CN111667476A - 布料瑕疵检测方法、装置、电子设备及可读存储介质 - Google Patents

布料瑕疵检测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111667476A
CN111667476A CN202010521588.0A CN202010521588A CN111667476A CN 111667476 A CN111667476 A CN 111667476A CN 202010521588 A CN202010521588 A CN 202010521588A CN 111667476 A CN111667476 A CN 111667476A
Authority
CN
China
Prior art keywords
features
fusion
feature
different
level
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
Application number
CN202010521588.0A
Other languages
English (en)
Other versions
CN111667476B (zh
Inventor
张发恩
葛振朋
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.)
Alnnovation Guangzhou Technology Co ltd
Original Assignee
Alnnovation Guangzhou 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 Alnnovation Guangzhou Technology Co ltd filed Critical Alnnovation Guangzhou Technology Co ltd
Priority to CN202010521588.0A priority Critical patent/CN111667476B/zh
Publication of CN111667476A publication Critical patent/CN111667476A/zh
Application granted granted Critical
Publication of CN111667476B publication Critical patent/CN111667476B/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
    • 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
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请提供一种布料瑕疵检测方法、装置、电子设备及可读存储介质，涉及数据处理技术领域。该方法包括：获取待检测布料的图像；通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征；通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征；通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。本方案中通过将神经网络模型中的各个模块对待检测布料的图像进行特征提取以及对不同尺度的特征进行融合，从而加强了深层特征与浅层特征之间的融合，进而可以结合局部信息以及全局信息对细小的瑕疵进行更准确地识别，检测精度更高。

Description

布料瑕疵检测方法、装置、电子设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种布料瑕疵检测方法、装置、电子设备及可读存储介质。
背景技术
当前在纺织制造业，对于布料的质量检测是比较重要的。在对布料进行质量检测时，大部分生产线还都是依靠人工检测，在检测过程中，由于人眼视觉存在偏差以及布料的瑕疵一般都比较细小，所以，依靠人工检测很难发现这些细小的瑕疵，导致检测精度较低的问题。
发明内容
本申请实施例的目的在于提供一种布料瑕疵检测方法、装置、电子设备及可读存储介质，用以改善现有技术中检测精度较低的问题。
第一方面，本申请实施例提供了一种布料瑕疵检测方法，用于通过神经网络模型对待检测布料进行瑕疵检测，所述神经网络模型包括特征提取模块、特征金字塔模块以及检测模块，所述方法包括：
获取待检测布料的图像；
通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征，X为大于1的整数；
通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，Y为大于1的整数；
通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
在上述实现过程中，通过将神经网络模型中的各个模块对待检测布料的图像进行特征提取以及对不同尺度的特征进行融合，从而加强了深层特征与浅层特征之间的融合，进而可以结合局部信息以及全局信息对细小的瑕疵进行更准确地识别，检测精度更高。
可选地，所述特征金字塔模块包括第一特征融合模块和第二特征融合模块，所述通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，包括：
通过所述第一特征融合模块对所述X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，O为大于1的整数；
通过所述第二特征融合模块对所述O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征。
在上述实现过程中，通过第一特征融合模块和第二特征融合模块可以充分将不同尺度的特征进行融合，即将充分将深层特征与浅层特征进行融合，如此，在基于融合特征对瑕疵进行检测时，检测精度更高。
可选地，所述通过所述第一特征融合模块对所述X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，包括：
通过所述第一特征融合模块对所述X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，L、M为大于1的整数；
通过所述第一特征融合模块对所述X个不同层级特征中的X-M个层级特征按照与所述第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，K+L等于O。
在上述实现过程中，对各个不同层级特征按照不同的层级方向进行融合，使得获得的融合特征可包含更全面的信息，从而使得检测结果更准确。
可选地，所述M个层级特征为较高层级特征，所述X-M个层级特征为较低层级特征，所述通过所述第一特征融合模块对所述X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，包括：
通过所述第一特征融合模块对M个层级特征按照从低层级特征到高层级特征的方向进行融合，获得L个层级初始融合特征；
所述通过所述第一特征融合模块对所述X个不同层级特征中的X--M个层级特征按照与所述第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，包括：
通过所述第一特征融合模块对X--M个层级特征按照从高层级特征到低层级特征的方向进行融合，获得K个层级初始融合特征。
在上述实现过程中，对各个不同层级特征按照不同的层级方向进行融合，使得高层网络更容易获取更全面的全局信息，低层网络更容易获取更全面的局部信息，进而可大大提高对细小的瑕疵的检测的准确性。
可选地，所述通过所述第二特征融合模块对所述O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征，包括：
通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级融合特征。
在上述实现过程中，通过第二特征融合模块对特征再次进行融合，使得可以融合更多的特征，获得更全面的信息。
可选地，所述通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，包括：
通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级中间融合特征；
通过所述第二特征融合模块对所述Y个不同层级中间融合特征按照从高层级特征到低层级特征的方向进行间隔层级融合，获得Y个不同层级融合特征。
在上述实现过程中，通过第二特征融合模块对特征进行多次融合，使得融合的特征更多，从而对各个不同尺度的瑕疵的检测均有较好的效果。
可选地，所述通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测，包括：
通过所述检测模块基于所述Y个不同层级融合特征检测所述待检测布料中瑕疵的类别以及位置。
在上述实现过程中，通过检测模块可以准备识别出待检测布料中瑕疵的类别以及位置，从而可以便于质检员了解待检测布料的瑕疵情况。
第二方面，本申请实施例提供了一种布料瑕疵检测装置，用于通过神经网络模型对待检测布料进行瑕疵检测，所述神经网络模型包括特征提取模块、特征金字塔模块以及检测模块，所述装置包括：
图像获取单元，用于获取待检测布料的图像；
特征提取单元，用于通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征，X为大于1的整数；
特征融合单元，用于通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，Y为大于1的整数；
瑕疵检测单元，用于通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
可选地，所述特征金字塔模块包括第一特征融合模块和第二特征融合模块，所述特征融合单元，用于通过所述第一特征融合模块对所述X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，O为大于1的整数；通过所述第二特征融合模块对所述O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征。
可选地，所述特征融合单元，用于通过所述第一特征融合模块对所述X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，L、M为大于1的整数；通过所述第一特征融合模块对所述X个不同层级特征中的X-M个层级特征按照与所述第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，K+L等于O。
可选地，所述M个层级特征为较高层级特征，所述X-M个层级特征为较低层级特征，所述特征融合单元，用于通过所述第一特征融合模块对M个层级特征按照从低层级特征到高层级特征的方向进行融合，获得L个层级初始融合特征；以及通过所述第一特征融合模块对X--M个层级特征按照从高层级特征到低层级特征的方向进行融合，获得K个层级初始融合特征。
可选地，所述特征融合单元，用于通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级融合特征。
可选地，所述特征融合单元，用于通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级中间融合特征；通过所述第二特征融合模块对所述Y个不同层级中间融合特征按照从高层级特征到低层级特征的方向进行间隔层级融合，获得Y个不同层级融合特征。
可选地，所述瑕疵检测单元，用于通过所述检测模块基于所述Y个不同层级融合特征检测所述待检测布料中瑕疵的类别以及位置。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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一种用于执行布料瑕疵检测方法的电子设备的结构示意图；
图2为本申请实施例提供的一种布料瑕疵检测方法的流程图；
图3为本申请实施例提供的一种神经网络模型的详细网络结构图；
图4为本申请实施例提供的一种布料瑕疵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附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供一种布料瑕疵检测方法，通过将神经网络模型中的各个模块对待检测布料的图像进行特征提取以及对不同尺度的特征进行融合，从而加强了深层特征与浅层特征之间的融合，进而可以结合局部信息以及全局信息对细小的瑕疵进行更准确地识别，检测精度更高，并且，在对大量的布料进行瑕疵检测时，相比于人工检测，效率更高。
请参照图1，图1为本申请实施例提供的一种用于执行布料瑕疵检测方法的电子设备的结构示意图，所述电子设备可以包括：至少一个处理器110，例如CPU，至少一个通信接口120，至少一个存储器130和至少一个通信总线140。其中，通信总线140用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口120用于与其他节点设备进行信令或数据的通信。存储器130可以是高速RAM存储器，也可以是非易失性的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器130可选的还可以是至少一个位于远离前述处理器的存储装置。存储器130中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器110执行时，电子设备执行下述图2所示方法过程，例如，存储器130可用于存储神经网络模型以及神经网络模型中各个模块的输出数据，处理器110在对布料进行瑕疵检测时，可调用存储器130中的神经网络模型，利用神经网络模型来对布料进行瑕疵检测。
可以理解，图1所示的结构仅为示意，所述电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2为本申请实施例提供的一种布料瑕疵检测方法的流程图，该方法包括如下步骤：
步骤S110：获取待检测布料的图像。
在具体实现过程中，待检测布料的图像可以通过摄像头进行采集获得，该图像可以是静态图像或视频中的帧图像等。通过摄像头采集待检测布料的图像后，可以将图像传输给电子设备，然后电子设备可利用神经网络模型对获得的图像进行分析，以对待检测布料进行瑕疵检测。
其中，神经网络模型包括特征提取模块、特征金字塔模块以及检测模块，特征提取模块与特征金字塔模块连接，特征金字塔模块与检测模块连接，这些模块可以理解为神经网络模型中的网络层，各个网络层依次连接，即上一网络层的输出数据可以作为下一网络层的输入数据。
其中，特征提取模块用于对输入的待检测布料的图像进行特征提取，特征金字塔模块用于对特征模块提取的特征进行不同尺度融合，检测模块用于根据融合的特征对待检测布料进行瑕疵检测。在具体实现过程中，神经网络模型可以为预先经过训练后的模型，在训练过程中，可以采集大量的具有瑕疵的布料的图像作为训练样本输入至神经网络模型中，然后利用训练样本对神经网络模型的网络参数进行训练，为了描述的简洁，神经网络模型的具体训练过程在此不详细描述，在获得训练完成的神经网络模型后，可利用训练完成的神经网络模型对待检测布料进行瑕疵检测。
步骤S120：通过特征提取模块对所述图像进行特征提取，获得X个不同层级特征。
电子设备在获得待检测布料的图像后，将待检测布料的图像输入神经网络模型中的特征提取模块，通过特征提取模块对图像进行特征提取，获得X个不同层级特征。
在具体实现过程中，特征提取模块可以包括X个网络层，每个网络层输出一个层级特征，从而可以获得X个不同层级特征，X为大于1的整数。其中，网络层可以是指网络深度不同的网络层，即各个网络层的网络深度可依据输入输出的顺序或者特征提取的顺序由浅至深，各个网络层依次进行特征提取，输出的特征的层级由低到高。网络深度较浅的网络层提取的特征较多的关注全局信息，网络深度较深的网络层提取的特征较多的关注细小特征，这样即可提取各个不同尺度的特征。
例如，特征提取模块接收到待检测布料的图像后，通过第一个网络层对图像进行特征提取，获得第一个层级特征，并将第一个层级特征输入第二个网络层，再由第二个网络层继续对特征进行提取，获得第二个层级特征，继续将第二个层级特征输入第三个网络层，按照此方式，每个网络层可依次对输入的特征进行特征提取，然后将提取的特征输入至下一个网络层继续进行特征提取，即可获得X个不同层级特征。
在具体实现过程中，特征的形式包括但不限于：特征图、特征向量或特征矩阵等。
步骤S130：通过特征金字塔模块对X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征。
特征金字塔模块也可以包括有多个网络层，特征提取模块输出的X个不同层级特征可以输入到特征金字塔模块中的对应网络层进行融合处理，其中，进行特征融合的方式可以有多种，例如，在X的取值为四时，可以将第一个层级特征和第二个层级特征输入到特征金字塔模块的第一个网络层中进行融合处理，即将第一个层级特征与第二个层级特征进行融合，获得第一个层级融合特征，将第三个层级特征与第一个层级融合特征，获得第二个层级融合特征，以此方式，依次将各个层级特征进行融合，可共获得Y个不同层级融合特征；或者，还可以将第一个层级特征与第二个层级特征进行融合获得第一个层级融合特征，将第二个层级特征与第三个层级特征进行融合获得第二个层级融合特征，将第三个层级特征与第四个层级特征进行融合获得第三个层级融合特征，以此方式，可共获得Y个不同层级融合特征。
可以理解地，由于各个层级特征是由不同网络层输出的，且各个网络层的深度不同，所以输出的各个层级特征的尺度也不同，所以，对X个不同层级特征进行不同尺度融合处理可以理解为是将任意至少两个层级特征进行融合获得对应的层级融合特征。对于其融合方式也不仅仅是上述所列举的方式，其还可以有其他融合方式，其他融合方式可在下述实施例中具体介绍，在此先不过多赘述。
步骤S140：通过检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
由于待检测布料中的瑕疵一般尺寸很小，经常在毫米级别，比如线头类的瑕疵，或者在某一个维度尺寸很小，还有很多瑕疵本身没有明显特征，需要结合周围信息进行判断，比如色差等，所以，本申请实施例中将各个尺度的特征进行融合，也就是说，将浅层特征和深层特征进行融合，从而可对细小的特征有较好地识别下个。
在具体实现过程中，将Y个层级融合特征输入到检测模块中，由检测模块基于这些层级融合特征对待检测布料进行瑕疵检测。作为一种实施方式，检测模块可以为神经网络模型中的全连接层，通过全连接层即可识别待检测布料是否存在瑕疵。
检测模块对待检测布料进行瑕疵检测后，可输出对应的检测结果，包括待检测布料是否存在瑕疵，若在检测到待检测布料存在瑕疵时，表示该待检测布料为质量不合格产品，则可输出提示信息，以提示质检人员该待检测布料不合格，从而使得质检人员可以快速发现不合格的布料，进而可以对大量的布料进行快速质检。
在上述实现过程中，通过将神经网络模型中的各个模块对待检测布料的图像进行特征提取以及对不同尺度的特征进行融合，从而加强了深层特征与浅层特征之间的融合，进而可以结合局部信息以及全局信息对细小的瑕疵进行更准确地识别，检测精度更高。
请参照图3，图3为本申请实施例提供的一种神经网络模型的详细网络结构图，以图3所示的结构为例，下面对利用该神经网络模型进行瑕疵检测的过程进行详细介绍。
本申请实施例提供的神经网络模型是改造自anchor-free的基于全卷积的单阶段检测(Fully Convolutional One-Stage Object Detection，FCOS)网络，在该神经网络模型中，特征提取模块210可以包括4个不同深度的网络层C2、C3、C4、C5，从C2-C5其依次对图像进行下采样，如每个网络层采集的特征尺寸依次是原图的1/4、1/8、1/16、1/32，也就是说，若上述特征为特征图时，从C2-C5提取的特征图尺寸依次减小，网络层C2和C3提取的特征为浅层特征，C4和C4提取的特征为深层特征，每个网络层提取的特征对应一个层级特征，如C2-C5提取的特征为低层级特征到高层级特征，如此，可获得4个不同层级特征。
另外，特征金字塔模块包括第一特征融合模块220和第二特征融合模块230，通过第一特征融合模块220对X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，O为大于1的整数，通过第二特征融合模块230对O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征。
在具体实现过程中，第一特征融合模块220可包括5个网络层P2、P3、P4、P5、P6，第二特征融合模块230可包括5个网络层L2、L3、L4、L5、L6，通过第一特征融合模块220对X个不同层级特征进行不同尺度融合的方式可以为：对X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，L、M为大于1的整数；然后对X个不同层级特征中的X-M个层级特征按照与第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，其中，K+L等于O。
其中，层级方向可以理解为是指网络深度方向，如从高层级特征到低层级特征的方向或从低层级特征到高层级特征的方向，如C2输出的是低层级特征，C5输出的是高层级特征，则从C2-C5的方向即为从低层级特征到高层级特征的方向。上述的第一层级方向可以为从高层级特征到低层级特征的方向，第二层级方向即为从低层级特征到高层级特征的方向，或者相反地，第一层级方向为从低层级特征到高层级特征的方向，第二层级方向为从高层级特征到低层级特征的方向。
例如，上述包括四个不同层级特征，如可以将其中的2个层级特征按照从低层级特征到高层级特征方向进行融合，获得L个层级初始融合特征，将其中的2个层级特征按照从高层级特征到低层级特征方向进行融合，获得K个层级初始融合特征。
在具体实现过程中，其中M个层级特征为较高层级特征，X-M个层级特征为较低层级特征，所以，可以通过第一特征融合模块220对M个层级特征按照从低层级特征到高层级特征的方向进行融合，获得L个层级初始融合特征；通过第一特征融合模块220对X-M个层级特征按照从高层级特征到低层级特征的方向进行融合，获得K个层级初始融合特征。
例如，X取2，M取2，M个层级特征包括C4输出的第三个层级特征和C5输出的第四个层级特征，X-M个层级特征包括C2输出的第一个层级特征和C3输出的第二个层级特征，也就是说，对C4和C5按照从低层级特征到高层级特征的方向进行融合，对C2和C3按照从高层级特征到低层级特征的方向进行融合。如在进行融合时，可以将C4输出的第三个层级特征和C5输出的第四个层级特征输入至P4中，通过P4对第三个层级特征和第四个层级特征进行融合获得第三个层级初始融合特征，通过P5对第三个层级初始融合特征和C5输出的第四个层级特征进行融合获得第四个层级初始融合特征，然后通过P6对第四个层级初始融合特征进行下采样操作获得第五个层级初始融合特征。另外，对P4输出的第三个层级初始融合特征输入至P3中，通过P3将第三个层级初始融合特征与C3输出的第二个层级特征进行融合获得第二个层级初始融合特征，通过P2将第二个层级初始融合特征、C3输出的第二个层级特征和C2输出的第一个层级特征进行融合，获得第一个层级初始融合特征。
在上述实现过程中，对各个不同层级特征按照不同的层级方向进行融合，使得高层网络更容易获取更全面的全局信息，低层网络更容易获取更全面的局部信息，进而可大大提高对细小的瑕疵的检测的准确性。
另外，在通过第二特征融合模块230对O个不同层级初始融合特征进行融合时，可以对O个不同层级初始融合特征按照从高层级特征到低层级特征方向进行融合，获得Y个不同层级融合特征。
例如，通过L6将P6输出的第五个层级初始融合特征进行上采样操作，输出第一个层级融合特征，通过L5对L6输出的第一个层级融合特征与第四个初始层级融合特征进行融合，获得第二个层级融合特征，通过L4对L5输出的第二个层级融合特征与第三个初始层级融合特征进行融合，获得第三个层级融合特征，通过L3对L4输出的第三个层级融合特征与第二个初始层级融合特征进行融合，获得第四个层级融合特征，通过L2将L3输出的第四个层级融合特征与第一个初始层级融合特征进行融合，获得第五个层级融合特征，如此，可共获得五个不同层级融合特征。
另外，为了使得各个尺度的特征更加全面的进行融合，在图3中，横向箭头表示1*1的卷积操作，竖直向上的箭头代表一次0.5倍下采样操作，竖直向下和斜向下的箭头代表一次2倍上采样操作，曲线向下的箭头代表两次2倍上采样操作。
例如，在通过第一特征融合模块220对X个不同层级的特征进行融合时，可以将C4输出的第三个层级特征进行1*1的卷积操作后获得的特征以及对C5进行上采样操作后获得的特征输入至P4，然后通过P4对第三个层级特征进行下采样操作后获得第三个层级初始融合特征，将第三个层级初始融合特征进行上采样操作后输入至P3，通过P3将对第三个层级初始融合特征进行上采样操作后获得的特征与对C3输出的第二个层级特征进行卷积操作后获得的特征进行融合，输出第二个层级初始融合特征，然后将第二个层级初始融合特征进行上采样操作后输入至P2，通过P2将对第二层级初始融合特征进行上采样操作后获得的特征与对C3输出的第二个层级特征进行上采样操作获得的特征、对C2输出的第一个层级特征进行1*1的卷积操作后获得的特征进行融合，获得第一个层级初始融合特征。
然后通过P4对获得的特征进行上采样操作后获得的特征输入至P5，通过P5将P4输出的特征与C5输出的第四个层级特征进行融合，获得第四个层级初始融合特征，然后对第四个层级初始融合特征进行上采样操作后获得的特征输入至P6，获得第五个层级初始融合特征。
在通过第二特征融合模块230对O个不同层级初始融合特征进行融合时，可以先通过第二特征融合模块230对O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级中间融合特征，然后再对Y个不同层级中间融合特征按照从高层级特征到低层级特征的方向进行间隔层级融合，获得Y个不同层级融合特征。
例如，对P6输出的第五个层级初始融合特征进行卷积操作后获得的特征输入至L6，L6输出第一个层级中间融合特征，将第一个层级中间融合特征进行上采样后获得的特征至L5，然后通过L5将对第一个层级中间融合特征进行上采样后获得的特征与对P6输出的第五个层级初始融合特征进行上采样操作后获得的特征、对P5输出的第四个层级初始融合特征进行卷积操作后获得的特征进行融合，获得第二个层级中间融合特征；将第二个层级中间融合特征进行上采样操作后获得的特征输入至L4，通过L4将对第二个层级中间融合特征进行上采样操作后获得的特征与对P4输出第三个层级初始融合特征进行卷积操作后获得的特征进行融合，获得第三个层级中间融合特征；将第三个层级中间融合特征进行上采样操作后获得的特征输入至L3，通过L3将对第三个层级中间融合特征进行上采样操作后获得的特征与对P4输出第三个层级初始融合特征进行上采样操作后获得的特征、对P3输出的第二个层级初始融合特征进行卷积操作后获得的特征进行融合，获得第四个层级中间融合特征；将第四个层级中间融合特征进行上采样操作后获得的特征输入至L2，通过L2将对第四个层级中间融合特征进行上采样操作后获得的特征与对P2输出的第一个层级初始融合特征进行卷积操作后获得的特征进行融合，获得第五个层级中间融合特征。
然后再将L6输出的第一个层级中间融合特征进行上采样操作后获得的特征输入至L4，通过L4将对第一个层级中间融合特征进行上采样操作后获得的特征与自身获得的特征进行融合后输入至L2，将L5输出的第二个层级中间融合特征行上采样操作后获得的特征输入至L3，将L4输出的第三个层级中间融合特征行上采样操作后获得的特征输入至L2，如此可将多个层级中间融合特征进行多次融合后获得最后的层级融合特征，再将层级融合特征输入至检测模块240进行瑕疵检测。
在上述实现过程中，通过第二特征融合模块230对特征进行多次融合，使得融合的特征更多，从而对各个不同尺度的瑕疵的检测均有较好的效果。
另外，在其他实施例中，上述对通过第一特征融合模块220对特征进行融合时，还可以将X个层级特征以从低层级特征到高层级特征的方向进行融合，例如，通过P2将C2提取的第一个层级特征与C3提取的第二个层级特征进行融合，获得P2输出的第一个层级初始融合特征，通过P3将P2输出的第一个层级初始融合特征与C4提取的第三个层级特征进行融合，获得第二个层级初始融合特征，通过P4将P3输出的第二个层级初始融合特征与C5提取的第四个层级特征进行融合，获得第三个层级初始融合特征，通过P5将P4输出的第三个层级初始融合特征继续进行下采样，获得P5输出的第四个层级初始融合特征，第四个层级初始融合特征输入至P6，通过P6继续对第四个层级初始融合特征进行卷积操作，获得第五个层级初始融合特征，如此，可共获得五个不同层级初始融合特征。
需要说明的是，图3示出的模型仅仅是神经网络模型的一种可能形式，该模型可以有很多变形，例如，增加或减少特征提取模块、特征融合模块的网络层，如特征提取模块可包括五个或六个不同深度的网络层，特征融合模块也可包括更多的网络层，分别用于进行不同尺度特征融合，本申请意图保护神经网络模型的这些变形。且随着神经网络模型的变形，融合方式也可以发生对应的变化，例如，可以将各个尺度特征进行任意的融合，并且还可以增加更多的特征融合模块，以增加网络深度来更好地提取图像中的特征，从而使得融合后的特征具有更全面的细节以及全局信息，对细小的瑕疵的检测效果更好。
作为一种实施方式，检测模块240还可以是指FCOS网络中的检测头部，每个检测头部用于检测不同尺度的瑕疵，尺寸较小的瑕疵由下端的头部预测，尺寸较大的瑕疵由上端的头部预测。
具体地，检测模块240包括两个分支，第一个分支经过4个卷积操作后，又分为两个小分支，分别用于检测瑕疵的类别，第二个分支经过4个卷积操作后，用于检测瑕疵的位置，所以，可以通过检测模块240基于Y个不同层级融合特征检测待检测布料中瑕疵的类别以及位置，即通过各个检测头基于对应的层级融合特征对待检测布料进行瑕疵检测，获得对应的检测结果，然后结合各个检测结果即可获得待检测布料是否具有瑕疵，以及待检测布料中瑕疵的类别以及位置，其中检测模块240进行检测的过程可以参照现有FCOS网络中的检测头部进行检测的过程，在此不再详细赘述。
请参照图4，图4为本申请实施例提供的一种布料瑕疵检测装置300的结构框图，该装置300可以是电子设备上的模块、程序段或代码。应理解，该装置300与上述图2方法实施例对应，能够执行图2方法实施例涉及的各个步骤，该装置300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。
可选地，所述装置300包括：
图像获取单元310，用于获取待检测布料的图像；
特征提取单元320，用于通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征，X为大于1的整数；
特征融合单元330，用于通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，Y为大于1的整数；
瑕疵检测单元340，用于通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
可选地，所述特征金字塔模块包括第一特征融合模块和第二特征融合模块，所述特征融合单元330，用于通过所述第一特征融合模块对所述X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，O为大于1的整数；通过所述第二特征融合模块对所述O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征。
可选地，所述特征融合单元330，用于通过所述第一特征融合模块对所述X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，L、M为大于1的整数；通过所述第一特征融合模块对所述X个不同层级特征中的X-M个层级特征按照与所述第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，K+L等于O。
可选地，所述M个层级特征为较高层级特征，所述X-M个层级特征为较低层级特征，所述特征融合单元330，用于通过所述第一特征融合模块对M个层级特征按照从低层级特征到高层级特征的方向进行融合，获得L个层级初始融合特征；以及通过所述第一特征融合模块对X--M个层级特征按照从高层级特征到低层级特征的方向进行融合，获得K个层级初始融合特征。
可选地，所述特征融合单元330，用于通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级融合特征。
可选地，所述特征融合单元330，用于通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级中间融合特征；通过所述第二特征融合模块对所述Y个不同层级中间融合特征按照从高层级特征到低层级特征的方向进行间隔层级融合，获得Y个不同层级融合特征。
可选地，所述瑕疵检测单元340，用于通过所述检测模块基于所述Y个不同层级融合特征检测所述待检测布料中瑕疵的类别以及位置。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图2所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：获取待检测布料的图像；通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征，X为大于1的整数；通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，Y为大于1的整数；通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
综上所述，本申请实施例提供一种布料瑕疵检测方法、装置、电子设备及可读存储介质，通过将神经网络模型中的各个模块对待检测布料的图像进行特征提取以及对不同尺度的特征进行融合，从而加强了深层特征与浅层特征之间的融合，进而可以结合局部信息以及全局信息对细小的瑕疵进行更准确地识别，检测精度更高。
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。
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 (10)

1.一种布料瑕疵检测方法，其特征在于，用于通过神经网络模型对待检测布料进行瑕疵检测，所述神经网络模型包括特征提取模块、特征金字塔模块以及检测模块，所述方法包括：
获取待检测布料的图像；
通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征，X为大于1的整数；
通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，Y为大于1的整数；
通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
2.根据权利要求1所述的方法，其特征在于，所述特征金字塔模块包括第一特征融合模块和第二特征融合模块，所述通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，包括：
通过所述第一特征融合模块对所述X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，O为大于1的整数；
通过所述第二特征融合模块对所述O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征。
3.根据权利要求2所述的方法，其特征在于，所述通过所述第一特征融合模块对所述X个不同层级特征进行不同尺度融合处理，获得O个不同层级初始融合特征，包括：
通过所述第一特征融合模块对所述X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，L、M为大于1的整数；
通过所述第一特征融合模块对所述X个不同层级特征中的X-M个层级特征按照与所述第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，K+L等于O。
4.根据权利要求3所述的方法，其特征在于，所述M个层级特征为较高层级特征，所述X-M个层级特征为较低层级特征，所述通过所述第一特征融合模块对所述X个不同层级特征中的M个层级特征按照第一层级方向进行融合，获得L个层级初始融合特征，包括：
通过所述第一特征融合模块对M个层级特征按照从低层级特征到高层级特征的方向进行融合，获得L个层级初始融合特征；
所述通过所述第一特征融合模块对所述X个不同层级特征中的X--M个层级特征按照与所述第一层级方向相反的第二层级方向进行融合，获得K个层级初始融合特征，包括：
通过所述第一特征融合模块对X--M个层级特征按照从高层级特征到低层级特征的方向进行融合，获得K个层级初始融合特征。
5.根据权利要求2所述的方法，其特征在于，所述通过所述第二特征融合模块对所述O个不同层级初始融合特征进行不同尺度融合处理，获得Y个不同层级融合特征，包括：
通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级融合特征。
6.根据权利要求5所述的方法，其特征在于，所述通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，包括：
通过所述第二特征融合模块对所述O个不同层级初始融合特征按照从高层级特征到低层级特征的方向进行融合，获得Y个不同层级中间融合特征；
通过所述第二特征融合模块对所述Y个不同层级中间融合特征按照从高层级特征到低层级特征的方向进行间隔层级融合，获得Y个不同层级融合特征。
7.根据权利要求1所述的方法，其特征在于，所述通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测，包括：
通过所述检测模块基于所述Y个不同层级融合特征检测所述待检测布料中瑕疵的类别以及位置。
8.一种布料瑕疵检测装置，其特征在于，用于通过神经网络模型对待检测布料进行瑕疵检测，所述神经网络模型包括特征提取模块、特征金字塔模块以及检测模块，所述装置包括：
图像获取单元，用于获取待检测布料的图像；
特征提取单元，用于通过所述特征提取模块对所述图像进行特征提取，获得X个不同层级特征，X为大于1的整数；
特征融合单元，用于通过所述特征金字塔模块对所述X个不同层级特征进行不同尺度融合处理，获得Y个不同层级融合特征，Y为大于1的整数；
瑕疵检测单元，用于通过所述检测模块基于所述Y个不同层级融合特征对所述待检测布料进行瑕疵检测。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一所述的方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一所述的方法。
CN202010521588.0A 2020-06-09 2020-06-09 布料瑕疵检测方法、装置、电子设备及可读存储介质 Active CN111667476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010521588.0A CN111667476B (zh) 2020-06-09 2020-06-09 布料瑕疵检测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010521588.0A CN111667476B (zh) 2020-06-09 2020-06-09 布料瑕疵检测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111667476A true CN111667476A (zh) 2020-09-15
CN111667476B CN111667476B (zh) 2022-12-06

Family

ID=72386190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010521588.0A Active CN111667476B (zh) 2020-06-09 2020-06-09 布料瑕疵检测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111667476B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614101A (zh) * 2020-12-17 2021-04-06 广东道氏技术股份有限公司 基于多层特征提取的抛光砖瑕疵检测方法及相关设备
CN113361473A (zh) * 2021-06-30 2021-09-07 北京百度网讯科技有限公司 图像处理、模型训练方法、装置、设备、存储介质及程序
CN113576452A (zh) * 2021-07-30 2021-11-02 深圳市商汤科技有限公司 基于热成像的呼吸率检测方法、装置及电子设备
CN115601363A (zh) * 2022-12-14 2023-01-13 中建科技集团有限公司（Cn） 一种基于小目标检测算法的装配式建筑产品缺陷检测方法

Citations (6)

* Cited by examiner, † Cited by third party
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
CN108335305A (zh) * 2018-02-09 2018-07-27 北京市商汤科技开发有限公司 图像分割方法和装置、电子设备、程序和介质
CN108460411A (zh) * 2018-02-09 2018-08-28 北京市商汤科技开发有限公司 实例分割方法和装置、电子设备、程序和介质
US20190108613A1 (en) * 2017-10-06 2019-04-11 Ford Global Technologies, Llc Fusion Of Motion And Appearance Features For Object Detection And Trajectory Prediction
CN110992311A (zh) * 2019-11-13 2020-04-10 华南理工大学 一种基于特征融合的卷积神经网络瑕疵检测方法
CN111210417A (zh) * 2020-01-07 2020-05-29 创新奇智(北京)科技有限公司 基于卷积神经网络的布匹缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
US20190108613A1 (en) * 2017-10-06 2019-04-11 Ford Global Technologies, Llc Fusion Of Motion And Appearance Features For Object Detection And Trajectory Prediction
CN108335305A (zh) * 2018-02-09 2018-07-27 北京市商汤科技开发有限公司 图像分割方法和装置、电子设备、程序和介质
CN108460411A (zh) * 2018-02-09 2018-08-28 北京市商汤科技开发有限公司 实例分割方法和装置、电子设备、程序和介质
CN110992311A (zh) * 2019-11-13 2020-04-10 华南理工大学 一种基于特征融合的卷积神经网络瑕疵检测方法
CN111210417A (zh) * 2020-01-07 2020-05-29 创新奇智(北京)科技有限公司 基于卷积神经网络的布匹缺陷检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112614101A (zh) * 2020-12-17 2021-04-06 广东道氏技术股份有限公司 基于多层特征提取的抛光砖瑕疵检测方法及相关设备
CN112614101B (zh) * 2020-12-17 2024-02-20 广东道氏技术股份有限公司 基于多层特征提取的抛光砖瑕疵检测方法及相关设备
CN113361473A (zh) * 2021-06-30 2021-09-07 北京百度网讯科技有限公司 图像处理、模型训练方法、装置、设备、存储介质及程序
CN113361473B (zh) * 2021-06-30 2023-12-08 北京百度网讯科技有限公司 图像处理、模型训练方法、装置、设备、存储介质及程序
CN113576452A (zh) * 2021-07-30 2021-11-02 深圳市商汤科技有限公司 基于热成像的呼吸率检测方法、装置及电子设备
CN115601363A (zh) * 2022-12-14 2023-01-13 中建科技集团有限公司（Cn） 一种基于小目标检测算法的装配式建筑产品缺陷检测方法

Also Published As

Publication number Publication date
CN111667476B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111667476B (zh) 布料瑕疵检测方法、装置、电子设备及可读存储介质
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
CN111693534B (zh) 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
CN111340796B (zh) 一种缺陷检测方法、装置、电子设备及存储介质
EP3798924A1 (en) System and method for classifying manufactured products
CN112819796A (zh) 烟丝异物识别方法及设备
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
JP2020085583A (ja) 検査装置及び検査方法
CN115239642A (zh) 一种输电线路中小金具缺陷的检测方法、检测装置和设备
CN113505781A (zh) 目标检测方法、装置、电子设备及可读存储介质
CN114972880A (zh) 一种标签识别方法、装置、电子设备及存储介质
CN115713480A (zh) 一种集成电路金属封装深度学习缺陷检测方法
CN113486856A (zh) 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法
CN115620083B (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN116309459A (zh) 基于改进网络的肺结节检测方法、装置、设备和存储介质
CN112200766A (zh) 基于区域关联神经网络的工业产品表面缺陷检测方法
CN114078106A (zh) 基于改进Faster R-CNN的疵点检测方法
CN111444834A (zh) 图像文本行检测方法、装置、设备及存储介质
CN116580232A (zh) 一种图像自动标注方法、系统及电子设备
CN114119562A (zh) 一种基于深度学习的刹车盘外表面缺陷检测方法及系统
CN112686843B (zh) 一种基于神经网络的木板缺陷检测方法及系统
CN113837178A (zh) 一种基于深度学习的变电站表计自动定位与统一分割方法
CN113781449A (zh) 一种基于多尺度特征融合的纺织品瑕疵分类方法

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