CN113706528B - 一种基于图像识别的纺织品质量检测方法及系统 - Google Patents
一种基于图像识别的纺织品质量检测方法及系统 Download PDFInfo
- Publication number
- CN113706528B CN113706528B CN202111258092.XA CN202111258092A CN113706528B CN 113706528 B CN113706528 B CN 113706528B CN 202111258092 A CN202111258092 A CN 202111258092A CN 113706528 B CN113706528 B CN 113706528B
- Authority
- CN
- China
- Prior art keywords
- image
- obtaining
- feature
- result
- extraction
- 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.)
- Active
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
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种基于图像识别的纺织品质量检测方法及系统,方法包括:获得第一检验环境;获得第一待检产品,置入第一检验环境,获得第一图像;对第一图像进行颜色特征识别,获得第一异常颜色特征点集合,将对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;根据第一异常图像集合获得第一待检产品的第一检测结果;对第一图像进行纤维边界提取,获得第一提取结果,获得织物均匀度检测结果;通过第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果。现有技术中由于主要是化学检测,导致在面对样本量大的工厂时,存在不适用的技术问题。
Description
技术领域
本发明涉及智能制造装备相关技术领域,具体涉及一种基于图像识别的纺织品质量检测方法及系统。
背景技术
纺织品作为我们日常生活的消耗品,其质量直接影响人们的身体健康;纺织品检测是保证纺织品质量的重要环节之一。现阶段常应用的纤维质量检测是纺织品纤维质量化学检测,利用化学试剂 和化学分析仪器,针对抽样选取的纺织品进行化学检验,但是此种检验方式由于对检验人员的要求较高以及抽样检查的局限性,随着检测样本的增多,增加了检测结果的不确定性与不准确性。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中由于主要是化学检测,导致在面对样本量大的工厂时,存在不适用的技术问题。
发明内容
本申请实施例通过提供了一种基于图像识别的纺织品质量检测方法及系统,解决了现有技术中由于制造业订单样式及需求的多样化,导致存在没有可以适应制造业企业客户自动化决策优先级的技术方案的技术问题。通过将待检产品置入检测环境中,采集待检纺织品的图像数据,并对颜色进行特征识别得到异常的颜色特征点,对有颜色异常特征点的纺织品位置放大得到异常位置的图像信息,针对异常图像分析具体的异常状态、异常原因等,得到洁净度检测结果;对待检纺织品的图像数据进行纺织品边界的信息进行特征提取,得到纺织物的均匀度检测结果,最后将均匀度检测结果和洁净度检测结果作为待检产品质量检测结果,由于智能模型涉及的训练数据多且样本覆盖面较广,达到了提高纺织品检测适用性的技术效果。
鉴于上述问题,本申请实施例提供了一种基于图像识别的纺织品质量检测方法及系统。
第一方面,本申请实施例提供了一种基于图像识别的纺织品质量检测方法,其中,所述方法应用于一纺织品质量检测系统,所述系统与第一图像采集装置通信连接,所述方法包括:获得第一检验环境;获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过所述第一图像采集装置获得第一图像;对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;根据所述第一异常图像集合获得所述第一待检产品的第一检测结果;对所述第一图像进行纤维边界提取,获得第一提取结果;基于所述第一提取结果获得织物均匀度检测结果;通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果。
另一方面,本申请实施例提供了一种基于图像识别的纺织品质量检测系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一检验环境;第二获得单元,所述第二获得单元用于获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过所述第一图像采集装置获得第一图像;第三获得单元,所述第三获得单元用于对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;第四获得单元,所述第四获得单元用于对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;第五获得单元,所述第五获得单元用于根据所述第一异常图像集合获得所述第一待检产品的第一检测结果;第六获得单元,所述第六获得单元用于对所述第一图像进行纤维边界提取,获得第一提取结果;第七获得单元,所述第七获得单元用于基于所述第一提取结果获得织物均匀度检测结果;第八获得单元,所述第八获得单元用于通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果。
第三方面,本申请实施例提供了一种基于图像识别的纺织品质量检测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一检验环境;获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过所述第一图像采集装置获得第一图像;对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;根据所述第一异常图像集合获得所述第一待检产品的第一检测结果;对所述第一图像进行纤维边界提取,获得第一提取结果;基于所述第一提取结果获得织物均匀度检测结果;通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果的技术方案,通过将待检产品置入检测环境中,采集待检纺织品的图像数据,并对颜色进行特征识别得到异常的颜色特征点,对有颜色异常特征点的纺织品位置放大得到异常位置的图像信息,针对异常图像分析具体的异常状态、异常原因等,得到洁净度检测结果;对待检纺织品的图像数据进行纺织品边界的信息进行特征提取,得到纺织物的均匀度检测结果,最后将均匀度检测结果和洁净度检测结果作为待检产品质量检测结果,由于智能模型涉及的训练数据多且样本覆盖面较广,达到了提高纺织品检测适用性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于图像识别的纺织品质量检测方法流程示意图;
图2为本申请实施例提供了一种基于图像识别的纺织品纤维边界图像去色方法流程示意图;
图3为本申请实施例提供了一种基于图像识别的纺织品的表面起毛检测方法流程示意图;
图4为本申请实施例提供了一种基于图像识别的纺织品质量检测系统结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七获得单元17,第八获得单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种基于图像识别的纺织品质量检测方法及系统,解决了现有技术中由于制造业订单样式及需求的多样化,导致存在没有可以适应制造业企业客户自动化决策优先级的技术方案的技术问题。通过将待检产品置入检测环境中,采集待检纺织品的图像数据,并对颜色进行特征识别得到异常的颜色特征点,对有颜色异常特征点的纺织品位置放大得到异常位置的图像信息,针对异常图像分析具体的异常状态、异常原因等,得到洁净度检测结果;对待检纺织品的图像数据进行纺织品边界的信息进行特征提取,得到纺织物的均匀度检测结果,最后将均匀度检测结果和洁净度检测结果作为待检产品质量检测结果,由于智能模型涉及的训练数据多且样本覆盖面较广,达到了提高纺织品检测适用性的技术效果。
纺织品作为我们日常生活的消耗品,其质量直接影响人们的身体健康;纺织品检测是保证纺织品质量的重要环节之一。现阶段常应用的纤维质量检测是纺织品纤维质量化学检测,利用化学试剂 和化学分析仪器,针对抽样选取的纺织品进行化学检验,但是此种检验方式由于对检验人员的要求较高以及抽样检查的局限性,随着检测样本的增多,增加了检测结果的不确定性与不准确性。但现有技术中由于主要是化学检测,导致在面对样本量大的工厂时,存在不适用的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于图像识别的纺织品质量检测方法,其中,所述方法应用于一纺织品质量检测系统,所述系统与第一图像采集装置通信连接,所述方法包括:获得第一检验环境;获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过所述第一图像采集装置获得第一图像;对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;根据所述第一异常图像集合获得所述第一待检产品的第一检测结果;对所述第一图像进行纤维边界提取,获得第一提取结果;基于所述第一提取结果获得织物均匀度检测结果;通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于图像识别的纺织品质量检测方法,其中,所述方法应用于一纺织品质量检测系统,所述系统与第一图像采集装置通信连接,所述方法包括:
S100:获得第一检验环境;
S200:获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过所述第一图像采集装置获得第一图像;
具体而言,所述第一检验环境为预设的不会对纺织品的化学性质,物理性质造成影响的环境,优选的在阴凉干燥避光的环境下进行检测;所述第一待检产品为需要进行质量检验的纺织物;所述第一图像采集装置为所述第一检验环境中布置的用来采集所述第一待检产品图像的设备,优选的为摄像装置;所述第一图像为在第一待检产品置入所述第一检验环境后,通过所述第一图像采集装置采集到的所述第一待检产品的多角度的图像信息,包括但不限于:边缘图像信息、整体图像信息、局部图像信息。通过采集到所述第一待检产品全面的多维图像信息,便于对图像进行精准识别,得到准确的检验结果。
S300:对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;
具体而言,所述第一异常颜色特征点集合为通过对所述第一图像进行颜色特征提取并和标准产品的标准颜色比对,得到的异常颜色特征点集合,包括异常特征点的位置、形状、面积等信息,优选的基于卷积神经网络训练的特征提取模型进行特征提取,卷积可以作为在机器学习中的特征提取器,从而使得提取到的特征信息具有集中性和代表性,进而获得所述第一图像的颜色卷积特征,卷积神经网络是神经网络的一种,对于特征提取尤其是图像特征提取有着优异的识别功能。
S400:对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;
S500:根据所述第一异常图像集合获得所述第一待检产品的第一检测结果;
具体而言,所述第一异常图像集合为在确定所述第一异常颜色特征点集合后,依据各个异常颜色特征点集合的位置信息对所述第一待测产品图像的对应的位置进行放大,得到的放大图像集合;所述第一检测结果为通过对所述第一异常图像集合进行分析得到的表征所述第一待测产品的清洁度的检测结果信息,优选的通过将放大后的所述第一异常图像依次和基于历史数据仿真还原得到的标准样品的颜色数据遍历比对,得到所述第一待测产品每一个所述第一异常颜色特征点颜色差异程度以及颜色修正方法,当颜色差异度越小,则所述第一待测产品的清洁度越好。通过对异常特征点位置的图像信息进行放大并分析颜色的差异度,进而得到表征所述第一待测产品清洁度的信息,依靠高准确度的图像识别,不同于传统方式的化学检测,提高了检测效率及检测准确性。
S600:对所述第一图像进行纤维边界提取,获得第一提取结果;
具体而言,所述第一提取结果为通过读取所述第一图像中的边缘图像信息进行特征提取,优选的提取方式为基于卷积神经网络训练的特征提取模型进行特征提取,卷积可以作为在机器学习中的特征提取器,从而使得提取到的特征信息具有集中性和代表性,进而获得所述第一图像的边界卷积特征,卷积神经网络是神经网络的一种,对于特征提取尤其是图像特征提取有着优异的识别功能。
S700:基于所述第一提取结果获得织物均匀度检测结果;
S800:通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果。
具体而言,所述织物均匀度检测结果为通过将所述第一提取结果中的纤维边界图像特征信息和标准的纤维边界图像信息进行比对,得到表征所述第一待测产品均匀度的检测信息;进一步的,将所述第一检测结果和所述织物均匀度检测结果整合,得到所述第一待检产品的质量检测结果,基于图像识别可以对纺织物的基本色度以及纺织物的均匀度进行快速智能化评估,提高了检测的效率,由于检测效率较高,涉及到的样本量可以增大,提高了面对大基数样本的检测准确度。
进一步的,如图2所示,基于所述对所述第一图像进行纤维边界提取之前,步骤S600还包括:
S610:获得第一去色处理指令,根据所述第一去色处理指令对所述第一图像进行去色处理,获得第一去色处理图像;
S620:获得第一对比度增强指令,根据所述第一对比度增强指令获得第一增强数据,基于所述增强数据对所述第一去色处理图像进行对比度增强,获得第二去色处理图像;
S630:设定第一线稿提取阈值,基于所述第一线稿提取阈值对所述第二去色处理图像进行线稿提取,获得第一线稿提取结果;
S640:通过所述第一线稿提取结果完成所述第一图像的纤维边界提取。
具体而言,所述第一去色处理指令为在对所述第一图像进行纤维边界提取之前,为了排除颜色等无关信息的影响发出的指令;所述第一去色处理图像为基于所述第一去色处理指令对所述第一图像进行去色处理之后得到的结果,优选的使用高清的线稿图像表征去色处理后的所述第一图像的边缘图像信息;所述第一对比度增强指令指的是为了增强所述第一去色处理图像上的线稿清晰度发出的指令;所述第二去色处理图像为基于所述第一对比度增强指令对所述第一去色处理图像进行对比度增强后的结果,两步处理后的图像为具有清晰线稿的边缘纺丝线路图,可以清晰的表征不同纺丝及不同纺丝之间的交汇处;所述第一线稿提取阈值为基于标准的纤维样品制定的最低标准值,优选为边界纺丝之间的分界清晰度等信息;所述第一线稿提取结果为将所述第二去色处理图像和所述第一线稿提取阈值进行对比,将符合所述第一线稿提取阈值的所述第二去色处理图像中的对应线稿图像提取并存储得到的结果。更进一步的,基于提取结果进行纤维边界的提取,通过对所述第一图像信息依据线稿阈值进行筛选,对不满足线稿阈值的线稿对应的纺织物进行标识,表征该反纺织物不符合质检标准;将满足线稿阈值的线稿提取,进行进一步的检测分析。
进一步的,基于所述第一提取结果获得织物均匀度检测结果,步骤S700还包括:
S710:通过所述第一提取结果对所述第一待检产品进行纤维边界的直线拟合,获得直线拟合集合;
S720:通过所述直线拟合集合获得第一拟合直线和第二拟合直线;
S730:以所述第一拟合直线为基准,进行所述第一拟合直线和所述第二拟合直线的多位置距离测定,获得第一距离测定集合;
S740:对所述第一距离测定集合中的距离测定数据进行比对,获得第一比对结果;
S750:通过所述第一比对结果获得所述织物均匀度检测结果。
具体而言,所述直线拟合集合为基于所述第一提取结果对所述纤维边界的线稿进行直线拟合得到的表征纤维边界的直线集合,各条直线表征不同的纺织物丝线;进一步的,依次成对遍历所述直线拟合集合中的每两条不同直线:所述第一拟合直线和所述第二拟合直线,之间的多位置距离;所述第一距离测定集合为以两条不同直线中的一条为基准,并在基准直线上确定多个位置,再依据多个位置确定另一条直线上的对应多个位置,测定每一组对应多个位置之间的距离数据,存储得到的数据集合;进一步的,所述第一比对结果为将所述第一距离测定集合中对应的多组距离数据比较,得到的离散度数据,若是所述织物均匀度较高,则所述距离测定集合中对应的多组距离数据都比较接近,所述第一比对结果表征的距离数据离散度就会比较小,所述织物均匀度就会较高。通过对比任意两条纺丝之间的多位置距离数据,进而判断整个织物的均匀度信息,基于图像识别就得到了均匀度的检测结果,方式简单且高效。
更进一步的,步骤S700所述方法还包括S760:
S761:获得所述直线拟合集合中各相邻两条拟合直线的距离测定集合;
S762:根据所述距离测定集合,对所有相邻拟合直线距离测定结果进行均值求取,获得第一均值求取结果,其中,所述第一均值求取结果包括任意相邻拟合直线的距离平均值;
S763:对各拟合直线的所述第一均值求取结果进行对此,获得第二对比结果;
S764:根据所述第二对比结果获得所述织物均匀度检测结果。
具体而言,所述各相邻两条拟合直线的距离测定集合为测量每两组相邻拟合直线之间的距离,每一组数据都存储有同一个位置处对应的多组相邻的两条拟合直线的距离集合,举例如:一共有纺丝5条,则检测a的所述距离测定集合,则此组数据:确定a位置对应于第1条、第2条直到第5条的位置,进一步的存储第1条到第2条a位置对应的距离信息+第2条到第3条a位置对应的距离信息…+第4条到第5条a位置对应的距离信息为此组数据。所述第一均值求取结果包括任意相邻拟合直线的距离平均值,确定方式举不设限制的一例:使用和a位置相同的方式确定b、c位置的两组数据,则提取第1条到第2条之间a、b和c对应位置的距离数据并计算平均值,依次得到第2条到第3条距离数据平均值…第4条到第5条距离数据平均值,将多组距离数据平均值作为所述任意相邻拟合直线的距离平均值;进一步的,所述第二对比结果为将各组所述第一均值求取结果进行对比得到的表征多条纺丝之间分布的均匀度的数据,当对比结果表征的数据离散度越大,则对应的所述织物均匀度越小,通过对多条纺丝之间的距离评估,得到的均匀度检测结果和任意两条纺丝之间的多位置距离数据均匀度检测结合,即为完整的均匀度评估结果。
进一步的,基于所述根据所述第一异常图像集合获得所述第一待检产品的第一检测结果,步骤S500还包括:
S510:获得纺织品图像集合;
S520:根据所述纺织品图像集合进行图像特征提取,获得第一特征;
S530:根据所述纺织品图像集合进行图像特征提取,获得第二特征,其中,所述第二特征与所述第一特征不同;
S540:根据所述第一特征和所述第二特征获得所述第一检测结果。
具体而言,所述纺织品图像集合为基于所述第一异常图像结合读取的对应的纺织品图像集合;所述第一特征信息和所述第二特征信息为对所述纺织品图像集合进行特征提取得到特征数据,所述第一特征数据优选的为表征所述纺织物断经纬特征的信息,包括但不限于:断裂位置、断裂距离等信息;所述第二特征信息为表征所述纺织物破洞数据的特征信息,包括但不限于:破洞数量、破洞形状及面积、破洞位置等信息。进一步的,将所述第一特征信息和所述第二特征信息作为所述第一检测结果,通过对所述纺织品图像集合进行特征提取,对表面缺陷进行准确的表征,提高了检测结果的准确性。
进一步的,所述方法步骤S500还包括S550:
S551:判断所述第二特征和所述第一特征的相似度是否满足第一预设阈值;
S552:当所述相似度满足第一预设阈值时,获得第一参数调整指令;
S553:根据所述第一参数调整指令对纺织品图像特征提取参数进行调整,获得第三特征和第四特征,其中,所述第三特征与所述第一特征相对应,所述第四特征与所述第二特征相对应;
S554:根据所述第三特征和所述第四特征获得所述第一检测结果。
具体而言,所述相似度为将所述第一特征信息和所述第二特征信息进行比对得到的表征相似程度的数据,以上例继续举不设限制的例:纺织物的经纬线断开,若是较严重,则会造成破洞,因此较轻微的破洞和较严重的经纬断线之间有一定的相似性,则在图像识别中难以识别;所述第一参数调整指令为当所述相似度满足第一预设阈值时为了提高特征提取的准确性发出的指令;基于所述第一参数调整指令调整对纺织品图像特征提取参数,进而提高了对所述第二特征和所述第一特征的识别效果;将新提取的所述第一特征对应的特征信息设置为所述第三特征;将新提取的所述第二特征对应的特征信息设置为所述第四特征。通过对所述第二特征和所述第一特征的相似度进行判断,若是相似度过高则对特征提取参数调整,进而提高特征提取时对于具有一定相似度的特征信息之间的区分性,达到了提高检测结果准确性的技术效果。
进一步的,如图3所示,所述方法还包括步骤S900:
S910:获得第一随机采样指令;
S920:根据所述第一随机采样指令对所述第一图像进行第一预定区域的随机采样,获得第一采样区域;
S930:对所述第一采样区域的起毛数量进行评估,获得第一起毛数量评估结果;
S940:对所述第一采样区域进行起毛程度评估,获得第一起毛程度评估结果;
S950:根据所述第一起毛数量评估结果和所述第一起毛程度评估结果获得所述第一检测结果。
具体而言,所述第一随机采样指令指的是为了随机采集所述第一图像所述第一预定区域的所述纺织物表面的图像信息发出的指令;所述第一采样区域为基于所述第一随机采样指令采样得到的采样结果;进一步的,所述第一起毛数量评估结果为基于所述第一采样区域的起毛数量评估所述第一待测产品的织物品质,优选的基于卷积神经网络对所述第一采样区域的起毛特征信息进行特征提取确定起毛数量;所述第一起毛程度评估结果为基于所述第一采样区域的起毛面积占据总面积的比例表征起毛程度;将所述第一起毛数量及所述第一起毛程度作为评估所述第一待测产品表面净洁性的检测结果信息。通过随机检测多组的多个区域的所述第一起毛数量和所述第一起毛程度可以较全面完整的表征了所述第一待测产品的净洁性,既增加了大量的抽样样本,又保证了检验效率。
综上所述,本申请实施例所提供的一种基于图像识别的纺织品质量检测方法及系统具有如下技术效果:
1.通过将待检产品置入检测环境中,采集待检纺织品的图像数据,并对颜色进行特征识别得到异常的颜色特征点,对有颜色异常特征点的纺织品位置放大得到异常位置的图像信息,针对异常图像分析具体的异常状态、异常原因等,得到洁净度检测结果;对待检纺织品的图像数据进行纺织品边界的信息进行特征提取,得到纺织物的均匀度检测结果,最后将均匀度检测结果和洁净度检测结果作为待检产品质量检测结果,由于智能模型涉及的训练数据多且样本覆盖面较广,达到了提高纺织品检测适用性的技术效果。
2.通过对所述第二特征和所述第一特征的相似度进行判断,若是相似度过高则对特征提取参数调整,进而提高特征提取时对于具有一定相似度的特征信息之间的区分性,达到了提高检测结果准确性的技术效果。
实施例二
基于与前述实施例中一种基于图像识别的纺织品质量检测方法相同的发明构思,如图4所示,本申请实施例提供了一种基于图像识别的纺织品质量检测系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一检验环境;
第二获得单元12,所述第二获得单元12用于获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过第一图像采集装置获得第一图像;
第三获得单元13,所述第三获得单元13用于对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;
第四获得单元14,所述第四获得单元14用于对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合;
第五获得单元15,所述第五获得单元15用于根据所述第一异常图像集合获得所述第一待检产品的第一检测结果;
第六获得单元16,所述第六获得单元16用于对所述第一图像进行纤维边界提取,获得第一提取结果;
第七获得单元17,所述第七获得单元17用于基于所述第一提取结果获得织物均匀度检测结果;
第八获得单元18,所述第八获得单元18用于通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于获得第一去色处理指令,根据所述第一去色处理指令对所述第一图像进行去色处理,获得第一去色处理图像;
第十获得单元,所述第十获得单元用于获得第一对比度增强指令,根据所述第一对比度增强指令获得第一增强数据,基于所述增强数据对所述第一去色处理图像进行对比度增强,获得第二去色处理图像;
第十一获得单元,所述第十一获得单元用于设定第一线稿提取阈值,基于所述第一线稿提取阈值对所述第二去色处理图像进行线稿提取,获得第一线稿提取结果;
第一提取单元,所述第一提取单元用于通过所述第一线稿提取结果完成所述第一图像的纤维边界提取。
进一步的,所述系统还包括:
第十二获得单元,所述第十二获得单元用于通过所述第一提取结果对所述第一待检产品进行纤维边界的直线拟合,获得直线拟合集合;
第十三获得单元,所述第十三获得单元用于通过所述直线拟合集合获得第一拟合直线和第二拟合直线;
第十四获得单元,所述第十四获得单元用于以所述第一拟合直线为基准,进行所述第一拟合直线和所述第二拟合直线的多位置距离测定,获得第一距离测定集合;
第十五获得单元,所述第十五获得单元用于对所述第一距离测定集合中的距离测定数据进行比对,获得第一比对结果;
第十六获得单元,所述第十六获得单元用于通过所述第一比对结果获得所述织物均匀度检测结果。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于获得所述直线拟合集合中各相邻两条拟合直线的距离测定集合;
第十八获得单元,所述第十八获得单元用于根据所述距离测定集合,对所有相邻拟合直线距离测定结果进行均值求取,获得第一均值求取结果,其中,所述第一均值求取结果包括任意相邻拟合直线的距离平均值;
第十九获得单元,所述第十九获得单元用于对各拟合直线的所述第一均值求取结果进行对此,获得第二对比结果;
第二十获得单元,所述第二十获得单元用于根据所述第二对比结果获得所述织物均匀度检测结果。
进一步的,所述系统还包括:
第二十一获得单元,所述第二十一获得单元用于获得纺织品图像集合;
第二十二获得单元,所述第二十二获得单元用于根据所述纺织品图像集合进行图像特征提取,获得第一特征;
第二十三获得单元,所述第二十三获得单元用于根据所述纺织品图像集合进行图像特征提取,获得第二特征,其中,所述第二特征与所述第一特征不同;
第二十四获得单元,所述第二十四获得单元用于根据所述第一特征和所述第二特征获得所述第一检测结果。
进一步的,所述系统还包括:
第一判断单元,所述第一判断单元用于判断所述第二特征和所述第一特征的相似度是否满足第一预设阈值;
第二十五获得单元,所述第二十五获得单元用于当所述相似度满足第一预设阈值时,获得第一参数调整指令;
第二十六获得单元,所述第二十六获得单元用于根据所述第一参数调整指令对纺织品图像特征提取参数进行调整,获得第三特征和第四特征,其中,所述第三特征与所述第一特征相对应,所述第四特征与所述第二特征相对应;
第二十七获得单元,所述第二十七获得单元用于根据所述第三特征和所述第四特征获得所述第一检测结果。
进一步的,所述系统还包括:
第二十八获得单元,所述第二十八获得单元用于获得第一随机采样指令;
第二十九获得单元,所述第二十九获得单元用于根据所述第一随机采样指令对所述第一图像进行第一预定区域的随机采样,获得第一采样区域;
第三十获得单元,所述第三十获得单元用于对所述第一采样区域的起毛数量进行评估,获得第一起毛数量评估结果;
获得第三十一单元,所述第三十一获得单元用于对所述第一采样区域进行起毛程度评估,获得第一起毛程度评估结果;
第三十二获得单元,所述第三十二获得单元用于根据所述第一起毛数量评估结果和所述第一起毛程度评估结果获得所述第一检测结果。
下面参考图5来描述本申请实施例的电子设备,
基于与前述实施例中一种基于图像识别的纺织品质量检测方法相同的发明构思,本申请实施例还提供了一种基于图像识别的纺织品质量检测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的系统,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc
read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于图像识别的纺织品质量检测方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于图像识别的纺织品质量检测方法,通过将待检产品置入检测环境中,采集待检纺织品的图像数据,并对颜色进行特征识别得到异常的颜色特征点,对有颜色异常特征点的纺织品位置放大得到异常位置的图像信息,针对异常图像分析具体的异常状态、异常原因等,得到洁净度检测结果;对待检纺织品的图像数据进行纺织品边界的信息进行特征提取,得到纺织物的均匀度检测结果,最后将均匀度检测结果和洁净度检测结果作为待检产品质量检测结果,由于智能模型涉及的训练数据多且样本覆盖面较广,达到了提高纺织品检测适用性的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑系统,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种基于图像识别的纺织品质量检测方法,其中,所述方法应用于一纺织品质量检测系统,所述系统与第一图像采集装置通信连接,所述方法包括:
获得第一检验环境;
获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过所述第一图像采集装置获得第一图像;
对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;
对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合,所述特定点指:具有颜色异常特征点的纺织品位置;
根据所述第一异常图像集合获得所述第一待检产品的第一检测结果,通过将放大后的所述第一异常图像依次和基于历史数据仿真还原得到的标准样品的颜色数据遍历比对,得到所述第一待检产品每一个所述第一异常颜色特征点颜色差异程度以及颜色修正方法;
对所述第一图像进行纤维边界提取,获得第一提取结果;
基于所述第一提取结果获得织物均匀度检测结果;
通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果;
其中,所述对所述第一图像进行纤维边界提取之前,还包括:
获得第一去色处理指令,根据所述第一去色处理指令对所述第一图像进行去色处理,获得第一去色处理图像;
获得第一对比度增强指令,根据所述第一对比度增强指令获得第一增强数据,基于所述增强数据对所述第一去色处理图像进行对比度增强,获得第二去色处理图像;
设定第一线稿提取阈值,基于所述第一线稿提取阈值对所述第二去色处理图像进行线稿提取,获得第一线稿提取结果;
通过所述第一线稿提取结果完成所述第一图像的纤维边界提取;
其中,所述基于所述第一提取结果获得织物均匀度检测结果,还包括:
通过所述第一提取结果对所述第一待检产品进行纤维边界的直线拟合,获得直线拟合集合;
通过所述直线拟合集合获得第一拟合直线和第二拟合直线;
以所述第一拟合直线为基准,进行所述第一拟合直线和所述第二拟合直线的多位置距离测定,获得第一距离测定集合;
对所述第一距离测定集合中的距离测定数据进行比对,获得第一比对结果;
通过所述第一比对结果获得所述织物均匀度检测结果;
其中,所述方法还包括:
获得所述直线拟合集合中各相邻两条拟合直线的距离测定集合;
根据所述距离测定集合,对所有相邻拟合直线距离测定结果进行均值求取,获得第一均值求取结果,其中,所述第一均值求取结果包括任意相邻拟合直线的距离平均值;
对各拟合直线的所述第一均值求取结果进行对此,获得第二对比结果;
根据所述第二对比结果获得所述织物均匀度检测结果。
2.如权利要求1所述的方法,其中,所述根据所述第一异常图像集合获得所述第一待检产品的第一检测结果,还包括:
获得纺织品图像集合;
根据所述纺织品图像集合进行图像特征提取,获得第一特征;
根据所述纺织品图像集合进行图像特征提取,获得第二特征,其中,所述第二特征与所述第一特征不同;
根据所述第一特征和所述第二特征获得所述第一检测结果;
其中,所述纺织品图像集合为基于所述第一异常图像结合读取的对应的纺织品图像集合;
其中,所述第一特征和所述第二特征为对所述纺织品图像集合进行特征提取得到的特征数据;
所述第一特征为表征所述纺织品断经纬的特征信息;
所述第二特征为表征所述纺织品破洞数据的特征信息。
3.如权利要求2所述的方法,其中,所述方法还包括:
判断所述第二特征和所述第一特征的相似度是否满足第一预设阈值;
当所述相似度满足第一预设阈值时,获得第一参数调整指令;
根据所述第一参数调整指令对纺织品图像特征提取参数进行调整,获得第三特征和第四特征;
其中,所述第三特征为基于所述第一参数调整指令对纺织品图像特征提取参数进行调整后,新提取的所述第一特征对应的特征信息设置为所述第三特征;
所述第四特征为基于所述第一参数调整指令对纺织品图像特征提取参数进行调整后,新提取的所述第二特征对应的特征信息设置为所述第四特征;
根据所述第三特征和所述第四特征获得所述第一检测结果。
4.如权利要求3所述的方法,其中,所述方法还包括:
获得第一随机采样指令;
根据所述第一随机采样指令对所述第一图像进行第一预定区域的随机采样,获得第一采样区域;
对所述第一采样区域的起毛数量进行评估,获得第一起毛数量评估结果;
对所述第一采样区域进行起毛程度评估,获得第一起毛程度评估结果;
根据所述第一起毛数量评估结果和所述第一起毛程度评估结果获得所述第一检测结果。
5.一种基于图像识别的纺织品质量检测系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一检验环境;
第二获得单元,所述第二获得单元用于获得第一待检产品,将所述第一待检产品置入所述第一检验环境,通过第一图像采集装置获得第一图像;
第三获得单元,所述第三获得单元用于对所述第一图像进行颜色特征识别,获得第一异常颜色特征点集合;
第四获得单元,所述第四获得单元用于对所述第一异常颜色特征点集合对应所述第一待检产品位置进行特定点放大图像采集,获得第一异常图像集合,所述特定点指:具有颜色异常特征点的纺织品位置;
第五获得单元,所述第五获得单元用于根据所述第一异常图像集合获得所述第一待检产品的第一检测结果,通过将放大后的所述第一异常图像依次和基于历史数据仿真还原得到的标准样品的颜色数据遍历比对,得到所述第一待检产品每一个所述第一异常颜色特征点颜色差异程度以及颜色修正方法;
第六获得单元,所述第六获得单元用于对所述第一图像进行纤维边界提取,获得第一提取结果;
第七获得单元,所述第七获得单元用于基于所述第一提取结果获得织物均匀度检测结果;
第八获得单元,所述第八获得单元用于通过所述第一检测结果和所述织物均匀度检测结果获得所述第一待检产品的质量检测结果;
所述系统还包括:
第九获得单元,所述第九获得单元用于获得第一去色处理指令,根据所述第一去色处理指令对所述第一图像进行去色处理,获得第一去色处理图像;
第十获得单元,所述第十获得单元用于获得第一对比度增强指令,根据所述第一对比度增强指令获得第一增强数据,基于所述增强数据对所述第一去色处理图像进行对比度增强,获得第二去色处理图像;
第十一获得单元,所述第十一获得单元用于设定第一线稿提取阈值,基于所述第一线稿提取阈值对所述第二去色处理图像进行线稿提取,获得第一线稿提取结果;
第一提取单元,所述第一提取单元用于通过所述第一线稿提取结果完成所述第一图像的纤维边界提取;
第十二获得单元,所述第十二获得单元用于通过所述第一提取结果对所述第一待检产品进行纤维边界的直线拟合,获得直线拟合集合;
第十三获得单元,所述第十三获得单元用于通过所述直线拟合集合获得第一拟合直线和第二拟合直线;
第十四获得单元,所述第十四获得单元用于以所述第一拟合直线为基准,进行所述第一拟合直线和所述第二拟合直线的多位置距离测定,获得第一距离测定集合;
第十五获得单元,所述第十五获得单元用于对所述第一距离测定集合中的距离测定数据进行比对,获得第一比对结果;
第十六获得单元,所述第十六获得单元用于通过所述第一比对结果获得所述织物均匀度检测结果;
第十七获得单元,所述第十七获得单元用于获得所述直线拟合集合中各相邻两条拟合直线的距离测定集合;
第十八获得单元,所述第十八获得单元用于根据所述距离测定集合,对所有相邻拟合直线距离测定结果进行均值求取,获得第一均值求取结果,其中,所述第一均值求取结果包括任意相邻拟合直线的距离平均值;
第十九获得单元,所述第十九获得单元用于对各拟合直线的所述第一均值求取结果进行对此,获得第二对比结果;
第二十获得单元,所述第二十获得单元用于根据所述第二对比结果获得所述织物均匀度检测结果。
6.一种基于图像识别的纺织品质量检测系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111258092.XA CN113706528B (zh) | 2021-10-27 | 2021-10-27 | 一种基于图像识别的纺织品质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111258092.XA CN113706528B (zh) | 2021-10-27 | 2021-10-27 | 一种基于图像识别的纺织品质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706528A CN113706528A (zh) | 2021-11-26 |
CN113706528B true CN113706528B (zh) | 2022-03-15 |
Family
ID=78647157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111258092.XA Active CN113706528B (zh) | 2021-10-27 | 2021-10-27 | 一种基于图像识别的纺织品质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706528B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139643B (zh) * | 2021-12-07 | 2022-11-29 | 佳力士添加剂(海安)有限公司 | 一种基于机器视觉的单甘酯质量检测方法及系统 |
CN114387332B (zh) * | 2022-01-17 | 2022-11-08 | 江苏省特种设备安全监督检验研究院 | 一种管道测厚方法及装置 |
CN114660076B (zh) * | 2022-05-19 | 2022-08-26 | 张家港市欧凯医疗器械有限公司 | 一种医疗用管涂层质量检测方法及系统 |
CN114677062B (zh) * | 2022-05-27 | 2022-08-12 | 南通隆特家纺有限公司 | 一种家纺纤维面料生产质量监控系统 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19855588A1 (de) * | 1998-12-02 | 2000-06-08 | Schlafhorst & Co W | Verfahren und Vorrichtung zur Auswertung der Wirkung von Garneigenschaften auf das Aussehen textiler Flächengebilde |
CN101100807B (zh) * | 2007-07-10 | 2011-05-11 | 中华人民共和国青岛出入境检验检疫局 | 纺织品色牢度色差评级方法 |
CN101957326A (zh) * | 2010-07-08 | 2011-01-26 | 上海中方宝达纺织智能仪器有限公司 | 一种纺织品表面质量多光谱检测的方法与装置 |
CZ2011788A3 (cs) * | 2011-12-05 | 2013-01-16 | VÚTS, a.s. | Zpusob zjistování vzhledových vlastností príze v plose a zarízení k jeho provádení |
CN102519970A (zh) * | 2011-12-06 | 2012-06-27 | 江南大学 | 基于图像处理的机织物中纱线均匀性检测方法 |
CN113089302A (zh) * | 2021-06-09 | 2021-07-09 | 南通祥元纺织有限公司 | 一种化学纤维面料表面处理设备 |
-
2021
- 2021-10-27 CN CN202111258092.XA patent/CN113706528B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113706528A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113706528B (zh) | 一种基于图像识别的纺织品质量检测方法及系统 | |
WO2022116594A1 (zh) | 一种纤维质量等级在线检测系统及其应用 | |
WO2019214309A1 (zh) | 模型测试的方法及装置 | |
CN110991657A (zh) | 一种基于机器学习的异常样本检测方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN110572297A (zh) | 网络性能的评估方法、服务器及存储介质 | |
CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
CN114813757A (zh) | 一种塑胶产品全角度外观检测方法及装置 | |
JP2019121162A (ja) | 監視装置、監視方法および監視プログラム | |
CN113324701B (zh) | 一种用于数据中心的机房漏水检测方法 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN115575322A (zh) | 一种直插led灯珠的出厂质检方法及系统 | |
Pereira et al. | Computer vision techniques for detecting yarn defects | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN117786445A (zh) | 一种自动化摇纱机运行数据智能处理方法 | |
CN112557282B (zh) | 一种血球分析仪的小孔堵孔识别方法和装置 | |
CN115356479B (zh) | 一种金免疫层析检测方法和系统 | |
CN111474293B (zh) | 一种青枯病菌溶液测定方法及测定系统 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN112149546B (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
CN113834782A (zh) | 一种基于水质检测的设备运行方法及系统 | |
JP6346991B2 (ja) | Nmr測定の結果に信号として含まれる情報を抽出するための方法 | |
Shen et al. | A fiber diameter measurement algorithm based on image processing technology |
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 |