CN110706205A - 一种使用计算机视觉技术检测布匹破洞缺陷的方法 - Google Patents
一种使用计算机视觉技术检测布匹破洞缺陷的方法 Download PDFInfo
- Publication number
- CN110706205A CN110706205A CN201910844976.XA CN201910844976A CN110706205A CN 110706205 A CN110706205 A CN 110706205A CN 201910844976 A CN201910844976 A CN 201910844976A CN 110706205 A CN110706205 A CN 110706205A
- Authority
- CN
- China
- Prior art keywords
- cloth
- computer vision
- pictures
- detecting
- defect
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
本发明公开了计算机视觉领域的一种使用计算机视觉技术检测布匹破洞缺陷的方法,包括以下具体步骤:S1:通过工业线扫相机拍摄高清布匹图片;S2:高清布匹图片滑动切分为多张768*1024图片;S3:输入768*1024布匹图片,并载入至模型内进行实验检测,结合滑动切分为多张的768*1024布匹图片进行检测,将检测的结果进行后处理;S4:输出分类结果,标记缺陷所在大致位置,设计AInno_cloth分类网络的模型,该网络接收单张大图768*1024作为输入,经过卷积、池化运算后在最后一个feature map上使用多尺度池化核提取分类信息,多分支多网格输出分类概率,后处理取极值作为原图类别概率,满足布匹工业质检要求,能够快速、准确检测布匹破洞缺陷。
Description
技术领域
本发明涉及计算机视觉技术领域,具体为一种使用计算机视觉技术检测布匹破洞缺陷的方法。
背景技术
在现今布匹生产工业里,布匹质检是生产的最后一环,也是确保生产品质的重要环节之一,这也是工业4.0自动化所要推进的主要项目。
布匹缺陷包括破洞、脏污、抽纱、胶印、褶皱等,其中破洞缺陷是较为常见的缺陷。布匹按卷存放,卷高约1.5米——2.0米,展开后布卷长度约为50米,质检时需展开布匹卷;目前布匹质检主要依靠人工实施,检验速度慢、劳动强度大,受主观因素影响,缺乏一致性;布匹破洞缺陷所占面积很小,质检时幅度宽、速度快,检测难度大,现有深度学习、计算机视觉方法在检测精度、速度方面难以达到布匹工业生产要求。
基于此,本发明设计了一种使用计算机视觉技术检测布匹破洞缺陷的方法,以解决上述提到的问题。
发明内容
本发明的目的在于提供一种使用计算机视觉技术检测布匹破洞缺陷的方法,提高对布匹检测的适应性,准确、快速检测破洞缺陷,检测结果客观,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种使用计算机视觉技术检测布匹破洞缺陷的方法,包括以下具体步骤:
S1:通过工业线扫相机拍摄高清布匹图片;
S2:高清布匹图片滑动切分为多张768*1024图片;
S3:输入768*1024布匹图片,并载入至模型内进行实验检测,结合滑动切分为多张的768*1024布匹图片进行检测,将检测的结果进行后处理;
S4:输出分类结果,标记缺陷所在大致位置。
优选的,所述步骤S3中的模型采用AInno_cloth分类网络。
优选的,所述AInno_cloth分类网络具体包括:
接收单张768*1024输入图片;
经过一系列的卷积、BN层、激活层和池化运算后,得到最后一个24*32 大小的feature map;
在最后一个24*32大小的feature map上,使用多尺度池化层提取分类信息,并将其映射至输入图,结合输入图的标记信息,经换算后得到各网络的标记;
对池化层输出的feature map进行进行1*1卷积,确定整个检测任务的类别;
对各分支输出的检测结果进行后处理,输入布匹图片的缺陷最大值。
优选的,所述一系列的卷积、BN层、激活层和池化运算包括DenseBlock1、TransitionLayer1、DenseBlock2、TransitionLayer2、DenseBlock3、 TransitionLayer3和DenseBlock4。
优选的,所述最后一个24*32大小的feature map为DenseBlock4 feature map。
优选的,所述1*1卷积的核数量为任务类别数量。
优选的,所述输入布匹图片的缺陷最大值包括同尺寸网格破洞缺陷取概率最大值,不同尺寸网格再次取破洞缺陷最大值。
与现有技术相比,本发明的有益效果是:设计AInno_cloth分类网络的模型,该网络接收单张大图768*1024作为输入,经过卷积、池化运算后在最后一个feature map上使用多尺度池化核提取分类信息,多分支多网格输出分类概率,后处理取极值作为原图类别概率,满足布匹工业质检要求,能够快速、准确检测布匹破洞缺陷。
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AInno_cloth分类网络结构示意图;
图2为本发明模型训练流程图;
图3为本发明检测方法应用流程图;
图4为本发明边扎洞检测效果图;
图5为本发明擦洞检测效果图;
图6为本发明小破洞检测效果图;
图7为本发明大破洞检测效果图。
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1-3,本发明提供一种技术方案:一种使用计算机视觉技术检测布匹破洞缺陷的方法,包括以下具体步骤:
S1:通过工业线扫相机拍摄高清布匹图片;
S2:高清布匹图片滑动切分为多张768*1024图片;
S3:输入768*1024布匹图片,并载入至模型内进行实验检测,结合滑动切分为多张的768*1024布匹图片进行检测,将检测的结果进行后处理;
S4:输出分类结果,标记缺陷所在大致位置。
其中,所述步骤S3中的模型采用AInno_cloth分类网络。所述AInno_cloth 分类网络具体包括:
接收单张768*1024输入图片;
经过一系列的卷积、BN层、激活层和池化运算后,一系列的卷积、BN 层、激活层和池化运算包括DenseBlock1、TransitionLayer1、DenseBlock2、 TransitionLayer2、DenseBlock3、TransitionLayer3和DenseBlock4,得到最后一个24*32大小的feature map,即为DenseBlock4 feature map;
在最后一个24*32大小的feature map上,使用多尺度池化层提取分类信息,并将其映射至输入图,结合输入图的标记信息,经换算后得到各网络的标记;
对池化层输出的feature map进行进行1*1卷积,确定整个检测任务的类别,所述1*1卷积的核数量为任务类别数量;
对各分支输出的检测结果进行后处理,同尺寸网格破洞缺陷取概率最大值,不同尺寸网格再次取破洞缺陷最大值,作为输入布匹图片的缺陷最大值。
将采集到的布匹图片作为输入,使用本发明方法训练得到的检测模型,布匹破洞检测效果如图4-7所示:分别为边扎洞检测效果图、擦洞检测效果图、小破洞检测效果图、大破洞检测效果图。
该发明可以检测布匹破洞缺陷,相比现有的人工方法,检测精度高、检测速度快、检测结果客观;相比现有一般的深度学习检测方法:检测精度提升11%,检测速度提升6倍,能够成功应用于布匹破洞检测场景。
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)
1.一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:包括以下具体步骤:
S1:通过工业线扫相机拍摄高清布匹图片;
S2:高清布匹图片滑动切分为多张768*1024图片;
S3:输入768*1024布匹图片,并载入至模型内进行实验检测,结合滑动切分为多张的768*1024布匹图片进行检测,将检测的结果进行后处理;
S4:输出分类结果,标记缺陷所在大致位置。
2.根据权利要求1所述的一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:所述步骤S3中的模型采用AInno_cloth分类网络。
3.根据权利要求2所述的一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:所述AInno_cloth分类网络具体包括:
接收单张768*1024输入图片;
经过一系列的卷积、BN层、激活层和池化运算后,得到最后一个24*32大小的featuremap;
在最后一个24*32大小的feature map上,使用多尺度池化层提取分类信息,并将其映射至输入图,结合输入图的标记信息,经换算后得到各网络的标记;
对池化层输出的feature map进行进行1*1卷积,确定整个检测任务的类别;
对各分支输出的检测结果进行后处理,输入布匹图片的缺陷最大值。
4.根据权利要求3所述的一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:所述一系列的卷积、BN层、激活层和池化运算包括DenseBlock1、TransitionLayer1、DenseBlock2、TransitionLayer2、DenseBlock3、TransitionLayer3和DenseBlock4。
5.根据权利要求4所述的一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:所述最后一个24*32大小的feature map为DenseBlock4feature map。
6.根据权利要求3所述的一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:所述1*1卷积的核数量为任务类别数量。
7.根据权利要求3所述的一种使用计算机视觉技术检测布匹破洞缺陷的方法,其特征在于:所述输入布匹图片的缺陷最大值包括同尺寸网格破洞缺陷取概率最大值,不同尺寸网格再次取破洞缺陷最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844976.XA CN110706205B (zh) | 2019-09-07 | 2019-09-07 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844976.XA CN110706205B (zh) | 2019-09-07 | 2019-09-07 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110706205A true CN110706205A (zh) | 2020-01-17 |
CN110706205B CN110706205B (zh) | 2021-05-14 |
Family
ID=69195317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844976.XA Active CN110706205B (zh) | 2019-09-07 | 2019-09-07 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706205B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN105004729A (zh) * | 2015-06-30 | 2015-10-28 | 西安工程大学 | 一种基于压缩感知的坯布织物疵点检测方法 |
CN105426919A (zh) * | 2015-11-23 | 2016-03-23 | 河海大学 | 基于显著性指导非监督特征学习的图像分类方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN107564009A (zh) * | 2017-08-30 | 2018-01-09 | 电子科技大学 | 基于深度卷积神经网络的室外场景多目标分割方法 |
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 |
US20180182116A1 (en) * | 2014-10-27 | 2018-06-28 | Digimarc Corporation | Signal detection, recognition and tracking with feature vector transforms |
CN108364281A (zh) * | 2018-01-08 | 2018-08-03 | 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 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN108846474A (zh) * | 2018-05-18 | 2018-11-20 | 南京信息工程大学 | 基于多维密集连接卷积神经网络的卫星云图云量计算方法 |
CN109191430A (zh) * | 2018-07-27 | 2019-01-11 | 江苏理工学院 | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 |
CN109711449A (zh) * | 2018-12-20 | 2019-05-03 | 北京以萨技术股份有限公司 | 一种基于全卷积网络的图像分类算法 |
CN109829900A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(北京)科技有限公司 | 一种基于深度学习的钢卷端面缺陷检测方法 |
CN110175988A (zh) * | 2019-04-25 | 2019-08-27 | 南京邮电大学 | 基于深度学习的布匹缺陷检测方法 |
CN110197200A (zh) * | 2019-04-23 | 2019-09-03 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
-
2019
- 2019-09-07 CN CN201910844976.XA patent/CN110706205B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
US20180182116A1 (en) * | 2014-10-27 | 2018-06-28 | Digimarc Corporation | Signal detection, recognition and tracking with feature vector transforms |
CN105004729A (zh) * | 2015-06-30 | 2015-10-28 | 西安工程大学 | 一种基于压缩感知的坯布织物疵点检测方法 |
CN105426919A (zh) * | 2015-11-23 | 2016-03-23 | 河海大学 | 基于显著性指导非监督特征学习的图像分类方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN107564009A (zh) * | 2017-08-30 | 2018-01-09 | 电子科技大学 | 基于深度卷积神经网络的室外场景多目标分割方法 |
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 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN108364281A (zh) * | 2018-01-08 | 2018-08-03 | 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 |
CN108846474A (zh) * | 2018-05-18 | 2018-11-20 | 南京信息工程大学 | 基于多维密集连接卷积神经网络的卫星云图云量计算方法 |
CN109191430A (zh) * | 2018-07-27 | 2019-01-11 | 江苏理工学院 | 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法 |
CN109711449A (zh) * | 2018-12-20 | 2019-05-03 | 北京以萨技术股份有限公司 | 一种基于全卷积网络的图像分类算法 |
CN109829900A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(北京)科技有限公司 | 一种基于深度学习的钢卷端面缺陷检测方法 |
CN110197200A (zh) * | 2019-04-23 | 2019-09-03 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110175988A (zh) * | 2019-04-25 | 2019-08-27 | 南京邮电大学 | 基于深度学习的布匹缺陷检测方法 |
Non-Patent Citations (7)
Title |
---|
DONGGEUN YOO 等: "Multi-scale Pyramid Pooling for Deep Convolutional Representation", 《COMPUTER VISION & PATTER RECOGNITION WORKSHOPS》 * |
GAO HUANG 等: "Densely Connected Convolutional Networks", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
HENGSHUANG ZHAO 等: "Pyramid Scene Parsing Network", 《ARXIV》 * |
SHUANG MEI 等: "Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model", 《SENSOR》 * |
YUNCHAO GONG 等: "Multi-scale Orderless Pooling of Deep Convolutional Activation Features", 《ECCV》 * |
吴志洋 等: "基于卷积神经网络的单色布匹瑕疵快速检测算法", 《计算机辅助设计与图形学学报》 * |
邱星宇 等: "多特性融合的多尺度显著性检测", 《小型微型计算机系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110706205B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
CN111415329B (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN110245697B (zh) | 一种表面脏污检测方法、终端设备及存储介质 | |
CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
TW202001795A (zh) | 瑕疵分類標記系統及瑕疵分類標記方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
JP2019050376A5 (zh) | ||
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN112700442A (zh) | 基于Faster R-CNN的模切机工件缺陷检测方法和系统 | |
CN110490237B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
KR20210038303A (ko) | 제품 분류 시스템 및 방법 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
CN113516651A (zh) | 基于残差网络的焊接接头缺陷检测方法及装置 | |
CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
CN111382766A (zh) | 一种基于Faster R-CNN的设备故障检测方法 | |
CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
CN111915593A (zh) | 模型建立方法、装置、电子设备及存储介质 | |
CN111986145A (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
CN111178445A (zh) | 图像处理方法及装置 | |
CN110508510A (zh) | 一种塑料泵缺陷检测方法、装置及系统 | |
CN110706205B (zh) | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230109 Address after: 266100 6D, Building 1, No. 169, Songling Road, Laoshan District, Qingdao, Shandong Patentee after: Qingdao aolipuzhi Intelligent Industrial Technology Co.,Ltd. Address before: 400039 Room 201, building 9, Chongqing Qidi Science Park, 69 Huoju Avenue, Jiulongpo District, Chongqing Patentee before: AINNOVATION (CHONGQING) TECHNOLOGY Co.,Ltd. |