CN111784644A - 基于深度学习的印花瑕疵检测方法及系统 - Google Patents
基于深度学习的印花瑕疵检测方法及系统 Download PDFInfo
- Publication number
- CN111784644A CN111784644A CN202010530894.0A CN202010530894A CN111784644A CN 111784644 A CN111784644 A CN 111784644A CN 202010530894 A CN202010530894 A CN 202010530894A CN 111784644 A CN111784644 A CN 111784644A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- feature
- fusion
- template image
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T2207/20—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
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的印花瑕疵检测方法及系统,包括:将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征,分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算,得到不同分辨率的特征结果;将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小,将相同大小的不同特征进行融合,得到待检测图像融合特征和模板图像融合特征;将待检测图像融合特征和模板图像融合特征进行差分,通过区域感知定位与分类模型进行前景与背景分类预测,对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。充分利用全部资源信息,极大地提升检测算法的检出率和降低误检率。
Description
技术领域
本发明涉及图像处理技术领域,具体地,涉及一种基于深度学习的印花瑕疵检测方法及系统。
背景技术
中国是纺织品大国,要使纺织品在国内外市场上占据有利地位,必须对印花的质量进行检测。
专利文献CN100593716公开了机器视觉系统对印花布瑕疵的在线检测方法,利用工业相机在运行的印花布上拍摄清晰完整的、无瑕疵的图像作为标准图像模板存贮于计算机,将瑕疵面积及图像灰度值设定为瑕疵的检测参量,根据用户要求设置检测参量的精度范围,利用工业相机将实时拍摄的在线运行印花布的图像传输至计算机与标准图像模板进行对比及处理,如有瑕疵出现,由计算机启动报警,提示操作人员对印花布瑕疵进行处理。
布匹印花样式十分繁多和复杂,当前各类目标检测算法均无法很好地解决背景非常复杂的数据,即使是已知的深度学习方案也无法将全部花色列入训练数据中,从而导致误检率过高。并且已知算法均为单输入模式,无法有效地利用印花模板来降低误检率。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于深度学习的印花瑕疵检测方法及系统。
根据本发明提供的一种基于深度学习的印花瑕疵检测方法,包括:
图像获取步骤:获取待检测图像和模板图像;
图像输入步骤:将待检测图像和模板图像进行大小、像素和亮度的预处理;
特征提取步骤:将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征,分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算,得到不同分辨率的特征结果;
特征融合步骤:将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小,将相同大小的不同特征进行融合,得到待检测图像融合特征和模板图像融合特征;
目标定位和分类步骤:将待检测图像融合特征和模板图像融合特征进行差分,通过区域感知定位与分类模型进行前景与背景分类预测,对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
优选地,所述图像获取步骤包括:通过线扫相机不断获取布匹图像数据流,根据当前印花花型设定印花循环周期,通过机电控制生成相同周期大小的待检测图像。
优选地,所述特征提取步骤包括:
根据预处理后的待检测图像和模板图像的图像大小、欲检测印花瑕疵种类构建孪生卷积神经网络模型;
将预训练好的模型权重加载入孪生卷积神经网络模型;
将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征;
分别对待检测图像、模板图像进行1/4、1/8、1/16和1/32倍率的下采样特征计算,得到不同分辨率的特征结果。
优选地,所述特征融合步骤包括:
构建特征金字塔特征融合模型;
将预训练好的模型权重加载入特征金字塔特征融合模型;
将不同分辨率大小的特征利用双线性插值和卷积方案将特征大小调整至相同大小;
将相同大小的不同特征进行融合。
优选地,所述目标定位和分类步骤包括:
将经过特征融合的待检测图像融合特征和模板图像融合特征进行差分;
根据印花瑕疵种类数量和尺度大小构建区域感知定位与分类模型;
将预训练好的模型权重加载入区域感知定位与分类模型;
对所有感知区域进行前景与背景分类预测;
将所有预测为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
根据本发明提供的一种基于深度学习的印花瑕疵检测系统,包括:
图像获取模块:获取待检测图像和模板图像;
图像输入模块:将待检测图像和模板图像进行大小、像素和亮度的预处理;
特征提取模块:将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征,分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算,得到不同分辨率的特征结果;
特征融合模块:将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小,将相同大小的不同特征进行融合,得到待检测图像融合特征和模板图像融合特征;
目标定位和分类模块:将待检测图像融合特征和模板图像融合特征进行差分,通过区域感知定位与分类模型进行前景与背景分类预测,对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
优选地,所述图像获取模块包括:通过线扫相机不断获取布匹图像数据流,根据当前印花花型设定印花循环周期,通过机电控制生成相同周期大小的待检测图像。
优选地,所述特征提取模块包括:
根据预处理后的待检测图像和模板图像的图像大小、欲检测印花瑕疵种类构建孪生卷积神经网络模型;
将预训练好的模型权重加载入孪生卷积神经网络模型;
将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征;
分别对待检测图像、模板图像进行1/4、1/8、1/16和1/32倍率的下采样特征计算,得到不同分辨率的特征结果。
优选地,所述特征融合模块包括:
构建特征金字塔特征融合模型;
将预训练好的模型权重加载入特征金字塔特征融合模型;
将不同分辨率大小的特征利用双线性插值和卷积方案将特征大小调整至相同大小;
将相同大小的不同特征进行融合。
优选地,所述目标定位和分类模块包括:
将经过特征融合的待检测图像融合特征和模板图像融合特征进行差分;
根据印花瑕疵种类数量和尺度大小构建区域感知定位与分类模型;
将预训练好的模型权重加载入区域感知定位与分类模型;
对所有感知区域进行前景与背景分类预测;
将所有预测为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
与现有技术相比,本发明具有如下的有益效果:
1)本发明能够使检测算法鲁棒性极大提高,不受布匹印花花样复杂的影响。
2)本发明充分地利用全部资源信息尤其是印花模板信息,极大地提升检测算法的检出率和降低误检率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的工作流程图;
图2和图3为本发明的模型结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1、图2和图3所示,本发明提供的一种基于深度学习的印花瑕疵检测方法,包括:
步骤1:待检测图像和模板图像获取步骤;
步骤2:图像输入步骤;
步骤3:特征提取步骤;
步骤4:特征融合步骤;
步骤5:目标定位和分类步骤。
其中,步骤1待检测图像和模板图像获取步骤包括如下步骤:
步骤1.1:使用工业型线扫相机不断获取布匹图像数据流;
步骤1.2:根据当前印花花型设定印花循环周期,通过机电控制生成相同周期大小的高清图像数据格式。
步骤2图像输入步骤包括以下步骤:
步骤2.1:将步骤1获取到的待检测图像和已知模板图像进行图像大小调整预处理;
步骤2.2:对待检测图像和已知模板图像进行全图像素归一化调整预处理;
步骤2.3:对待检测图像和已知模板图像进行全图亮度归一调整预处理。
步骤3特征提取步骤包括以下步骤:
步骤3.1:根据处理后的图像大小和欲检测印花瑕疵种类构建孪生卷积神经网络(Siamese Convolution Neural Network)模型。
处理后的待检测图像Io和对应模板图像It大小均为2048*900,瑕疵种类包括缝头、水印、脏污等20余类。孪生卷积神经网络共5阶段模块,分别以L0、L1、L2、L3、L4表示。
步骤3.2:将预训练好的模型权重加载入孪生卷积神经网络模型;
步骤3.3:将步骤2处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征;
步骤3.4:分别对图像进行1/4、1/8、1/16、1/32倍率的下采样特征计算,将不同分辨率特征结果保留。
定义1/4、1/8、1/16、1/32倍率的下采样特征分别为F1、F2、F3、F4,计算过程即:
F1=L1(L0(I))
F2=L2(F1)
F3=L3(F2)
F4=L4(F3)
其中每阶段模块L进行2倍下采样。
步骤4特征融合步骤包括以下步骤:
步骤4.1:构建特征金字塔特征融合模型;
步骤4.2:将预训练好的模型权重加载入特征融合模型;
步骤4.3:将不同分辨率大小特征利用双线性插值和卷积方案将特征大小调整至相同大小;
步骤4.4:将相同大小的不同特征进行堆叠、相加、加权求和等多种方式融合。
步骤5目标定位和分类步骤包括以下步骤:
步骤5.1:将经过步骤4特征融合的待检测图像融合特征和模板融合特征进行差分。Fi=Fi O-Fi T i∈[1,4]其中i代表不同分辨率特征,FO是待检测图像特征,FT是模板图像特征。
步骤5.2:根据印花瑕疵种类数量和尺度大小构建区域感知定位与分类模型。具体的,根据印花瑕疵的类别,构建长宽比1/50,1/20,1/10,1/5,1/2,1/1,2/1,5/1,10/1,20/1以及50/1的多种尺度的候选区域,以滑窗的方式分别对差分后的特征进行定位回归和分类预测。
步骤5.3:将预训练好的模型权重加载入区域感知定位与分类模型。
步骤5.4:对所有感知区域进行前景与背景分类预测。
步骤5.5:将所有预测为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
在图像输入过程中,由于采用线扫相机,直接得到的是图像的数据流信息,无法直接获取与模板图像对齐的待检测图像。本发明利用模板的印花花型循环起始结束信息,通过机电控制方案传递图像生成信号,最大程度保证了获取到的待检测图像和模板图像对齐。其次在特征提取过程中,针对像素级进行操作,在图像输入过程中难以保证图像完全精确对齐,本发明在进行下采样过程之前先对已有特征进行3像素的高斯滤波操作,使得特征更为平滑从而使孪生卷积神经网络具备平移不变性以鲁棒微小的不对齐部分。在目标的定位和分类过程中,由于印花瑕疵的大小尺度和长宽比都是非常极端的。在定位和分类时,本发明采用级联的定位和回归模型方案,对同一瑕疵目标进行3次的级联回归定位与分类。即将上一次回归定位的输出结果作为下一次回归定位的输入,从而使得无论何种尺度和长宽比的目标均得到最好的结果。
本发明还提供一种基于深度学习的印花瑕疵检测系统,包括:
图像获取模块:获取待检测图像和模板图像。
图像输入模块:将待检测图像和模板图像进行大小、像素和亮度的预处理。
特征提取模块:将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征,分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算,得到不同分辨率的特征结果。
特征融合模块:将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小,将相同大小的不同特征进行融合,得到待检测图像融合特征和模板图像融合特征。
目标定位和分类模块:将待检测图像融合特征和模板图像融合特征进行差分,通过区域感知定位与分类模型进行前景与背景分类预测,对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于深度学习的印花瑕疵检测方法,其特征在于,包括:
图像获取步骤:获取待检测图像和模板图像;
图像输入步骤:将待检测图像和模板图像进行大小、像素和亮度的预处理;
特征提取步骤:将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征,分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算,得到不同分辨率的特征结果;
特征融合步骤:将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小,将相同大小的不同特征进行融合,得到待检测图像融合特征和模板图像融合特征;
目标定位和分类步骤:将待检测图像融合特征和模板图像融合特征进行差分,通过区域感知定位与分类模型进行前景与背景分类预测,对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
2.根据权利要求1所述的基于深度学习的印花瑕疵检测方法,其特征在于,所述图像获取步骤包括:通过线扫相机不断获取布匹图像数据流,根据当前印花花型设定印花循环周期,通过机电控制生成相同周期大小的待检测图像。
3.根据权利要求1所述的基于深度学习的印花瑕疵检测方法,其特征在于,所述特征提取步骤包括:
根据预处理后的待检测图像和模板图像的图像大小、欲检测印花瑕疵种类构建孪生卷积神经网络模型;
将预训练好的模型权重加载入孪生卷积神经网络模型;
将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征;
分别对待检测图像、模板图像进行1/4、1/8、1/16和1/32倍率的下采样特征计算,得到不同分辨率的特征结果。
4.根据权利要求1所述的基于深度学习的印花瑕疵检测方法,其特征在于,所述特征融合步骤包括:
构建特征金字塔特征融合模型;
将预训练好的模型权重加载入特征金字塔特征融合模型;
将不同分辨率大小的特征利用双线性插值和卷积方案将特征大小调整至相同大小;
将相同大小的不同特征进行融合。
5.根据权利要求1所述的基于深度学习的印花瑕疵检测方法,其特征在于,所述目标定位和分类步骤包括:
将经过特征融合的待检测图像融合特征和模板图像融合特征进行差分;
根据印花瑕疵种类数量和尺度大小构建区域感知定位与分类模型;
将预训练好的模型权重加载入区域感知定位与分类模型;
对所有感知区域进行前景与背景分类预测;
将所有预测为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
6.一种基于深度学习的印花瑕疵检测系统,其特征在于,包括:
图像获取模块:获取待检测图像和模板图像;
图像输入模块:将待检测图像和模板图像进行大小、像素和亮度的预处理;
特征提取模块:将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征,分别对待检测图像、模板图像进行多种不同倍率的下采样特征计算,得到不同分辨率的特征结果;
特征融合模块:将不同分辨率的特征利用双线性插值和卷积方案将特征大小调整至相同大小,将相同大小的不同特征进行融合,得到待检测图像融合特征和模板图像融合特征;
目标定位和分类模块:将待检测图像融合特征和模板图像融合特征进行差分,通过区域感知定位与分类模型进行前景与背景分类预测,对预测结果为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
7.根据权利要求6所述的基于深度学习的印花瑕疵检测系统,其特征在于,所述图像获取模块包括:通过线扫相机不断获取布匹图像数据流,根据当前印花花型设定印花循环周期,通过机电控制生成相同周期大小的待检测图像。
8.根据权利要求6所述的基于深度学习的印花瑕疵检测系统,其特征在于,所述特征提取模块包括:
根据预处理后的待检测图像和模板图像的图像大小、欲检测印花瑕疵种类构建孪生卷积神经网络模型;
将预训练好的模型权重加载入孪生卷积神经网络模型;
将预处理后的待检测图像和模板图像输入孪生卷积神经网络模型,非线性地计算图像特征;
分别对待检测图像、模板图像进行1/4、1/8、1/16和1/32倍率的下采样特征计算,得到不同分辨率的特征结果。
9.根据权利要求6所述的基于深度学习的印花瑕疵检测系统,其特征在于,所述特征融合模块包括:
构建特征金字塔特征融合模型;
将预训练好的模型权重加载入特征金字塔特征融合模型;
将不同分辨率大小的特征利用双线性插值和卷积方案将特征大小调整至相同大小;
将相同大小的不同特征进行融合。
10.根据权利要求6所述的基于深度学习的印花瑕疵检测系统,其特征在于,所述目标定位和分类模块包括:
将经过特征融合的待检测图像融合特征和模板图像融合特征进行差分;
根据印花瑕疵种类数量和尺度大小构建区域感知定位与分类模型;
将预训练好的模型权重加载入区域感知定位与分类模型;
对所有感知区域进行前景与背景分类预测;
将所有预测为前景的感知区域进行印花瑕疵类别分类和确切回归定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530894.0A CN111784644A (zh) | 2020-06-11 | 2020-06-11 | 基于深度学习的印花瑕疵检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530894.0A CN111784644A (zh) | 2020-06-11 | 2020-06-11 | 基于深度学习的印花瑕疵检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784644A true CN111784644A (zh) | 2020-10-16 |
Family
ID=72756274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010530894.0A Pending CN111784644A (zh) | 2020-06-11 | 2020-06-11 | 基于深度学习的印花瑕疵检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784644A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561892A (zh) * | 2020-12-22 | 2021-03-26 | 东华大学 | 一种印花与提花面料的疵点检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN114619591A (zh) * | 2022-05-16 | 2022-06-14 | 河南源宏高分子新材料有限公司 | 一种高分子材料再生过程中的分拣工艺 |
CN115731513A (zh) * | 2022-11-15 | 2023-03-03 | 杭州电子科技大学信息工程学院 | 基于数字孪生的智慧园区管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346807A (zh) * | 2014-06-05 | 2015-02-11 | 苏州大学 | 基于机器视觉的在线织物瑕疵检测与报警系统的检测方法 |
CN107643295A (zh) * | 2017-08-24 | 2018-01-30 | 中国地质大学(武汉) | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 |
CN108445011A (zh) * | 2018-03-12 | 2018-08-24 | 苏州天准科技股份有限公司 | 一种基于深度学习的瑕疵检测系统及方法 |
CN110245678A (zh) * | 2019-05-07 | 2019-09-17 | 华中科技大学 | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 |
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 |
CN111127383A (zh) * | 2019-03-15 | 2020-05-08 | 杭州电子科技大学 | 一种数码印花在线缺陷检测系统及其实现方法 |
-
2020
- 2020-06-11 CN CN202010530894.0A patent/CN111784644A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346807A (zh) * | 2014-06-05 | 2015-02-11 | 苏州大学 | 基于机器视觉的在线织物瑕疵检测与报警系统的检测方法 |
CN107643295A (zh) * | 2017-08-24 | 2018-01-30 | 中国地质大学(武汉) | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 |
CN108445011A (zh) * | 2018-03-12 | 2018-08-24 | 苏州天准科技股份有限公司 | 一种基于深度学习的瑕疵检测系统及方法 |
CN111127383A (zh) * | 2019-03-15 | 2020-05-08 | 杭州电子科技大学 | 一种数码印花在线缺陷检测系统及其实现方法 |
CN110245678A (zh) * | 2019-05-07 | 2019-09-17 | 华中科技大学 | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 |
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 |
Non-Patent Citations (1)
Title |
---|
BINWU: "The Defect Detection of Personalized Print Based On Template Matching", 《2017年IEEE国际无人系统会议(ICUS)》, pages 1 - 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561892A (zh) * | 2020-12-22 | 2021-03-26 | 东华大学 | 一种印花与提花面料的疵点检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN114619591A (zh) * | 2022-05-16 | 2022-06-14 | 河南源宏高分子新材料有限公司 | 一种高分子材料再生过程中的分拣工艺 |
CN114619591B (zh) * | 2022-05-16 | 2022-08-26 | 河南源宏高分子新材料有限公司 | 一种高分子材料再生过程中的分拣工艺 |
CN115731513A (zh) * | 2022-11-15 | 2023-03-03 | 杭州电子科技大学信息工程学院 | 基于数字孪生的智慧园区管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784644A (zh) | 基于深度学习的印花瑕疵检测方法及系统 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN104809422B (zh) | 基于图像处理的qr码识别方法 | |
EP1808018B1 (en) | Image sensor annotation method and apparatus | |
CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
JP2020106467A (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
CN113989794B (zh) | 一种车牌检测和识别方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN112070712B (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
CN111210417B (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
CN115731400A (zh) | 基于自监督学习的x光图像异物检测方法 | |
CN111667465A (zh) | 一种基于远红外图像的金属洗手盆缺陷检测方法 | |
CN114882216A (zh) | 一种基于深度学习的服装钉扣质量检测方法、系统及介质 | |
CN111881924B (zh) | 结合光照不变性与短曝光光照增强的暗光车照识别方法 | |
CN113012228A (zh) | 一种工位定位系统及基于深度学习的工件定位方法 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
Zhu et al. | Toward generalist anomaly detection via in-context residual learning with few-shot sample prompts | |
CN113902765B (zh) | 基于全景分割的半导体自动分区方法 | |
CN116645571A (zh) | 瑕疵样本生成方法、装置、存储介质及电子设备 | |
Haik et al. | A novel inspection system for variable data printing using deep learning | |
CN113781449A (zh) | 一种基于多尺度特征融合的纺织品瑕疵分类方法 | |
CN115479891A (zh) | 基于图像识别的电路板载元器件自动检测系统和方法 | |
CN115239615A (zh) | 基于ctpn的布匹缺陷检测方法 |
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 |