CN109325940A - 织物检测方法及装置、计算机设备和计算机可读介质 - Google Patents
织物检测方法及装置、计算机设备和计算机可读介质 Download PDFInfo
- Publication number
- CN109325940A CN109325940A CN201811034384.3A CN201811034384A CN109325940A CN 109325940 A CN109325940 A CN 109325940A CN 201811034384 A CN201811034384 A CN 201811034384A CN 109325940 A CN109325940 A CN 109325940A
- Authority
- CN
- China
- Prior art keywords
- fault
- fabric
- network
- image
- candidate region
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了基于属性/疵点分类判别的织物检测方法及装置、计算机设备及计算机可读介质,该方法包括:当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征;根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。该方法、装置、计算机设备和计算机可读介质利用属性/疵点分类判别网络对织物图像中的候选区域进行分类判别,检测出其中属于疵点的疵点有效区域,排除属于织物属性的织物属性无效区域,从而能提高织物疵点检测的准确度。
Description
技术领域
本申请涉及织物检测技术领域,特别涉及基于属性/疵点分类判别的织物检测方法及装置、计算机设备及计算机可读介质。
背景技术
在机织布、针织布、非织造布等织物的生产线上,需要检测所生产出来的织物是否存在疵点,例如,织物上是否有污渍、破洞、起毛等等。
目前的检测方法主要是由检测人员站在验布设备前通过肉眼检测的方式发现织物疵点并对疵点进行标记或记录。在织物的产量很大的情况下,由检测人员来检测将会很费人力,而且,检测人员在工作一段时间之后容易疲劳,从而存在发生误检的可能性。因此,由检测人员来检测的总体缺陷检测效率不高、并且检测准确度不够稳定。
相关技术中,利用计算机进行验布主要是通过机器视觉和疵点分类方法来实现,也即,通过摄像技术获取待检测的布料图像,通过预先设置多个类别,利用检测模型根据该图像的特征确定该图像分别属于该多个类别中的每个类别的概率,并将概率最大的类别确定为该图像所述的类别,以得到该布料图像所述的疵点分类。但是,目前利用计算机进行验布的方法都没有将织物本身的属性特征(例如印花、纹理等)加以考虑,往往会将织物的属性特征误检为疵点,导致检测的准确率非常低。
发明内容
鉴于以上问题,本发明的实施例提供一种基于属性/疵点分类判别的织物检测方法及装置、计算机设备及计算机可读介质,其能解决上述背景技术部分提到的技术问题。
按照本发明的实施例的基于属性/疵点分类判别的织物检测方法,包括:当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征;根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。
按照本发明的实施例的基于属性/疵点分类判别的织物检测装置,包括:获取模块,用于当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征;检测模块,用于根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。
按照本发明的实施例的计算机设备,包括处理器;以及存储器,其上存储有可执行指令,其中,所述可执行指令当被执行时使得所述处理器执行前述的方法。
按照本发明的实施例的计算机可读介质,其上存储有可执行指令,其中,所述可执行指令当被执行时使得计算机执行前述的方法。
从以上的描述可以看出,本发明的实施例的方案对织物进行疵点检测时,利用属性/疵点分类判别网络对织物图像中的候选区域进行分类判别,检测出其中属于疵点的疵点有效区域,排除属于织物属性的织物属性无效区域,从而能提高织物疵点检测的准确度。
附图说明
图1为按照本发明的一个实施例的基于属性/疵点分类判别的织物检测方法的流程图;
图1a为按照本发明的一个实施例的基于属性/疵点分类判别的网络结构图;
图1b为按照本发明的一个实施例的RNN-ResNet模型的一个神经网络基本单元的结构示意图;
图1c为按照本发明的一个实施例的LSTM-ResNet模型的一个神经网络基本单元的结构示意图;
图1d为按照本发明的一个实施例的属性/疵点分类判别网络的结构示意图;
图1e为按照本发明的一个实施例的目标分类回归网络的结构示意图;
图2为按照本发明的一个实施例的用于神经网络训练的方法的流程图;
图3为按照本发明的一个实施例的基于属性/疵点分类判别的织物检测方法的总体流程图;
图4为按照本发明的一个实施例的基于属性/疵点分类判别的织物检测装置的示意图;
图5为按照本发明的一个实施例的计算机设备的示意图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
图1示出了按照本发明的一个实施例的基于属性/疵点分类判别的织物检测方法的流程图。图1所示的方法100可以由计算机或其他合适的具有计算能力的电子设备来设备。
如图1所示,方法100可以包括,在方框102,当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征。
方法100还可以包括:在方框104,根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。
在一个方面,所述属性/疵点分类判别网络包括依次连接的ROI区域池化层、若干隐层和softmax层。
方法100还可以包括:在方框106,如果所述候选区域中存在疵点有效区域,则利用分类器对所述疵点有效区域对应的对象进行分类并确定所述指定图像所包含的织物表面的疵点类型。
其中,疵点类型例如但不局限于斑、纱疵、织疵、印染疵点、边疵、褶皱、纬斜、破洞、勾丝、磨毛不均、剪毛不良、起毛、擦伤、驳口、停机痕。其中,斑包括油污、锈点、色点、污渍、霉斑、助剂斑;纱疵包括死棉、粗节、飞花、粗幼纱、污纱、条干不均;织疵包括断纱、纱结、漏针、烂针、拉架松紧、断拉架、间距不稳、布面起蛇、底纱露面、色纤、针路、错纱、纱痕、拉架露底、拉架露面;印染疵点包括漏印、印花移位、印花沾色、印花过底、印花不良、染花、阴阳色、走色、匹差;边疵包括针孔边、双针孔、卷边、烂边、窄封、阔封;褶皱包括中间夹痕、布面起皱、折痕;纬斜包括斜纹、弓形。
在又一个方面,所述分类器包括贝叶斯分类器、近邻分类器、softmax分类器、SVM分类器的其中一种。
在另一个方面,所述获取所述指定图像的织物属性特征包括:利用时序性神经网络,或,时序性-残差神经网络获取所述候选区域的织物属性特征;其中,所述时序性-残差神经网络为在时序性神经网络的每一基本单元添加残差网络构成的神经网络,所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。
其中,时序性神经网络包括循环神经网络(RNN:Recurrent Neural Network)、长短时记忆网络(LSTM:Long Short-Term Memory),或门控循环单元网络(GRU:GatedRecurrent Unit)。相应的,所述时序性-残差神经网络包括循环-残差神经网络(RNN-ResNet:Recurrent Neural Network-Residual Network)、长短时记忆-残差神经网络(LSTM-ResNet)、或门控循环单元一残差神经网络(GRU-ResNet)。
本发明的实施例的方案对织物进行疵点检测时,利用属性/疵点分类判别网络对织物图像中的候选区域进行分类判别,检测出其中属于疵点的疵点有效区域,排除属于织物属性的织物属性无效区域,从而能提高织物疵点检测的准确度。
图1a示出了按照本发明的一个实施例的基于属性/疵点分类判别的网络结构图。如图1a所示,该网络结构包括候选区域生成网络、织物属性特征获取网络、属性/疵点分类判别网络、卷积特征提取网络和目标分类回归网络。
在一个方面,候选区域生成网络可以采用区域建议网络(RPN:Region ProposalNetwork)或者采用识别定位和图像分割算法,RPN、识别定位和图像分割算法均为现有技术,在此省略对其的描述。候选区域生成网络用于对图像所包含的织物表面的对象进行识别定位并分割以生成候选区域,该对象包括疵点、织物属性。
在另一个方面,织物属性特征获取网络用于获取候选区域所包含的对象的织物属性信息,织物属性特征获取网络例如可以采用RNN-ResNet,其是在RNN中加入ResNet连接形成RNN-ResNet,其中ResNet可以将RNN上一时刻的输出加权叠加到当前输出上,使得较深的神经网络易于训练。本实施例中,RNN可以为常用的序列识别网络,可以理解的是,添加ResNet的实质过程是对于RNN基本单元进行添加,图1b是本实施例提供的RNN-ResNet的神经网络基本单元的结构示意图,其添加后的神经网络基本单元计算公式如下:
st=f(Uxt+Wst-1)+α·st-1
ot=SOFTMAX(Vst)
其中,xt为t时刻的外界输入,st为t时刻的RNN-ResNet神经网络单元记忆输出,U、V、W为网络参数,f可以是tanh等函数,ot为t时刻的输出,α是残差系数。
可以理解的是,在RNN基本单元中添加了残差系数α,从而使得RNN基本单元的记忆输出st项增加了α·st-1项,将RNN上一时刻的输出加权叠加到当前输出上。当α为0时,即为普通的RNN基本单元,当α为1时,RNN基本单元中的f(Uxt+Wst-1)相当于学习st-st-1,即引入残差机制,当0<α<1时,为两种情况的折衷方案。
本实施例采用RNN-ResNet模型是因为,如果采用常用的RNN模型,当模型层数较多时,由于随着层数的增多,当使用反向传播方法计算导数的时候,反向传播的梯度(从输出层到网络的最初几层)的幅度值会急剧地减小,结果造成了整体的损失函数相对于最初几层的权重的导数非常小,这样,当使用梯度下降法的时候,最初几层的权重变化非常缓慢,以至于它们不能够从训练样本中进行有效的学习,从而出现梯度弥散(diffusion ofgradients)的现象。而采用RNN-ResNet模型,在RNN中加入ResNet连接,其中ResNet可以将RNN上一时刻的输出加权叠加到当前输出上,使得较深的神经网络易于训练。
本领域技术人员将理解,虽然在上面的实施例中,被训练用来获取织物属性特征的神经网络是RNN-ResNet,然而,本发明并不局限于此。在本发明的其他实施例中,被训练用来获取织物属性特征的神经网络还可以是包括循环神经网络(RNN:Recurrent NeuralNetwork)、长短时记忆(LSTM:Long Short-Term Memory)或门控循环单元(GRU:GatedRecurrent Unit)在内的时序性神经网络,还可以是LSTM与ResNet结合的长短时记忆-残差网络(LSTM-ResNet)或GRU与ResNet结合的门控循环单元-残差网络(GRU-ResNet)。图1c示出了一个实施例的LSTM-ResNet的一个神经网络基本单元的结构示意图。如图1c所示,其添加ResNet的实质过程是对于LSTM基本单元进行添加,从而使得基本单元在输出st中增加了α·st-1项,将LSTM单元上一时刻的输出加权到当前时刻的输出上。GRU-ResNet的原理与上述相同,在此省略对其的描述。
在本实施例中,属性/疵点分类判别网络的输入为候选区域生成网络生成的候选区域和织物属性特征获取网络获取的织物属性特征,输出为疵点有效区域。属性/疵点分类判别网络根据织物属性特征对候选区域进行属性/疵点的二分类判别,然后排除被判别为织物属性的无效候选区域,保留被判别为疵点的有效候选区域。
在又一个方面,如图1d所示,属性/疵点分类判别网络可以包括依次连接的一个ROI区域池化层、三个全连接层(隐层)和一个softmax层,具体实施时,属性/疵点分类判别网络的网络参数可采用如表1所示。
表1、本实施例属性/疵点分类判别网络参数
在再一个方面,卷积特征提取网络可以采用ZFNet、AlexNet的其中一种,卷积特征提取网络用于提取候选区域生成网络生成的候选区域的特征图,其为现有技术,在此省略对其的描述。
在又另一个方面,目标分类回归网络根据属性/疵点分类判别网络输出的疵点有效区域,从卷积特征提取网络提取的特征图中提取区域特征,从而确定疵点有效区域中是否存在疵点以及目标边界框回归修正。
图1e示出了按照本发明的一个实施例的目标分类回归网络的结构示意图。具体实施时,目标分类回归网络的网络参数可以采用如表2所示。
表2、本实施例目标分类回归网络参数
图2示出了按照本发明的一个实施例的用于神经网络训练的方法的流程图。图2所示的方法200对应于训练阶段,其利用训练数据训练得到用于织物检测的神经网络。图2所示的方法200可以由计算机或其他合适的具有计算能力的电子设备来实现。
如图2所示,在方框202,接收多个原始拍摄的图像。其中,该多个原始拍摄的图像包括多个无疵点的正常图像和多个有疵点的问题图像,所述多个正常图像包括具有连续性的多个图像和不具有连续性的多个图像。具有连续性的多个图像拼接形成至少一个织物属性循环,例如组织结构循环、印花循环。
在方框204,对该多个原始拍摄的图像执行图像标注(Image Annotation)处理,以得到第一样本图像集SP1。其中,第一样本图像集SP1中的每一个样本图像是对该多个原始拍摄的图像的其中一个图像执行图像标注处理得到的。图像标注处理是已知的技术,在此省略对其的描述。每一图像可以含有一个或多个属性的标注信息,例如关于属性的标注信息、关于疵点的标注信息。
在方框206,对第一样本图像集SP1执行灰度化处理,以将第一样本图像集SP1中的各个样本图像转换为灰度图像。
在方框208,从已灰度化处理的第一样本图像集SP1中选取一些或全部样本图像作为种子图像。
在方框210,对每一个种子图像执行一次或多次等角度旋转、镜像和/或其他合适的操作,以从每一个种子图像中衍生得到一个或多个图像。其中,已灰度化处理的第一样本图像集SP1中的样本图像和从各个种子图像中衍生得到的图像共同组合成第二样本图像集SP2。
通过方框208和210的操作,能够增加训练样本的数量(例如,能够将2500张样本图像经过处理后得到超过50000张,甚至100000张的样本图像),而随着训练样本的增加,最后训练得到的神经网络模型具有更高的检测准确度。
方框206-210构成了方法200的图像预处理过程(Image Preprocessing)。
在方框212,获取第二样本图像集SP2中的各个灰度图像的属性参数,其中,该属性参数包括但不局限于图像的长度、宽度等。
在方框214,从第二样本图像集SP2中选取其属性参数满足第一规则集中的各个规则的多个图像,作为用于训练RNN-ResNet的第三样本图像集SP3。其中,该第一规则集用于定义适用于训练RNN-ResNet的样本图像需要满足的条件。例如,第一规则集定义适用于RNN-ResNet的样本图像需要满足的长度限制、宽度限制等。其中,第三样本图像集SP3包括具有连续性的多个图像。
通常情况下,织物的部分表面属性具有周期循环的规律,通过具有连续性的多个图像来训练RNN-ResNet,能够利用其记忆功能,对具有规律性的织物属性进行检测训练。
在方框216,从第二样本图像集SP2中选取其属性参数满足第二规则集中的各个规则的多个图像,作为用于训练属性/疵点分类判别网络的第四样本图像集SP4。其中,该第二规则集用于定义适用于训练属性/疵点分类判别网络的样本图像需要满足的条件。例如,第二规则集定义适用于训练属性/疵点分类判别网络的样本图像需要满足的长度限制、宽度限制等。第四样本图像集SP4包括多个正常图像和多个问题图像。
在方框218,从第二样本图像集SP2中选取其属性参数满足第三规则集中的各个规则的多个图像,作为用于训练softmax分类器的第五样本图像集SP5。其中,该第三规则集用于定义适用于训练softmax分类器的样本图像需要满足的条件。例如,第三规则集定义适用于训练softmax分类器的样本图像需要满足的长度限制、宽度限制等。第五样本图像集SP5包括多个多种疵点分类的问题图像。
在方框220,使用第三样本图像集SP3作为训练数据,训练得到RNN-ResNet。
在方框222,使用第四样本图像集SP4作为训练数据,训练得到属性/疵点分类判别网络。
在方框224,使用第五样本图像集SP5作为训练数据,训练得到softmax分类器。
图3示出了按照本发明的一个实施例的基于属性/疵点分类判别的织物检测方法的总体流程图。图3所示的方法300对应于实际检测阶段,其使用方法200训练得到的RNN-ResNet、属性/疵点分类判别网络和softmax分类器来检测图像所包含的织物表面是否存在疵点。图3所示的方法300可以例如由计算机或其他合适的具有计算能力的电子设备来实现。
如图3所示,在方框302,当要检测图像T所包含的织物表面是否存在疵点时,对图像T执行预处理,例如但局限于,将图像T转换为灰度图像等。
在方框304,对图像T执行识别定位和图像分割处理,获得一个或多个候选区域。
其中,每一候选区域对应一织物表面的目标对象,目标对象可以是织物属性和/或疵点,织物属性例如但不限于印花、纹理、提花、花色等织物本身具有的属性。识别定位和图像分割处理是已知的技术,在此省略对其的描述。
在方框306,利用已训练的RNN-ResNet获取所述候选区域所对应的对象的织物属性特征。
在方框308,根据所述织物属性特征,利用已训练的属性/疵点分类判别网络对所述候选区域进行分类。
其中,可将所述候选区域和织物属性特征输入属性/疵点分类判别网络,进行属性/疵点的二分类判别,然后排除被判别为织物属性的无效区域,保留被判别为疵点的有效区域。若图像T全部区域均被判别为无效区域,则分类为正常图像,若判别结果存在有效区域,则分类为问题图像。
在方框310,如果图像T被分类为正常图像,则确定图像T所包含的织物表面不存在疵点,然后流程结束。
在方框312,如果图像T被分类为问题图像,则利用已训练的softmax分类器对图像T进行分类。
在方框314,确定图像T所包含的织物表面的疵点类型并输出疵点类型的信息,然后流程结束。
其他变型
本领域技术人员将理解,虽然在上面的实施例中,方法300包括对图像T执行预处理的方框302,然而,本发明并不局限于此。在本发明的其他实施例中,例如但不局限于,在图像T的初始状态下已适用于利用模型或分类器来进行分类的情况下,方法300也可以不包括对图像T执行预处理的方框302。
本领域技术人员将理解,虽然在上面的实施例中,方法300包括对图像T执行识别定位和图像分割处理的方框304,然而,本发明并不局限于此。在本发明的其他实施例中,属性/疵点分类判别网络本身具有候选区域生成功能,则方法300也可以不包括对图像T执行识别定位和图像分割处理的方框304。
本领域技术人员将理解,虽然在上面的实施例中,方法300包括方框312-314以对问题图像进行疵点类型分类,然而,本发明并不局限于此。在本发明的其他实施例中,例如但不局限于,仅需要检测图像所包含的织物是否存在疵点而无需对疵点类型进行分类的情况下,方法300也可以不包括方框312-314。
本领域技术人员将理解,虽然在上面的实施例中,方法200包括对所接收的图像执行图像标注处理的方框204,然而,本发明并不局限于此。在本发明的其他实施例中,例如但不局限于,在方框202所接收的图像已执行图像标注处理的情况下,方法200也可以不包括对所接收的图像执行图像标注处理的方框204。
本领域技术人员将理解,虽然在上面的实施例中,方法200包括方框206-208以衍生更多的样本图像,然而,本发明并不局限于此。在本发明的其他实施例中,例如但不局限于,在已有样本图像的数量已经足够多的情况下,方法200也可以不包括方框206-208。
本领域技术人员将理解,虽然在上面的实施例中,方法200包括方框208-210以平衡问题样本图像和正常样本图像的数量并且获得更多的样本图像,然而,本发明并不局限于此。在本发明的其他实施例中,例如但不局限于,在方框202所接收的图像中问题样本图像和正常样本图像的数量是平衡的且数量已经足够多的情况下,方法200也可以不包括方框208-210。
本领域技术人员将理解,虽然在上面的实施例中,方法200包括方框206以将样本图像转化为灰度图像,然而,本发明并不局限于此。在本发明的其他实施例中,例如但不局限于,在方框202所接收的图像已是灰度图像的情况下,方法200也可以不包括方框206。
本领域技术人员将理解,虽然在上面的实施例中,方法200包括方框212-218以选取适用于训练RNN-ResNet、属性/疵点分类网络和softmax分类器的样本图像,然而,本发明并不局限于此。在本发明的其他实施例中,方法200也可以不包括方框212-218。
本领域技术人员将理解,虽然在上面的实施例中,被训练用来检测问题图像是属于哪类疵点的问题图像的分类器是softmax分类器,然而,本发明并不局限于此。在本发明的其他实施中,被训练用来检测问题图像是属于哪类疵点的问题图像的分类器还可以是贝叶斯分类器、近邻分类器、SVM分类器或其他类型的分类器。
图4示出了按照本发明的一个实施例的基于属性/疵点分类判别的织物检测装置的示意图。图4所示的装置400可以利用软件、硬件或软硬件结合的方式来实现。装置400例如可以安装在计算机或其他合适的具有计算能力的电子设备中。
如图4所示,装置400可以包括获取模块402和检测模块404。获取模块402用于当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征。检测模块404用于根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。
在一个方面,所述属性/疵点分类判别网络包括依次连接的ROI区域池化层、若干隐层和softmax层。
在另一个方面,装置400还包括分类模块406。分类模块406用于如果所述候选区域中存在疵点有效区域,则利用分类器对所述疵点有效区域对应的对象进行分类并确定所述指定图像所包含的织物表面的疵点类型。
在又一个方面,获取模块402进一步用于利用时序性神经网络,或,时序性-残差神经网络获取所述候选区域的织物属性特征;其中,所述时序性-残差神经网络为在时序性神经网络的每一基本单元添加残差网络构成的神经网络,所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。
图5示出了按照本发明的一个实施例的计算机设备的示意图。如图5所示,设备500可以包括处理器502和存储器504,其中,存储器504上存储有可执行指令,其中,所述可执行指令当被执行时使得处理器502执行图1所示的方法100、图2所示的方法200和图3所示的方法300。
如图5所示,设备500可以通用计算设备的形式实现。设备500还可以包括连接不同系统组件(包括处理器502和存储器504)的总线506。总线506表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备500典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备500访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器504可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)508和和/或高速缓存存储器510。设备500可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统512可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线506相连。存储器504可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明上述图1、2或3实施例的功能。
具有一组(至少一个)程序模块516的程序/实用工具514,可以存储在例如存储器504中,这样的程序模块516包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块516通常执行本发明所描述的上述图1、2或3实施例中的功能和/或方法。
设备500也可以与一个或多个外部设备600(例如键盘、指向设备、显示器700等)通信,还可与一个或者多个使得用户能与该设备500交互的设备通信,和/或与使得该设备500能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口518进行。并且,设备500还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线506与设备500的其它模块通信。应当明白,尽管图中未示出,可以结合设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器502通过运行存储在存储器504中的程序,从而执行各种功能应用以及数据处理,例如实现上述实施例所示的神经网络模型压缩方法。
本发明的实施例还提供一种计算机可读介质,其上存储有可执行指令,其中,所述可执行指令当被执行时使得计算机执行图1所示的方法100、图2所示的方法200和图3所示的方法300。
本实施例的计算机可读介质可以包括上述图5所示实施例中的存储器504中的RAM508、和/或高速缓存存储器510、和/或存储系统512。
随着科技的发展,计算机程序的传播途径不再受限于有形介质,还可以直接从网络下载,或者采用其他方式获取。因此,本实施例中的计算机可读介质不仅可以包括有形的介质,还可以包括无形的介质。
本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域的技术人员应明白,本发明实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (10)
1.基于属性/疵点分类判别的织物检测方法,包括:
当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征;
根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。
2.根据权利要求1所述的方法,其中,
所述属性/疵点分类判别网络包括依次连接的ROI区域池化层、若干隐层和softmax层。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
如果所述候选区域中存在疵点有效区域,则利用分类器对所述疵点有效区域对应的对象进行分类并确定所述指定图像所包含的织物表面的疵点类型。
4.根据权利要求1或2所述的方法,其中,所述获取所述指定图像的织物属性特征包括:
利用时序性神经网络,或,时序性-残差神经网络获取所述候选区域的织物属性特征;其中,所述时序性-残差神经网络为在时序性神经网络的每一基本单元添加残差网络构成的神经网络,所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。
5.基于属性/疵点分类判别的织物检测装置,包括:
获取模块,用于当要检测指定图像所包含的织物表面是否存在疵点时,获取所述指定图像候选区域中的织物属性特征;
检测模块,用于根据所述候选区域和所述织物属性特征,利用属性/疵点分类判别网络检测所述候选区域中是否存在疵点有效区域。
6.根据权利要求5所述的装置,其中,
所述属性/疵点分类判别网络包括依次连接的ROI区域池化层、若干隐层和softmax层。
7.根据权利要求5或6所述的装置,其中,所述装置还包括:
分类模块,用于如果所述候选区域中存在疵点有效区域,则利用分类器对所述疵点有效区域对应的对象进行分类并确定所述指定图像所包含的织物表面的疵点类型。
8.根据权利要求5或6所述的装置,其中,所述获取模块进一步用于:
利用时序性神经网络,或,时序性-残差神经网络获取所述候选区域的织物属性特征;其中,所述时序性-残差神经网络为在时序性神经网络的每一基本单元添加残差网络构成的神经网络,所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。
9.计算机设备,包括:
处理器,以及
存储器,其上存储有可执行指令,其中,所述可执行指令当被执行时使得所述处理器执行权利要求1-4的任意一个所述的方法。
10.计算机可读介质,其上存储有可执行指令,其中,所述可执行指令当被执行时使得计算机执行权利要求1-4的任意一个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811034384.3A CN109325940A (zh) | 2018-09-05 | 2018-09-05 | 织物检测方法及装置、计算机设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811034384.3A CN109325940A (zh) | 2018-09-05 | 2018-09-05 | 织物检测方法及装置、计算机设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325940A true CN109325940A (zh) | 2019-02-12 |
Family
ID=65264753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811034384.3A Pending CN109325940A (zh) | 2018-09-05 | 2018-09-05 | 织物检测方法及装置、计算机设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325940A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349146A (zh) * | 2019-07-11 | 2019-10-18 | 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 |
CN110791944A (zh) * | 2019-11-15 | 2020-02-14 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
WO2020048248A1 (zh) * | 2018-09-05 | 2020-03-12 | 深圳灵图慧视科技有限公司 | 织物疵点检测方法及装置、计算机设备及计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070248246A1 (en) * | 2002-06-24 | 2007-10-25 | Arkady Cherkassky | Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface |
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 |
CN106996935A (zh) * | 2017-02-27 | 2017-08-01 | 华中科技大学 | 一种多层次模型布匹疵点检测方法和系统 |
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 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN107679585A (zh) * | 2017-09-27 | 2018-02-09 | 清华大学 | 基于时间残差长短时记忆网络的阿拉伯文识别方法及系统 |
CN108416774A (zh) * | 2018-03-08 | 2018-08-17 | 中山大学 | 一种基于细粒度神经网络的织物种类识别方法 |
-
2018
- 2018-09-05 CN CN201811034384.3A patent/CN109325940A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070248246A1 (en) * | 2002-06-24 | 2007-10-25 | Arkady Cherkassky | Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface |
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 |
CN106996935A (zh) * | 2017-02-27 | 2017-08-01 | 华中科技大学 | 一种多层次模型布匹疵点检测方法和系统 |
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 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN107679585A (zh) * | 2017-09-27 | 2018-02-09 | 清华大学 | 基于时间残差长短时记忆网络的阿拉伯文识别方法及系统 |
CN108416774A (zh) * | 2018-03-08 | 2018-08-17 | 中山大学 | 一种基于细粒度神经网络的织物种类识别方法 |
Non-Patent Citations (3)
Title |
---|
ZHOUFENG LIU等: ""Fabric defect detection based on faster R-CNN"", 《PROC. SPIE》 * |
刘祥惠: ""基于深度学习的织物图像疵点区域定位算法研究"", 《中国优秀硕士学位论文全文数据库·工程科技Ⅰ辑》 * |
董慧颖著: "《典型目标识别与图像除雾技术》", 31 July 2016, 北京:国防工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020048248A1 (zh) * | 2018-09-05 | 2020-03-12 | 深圳灵图慧视科技有限公司 | 织物疵点检测方法及装置、计算机设备及计算机可读介质 |
CN110349146A (zh) * | 2019-07-11 | 2019-10-18 | 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 |
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 |
CN110791944A (zh) * | 2019-11-15 | 2020-02-14 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
CN110791944B (zh) * | 2019-11-15 | 2020-09-15 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109187579A (zh) | 织物疵点检测方法及装置、计算机设备及计算机可读介质 | |
US20220414856A1 (en) | A fabric defect detection method based on multi-modal deep learning | |
CN109325940A (zh) | 织物检测方法及装置、计算机设备和计算机可读介质 | |
CN108537135A (zh) | 对象识别及对象识别网络的训练方法和装置、电子设备 | |
CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
CN110458059A (zh) | 一种基于计算机视觉的手势识别方法及识别装置 | |
CN109035248A (zh) | 疵点检测方法、装置、终端设备、服务器和存储介质 | |
CN110197208A (zh) | 一种纺织品瑕疵智能检测分类方法及装置 | |
CN108416265A (zh) | 一种人脸检测方法、装置、设备及存储介质 | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
CN109215022A (zh) | 验布方法、装置、终端设备、服务器、存储介质和系统 | |
Kahraman et al. | Deep learning-based fabric defect detection: A review | |
CN109977830A (zh) | 基于颜色纹理双通道卷积神经网络及循环神经网络的人脸融合检测方法 | |
CN108629360A (zh) | 一种基于深度学习的针织物基本组织结构自动识别方法 | |
CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
CN109919045A (zh) | 基于级联卷积网络的小尺度行人检测识别方法 | |
CN110210567A (zh) | 一种基于卷积神经网络的服装图像分类与检索方法及系统 | |
CN113128411B (zh) | 跨域抓取识别方法、装置、电子设备及存储介质 | |
CN109086659A (zh) | 一种基于多模道特征融合的人体行为识别方法和装置 | |
CN109325941A (zh) | 表面属性检测方法及装置、计算机设备及计算机可读介质 | |
CN110245714A (zh) | 图像识别方法、装置及电子设备 | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
CN109300117A (zh) | 神经网络系统、电子设备和机器可读介质 | |
CN109242846A (zh) | 用于织物表面缺陷检测的方法、装置和设备 |
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: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |