CN110570397A - 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 - Google Patents

一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 Download PDF

Info

Publication number
CN110570397A
CN110570397A CN201910744804.5A CN201910744804A CN110570397A CN 110570397 A CN110570397 A CN 110570397A CN 201910744804 A CN201910744804 A CN 201910744804A CN 110570397 A CN110570397 A CN 110570397A
Authority
CN
China
Prior art keywords
defect
template matching
deep learning
template
made clothes
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
Application number
CN201910744804.5A
Other languages
English (en)
Other versions
CN110570397B (zh
Inventor
张发恩
郭勅君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Innovation Qizhi (chongqing) Technology Co Ltd
Original Assignee
Innovation Qizhi (chongqing) Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Innovation Qizhi (chongqing) Technology Co Ltd filed Critical Innovation Qizhi (chongqing) Technology Co Ltd
Priority to CN201910744804.5A priority Critical patent/CN110570397B/zh
Publication of CN110570397A publication Critical patent/CN110570397A/zh
Application granted granted Critical
Publication of CN110570397B publication Critical patent/CN110570397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习模版匹配算法检测成衣印花缺陷的方法，包括如下步骤：模版获取：服装生产前，采集第一张完整的印花成品作为模版，并记录其在相机所拍影像中的相对位置；样本采集：服装大量生产时，透过先前记录的相对位置，利用模版图进行传统算法的模版匹配找到与模版图最相似的图片，将该位置抠出作为样本图；图像处理：将模版图和样本图作为Siamese diff Unet模型的输入，进而得到输出的heat map图；缺陷滤出：设定门限值将缺陷几率太小的值滤除，获取heat map缺陷图；缺陷拾取：将heat map缺陷图进行二值化处理，获取对应的缺陷mask图，本发明设计合理，能够大大提升成衣印花的检测精度、检测效率以及鲁棒性。

Description

一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种基于深度学习模版匹配算法检测成衣印花缺陷的方法。
背景技术
在现今的服装工业里，印花的质检是生产前期重要的一环，也是确保生产品质重要的环节之一。如果可以在前期检测时就发现大批量的缺陷，就可以提前停止并维修机台，避免大量损失。现今利用深度学习或是机器学习来训练缺陷检测模型已经是显学了，但在对于印花质检上仍有相当大的难度，原因是印花的缺陷和印花的样式非常广泛不固定，所以没办法用传统的视觉算法来检测。所以现阶段大部份的成衣印花制造工厂都还是使用人工检测的方式，不仅浪费人力，而且在长期使用眼力的情况下，工人的眼睛容易疲劳，很容易造成缺陷漏检的状况产生，存在一定的缺陷。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供一种基于深度学习模版匹配算法检测成衣印花缺陷的方法，提升成衣印花检测的检测精度、检测效率以及鲁棒性。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种基于深度学习模版匹配算法检测成衣印花缺陷的方法，包括如下步骤：
S100、模版获取：服装生产前，采集第一张完整的印花成品作为模版，并记录其在相机所拍影像中的相对位置；
S200、样本采集：服装大量生产时，透过先前记录的相对位置，利用模版图进行传统算法的模版匹配找到与模版图最相似的图片，将该位置抠出作为样本图；
S300、图像处理：将模版图和样本图作为Siamese diff Unet模型的输入，进而得到输出的heat map图；
S400、缺陷滤出：设定门限值将缺陷几率太小的值滤除，获取heat map 缺陷图；
S500、缺陷拾取：将heat map缺陷图进行二值化处理，获取对应的缺陷 mask图。
优选地，上述基于深度学习模版匹配算法检测成衣印花缺陷的方法中，步骤S100中，印花成品为试生产过程中工人认为目前生产的成品无误，将其采图成为模版。
优选地，上述基于深度学习模版匹配算法检测成衣印花缺陷的方法中，步骤S300中，在Siamese diff Unet模型输出前进行softmax分类，获取两张跟原图大小相同的heatmap图。
优选地，上述基于深度学习模版匹配算法检测成衣印花缺陷的方法中，两张heatmap图分别为像素为背景的几率，像素为缺陷的几率。
优选地，上述基于深度学习模版匹配算法检测成衣印花缺陷的方法中，s oftmax损失函数为Cross-entropy loss＝-(ylog(p)+(1-y)log(1-p))。
优选地，上述基于深度学习模版匹配算法检测成衣印花缺陷的方法中，步骤S300中，Siamese diff Unet模型中输入图片的通道数C＝3。
优选地，上述基于深度学习模版匹配算法检测成衣印花缺陷的方法中，步骤S400中，门限值为0.8～0.9。
本发明的有益效果是：
本发明设计合理，基于Siamese diff Unet模型使用模版匹配的方法应用在成衣印花检测上，不需要事先定义缺陷类型和印花样式就可以检测。用以代替人工检测，可提升检测精度，检测效率和鲁棒性。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的方法流程图；
图2为本发明的Siamese diff Unet模型的骨架图。
具体实施方式
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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
请参阅图1所示，本实施例为一种基于深度学习模版匹配算法检测成衣印花缺陷的方法，包括如下步骤：
S100、模版获取：服装生产前，采集第一张完整的印花成品作为模版，并记录其在相机所拍影像中的相对位置，其中印花成品为试生产过程中工人认为目前生产的成品无误，将其采图成为模版。
S200、样本采集：服装大量生产时，透过先前记录的相对位置，利用模版图进行传统算法的模版匹配找到与模版图最相似的图片，将该位置抠出作为样本图。
S300、图像处理：将模版图和样本图作为Siamese diff Unet模型的输入，进而得到输出的heat map图，在Siamese diff Unet模型输出前进行softmax 分类，获取两张跟原图大小相同的heat map图，两张heat map图分别为像素为背景的几率，像素为缺陷的几率，softmax损失函数为Cross-entropy loss＝ -(ylog(p)+(1-y)log(1-p))，Siamese diffUnet模型中输入图片的通道数C＝ 3。在此算法中，输入端进行卷积运算，输出端进行反卷积运算。
S400、缺陷滤出：设定门限值将缺陷几率太小的值滤除，获取heat map 缺陷图，门限值为0.8～0.9，一般来说门限值越高precision会高，但recall 会降低，反之亦然。一般来说会设置在0.8～0.9左右。
S500、缺陷拾取：将heat map缺陷图进行二值化处理，获取对应的缺陷mask图。
本发明设计合理，基于Siamese diff Unet模型使用模版匹配的方法应用在成衣印花检测上，不需要事先定义缺陷类型和印花样式就可以检测。用以代替人工检测，可提升检测精度，检测效率和鲁棒性。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于，包括如下步骤：
S100、模版获取：服装生产前，采集第一张完整的印花成品作为模版，并记录其在相机所拍影像中的相对位置；
S200、样本采集：服装大量生产时，透过先前记录的相对位置，利用模版图进行传统算法的模版匹配找到与模版图最相似的图片，将该位置抠出作为样本图；
S300、图像处理：将模版图和样本图作为Siamese diffUnet模型的输入，进而得到输出的heatmap图；
S400、缺陷滤出：设定门限值将缺陷几率太小的值滤除，获取heat map缺陷图；
S500、缺陷拾取：将heat map缺陷图进行二值化处理，获取对应的缺陷mask图。
2.根据权利要求1所述的基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于：步骤S100中，印花成品为试生产过程中工人认为目前生产的成品无误，将其采图成为模版。
3.根据权利要求1所述的基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于：步骤S300中，在Siamese diff Unet模型输出前进行softmax分类，获取两张跟原图大小相同的heatmap图。
4.根据权利要求3所述的基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于：两张heat map图分别为像素为背景的几率，像素为缺陷的几率。
5.根据权利要求3所述的基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于：softmax损失函数为Cross-entropy loss＝-(ylog(p)+(1-y)log(1-p))。
6.根据权利要求1所述的基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于：步骤S300中，Siamese diff Unet模型中输入图片的通道数C＝3。
7.根据权利要求1所述的基于深度学习模版匹配算法检测成衣印花缺陷的方法，其特征在于：步骤S400中，门限值为0.8～0.9。
CN201910744804.5A 2019-08-13 2019-08-13 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 Active CN110570397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910744804.5A CN110570397B (zh) 2019-08-13 2019-08-13 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910744804.5A CN110570397B (zh) 2019-08-13 2019-08-13 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法

Publications (2)

Publication Number Publication Date
CN110570397A true CN110570397A (zh) 2019-12-13
CN110570397B CN110570397B (zh) 2020-12-04

Family

ID=68775165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910744804.5A Active CN110570397B (zh) 2019-08-13 2019-08-13 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法

Country Status (1)

Country Link
CN (1) CN110570397B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561892A (zh) * 2020-12-22 2021-03-26 东华大学 一种印花与提花面料的疵点检测方法
CN112884741A (zh) * 2021-02-22 2021-06-01 西安理工大学 一种基于图像相似性对比的印刷表观缺陷检测方法
CN115661160A (zh) * 2022-12-29 2023-01-31 成都数之联科技股份有限公司 一种面板缺陷检测方法及系统及装置及介质

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158650A (zh) * 2007-11-09 2008-04-09 无锡东望科技有限公司 机器视觉系统对印花布瑕疵的在线检测方法
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN103955922A (zh) * 2014-04-17 2014-07-30 西安工程大学 基于Gabor滤波器的印花织物疵点检测方法
CN105184777A (zh) * 2015-08-18 2015-12-23 西安工程大学 一种基于图像分解的印花图案织物瑕疵检测方法
CN106897681A (zh) * 2017-02-15 2017-06-27 武汉喜恩卓科技有限责任公司 一种遥感图像对比分析方法及系统
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
CN107220649A (zh) * 2017-05-27 2017-09-29 江苏理工学院 一种素色布匹缺陷检测和分类方法
CN107862692A (zh) * 2017-11-30 2018-03-30 中山大学 一种基于卷积神经网络的织带断痕缺陷检测方法
KR101895873B1 (ko) * 2017-06-15 2018-09-06 주식회사 에스엠비나 직물원단 검단방법 및 장치
WO2018192662A1 (en) * 2017-04-20 2018-10-25 Hp Indigo B.V. Defect classification in an image or printed output
CN108898620A (zh) * 2018-06-14 2018-11-27 厦门大学 基于多重孪生神经网络与区域神经网络的目标跟踪方法
CN108918536A (zh) * 2018-07-13 2018-11-30 广东工业大学 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
CN109145985A (zh) * 2018-08-21 2019-01-04 佛山职业技术学院 一种布匹疵点的检测及分类方法
CN109187579A (zh) * 2018-09-05 2019-01-11 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
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
EP3451234A1 (en) * 2017-08-21 2019-03-06 Advanced Vision Technology (AVT) Ltd. System and method for generating images for inspection
CN109785359A (zh) * 2018-11-27 2019-05-21 北京理工大学 一种基于深度特征金字塔与跟踪损失的视频目标检测方法
CN109885482A (zh) * 2019-01-16 2019-06-14 重庆大学 基于少样本数据学习的软件缺陷预测方法
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158650A (zh) * 2007-11-09 2008-04-09 无锡东望科技有限公司 机器视觉系统对印花布瑕疵的在线检测方法
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN103955922A (zh) * 2014-04-17 2014-07-30 西安工程大学 基于Gabor滤波器的印花织物疵点检测方法
CN105184777A (zh) * 2015-08-18 2015-12-23 西安工程大学 一种基于图像分解的印花图案织物瑕疵检测方法
CN106897681A (zh) * 2017-02-15 2017-06-27 武汉喜恩卓科技有限责任公司 一种遥感图像对比分析方法及系统
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
WO2018192662A1 (en) * 2017-04-20 2018-10-25 Hp Indigo B.V. Defect classification in an image or printed output
CN107220649A (zh) * 2017-05-27 2017-09-29 江苏理工学院 一种素色布匹缺陷检测和分类方法
KR101895873B1 (ko) * 2017-06-15 2018-09-06 주식회사 에스엠비나 직물원단 검단방법 및 장치
EP3451234A1 (en) * 2017-08-21 2019-03-06 Advanced Vision Technology (AVT) Ltd. System and method for generating images for inspection
CN107862692A (zh) * 2017-11-30 2018-03-30 中山大学 一种基于卷积神经网络的织带断痕缺陷检测方法
CN108898620A (zh) * 2018-06-14 2018-11-27 厦门大学 基于多重孪生神经网络与区域神经网络的目标跟踪方法
CN108918536A (zh) * 2018-07-13 2018-11-30 广东工业大学 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
CN109145985A (zh) * 2018-08-21 2019-01-04 佛山职业技术学院 一种布匹疵点的检测及分类方法
CN109187579A (zh) * 2018-09-05 2019-01-11 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
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN109785359A (zh) * 2018-11-27 2019-05-21 北京理工大学 一种基于深度特征金字塔与跟踪损失的视频目标检测方法
CN109885482A (zh) * 2019-01-16 2019-06-14 重庆大学 基于少样本数据学习的软件缺陷预测方法
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RODRIGO DAUDT 等: "Fully Convolutional Siamese Networks for Change Detection", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
RUOXU REN 等: "A Generic Deep-Learning-Based Approach for Automated Surface Inspection", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
刘祥惠 等: "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》 *
郭桂平 等: "基于多模板匹配的丝印缺陷快速检测方法", 《电子质量》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561892A (zh) * 2020-12-22 2021-03-26 东华大学 一种印花与提花面料的疵点检测方法
CN112884741A (zh) * 2021-02-22 2021-06-01 西安理工大学 一种基于图像相似性对比的印刷表观缺陷检测方法
CN112884741B (zh) * 2021-02-22 2023-01-24 西安理工大学 一种基于图像相似性对比的印刷表观缺陷检测方法
CN115661160A (zh) * 2022-12-29 2023-01-31 成都数之联科技股份有限公司 一种面板缺陷检测方法及系统及装置及介质

Also Published As

Publication number Publication date
CN110570397B (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN110570397B (zh) 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN106226325B (zh) 一种基于机器视觉的座椅表面缺陷检测系统及其方法
CN104749184B (zh) 自动光学检测方法和系统
CN109269951B (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN110599552B (zh) 一种基于计算机视觉的pH试纸检测方法
CN107478657A (zh) 基于机器视觉的不锈钢表面缺陷检测方法
CN109507192A (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
WO2022236876A1 (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN108230315B (zh) 一种基于机器视觉的口罩带缺失检测方法
CN103868935A (zh) 基于计算机视觉的烟支外观质量检测方法
CN104458766B (zh) 一种基于结构纹理法的布匹表面瑕疵检测方法
CN113658131A (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN112070727A (zh) 一种基于机器学习的金属表面缺陷检测方法
CN104048966B (zh) 一种基于大律法的布面疵点检测及分类方法
CN111415330A (zh) 基于深度学习的铜箔外观缺陷检测方法
CN113298809A (zh) 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113887524A (zh) 基于语义分割的磁铁矿显微图像分割方法
CN110580701A (zh) 一种基于计算机视觉的成衣测量和缺陷检测的方法
CN116310548A (zh) 一种进口种子产品中的入侵植物种子检测方法
CN109447097B (zh) 一种基于卷积神经网络的面料主成分检测方法
CN112001919B (zh) 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法
CN110689477A (zh) 一种通用的瑕疵图像模拟方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN105787955A (zh) 一种带钢缺陷的稀疏分割方法及其分割装置

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