CN111652319A - 一种布匹缺陷检测方法及装置 - Google Patents
一种布匹缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN111652319A CN111652319A CN202010520586.XA CN202010520586A CN111652319A CN 111652319 A CN111652319 A CN 111652319A CN 202010520586 A CN202010520586 A CN 202010520586A CN 111652319 A CN111652319 A CN 111652319A
- Authority
- CN
- China
- Prior art keywords
- cloth
- image
- detected
- cloth image
- feature
- 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 320
- 230000007547 defect Effects 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 204
- 238000000605 extraction Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本申请提供一种布匹缺陷检测方法及装置,所述方法包括:获取布匹图像样本集,其包括N个布匹图像;逐个对每个布匹图像进行特征提取,得到每个布匹图像对应的特征向量;根据N个特征向量,构造得到布匹正常样本字典;获取待检测布匹图像;对待检测布匹图像进行特征提取,得到待检测特征向量;在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量;根据M个目标特征向量,计算待检测布匹图像的异常度,检测确定待检测布匹图像是否为缺陷图像。本申请布匹缺陷检测方法及装置,可自动地检测确定待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
Description
技术领域
本申请涉及缺陷检测技术领域,具体而言,涉及一种布匹缺陷检测方法及装置。
背景技术
目前,大多布匹缺陷的检测或识别都是基于有监督学习进行的,在基于有监督学习的布匹缺陷检测或识别方式中,需要使用大量的人工标注的布匹正常样本和布匹缺陷样本,在人工标注样本的过程中,由于需要标注的样本的量较大,往往容易导致部分标注的样本存在标注错误的情形,而部分标注错误的样本会对后续布匹缺陷的检测或识别造成一定的影响。
发明内容
本申请实施例的目的在于提供一种布匹缺陷检测方法及装置,可自动地检测确定待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
第一方面,本申请实施例提供了一种布匹缺陷检测方法,包括:
获取布匹图像样本集,所述布匹图像样本集包括N个布匹图像,N为正整数;
以预设的特征提取模型逐个对每个所述布匹图像进行特征提取,得到每个所述布匹图像对应的特征向量;
根据N个所述特征向量,构造得到布匹正常样本字典;
获取待检测布匹图像;
以预设的特征提取模型对所述待检测布匹图像进行特征提取,得到待检测特征向量;
在所述布匹正常样本字典中查找M个与所述待检测特征向量最近的目标特征向量,M为正整数;
根据M个所述目标特征向量,计算所述待检测布匹图像的异常度;
根据所述待检测布匹图像的异常度,检测确定所述待检测布匹图像是否为缺陷图像。
在上述实现过程中,本申请实施例的布匹缺陷检测方法,通过无监督学习的方式,以预设的特征提取模型逐个对每个获取的布匹图像进行特征提取,得到每个布匹图像对应的特征向量,根据每个特征向量,构造得到布匹正常样本字典;在获取待检测布匹图像时,以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量;在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量;根据M个目标特征向量计算的待检测布匹图像的异常度,可自动地检测确定待检测布匹图像是否为缺陷图像,即待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
进一步地,所述以预设的特征提取模型逐个对每个所述布匹图像进行特征提取,得到每个所述布匹图像对应的特征向量,包括:
将单个所述布匹图像按X个子区域分成X个子图像,单个所述布匹图像及其对应的X个子图像构成一组图像集,X为正整数;
以预设的特征提取模型对所述图像集进行特征提取,得到(X+1)个初始特征向量;
根据所述图像集对应的(X+1)个初始特征向量,得到单个所述布匹图像对应的特征向量。
在上述实现过程中,该方法通过布匹图像的局部区域和全图区域对布匹图像进行特征提取,并结合了布匹图像局部区域和全图区域提取的初始特征向量,可以更好地得到布匹图像的特征向量,使得本申请实施例的布匹缺陷检测方法更具鲁棒性。
进一步地,所述根据所述图像集对应的(X+1)个初始特征向量,得到单个所述布匹图像对应的特征向量,包括:
将所述图像集对应的(X+1)个初始特征向量相加,得到单个所述布匹图像对应的相加特征向量;
对单个所述布匹图像对应的相加特征向量进行降维,得到单个所述布匹图像对应的特征向量。
在上述实现过程中,该方法通过布匹图像初始特征向量的相加,得到布匹图像的相加特征向量,对布匹图像的相加特征向量进行降维,可以减少得到的布匹图像特征向量的维数,缓解维度灾难问题,减少信息损失,并较好地保持贡献大的特征,从而可以使得本申请实施例的布匹缺陷检测方法的检测效果更佳。
进一步地,所述根据N个所述特征向量,构造得到布匹正常样本字典,包括:
以预设的聚类算法对N个所述特征向量进行聚类,得到K个聚类中心特征向量,所述预设的聚类算法的超参数为K,K为正整数;
根据K个所述聚类中心特征向量,构造得到布匹正常样本字典。
在上述实现过程中,该方法以预设的聚类算法对N个特征向量进行聚类,得到K个聚类中心特征向量,可以使类间特征向量的同质性最大化和类与类间特征向量的异质性最大化,从而可以更好地构造得到布匹正常样本字典。
进一步地,所述在所述布匹正常样本字典中查找M个与所述待检测特征向量最近的目标特征向量,包括:
根据特征向量之间的欧式距离,在所述布匹正常样本字典中查找M个与所述待检测特征向量欧式距离最近的目标特征向量。
在上述实现过程中,该方法通过特征向量之间的欧式距离,可以更为快速、准确地在布匹正常样本字典中查找到M个与待检测特征向量最近的目标特征向量。
进一步地,所述根据M个所述目标特征向量,计算所述待检测布匹图像的异常度,包括:
计算M个所述目标特征向量的均值及方差;
根据M个所述目标特征向量的均值及方差,计算所述待检测布匹图像的异常度。
在上述实现过程中,该方法通过M个目标特征向量的均值及方差,能较好地计算待检测布匹图像的异常度。
进一步地,所述待检测布匹图像的异常度满足如下计算公式:
在上述实现过程中,该方法通过上述计算公式计算待检测布匹图像的异常度,能更好地体现待检测布匹图像的异常度。
第二方面,本申请实施例提供了一种布匹缺陷检测装置,包括:
获取模块,用于获取布匹图像样本集,所述布匹图像样本集包括N个布匹图像,N为正整数;
特征提取模块,用于以预设的特征提取模型逐个对每个所述布匹图像进行特征提取,得到每个所述布匹图像对应的特征向量;
构造模块,用于根据N个所述特征向量,构造得到布匹正常样本字典;
所述获取模块,还用于获取待检测布匹图像;
所述特征提取模块,还用于以预设的特征提取模型对所述待检测布匹图像进行特征提取,得到待检测特征向量;
查找模块,用于在所述布匹正常样本字典中查找M个与所述待检测特征向量最近的目标特征向量,M为正整数;
计算模块,用于根据M个所述目标特征向量,计算所述待检测布匹图像的异常度;
检测模块,用于根据所述待检测布匹图像的异常度,检测确定所述待检测布匹图像是否为缺陷图像。
在上述实现过程中,本申请实施例的布匹缺陷检测装置,通过无监督学习的方式,以预设的特征提取模型逐个对每个获取的布匹图像进行特征提取,得到每个布匹图像对应的特征向量,根据每个特征向量,构造得到布匹正常样本字典;在获取待检测布匹图像时,以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量;在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量;根据M个目标特征向量计算的待检测布匹图像的异常度,可自动地检测确定待检测布匹图像是否为缺陷图像,即待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的布匹缺陷检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有上述的电子设备中所使用的计算机程序。
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为本申请实施例一提供的布匹缺陷检测方法的流程示意图;
图2为本申请实施例一提供的步骤S120的流程示意图;
图3为本申请实施例一提供的步骤S130的流程示意图;
图4为本申请实施例一提供的步骤S170的流程示意图;
图5为本申请实施例二提供的布匹缺陷检测装置的结构框图。
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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,大多布匹缺陷的检测或识别都是基于有监督学习进行的,在基于有监督学习的布匹缺陷检测或识别方式中,需要使用大量的人工标注的布匹正常样本和布匹缺陷样本,在人工标注样本的过程中,由于需要标注的样本的量较大,往往容易导致部分标注的样本存在标注错误的情形,而部分标注错误的样本会对后续布匹缺陷的检测或识别造成一定的影响。
针对上述现有技术中的问题,本申请提供了一种布匹缺陷检测方法及装置,可自动地检测确定待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
实施例一
参见图1,图1为本申请实施例提供的布匹缺陷检测方法的流程示意图。本申请实施例中执行下述的布匹缺陷检测方法的执行主体可以是服务器。
本申请实施例的布匹缺陷检测方法,包括如下步骤:
步骤S110,获取布匹图像样本集,布匹图像样本集包括N个布匹图像。
在本实施例中,N为正整数,N可以大于或等于10万。
布匹图像样本集的布匹图像包括布匹正常图像和布匹缺陷图像,通常,布匹正常图像占布匹图像样本集的布匹图像的绝大多数。布匹图像样本集的布匹图像为没有人工标注的布匹图像。
可选地,布匹图像样本集的布匹图像的像素是一致的,例如,布匹图像样本集的布匹图像的像素可以是256*256。
步骤S120,以预设的特征提取模型逐个对每个布匹图像进行特征提取,得到每个布匹图像对应的特征向量。
在本实施例中,预设的特征提取模型可以是resnet-18。可以理解的是,在其他实施例中,预设的特征提取模型还可以是其他特征提取模型,在此,不对其他特征提取模型进行列举。
步骤S130,根据N个特征向量,构造得到布匹正常样本字典。
在本实施例中,布匹正常样本字典即包含布匹正常图像的特征向量的样本字典。
在布匹图像样本集的布匹图像中,布匹正常图像占绝大多数,因此,得到的布匹正常图像的特征向量也占绝大多数。在构造得到布匹正常样本字典时,可通过聚类、滤除等方式构造布匹正常样本字典。
步骤S140,获取待检测布匹图像。
在本实施例中,待检测布匹图像为没有人工标注的布匹图像。待检测布匹图像可能是布匹正常图像或布匹缺陷图像。
可选地,待检测布匹图像的像素与布匹图像样本集的布匹图像的像素是一致的。
步骤S150,以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量。
在本实施例中,用于对待检测布匹图像进行特征提取的预设的特征提取模型与用于对上述每个布匹图像进行特征提取的预设的特征提取模型是一致的。
步骤S160,在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量。
在本实施例中,M为正整数,M小于N。
M个与待检测特征向量最近的目标特征向量,即M个与待检测特征向量距离最近的目标特征向量。
在查找M个与待检测特征向量最近的目标特征向量时,可通过数量的限定进行查找,即限定M的大小;或通过预设的距离阈值进行查找,即查找所有与待检测特征向量距离小于预设的距离阈值的目标特征向量。
步骤S170,根据M个目标特征向量,计算待检测布匹图像的异常度。
在本实施例中,待检测布匹图像的异常度用于确定待检测布匹图像是否为缺陷图像。
在计算待检测布匹图像的异常度时,通过预设的异常度计算公式计算待检测布匹图像的异常度,预设的异常度计算公式可以是计算M个目标特征向量的方差、标准差等等。
步骤S180,根据待检测布匹图像的异常度,检测确定待检测布匹图像是否为缺陷图像。
在本实施例中,可通过预设的异常度阈值检测确定待检测布匹图像是否为缺陷图像。
若待检测布匹图像的异常度大于等于预设的异常度阈值,则检测确定待检测布匹图像为缺陷图像;若待检测布匹图像的异常度小于预设的异常度阈值,则检测确定待检测布匹图像为正常图像。
本申请实施例的布匹缺陷检测方法,通过无监督学习的方式,以预设的特征提取模型逐个对每个获取的布匹图像进行特征提取,得到每个布匹图像对应的特征向量,根据每个特征向量,构造得到布匹正常样本字典;在获取待检测布匹图像时,以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量;在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量;根据M个目标特征向量计算的待检测布匹图像的异常度,可自动地检测确定待检测布匹图像是否为缺陷图像,即待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
为了更好地得到布匹图像的特征向量,本申请实施例提供一种可能的实施方式,参见图2,图2为本申请实施例提供的步骤S120的流程示意图,本申请实施例的布匹缺陷检测方法,步骤S120,以预设的特征提取模型逐个对每个布匹图像进行特征提取,得到每个布匹图像对应的特征向量,包括:
步骤S121,将单个布匹图像按X个子区域分成X个子图像,单个布匹图像及其对应的X个子图像构成一组图像集;
步骤S122,以预设的特征提取模型对上述图像集进行特征提取,得到(X+1)个初始特征向量;
步骤S123,根据上述图像集对应的(X+1)个初始特征向量,得到单个布匹图像对应的特征向量。
在此种实施方式下,每个布匹图像对应的特征向量通过步骤S121至步骤S123的方式得到。
X为正整数,X可以是4,也可以是6。子图像之间可以没有重叠的部分,也可以有重叠的部分。
假设预设的特征提取模型为resnet-18,对上述图像集进行特征提取,得到的(X+1)个初始特征向量为512维的初始特征向量。
在上述过程中,该方法通过布匹图像的局部区域和全图区域对布匹图像进行特征提取,并结合了布匹图像局部区域和全图区域提取的初始特征向量,可以更好地得到布匹图像的特征向量,使得本申请实施例的布匹缺陷检测方法更具鲁棒性。
可选地,步骤S123,根据上述图像集对应的(X+1)个初始特征向量,得到单个布匹图像对应的特征向量,包括:
将上述图像集对应的(X+1)个初始特征向量相加,得到单个布匹图像对应的相加特征向量;
对单个布匹图像对应的相加特征向量进行降维,得到单个布匹图像对应的特征向量。
(X+1)个初始特征向量为512维的初始特征向量,那么相加特征向量也为512维。
在对单个布匹图像对应的相加特征向量进行降维时,可通过PCA(Principalcomponents analysis)降维的方式进行降维,通过PCA降维的方式降维得到128维的特征向量。
在上述过程中,该方法通过布匹图像初始特征向量的相加,得到布匹图像的相加特征向量,对布匹图像的相加特征向量进行降维,可以减少得到的布匹图像特征向量的维数,缓解维度灾难问题,减少信息损失,并较好地保持贡献大的特征,从而可以使得本申请实施例的布匹缺陷检测方法的检测效果更佳。
在构造布匹正常样本字典时,为了更好地构造得到布匹正常样本字典,本申请实施例提供一种可能的实施方式,参见图3,图3为本申请实施例提供的步骤S130的流程示意图,本申请实施例的布匹缺陷检测方法,步骤S130,根据N个特征向量,构造得到布匹正常样本字典,包括:
步骤S131,以预设的聚类算法对N个特征向量进行聚类,得到K个聚类中心特征向量,预设的聚类算法的超参数为K;
步骤S132,根据K个聚类中心特征向量,构造得到布匹正常样本字典。
在此种实施方式下,预设的聚类算法可以是k均值聚类算法,或系统聚类法、模糊聚类法等等。
K为正整数,通常,布匹图像样本集的布匹图像的数量越大,则K越大,如果布匹图像样本集的布匹图像为10万,那么K可以是1000。
在根据K个聚类中心特征向量,构造得到布匹正常样本字典时,可通过将K个聚类中心特征向量存入faiss搜索库的方式构造得到布匹正常样本字典。
在上述过程中,该方法以预设的聚类算法对N个特征向量进行聚类,得到K个聚类中心特征向量,可以使类间特征向量的同质性最大化和类与类间特征向量的异质性最大化,从而可以更好地构造得到布匹正常样本字典。
需要说明的是,本申请实施例的布匹缺陷检测方法,步骤S150,以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量的方式,可参照上述步骤S120,以预设的特征提取模型逐个对每个布匹图像进行特征提取,得到每个布匹图像对应的特征向量的方式,在此,不再赘述。
作为一种可选的实施方式,本申请实施例的布匹缺陷检测方法,步骤S160,在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量,可包括:
根据特征向量之间的欧式距离,在布匹正常样本字典中查找M个与待检测特征向量欧式距离最近的目标特征向量。
在上述过程中,该方法通过特征向量之间的欧式距离,可以更为快速、准确地在布匹正常样本字典中查找到M个与待检测特征向量最近的目标特征向量。
在计算待检测布匹图像的异常度时,为了较好地计算待检测布匹图像的异常度,本申请实施例提供一种可能的实施方式,参见图4,图4为本申请实施例提供的步骤S170的流程示意图,本申请实施例的布匹缺陷检测方法,步骤S170,根据M个目标特征向量,计算待检测布匹图像的异常度,包括:
步骤S171,计算M个目标特征向量的均值及方差;
步骤S172,根据M个目标特征向量的均值及方差,计算待检测布匹图像的异常度。
可选地,待检测布匹图像的异常度满足如下计算公式:
在上述过程中,该方法通过上述计算公式计算待检测布匹图像的异常度,能更好地体现待检测布匹图像的异常度。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种布匹缺陷检测装置。
参见图5,图5为本申请实施例提供的布匹缺陷检测装置的结构框图。
本申请实施例的布匹缺陷检测装置,包括:
获取模块210,用于获取布匹图像样本集,布匹图像样本集包括N个布匹图像;
特征提取模块220,用于以预设的特征提取模型逐个对每个布匹图像进行特征提取,得到每个布匹图像对应的特征向量;
构造模块230,用于根据N个特征向量,构造得到布匹正常样本字典;
上述获取模块210,还用于获取待检测布匹图像;
上述特征提取模块220,还用于以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量;
查找模块240,用于在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量;
计算模块250,用于根据M个目标特征向量,计算待检测布匹图像的异常度;
检测模块260,用于根据待检测布匹图像的异常度,检测确定待检测布匹图像是否为缺陷图像。
本申请实施例的布匹缺陷检测装置,通过无监督学习的方式,以预设的特征提取模型逐个对每个获取的布匹图像进行特征提取,得到每个布匹图像对应的特征向量,根据每个特征向量,构造得到布匹正常样本字典;在获取待检测布匹图像时,以预设的特征提取模型对待检测布匹图像进行特征提取,得到待检测特征向量;在布匹正常样本字典中查找M个与待检测特征向量最近的目标特征向量;根据M个目标特征向量计算的待检测布匹图像的异常度,可自动地检测确定待检测布匹图像是否为缺陷图像,即待检测布匹图像属于正常或缺陷样本,无需人工标注正常、缺陷样本,可避免样本存在标注错误的情形,减少对后续布匹缺陷的检测或识别的影响。
作为一种可选的实施方式,特征提取模块220,可具体用于:
将单个布匹图像按X个子区域分成X个子图像,单个布匹图像及其对应的X个子图像构成一组图像集;
以预设的特征提取模型对上述图像集进行特征提取,得到(X+1)个初始特征向量;
根据上述图像集对应的(X+1)个初始特征向量,得到单个布匹图像对应的特征向量。
可选地,特征提取模块220在根据上述图像集对应的(X+1)个初始特征向量,得到单个布匹图像对应的特征向量时,可:
将上述图像集对应的(X+1)个初始特征向量相加,得到单个布匹图像对应的相加特征向量;
对单个布匹图像对应的相加特征向量进行降维,得到单个布匹图像对应的特征向量。
作为一种可选的实施方式,构造模块230,可具体用于:
以预设的聚类算法对N个特征向量进行聚类,得到K个聚类中心特征向量,预设的聚类算法的超参数为K;
根据K个聚类中心特征向量,构造得到布匹正常样本字典。
作为一种可选的实施方式,查找模块240,可具体用于:
根据特征向量之间的欧式距离,在布匹正常样本字典中查找M个与待检测特征向量欧式距离最近的目标特征向量。
作为一种可选的实施方式,计算模块250,可具体用于:
计算M个目标特征向量的均值及方差;
根据M个目标特征向量的均值及方差,计算待检测布匹图像的异常度。
上述的布匹缺陷检测装置可实施上述实施例一的布匹缺陷检测方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的布匹缺陷检测方法。
可选地,上述电子设备可以是服务器。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有上述的电子设备中所使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,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。
所述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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,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。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种布匹缺陷检测方法,其特征在于,包括:
获取布匹图像样本集,所述布匹图像样本集包括N个布匹图像,N为正整数;
以预设的特征提取模型逐个对每个所述布匹图像进行特征提取,得到每个所述布匹图像对应的特征向量;
根据N个所述特征向量,构造得到布匹正常样本字典;
获取待检测布匹图像;
以预设的特征提取模型对所述待检测布匹图像进行特征提取,得到待检测特征向量;
在所述布匹正常样本字典中查找M个与所述待检测特征向量最近的目标特征向量,M为正整数;
根据M个所述目标特征向量,计算所述待检测布匹图像的异常度;
根据所述待检测布匹图像的异常度,检测确定所述待检测布匹图像是否为缺陷图像。
2.根据权利要求1所述的布匹缺陷检测方法,其特征在于,所述以预设的特征提取模型逐个对每个所述布匹图像进行特征提取,得到每个所述布匹图像对应的特征向量,包括:
将单个所述布匹图像按X个子区域分成X个子图像,单个所述布匹图像及其对应的X个子图像构成一组图像集,X为正整数;
以预设的特征提取模型对所述图像集进行特征提取,得到(X+1)个初始特征向量;
根据所述图像集对应的(X+1)个初始特征向量,得到单个所述布匹图像对应的特征向量。
3.根据权利要求2所述的布匹缺陷检测方法,其特征在于,所述根据所述图像集对应的(X+1)个初始特征向量,得到单个所述布匹图像对应的特征向量,包括:
将所述图像集对应的(X+1)个初始特征向量相加,得到单个所述布匹图像对应的相加特征向量;
对单个所述布匹图像对应的相加特征向量进行降维,得到单个所述布匹图像对应的特征向量。
4.根据权利要求1所述的布匹缺陷检测方法,其特征在于,所述根据N个所述特征向量,构造得到布匹正常样本字典,包括:
以预设的聚类算法对N个所述特征向量进行聚类,得到K个聚类中心特征向量,所述预设的聚类算法的超参数为K,K为正整数;
根据K个所述聚类中心特征向量,构造得到布匹正常样本字典。
5.根据权利要求1所述的布匹缺陷检测方法,其特征在于,所述在所述布匹正常样本字典中查找M个与所述待检测特征向量最近的目标特征向量,包括:
根据特征向量之间的欧式距离,在所述布匹正常样本字典中查找M个与所述待检测特征向量欧式距离最近的目标特征向量。
6.根据权利要求1所述的布匹缺陷检测方法,其特征在于,所述根据M个所述目标特征向量,计算所述待检测布匹图像的异常度,包括:
计算M个所述目标特征向量的均值及方差;
根据M个所述目标特征向量的均值及方差,计算所述待检测布匹图像的异常度。
8.一种布匹缺陷检测装置,其特征在于,包括:
获取模块,用于获取布匹图像样本集,所述布匹图像样本集包括N个布匹图像,N为正整数;
特征提取模块,用于以预设的特征提取模型逐个对每个所述布匹图像进行特征提取,得到每个所述布匹图像对应的特征向量;
构造模块,用于根据N个所述特征向量,构造得到布匹正常样本字典;
所述获取模块,还用于获取待检测布匹图像;
所述特征提取模块,还用于以预设的特征提取模型对所述待检测布匹图像进行特征提取,得到待检测特征向量;
查找模块,用于在所述布匹正常样本字典中查找M个与所述待检测特征向量最近的目标特征向量,M为正整数;
计算模块,用于根据M个所述目标特征向量,计算所述待检测布匹图像的异常度;
检测模块,用于根据所述待检测布匹图像的异常度,检测确定所述待检测布匹图像是否为缺陷图像。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的布匹缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,其存储有权利要求9所述的电子设备中所使用的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520586.XA CN111652319A (zh) | 2020-06-09 | 2020-06-09 | 一种布匹缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520586.XA CN111652319A (zh) | 2020-06-09 | 2020-06-09 | 一种布匹缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652319A true CN111652319A (zh) | 2020-09-11 |
Family
ID=72348292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010520586.XA Pending CN111652319A (zh) | 2020-06-09 | 2020-06-09 | 一种布匹缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652319A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150438A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 断线检测方法、装置、电子设备及存储介质 |
CN113160110A (zh) * | 2020-12-17 | 2021-07-23 | 郑州金惠计算机系统工程有限公司 | 一种工业数据异常检测方法、装置、终端设备及存储介质 |
CN113777030A (zh) * | 2021-07-08 | 2021-12-10 | 杭州信畅信息科技有限公司 | 一种基于机器视觉的布料表面缺陷检测装置及方法 |
WO2022127919A1 (zh) * | 2020-12-17 | 2022-06-23 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置、系统、存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286659A1 (en) * | 2010-05-21 | 2011-11-24 | Keyence Corporation | Image Processing Apparatus, Image Processing Method, and Computer Program |
CN102436645A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于mod字典学习采样的谱聚类图像分割方法 |
CN105354831A (zh) * | 2015-09-30 | 2016-02-24 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
CN106846316A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种gis内部典型缺陷图像自动识别方法 |
CN108414525A (zh) * | 2018-01-30 | 2018-08-17 | 广东溢达纺织有限公司 | 织物疵点检测方法、装置、计算机设备和存储介质 |
CN110570418A (zh) * | 2019-09-12 | 2019-12-13 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
-
2020
- 2020-06-09 CN CN202010520586.XA patent/CN111652319A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286659A1 (en) * | 2010-05-21 | 2011-11-24 | Keyence Corporation | Image Processing Apparatus, Image Processing Method, and Computer Program |
CN102436645A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于mod字典学习采样的谱聚类图像分割方法 |
CN105354831A (zh) * | 2015-09-30 | 2016-02-24 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
CN106846316A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种gis内部典型缺陷图像自动识别方法 |
CN108414525A (zh) * | 2018-01-30 | 2018-08-17 | 广东溢达纺织有限公司 | 织物疵点检测方法、装置、计算机设备和存储介质 |
CN110570418A (zh) * | 2019-09-12 | 2019-12-13 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150438A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 断线检测方法、装置、电子设备及存储介质 |
CN112150438B (zh) * | 2020-09-23 | 2023-01-20 | 创新奇智(青岛)科技有限公司 | 断线检测方法、装置、电子设备及存储介质 |
CN113160110A (zh) * | 2020-12-17 | 2021-07-23 | 郑州金惠计算机系统工程有限公司 | 一种工业数据异常检测方法、装置、终端设备及存储介质 |
WO2022127919A1 (zh) * | 2020-12-17 | 2022-06-23 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置、系统、存储介质及程序产品 |
CN113777030A (zh) * | 2021-07-08 | 2021-12-10 | 杭州信畅信息科技有限公司 | 一种基于机器视觉的布料表面缺陷检测装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652319A (zh) | 一种布匹缺陷检测方法及装置 | |
US10853695B2 (en) | Method and system for cell annotation with adaptive incremental learning | |
US8886574B2 (en) | Generalized pattern recognition for fault diagnosis in machine condition monitoring | |
CN109583468B (zh) | 训练样本获取方法,样本预测方法及对应装置 | |
US20120045132A1 (en) | Method and apparatus for localizing an object within an image | |
US8761510B2 (en) | Object-centric spatial pooling for image classification | |
CN103383732B (zh) | 图像处理方法和装置 | |
Liu et al. | Exploiting web images for fine-grained visual recognition by eliminating open-set noise and utilizing hard examples | |
CN104966105A (zh) | 一种鲁棒机器错误检索方法与系统 | |
WO2023000764A1 (zh) | 目标检索方法、装置、设备及存储介质 | |
Wang et al. | Fast and robust object tracking via probability continuous outlier model | |
CN111612038A (zh) | 异常用户检测方法及装置、存储介质、电子设备 | |
Zhou et al. | Unsupervised fabric defect segmentation using local patch approximation | |
CN110942035A (zh) | 一种用于获取商品信息的方法、系统、装置和存储介质 | |
CN114140007A (zh) | 一种风险企业的识别方法、装置及存储介质 | |
CN116485406A (zh) | 账户的检测方法及装置、存储介质和电子设备 | |
US20170039451A1 (en) | Classification dictionary learning system, classification dictionary learning method and recording medium | |
CN114972737B (zh) | 基于原型对比学习的遥感图像目标检测系统及方法 | |
CN113033665A (zh) | 样本扩展方法、训练方法和系统、及样本学习系统 | |
Parihar et al. | Image analysis and image mining techniques: a review | |
Ibrahimi et al. | Learning with label noise for image retrieval by selecting interactions | |
Han et al. | Partially Supervised Graph Embedding for Positive Unlabelled Feature Selection. | |
CN115171125A (zh) | 数据异常的检测方法 | |
Qiu et al. | Detecting misclassification errors in neural networks with a gaussian process model | |
CN106326927B (zh) | 一种鞋印新类别检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |