、根据布匹标准样本和布匹瑕疵样本,采用BP算法训练布匹瑕疵检测神经网络模型,每次迭代采用随机梯度下降法最小批计算网络误差并且迭代、更新权重;
S4.2、训练时,学习速率需要预先设定一个值x,本发明学习速率设定为0.01;
S4.3、每次迭代输入小批样本,输入样本数量为32个;
S4.4、卷积神经网络模型包括第一阶段通过前向计算得到互熵损失,第二阶段通过反向传播算法计算一小批样本上的梯度,第三阶段用这部分梯度迭代更新权重参数,对低层特征通过神经元进行线性组合形成高层特征;
S4.5、当测试集上的正确率满足所要求的准确率时终止卷积网络训练,最终获得布匹瑕疵检测器。
S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机,并置于自动生产线;
S6、进行在线全自动布匹瑕疵检测;
S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。
步骤S7包括以下子步骤:
S7.1、输入测试图像,将整张图像输入CNN,进行特征提取;
S7.2、用RPN网络生成建议窗口,每张图片生成300个建议窗口;
S7.3、把建议窗口映射到CNN的最后一层卷积特征图上;
S7.4、通过ROI池化层使每个ROI生成固定尺寸的特征图;
S7.5、利用探测分类概率和探测边框回归对分类概率和边框概率联合训练。
实施例:
如图1所示,本发明方法分为离线和在线两个工作部分,离线训练部分示在线检测的基础,在线部分根据离线训练部分形成的方法和检测器进行持续性在线布匹瑕疵识别。
一种基于深度学习的布匹瑕疵检测方法,包括以下步骤:
S1、训练阶段,首先需要搜集训练样本,一共搜集10万张训练样本,正负样本比例控制为m:n,本案例比例控制为1:2。
S2、对样本进行预处理,所述样本预处理阶段包括:
S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波,本发明使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声;
S2.2、对步骤S2.1所得到的图像进行去均值;
S2.3、对步骤S2.2所得到的图像进行归一化;
S2.4、对步骤S2.3所得到的图像进行PCA降维,以加快训练网络的快速收敛。
S3、离线训练阶段首先进行样本分类,即将样本分为有瑕疵和无瑕疵两类并进行处理,具体处理步骤包括:
S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像,其中不包含瑕疵的子图像样本作为布匹正样本,含有瑕疵的子图像作为布匹负样本;
S3.2、在训练CNN网络模型的过程中,为增加布匹检测器的可靠性和健壮性,对样本图像进行随机的微小尺度变换([0.95,1.07倍])、对比度变换(对比系数[0.9,1.1])和旋转变换([-50,+50]度,每次变换5度);
S3.3、每次调用小批样本时,小批数量选32个样本,随机对样本进行镜像对称,添加高斯噪声,并从变换后的小样本图像中随机抽取N*N的区域作为卷积神经网络的训练样本。例如对60*60的小图像可以随机取56*56的区域,以增加样本的多样性,增强训练得到的卷积神经网络模型的泛化能力;
S4、训练阶段,通过有瑕疵和无瑕疵两类样本,通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器。结合流程图3,训练布匹瑕疵检测卷积神经网络检测器步骤包括:
S4.1、根据布匹标准样本和布匹瑕疵样本,采用BP算法训练布匹瑕疵检测神经网络模型,每次迭代采用随机梯度下降法最小批计算网络误差并且迭代、更新权重;
S4.2、训练时,学习速率需要预先设定一个值x,本发明学习速率设定为0.01;
S4.3、每次迭代输入32个样本,以平均误差更新参数;
S4.4、卷积神经网络模型包括第一阶段通过前向计算得到互熵损失,第二阶段通过反向传播算法计算一小批样本上的梯度,第三阶段用这部分梯度迭代更新权重参数,对低层特征通过神经元进行线性组合形成高层特征。
S4.5、当测试集上的正确率满足所要求的准确率时终止卷积网络训练,最终获得布匹瑕疵检测器。
卷积神经网络的结构采用图2所示的结构,该卷积神经网络共有6层,包括依次连接的输入层,C1层、R1层、P1层、C2层、R2层、P2层C3层、FC层和输出层。
C1层是与输入层相连的卷积层,包含了6个大小为32*32像素特征图。在卷积层中,上一层的特征图集合以组合形式与对应的滤波器进行卷积求和,加上偏置项后,输入激活函数求得当前卷积层的特征图,计算公式如下:式中k表示卷积核,h为网络层数,表示连接h层第i个特征图的卷积核;M为特征图的连接组合,b为偏置项;f为激励函数。
R1为激励层,A1层输出接一个激励函数,f为sigmoid激励函数,
首先需要给每个卷积层定义一个大小为i*i的卷积核,本发明C1层的卷积核大小为5*5,对应于输入图像中的5*5邻域,因此C1层的特征图大小由输入层的32*32减为28*28。
R1层输出接P1层,P1层为池化层,包含了6个特征图。每个特征图对应上一层的一个特征图,池化层主要起到降低特征分辨率、防止网络过拟合和减少噪声的作用。计算公式如下:式中down为下采样函数,β为增益系数,C1层的采样率为2,对应的β为0.25,所以特征图中每个神经元对C1层中相应特征图的2*2邻域进行采样,即该层特征图大小为14*14。
P1层输出接C2层,C2层也是卷积层,同样采用5*5的卷积核,得到16个10*10的特征图。C2层采用部分连接的方式,以实现网络的不对称性,从而使每个特征图学习到更多的抽象特征。
C2层输出接R2层,R2层和R1层一样为sigmoid激励函数;R2层输出接P2层,P2层也为池化层,包含了16个5*5大小的特征图,共有32个可训练参数。
C3层为卷积层,采用5*5大小的卷积核,包含了120个1*1的特征图。C3层输出接一个全连接层FC,FC层包含84个神经元。输出层有两个神经单元,每个单元代表了一个分类项。输出层使用平方误差和作为损失函数E,计算公式为:其中N为当前批次的样本总数,C为类别数,on为第n个样本的输出结果,yn为对应的参考标签。
CNN在初始化阶段将网络参数设置成不同随机数,通过训练过程不断优化,从而使损失函数不断收敛变小。其训练过程分为前向传播阶段和反向传播阶段。前向传播即将数据集中一个批次的样本输入到CNN中,经过中间层的变换映射,由输出层计算结果并且计算损失函数,反向传播即通过反向传播误差对网络参数进行更新。反向传播误差用δ表示,δ是损失函数E对偏置项b的变化率,计算公式如下:其中u为激励函数的输入,则输出层的灵敏度为当前层的灵敏度可由公式反推上一层的灵敏度,所以得出对误差的反向传播。
S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机,并置于自动生产线。
S6、进行在线全自动布匹瑕疵检测;在线检测时,采集布匹图像,并利用样本离线训练预处理的方法对获取的图像预处理,调用布匹瑕疵检测器对每幅布匹图像进行检测,如果发现存在瑕疵,则对存在缺陷的区域进行标记,并以检测的时间作为文件名命名该幅图像进行保存。
S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。
步骤S7包括以下子步骤:
S7.1、输入测试图像,将整张图像输入CNN,进行特征提取;
S7.2、用RPN网络生成建议窗口,每张图片生成300个建议窗口;
S7.3、把建议窗口映射到CNN的最后一层卷积特征图上;
S7.4、通过ROI池化层使每个ROI生成固定尺寸的特征图;
S7.5、利用探测分类概率和探测边框回归对分类概率和边框概率联合训练。
通过Faster-RCNN算法进行回归定位目标,首先,输入测试图像,将整张图像输入CNN,进行特征提取;然后用RPN网络生成建议窗口,每张图片生成300个建议窗口;把建议窗口映射到CNN的最后一层卷积特征图上;通过ROI池化层使每个ROI生成固定尺寸的特征图;做后利用探测分类概率和探测边框回归对分类概率和边框概率联合;瑕疵识别检测的输出方式或显示含瑕疵图像、或输出瑕疵区域位置、或给出报警信号等。
卷积神经网络避免了显式的样本特征提取,隐式的从训练样本中进行学习,这使得卷积神经网络明显区别传统的SVM和基于神经网络的分类器,通过结构重组和降低权值将特征提取功能融入多层感知器。它可以直接处理灰度图片,能直接用于处理基于图像的分类。
综上所述,本发明实施例,基于深度学习的布匹瑕疵检测方法,具有如下优点:
1、在训练阶段,卷积神经网络从大量不同的布匹正样本和负样本中学习到布匹瑕疵本质的特征,这种特征比从图像人工提取的特征有更强的可识别性,即可分类性。
2、由于卷积神经网络对识别图像一定程度的缩放、位移以及其他形式的变形具有一定的鲁棒性。
3、对光照环境的变化,拍摄角度的变化具有很强的鲁棒性。
4、由于布匹瑕疵检测过程无需人工参与,布匹生产检测的自动化提高,操作简单,生产效率高,运行成本低。
5、特征和检测器结合到一个框架中,自动地从样本中去学习特征,在使用中减少了手工设计特征的巨大工作量,提高了特征选择便捷性和鲁棒性。
6、提升了自动化和智能水平、有效提高检测的精度和速度的基于深度学习的布匹瑕疵检测及定位方法。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的布匹瑕疵检测方法,其特征在于,包括样本预处理、离线训练、在线检测三个阶段,具体步骤如下:
S1、训练样本的采集;
S2、进行样本的预处理;
S3、样本分类成有瑕疵和无瑕疵两类并进行处理;
S4、通过有瑕疵和无瑕疵两类样本,通过卷积神经网络离线学习训练并生成在线适用的布匹瑕疵检测器;
S5、将训练成功的卷积神经网络布匹瑕疵检测器载入上位机,并置于自动生产线;
S6、进行在线全自动布匹瑕疵检测;
S7、通过快速循环卷积神经网络方法搜索定位瑕疵区域。
2.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于:所述步骤S1样本总量为1万张以上。
3.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于:所述步骤S2包括以下子步骤:
S2.1、使用a*a邻域模板对采集的布匹样本进行均值滤波,使用3*3邻域模板来抑制布匹图像在采集过程中的图像噪声;
S2.2、对步骤S2.1所得到的图像进行去均值;
S2.3、对步骤S2.2所得到的图像进行归一化;
S2.4、对步骤S2.3所得到的图像进行PCA降维。
4.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于,步骤S3包括以下子步骤:
S3.1、分别将无瑕疵样本和有瑕疵样本分割成M*M的子图像,其中不包含瑕疵的子图像样本作为布匹正样本,含有瑕疵的子图像作为布匹负样本;
S3.2、在训练CNN网络模型的过程中,为增加布匹检测器的可靠性和健壮性,对步骤S3.1中的样本进行随机的微小尺度变换、对比度变换和旋转变换;
S3.3、每次调用小批样本时,小批数量选32个样本,随机对样本进行镜像对称,添加高斯噪声,并从变换后的小样本图像中随机抽取N*N的区域作为卷积神经网络的训练样本。
5.如权利要求4所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于,所述正样本、负样本的比例控制为m:n。
6.如权利要求5所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于,所述正样本、负样本的比例控制为1:2。
7.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于,步骤S4包括以下子步骤:
S4.1、根据布匹标准样本和布匹瑕疵样本,采用BP算法训练布匹瑕疵检测神经网络模型,每次迭代采用随机梯度下降法最小批计算网络误差并且迭代、更新权重;
S4.2、训练时,学习速率需要预先设定一个值x;
S4.3、每次迭代输入小批样本,输入样本数量为32个;
S4.4、卷积神经网络模型包括第一阶段通过前向计算得到互熵损失,第二阶段通过反向传播算法计算一小批样本上的梯度,第三阶段用这部分梯度迭代更新权重参数,对低层特征通过神经元进行线性组合形成高层特征;
S4.5、当测试集上的正确率满足所要求的准确率时终止卷积网络训练,最终获得布匹瑕疵检测器。
8.如权利要求7所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于,所述步骤S4.2学习速率设定为0.01。
9.如权利要求1所述的一种基于深度学习的布匹瑕疵检测方法,其特征在于,步骤S7包括以下子步骤:
S7.1、输入测试图像,将整张图像输入CNN,进行特征提取;
S7.2、用RPN网络生成建议窗口,每张图片生成300个建议窗口;
S7.3、把建议窗口映射到CNN的最后一层卷积特征图上;
S7.4、通过ROI池化层使每个ROI生成固定尺寸的特征图;
S7.5、利用探测分类概率和探测边框回归对分类概率和边框概率联合训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838891.6A CN109064459A (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的布匹瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838891.6A CN109064459A (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的布匹瑕疵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109064459A true CN109064459A (zh) | 2018-12-21 |
Family
ID=64836611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810838891.6A Pending CN109064459A (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的布匹瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064459A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN110838149A (zh) * | 2019-11-25 | 2020-02-25 | 创新奇智(广州)科技有限公司 | 一种相机光源自动配置方法及系统 |
CN110992311A (zh) * | 2019-11-13 | 2020-04-10 | 华南理工大学 | 一种基于特征融合的卷积神经网络瑕疵检测方法 |
CN111633111A (zh) * | 2020-05-21 | 2020-09-08 | 西安邮电大学 | 一种基于深度学习的渐进成形方法 |
CN112102224A (zh) * | 2019-06-18 | 2020-12-18 | 浙江工业大学 | 一种基于深度卷积神经网络的布匹疵点识别方法 |
CN112307673A (zh) * | 2020-11-02 | 2021-02-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的网格面质量检测方法 |
CN112816408A (zh) * | 2020-12-29 | 2021-05-18 | 南京施密特光学仪器有限公司 | 一种光学镜片的瑕疵检测方法 |
CN113245238A (zh) * | 2021-05-13 | 2021-08-13 | 苏州迪宏人工智能科技有限公司 | 一种弯管焊接瑕疵检测方法、装置及系统 |
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 |
CN113808035A (zh) * | 2021-08-25 | 2021-12-17 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
CN111383209B (zh) * | 2019-12-20 | 2023-07-07 | 广州光达创新科技有限公司 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
-
2018
- 2018-07-27 CN CN201810838891.6A patent/CN109064459A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
Non-Patent Citations (1)
Title |
---|
赵轶: "深度学习在硅钢钢片缺陷识别中的应用", 《数字技术与应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN112102224A (zh) * | 2019-06-18 | 2020-12-18 | 浙江工业大学 | 一种基于深度卷积神经网络的布匹疵点识别方法 |
CN110992311A (zh) * | 2019-11-13 | 2020-04-10 | 华南理工大学 | 一种基于特征融合的卷积神经网络瑕疵检测方法 |
CN110992311B (zh) * | 2019-11-13 | 2023-04-28 | 华南理工大学 | 一种基于特征融合的卷积神经网络瑕疵检测方法 |
CN110838149A (zh) * | 2019-11-25 | 2020-02-25 | 创新奇智(广州)科技有限公司 | 一种相机光源自动配置方法及系统 |
CN110838149B (zh) * | 2019-11-25 | 2020-10-23 | 创新奇智(广州)科技有限公司 | 一种相机光源自动配置方法及系统 |
CN111383209B (zh) * | 2019-12-20 | 2023-07-07 | 广州光达创新科技有限公司 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
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 |
CN111633111A (zh) * | 2020-05-21 | 2020-09-08 | 西安邮电大学 | 一种基于深度学习的渐进成形方法 |
CN112307673A (zh) * | 2020-11-02 | 2021-02-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于深度学习的网格面质量检测方法 |
CN112816408A (zh) * | 2020-12-29 | 2021-05-18 | 南京施密特光学仪器有限公司 | 一种光学镜片的瑕疵检测方法 |
CN112816408B (zh) * | 2020-12-29 | 2024-03-26 | 南京施密特光学仪器有限公司 | 一种光学镜片的瑕疵检测方法 |
CN113245238A (zh) * | 2021-05-13 | 2021-08-13 | 苏州迪宏人工智能科技有限公司 | 一种弯管焊接瑕疵检测方法、装置及系统 |
CN113808035A (zh) * | 2021-08-25 | 2021-12-17 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
CN113808035B (zh) * | 2021-08-25 | 2024-04-26 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064459A (zh) | 一种基于深度学习的布匹瑕疵检测方法 | |
Li et al. | Automatic fabric defect detection with a wide-and-compact network | |
Haselmann et al. | Anomaly detection using deep learning based image completion | |
CN113192040B (zh) | 一种基于YOLO v4改进算法的织物瑕疵检测方法 | |
Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
CN107169956B (zh) | 基于卷积神经网络的色织物疵点检测方法 | |
Gao et al. | A multilevel information fusion-based deep learning method for vision-based defect recognition | |
Pourkaramdel et al. | Fabric defect detection based on completed local quartet patterns and majority decision algorithm | |
Li et al. | A novel algorithm for defect extraction and classification of mobile phone screen based on machine vision | |
CN110610210B (zh) | 一种多目标检测方法 | |
CN109035226B (zh) | 基于LSTM模型的Mura缺陷检测方法 | |
Liu et al. | Unsupervised segmentation and elm for fabric defect image classification | |
Arikan et al. | Surface defect classification in real-time using convolutional neural networks | |
Helwan et al. | Deep learning based on residual networks for automatic sorting of bananas | |
CN117115147B (zh) | 一种基于机器视觉的纺织品检测方法及系统 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
CN115797694A (zh) | 基于多尺度孪生神经网络的显示面板微缺陷分类方法 | |
CN112115983A (zh) | 一种基于深度学习的农作物果实分拣算法 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
Celik et al. | A Novel Industrial Application of CNN Approach: Real Time Fabric Inspection and Defect Classification on Circular Knitting Machine | |
Kłosowski et al. | The use of transfer learning with very deep convolutional neural network in quality management | |
Zhang et al. | Rapid computer vision detection of apple diseases based on AMCFNet | |
CN113870241A (zh) | 一种基于胶囊神经网络的药片缺陷识别方法和装置 | |
He et al. | Pyramid feature fusion through shifted window self-attention for tobacco leaf classification |
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: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |