CN109272494B - 一种玩具表皮织品检测方法 - Google Patents
一种玩具表皮织品检测方法 Download PDFInfo
- Publication number
- CN109272494B CN109272494B CN201811014177.1A CN201811014177A CN109272494B CN 109272494 B CN109272494 B CN 109272494B CN 201811014177 A CN201811014177 A CN 201811014177A CN 109272494 B CN109272494 B CN 109272494B
- Authority
- CN
- China
- Prior art keywords
- image
- layers
- fabric
- probability
- adaptive threshold
- 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
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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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]
Abstract
一种玩具表皮织品检测方法,包括如下步骤,(1)、采集玩具表皮图像;(2)、对图像进行预处理;(3)、将图像输入到神经网络;(4)、将问题点概率与预设值进行比较,如果概率大于预设值,则认定为问题点;(5)、利用自适应阈值分割算法对图像进行分割,最终检测出织物图像中的问题区域;(6)、输出玩具表皮织品的问题区域。
Description
技术领域
本发明涉及一种玩具表皮织品检测方法,属于图像处理技术领域。
背景技术
现有技术中,织品检测是质量控制的重要一环,但传统的人工方式存在着很大的局限性,小的问题肉眼难以分辨,容易产生误检和漏检,并且成本也较高。为了提高检测质量,利用图像处理技术成为一种有效方法。
目前常见的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。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。但在图像背景复杂时候,识别率有所下降,同时还会增加方法的复杂度。为了客服现有检测方法的缺点,本发明提出了一种玩具表皮织品检测方法。这种方法可以自主学习图像中的特征信息。提高了检测效率和质量。
发明内容
本发明的发明目的是提供一种玩具表皮织品检测方法。
本发明采用的技术方案是:
(1)、采集玩具表皮图像;
(2)、对图像进行预处理,建立亮度Y与R、G、B三个颜色分量的关系,即Y=0.12B+0.48G+0.4R,对织品图像进行灰度化,采用双立方插值法对图像进行归一化处理。
(3)、将图像输入到神经网络,所述神经网络包括7层,一层输入层、两层卷积层、两层池化层以及两层全连接层,其中输入层用于输入处理后的图像,卷积层用于特征提取,池化层对上一卷积层进行下采样,经过卷积和池化,将获取的特征向量输入到全连接层,得到最终输出向量,获取每个像素点属于问题点的概率;在神经网络训练过程中使用指数衰减学习速率,衰减学习速率的计算方式如下:
η=l_rate*β^(1/d_speed)
其中l_rate是初始学习速率,η是更新后的学习率,β是衰减系数,d_speed是衰减速度;
(4)、将问题点概率与预设值进行比较,如果概率大于预设值,则认定为问题点;
(5)、利用自适应阈值分割算法对图像进行分割,最终检测出织物图像中的问题区域,其中自适应阈值选取公式为:
当像素值p>0.5时,自适应阈值Y=m1*p-n1;
当像素值p<=0.5时,自适应阈值Y=m2*p-n2;
其中是m1比例因子1,m2是比例因子2,n1是移动因子1,n2是移动因子2,p是像素值;
(6)、输出玩具表皮织品的问题区域。
本发明与现有技术相比具有下列优点:
1.可以对玩具表皮织品进行有效识别且达到了95%以上的准确率,具有良好的准确率。
2.采用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。
附图说明
图1是本发明的流程图。
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,一种玩具表皮织品检测方法,包括如下步骤:
(1)、采集玩具表皮图像;生产过程中,通过工业线阵相机拍摄织品图像作为样本;
(2)、对图像进行预处理,建立亮度Y与R、G、B三个颜色分量的关系,即Y=0.12B+0.48G+0.4R,对织品图像进行灰度化,采用双立方插值法对图像进行归一化处理。
(3)、将图像输入到神经网络,所述神经网络包括7层,一层输入层、两层卷积层、两层池化层以及两层全连接层,其中输入层用于输入处理后的图像,卷积层用于特征提取,池化层对上一卷积层进行下采样,经过卷积和池化,将获取的特征向量输入到全连接层,得到最终输出向量,获取每个像素点属于问题点的概率;在神经网络训练过程中使用指数衰减学习速率;
(4)、将问题点概率与预设值进行比较,如果概率大于预设值,则认定为问题点;
(5)、利用自适应阈值分割算法对图像进行分割,最终检测出织物图像中的问题区域;
(6)、输出玩具表皮织品的问题区域。
优选的,衰减学习速率的计算方式如下:
η=l_rate*β^(1/d_speed)
其中l_rate是初始学习速率,η是更新后的学习率,β是衰减系数,d_speed是衰减速度。
实施例二:参见图1所示,一种玩具表皮织品检测方法,包括如下步骤:
(1)、采集玩具表皮图像;生产过程中,通过工业线阵相机拍摄织品图像作为样本;
(2)、对图像进行预处理,建立亮度Y与R、G、B三个颜色分量的关系,即Y=0.12B+0.48G+0.4R,对织品图像进行灰度化,采用双立方插值法对图像进行归一化处理。
(3)、将图像输入到神经网络,所述神经网络包括7层,一层输入层、两层卷积层、两层池化层以及两层全连接层,其中输入层用于输入处理后的图像,卷积层用于特征提取,池化层对上一卷积层进行下采样,经过卷积和池化,将获取的特征向量输入到全连接层,得到最终输出向量,获取每个像素点属于问题点的概率;在神经网络训练过程中使用指数衰减学习速率;
(4)、将问题点概率与预设值进行比较,如果概率大于预设值,则认定为问题点;
(5)、利用自适应阈值分割算法对图像进行分割,最终检测出织物图像中的问题区域;
(6)、输出玩具表皮织品的问题区域。
优选的,自适应阈值选取公式为:
当像素值p>0.5时,自适应阈值Y=m1*p-n1;
当像素值p<=0.5时,自适应阈值Y=m2*p-n2;
其中是m1比例因子1,m2是比例因子2,n1是移动因子1,n2是移动因子2,p是像素值。
本发明玩具表皮织品检测方法检测速度快,准确性高,适于大范围推广使用。
Claims (1)
1.一种玩具表皮织品检测方法,其特征在于:包括如下步骤:
(1)、采集玩具表皮图像,通过工业线阵相机拍摄织品图像作为样本;
(2)、对图像进行预处理,建立亮度Y与R、G、B三个颜色分量的关系,即Y=0.12B+0.48G+0.4R,对织品图像进行灰度化,采用双立方插值法对图像进行归一化处理;
(3)、将图像输入到神经网络,所述神经网络包括7层,一层输入层、两层卷积层、两层池化层以及两层全连接层,其中输入层用于输入处理后的图像,卷积层用于特征提取,池化层对上一卷积层进行下采样,经过卷积和池化,将获取的特征向量输入到全连接层,得到最终输出向量,获取每个像素点属于问题点的概率;在神经网络训练过程中使用指数衰减学习速率;
(4)、将问题点概率与预设值进行比较,如果概率大于预设值,则认定为问题点;
(5)、利用自适应阈值分割算法对图像进行分割,最终检测出织物图像中的问题区域;
(6)、输出玩具表皮织品的问题区域;
其中,衰减学习速率的计算方式如下:
η=l_rate*β^(1/d_speed)
其中l_rate是初始学习速率,η是更新后的学习率,β是衰减系数,d_speed是衰减速度;
其中,自适应阈值选取公式为:
当像素值p>0.5时,自适应阈值Y=m1*p-n1;
当像素值p<=0.5时,自适应阈值Y=m2*p-n2;
其中是m1比例因子1,m2是比例因子2,n1是移动因子1,n2是移动因子2,p是像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811014177.1A CN109272494B (zh) | 2018-08-31 | 2018-08-31 | 一种玩具表皮织品检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811014177.1A CN109272494B (zh) | 2018-08-31 | 2018-08-31 | 一种玩具表皮织品检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272494A CN109272494A (zh) | 2019-01-25 |
CN109272494B true CN109272494B (zh) | 2020-07-10 |
Family
ID=65154980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811014177.1A Active CN109272494B (zh) | 2018-08-31 | 2018-08-31 | 一种玩具表皮织品检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272494B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175692A (zh) * | 2011-03-17 | 2011-09-07 | 嘉兴学院 | 织物坯布疵点快速检测系统及方法 |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
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 |
CN106845556A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于卷积神经网络的织物疵点检测方法 |
JP2017142890A (ja) * | 2016-02-08 | 2017-08-17 | トヨタ自動車株式会社 | 膜電極接合体製造装置 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT508159B1 (de) * | 2009-06-05 | 2010-11-15 | Starlinger & Co Gmbh | Fehlerstellenerkennung |
CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
CN107274390A (zh) * | 2017-06-05 | 2017-10-20 | 镇江苏仪德科技有限公司 | 一种基于小波分解的织物疵点区域特征值提取的方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
-
2018
- 2018-08-31 CN CN201811014177.1A patent/CN109272494B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175692A (zh) * | 2011-03-17 | 2011-09-07 | 嘉兴学院 | 织物坯布疵点快速检测系统及方法 |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
JP2017142890A (ja) * | 2016-02-08 | 2017-08-17 | トヨタ自動車株式会社 | 膜電極接合体製造装置 |
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 |
CN106845556A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于卷积神经网络的织物疵点检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109272494A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN103927534B (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
CN107316295A (zh) | 一种基于深度神经网络的织物瑕疵检测方法 | |
CN109635744A (zh) | 一种基于深度分割网络的车道线检测方法 | |
CN109977774B (zh) | 一种基于自适应卷积的快速目标检测方法 | |
CN111274921B (zh) | 一种利用姿态掩模进行人体行为识别的方法 | |
CN110399840B (zh) | 一种快速的草坪语义分割及边界检测方法 | |
CN112837295A (zh) | 一种基于生成对抗网络的橡胶手套缺陷检测方法 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN112785637B (zh) | 一种基于动态融合网络的光场深度估计方法 | |
CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
CN110084302B (zh) | 一种基于遥感图像的裂缝检测方法 | |
CN108921003A (zh) | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 | |
CN112967271B (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
CN116205907A (zh) | 一种基于机器视觉的饰板缺陷检测方法 | |
CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
CN115049921A (zh) | 基于Transformer边界感知的光学遥感图像显著目标检测方法 | |
CN110136098B (zh) | 一种基于深度学习的线缆顺序检测方法 | |
CN109272494B (zh) | 一种玩具表皮织品检测方法 | |
CN110111358B (zh) | 一种基于多层时序滤波的目标跟踪方法 | |
CN116523875A (zh) | 基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法 | |
CN111161228A (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN107766838B (zh) | 一种视频场景切换检测方法 | |
Niu et al. | Underwater Waste Recognition and Localization Based on Improved YOLOv5. |
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 |