CN112561892A - 一种印花与提花面料的疵点检测方法 - Google Patents
一种印花与提花面料的疵点检测方法 Download PDFInfo
- Publication number
- CN112561892A CN112561892A CN202011525161.4A CN202011525161A CN112561892A CN 112561892 A CN112561892 A CN 112561892A CN 202011525161 A CN202011525161 A CN 202011525161A CN 112561892 A CN112561892 A CN 112561892A
- Authority
- CN
- China
- Prior art keywords
- image
- fabric
- detected
- defects
- matrix
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明要解决的技术问题是：传统印花与提花面料疵点检测采用人工检测方法。为了解决上述技术问题，本发明的技术方案是提供了一种印花与提花面料的疵点检测方法，其特征在于，通过将模板花纹图案与待检面料图案进行特征提取，将高维图像数据转化为低维的特征向量，通过特征向量相减的方式实现模板花纹背景与疵点的分离。本发明针对印花或提花图案周期性出现的特点，设计了一种面向印花与提花面料的疵点的特征相减机制与检测方法，可以准确、高效地检测出印花与提花面料的表面疵点。
Description
技术领域
本发明涉及产品表面缺陷检测技术领域，特别是涉及印花与提花面料的产品表面缺陷检测。
背景技术
面料表面质量影响着产品价格以及纺织企业的市场声誉，直接决定企业的生存。随着纺织面料企业的生产水平与产品产量提高，对面料产品外观检测的精准度及效率要求也在提升。印花面料由于图案背景复杂，疵点与背景花纹难以分离，其自动化检测难以实现。
传统印花与提花面料疵点检测采用人工检测方法，人工检测无统一标准，漏检与误检率高且效率低，无法满足工厂大量生产的效率要求。另一方面，工人工资高，这提高了企业生产的成本。因此，急需突破当前基于人工检测的印花与提花面料疵点检测方法，提高纺织企业产品检测的自动化智能化水平，为纺织企业提供一种智能化的方法来提高印花与提花面料疵点检测的效率与准确度。
发明内容
本发明要解决的技术问题是：传统印花与提花面料疵点检测采用人工检测方法。
为了解决上述技术问题，本发明的技术方案是提供了一种印花与提花面料的疵点检测方法，其特征在于，针对印花或提花图案周期性出现的特点，提供了一种模板花纹图案与待检面料图案特征相减的疵点检测方法，包括以下步骤：设计双通道特征分离神经网络模型，该双通道特征分离神经网络模型通过将模板花纹图案与待检面料图案进行特征提取，将高维图像数据转化为低维的特征向量，随后通过特征向量相减的方式实现模板花纹背景与疵点的分离以及最终的检测。
优选地，所述双通道特征分离神经网络模型由模块一与模块二组成：
所述模块一为双通道图像特征提取与分离网络模块，由卷积层和池化层构成，包括两个平行通道的卷积神经网络，通道一的卷积神经网络输入为待检面料图像x，通道二的卷积神经网路输入为模板图像m，待检面料图像x经通道一处理后得到n维张量x′，模板图像m经通道二处理后得到n维张量m′，随后对包含特征信息的n维张量x′及n维张量m′进行相减得到n维张量l＝|x′-m′|，l为特征相减后留下的包含疵点信息的张量数据；
所述模块二为特征还原网络模块，由反卷积层构成，将所述模块一中计算得到的张量数据l输入模块二中，通过反卷积层将n维张量l最终计算为单层0/1矩阵。
优选地，具体包括以下步骤：
步骤1：根据无疵点的待检测面料模板建立花纹周期模板图像M，花纹周期模板图像M包含重复出现的印花与提花图案的最小周期；
步骤2：采集得到待检面料图像x，从花纹周期模板图像M中，通过对花纹信息的特征搜寻，整体进行特征点提取，随后进行特征点匹配，快速定位识别待检测面料图像x对应在花纹周期模板图像M中的位置与区域，将对应图像区域截取获得截取图像x1；
步骤3：对截取图像x1进行区域再采样，计算截取图像x1与待检测图像x之间的投影变换矩阵，利用该投影矩阵对截取图像x1进行投影变换，消除面料形变，获得与待检面料图像x花纹分布匹配一致的模板图像m；
步骤4：建立并训练所述双通道特征分离神经网络模型；
步骤5：将待检面料图像x与模板图像m分别输入训练后的所述双通道特征分离神经网络模型的两个通道最终得到一个单层0/1矩阵；
步骤6：利用单层0/1矩阵，对单层0/1矩阵中标注为1或标注为0的像素点的个数进行统计，基于个数判断待检面料是否存在疵点。
优选地，步骤4中，对所述双通道特征分离神经网络模型的训练包括以下步骤：
步骤401：获得训练图像集，训练图像集由多张疵点位置已知的面料图像组成；
步骤402：对训练图像集中的面料图像的疵点进行像素级标注，将面料图像中各疵点所在区域包含的所有像素点标注为1，其他区域的像素点标注为0，则生成与每张面料图像大小相同的标注0/1矩阵y′；
步骤403：采用步骤3及步骤4所述的方法获得训练图像集中每个面料图像的模板图像m；
步骤404：将训练图像集的面料图像及模板图像m的分别输入训练后的双通道特征分离神经网络模型的两个通道，最终得到一个单层0/1矩阵y；
步骤405：将单层0/1矩阵y与对应的标注0/1矩阵y′之间的交叉熵作为损失函数，通过梯度反向传播对所述双通道特征分离神经网络模型进行端对端训练。
优选地，步骤6中，对单层0/1矩阵中标注为1的像素点的个数进行统计，若获得的总数p超过阈值n，则认为待检面料存在疵点，对于存在疵点的待检面料进行报警处理。
本发明针对印花或提花图案周期性出现的特点，设计了一种面向印花与提花面料的疵点的特征相减机制与检测方法，可以准确、高效地检测出印花与提花面料的表面疵点。
本发明能够较好地满足印花与提花面料疵点检测任务，且高效准确，提高了印花与提花面料疵点检测的精准度与效率，具有很高的应用价值和经济效益，通过实际验证证明了此方法能够较好地应用到实际生产中的印花与提花面料疵点检测任务中。
附图说明
图1是本发明的算法流程图；
图2是本发明的模型图；
图3是本发明的模板图像匹配流程图；
图4是本发明的案例说明图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示，本发明提供了一种印花与提花面料的疵点检测方法，通过将模板花纹图案与待检面料图案进行特征提取，将高维图像数据转化为低维的特征向量，通过特征向量相减的方式实现模板花纹背景与疵点的分离，具体包括以下步骤：
步骤1：根据无疵点的待检测面料模板建立花纹周期模板图像M，花纹周期模板图像M包含重复出现的印花与提花图案的最小周期。
步骤2：建立并训练双通道特征分离神经网络模型，该双通道特征分离神经网络模型包括双通道图像特征提取与分离网络模块以及特征分离与还原网络模块，其中：
双通道图像特征提取与分离网络模块通过两个平行的通道分别获取输入图像的包含特征信息的两个张量数据，随后将两个张量数据相减后得到特征相减后的最终张量数据。本实施例中，双通道图像特征提取与分离网络模块中的两个平行通道采用卷积神经网络，选用VGG16卷积神经网络，VGG16卷积神经网络由卷积层和池化层构成，具体参数如图2所示。
特征分离与还原网络模块用于将双通道图像特征提取与分离网络模块输出的最终张量数据计算为单层0/1矩阵，由反卷积层构成，具体参数如图2所示。
对所述双通道特征分离神经网络模型的训练包括以下步骤：
步骤201：获得训练图像集，训练图像集由多张疵点位置已知的面料图像组成；
步骤202：对训练图像集中的面料图像的疵点进行像素级标注，将面料图像中各疵点所在区域包含的所有像素点标注为1，其他区域的像素点标注为0，则生成与每张面料图像大小相同的标注0/1矩阵y′；
步骤203：对于训练图像集中的面料图像，从花纹周期模板图像M中，通过对花纹信息的特征搜寻，整体进行特征点提取，随后进行特征点匹配，快速定位识别面料图像对应在花纹周期模板图像M中的位置与区域，将对应图像区域截取获得截取图像；
步骤204：对截取图像进行区域再采样，计算截取图像与面料图像之间的投影变换矩阵，利用该投影矩阵对截取图像进行投影变换，消除面料形变，获得与面料图像花纹分布匹配一致的模板图像m；
步骤205：将训练图像集的面料图像及模板图像m的分别输入训练后的双通道特征分离神经网络模型的两个通道，最终得到一个单层0/1矩阵y；
步骤205：将单层0/1矩阵y与对应的标注0/1矩阵y′之间的交叉熵作为损失函数，通过梯度反向传播对所述双通道特征分离神经网络模型进行端对端训练。
步骤3：采集得到待检面料图像x，从花纹周期模板图像M中，通过对花纹信息的特征搜寻，整体进行特征点提取，随后进行特征点匹配，快速定位识别待检测面料图像x对应在花纹周期模板图像M中的位置与区域，将对应图像区域截取获得截取图像x1；
步骤4：针对面料图像的旋转、缩放、拉伸等形变问题，对截取图像x1进行区域再采样，计算截取图像x1与待检测图像x之间的投影变换矩阵，利用该投影矩阵对截取图像x1进行投影变换，消除面料形变，获得与待检面料图像x花纹分布匹配一致的模板图像m。
步骤5：将待检面料图像x与模板图像m分别输入训练后的双通道特征分离神经网络模型。待检面料图像x与模板图像m分别输入训练后的双通道特征分离神经网络模型后，待检面料图像x经过双通道特征分离神经网络模型的一个通道处理后得到n维张量x′，模板图像m经过双通道特征分离神经网络模型的另一个通道处理后得到n维张量m′，随后双通道特征分离神经网络模型对包含特征信息的n维张量x′以及n维张量m′进行相减得到n维张量l＝|x′-m′|，由特征分离与还原网络模块将n维张量l计算为单层0/1矩阵。
步骤6：利用单层0/1矩阵，对单层0/1矩阵中标注为1的像素点的个数进行统计，若获得的总数p超过阈值n，则认为待检面料存在疵点，对于存在疵点的待检面料进行报警处理。
Claims (5)
1.一种印花与提花面料的疵点检测方法，其特征在于，针对印花或提花图案周期性出现的特点，提供了一种模板花纹图案与待检面料图案特征相减的疵点检测方法，包括以下步骤：设计双通道特征分离神经网络模型，该双通道特征分离神经网络模型通过将模板花纹图案与待检面料图案进行特征提取，将高维图像数据转化为低维的特征向量，随后通过特征向量相减的方式实现模板花纹背景与疵点的分离以及最终的检测。
2.如权利要求1所述的一种印花与提花面料的疵点检测方法，其特征在于，所述双通道特征分离神经网络模型由模块一与模块二组成：
所述模块一为双通道图像特征提取与分离网络模块，由卷积层和池化层构成，包括两个平行通道的卷积神经网络，通道一的卷积神经网络输入为待检面料图像x，通道二的卷积神经网路输入为模板图像m，待检面料图像x经通道一处理后得到n维张量x′，模板图像m经通道二处理后得到n维张量m′，随后对包含特征信息的n维张量x′及n维张量m′进行相减得到n维张量l＝|x′-m′|，l为特征相减后留下的包含疵点信息的张量数据；
所述模块二为特征还原网络模块，由反卷积层构成，将所述模块一中计算得到的张量数据l输入模块二中，通过反卷积层将n维张量l最终计算为单层0/1矩阵。
3.如权利要求2所述的一种印花与提花面料的疵点检测方法，其特征在于，具体包括以下步骤：
步骤1：根据无疵点的待检测面料模板建立花纹周期模板图像M，花纹周期模板图像M包含重复出现的印花与提花图案的最小周期；
步骤2：采集得到待检面料图像x，从花纹周期模板图像M中，通过对花纹信息的特征搜寻，整体进行特征点提取，随后进行特征点匹配，快速定位识别待检测面料图像x对应在花纹周期模板图像M中的位置与区域，将对应图像区域截取获得截取图像x1；
步骤3：对截取图像x1进行区域再采样，计算截取图像x1与待检测图像x之间的投影变换矩阵，利用该投影矩阵对截取图像x1进行投影变换，消除面料形变，获得与待检面料图像x花纹分布匹配一致的模板图像m；
步骤4：建立并训练所述双通道特征分离神经网络模型；
步骤5：将待检面料图像x与模板图像m分别输入训练后的所述双通道特征分离神经网络模型的两个通道最终得到一个单层0/1矩阵；
步骤6：利用单层0/1矩阵，对单层0/1矩阵中标注为1或标注为0的像素点的个数进行统计，基于个数判断待检面料是否存在疵点。
4.如权利要求3所述的一种印花与提花面料的疵点检测方法，其特征在于，步骤4中，对所述双通道特征分离神经网络模型的训练包括以下步骤：
步骤401：获得训练图像集，训练图像集由多张疵点位置已知的面料图像组成；
步骤402：对训练图像集中的面料图像的疵点进行像素级标注，将面料图像中各疵点所在区域包含的所有像素点标注为1，其他区域的像素点标注为0，则生成与每张面料图像大小相同的标注0/1矩阵y′；
步骤403：采用步骤3及步骤4所述的方法获得训练图像集中每个面料图像的模板图像m；
步骤404：将训练图像集的面料图像及模板图像m的分别输入训练后的双通道特征分离神经网络模型的两个通道，最终得到一个单层0/1矩阵y；
步骤405：将单层0/1矩阵y与对应的标注0/1矩阵y′之间的交叉熵作为损失函数，通过梯度反向传播对所述双通道特征分离神经网络模型进行端对端训练。
5.如权利要求3所述的一种印花与提花面料的疵点检测方法，其特征在于，步骤6中，对单层0/1矩阵中标注为1的像素点的个数进行统计，若获得的总数p超过阈值n，则认为待检面料存在疵点，对于存在疵点的待检面料进行报警处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011525161.4A CN112561892A (zh) | 2020-12-22 | 2020-12-22 | 一种印花与提花面料的疵点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011525161.4A CN112561892A (zh) | 2020-12-22 | 2020-12-22 | 一种印花与提花面料的疵点检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561892A true CN112561892A (zh) | 2021-03-26 |
Family
ID=75031217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011525161.4A Pending CN112561892A (zh) | 2020-12-22 | 2020-12-22 | 一种印花与提花面料的疵点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561892A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 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 |
| CN109800708A (zh) * | 2018-12-13 | 2019-05-24 | 程琳 | 基于深度学习的航空发动机孔探图像损伤智能识别方法 |
| CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
| CN111402203A (zh) * | 2020-02-24 | 2020-07-10 | 杭州电子科技大学 | 一种基于卷积神经网络的织物表面缺陷检测方法 |
| CN111784644A (zh) * | 2020-06-11 | 2020-10-16 | 上海布眼人工智能科技有限公司 | 基于深度学习的印花瑕疵检测方法及系统 |
| CN111815620A (zh) * | 2020-07-24 | 2020-10-23 | 中原工学院 | 一种基于卷积特征和低秩表示的织物疵点检测方法 |
-
2020
- 2020-12-22 CN CN202011525161.4A patent/CN112561892A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 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 |
| CN109800708A (zh) * | 2018-12-13 | 2019-05-24 | 程琳 | 基于深度学习的航空发动机孔探图像损伤智能识别方法 |
| CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
| CN111402203A (zh) * | 2020-02-24 | 2020-07-10 | 杭州电子科技大学 | 一种基于卷积神经网络的织物表面缺陷检测方法 |
| CN111784644A (zh) * | 2020-06-11 | 2020-10-16 | 上海布眼人工智能科技有限公司 | 基于深度学习的印花瑕疵检测方法及系统 |
| CN111815620A (zh) * | 2020-07-24 | 2020-10-23 | 中原工学院 | 一种基于卷积特征和低秩表示的织物疵点检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
| CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
| CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
| CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
| CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
| CN105389581B (zh) | 一种胚芽米胚芽完整度智能识别系统及其识别方法 | |
| CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
| CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
| CN106529378B (zh) | 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法 | |
| CN114155527A (zh) | 一种场景文本识别方法和装置 | |
| CN107341538A (zh) | 一种基于视觉的统计数量方法 | |
| CN105160339A (zh) | 一种二维码打印质量在线评估方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN112926563B (zh) | 一种钢卷喷印标记故障诊断系统 | |
| JP2022027473A5 (zh) | ||
| CN113324864A (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
| CN107067373B (zh) | 一种基于0范数的梯度最小化二值图像复原方法 | |
| CN109740609A (zh) | 一种轨距检测方法及装置 | |
| CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
| CN110288033A (zh) | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 | |
| CN115147363A (zh) | 一种基于深度学习算法的影像缺陷检测和分类方法及系统 | |
| CN115937651A (zh) | 基于改进的yolov5s网络模型的圆柱滚子表面检测方法及系统 |
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: 20210326 |