CN112748116A - 一种医用纱布表面缺陷在线检测方法与装置 - Google Patents
一种医用纱布表面缺陷在线检测方法与装置 Download PDFInfo
- Publication number
- CN112748116A CN112748116A CN202011539375.7A CN202011539375A CN112748116A CN 112748116 A CN112748116 A CN 112748116A CN 202011539375 A CN202011539375 A CN 202011539375A CN 112748116 A CN112748116 A CN 112748116A
- Authority
- CN
- China
- Prior art keywords
- gauze
- dirt
- dirty
- detection
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000011109 contamination Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000010963 304 stainless steel Substances 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像识别与分割技术领域，特别涉及一种医用纱布表面缺陷在线检测方法与装置，该方法包含对分切机分切的纱布进行图像采集；对纱布上脏污进行检测和脏污等级评估；当纱布脏污等级达到预设等级时，向分切机发送缺陷报警停机信号。该装置包括相机支撑模块，用于架设相机；图像采集模块，用于采集纱布图像；脏污检测模块，用于对纱布上脏污进行检测；缺陷报警停机模块，用于向分切机发送缺陷报警停机信号。本发明不仅可以处理深色脏污，并且对杂色线和淡黄色油污有很好的适应性，大大提高了脏污检出率。
Description
技术领域
本发明属于图像识别与分割技术领域，特别涉及一种医用纱布表面缺陷在线检测方法与装置。
背景技术
随着新型冠状病毒疫情的发展，全世界对卫生材料，特别是口罩、医用纱布等需求量猛增。众所周知，在医用纱布的生产过程中，在最后的消毒杀菌阶段之前，所有的生产流程都是在非无菌环境下进行的。由此医用纱布上会出现一些脏污，从而影响纱布的正常使用。另外，纱布用户若发现纱布上存在脏污，并投诉到监管部门，监管部门会对纱布生产企业进行处罚。然而，目前医用纱布脏污检测主要依靠人工，但是纱布生产速度快，以及人眼的生理特性，脏污的实际检出率很低，无法满足实际生产的需求。
现有方案中，很少有对纱布表面脏污进行处理的。有些方案采用固定阈值分割的方法，来区分纱布表面是否存在深色脏污。然而，该方法只适用于纱布表面的深色脏污，对于杂色线以及淡黄色油污无法很好的处理和覆盖。
发明内容
针对现有技术中存在的问题，本发明提出了一种医用纱布表面缺陷在线检测方法与装置，不仅可以处理深色脏污，并且对杂色线和淡黄色油污有很好的适应性，大大提高了脏污检出率。
为了实现上述目的，本发明采用以下的技术方案：
本发明提供了一种医用纱布表面缺陷在线检测方法，包含以下步骤：
对分切机分切的纱布进行图像采集；
对纱布上脏污进行检测和脏污等级评估；
当纱布脏污等级达到预设等级时，向分切机发送缺陷报警停机信号。
进一步地，所述对分切机分切的纱布进行图像采集包括：
采用RGB彩色相机并利用外部触发的方式对图像进行采集，分切机每分切一次，发出一个触发信号给相机，相机采集一张图像。
进一步地，所述对纱布上脏污进行检测和脏污等级评估的过程分为两个阶段，第一阶段是脏污粗检测，若第一阶段未检测到纱布上的脏污信息，则进入第二阶段，第二阶段是脏污语义分割和脏污等级评估。
进一步地，所述脏污粗检测的过程为：
对相机采集的RGB图像采用大津阈值法获取二值图像；
采用中值滤波器对二值图像进行滤波，得到滤波后的图像；
采用轮廓查找的方法，得到脏污区域的轮廓信息，根据设定的脏污轮廓阈值，输出是否存在脏污的信号。
进一步地，所述脏污语义分割的过程为：
采用纱布脏污编码器Encoder1提取相机采集的RGB图像特征，得到纱布脏污特征图FeatureMap1；
采用纱布脏污解码器Decoder1对输入的纱布脏污特征图FeatureMap1进行解码，得到纱布上脏污的遮罩信息Segmentation。
进一步地，对脏污语义分割的训练过程为：网络输入为RGB图像，输出为纱布上脏污的遮罩信息，监督信息是人工标注的脏污区域的二值图像，索引1代表脏污区域，索引0代表纱布背景区域；采用交叉熵损失函数，对纱布脏污语义分割网络的参数进行迭代更新，最终得到纱布上脏污的遮罩信息Segmentation。
进一步地，所述脏污等级评估包括：
在得到纱布上脏污的遮罩信息Segmentation后，经过后处理操作得到脏污的ROI区域小图；
采用脏污等级编码器Encoder2，提取小图特征，得到对应的纱布脏污等级特征图FeatureMap2；
最后采用全连接层FC将特征信息展平，得到脏污的等级信息。
本发明还提供了一种医用纱布表面缺陷在线检测装置，包括：
相机支撑模块，用于架设相机；
图像采集模块，用于采集纱布图像；
脏污检测模块，用于对纱布上脏污进行检测；
缺陷报警停机模块，用于向分切机发送缺陷报警停机信号。
进一步地，所述脏污检测模块包括：
脏污粗检测模块，用于粗略检测纱布上脏污；
脏污遮罩预测模块，用于得到纱布上脏污的遮罩信息Segmentation；
脏污等级预测模块，用于得到脏污的等级信息。
与现有技术相比，本发明具有以下优点：
针对目前纱布脏污解决方案空白，以及其他缺陷检测主要依靠固定阈值分割的方法，准确率低、适应场景狭窄的问题，本发明提出了一种医用纱布表面缺陷在线检测方法，首先利用分切机内部信号触发方式对纱布图像进行采集，实现了纱布图像的实时获取，然后进行两阶段纱布脏污在线检测，第一阶段进行脏污粗检测，若脏污粗检测未检测到纱布上的脏污信息，则进入脏污检测第二阶段，第二阶段利用了深度神经网络强大的特征提取功能，可以将脏污检测的目标延伸到杂色线、浅色油污等传统图像处理算法以及传统机器学习算法无法解决的领域，检测到脏污信息以后，进一步采用深度神经网络来预测脏污的等级信息，实施者可以根据实际需要动态选择需要剔除的脏污等级标准，为缺陷报警停机模块发送合适的剔除信号；本发明替代人工检出，大大提高了脏污检出率，节约了人工成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例的医用纱布表面缺陷在线检测方法的流程示意图；
图2是本发明实施例的医用纱布表面缺陷在线检测装置的结构框图；
图3是本发明实施例的脏污检测模块的结构框图；
图4是本发明实施例的图像采集模块的结构示意图。
图中序号所代表的含义为：
21.相机支撑模块，22.图像采集模块，23.脏污检测模块，230.脏污粗检测模块，231.脏污遮罩预测模块，232.脏污等级预测模块，24.缺陷报警停机模块，31相机，32.背景板，33.纱布匹。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例的医用纱布表面缺陷在线检测方法，包含以下步骤：
步骤S11，对分切机分切的纱布进行图像采集。
采用RGB彩色相机并利用外部触发的方式对图像进行采集，分切机每分切一次，发出一个触发信号给相机，相机采集一张图像；需要说明的是，相机采集的前后两张图像需要有一定的重合区域，从而防止缺陷漏检的情况发生；其中外部触发信号除了来源于分切机的切割信号，还可以采用固定延时的方式采集图像。该方式保证了本发明可以在线检测脏污，并实时剔除含脏污的纱布。
步骤S12，对纱布上脏污进行检测和脏污等级评估，分为两个阶段，第一阶段是脏污粗检测，若脏污检测第一阶段未检测到纱布上的脏污信息，则进入脏污检测第二阶段，第二阶段是脏污语义分割和脏污等级评估。
第一阶段脏污粗检测包括：
步骤S121，对相机采集的RGB图像采用大津阈值法获取二值图像。
步骤S122，采用中值滤波器对二值图像进行滤波，得到滤波后的图像，以消除噪点对检测结果的影响，中值滤波公式如下：
其中，g(x,y)表示当前像素点滤波后的结果，f表示某点(x,y)的像素值，s表示中值滤波模板大小，M表示当前模板的元素数量。
步骤S123，采用轮廓查找的方法，得到脏污区域的轮廓信息，根据设定的脏污轮廓阈值，输出是否存在脏污的信号，此阶段检测到脏污后，定义该缺陷等级为最高级。
第二阶段的脏污语义分割包括：
步骤S124，采用纱布脏污编码器Encoder1提取相机采集的RGB图像特征，得到纱布脏污特征图FeatureMap1。
步骤S125，采用纱布脏污解码器Decoder1对输入的纱布脏污特征图FeatureMap1进行解码，得到纱布上脏污的遮罩信息Segmentation。
对脏污语义分割的训练过程为：网络输入为RGB图像，输出为纱布上脏污的遮罩信息，监督信息是人工标注的脏污区域的二值图像，索引1代表脏污区域，索引0代表纱布背景区域；采用交叉熵损失函数，对纱布脏污语义分割网络的参数进行迭代更新，最终得到纱布上脏污的遮罩信息Segmentation。在训练过程中，利用训练样本集，实施者需适时观察网络收敛情况，当网络损失小于0.001或者网络迭代达到最大次数时停止训练，依据深度卷积神经网络架构，最终得到脏污语义分割模型，从而可以预测脏污遮罩信息。
第二阶段的脏污等级评估包括：
步骤S126，在得到纱布上脏污的遮罩信息Segmentation后，经过后处理操作得到脏污的ROI区域小图，后处理方法包括但不限于图片截取操作，当然也可以根据需要选择其他后处理方法。
步骤S127，采用脏污等级编码器Encoder2，提取小图特征，得到对应的纱布脏污等级特征图FeatureMap2。
步骤S128，采用全连接层FC将特征信息展平，得到脏污的等级信息；需要说明的是，本实施例将脏污等级分为3个等级：索引0代表无脏污；索引1代表有脏污但不影响正常使用，无需停机剔除；索引2代表有脏污并影响正常使用，需要停机剔除。
步骤S13，当纱布脏污等级达到预设等级时，向分切机发送缺陷报警停机信号。
如图2所示，本实施例还包括一种医用纱布表面缺陷在线检测装置，包括相机支撑模块21、图像采集模块22、脏污检测模块23和缺陷报警停机模块24。
优选的，相机支撑模块21包括底座和支撑机构，底座采用304不锈钢，并用螺栓固定在地面，支撑机构中固定两支横杆来架设相机，保证双相机的架设空间，相机的固定支架是可以灵活调整的，便于调整相机的角度以及拍摄纱布的视野大小。
本实例的图像采集模块22采用两个RGB彩色相机31，分别采集不同通道纱布匹33的纱布图像，需要说明的是，相机的触发方式采用分切机电机转动带来的外部触发方式，两个相机使用的是同一个触发信号。
如图4所示，由于两个通道的纱布有重叠区域并且内部空间有限，相机和对应光源的物理尺寸较大，因此，两个相机采用不同的架设高度，以免发生干涉，左相机距离纱布的高度是300mm，右相机距离纱布的高度是400mm。
由于分切机纱布背景复杂，会对脏污检测造成干扰，因此，在纱布的正下方放置一块背景板32，该背景板32为亚克力材质，保证纱布背景的清洁，同时亚克力材质避免了光的发射，纱布与亚克力板的距离为5mm。
脏污检测模块23用于对纱布上脏污进行检测，如图3所示，脏污检测模块23包括脏污粗检测模块230、脏污遮罩预测模块231和脏污等级预测模块232，脏污粗检测模块230用于粗略检测纱布上脏污；脏污遮罩预测模块231用于得到纱布上脏污的遮罩信息Segmentation；在纱布分切生产过程中，针对不同标准的生产模式，有些异物是不影响纱布正常使用的，例如杂色线等，因此，本实施例采用脏污等级预测模块232决定当前纱布是否保留，脏污等级预测模块232用于得到脏污的等级信息。
缺陷报警停机模块24用于向分切机发送缺陷报警停机信号，当脏污检测模块23检测到当前纱布脏污等级为2时，缺陷报警停机模块24向分切机的控制装置发送信号，从而驱动分切机停机并剔除，同时将信号传输给三色报警灯，提示实施人员纱布脏污类型。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似词语并非现定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
上文中参照优选的实施例详细描述了本发明的示范性实施方式，然而本领域技术人员可理解的是，在不背离本发明理念的前提下，可以对上述具体实施例做出多种变型和改型，且可以对本发明提出的各技术特征、结构进行多种组合，而不超出本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (9)
1.一种医用纱布表面缺陷在线检测方法，其特征在于，包含以下步骤：
对分切机分切的纱布进行图像采集；
对纱布上脏污进行检测和脏污等级评估；
当纱布脏污等级达到预设等级时，向分切机发送缺陷报警停机信号。
2.根据权利要求1所述的医用纱布表面缺陷在线检测方法，其特征在于，所述对分切机分切的纱布进行图像采集包括：
采用RGB彩色相机并利用外部触发的方式对图像进行采集，分切机每分切一次，发出一个触发信号给相机，相机采集一张图像。
3.根据权利要求2所述的医用纱布表面缺陷在线检测方法，其特征在于，所述对纱布上脏污进行检测和脏污等级评估的过程分为两个阶段，第一阶段是脏污粗检测，若第一阶段未检测到纱布上的脏污信息，则进入第二阶段，第二阶段是脏污语义分割和脏污等级评估。
4.根据权利要求3所述的医用纱布表面缺陷在线检测方法，其特征在于，所述脏污粗检测的过程为：
对相机采集的RGB图像采用大津阈值法获取二值图像；
采用中值滤波器对二值图像进行滤波，得到滤波后的图像；
采用轮廓查找的方法，得到脏污区域的轮廓信息，根据设定的脏污轮廓阈值，输出是否存在脏污的信号。
5.根据权利要求3所述的医用纱布表面缺陷在线检测方法，其特征在于，所述脏污语义分割的过程为：
采用纱布脏污编码器Encoder1提取相机采集的RGB图像特征，得到纱布脏污特征图FeatureMap1；
采用纱布脏污解码器Decoder1对输入的纱布脏污特征图FeatureMap1进行解码，得到纱布上脏污的遮罩信息Segmentation。
6.根据权利要求5所述的医用纱布表面缺陷在线检测方法，其特征在于，对脏污语义分割的训练过程为：网络输入为RGB图像，输出为纱布上脏污的遮罩信息，监督信息是人工标注的脏污区域的二值图像，索引1代表脏污区域，索引0代表纱布背景区域；采用交叉熵损失函数，对纱布脏污语义分割网络的参数进行迭代更新，最终得到纱布上脏污的遮罩信息Segmentation。
7.根据权利要求5所述的医用纱布表面缺陷在线检测方法，其特征在于，所述脏污等级评估包括：
在得到纱布上脏污的遮罩信息Segmentation后，经过后处理操作得到脏污的ROI区域小图；
采用脏污等级编码器Encoder2，提取小图特征，得到对应的纱布脏污等级特征图FeatureMap2；
最后采用全连接层FC将特征信息展平，得到脏污的等级信息。
8.一种医用纱布表面缺陷在线检测装置，其特征在于，包括：
相机支撑模块，用于架设相机；
图像采集模块，用于采集纱布图像；
脏污检测模块，用于对纱布上脏污进行检测；
缺陷报警停机模块，用于向分切机发送缺陷报警停机信号。
9.根据权利要求8所述的医用纱布表面缺陷在线检测装置，其特征在于，所述脏污检测模块包括：
脏污粗检测模块，用于粗略检测纱布上脏污；
脏污遮罩预测模块，用于得到纱布上脏污的遮罩信息Segmentation；
脏污等级预测模块，用于得到脏污的等级信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539375.7A CN112748116A (zh) | 2020-12-23 | 2020-12-23 | 一种医用纱布表面缺陷在线检测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539375.7A CN112748116A (zh) | 2020-12-23 | 2020-12-23 | 一种医用纱布表面缺陷在线检测方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112748116A true CN112748116A (zh) | 2021-05-04 |
Family
ID=75647437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011539375.7A Pending CN112748116A (zh) | 2020-12-23 | 2020-12-23 | 一种医用纱布表面缺陷在线检测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112748116A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114113131A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种反光镜片划痕缺陷检测装置及方法 |
| CN115947181A (zh) * | 2022-12-09 | 2023-04-11 | 苏州世祥生物纤维有限公司 | 打包机混纱处理方法、处理装置及处理系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646893A (zh) * | 2013-11-29 | 2014-03-19 | 上海华力微电子有限公司 | 晶圆缺陷检测方法 |
| US9968257B1 (en) * | 2017-07-06 | 2018-05-15 | Halsa Labs, LLC | Volumetric quantification of cardiovascular structures from medical imaging |
| CN109087274A (zh) * | 2018-08-10 | 2018-12-25 | 哈尔滨工业大学 | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 |
| CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
| CN111414501A (zh) * | 2020-05-08 | 2020-07-14 | 刘克建 | 基于区块链与cim的木材易燃风险预测系统 |
| CN111414503A (zh) * | 2020-05-08 | 2020-07-14 | 刘克建 | 基于区块链与cim的木材堆积检测系统 |
| CN111414500A (zh) * | 2020-05-08 | 2020-07-14 | 刘如意 | 基于区块链与bim的钢丝绳断裂预警系统 |
| CN111524131A (zh) * | 2020-05-08 | 2020-08-11 | 刘如意 | 基于区块链与bim的墙壁裂缝检测系统 |
| CN111681232A (zh) * | 2020-06-10 | 2020-09-18 | 厦门理工学院 | 基于语义分割的工业焊接图像缺陷的检测方法 |
| CN111754513A (zh) * | 2020-08-07 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
| CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
| CN111931631A (zh) * | 2020-08-05 | 2020-11-13 | 成佃丰 | 基于bim和人工智能的猪饮用水检测成像方法 |
-
2020
- 2020-12-23 CN CN202011539375.7A patent/CN112748116A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646893A (zh) * | 2013-11-29 | 2014-03-19 | 上海华力微电子有限公司 | 晶圆缺陷检测方法 |
| US9968257B1 (en) * | 2017-07-06 | 2018-05-15 | Halsa Labs, LLC | Volumetric quantification of cardiovascular structures from medical imaging |
| CN109087274A (zh) * | 2018-08-10 | 2018-12-25 | 哈尔滨工业大学 | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 |
| CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
| CN111414501A (zh) * | 2020-05-08 | 2020-07-14 | 刘克建 | 基于区块链与cim的木材易燃风险预测系统 |
| CN111414503A (zh) * | 2020-05-08 | 2020-07-14 | 刘克建 | 基于区块链与cim的木材堆积检测系统 |
| CN111414500A (zh) * | 2020-05-08 | 2020-07-14 | 刘如意 | 基于区块链与bim的钢丝绳断裂预警系统 |
| CN111524131A (zh) * | 2020-05-08 | 2020-08-11 | 刘如意 | 基于区块链与bim的墙壁裂缝检测系统 |
| CN111681232A (zh) * | 2020-06-10 | 2020-09-18 | 厦门理工学院 | 基于语义分割的工业焊接图像缺陷的检测方法 |
| CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
| CN111931631A (zh) * | 2020-08-05 | 2020-11-13 | 成佃丰 | 基于bim和人工智能的猪饮用水检测成像方法 |
| CN111754513A (zh) * | 2020-08-07 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114113131A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种反光镜片划痕缺陷检测装置及方法 |
| CN114113131B (zh) * | 2021-12-03 | 2024-04-30 | 中科计算技术西部研究院 | 一种反光镜片划痕缺陷检测装置及方法 |
| CN115947181A (zh) * | 2022-12-09 | 2023-04-11 | 苏州世祥生物纤维有限公司 | 打包机混纱处理方法、处理装置及处理系统 |
| CN115947181B (zh) * | 2022-12-09 | 2024-01-23 | 苏州世祥生物纤维有限公司 | 打包机混纱处理方法、处理装置及处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108259705B (zh) | 智能化现场图像滤波系统 | |
| CN112837302B (zh) | 模具的状态监测方法、装置、工控机、存储介质及系统 | |
| CN112748116A (zh) | 一种医用纱布表面缺陷在线检测方法与装置 | |
| CN101696945B (zh) | 机器视觉系统对光伏玻璃瑕疵的在线检测方法 | |
| CN110044910B (zh) | 一种汽车置杯盒零部件检测系统及检测方法 | |
| CN105915840B (zh) | 一种基于视频信号的工厂烟气排放自动监测的方法 | |
| CN111064870A (zh) | 视觉机器人的镜头清洁方法、控制装置及存储介质 | |
| CN110889801A (zh) | 一种烟灶系统的摄像头去污优化方法以及烟灶系统 | |
| CN102608122A (zh) | 一种高速铁轨光电检测图像的处理方法 | |
| JP2015181374A (ja) | 糸状性細菌検出装置および糸状性細菌の検出方法 | |
| CN105957300B (zh) | 一种智慧金睛识别可疑张贴遮蔽报警方法和装置 | |
| CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
| CN112673801A (zh) | 一种谷物联合收割机破碎含杂在线检测方法与系统 | |
| CN113554694A (zh) | 一种烟幕释放过程中红外有效遮蔽面积的获取方法和系统 | |
| CN110796654A (zh) | 一种引导线检测方法、装置、设备、轮胎吊及介质 | |
| CN113469974A (zh) | 球团链篦机蓖板状态监测方法及其监测系统 | |
| CN113570587A (zh) | 一种基于计算机视觉的光伏电池断栅检测方法及系统 | |
| CN115359449B (zh) | 一种转辙机道岔缺口图像的自动识别方法和系统 | |
| CN108694704B (zh) | 智能化现场图像滤波方法 | |
| CN105954295A (zh) | 一种头盔罩面缺陷检测系统及方法 | |
| KR101490909B1 (ko) | 차량용 영상 처리 장치 및 방법 | |
| CN114820468A (zh) | 一种基于可变色纸和图像识别的积水检测方法 | |
| JP3679680B2 (ja) | 細胞系譜抽出方法 | |
| CN113033505A (zh) | 基于动态分类检测的火焰检测方法、装置、系统与服务器 | |
| CN103714352A (zh) | 一种基于图像认知区域的光晕抑制方法 |
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 |