CN111340802A - 一种采用人工智能技术进行自动化验布的智能验布机 - Google Patents
一种采用人工智能技术进行自动化验布的智能验布机 Download PDFInfo
- Publication number
- CN111340802A CN111340802A CN202010218387.3A CN202010218387A CN111340802A CN 111340802 A CN111340802 A CN 111340802A CN 202010218387 A CN202010218387 A CN 202010218387A CN 111340802 A CN111340802 A CN 111340802A
- Authority
- CN
- China
- Prior art keywords
- cloth
- training
- neural network
- deep neural
- artificial intelligence
- 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 83
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 3
- 208000028804 PERCHING syndrome Diseases 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004753 textile Substances 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
- 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
- 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)
- 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)
Abstract
本发明涉及一种采用人工智能技术进行自动化验布的智能验布机,其包括:机械组件;电子组件;视觉系统,设置在卷动过程中的布匹上方,用于实时采集布匹表面信息图像;训练系统,与视觉系统连接,训练模式下,用于根据视觉系统采集的布匹表面信息图像,应用标识及分类的疵点样本图像训练深度神经网络模型;宿主计算机,与视觉系统以及训练系统连接,用于生产模式下,根据视觉系统传来的实时布匹表面信息图像,应用训练系统训练好的深度神经网络模型来进行推理,判断是否有疵点存在以及其类型,在人工验布机的基础上增加机器视觉系统,当摄像头采集到布匹表面信息后,由前期训练的深度神经网络来进行疵点检测。
Description
技术领域
本发明涉及纺织领域,具体涉及一种采用人工智能技术进行自动化验布的智能验布机。
背景技术
人工验布机通过上下卷轴将布匹挂起,以一定速度卷动布匹,通过背景光将布匹照亮,使布匹特征更明显。验布工人站在布匹前用眼睛扫描布匹表面,当发现疵点时,修复或记录。这种验布方式受人的行为的影响很大,误检率较高。
现有的自动验布机多数采用传统计算机图形学算法,验布效率低、误检率高、受环境条件影响大(光照、角度等)、适应性差,尤其是,传统算法是针对某一种布匹类型研发,换一种布匹类型检测效果就会大幅下降。
传统机器视觉自动化验布方式是在人工验布机的基础上增加机器视觉系统,由单个摄像头或摄像头阵列组成。用摄像头代替人眼。摄像头实时采集布匹表面信息为图像数据,然后用传统计算机图形学算法,如小波分析、灰度图等来检验疵点。这种方式可以做到一定程度的自动化验布,但是局限性较高,速度慢,尤其是受环境影响很大。当环境光线变化时,验布效率大幅下降。并且传统机器视觉算法是针对特定布匹类型设计的,当更换布匹类型时会失效。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种采用人工智能技术进行自动化验布的智能验布机。
为实现上述目的,本发明提供了如下技术方案:
一种采用人工智能技术进行自动化验布的智能验布机,其包括:
机械组件,确保布匹卷动过程中绷紧;
电子组件,用于获取布匹实时纵向位置;
视觉系统,设置在卷动过程中的布匹上方,用于实时采集布匹表面信息图像;
训练系统,与视觉系统连接,训练模式下,用于根据视觉系统采集的布匹表面信息图像,应用标识及分类的疵点样本图像训练深度神经网络模型;
宿主计算机,与视觉系统以及训练系统连接,用于生产模式下,根据视觉系统传来的实时布匹表面信息图像,应用训练系统训练好的深度神经网络模型来进行推理,判断是否有疵点存在以及其类型。
视觉系统由面阵相机数组构成。
所述训练系统为计算机或云计算系统。
训练系统包括以下步骤:
步骤一、采集疵点图像样本;
步骤二、疵点标识及分类;
步骤三、训练深度神经网络及评估,当采集一定数量的疵点图像样本并进行标识及分类后,用这些图像样本应用TensorFlow去训练深度神经网络并进行评估;
步骤四、生成深度神经网络模型的冷冻图:用TensorFlow导出训练好的深度神经网络模型的冷冻图;
步骤五、发布神经网络,将导出的冷冻图发布到宿主计算机系统;
步骤六、发现新疵点样本,从新标识、分类、训练及导出步骤一中,人工进行验布,当发现疵点时,视觉系统采集该图片。
步骤二中,视觉系统采集的疵点图像样本由人工进行标识及分类。
本发明的有益效果:在人工验布机的基础上增加机器视觉系统,当摄像头采集到布匹表面信息后,由前期训练的深度神经网络来进行疵点检测。速度快,能满足实时检测需求;适应性更好,受光线变化影响小,并且更换布匹类型时,只需进行相应的前期训练就可以实现对新布匹类型进行瑕疵检测,适应性大幅提高。
附图说明
图1为本发明的流程图。
图2为本发明的系统框图。
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的一部分实施例,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他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
本发明提供一种采用人工智能技术进行自动化验布的智能验布机,其包括:
机械组件,确保布匹卷动过程中绷紧;机械组件可以采用常规的验布机硬件,因为需要视觉采集,所以只需要保证布匹卷动过程中绷紧即可;
电子组件,包括控制器,计米器,编码器,用于获取布匹实时纵向位置;
视觉系统,设置在卷动过程中的布匹上方,用于实时采集布匹表面信息图像;
训练系统,与视觉系统连接,训练模式下,用于根据视觉系统采集的布匹表面信息图像,应用标识及分类的疵点样本图像训练深度神经网络模型;
宿主计算机,与视觉系统以及训练系统连接,用于生产模式下,根据视觉系统传来的实时布匹表面信息图像,应用训练系统训练好的深度神经网络模型来进行推理,判断是否有疵点存在以及其类型。
视觉系统由面阵相机数组构成。
所述训练系统为计算机或云计算系统。
一种基于上述采用人工智能技术进行自动化验布的智能验布机的训练方法,其包括以下步骤:
步骤一、采集疵点图像样本;人工进行验布,当发现疵点时,视觉系统采集该图片。
步骤二、疵点标识及分类;视觉系统采集的疵点图像样本由人工进行标识及分类。
步骤三、训练深度神经网络及评估,当采集一定数量的疵点图像样本并进行标识及分类后,用这些图像样本应用TensorFlow去训练深度神经网络并进行评估;
步骤四、生成深度神经网络模型的冷冻图:用TensorFlow导出训练好的深度神经网络模型的冷冻图;
步骤五、发布神经网络,将导出的冷冻图发布到宿主计算机系统;
步骤六、发现新疵点样本,从新标识、分类、训练及导出。
实施例不应视为对本发明的限制,但任何基于本发明的精神所作的改进,都应在本发明的保护范围之内。
Claims (6)
1.一种采用人工智能技术进行自动化验布的智能验布机,其特征在于:其包括:
机械组件,确保布匹卷动过程中绷紧;
电子组件,用于获取布匹实时纵向位置;
视觉系统,设置在卷动过程中的布匹上方,用于实时采集布匹表面信息图像;
训练系统,与视觉系统连接,训练模式下,用于根据视觉系统采集的布匹表面信息图像,应用标识及分类的疵点样本图像训练深度神经网络模型;
宿主计算机,与视觉系统以及训练系统连接,用于生产模式下,根据视觉系统传来的实时布匹表面信息图像,应用训练系统训练好的深度神经网络模型来进行推理,判断是否有疵点存在以及其类型。
2.根据权利要求1所述的一种采用人工智能技术进行自动化验布的智能验布机,其特征在于:视觉系统由面阵相机数组构成。
3.根据权利要求1所述的一种采用人工智能技术进行自动化验布的智能验布机,其特征在于:所述训练系统为计算机或云计算系统。
4.根据权利要求1所述的一种采用人工智能技术进行自动化验布的智能验布机,其特征在于:训练系统包括以下步骤:
步骤一、采集疵点图像样本;
步骤二、疵点标识及分类;
步骤三、训练深度神经网络及评估,当采集一定数量的疵点图像样本并进行标识及分类后,用这些图像样本应用TensorFlow去训练深度神经网络并进行评估;
步骤四、生成深度神经网络模型的冷冻图:用TensorFlow导出训练好的深度神经网络模型的冷冻图;
步骤五、发布神经网络,将导出的冷冻图发布到宿主计算机系统;
步骤六、发现新疵点样本,从新标识、分类、训练及导出。
5.根据权利要求4所述的一种采用人工智能技术进行自动化验布的智能验布机,其特征在于:步骤一中,人工进行验布,当发现疵点时,视觉系统采集该图片。
6.根据权利要求4所述的一种采用人工智能技术进行自动化验布的智能验布机,其特征在于:步骤二中,视觉系统采集的疵点图像样本由人工进行标识及分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218387.3A CN111340802A (zh) | 2020-03-25 | 2020-03-25 | 一种采用人工智能技术进行自动化验布的智能验布机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218387.3A CN111340802A (zh) | 2020-03-25 | 2020-03-25 | 一种采用人工智能技术进行自动化验布的智能验布机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340802A true CN111340802A (zh) | 2020-06-26 |
Family
ID=71184432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010218387.3A Pending CN111340802A (zh) | 2020-03-25 | 2020-03-25 | 一种采用人工智能技术进行自动化验布的智能验布机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340802A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721773A (zh) * | 2020-06-29 | 2020-09-29 | 北京大简技术有限公司 | 一种布匹检测系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369155A (zh) * | 2017-07-24 | 2017-11-21 | 广东工业大学 | 一种基于机器视觉的布匹表面疵点检测方法及其系统 |
CN208752022U (zh) * | 2018-06-13 | 2019-04-16 | 西安工程大学 | 基于树莓派的深度学习机器视觉自动在线验布装置 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
-
2020
- 2020-03-25 CN CN202010218387.3A patent/CN111340802A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369155A (zh) * | 2017-07-24 | 2017-11-21 | 广东工业大学 | 一种基于机器视觉的布匹表面疵点检测方法及其系统 |
CN208752022U (zh) * | 2018-06-13 | 2019-04-16 | 西安工程大学 | 基于树莓派的深度学习机器视觉自动在线验布装置 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721773A (zh) * | 2020-06-29 | 2020-09-29 | 北京大简技术有限公司 | 一种布匹检测系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106841209B (zh) | 一种基于大数据自学习化纤丝锭智能外观检测系统及方法 | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN107084991A (zh) | 基于机器视觉的石英棒气泡检测及品质分级方法 | |
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN106248680A (zh) | 一种基于机器视觉的电机换向器质量检测系统及检测方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN113030102A (zh) | 基于机器视觉的漆面瑕疵检查系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN108802052A (zh) | 一种关于拉链缺陷的检测系统及其检测方法 | |
CN109115775B (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN107330440B (zh) | 基于图像识别的海洋状态计算方法 | |
CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
CN113333329A (zh) | 一种基于深度学习的烟支缺陷检测系统 | |
CN111340802A (zh) | 一种采用人工智能技术进行自动化验布的智能验布机 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
RJ01 | Rejection of invention patent application after publication |