CN110889837A - 一种具有瑕疵分级功能的布匹瑕疵检测方法 - Google Patents
一种具有瑕疵分级功能的布匹瑕疵检测方法 Download PDFInfo
- Publication number
- CN110889837A CN110889837A CN201911163840.9A CN201911163840A CN110889837A CN 110889837 A CN110889837 A CN 110889837A CN 201911163840 A CN201911163840 A CN 201911163840A CN 110889837 A CN110889837 A CN 110889837A
- Authority
- CN
- China
- Prior art keywords
- cloth
- image
- flaw
- defect
- network model
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 63
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000012800 visualization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 235000009161 Espostoa lanata Nutrition 0.000 claims description 6
- 240000001624 Espostoa lanata Species 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003707 image sharpening Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000001680 brushing effect Effects 0.000 claims 2
- 238000010008 shearing Methods 0.000 claims 2
- 238000005520 cutting process Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000009941 weaving Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000000246 remedial effect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000218228 Humulus Species 0.000 description 1
- 241001484259 Lacuna Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- 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)
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种具有瑕疵分级功能的布匹瑕疵检测方法，包括以下步骤：首先要使用图像获取设备进行布匹图像数据的采集；然后对采集到的布匹图像进行相应的预处理操作；接下来就是进行布匹生产过程中的各种瑕疵的分类识别；最后要对已经检测到并分类完成的各种瑕疵类型再分别进行同一瑕疵类型的等级划分。本发明主要是增加了同类型瑕疵等级的分级机制，通过瑕疵分级可以将同类型瑕疵的相应等级分为轻微、中度和重度三个程度值，这样就可以对轻微、中度等级瑕疵的布匹采取对应的补救措施，对重度等级瑕疵的布匹采取报废处理，从而提高布匹生产的自动化生产效率，节省企业生产成本。
Description
技术领域
本发明涉及一种具有瑕疵分级功能的布匹瑕疵检测方法，属于瑕疵检测技术领域。
背景技术
当今社会经济快速发展，人们的生活水平不断提高，其中对衣服的质量和档次要求也越来越高，使得成衣制造市场对布匹的需求日益扩大，并且质量要求方面也更高。结合当前市场情况分析，只有高品质的布匹才能脱颖而出，获得大量成衣制造商的青睐，从而占据成衣制造原料的主要市场。对于布匹质量好坏的主要评价点之一就是查看其疵点，若布匹疵点过多将会给布匹生产企业带来极大的经济损失。因此，减少布匹疵点对于提高产品质量、增加产品的竞争力以及降低企业生产成本至关重要。
近年来布匹生产商多利用机器视觉的手段做布匹瑕疵点的自动检测，机器视觉检测虽然相对于人工检测速度快、可靠性高、准确性较高，但存在疵点特征提取能力尚不理想，准确率不能满足瑕疵检测性能的高要求等缺点，而且布匹图像的获取很容易受到外界噪声和本身带来噪声的干扰，这也增加了瑕疵检测的难度。如何快速、准确地实现布匹瑕疵检测，并对检测到的瑕疵进行分类和分级是布匹生产线待解决的问题。近些年深度学习中的人工神经网络模型在目标识别、特征提取、边缘检测等领域有着广泛的应用并且展现出了很好的效果。因此将深度学习与机器视觉技术结合用于工业领域的检测是质检行业的一个新突破，两种技术互相配合，优势互补，也是人工智能技术在该领域发展的主要趋势之一。。
发明内容
本发明所要解决的技术问题时提供一种具有瑕疵分级功能的布匹瑕疵检测方法，从而提高布匹生产的自动化生产效率，节省企业生产成本。
本发明解决其技术问题所采用的技术方案是提供一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，包括以下步骤：
步骤一，使用图像获取设备进行布匹图像数据的采集；
步骤二，对采集到的布匹图像进行相应的预处理操作，降低图像噪声和干扰；
步骤三，利用卷积神经网络中的VGGNet网络模型提取布匹生产过程中典型的跳花、棉球、缺经及其他瑕疵的特征信息并制作相应的特征模板，最后通过模板匹配算法检测出对应的瑕疵类型并完成瑕疵的分类；
步骤四，对已完成分类的各种瑕疵类型再分别进行同一瑕疵类型的等级划分，使用卷积神经网络中的inception-v3网络模型提取同类型瑕疵的特征信息，然后通过反卷积技术进行特征可视化并根据得出的特征显著度值对布匹瑕疵图像进行样本标记，最后使用迁移学习的方式进行瑕疵分级模型的训练，从而实现同类型瑕疵的等级划分。
优选地，所述步骤一中在进行布匹图像采集时，卷布工作台在布匹移动时确保平稳可靠，其变频电机支持逆向旋转，可以无级变速，在卷布工作台上方装载一颗CMOS传感器，用作对布匹的实时行扫描，并根据卷布工作台周围环境的具体情况来设置CMOS传感器参数，比如卷布工作台周围的光线过亮时，可以通过缩小镜头光圈、减少环境照明等方式进行调整；而当光线过暗时，则通过增大光圈、增加照明等方式进行调整。
优选地，所述步骤二中对采集到的布匹图像进行预处理操作，首先采用小波变换的滤波方法对原始布匹图像进行平滑降噪处理；然后采用图像锐化方法恢复经过平滑降噪后布匹图像的边界信息；最后采用直方图修正方法实现对布匹图像效果的增强从而改善布匹图像对比度不足的缺点。
优选地，所述步骤三中的不同类型瑕疵特征提取器采用VGGNet网络模型，选取有代表性的经过图像预处理过的跳花、棉球、缺经及其他瑕疵图像，将布匹的瑕疵图像进行进一步的处理操作，包括图像缩放、图像旋转、图像色彩调整方式，然后利用双三次插值法调整上一步处理后的图像，网络模型的输入为调整后的像素行列值，接下来初始化网络模型训练过程中所需的各种参数，包括移动步长、学习率、初始权值以及卷积核尺寸，最后通过引进激励函数增加网络模型的非线性特性。
优选地，所述步骤三中的实现对各种典型瑕疵的分类，首先将基于VGGNet网络模型提取到的布匹瑕疵的特征信息制作成特征模板，然后采用基于归一化互相关的模板匹配算法检测对应的瑕疵从而实现对布匹生产中各种瑕疵类型的分类。
优选地，所述步骤四中的同类瑕疵特征提取器采用inception-v3网络模型，同样采用双三次插值法调整布匹的瑕疵图像大小，然后进行瑕疵图像的归一化处理，通过将待检测样本的均值图像和插值后的图像进行做差，最后向预训练好的inception-v3网络模型中输入上一步得出的瑕疵图像，从而提取瑕疵的特征信息。
优选地，所述步骤四中的特征可视化和瑕疵样本标记采用反卷积技术来实现同类瑕疵特征提取过程的可视化工作，然后结合特征可视化处理后得出的特征显著度值，对同类瑕疵进行等级标记，划分依据主要通过灰度值的均值、偏差、能量和对比度等维度，从而将同类瑕疵划分成轻微、中等和严重三个等级。
优选地，所述步骤四中的瑕疵分级模型训练利用ImageNet数据集上训练好的inception-v3网络模型，通过迁移学习的方式转移到本地数据集上并据此训练分类器，训练完成后即可对测试数据集实现同类型瑕疵的等级划分。
本发明采用上述技术方案，与现有技术相比，具有以下的优点和积极效果：相较于传统的机器视觉检测布匹瑕疵存在特征提取能力尚不理想，准确率不能满足相对精细的瑕疵检测性能的要求等不足，本发明采用了当下比较流行的深度学习领域的先进算法，在细粒度分类下的特征提取与瑕疵标记优势明显。另外，传统的布匹瑕疵检测只是做到了对不同类型瑕疵的分类，而未对同类瑕疵的瑕疵等级进行分级，本发明实现了对同类瑕疵的轻微、中等和严重三个瑕疵等级的划分，对指导布匹生产和企业成本控制方面有较好的促进作用。
附图说明
图1为本发明流程图；
图2是VGGNet结构图；
图3是Inception结构图；
图4是反卷积原理图；
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
实施例
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种具有瑕疵分级功能的布匹瑕疵检测方法，如图1所示，包括以下步骤：使用图像获取设备进行布匹图像数据的采集，布匹图像采集质量的好坏对接下来的瑕疵检测结果的准确性有直接影响；然后对采集到的布匹图像进行相应的预处理操作，原始图像的预处理操作主要由视觉算法库来实现，布匹图像数据经过图像滤波、图像锐化和图像增强后其噪声和干扰问题会有比较大的改善；接下来就是进行布匹生产过程中的各种瑕疵的分类识别，利用卷积神经网络中的VGGNet网络模型对布匹生产过程中典型的跳花瑕疵、棉球瑕疵、缺经及其他瑕疵进行特征信息的提取，然后把提取到的特征信息制作成特征模板，然后凭借模板匹配算法检测出对应的瑕疵类型，这样在瑕疵检测的同时也实现了对各种典型瑕疵的分类；最后对已完成分类的各种瑕疵类型再分别进行同一瑕疵类型的等级划分，使用卷积神经网络中的inception-v3网络模型提取同类型瑕疵的特征信息，然后通过反卷积技术进行特征可视化并根据得出的特征显著度值对布匹瑕疵图像进行样本标记，最后使用迁移学习的方式进行瑕疵分级模型的训练，从而实现同类型瑕疵的等级划分。具体步骤如下：
步骤1：采集布匹图像，卷布工作台平稳可靠地使布匹匀速移动，用平行度检测仪器检测卷布工作台的平行度，利用卷布工作台上方装载的一颗CMOS传感器对布匹进行实时行扫描，并根据卷布工作台周围的光照情况修改CMOS传感器参数，确保图像采集的质量。
步骤2：对布匹图像进行预处理，用小波变换的滤波方式对原始图像进行平滑降噪处理，然后通过八邻域拉普拉斯算子图像锐化方法对平滑降噪后的图像进一步处理，恢复其边界信息，最后用直方图修正法实现对布匹图像效果的增强从而改善布匹图像对比度不足的缺点。
所述小波变换方法，对于一张布匹的二维图像，假设为
f(i,j)＝s(i,j)+p(i,j)
其中f(i,j)为真实图像信息，s(i,j)为原始的布匹图像信息，p(i,j)为高斯白噪声，小波变换去噪方法就是将噪声信息首先进行小波变换，从而得到对应的相关系数值，接下来观察哪些系数高于小波系数阈值，若有则表明该信号属于信号同噪声的叠加从而加以保留；否则全部为噪声从而加以去除。
所述拉普拉斯算子公式为
所述直方图修正法计算公式为
其中P(ri)表示该灰度值出现的相对频率，ri为象素的灰度值，ni为灰度值为i的象素个数，N为图像总象素个数。
步骤3：对不同类型的布匹瑕疵进行特征提取，如图2所示将VGGNet作为特征提取器提取经过图像采集和预处理后的布匹瑕疵的特征。选取有代表性的经过图像预处理过的跳花、棉球、缺经及其他瑕疵图像，将布匹的瑕疵图像进行进一步的处理操作，包括图像缩放、图像旋转、图像色彩调整等方式，然后利用双三次插值法调整上一步处理后的图像，VGGNet网络模型的输入为调整后的224x224像素，接下来初始化网络模型训练过程中所需的各种参数，采用服从高斯分布的随机初始化方法，将权值参数的初始值设置成近似于0，学习率的设置采用指数衰减法，卷积核和池化核分别采用3x3和2x2，初始学习率设置为0.01，衰减率设置为0.96，衰减速度设置为50；接下来要增加网络模型的非线性，可通过引进ReLU激励函数来实现；最后要解决模型训练过程中出现的过拟合问题，可通过L2正则化限制权重的大小来实现。
所述ReLU激励函数为yrelu＝max(0,x).
所述L2正则化的表达式为
其中J(θ)是对其正则优化后的结果，θ代表神经网络里的所有参数，J0为损失函数，λ是正则项系数，n为训练集样本的大小。
步骤4：对不同类型的布匹瑕疵进行分类，对瑕疵分类采用基于归一化互相关的模板匹配的方案，其数学公式为
其中mt是模板的灰度均值，
是模板的灰度方差，mf是搜索区域中当前位置区域内的灰度均值，
是该区域灰度的方差。从而实现对不同类型的布匹瑕疵自动分类识别。
步骤5：对同类瑕疵进行特征提取，特征提取器采用在视觉对象识别软件研究的大型可视化数据库ImageNet上预训练好的inception-v3网络模型从而实现对布匹的某一类瑕疵的特征提取。如图3所示inception-v3网络模型通过非对称的卷积分解方式将一个较大的二维卷积分解为两个较小的一维卷积，如将一个3x3卷积分解为1x3和3x1卷积，从而提高该模型的特征提取的性能；然后通过将待检测布匹样本的均值图像和插值后的布匹图像进行做差实现布匹图像的归一化处理，最后向预训练好的inception-v3网络模型中输入上一步得出的瑕疵图像，从而提取出某一类瑕疵的特征信息。
步骤6：进行特征可视化，如图4所示通过反卷积技术对inception-v3模型提取到的某一类瑕疵特征信息进行可视化操作，将瑕疵严重程度不同的某一类瑕疵测试样本图输入卷积神经网络模型；然后通过对测试样本图进行卷积操作完成图像的平移、缩放、旋转操作，随之对其进行ReLU激活从而解决算法在优化深层神经网络时的梯度耗散问题，再进行最大池化操作从而减小卷积层参数误差造成估计均值的偏移，保留更多的纹理信息进而得到该类瑕疵的特征图；最后进行反池化操作的补位来实现还原出原始数据最大程度的信息完整性，随之进行ReLU反激活操作和反卷积操作从而填充图像内容，使得图像内容变得丰富进而得到该类瑕疵的特征可视化图。
步骤7：对瑕疵进行样本标记，利用Hakon视觉算法库结合特征可视化处理后得出的特征显著度值，对同类瑕疵进行等级标记，划分依据主要通过灰度值的均值、偏差、能量和对比度等维度，从而将该类瑕疵数据集划分成轻微、中等和严重三个等级。
步骤8：训练瑕疵分级模型，利用ImageNet数据集上训练好的inception-v3网络模型，通过迁移学习的方式转移到本地数据集上并据此训练分类器，其中待分级数据集包括训练数据和测试数据，将训练好的Inception-v3模型中卷积层的参数加以保留，替换掉Inception-v3模型中的全连接层，设置Inception-v3模型的缺省参数和缺省超参数，然后开始对该模型进行分级训练，在模型训练过程中该分级模型的损失函数会不断减小，进而模型的训练精度会不断增加，最后该类瑕疵迁移学习分级准确率可达到90％以上，成功实现对同类瑕疵等级的划分。
不难发现，本发明增加了同类型瑕疵等级的分级机制，通过瑕疵分级可以将同类型瑕疵的相应等级分为轻微、中度和重度三个程度值，这样就可以对轻微、中度等级瑕疵的布匹采取对应的补救措施，对重度等级瑕疵的布匹采取报废处理，从而提高布匹生产的自动化生产效率，节省企业生产成本。
Claims (8)
1.一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，包括以下步骤：
步骤一，使用图像获取设备进行布匹图像数据的采集；
步骤二，对采集到的布匹图像进行相应的预处理操作，降低图像噪声和干扰；
步骤三，利用卷积神经网络中的VGGNet网络模型提取布匹生产过程中典型的跳花、棉球、缺经、缺纬、擦洞、粗纱、吊弓、弓纱、回边、结洞、嵌结、扎纱、织稀、线印、纬粗纱、毛斑、楞断、紧纱、剪洞、黄渍、擦毛及蒸呢印的特征信息并制作相应的特征模板，最后通过模板匹配算法检测出对应的瑕疵类型并完成瑕疵的分类；
步骤四，对已完成分类的各种瑕疵类型再分别进行同一瑕疵类型的等级划分，使用卷积神经网络中的inception-v3网络模型提取同类型瑕疵的特征信息，然后通过反卷积技术进行特征可视化并根据得出的特征显著度值对布匹瑕疵图像进行样本标记，最后使用迁移学习的方式进行瑕疵分级模型的训练，从而实现同类型瑕疵的等级划分。
2.如权利要求1所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤一中在进行布匹图像采集时，卷布工作台在布匹移动时确保平稳可靠，其变频电机支持逆向旋转，可以无级变速，在卷布工作台上方装载一颗CMOS传感器，用作对布匹的实时行扫描，并根据卷布工作台周围环境的具体情况来设置CMOS传感器参数，当卷布工作台周围的光线过亮时，通过缩小镜头光圈、减少环境照明方式进行调整；而当光线过暗时，则通过增大光圈、增加照明等方式进行调整。
3.如权利要求1所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤二中对采集到的布匹图像进行预处理操作，首先采用小波变换的滤波方法对原始布匹图像进行平滑降噪处理；然后采用图像锐化方法恢复经过平滑降噪后布匹图像的边界信息；最后采用直方图修正方法实现对布匹图像效果的增强从而改善布匹图像对比度不足的缺点。
4.如权利要求1所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤三中的不同类型瑕疵特征提取器采用VGGNet网络模型，选取有代表性的经过图像预处理过的跳花、棉球、缺经、缺纬、擦洞、粗纱、吊弓、弓纱、回边、结洞、嵌结、扎纱、织稀、线印、纬粗纱、毛斑、楞断、紧纱、剪洞、黄渍、擦毛及蒸呢印图像，将布匹的瑕疵图像进行进一步的处理操作，包括图像缩放、图像旋转、图像色彩调整方式，然后利用双三次插值法调整上一步处理后的图像，网络模型的输入为调整后的像素行列值，接下来初始化网络模型训练过程中所需的各种参数，包括移动步长、学习率、初始权值以及卷积核尺寸，最后通过引进激励函数增加网络模型的非线性特性。
5.如权利要求4所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤三中的实现对各种典型瑕疵的分类，首先将基于VGGNet网络模型提取到的布匹瑕疵的特征信息制作成特征模板，然后采用基于归一化互相关的模板匹配算法检测对应的瑕疵从而实现对布匹生产中各种瑕疵类型的分类。
6.如权利要求1所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤四中的同类瑕疵特征提取器采用inception-v3网络模型，同样采用双三次插值法调整布匹的瑕疵图像大小，然后进行瑕疵图像的归一化处理，通过将待检测样本的均值图像和插值后的图像进行做差，最后向预训练好的inception-v3网络模型中输入上一步得出的瑕疵图像，从而提取瑕疵的特征信息。
7.如权利要求6所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤四中的特征可视化和瑕疵样本标记采用反卷积技术来实现同类瑕疵特征提取过程的可视化工作，然后结合特征可视化处理后得出的特征显著度值，对同类瑕疵进行等级标记，划分依据主要通过灰度值的均值、偏差、能量和对比度等维度，从而将同类瑕疵划分成轻微、中等和严重三个等级。
8.如权利要求7所述的一种具有瑕疵分级功能的布匹瑕疵检测方法，其特征在于，所述步骤四中的瑕疵分级模型训练利用ImageNet数据集上训练好的inception-v3网络模型，通过迁移学习的方式转移到本地数据集上并据此训练分类器，训练完成后即可对测试数据集实现同类型瑕疵的等级划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911163840.9A CN110889837A (zh) | 2019-11-25 | 2019-11-25 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911163840.9A CN110889837A (zh) | 2019-11-25 | 2019-11-25 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110889837A true CN110889837A (zh) | 2020-03-17 |
Family
ID=69748709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911163840.9A Pending CN110889837A (zh) | 2019-11-25 | 2019-11-25 | 一种具有瑕疵分级功能的布匹瑕疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110889837A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724377A (zh) * | 2020-06-22 | 2020-09-29 | 创新奇智(上海)科技有限公司 | 断纱检测方法、装置、电子设备、存储介质及停机系统 |
| CN111860579A (zh) * | 2020-06-09 | 2020-10-30 | 广州寻星网络科技有限公司 | 布面瑕疵识别方法、系统和存储介质 |
| 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 |
| CN113205176A (zh) * | 2021-04-19 | 2021-08-03 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
| CN113781458A (zh) * | 2021-09-16 | 2021-12-10 | 厦门理工学院 | 一种基于人工智能的识别方法 |
| CN114921941A (zh) * | 2022-03-24 | 2022-08-19 | 绍兴勇舜印染有限公司 | 全棉素色面料染整加工方法 |
| CN116503365A (zh) * | 2023-05-04 | 2023-07-28 | 无锡化工装备股份有限公司 | 一种基于机器视觉的三维冷凝翅片管轧制实时监测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003138468A (ja) * | 2001-10-29 | 2003-05-14 | Toyota Central Res & Dev Lab Inc | 織物検査装置 |
| US20070248246A1 (en) * | 2002-06-24 | 2007-10-25 | Arkady Cherkassky | Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface |
| CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN108827969A (zh) * | 2018-03-20 | 2018-11-16 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
| CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
| CN110232404A (zh) * | 2019-05-21 | 2019-09-13 | 江苏理工学院 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
-
2019
- 2019-11-25 CN CN201911163840.9A patent/CN110889837A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003138468A (ja) * | 2001-10-29 | 2003-05-14 | Toyota Central Res & Dev Lab Inc | 織物検査装置 |
| US20070248246A1 (en) * | 2002-06-24 | 2007-10-25 | Arkady Cherkassky | Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface |
| CN107871102A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
| CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| CN108827969A (zh) * | 2018-03-20 | 2018-11-16 | 中国科学院自动化研究所 | 金属零件表面缺陷检测与识别方法及装置 |
| CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
| CN110232404A (zh) * | 2019-05-21 | 2019-09-13 | 江苏理工学院 | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 孙文政: ""基于深度学习和机器视觉的手机屏幕瑕疵检测方法研究"" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860579A (zh) * | 2020-06-09 | 2020-10-30 | 广州寻星网络科技有限公司 | 布面瑕疵识别方法、系统和存储介质 |
| CN111724377A (zh) * | 2020-06-22 | 2020-09-29 | 创新奇智(上海)科技有限公司 | 断纱检测方法、装置、电子设备、存储介质及停机系统 |
| 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 |
| CN113205176A (zh) * | 2021-04-19 | 2021-08-03 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
| CN113205176B (zh) * | 2021-04-19 | 2022-09-06 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
| CN113781458A (zh) * | 2021-09-16 | 2021-12-10 | 厦门理工学院 | 一种基于人工智能的识别方法 |
| CN114921941A (zh) * | 2022-03-24 | 2022-08-19 | 绍兴勇舜印染有限公司 | 全棉素色面料染整加工方法 |
| CN114921941B (zh) * | 2022-03-24 | 2023-09-01 | 绍兴勇舜印染有限公司 | 全棉素色面料染整加工方法 |
| CN116503365A (zh) * | 2023-05-04 | 2023-07-28 | 无锡化工装备股份有限公司 | 一种基于机器视觉的三维冷凝翅片管轧制实时监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
| CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
| CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
| CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN108090894B (zh) | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN110827235B (zh) | 钢板表面缺陷检测方法 | |
| WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN108647706A (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| Zhang et al. | A method for defect detection of yarn-dyed fabric based on frequency domain filtering and similarity measurement | |
| CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
| CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN114494226B (zh) | 一种基于图形质心跟踪算法的纺织丝饼油污缺陷检测方法 | |
| CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
| CN112669300A (zh) | 瑕疵检测方法及装置、计算机设备和存储介质 | |
| CN112435235A (zh) | 一种基于图像分析的籽棉含杂率检测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200317 |