CN110400306B - 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 - Google Patents
基于形态学滤波和卷积神经网络的无纺布疵点检测方法 Download PDFInfo
- Publication number
- CN110400306B CN110400306B CN201910688881.3A CN201910688881A CN110400306B CN 110400306 B CN110400306 B CN 110400306B CN 201910688881 A CN201910688881 A CN 201910688881A CN 110400306 B CN110400306 B CN 110400306B
- Authority
- CN
- China
- Prior art keywords
- flaw
- point
- layer
- threshold value
- minimum point
- 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
- 239000004745 nonwoven fabric Substances 0.000 title claims abstract description 39
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000004744 fabric Substances 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010008 shearing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005520 cutting process Methods 0.000 abstract description 2
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000005381 potential energy Methods 0.000 description 3
- 241000381602 Vachellia nebrownii Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，涉及瑕疵检测领域，包括以下步骤：采集无纺布布匹表面图像并进行灰度图转换，遍历图像，判定灰度图中存在局部最小点；预设第一阈值和第二阈值，逐步提高局部最小点的灰度值，每次提高最小点的灰度值后，均判断该点是否为最小灰度值，若是，则为瑕疵点，否则，将增加灰度值后的最小点与第一阈值或第二阈值比较，若通过第一阈值未通过第二阈值，则判定该点为疑似瑕疵点，通过第二阈值为瑕疵点并输出相应瑕疵点的位置，剪切疑似瑕疵点及其周边图片输入基于卷积神经网络Nonwoven Net系统进行进行二次判定。本发明计算复杂度较低，能够降低硬件成本，且使用范围较广。
Description
技术领域
本发明涉及瑕疵检测领域，具体涉及一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法。
背景技术
水刺无纺布是指将高压微细水流喷射到一层或多层纤维网上，使纤维相互缠结在一起，从而使纤网得以加固而具备一定强力，得到的织物即为水刺无纺布。
由于水刺无纺布具有手感柔软、蓬松、高吸湿性和一定的吸油效果，广泛应用作卫生材料，即医用材料、干湿擦布、美容产品等，在其实际生产过程中，通常要对无纺布进行瑕疵点检测，以提醒生产者在出厂前去除瑕疵点，提高水刺无纺布的质量。
传统的水刺无纺布检测依赖人工肉眼观察来完成，由于人工观察不可避免的存在一定的误差，且长时间观察容易产生视觉疲劳，效率较低，造成产品质量存在一定隐患，严重时甚至会制约水刺无纺布的生产产能。
现阶段逐步采用自动检测取代人工观察，以避免人为因素导致的问题，现有的自动检测主要采用以下方法来实现：通过外部光源环境与摄像头采集装置获取无纺布的表面信息，对无纺布潜在的瑕疵点进行自动检测，提示生产者做出相应的疵点去除操作。
与人工检测相比，自动检测不仅具有准确、稳定且高自动化程度的优点，同时还克服了人工检测中存在的客观制约因素，能够节约生产管理成本。
目前无纺布疵点自动检测技术主要基于复杂算子变换方法与多神经网络组合方法来实现。例如，申请号为CN201410467061.9的发明专利申请公开了一种基于正交小波变换的布匹疵点监测方法，申请号为201811098348.3的发明专利申请公开了一种基于GMM和图像金字塔的布匹疵点检测方法，申请号为201710107169.0的发明专利申请公开一种多层次模型布匹检测方法与系统，上述方法均通过使用多个神经网络进行多层级分类以达到实现布匹监测的目的。
但是，上述方法在使用时，由于小波基、GMM以及图像金字塔的计算复杂度高，为满足实时在线计算，其硬件成本要求较高，在实际生产中使用和安装均较困难，进一步的，基于多个神经网络组合方法的迁移性较差，难以用于底色花纹多变的布匹，使用范围较小。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，计算复杂度较低，能够降低硬件成本，且使用范围较广。
为达到以上目的，本发明采取的技术方案是：
一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，包括以下步骤：
S1、采集无纺布布匹表面图像，将采集到的图片进行灰度图转换；
S2、遍历图像，判定灰度图中存在局部最小点；
S3、预设第一阈值和第二阈值，逐步提高局部最小点的灰度值，每次提高最小点的灰度值后，均判断该点是否为最小灰度值，若是，则为瑕疵点，否则，将增加灰度值后的最小点与第一阈值或第二阈值比较，若通过第一阈值未通过第二阈值，则判定该点为疑似瑕疵点，通过第二阈值为瑕疵点并输出相应瑕疵点的位置；
S4、构建基于卷积神经网络Nonwoven Net系统，剪切疑似瑕疵点及其周边图片，图片大小为48*48输入基于卷积神经网络Nonwoven Net系统进行进行二次判定。
进一步的，所述采集到的图片为RGB图像。
进一步的，步骤S3具体包括以下步骤：
S301、对局部最小点设置第一阈值和第二阈值，将局部最小点的灰度+1，转入步骤S302；
S302、判断+1处理后的局部最小点是否为局部最小点，若是，转入步骤S301，否则，转入步骤S303；
303、判断局部最小点的灰度是否大于第一阈值，若是，转入步骤S304、否则，判定当前局部最小点非瑕疵点；
S304、将局部最小点的灰度+1，转入步骤S305；
S305、判断+1处理后的局部最小点是否为局部最小点，若是，转入步骤S304，否则，转入步骤S306；
S306、判断+1处理后的局部最小点的灰度是否大于第二阈值，若是，输出当前瑕疵点的位置信息，否则，判定该点为疑似瑕疵点，并输出其对应的图片。
进一步的，所述基于卷积神经网络Nonwoven Net系统，其包括顺次连接的输入层，卷积层1、池化层1、卷积层2、池化层2、全连接层1、修正线性单元1、全连接层2和输出层。
进一步的，所述卷积层1、卷积层2的步长均为1，核尺寸为5、5；池化层1、池化层2的步长均为2，核尺寸为2、2。
进一步的，所述卷积层1、池化层1、卷积层2、池化层2的填补均为0。
进一步的，NonwovenNet系统进行进行二次判定的具体步骤为：
将疑似瑕疵点所对应的图片通过输入层输入，依次通过卷积层1、池化层1、卷积层2、池化层2、全连接层1、修正线性单元1、全连接层2处理，再进行指数归一化，得到判定结果，通过输出层输出，判定结果包括该点是否为瑕疵点，当为瑕疵点时，输出瑕疵点所在的位置。
进一步的，所述将疑似瑕疵点所对应的图片通过输入层输入之前，还包括以下步骤对若干48*48的图片进行人工疵点判定打标，按7:3的比例随机划分训练集与测试集，输入Nonwoven Net系统中进行判断至准确度高于99.2％。
进一步的，步骤S2中所述遍历图像具体为，以5*5像素大小的滑窗遍历图像。
与现有技术相比，本发明的优点在于：
(1)本发明中基于形态学滤波和卷积神经网络的无纺布疵点检测方法，先通过形态学的势能井检测算法来区分疵点与疑似瑕疵点，再将疑似瑕疵点相关图片输入卷积神经网络中进行判断，能够大幅度降低输入卷积神经网络的图像尺寸大小和数量，降低了卷积神经网络的计算量，从而使得本发明使用轻量级的卷积神经网络即可完成再分类的任务，计算复杂度较低，能够降低硬件成本，能够被广泛使用。
(2)本发明中基于形态学滤波和卷积神经网络的无纺布疵点检测方法，使用卷积神经网络对疑似瑕疵点进行判断，计算速度较快；同时，由于潜在疵点图像远小于整张无纺布，无需对潜在疵点图像做校正、图像增强、去噪、特征提取等预处理过程，对图像形变、环境光照变化、角度变化都有很好的鲁棒性，故提高了卷积神经网络对无纺布纹路的鲁棒性，既提高了水刺无纺布疵点检测的准确度，同时具有较好的实时性与自适应性，能够与实际工业生产相适应，进而具有广泛应用的前景。
附图说明
图1为本发明实施例中无纺布疵点实时检测的方法流程图；
图2为本发明实施例中采集无纺布疵点的结构示意图；
图3为本发明实施例中局部最小值提取示意图；
图4为本发明实施例中基于形态学的势能井检测算法流程图；
图5本发明实施例中基于卷积神经网络的Nowoven Net的结构图。
图中：201为待检无纺布，202为传动滚轴，203为平行散射光源，204为高速工业摄像头。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
参见图1所示，本发明实施例提供一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，包括以下步骤：
S1、使用工业相机采集无纺布布匹的布匹图像，具体地，工业相机以10帧每秒的频率对布匹表面进行拍摄，拍摄所得到图像的尺寸为2048*2448，该图像为RGB图片，在实际情况中，拍摄的图像尺寸根据实际需要进行调整。
S2、将采集到的RGB图片进行灰度图转换。
S3、参见图3所示，以5*5像素大小的滑窗遍历图像(像素大小可以根据实际需要设置)，判断灰度图中是否存在局部最小点，若不存在，判定为无瑕疵点，否则，转入步骤S4。
S4、采用形态学的势能井检测算法，预设第一阈值和第二阈值，逐步提高局部最小点的灰度值，每次提高最小点的灰度值后，均判断该点是否为最小灰度值，若是，则为瑕疵点，否则，将增加灰度值后的最小点与第一阈值或第二阈值比较，若通过第一阈值未通过第二阈值，则判定该点为疑似瑕疵点，通过第二阈值为瑕疵点并输出相应瑕疵点的位置。
其中，第一阈值和第二阈值根据所采集的无纺布表面图片预设，第一阈值用于确保所有疑似疵点都被选中，第二阈值用于确保筛选出的一定为疵点，即通过第二阈值的局部最小点认为必是疵点并输出疵点位置，而通过第一阈值并且未通过第二阈值的为疑似瑕疵点。
S5、构建基于卷积神经网络Nonwoven Net系统，将疑似瑕疵点周围48*48图片裁剪出来，输入基于卷积神经网络Nonwoven Net系统进行进行二次判定。
参见图2所示，本发明中的采集无纺布图像时，待检无纺布201通过两个传动滚轴202进行传动，两传动滚轴202平行设置，其下方设置有平行散射光源，上方设置有高速工业摄像头204，该高速工业摄像头204用于采集位于两传动滚轴202之间的，待检无纺布201图像。
参见图4所示，步骤S4的具体步骤为：
S401、对局部最小点设置第一阈值和第二阈值，将局部最小点的灰度+1，转入步骤S402。
S402、判断+1处理后的局部最小点是否为局部最小点，若是，转入步骤S401，否则，转入步骤S403。
403、判断局部最小点的灰度是否大于第一阈值，若是，转入步骤S404、否则，判定当前局部最小点非瑕疵点。
S404、将局部最小点的灰度+1，转入步骤S405。
S405、判断+1处理后的局部最小点是否为局部最小点，若是，转入步骤S404，否则，转入步骤S406。
S406、判断+1处理后的局部最小点的灰度是否大于第二阈值，若是，输出当前瑕疵点的位置信息，否则，判定该点为疑似瑕疵点，并输出其对应的图片，本发明实施例中，输出的图片为疑似瑕疵点周围48*48的图片，在实际检测时，可以根据需要调整图片的大小。
参见图5所示，基于卷积神经网络Nonwoven Net系统，其包括顺次连接的输入层，卷积层1、池化层1、卷积层2、池化层2、全连接层1、修正线性单元1、全连接层2和输出层。
卷积层1、卷积层2的步长均为1，核尺寸为5、5；池化层1、池化层2的步长均为2，核尺寸为2、2；卷积层1、池化层1、卷积层2、池化层2的填补均为0。
Nonwoven Net系统进行进行二次判定的具体步骤为：
a、预训练，对60000张48*48的图片进行人工疵点判定打标，按7:3的比例随机划分训练集与测试集，输入Nonwoven Net系统中进行判断至准确度高于99.2％。
b、将疑似瑕疵点所对应的图片通过输入层输入后，依次通过卷积层1、池化层1、卷积层2、池化层2、全连接层1、修正线性单元1、全连接层2处理，再进行指数归一化，得到判定结果，通过输出层输出，判定结果包括该点是否为瑕疵点，当为瑕疵点时，输出瑕疵点所在的位置。
本发明不仅局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本发明相同或相近似的技术方案，均在其保护范围之内。
Claims (4)
1.一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，其特征在于，包括以下步骤：
S1、采集无纺布布匹表面图像，将采集到的图片进行灰度图转换；
S2、遍历图像，判定灰度图中存在局部最小点；
S3、预设第一阈值和第二阈值，逐步提高局部最小点的灰度值，每次提高最小点的灰度值后，均判断该点是否为最小灰度值，若是，则为瑕疵点，否则，将增加灰度值后的最小点与第一阈值或第二阈值比较，若通过第一阈值未通过第二阈值，则判定该点为疑似瑕疵点，通过第二阈值为瑕疵点并输出相应瑕疵点的位置；
S4、构建基于卷积神经网络Nonwoven Net系统，剪切疑似瑕疵点及其周边图片，图片大小为48*48输入基于卷积神经网络Nonwoven Net系统进行二次判定；
步骤S3具体包括以下步骤：
S301、对局部最小点设置第一阈值和第二阈值，将局部最小点的灰度+1，转入步骤S302；
S302、判断+1处理后的局部最小点是否为局部最小点，若是，转入步骤S301，否则，转入步骤S303；
303、判断局部最小点的灰度是否大于第一阈值，若是，转入步骤S304、否则，判定当前局部最小点非瑕疵点；
S304、将局部最小点的灰度+1，转入步骤S305；
S305、判断+1处理后的局部最小点是否为局部最小点，若是，转入步骤S304，否则，转入步骤S306；
S306、判断+1处理后的局部最小点的灰度是否大于第二阈值，若是，输出当前瑕疵点的位置信息，否则，判定该点为疑似瑕疵点，并输出其对应的图片；
所述基于卷积神经网络Nonwoven Net系统，其包括顺次连接的输入层，卷积层1、池化层1、卷积层2、池化层2、全连接层1、修正线性单元1、全连接层2和输出层；
所述卷积层1、卷积层2的步长均为1，核尺寸为5、5；池化层1、池化层2的步长均为2，核尺寸为2、2；
所述卷积层1、池化层1、卷积层2、池化层2的填补均为0；
Nonwoven Net系统进行二次判定的具体步骤为：
将疑似瑕疵点所对应的图片通过输入层输入，依次通过卷积层1、池化层1、卷积层2、池化层2、全连接层1、修正线性单元1、全连接层2处理，再进行指数归一化，得到判定结果，通过输出层输出，判定结果包括该点是否为瑕疵点，当为瑕疵点时，输出瑕疵点所在的位置。
2.如权利要求1所述的一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，其特征在于：所述采集到的图片为RGB图像。
3.如权利要求1所述的一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，其特征在于：所述将疑似瑕疵点所对应的图片通过输入层输入之前，还包括以下步骤对若干48*48的图片进行人工疵点判定打标，按7:3的比例随机划分训练集与测试集，输入NonwovenNet系统中进行判断至准确度高于99.2％。
4.如权利要求1所述的一种基于形态学滤波和卷积神经网络的无纺布疵点检测方法，其特征在于：步骤S2中所述遍历图像具体为，以5*5像素大小的滑窗遍历图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910688881.3A CN110400306B (zh) | 2019-07-29 | 2019-07-29 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910688881.3A CN110400306B (zh) | 2019-07-29 | 2019-07-29 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400306A CN110400306A (zh) | 2019-11-01 |
| CN110400306B true CN110400306B (zh) | 2023-05-23 |
Family
ID=68326406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910688881.3A Active CN110400306B (zh) | 2019-07-29 | 2019-07-29 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400306B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161207B (zh) * | 2019-11-14 | 2023-04-07 | 西安工程大学 | 一种集成的卷积神经网络织物疵点分类方法 |
| CN111524107B (zh) * | 2020-04-15 | 2023-02-28 | Oppo（重庆）智能科技有限公司 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
| CN112391731B (zh) * | 2020-10-20 | 2022-05-03 | 天津大学 | 一种经编机织造断纱在线检测方法 |
| CN112281462A (zh) * | 2020-12-15 | 2021-01-29 | 福建七匹狼实业股份有限公司 | 一种衬衫面料排版裁剪方法 |
| CN114859022B (zh) * | 2022-07-05 | 2022-09-02 | 泉州市颖秀科技发展有限公司 | 一种织物品质评估方法、系统、电子设备和存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5849397B2 (ja) * | 2011-01-31 | 2016-01-27 | Ｊｆｅスチール株式会社 | 表面欠陥検出装置および表面欠陥検出方法 |
| CN103456021B (zh) * | 2013-09-24 | 2016-05-18 | 苏州大学 | 一种基于形态学分析的布匹瑕疵检测方法 |
| CN105931246A (zh) * | 2016-05-05 | 2016-09-07 | 东华大学 | 一种基于小波变换和遗传算法的织物瑕疵检测方法 |
| CN107643295B (zh) * | 2017-08-24 | 2019-08-20 | 中国地质大学（武汉） | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 |
| 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 |
-
2019
- 2019-07-29 CN CN201910688881.3A patent/CN110400306B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400306A (zh) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400306B (zh) | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 | |
| CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
| Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
| CN1948603A (zh) | 一种识别机织物疵点的方法 | |
| CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
| CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
| CN108802041B (zh) | 一种屏幕检测的小样本集快速换型的方法 | |
| CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
| CN113592867B (zh) | 一种基于碳纤维布面残留捆绑纱的检测方法 | |
| CN110084787B (zh) | 一种基于机器视觉的合成革涂胶在线监测方法 | |
| CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
| CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
| CN104198498A (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
| CN102331425A (zh) | 基于缺陷增强的纺织品缺陷检测方法 | |
| CN109740507A (zh) | 一种变电设备异常感知的方法 | |
| CN110021023A (zh) | 一种电子布疵点分割方法 | |
| CN106327501A (zh) | 一种有参考型唐卡图像修复后质量评价方法 | |
| CN112150417A (zh) | 基于深度学习的涂布缺陷检测方法 | |
| CN106093051A (zh) | 基于机器视觉的纸卷切面毛刺检测方法及装置 | |
| CN103926255A (zh) | 一种基于小波神经网络的布匹表面瑕疵检测方法 | |
| CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
| CN102103090A (zh) | 基于计算机视觉的梳棉机棉网质量在线检测装置与方法 | |
| CN114393895A (zh) | 一种基于聚丙烯长丝非织造布的复合防水卷材tpo制备方法 | |
| CN106203536A (zh) | 一种织物疵点的特征提取及检测方法 | |
| CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 |
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 |