CN111860579A - 布面瑕疵识别方法、系统和存储介质 - Google Patents

布面瑕疵识别方法、系统和存储介质 Download PDF

Info

Publication number
CN111860579A
CN111860579A CN202010516473.2A CN202010516473A CN111860579A CN 111860579 A CN111860579 A CN 111860579A CN 202010516473 A CN202010516473 A CN 202010516473A CN 111860579 A CN111860579 A CN 111860579A
Authority
CN
China
Prior art keywords
cloth
image
average value
defect type
belonging
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
Application number
CN202010516473.2A
Other languages
English (en)
Inventor
黄思东
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.)
Guangzhou Star Seeking Network Technology Co Ltd
Original Assignee
Guangzhou Star Seeking Network 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 Guangzhou Star Seeking Network Technology Co Ltd filed Critical Guangzhou Star Seeking Network Technology Co Ltd
Priority to CN202010516473.2A priority Critical patent/CN111860579A/zh
Publication of CN111860579A publication Critical patent/CN111860579A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • G01N2021/8444—Fibrous material
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (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)

Abstract

本发明公开了一种布面瑕疵识别方法、系统和存储介质，方法包括以下步骤：获取布匹图像；将所述布匹图像分割为尺寸相同的多个子图；通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数；根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。本发明通过分割的方式可以降低图像的大小，使得存在瑕疵的子图中，瑕疵占子图面积的比例相对于瑕疵占全图的比例增加，从而增加识别的准确性，并且通过计算前N个的得分均值作为判断依据，进一步增加了识别的准确性。本发明可以广泛应用于图像识别技术。

Description

布面瑕疵识别方法、系统和存储介质
技术领域
本发明涉及图像识别技术，尤其是一种布面瑕疵识别方法、系统和存储介质。
背景技术
织布机生产时，一旦出现故障，生产的布匹会产生瑕疵。然而，布匹的生产设备并不能够检测到自身所有的故障。例如，织布机中某个部件轻微变形，导致布匹出现缺经或者缺纬的时候，布匹生产设备本身并不能发现。
现有技术中，通过图像识别的方式可以检验布匹是否存在缺陷，但是发明人发现，现有技术中，通过对拍摄的图像进行识别的准确率比较低，其原因是瑕疵占据整个图像的面积较小。
发明内容
为解决上述技术问题的至少之一，本发明的目的在于：提供一种布面瑕疵识别方法、系统和存储介质，以提升瑕疵识别的准确率。
第一方面，本发明实施例提供了：
一种布面瑕疵识别方法，包括以下步骤：
获取布匹图像；
将所述布匹图像分割为尺寸相同的多个子图；
通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；
计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数；
根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。
进一步，所述缺陷类型有多个；
所述计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值，包括：
针对每个缺陷类型都进行以下计算：
计算各所述子图中属于相同缺陷类型的得分最大的前N个所述子图的对应得分的平均值；
所述根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷，包括：
对应任一缺陷类型的平均值满足预设条件，则判定图像中布匹存在缺陷。
进一步，所述方法还包括以下步骤：
当设定时间内获取的所述布匹图像中超过M个被判定为图像中布匹存在缺陷，则触发报警。
进一步，所述分类模型通过以下方式得到：
获取第一训练集合，所述第一训练集合中包括多个被标注的训练样本，所述训练样本为布匹图像的子图；
对所述第一训练集合中的训练样本进行对比度变换、亮度变换、添加随机噪声、添加随机模糊或者随机翻转中的至少一种处理，得到新的训练样本；
将所述新的训练样本添加到所述第一训练集合中，得到第二训练集合；
利用第二训练集合对参数随机初始化的分类模型进行训练，得到所述分类模型。
第二方面，本发明实施例提供了：
一种布面瑕疵识别系统，包括：
获取单元，用于获取布匹图像；
分割单元，用于将所述布匹图像分割为尺寸相同的多个子图；
分类单元，用于通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；
计算单元，用于计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数；
判断单元，用于根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。
第三方面，本发明实施例提供了：
一种布面瑕疵识别系统，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行所述的布面瑕疵识别方法。
第四方面，本发明实施例提供了：
一种布面瑕疵识别系统，包括：
摄像机，用于拍摄布匹图像；
控制器，用于获取所述布匹图像，将所述布匹图像分割为尺寸相同的多个子图；通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷；其中，N为大于等于2的整数；
继电器，受控于所述控制器，用以控制布匹处理设备；
所述控制器根据图像中布匹存在缺陷的情况控制所述继电器。
进一步，所述缺陷类型有多个；
所述计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值，包括：
针对每个缺陷类型都进行以下计算：
计算各所述子图中属于相同缺陷类型的得分最大的前N个所述子图的对应得分的平均值；
所述根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷，包括：
对应任一缺陷类型的平均值满足预设条件，则判定图像中布匹存在缺陷。
进一步，控制器还用于当设定时间内获取的所述布匹图像中超过M个被判定为图像中布匹存在缺陷，则触发报警；
所述控制器在触发报警时，控制所述继电器切换状态，以控制布匹处理设备停止作业。
第五方面，本发明实施例提供了：
一种存储介质，其存储有程序，所述程序被处理器执行时实现所述的布面瑕疵识别方法。
本发明实施例的有益效果是：本发明对布匹图像进行分割，然后对分割后的子图进行识别，并将属于缺陷类型得分最大的前N个子图的得分求平均，以此来判断布匹图像中的布匹是否存在瑕疵，通过分割的方式可以降低图像的大小，使得存在瑕疵的子图中，瑕疵占子图面积的比例相对于瑕疵占全图的比例增加，从而增加识别的准确性，另外，以属于缺陷类型得分最大的前N个子图的得分来求平均值，利用了布匹通常横跨多个子图的规律，以该平均值来判断布匹是否存在瑕疵，可以进一步增加准确性。
附图说明
图1为本发明实施例提供的一种瑕疵识别方法的步骤流程图；
图2为本发明实施例提供的一种分类模型的示意图；
图3为本发明实施例提供的另一种瑕疵识别方法的步骤流程图；
图4为本发明实施例提供的一种瑕疵识别系统的模块框图。
具体实施方式
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
参照图1，本实施例公开了一种布面瑕疵识别方法，包括以下步骤：
步骤110、获取布匹图像。
在本实施例中，布匹图像是通过安装在布匹处理设备上的摄像头所拍摄的图像，其为实时获取的图像。在本实施例的布匹图像中，只包含布匹的表面图像，不包含其他非布匹的图像。当然，在一些实施例中，布匹图像可以是由摄像头拍摄的图像裁剪得到的。
步骤120、将所述布匹图像分割为尺寸相同的多个子图。
在本实施例中，由于神经网络的输入层大小是固定的，因此，子图需要分割成尺寸相同的子图。在本实施例中，可以将布匹图像分割成3*3个子图。需要理解的是，在另一些实施例中，该划分方式也可以是4*4、2*5等等，具体视神经网络的输入层和布匹图像的参数而定。如图2所示，图2左侧是典型的缺经的图像，图2右侧是经过分割后的图像，可见缺经部分贯穿了多个子图，而相较于缺经部分占全图的面积比例而言，包含缺经部分的子图中的缺经面积占子图的面积比例显然更大，也就是说，在子图中缺陷更加明显，因此，从包含缺经部分的子图中识别缺陷是更加容易的。
步骤130、通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分。
在本实施例中，所指的缺陷类型可以是一种或者多种。
在缺陷类型只有一种的情况下，本步骤实际上是在对布匹图像中的布匹是否存在缺陷进行分类，即分类结果只有存在缺陷和正常两种，而分类模型会输出属于这两种结果的概率。
在缺陷类型有多种的情况下，例如，如图3所示，分类模型的分类包括正常、缺纬和缺经两种缺陷。
如图3所示，本实施例的分类模型的输入为64*64大小的子图，分类模型中间包括多个卷积神经网络层，用以提取特征，最后经过分类器，输出各分类的分值。
需要理解的是本实施例所采用的卷积神经网络可以是CNN网络，分类器可以采用softmax、sigmoid等分类器。所述分类模型经过大量的训练样本的训练，能够满足一定的准确度。
步骤140、计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数。
在本实施例中，按照缺经和缺纬两种缺陷的特点，如果对图像进行X*X的分割，缺陷一般会贯穿至少两个子图。因此，按照这规律将属于缺陷类型的得分最大的前几个子图的得分求平均。假定将缺经和缺纬都归为一个分类，那么假设将全图分割为3*3个子图，缺经贯穿子图1～3，子图1～3属于缺陷类型的得分分别为：0.8、0.9和0.7，子图4～9属于缺陷类型的得分分别是0.1、0.15、0.1、0.15、0.1和0.15。可以求算的，最大的三个数值的平均值为0.8。当然，我们也可以设置为求算最大的两个得分的平均值。
步骤150、根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。
在本实施例中，通过将平均值和阈值进行比较，例如，可以将阈值设置为0.7，那么将平均值0.8和阈值0.7进行比较，可以确定平均值大于阈值，因此可以判定图像中的布匹存在缺陷。
在一些实施例中，所述缺陷类型有多个；
所述计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值，包括：
针对每个缺陷类型都进行以下计算：
计算各所述子图中属于相同缺陷类型的得分最大的前N个所述子图的对应得分的平均值；
所述根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷，包括：
对应任一缺陷类型的平均值满足预设条件，则判定图像中布匹存在缺陷。
在本实施例中，针对每一个缺陷类型都进行平均值的计算，当任意一个缺陷类型的平均值大于设定的阈值，则判定布匹中存在缺陷。例如，阈值为0.5，属于缺经类型的平均值为0.7，缺纬类型的得分为0.2，可以判定图像中的布匹存在缺陷。同样，属于缺经类型的平均值为0.7，缺纬类型的得分为0.8，也会判定图像中的布匹存在缺陷，而且是同时存在缺经类型和缺纬类型的缺陷。
在一些实施例中，所述方法还包括以下步骤：
当设定时间内获取的所述布匹图像中超过M个被判定为图像中布匹存在缺陷，则触发报警。
在本实施例中，触发报警的目的是让产线工人及时停线。但是在现实情况中，停线会造成生产延误，如果频繁误报，会导致生产线无法正常生产。发明人发现，布匹的缺陷往往是连续出现的，不是单独出现的，因此通过设置一个连续判定缺陷的条件来作为触发报警的条件，可以减少误报的情况。当然，需要理解的是，布匹图像的获取的间隔是根据布匹移动的速度设定的，一般情况下每个布匹图像拍摄的布匹表面都是不重复的。
在一些实施例中，所述分类模型通过以下方式得到：
获取第一训练集合，所述第一训练集合中包括多个被标注的训练样本，所述训练样本为布匹图像的子图；
对所述第一训练集合中的训练样本进行对比度变换、亮度变换、添加随机噪声、添加随机模糊或者随机翻转中的至少一种处理，得到新的训练样本，本步骤为数据增广的过程。
将所述新的训练样本添加到所述第一训练集合中，得到第二训练集合；
利用第二训练集合对参数随机初始化的分类模型进行训练，得到所述分类模型。
具体地，在本实施例中，首先采集正常和存在缺陷的布匹图像，然后对这些图像进行分割，例如，根据模型的输入层的大小将图像分割成3*3的9个子图。接着对这些子图进行人工标注，作为训练集合。但是由于样本的标注成本较高，而且仅采样真实图像对模型进行训练，会使得模型的抗噪声能力不足，鲁棒性较低。因此，本实施例通过对比度变换、亮度变换、添加随机噪声、添加随机模糊或者随机翻转等处理，对经过标注的子图进行变换，从而扩充训练集合。一方面，较少了样本标注的成本，另一方面通过图像处理的方式增加噪声，使得经过含有噪声的样本训练后的模型鲁棒性更强，具有更好的抗噪声能力。
需要理解的是，本实施例中，可以对每个子图进行多种处理，从而得到多个经过处理的子图，并可以将这些子图全部添加到训练集合中。
参照图4，本实施例公开了一种布面瑕疵识别系统，包括：
摄像机，用于拍摄布匹图像；
控制器，用于获取所述布匹图像，将所述布匹图像分割为尺寸相同的多个子图；通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷；其中，N为大于等于2的整数；
继电器，受控于所述控制器，用以控制布匹处理设备；
所述控制器根据图像中布匹存在缺陷的情况控制所述继电器。
在本实施例中，该摄像机可以采用高速摄像机进行拍摄，在取样时可以按照一定的时间间隔进行取样。
在本实施例中，继电器用于控制布匹处理设备的启动和停止，当控制器判定需要定制设备时，会控制继电器切换状态，例如，从闭合状态切换为断开状态。
在一些实施例中，还包括显示屏，显示屏用于显示被判定存在缺陷的布匹图像以及显示报警信息等。
在一些实施例中，所述缺陷类型有多个；
所述计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值，包括：
针对每个缺陷类型都进行以下计算：
计算各所述子图中属于相同缺陷类型的得分最大的前N个所述子图的对应得分的平均值；
所述根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷，包括：
对应任一缺陷类型的平均值满足预设条件，则判定图像中布匹存在缺陷。
在一些实施例中，控制器还用于当设定时间内获取的所述布匹图像中超过M个被判定为图像中布匹存在缺陷，则触发报警；
所述控制器在触发报警时，控制所述继电器切换状态，以控制布匹处理设备停止作业。
第五方面，本发明实施例提供了：
本实施例公开了一种布面瑕疵识别系统，包括：
获取单元，用于获取布匹图像；
分割单元，用于将所述布匹图像分割为尺寸相同的多个子图；
分类单元，用于通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；
计算单元，用于计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数；
判断单元，用于根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。
本实施例公开了一种布面瑕疵识别系统，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行所述的布面瑕疵识别方法。
本实施例公开了一种存储介质，其存储有程序，所述程序被处理器执行时实现所述的布面瑕疵识别方法。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种布面瑕疵识别方法，其特征在于，包括以下步骤：
获取布匹图像；
将所述布匹图像分割为尺寸相同的多个子图；
通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；
计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数；
根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。
2.根据权利要求1所述的布面瑕疵识别方法，其特征在于：所述缺陷类型有多个；
所述计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值，包括：
针对每个缺陷类型都进行以下计算：
计算各所述子图中属于相同缺陷类型的得分最大的前N个所述子图的对应得分的平均值；
所述根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷，包括：
对应任一缺陷类型的平均值满足预设条件，则判定图像中布匹存在缺陷。
3.根据权利要求1所述的布面瑕疵识别方法，其特征在于：所述方法还包括以下步骤：
当设定时间内获取的所述布匹图像中超过M个被判定为图像中布匹存在缺陷，则触发报警。
4.根据权利要求1所述的布面瑕疵识别方法，其特征在于：所述分类模型通过以下方式得到：
获取第一训练集合，所述第一训练集合中包括多个被标注的训练样本，所述训练样本为布匹图像的子图；
对所述第一训练集合中的训练样本进行对比度变换、亮度变换、添加随机噪声、添加随机模糊或者随机翻转中的至少一种处理，得到新的训练样本；
将所述新的训练样本添加到所述第一训练集合中，得到第二训练集合；
利用第二训练集合对参数随机初始化的分类模型进行训练，得到所述分类模型。
5.一种布面瑕疵识别系统，其特征在于，包括：
获取单元，用于获取布匹图像；
分割单元，用于将所述布匹图像分割为尺寸相同的多个子图；
分类单元，用于通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；
计算单元，用于计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；其中，N为大于等于2的整数；
判断单元，用于根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷。
6.一种布面瑕疵识别系统，其特征在于，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行如权利要求1-4任一项所述的方法。
7.一种布面瑕疵识别系统，其特征在于，包括：
摄像机，用于拍摄布匹图像；
控制器，用于获取所述布匹图像，将所述布匹图像分割为尺寸相同的多个子图；通过分类模型对所述多个所述子图进行分类，得到各所述子图属于缺陷类型的得分；计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值；根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷；其中，N为大于等于2的整数；
继电器，受控于所述控制器，用以控制布匹处理设备；
所述控制器根据图像中布匹存在缺陷的情况控制所述继电器。
8.根据权利要求6所述的布面瑕疵识别系统，其特征在于，所述缺陷类型有多个；
所述计算各所述子图中属于缺陷类型的得分最大的前N个所述子图的对应得分的平均值，包括：
针对每个缺陷类型都进行以下计算：
计算各所述子图中属于相同缺陷类型的得分最大的前N个所述子图的对应得分的平均值；
所述根据所述平均值是否满足预设条件来判断图像中布匹是否存在缺陷，包括：
对应任一缺陷类型的平均值满足预设条件，则判定图像中布匹存在缺陷。
9.根据权利要求6所述的布面瑕疵识别系统，其特征在于，控制器还用于当设定时间内获取的所述布匹图像中超过M个被判定为图像中布匹存在缺陷，则触发报警；
所述控制器在触发报警时，控制所述继电器切换状态，以控制布匹处理设备停止作业。
10.一种存储介质，其存储有程序，其特征在于，所述程序被处理器执行时实现如权利要1-4任一项所述的方法。
CN202010516473.2A 2020-06-09 2020-06-09 布面瑕疵识别方法、系统和存储介质 Pending CN111860579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010516473.2A CN111860579A (zh) 2020-06-09 2020-06-09 布面瑕疵识别方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010516473.2A CN111860579A (zh) 2020-06-09 2020-06-09 布面瑕疵识别方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN111860579A true CN111860579A (zh) 2020-10-30

Family

ID=72987820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010516473.2A Pending CN111860579A (zh) 2020-06-09 2020-06-09 布面瑕疵识别方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN111860579A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0742431A1 (en) * 1995-05-10 1996-11-13 Mahlo GmbH & Co. KG Method and apparatus for detecting flaws in moving fabrics or the like
JP2006303952A (ja) * 2005-04-21 2006-11-02 Canon Inc 画像処理装置、画像処理方法及び記憶媒体
JP2014167456A (ja) * 2013-01-30 2014-09-11 Toyama Prefecture 布地の欠陥検査方法と装置
US20160328837A1 (en) * 2015-05-08 2016-11-10 Kla-Tencor Corporation Method and System for Defect Classification
CN109583489A (zh) * 2018-11-22 2019-04-05 中国科学院自动化研究所 缺陷分类识别方法、装置、计算机设备和存储介质
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN110298838A (zh) * 2019-07-09 2019-10-01 国信优易数据有限公司 一种确定样本图像的方法、装置、设备和存储介质
CN110889837A (zh) * 2019-11-25 2020-03-17 东华大学 一种具有瑕疵分级功能的布匹瑕疵检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0742431A1 (en) * 1995-05-10 1996-11-13 Mahlo GmbH & Co. KG Method and apparatus for detecting flaws in moving fabrics or the like
JP2006303952A (ja) * 2005-04-21 2006-11-02 Canon Inc 画像処理装置、画像処理方法及び記憶媒体
JP2014167456A (ja) * 2013-01-30 2014-09-11 Toyama Prefecture 布地の欠陥検査方法と装置
US20160328837A1 (en) * 2015-05-08 2016-11-10 Kla-Tencor Corporation Method and System for Defect Classification
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN109583489A (zh) * 2018-11-22 2019-04-05 中国科学院自动化研究所 缺陷分类识别方法、装置、计算机设备和存储介质
CN110298838A (zh) * 2019-07-09 2019-10-01 国信优易数据有限公司 一种确定样本图像的方法、装置、设备和存储介质
CN110889837A (zh) * 2019-11-25 2020-03-17 东华大学 一种具有瑕疵分级功能的布匹瑕疵检测方法

Similar Documents

Publication Publication Date Title
CN107194559B (zh) 一种基于三维卷积神经网络的工作流识别方法
CN109781733B (zh) 缺陷检查装置、缺陷检查方法及计算机可读存储介质
EP3379491A1 (en) Surface defect detection
JP4668921B2 (ja) 画像中のオブジェクト検出
JPWO2020031984A1 (ja) 部品の検査方法及び検査システム
Bong et al. Vision-based inspection system for leather surface defect detection and classification
CN111126165A (zh) 黑烟车检测方法、装置及电子设备
CN110567969B (zh) 用于织物缺陷检测的图像识别方法及其系统
CN111223129A (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
CN111861990A (zh) 一种产品不良外观检测的方法、系统及存储介质
CN114255212A (zh) 一种基于cnn的fpc表面缺陷检测方法及其系统
US20220284567A1 (en) Teacher data generation method, trained learning model, and system
CN111860579A (zh) 布面瑕疵识别方法、系统和存储介质
US20230053838A1 (en) Image recognition apparatus, image recognition method, and recording medium
CN109657577B (zh) 一种基于熵和运动偏移量的动物检测方法
CN113469913B (zh) 基于渐进循环生成对抗网络的热轧带钢表面水滴去除方法
Sun et al. A real-time video surveillance and state detection approach for elevator cabs
US11120541B2 (en) Determination device and determining method thereof
CN115272284A (zh) 基于图像质量评估的输电线路缺陷识别方法
CN114235810A (zh) 一种基于面阵工业相机的布匹瑕疵自动检测方法
CN111539277A (zh) 一种输电线路区域内施工机械的检测方法及系统
CN115104136A (zh) 用于基于利用机器学习模型的输出的视觉证据而检测视频信号中的对象的设备、方法和计算机可读存储介质
Bai et al. An improved vibe algorithm for quickly suppressing ghosts
Ye Fabric defect detection using fuzzy inductive reasoning based on image histogram statistic variables
US20240153061A1 (en) Inspection device, inspection method, and recording medium

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