CN111612788B - 一种缺陷识别方法、装置和电子设备 - Google Patents

一种缺陷识别方法、装置和电子设备 Download PDF

Info

Publication number
CN111612788B
CN111612788B CN202010578501.3A CN202010578501A CN111612788B CN 111612788 B CN111612788 B CN 111612788B CN 202010578501 A CN202010578501 A CN 202010578501A CN 111612788 B CN111612788 B CN 111612788B
Authority
CN
China
Prior art keywords
image
fabric
defective
identified
images
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.)
Active
Application number
CN202010578501.3A
Other languages
English (en)
Other versions
CN111612788A (zh
Inventor
张发恩
徐国晟
贲圣兰
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 Wisdom Shanghai Technology Co ltd
Original Assignee
Innovation Wisdom Shanghai 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 Wisdom Shanghai Technology Co ltd filed Critical Innovation Wisdom Shanghai Technology Co ltd
Priority to CN202010578501.3A priority Critical patent/CN111612788B/zh
Publication of CN111612788A publication Critical patent/CN111612788A/zh
Application granted granted Critical
Publication of CN111612788B publication Critical patent/CN111612788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本申请提供一种缺陷识别方法、装置和电子设备，该方法包括获取待识别的织布图像；将待识别的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷的织布图像；根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像，该区别图像表示待识别的织布图像和对应的无缺陷的织布图像之间的差异；对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。

Description

一种缺陷识别方法、装置和电子设备
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种缺陷识别方法、装置和电子设备。
背景技术
传统织布机织布时，一般通过人为观测的方式检查生产过程中是否出现缺陷，但这种方式容易出现漏检或检测不及时的问题。
发明内容
本申请实施例的目的在于提供一种缺陷识别方法、装置和电子设备，用以解决传统织布机织布时通过人为观测的方式存在的漏检或检测不及时的问题。
第一方面，本发明实施例提供一种缺陷识别方法，所述方法包括：获取待识别的织布图像；将所述待识别的织布图像输入预设的无缺陷模型，以获得所述预设的无缺陷模型输出的所述待识别的织布图像对应的无缺陷的织布图像；根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，所述区别图像表示所述待识别的织布图像和对应的无缺陷的织布图像之间的差异；对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型。
在上述设计的缺陷识别方法中，通过将待识别的织布图像输入预设的缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷织布图像，进而将待识别的织布图像和无缺陷的织布图像进行对比，生成区别图像，进而对区别图像进行识别来判定其缺陷类型，使得织布缺陷类型可进行自动化判定，解决传统织布机织布时通过人为观测的方式存在的漏检或检测不及时的问题，提高了织布缺陷识别的效率以及精准度，同时本方案通过待识别的织布图像和无缺陷模型输出图像对比获得区别图像，来更加有缺陷的特征，使得有缺陷模型的特征更加突出，使得缺陷更加容易识别，另外，本方案没有增加任何器件，只需放置一台相机，不影响织布的正常生产。
在第一方面的可选实施方式中，在所述获取待识别图像之前，所述方法还包括：获取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像；通过机器学习算法对所述多个无缺陷的织布图像进行学习，获得所述预设的无缺陷模型。
在第一方面的可选实施方式中，所述对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型。
在第一方面的可选实施方式中，在所述获取待识别的织布图像之前，所述方法还包括：获取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像；将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；将每一有缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一有缺陷的织布图像对应的第二无缺陷图像；根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺陷的织布图像对应的第一区别图像；根据每一有缺陷的织布图像和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像；根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器。
在第一方面的可选实施方式中，所述根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器，包括：将所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像分别输入所述预设的分类器，以对所述预设的分类器进行训练获得所述织布类型分类器；所述通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：将所述区别图像输入预先训练完成的织布类型分类器，以获得所述织布类型分类器输出的所述待识别的织布图像对应的缺陷类型。
在第一方面的可选实施方式中，所述根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器，包括：提取每一第一区别图像对应的第一特征和每一第二区别图像对应的第二特征；将所有的第一特征和第二特征分别输入所述预设的分类器训练，以对所述预设的分类器进行训练获得所述织布类型分类器；所述通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：提取所述区别图像对应的特征，将所述区别图像对应的特征输入所述预先训练完成的织布类型分类器，以获得所述织布类型分类器输出的所述待识别的织布图像对应的缺陷类型。
在第一方面的可选实施方式中，所述根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，包括：将所述待识别的织布图像与对应的无缺陷的织布图像的每一像素点的像素值进行对比，以获得所述待识别的织布图像中与对应的无缺陷的织布图像像素值不同的像素点；根据所述待识别的织布图像中所有与对应的无缺陷的织布图像的像素值不同的像素点生成所述区别图像。
在第一方面的可选实施方式中，在所述对所述区别图像进行识别之前，所述方法还包括：对所述区别图像进行降噪处理，以获得降噪处理后的区别图像；所述对所述区别图像进行识别，包括：对所述降噪处理后的区别图像进行识别。
第二方面，本发明实施例提供一种缺陷识别装置，所述装置包括：获取模块，用于获取待识别的织布图像；输入模块，用于将所述待识别的织布图像输入预设的无缺陷模型，以获得所述预设的无缺陷模型输出的所述待识别的织布图像对应的无缺陷的织布图像；生成模块，用于根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，所述区别图像表示所述待识别的织布图像和对应的无缺陷的织布图像之间的差异；识别模块，用于对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型。
在上述设计的缺陷识别装置中，通过将待识别的织布图像输入预设的缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷织布图像，进而将待识别的织布图像和无缺陷的织布图像进行对比，生成区别图像，进而对区别图像进行识别来判定其缺陷类型，使得织布缺陷类型可进行自动化判定，解决传统织布机织布时通过人为观测的方式存在的漏检或检测不及时的问题，提高了织布缺陷识别的效率以及精准度，同时本方案通过待识别的织布图像和无缺陷模型输出图像对比获得区别图像，来更加有缺陷的特征，使得有缺陷模型的特征更加突出，使得缺陷更加容易识别，另外，本方案没有增加任何器件，只需放置一台相机，不影响织布的正常生产。
在第二方面的可选实施方式中，所述获取模块，还用于获取多个无缺陷的织布图像；学习模块，用于通过机器学习算法对所述多个无缺陷的织布图像进行学习，以获得所述预设的无缺陷模型。
在第二方面的可选实施方式中，所述识别模块，具体用于通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型。
在第二方面的可选实施方式中，所述获取模块，还用于获取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像；所述输入模块，还用于将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；以及，将每一有缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一有缺陷的织布图像对应的第二无缺陷图像；所述生成模块，还用于根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺陷的织布图像对应的第一区别图像；以及，根据每一有缺陷的织布图像和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像；训练模块，用于根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器。
在第二方面的可选实施方式中，所述生成模块，具体用于将所述待识别的织布图像与对应的无缺陷的织布图像的每一像素点的像素值进行对比，以获得所述待识别的织布图像中与对应的无缺陷的织布图像像素值不同的像素点；根据所述待识别的织布图像中所有与对应的无缺陷的织布图像的像素值不同的像素点生成所述区别图像。
在第二方面的可选实施方式中，所述装置还包括降噪模块，用于对所述区别图像进行降噪处理，以获得降噪处理后的区别图像；所述识别模块，具体用于对所述降噪处理后的区别图像进行识别。
第三方面，实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第四方面，实施例提供一种非暂态可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第五方面，实施例提供了一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面、第一方面的任一可选的实现方式中的所述方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的缺陷识别方法第一流程图；
图2为本申请实施例提供的无缺陷模型识别和图像对比第一示意图；
图3为本申请实施例提供的无缺陷模型识别和图像对比第二示意图；
图4为本申请实施例提供的缺陷识别方法第二流程图；
图5为本申请实施例提供的缺陷识别方法第三流程图；
图6为本申请实施例提供的缺陷识别方法第四流程图；
图7为本申请实施例提供的缺陷识别方法第五流程图；
图8为本申请实施例提供的缺陷识别方法第六流程图；
图9为本申请实施例提供的缺陷识别方法第七流程图；
图10为本申请实施例提供的缺陷识别方法第八流程图；
图11为本申请实施例提供的缺陷识别装置结构图；
图12为本申请实施例提供的电子设备结构图。
图标：200-获取模块；201-输入模块；202-生成模块；203-识别模块；204-学习模块；205-训练模块；206-降噪模块；3-电子设备；301-处理器；302-存储器；303-通信总线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
第一实施例
如图1所示，本申请实施例提供一种缺陷识别方法，该缺陷识别方法用于对织布的缺陷进行自动检测，具体的包括对织布的裂痕、织布织线的缠扰、对织布时的织线的断裂等缺陷进行自动检测，该方法可应用于服务器、计算机等终端设备，具体可包括如下步骤：
步骤S100：获取待识别的织布图像。
步骤S102：将待识别的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷的织布图像。
步骤S104：根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像。
步骤S106：对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。
在步骤S100中，获取的待识别的织布图像可为相机实时对织布进行拍摄后上传获得的实时图像，也可以为用户自行输入的织布图像。在服务器获取待识别的织布图像后，即可执行步骤S102。
在步骤S102中，服务器会将待识别的织布图像输入预设的无缺陷模型，进而获得该无缺陷模型输出的待识别的织布图像对应的无缺陷的织布图像。其中，该无缺陷模型通过多个无缺陷的织布图像预先训练获得，使得该模型可以包含无缺陷情况下图像的大部分变化，但不包含缺陷引起的图像变化。在此基础上，如图2所示，假设待识别的织布图像为无缺陷的织布图像，那么当待识别的织布图像输入该预设的无缺陷模型之后，由于无缺陷模型包含无缺陷情况下图像的大部分变化，因此无缺陷模型会输出该待识别的织布图像对应的无缺陷情况下的图像，由于待识别的织布图像本身即是无缺陷，那么该无缺陷模型输出的图像即该待识别的织布图像本身，即如图2中的输出图像所示；如图3所示，假设待识别的织布图像为有缺陷的织布图像，那么当服务器将待识别的织布图像输入该预设的无缺陷模型之后，由于该无缺陷的模型不包含缺陷引起的图像变化，因此，该无缺陷模型会输出该有缺陷的织布图像对应的无缺陷的织布图像，也就是说无缺陷模型输出的图像中织布没有缺陷的部分与输入的图像基本一致，但是将缺陷部分进行了屏蔽，即如图3中的输出图像所示。
在服务器获得无缺陷图像输出的待识别的织布图像对应的无缺陷的织布图像之后，即可执行步骤S104根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像，其中，该区别图像表示待识别的织布图像与对应的无缺陷的织布图像的差异，也就是将待识别的织布图像与对应的无缺陷的织布图像进行比对，差异之处所呈现的图像即可为该区别图像；继续进行前面的假设，当待识别的图像为无缺陷的图像时，前述已经描述到无缺陷模型输出的图像与该待识别的图像一致，因此，当执行步骤S104根据两者生成的区别图像时，二者生成的区别图像较为纯净，可为如图2中区别图像所示为空白图像；当待识别的图像为有缺陷的图像时，前述已经描述到无缺陷模型输出的图像为将该有缺陷的图像的缺陷部分进行屏蔽的对应无缺陷图像，具体可为如图3中区别图像所示的图像。
在服务器获取到该区别图像之后，即可执行步骤S106对该区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。其中，该缺陷类型可包括有缺陷或无缺陷；还可以包括在确定出有缺陷时识别出缺陷在图像中的位置。本步骤中的对该区别图像进行识别的方式可有多种，例如，当缺陷类型只为有缺陷或无缺陷时，可通过判定该区别图像是否为空白图像来进行判定；可扫描该区别图像中是否具有空白以外的图像来进行判定；还可以通过根据多张区别图像训练获得的分类器来对区别图像进行识别有无缺陷以及缺陷的具体位置等。
在上述设计的缺陷识别方法中，通过将待识别的织布图像输入预设的缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷织布图像，进而将待识别的织布图像和无缺陷的织布图像进行对比，生成区别图像，进而对区别图像进行识别来判定其缺陷类型，使得织布缺陷类型可进行自动化判定，解决传统织布机织布时通过人为观测的方式存在的漏检或检测不及时的问题，提高了织布缺陷识别的效率以及精准度，同时本方案通过待识别的织布图像和无缺陷模型输出图像对比获得区别图像，来更加有缺陷的特征，使得有缺陷模型的特征更加突出，使得缺陷更加容易识别，另外，本方案没有增加任何器件，只需放置一台相机，不影响织布的正常生产。
在本实施例的可选实施方式中，在步骤S100之前，可先对无缺陷模型进行建立，如图4所示，具体可包括如下步骤：
步骤S90：获取多个无缺陷的织布图像。
步骤S91：通过机器学习算法对多个无缺陷的织布图像进行学习，以获得预设的无缺陷模型。
在上述步骤中多个无缺陷的织布图像可通过相机对织布进行拍摄之后，人工对拍摄的无缺陷的织布图像进行选择获得，进而通过选择获得的多个无缺陷得到织布图像在服务器中构建训练数据库，使用机器学习算法对该训练数据库进行学习，进而获得该预设的无缺陷模型，使得该无缺陷模型包含织布无缺陷情况下图像的大部分变化，但不包含缺陷引起的图像变化。其中，该机器学习算法包括但不限于主成分分析法，自动编码机等。
在本实施例的可选实施方式中，如图5所示，前述步骤S106具体可为如下步骤：
步骤S1060：通过预先训练完成的织布类型分类器对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。
在上述的基础上，在步骤S100到步骤S106进行待识别图像识别之前，可先训练获得织布类型分类器，如图6所示，织布类型分类器的训练过程具体可为如下步骤：
步骤S92：获取多个织布图像，该多个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像。
步骤S93：将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得预设的无缺陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；将每一有缺陷的织布图像输入所述预设的无缺陷模型，以获得预设的无缺陷模型输出的每一有缺陷的织布图像对应的第二无缺陷图像。
步骤S94：根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺陷的织布图像对应的第一区别图像；根据每一有缺陷的织布图像和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像。
步骤S95：根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的织布类型分类器。
在上述步骤中，可通过工业相机采集织布图像，采集的织布图像可包括多个无缺陷的织布图像和多个有缺陷的织布图像，将其分为两组，形成无缺陷样本集和有缺陷样本集，进而将每一无缺陷样本和有缺陷样本都输入该预设的无缺陷模型，进而分别获得每一无缺陷的织布图像对应的第一无缺陷图像和每一有缺陷的织布图像对应的第二无缺陷图像；在此基础上，将每一无缺陷样本和对应的第一无缺陷图像进行比对获得每一无缺陷样本对应的第一区别图像，将每一有缺陷样本和对应的第二无缺陷图像进行比对获得每一有缺陷样本对应的第二区别图像，然后利用所有的第一区别图像和第二区别图像对预设的分类器进行训练，获得训练完成的织布类型分类器，其具体训练方式可采用现有的任一分类器训练方式，该分类器可为支持向量机、回归分类器、深度学习分类器等。
在本实施例的可选实施方式中，上述步骤S95可根据分类器的不同选择不同的方式进行训练，当分类器为可直接对图像进行识别的分类器时，如图7所示，步骤S95具体可为：
步骤S950：将所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像分别输入预设的分类器，以对预设的分类器进行训练获得织布类型分类器。
在上述的基础上，步骤S1060通过预先训练完成的织布类型分类器对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型，具体可为如下步骤：
步骤S10601：将区别图像输入预先训练完成的织布类型分类器，以获得织布类型分类器输出的待识别的织布图像对应的缺陷类型。
在上述步骤中，当织布类型分类器是直接通过第一区别图像和第二区别图像输入预设的分类器来进行训练获得的，那么在进行待识别的织布图像识别时，可直接将待识别的织布图像对应的区别图像直接输入织布类型分类器来获得织布类型分类器输出的待识别的织布图像对应的缺陷类型。
在本实施例的可选实施方式中，上述步骤S95可根据分类器的不同选择不同的方式进行训练，当分类器为只能识别提取的图像特征的分类器时，如图8所示，步骤S95具体可为如下步骤：
步骤S951：提取每一第一区别图像对应的第一特征和每一第二区别图像对应的第二特征。
步骤S952：将所有的第一特征和第二特征分别输入预设的分类器训练，以对预设的分类器进行训练获得织布类型分类器。
在上述的基础上，步骤S1060通过预先训练完成的织布类型分类器对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型，具体可为如下步骤：
步骤S10602：提取区别图像对应的特征，将区别图像对应的特征输入预先训练完成的织布类型分类器，以获得织布类型分类器输出的待识别的织布图像对应的缺陷类型。
在上述步骤中，当织布类型分类器是通过第一区别图像对应的第一特征和第二区别图像对应的第二特征来训练完成时，在进行待识别的织布图像的识别时，可提取待识别的织布图像对应的区别图像的特征，进而将区别图像对应的特征输入该织布类型分类器，来获得织布类型分类器输出的待识别的织布图像对应的缺陷类型。
在上述设计的实施方式中，通过训练得到的分类器来对区别图像进行识别，提高了织布缺陷识别的效率，当该待识别图像为实时图像时，通过分类器的高效检测效率来检测织布实时生产情况，实现织布生产过程的自动检测。
在本实施例的可选实施方式中，除了采用前述所述的采用分类器的方法来对缺陷进行识别外，还可以通过识别区别图像中织布的纱线类型确定待识别的织布图像对应的织布类型；再识别该区别图像中织布的纱线状态确定织布类型对应织布的缺陷类型。例如，不同粗细的纱线对应的织布类型是不同的，可识别区别图像中织布的纱线类型进而来确定织布的类型；织布过程中纱线出现的状态可能会断裂、缠扰等，进而通过区别图像中纱线的状态进而确定该织布类型对应的织布出现的缺陷类型。
在本实施例的可选实施方式中，步骤S104根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像的方式可通过帧差法来生成，如图9所示，具体可包括如下步骤：
步骤S1040：将待识别的织布图像与对应的无缺陷的织布图像的每一像素点的像素值进行对比，以获得待识别的织布图像中与对应的无缺陷的织布图像像素值不同的像素点。
步骤S1042：根据待识别的织布图像中所有与对应的无缺陷的织布图像的像素值不同的像素点生成区别图像。
在步骤S1040中服务器会将待识别的织布图像与对应的无缺陷的织布图像每一像素点的像素值都进行比对，然后找出待识别的织布图像中像素值与对应的无缺陷的织布图像不相同的所有像素点，然后根据待识别的织布图像中所有像素值不同的像素点进行图像生成，生成的图像即为该待识别的织布图像对应的区别图像。另外，除了上述方式以外，还可以通过图像差异提取的各种方法来生成区别图像。
在本实施例的可选实施方式中，在步骤S106对区别图像进行识别之前，如图10所示，该方法还可以包括：
步骤S105：对区别图像进行降噪处理，以获得降噪处理后的区别图像。
在此基础上，步骤S106具体可为如下步骤：
步骤S1061：对降噪处理后的区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。
在上述步骤S105中，在执行步骤S104生成区别图像之后，可对区别图像中存在的前面操作引入的噪声信号进行降噪处理，来使得后续的识别更加精确。其中，降噪处理的方法包括但不限于开运算、中值滤波或小波滤波等方法。
在本实施例的可选实施方式中，当需要对拍摄的范围进行一定限制时，本方案可设定相机拍摄的目标区域或在获取到图像之后进行目标区域裁剪，使得图像减少除了织布以外的其他特征，便于后续的处理。
在本实施例的可选实施方式中，当步骤S106识别出该待识别的图像的类型为有缺陷，服务器则可以进行告警，以通知现场工作人员进行及时处理。
第二实施例
图11出示了本申请提供的缺陷识别装置的示意性结构框图，应理解，该装置与上述图1至图10中执行的方法实施例对应，能够执行第一实施例中服务器执行的方法涉及的步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。具体地，该装置包括：获取模块200，用于获取待识别的织布图像；输入模块201，用于将待识别的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷的织布图像；生成模块202，用于根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像，该区别图像表示待识别的织布图像和对应的无缺陷的织布图像之间的差异；识别模块203，用于对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。
在上述设计的缺陷识别装置中，通过将待识别的织布图像输入预设的缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷织布图像，进而将待识别的织布图像和无缺陷的织布图像进行对比，生成区别图像，进而对区别图像进行识别来判定其缺陷类型，使得织布缺陷类型可进行自动化判定，解决传统织布机织布时通过人为观测的方式存在的漏检或检测不及时的问题，提高了织布缺陷识别的效率以及精准度，同时本方案通过待识别的织布图像和无缺陷模型输出图像对比获得区别图像，来更加有缺陷的特征，使得有缺陷模型的特征更加突出，使得缺陷更加容易识别，另外，本方案没有增加任何器件，只需放置一台相机，不影响织布的正常生产。
在本实施例的可选实施方式中，获取模块200，还用于获取多个无缺陷的织布图像；学习模块204，用于通过机器学习算法对多个无缺陷的织布图像进行学习，以获得预设的无缺陷模型。
在本实施例的可选实施方式中，识别模块203，具体用于通过预先训练完成的织布类型分类器对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。
在本实施例的可选实施方式中，获取模块200，还用于获取多个织布图像，多个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像；输入模块201，还用于将每一无缺陷的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；以及，将每一有缺陷的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的每一有缺陷的织布图像对应的第二无缺陷图像；生成模块202，还用于根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺陷的织布图像对应的第一区别图像；以及，根据每一有缺陷的织布图像和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像；训练模块205，用于根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的织布类型分类器。
在本实施例的可选实施方式中，生成模块202，具体用于将待识别的织布图像与对应的无缺陷的织布图像的每一像素点的像素值进行对比，以获得待识别的织布图像与对应的无缺陷的织布图像不同像素值的像素点；根据所有不同像素值的像素点生成区别图像。
在本实施例的可选实施方式中，该装置还包括降噪模块206，用于对区别图像进行降噪处理，以获得降噪处理后的区别图像；识别模块203，具体用于对降噪处理后的区别图像进行识别。
第三实施例
如图12所示，本申请提供一种电子设备3，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以执行时执行第一实施例、第一实施例的任一可选的实现方式中的方法，例如步骤S100至步骤S106：获取待识别的织布图像；将待识别的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷的织布图像；根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像；对区别图像进行识别，以获得待识别的织布图像对应的缺陷类型。
本申请提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请提供一种计算机程序产品，该计算机程序产品在计算机上运行时，使得计算机执行第一实施例、第一实施例的任一可选的实现方式中的所述方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种缺陷识别方法，其特征在于，所述方法包括：
获取待识别的织布图像；
将所述待识别的织布图像输入预设的无缺陷模型，以获得所述预设的无缺陷模型输出的所述待识别的织布图像对应的无缺陷的织布图像；
根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，所述区别图像表示所述待识别的织布图像和对应的无缺陷的织布图像之间的差异；
对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型；
所述对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型；
在所述获取待识别的织布图像之前，所述方法还包括：
获取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像；
将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；
将每一有缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一有缺陷的织布图像对应的第二无缺陷图像；
根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺陷的织布图像对应的第一区别图像；
根据每一有缺陷的织布图像和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像；
根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器。
2.根据权利要求1所述的方法，其特征在于，在所述获取待识别的织布图像之前，所述方法还包括：
获取多个无缺陷的织布图像；
通过机器学习算法对所述多个无缺陷的织布图像进行学习，以获得所述预设的无缺陷模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器，包括：
将所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像分别输入所述预设的分类器，以对所述预设的分类器进行训练获得所述织布类型分类器；
所述通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：
将所述区别图像输入所述织布类型分类器，以获得所述织布类型分类器输出的所述待识别的织布图像对应的缺陷类型。
4.根据权利要求1所述的方法，其特征在于，所述根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器，包括：
提取每一第一区别图像对应的第一特征和每一第二区别图像对应的第二特征；
将所有的第一特征和第二特征分别输入所述预设的分类器训练，以对所述预设的分类器进行训练获得所述织布类型分类器；
所述通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：
提取所述区别图像对应的特征，将所述区别图像对应的特征输入所述预先训练完成的织布类型分类器，以获得所述织布类型分类器输出的所述待识别的织布图像对应的缺陷类型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，包括：
将所述待识别的织布图像与对应的无缺陷的织布图像的每一像素点的像素值进行对比，以获得所述待识别的织布图像中与对应的无缺陷的织布图像像素值不同的像素点；
根据所述待识别的织布图像中所有与对应的无缺陷的织布图像的像素值不同的像素点生成所述区别图像。
6.根据权利要求1所述的方法，其特征在于，在所述对所述区别图像进行识别之前，所述方法还包括：
对所述区别图像进行降噪处理，以获得降噪处理后的区别图像；
所述对所述区别图像进行识别，包括：
对所述降噪处理后的区别图像进行识别。
7.一种缺陷识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别的织布图像；
输入模块，用于将所述待识别的织布图像输入预设的无缺陷模型，以获得所述预设的无缺陷模型输出的所述待识别的织布图像对应的无缺陷的织布图像；
生成模块，用于根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，所述区别图像表示所述待识别的织布图像和对应的无缺陷的织布图像之间的差异；
识别模块，用于对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型；
所述识别模块，具体用于通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型；
所述获取模块，还用于获取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像；
所述输入模块，还用于将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；以及，将每一有缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一有缺陷的织布图像对应的第二无缺陷图像；
所述生成模块，还用于根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺陷的织布图像对应的第一区别图像；以及，根据每一有缺陷的织布图像和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像；
训练模块，用于根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器。
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法。
CN202010578501.3A 2020-06-22 2020-06-22 一种缺陷识别方法、装置和电子设备 Active CN111612788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578501.3A CN111612788B (zh) 2020-06-22 2020-06-22 一种缺陷识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578501.3A CN111612788B (zh) 2020-06-22 2020-06-22 一种缺陷识别方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111612788A CN111612788A (zh) 2020-09-01
CN111612788B true CN111612788B (zh) 2023-07-04

Family

ID=72202712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578501.3A Active CN111612788B (zh) 2020-06-22 2020-06-22 一种缺陷识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111612788B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095731A (zh) * 2010-12-02 2011-06-15 山东轻工业学院 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法
CN106204543A (zh) * 2016-06-29 2016-12-07 江南大学 基于单分类支持向量机的织物疵点检测方法
CN107341499A (zh) * 2017-05-26 2017-11-10 昆明理工大学 一种基于无监督分割和elm的织物缺陷检测和分类方法
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN110619618A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN111179263A (zh) * 2020-01-06 2020-05-19 宜通世纪物联网研究院(广州)有限公司 一种工业图像表面缺陷检测模型、方法、系统及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158346A1 (en) * 2008-12-23 2010-06-24 Wei Fang Method and system of classifying defects on a wafer

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095731A (zh) * 2010-12-02 2011-06-15 山东轻工业学院 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法
CN106204543A (zh) * 2016-06-29 2016-12-07 江南大学 基于单分类支持向量机的织物疵点检测方法
CN107341499A (zh) * 2017-05-26 2017-11-10 昆明理工大学 一种基于无监督分割和elm的织物缺陷检测和分类方法
CN110619618A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN111179263A (zh) * 2020-01-06 2020-05-19 宜通世纪物联网研究院(广州)有限公司 一种工业图像表面缺陷检测模型、方法、系统及装置

Also Published As

Publication number Publication date
CN111612788A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN109613002B (zh) 一种玻璃缺陷检测方法、装置和存储介质
CN107256406B (zh) 重叠纤维图像分割方法、装置、存储介质和计算机设备
JP6403261B2 (ja) 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム
US8625906B2 (en) Image classification standard update method, program, and image classification device
CN111914665B (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN110599484B (zh) 缺陷检测方法、装置及存储介质
CN109697716B (zh) 青光眼图像识别方法、设备和筛查系统
JP6616906B1 (ja) 欠陥のある撮影データの検知装置及び検知システム
CN108921840A (zh) 显示屏外围电路检测方法、装置、电子设备及存储介质
CN110567969A (zh) 用于织物缺陷检测的图像识别方法及其系统
CN111724377A (zh) 断纱检测方法、装置、电子设备、存储介质及停机系统
CN113111903A (zh) 智能产线监测系统及监测方法
KR102470422B1 (ko) 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
CN105844282A (zh) 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法
CN115170501A (zh) 缺陷检测方法、系统、电子设备及存储介质
CN114923912A (zh) 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法
CN111612788B (zh) 一种缺陷识别方法、装置和电子设备
CN110774055B (zh) 一种基于图像边缘检测的刀具断损监测方法及系统
CN117309759A (zh) 缺陷检测系统、方法、电子设备和存储介质
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
TWI785579B (zh) 元件辨識模型之自動模型重建方法及系統
JP6708695B2 (ja) 検査装置
CN111460198A (zh) 一种图片时间戳的审核方法及装置
CN113727022B (zh) 巡检图像的采集方法及装置、电子设备、存储介质

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