CN110544253A - 基于图像金字塔和列模板的织物瑕疵检测方法 - Google Patents
基于图像金字塔和列模板的织物瑕疵检测方法 Download PDFInfo
- Publication number
- CN110544253A CN110544253A CN201910862374.7A CN201910862374A CN110544253A CN 110544253 A CN110544253 A CN 110544253A CN 201910862374 A CN201910862374 A CN 201910862374A CN 110544253 A CN110544253 A CN 110544253A
- Authority
- CN
- China
- Prior art keywords
- image
- blocks
- defective
- block
- detected
- 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.)
- Granted
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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
本发明涉及一种基于图像金字塔和列模板织物瑕疵检测方法,包括以下步骤:步骤S1:采集织物图像数据集,并构建无瑕疵样本的图像金字塔,得到多尺度图像块的集合作为训练集;步骤S2:将训练集进行预处理,并搭建和训练SDCAE图像重构模型;步骤S3:对待检图像进行分块操作,将待检图像块输入图像重构模型中,得到对应的重构图像块;步骤S4:对待检图像和重构图像进行更细粒度分块,计算出分块后的待检图像和重构图像的相似性度量矩阵,粗定位瑕疵图像块;步骤S5:构建待检分块图像的列模板集合,细定位瑕疵块,得到最终的检测结果。本发明可以应用于周期性织物瑕疵检测,纯色织物检测,检测效果好精度高。
Description
技术领域
本发明涉及深度学习与计算机视觉领域,具体涉及一种基于图像金字塔和列模板的织物瑕疵检测方法。
背景技术
纺织品瑕疵检测是控制产品质量的重要内容,纺织品的质量好坏直接关系到纺织企业的生产成本与经济效益。目前很多企业仍然通过雇佣员工进行人工检测,人眼易疲劳,容易产生漏检的情况。由于纺织品种类繁多、疵点形状各异,导致检测难度增大。因此,研究计算机视觉等技术进行智能检测具有重要的意义,使得纺织品的质量得以提高,生产成本降低。
纺织品按照纹理不同可以分为2类织物类型:1)结构简单,纯色织物的纺织品。2)含有复杂的周期性图案信息。由于织物图像易受光照、角度等外在因素和周期图案复杂等内在因素影响,目前还没有一个完整能够有效检测出各类疵点的算法,因此实用的新算法开发是一个重要的研究课题。
发明内容
有鉴于此,本发明的目的在于提供一种基于图像金字塔和列模板织物瑕疵检测方法,可以提高织物瑕疵区域的定位精度。
为实现上述目的,本发明采用如下技术方案:
一种基于图像金字塔和列模板织物瑕疵检测方法,包括以下步骤:
步骤S1:采集织物图像数据集,并构建无瑕疵样本的图像金字塔,得到多尺度图像块的集合作为训练集;
步骤S2:将训练集进行预处理,并搭建和训练SDCAE图像重构模型;
步骤S3:对待检图像进行分块操作,将待检图像块输入图像重构模型中,得到对应的重构图像块;
步骤S4:对待检图像和重构图像进行更细粒度分块,计算出分块后的待检图像和重构图像的相似性度量矩阵,粗定位瑕疵图像块;
步骤S5:构建待检分块图像的列模板集合,细定位瑕疵块,得到最终的检测结果。
进一步的,所述步骤S1具体为:
步骤S11:收集公开的织物图像数据集,并获得相关的图像和人工标记;
步骤S12:将数据集中的无瑕疵图像集合Itrain下采样成不同的尺寸大小的图像,构建每类纹理织物的无瑕疵图像的拉普拉斯图像金字塔;
步骤S13:采用固定大小(r*c)的滑动窗口等比例地在金字塔的各层级图像上随机提取图像块,得到图像块的集合,记为训练集X。
进一步的,所述步骤S2具体为:
步骤S21:将训练集X中的每个图像块x都加上随机噪声noise,得到预处理后的训练集X+noise,作为SDCAE图像重构模型训练集;
步骤S22:SDCAE图像重构模型使用堆栈式连接的多个卷积层来取代传统自编码器的隐藏层,图像重构模型包含必要的两个部分,编码器部分和解码器部分,编码器部分是具有三轮卷积、池化操作的卷积神经网络;解码器是对称的三轮上采样层与卷积层构成;
SDCAE图像重构模型如下式所示:
h(0)=X+noise (1)
h(l-1)=U(h(l-1)) l=4,…6 (2)
h(l)=P(h(l)) l=1,2,…3 (4)
Y=h(6) (5)
其中h(l)表示第l层卷积层的输出,b(l)表示第l层的卷积层的权重,偏移,σ(·)表示激活函数,U(·)表示上采样操作,P(·)表示池化操作,*表示卷积操作,Y表示模型的输出;
步骤S23:微调预训练模型各个卷积层的参数和网络深度,网络训练阶段的损失函数定义为输入的图像块集合X和重构图像块集合Y的欧几里得距离,通过最小化该损失函数值来寻找局部最小点,使得模型收敛,完成模型权重的训练。
进一步的,所述步骤S3具体为:
步骤S31:对待检图像集合Itest中的每一张大小为R*C的图像A都按照固定大小(r*c)分块,记为其中
步骤S32:将A中的每一个r*c大小的图像块Ai,j(1≤i≤m,1≤j≤n)送入SDCAE模型,得到对应的重构图像块A′i,j,形成A的重构图像
进一步的,所述步骤S4具体为:
步骤S41:对A与A′重新按r′*c′(r′<r,c′<c)大小分块,分别记作其中
步骤S42:计算A与A′的相似性度量矩阵其中si,j=SSIM(Bi,j,B′i,j),(1≤i≤m′,1≤j≤n′),SSIM公式如下:
其中up、分别是P的平均值、方差,uR、分别是Q的平均值、方差,δPQ是P和Q的协方差,c1、c2为常数;SSIM的取值范围为0到1,若SSIM的值等于1,则表示两个图像块高度相似;
步骤S43:设定阈值Ts,将S矩阵中小于Ts的si,j所对应的原始图像的图像块Bi,j粗定位为瑕疵块,记为Ci,j。
进一步的,所述Ts的选择方法如下:利用瑕疵块与无瑕疵块数目大致服从正态分布,依据所有待检图像分块的si,j构建相似性度量值分布直方图,寻找Ts使得直方图中的瑕疵图像块与无瑕疵图像块分隔开。
进一步的,所述步骤S5具体为:
步骤S51:计算待检图像A的列方向平均模板
步骤S52:利用瑕疵块和无瑕疵块同列模板的差异性来进一步区分粗定位瑕疵块是否为真正的瑕疵块,差异值越小说明该图像块为瑕疵块的概率越低;
步骤S53:对于粗定位瑕疵块Ci,j;需要计算其与对应的列模板的差异值dist(·)使用曼哈顿距离,若Ci,j为真正的瑕疵块,则会大于预设值,反之,若Ci,j为误检的无瑕疵块,过滤掉那些差异值小于预设值的Ci,j降低误检率,从而得到最终的检测结果。
本发明与现有技术相比具有以下有益效果:
1、本发明可以提高织物瑕疵区域的定位精度,适用于第1类纯色织物与第2类周期纹理织物的瑕疵检测,在训练阶段每类织物仅需要几百张无瑕疵样本图像就能够完成模型训练,并提供基于图像块级别的检测结果。
2、本发明构建原始无瑕疵样本的拉普拉斯金字塔来提取图像块,作为图像重构模型的输入,由于来自金字塔不同层级的图像块保留了顶层图像的全局特征,同时还兼备底层图像丰富的细节特征,使得模型训练的权重更充分,重构效果优于传统的图像重构模型。
3、本发明既利用了无瑕疵图像块重构前后的自相似性来粗定位瑕疵块,又根据图像块在列方向上的局部相似性来进一步筛选粗定位瑕疵块,减少误检块,使得最终的检测精度显著提升。
附图说明
图1是本发明方法流程图;
图2是本发明方法框架示意图;
图3是本发明一实施例中的部分检测结果;
图4是本发明一实施例中在TILDA纯色织物数据集上的部分检测结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于图像金字塔和列模板织物瑕疵检测方法,包括以下步骤:
步骤S1:采集织物图像数据集,并构建无瑕疵样本的图像金字塔,得到多尺度图像块的集合作为训练集;
步骤S2:将训练集进行预处理,并搭建和训练SDCAE图像重构模型;
步骤S3:对待检图像进行分块操作,将待检图像块输入图像重构模型中,得到对应的重构图像块;
步骤S4:对待检图像和重构图像进行更细粒度分块,计算出分块后的待检图像和重构图像的相似性度量矩阵,粗定位瑕疵图像块;
步骤S5:构建待检分块图像的列模板集合,细定位瑕疵块,得到最终的检测结果。
在本实施例中,所述步骤S1具体为:
步骤S11:收集公开的织物图像数据集,并获得相关的图像和人工标记;
步骤S12:将数据集中的无瑕疵图像集合Itrain下采样成不同的尺寸大小的图像,构建每类纹理织物的无瑕疵图像的拉普拉斯图像金字塔;
步骤S13:采用固定大小(r*c)的滑动窗口等比例地在金字塔的各层级图像上随机提取图像块,得到图像块的集合,记为训练集X。
在本实施例中数据集主要为香港大学周期性织物数据库与德国TILDA纯色织物数据集,在步骤S1中构建的金字塔层级定为4层,从下到上的图像分辨率依次为256、200、180、128,底层保留原始的图像分辨率大小,滑动窗口大小r、c分别取32、32,从各层均匀随机提取图像块10000块,作为X。
在本实施例中,所述步骤S2具体为:
步骤S21:将训练集X中的每个图像块x都加上随机噪声noise,得到预处理后的训练集X+noise,作为SDCAE图像重构模型训练集;
步骤S22:SDCAE(栈式降噪卷积自编码器)图像重构模型使用堆栈式连接的多个卷积层来取代传统AE(自编码器)的隐藏层,使模型兼备CNN结构优点:局部感知和权值共享。图像重构模型包含必要的两个部分,编码器部分和解码器部分,编码器部分是具有三轮卷积、池化操作的卷积神经网络;解码器是对称的三轮上采样层与卷积层构成;
SDCAE图像重构模型如下式所示:
h(0)=X+noise (1)
h(l-1)=U(h(l-1)) l=4,…6 (2)
h(l)=P(h(l)) l=1,2,…3 (4)
Y=h(6) (5)
其中h(l)表示第l层卷积层的输出,b(l)表示第l层的卷积层的权重,偏移,σ(·)表示激活函数,U(·)表示上采样操作,P(·)表示池化操作,*表示卷积操作,Y表示模型的输出;
步骤S23:微调预训练模型各个卷积层的参数和网络深度,网络训练阶段的损失函数定义为输入的图像块集合X和重构图像块集合Y的欧几里得距离,通过最小化该损失函数值来寻找局部最小点,使得模型收敛,完成模型权重的训练。
在本实施例中,预处理的随机噪声矩阵noise为0.5的噪声因子乘上一个数值范围为[0,1]的随机数矩阵,SDCAE网络结构卷积层的卷积核大小都是3*3,步长为1,池化层采用2*2、步长为2的最大池化,激活函数使用Relu激活函数,网络使用batch size为200的SGD(随机梯度下降法)迭代30k次后loss值收敛,完成权重训练。
在本实施例中,所述步骤S3具体为:
步骤S31:对待检图像集合Itest中的每一张大小为R*C的图像A都按照固定大小(r*c)分块,记为其中
步骤S32:将A中的每一个r*c大小的图像块Ai,j(1≤i≤m,1≤j≤n)送入SDCAE模型,得到对应的重构图像块A′i,j,形成A的重构图像
本实施例中,为了使得待检图像能够匹配训练好的SDCAE图像重构模型的输入层大小,对256*256大小的待检图像也按32*32的大小分块,即r、c分别取32、32。
在本实施例中,,所述步骤S4具体为:
步骤S41:对A与A′重新按r′*c′(r′<r,c′<c)大小分块,分别记作其中
步骤S42:计算A与A′的相似性度量矩阵其中si,j=SSIM(Bi,j,B′i,j),(1≤i≤m′,1≤j≤n′),SSIM公式如下:
其中up、分别是P的平均值、方差,uR、分别是Q的平均值、方差,δPQ是P和Q的协方差,c1、c2为常数;SSIM的取值范围为0到1,若SSIM的值等于1,则表示两个图像块高度相似;
步骤S43:设定阈值Ts,将S矩阵中小于Ts的si,j所对应的原始图像的图像块Bi,j粗定位为瑕疵块,记为Ci,j。
在本实施例的步骤S4中,r′、c′分别取16、16,即采用16*16的分块大小重新对图像分块,使得瑕疵块定位更精确(按32*32分块,检测结果不如16*16的精准),Ts经实验检验,确定为0.865。
在本实施例中,所述Ts的选择方法如下:利用瑕疵块与无瑕疵块数目大致服从正态分布,依据所有待检图像分块的si,j构建相似性度量值分布直方图,寻找Ts使得直方图中的瑕疵图像块与无瑕疵图像块分隔开。
在本实施例中,所述步骤S5具体为:
步骤S51:计算待检图像A的列方向平均模板
步骤S52:利用瑕疵块和无瑕疵块同列模板的差异性来进一步区分粗定位瑕疵块是否为真正的瑕疵块,差异值越小说明该图像块为瑕疵块的概率越低;
步骤S53:对于粗定位瑕疵块Ci,j;需要计算其与对应的列模板的差异值dist(·)使用曼哈顿距离,若Ci,j为真正的瑕疵块,则会大于预设值,反之,若Ci,j为误检的无瑕疵块,过滤掉那些差异值小于预设值的Ci,j降低误检率,从而得到最终的检测结果。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,包括以下步骤:
步骤S1:采集织物图像数据集,并构建无瑕疵样本的图像金字塔,得到多尺度图像块的集合作为训练集;
步骤S2:将训练集进行预处理,并搭建和训练SDCAE图像重构模型;
步骤S3:对待检图像进行分块操作,将待检图像块输入图像重构模型中,得到对应的重构图像块;
步骤S4:对待检图像和重构图像进行更细粒度分块,计算出分块后的待检图像和重构图像的相似性度量矩阵,粗定位瑕疵图像块;
步骤S5:构建待检分块图像的列模板集合,细定位瑕疵块,得到最终的检测结果。
2.根据权利要求1所述的基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,所述步骤S1具体为:
步骤S11:收集公开的织物图像数据集,并获得相关的图像和人工标记;
步骤S12:将数据集中的无瑕疵图像集合Itrain下采样成不同的尺寸大小的图像,构建每类纹理织物的无瑕疵图像的拉普拉斯图像金字塔;
步骤S13:采用固定大小(r*c)的滑动窗口等比例地在金字塔的各层级图像上随机提取图像块,得到图像块的集合,记为训练集X。
3.根据权利要求1所述的基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,所述步骤S2具体为:
步骤S21:将训练集X中的每个图像块x都加上随机噪声noise,得到预处理后的训练集X+noise,作为SDCAE图像重构模型训练集;
步骤S22:SDCAE图像重构模型使用堆栈式连接的多个卷积层来取代传统自编码器的隐藏层,图像重构模型包含必要的两个部分,编码器部分和解码器部分,编码器部分是具有三轮卷积、池化操作的卷积神经网络;解码器是对称的三轮上采样层与卷积层构成;
SDCAE图像重构模型如下式所示:
h(0)=X+noise (1)
h(l-1)=U(h(l-1)) l=4,…6 (2)
h(l)=P(h(l)) l=1,2,…3 (4)
Y=h(6) (5)
其中h(l)表示第l层卷积层的输出,b(l)表示第l层的卷积层的权重,偏移,σ(·)表示激活函数,U(·)表示上采样操作,P(·)表示池化操作,*表示卷积操作,Y表示模型的输出;
步骤S23:微调预训练模型各个卷积层的参数和网络深度,网络训练阶段的损失函数定义为输入的图像块集合X和重构图像块集合Y的欧几里得距离,通过最小化该损失函数值来寻找局部最小点,使得模型收敛,完成模型权重的训练。
4.根据权利要求1所述的基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,所述步骤S3具体为:
步骤S31:对待检图像集合Itest中的每一张大小为R*C的图像A都按照固定大小(r*c)分块,记为其中
步骤S32:将A中的每一个r*c大小的图像块Ai,j(1≤i≤m,1≤j≤n)送入SDCAE模型,得到对应的重构图像块A′i,j,形成A的重构图像
5.根据权利要求4所述的基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,所述步骤S4具体为:
步骤S41:对A与A′重新按r′*c′(r′<r,c′<c)大小分块,分别记作其中
步骤S42:计算A与A′的相似性度量矩阵其中si,j=SSIM(Bi,j,B′i,j),(1≤i≤m′,1≤j≤n′),SSIM公式如下:
其中up、分别是P的平均值、方差,uR、分别是Q的平均值、方差,δPQ是P和Q的协方差,c1、c2为常数;SSIM的取值范围为0到1,若SSIM的值等于1,则表示两个图像块高度相似;
步骤S43:设定阈值Ts,将S矩阵中小于Ts的si,j所对应的原始图像的图像块Bi,j粗定位为瑕疵块,记为Ci,j。
6.根据权利要求5所述的基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,所述Ts的选择方法如下:利用瑕疵块与无瑕疵块数目大致服从正态分布,依据所有待检图像分块的si,j构建相似性度量值分布直方图,寻找Ts使得直方图中的瑕疵图像块与无瑕疵图像块分隔开。
7.根据权利要求5所述的一种基于图像金字塔和列模板织物瑕疵检测方法,其特征在于,所述步骤S5具体为:
步骤S51:计算待检图像A的列方向平均模板
步骤S52:利用瑕疵块和无瑕疵块同列模板的差异性来进一步区分粗定位瑕疵块是否为真正的瑕疵块,差异值越小说明该图像块为瑕疵块的概率越低;
步骤S53:对于粗定位瑕疵块Ci,j;需要计算其与对应的列模板的差异值dist(·)使用曼哈顿距离,若Ci,j为真正的瑕疵块,则会大于预设值,反之,若Ci,j为误检的无瑕疵块,过滤掉那些差异值小于预设值的Ci,j降低误检率,从而得到最终的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862374.7A CN110544253B (zh) | 2019-09-12 | 2019-09-12 | 基于图像金字塔和列模板的织物瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862374.7A CN110544253B (zh) | 2019-09-12 | 2019-09-12 | 基于图像金字塔和列模板的织物瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544253A true CN110544253A (zh) | 2019-12-06 |
CN110544253B CN110544253B (zh) | 2023-01-10 |
Family
ID=68713426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910862374.7A Active CN110544253B (zh) | 2019-09-12 | 2019-09-12 | 基于图像金字塔和列模板的织物瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544253B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340791A (zh) * | 2020-03-02 | 2020-06-26 | 浙江浙能技术研究院有限公司 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
CN113269777A (zh) * | 2021-06-18 | 2021-08-17 | 常州信息职业技术学院 | 基于低秩矩阵重构和广义卷积的纺织品瑕疵检测方法 |
CN113554651A (zh) * | 2020-04-07 | 2021-10-26 | 北京君正集成电路股份有限公司 | 一种级联检测中分块优化的方法 |
CN116228769A (zh) * | 2023-05-09 | 2023-06-06 | 和峻(广州)胶管有限公司 | 一种适用于钢丝编织管瑕疵检测的装置及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070116379A1 (en) * | 2005-11-18 | 2007-05-24 | Peter Corcoran | Two stage detection for photographic eye artifacts |
US20170024869A1 (en) * | 2014-03-14 | 2017-01-26 | Omron Corporation | Image processing device, image sensor, and image processing method |
CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
CN108154499A (zh) * | 2017-12-08 | 2018-06-12 | 东华大学 | 一种基于k-svd学习字典的机织物纹理瑕疵检测方法 |
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
-
2019
- 2019-09-12 CN CN201910862374.7A patent/CN110544253B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070116379A1 (en) * | 2005-11-18 | 2007-05-24 | Peter Corcoran | Two stage detection for photographic eye artifacts |
US20170024869A1 (en) * | 2014-03-14 | 2017-01-26 | Omron Corporation | Image processing device, image sensor, and image processing method |
CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
CN108154499A (zh) * | 2017-12-08 | 2018-06-12 | 东华大学 | 一种基于k-svd学习字典的机织物纹理瑕疵检测方法 |
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
Non-Patent Citations (2)
Title |
---|
冯丹阳: ""纺织品的瑕疵检测方法"", 《中国优秀硕士学位论文全文数据库 信息科技辑 I138-995》 * |
欧庆芳 谢伙生: ""基于自编码器图像重构的织物瑕疵检测算法"", 《计算机与现代化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340791A (zh) * | 2020-03-02 | 2020-06-26 | 浙江浙能技术研究院有限公司 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
CN113554651A (zh) * | 2020-04-07 | 2021-10-26 | 北京君正集成电路股份有限公司 | 一种级联检测中分块优化的方法 |
CN113269777A (zh) * | 2021-06-18 | 2021-08-17 | 常州信息职业技术学院 | 基于低秩矩阵重构和广义卷积的纺织品瑕疵检测方法 |
CN113269777B (zh) * | 2021-06-18 | 2023-10-27 | 常州信息职业技术学院 | 基于低秩矩阵重构和广义卷积的纺织品瑕疵检测方法 |
CN116228769A (zh) * | 2023-05-09 | 2023-06-06 | 和峻(广州)胶管有限公司 | 一种适用于钢丝编织管瑕疵检测的装置及检测方法 |
CN116228769B (zh) * | 2023-05-09 | 2023-10-17 | 和峻(广州)胶管有限公司 | 一种适用于钢丝编织管瑕疵检测的装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110544253B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544253B (zh) | 基于图像金字塔和列模板的织物瑕疵检测方法 | |
CN106910185B (zh) | 一种基于cnn深度学习的dbcc分类模型构建方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN110503630B (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
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 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN109711474A (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN109816012A (zh) | 一种融合上下文信息的多尺度目标检测方法 | |
CN108171209A (zh) | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 | |
CN106875381A (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN107610087A (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN107680678A (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 | |
CN109886965B (zh) | 一种水平集和深度学习相结合的视网膜层分割方法及系统 | |
CN105956582A (zh) | 一种基于三维数据的人脸识别系统 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN101866427A (zh) | 织物瑕疵检测与分类方法 | |
CN100418469C (zh) | 基于舌象特征的病证计算机分析系统 | |
CN105184265A (zh) | 一种基于自学习的手写表格数字字符串快速识别的方法 | |
CN104200478B (zh) | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 | |
CN107609575A (zh) | 书法评价方法、书法评价装置和电子设备 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN108921201A (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 |
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 |