CN113781449A - 一种基于多尺度特征融合的纺织品瑕疵分类方法 - Google Patents
一种基于多尺度特征融合的纺织品瑕疵分类方法 Download PDFInfo
- Publication number
- CN113781449A CN113781449A CN202111072558.7A CN202111072558A CN113781449A CN 113781449 A CN113781449 A CN 113781449A CN 202111072558 A CN202111072558 A CN 202111072558A CN 113781449 A CN113781449 A CN 113781449A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- scale feature
- feature fusion
- features
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 239000004753 textile Substances 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- 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
- G06T2207/10—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
- G06T2207/20024—Filtering details
-
- 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
Abstract
本发明涉及一种基于多尺度特征融合的纺织品瑕疵分类方法,可分为图像处理模块,多尺度特征融合网络模块,类别判定模块,其中,所述图像处理模块将工业相机获取到的待检测图像与已知模板图像进行预处理,所述特征提取模块接收图像输入模块处理后的数据,并将所提取的特征送入所述多尺度特征融合模块,所述多尺度特征融合模块对特征进行融合后送入所述分类模块,所述类别判定模块根据融合特征完成瑕疵类别的判别。本发明通过图像处理模块预处理布面图片,通过多尺度特征融合模块完成特征提取和融合,通过类别判定模块完成最后瑕疵类别的判定,通过该深度学习方法,有效地对瑕疵进行了分类,减少了人工误判的可能。
Description
技术领域
本发明 实施例涉及深度学习缺陷检测领域,具体涉及一种基于多尺度特征融合的纺织品瑕疵分类方法。
背景技术
质量检测是现代纺织品生产的一个重要方面,包括生产过程中的在线检测和生产后的离线检测。准确、快速的检测以及分类,可以帮助生产者及时识别和解决问题,对提高质量和效率,增加经济收入有很大的影响。因此,纺织企业非常关注织物疵点检测技术。提高质量效益,增加经济收入。纺织品疵点的大小和种类很多,很难区分。传统的方法是人工对织物上的缺陷肉眼分类。显然这种分类方式效率低、成本高、而且容易造成误分类,不仅给企业带来了额外的负担,也不利于工业的信息化、智能化发展。
发明内容
为此,本发明提供了一种基于多尺度特征融合的纺织品瑕疵分类方法,以解决现有技术中由于人工检查导致效率偏低,容易出现漏分和误分的问题。
为了实现上述目的,本发明提供了如下技术方案:
根据本发明,一种基于多尺度特征融合的纺织品瑕疵分类方法,其特征在于,包括图像处理模块,多尺度特征融合网络模块,类别判定模块,其中,所述图像处理模块将工业相机获取到的待检测图像与已知模板图像进行预处理,所述特征提取模块接收图像输入模块处理后的数据,并将所提取的特征送入所述多尺度特征融合模块,所述多尺度特征融合模块对特征进行融合后送入所述类别判定模块,所述类别判定模块根据融合特征完成瑕疵类别的判别。
进一步地,所述图像处理模块包括生成mask图,图像预处理。
进一步地,所述生成mask图子模块包括以下步骤:
步骤1.1:待检测目标图像和已知模板图像做滤波处理以去除图像底纹影响;
步骤1.2:对滤波处理后的待检测图像和已知模板图像做绝对值差分得到差分图;
步骤1.3:将差分图和bounding box做交集操作,然后进行阈值过滤,得到最终的二值化差分图mask。
进一步地,所述图像预处理子模块包括以下步骤:
步骤2.1:对待检测图像、已知模板图像和mask图像做全图像素归一化预处理;
步骤2.2:对待检测图像、已知模板图像和mask图像做尺寸缩放到固定尺寸预处理。
进一步地,所述多尺度特征融合网络(MSFFNet)模块包括以下步骤:
步骤3.1:将待检测图像和单通道mask图像在通道维度上拼接,得到一个4通道图像数据;
步骤3.2:分别针对4通道图像数据和已知模板图像数据构建两个相同的卷积神经网络,但是两个卷积神经网络不共享权重;每个卷积神经网络有4 个阶段,分别产生4个阶段的特征图;
步骤3.3:在两个卷积神经网络的对应阶段中,分别对4通道图像特征和已知模板图像特征做绝对值差,并将差值加在4通道图像对应阶段特征上;
步骤3.4:将4通道图像产生的4个阶段特征图经过上采样和卷积操作缩放到同一分辨率大小;
步骤3.5:将缩放到同一分辨率大小的4个特征图在通道维度上做拼接操作连接成一个特征图,得到融合特征。
进一步地,所述类别判定模块包括两个全连接层,具体步骤如下:
步骤4.1:将融合特征展平成一维向量;
步骤4.2:将展平成一维向量的融合特征输入到第一个全连接层进行初步分类,输出得到一个Nx1的一维向量,标记为k向量;
步骤4.3:将k向量拼接上瑕疵几何信息构成的一维向量,得到(N+d)x1 的一维向量,标记为u向量;
步骤4.4:将u向量输入到第二个全连接层,输出每个瑕疵类别预测概率。
综上,本发明具有如下优点:
本发明通过图像处理模块预处理布面图片,通过多尺度特征融合模块完成特征提取和融合,通过类别判定模块完成最后瑕疵类别的判定,通过该深度学习方法,有效地对瑕疵进行了分类,减少了人工误判的可能。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的模型结构图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易的了解本发明的其他优点及功效。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。
根据本发明,公布了一种基于多尺度特征融合的纺织品瑕疵分类方法,其特征在于,包括图像处理模块,多尺度特征融合网络模块,分类模块,其中,所述图像处理模块将工业相机获取到的待检测图像与已知模板图像进行预处理,所述特征提取模块接收图像输入模块处理后的数据,并将所提取的特征送入所述多尺度特征融合模块,所述多尺度特征融合模块对特征进行融合后送入所述类别判定模块,所述类别判定模块根据融合特征完成瑕疵类别的判别。
本发明通过图像处理模块预处理布面图片,通过多尺度特征融合模块完成特征提取和融合,通过分类模块完成最后瑕疵类别的判定,通过该深度学习方法,有效地对瑕疵进行了分类,减少了人工误判的可能。
其中,所述图像处理模块包括生成mask图,图像预处理。
其中,所述生成mask图子模块包括以下步骤:
步骤1.1:待检测目标图像和已知模板图像做5像素的的高斯模糊处理;
步骤1.2:对高斯模糊处理后的待检测图像和已知模板图像做绝对值差分得到差分图;
步骤1.3:将差分图和bounding box做交集操作,然后进行50阈值过滤,得到最终的二值化差分图mask。
其中,所述图像预处理子模块包括以下步骤:
步骤2.1:对待检测图像、已知模板图像和mask图像做全图像素归一化预处理;
步骤2.2:对待检测图像、已知模板图像和mask图像做尺寸缩放到512 预处理。
其中,所述多尺度特征融合网络(MSFFNet)模块包括以下步骤:
步骤3.1:将待检测图像和单通道mask图像在通道维度上拼接,得到一个4通道图像数据;
步骤3.2:分别针对4通道图像数据和已知模板图像数据构建两个相同的卷积神经网络,但是两个卷积神经网络不共享权重;每个卷积神经网络有4 个阶段,分别产生4个阶段的特征图;
步骤3.3:在两个卷积神经网络的对应阶段中,分别对4通道图像特征和已知模板图像特征做绝对值差,并将差值加在4通道图像对应阶段特征上;
步骤3.4:将4通道图像产生的4个阶段特征图经过上采样和卷积操作缩放到同一分辨率大小;
步骤3.5:将缩放到同一分辨率大小的4个特征图在通道维度上做拼接操作连接成一个特征图,得到融合特征。
其中,所述类别判定模块包括两个全连接层,具体步骤如下:
步骤4.1:将融合特征展平成一维向量;
步骤4.2:将展平成一维向量的融合特征输入到第一个全连接层进行初步分类,输出得到一个512维度的一维向量;
步骤4.3:得到的512维度的一维向量,拼接上瑕疵几何信息构成的一维向量,得到517维度的一维向量;
步骤4.4:将所得517维度的一维向量,输入到第二个全连接层,输出15 个瑕疵类别预测概率。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替代或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (6)
1.一种基于多尺度特征融合的纺织品瑕疵分类方法,其特征在于,包括图像处理模块,多尺度特征融合网络模块,类别判定模块,其中,所述图像处理模块将工业相机获取到的待检测图像与已知模板图像进行预处理,所述特征提取模块接收图像输入模块处理后的数据,并将所提取的特征送入所述多尺度特征融合模块,所述多尺度特征融合模块对特征进行融合后送入所述类别判定模块,所述类别判定模块根据融合特征完成瑕疵类别的判别。
2.根据权利要求1所述的一种基于多尺度特征融合的纺织品瑕疵分类,其特征在于,所述图像处理模块包括生成mask图,图像预处理。
3.根据权利要求2所述的一种基于多尺度特征融合的纺织品瑕疵分类,其特征在于,所述生成mask图子模块包括以下步骤:
步骤1.1:待检测目标图像和已知模板图像做滤波处理以去除图像底纹影响;
步骤1.2:对滤波处理后的待检测图像和已知模板图像做绝对值差分得到差分图;
步骤1.3:将差分图和bounding box做交集操作,然后进行阈值过滤,得到最终的二值化差分图mask。
4.根据权利要求2所述的一种基于多尺度特征融合的纺织品瑕疵分类,其特征在于,所述图像预处理子模块包括以下步骤:
步骤2.1:对待检测图像、已知模板图像和mask图像做全图像素归一化预处理;
步骤2.2:对待检测图像、已知模板图像和mask图像做尺寸缩放到固定尺寸预处理。
5.根据权利要求1所述的一种基于多尺度特征融合的纺织品瑕疵分类,其特征在于,所述多尺度特征融合网络(MSFFNet)模块包括以下步骤:
步骤3.1:将待检测图像和单通道mask图像在通道维度上拼接,得到一个4通道图像数据;
步骤3.2:分别针对4通道图像数据和已知模板图像数据构建两个相同的卷积神经网络,但是两个卷积神经网络不共享权重;每个卷积神经网络有4个阶段,分别产生4个阶段的特征图;
步骤3.3:在两个卷积神经网络的对应阶段中,分别对4通道图像特征和已知模板图像特征做绝对值差,并将差值加在4通道图像对应阶段特征上;
步骤3.4:将4通道图像产生的4个阶段特征图经过上采样和卷积操作缩放到同一分辨率大小;
步骤3.5:将缩放到同一分辨率大小的4个特征图在通道维度上做拼接操作连接成一个特征图,得到融合特征。
6.根据权利要求1所述的一种基于多尺度特征融合的纺织品瑕疵分类,其特征在于,所述类别判定模块包括两个全连接层,具体步骤如下:
步骤4.1:将融合特征展平成一维向量;
步骤4.2:将展平成一维向量的融合特征输入到第一个全连接层进行初步分类,输出得到一个Nx1的一维向量,标记为k向量;
步骤4.3:将k向量拼接上瑕疵几何信息构成的一维向量,得到(N+d)x1的一维向量,标记为u向量;
步骤4.4:将u向量输入到第二个全连接层,输出每个瑕疵类别预测概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072558.7A CN113781449A (zh) | 2021-09-14 | 2021-09-14 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072558.7A CN113781449A (zh) | 2021-09-14 | 2021-09-14 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781449A true CN113781449A (zh) | 2021-12-10 |
Family
ID=78843431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111072558.7A Pending CN113781449A (zh) | 2021-09-14 | 2021-09-14 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703905A (zh) * | 2023-08-04 | 2023-09-05 | 聚时科技(深圳)有限公司 | 空料检测方法、装置、电子设备和计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
CN111861996A (zh) * | 2020-06-23 | 2020-10-30 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN112258459A (zh) * | 2020-10-12 | 2021-01-22 | 江南大学 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
CN112365462A (zh) * | 2020-11-06 | 2021-02-12 | 华雁智科(杭州)信息技术有限公司 | 一种基于图像的变化检测方法 |
CN113160291A (zh) * | 2021-04-12 | 2021-07-23 | 华雁智科(杭州)信息技术有限公司 | 一种基于图像配准的变化检测方法 |
CN113160123A (zh) * | 2021-02-24 | 2021-07-23 | 广东工业大学 | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 |
US20210241027A1 (en) * | 2018-11-30 | 2021-08-05 | Tencent Technology (Shenzhen) Company Limited | Image segmentation method and apparatus, diagnosis system, storage medium, and computer device |
-
2021
- 2021-09-14 CN CN202111072558.7A patent/CN113781449A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
US20210241027A1 (en) * | 2018-11-30 | 2021-08-05 | Tencent Technology (Shenzhen) Company Limited | Image segmentation method and apparatus, diagnosis system, storage medium, and computer device |
CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
CN111861996A (zh) * | 2020-06-23 | 2020-10-30 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN112258459A (zh) * | 2020-10-12 | 2021-01-22 | 江南大学 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
CN112365462A (zh) * | 2020-11-06 | 2021-02-12 | 华雁智科(杭州)信息技术有限公司 | 一种基于图像的变化检测方法 |
CN113160123A (zh) * | 2021-02-24 | 2021-07-23 | 广东工业大学 | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 |
CN113160291A (zh) * | 2021-04-12 | 2021-07-23 | 华雁智科(杭州)信息技术有限公司 | 一种基于图像配准的变化检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703905A (zh) * | 2023-08-04 | 2023-09-05 | 聚时科技(深圳)有限公司 | 空料检测方法、装置、电子设备和计算机可读存储介质 |
CN116703905B (zh) * | 2023-08-04 | 2023-11-24 | 聚时科技(深圳)有限公司 | 空料检测方法、装置、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
CN112037219B (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN111179250B (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及系统 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN115731400A (zh) | 基于自监督学习的x光图像异物检测方法 | |
CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
CN113781449A (zh) | 一种基于多尺度特征融合的纺织品瑕疵分类方法 | |
CN115713480A (zh) | 一种集成电路金属封装深度学习缺陷检测方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 | |
CN114078106A (zh) | 基于改进Faster R-CNN的疵点检测方法 | |
Luo et al. | Waterdrop removal from hot-rolled steel strip surfaces based on progressive recurrent generative adversarial networks | |
CN115761380A (zh) | 基于逐通道特征融合的印花布匹瑕疵分类方法 | |
CN115272310B (zh) | 工件的缺陷检测方法及装置 | |
CN113066075B (zh) | 一种多图像融合的牛仔布瑕疵检测方法及装置 | |
Revathy et al. | Fabric defect detection and classification via deep learning-based improved Mask RCNN | |
WO2022181304A1 (ja) | 検査システムおよび検査プログラム | |
Chen et al. | Detecting aluminium tube surface defects by using faster region-based convolutional neural networks | |
CN116758036A (zh) | 基于Mask R-CNN的齿轮缺陷分割模型及训练方法和检测方法 | |
CN117611519A (zh) | 一种固体氧化物燃料电池表面缺陷检测方法及系统 |
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 |