CN114066826A - 一种基于人工智能的织物起毛起球自动评级方法 - Google Patents

一种基于人工智能的织物起毛起球自动评级方法 Download PDF

Info

Publication number
CN114066826A
CN114066826A CN202111275887.1A CN202111275887A CN114066826A CN 114066826 A CN114066826 A CN 114066826A CN 202111275887 A CN202111275887 A CN 202111275887A CN 114066826 A CN114066826 A CN 114066826A
Authority
CN
China
Prior art keywords
pilling
fuzzing
artificial intelligence
photo
grading
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
CN202111275887.1A
Other languages
English (en)
Inventor
张勇
梁涛
王一鑫
简晓昀
林风喜
王文
毕兴忠
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 Guantu Vision Technology Co ltd
Anta China Co Ltd
Original Assignee
Guangzhou Guantu Vision Technology Co ltd
Anta China 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 Guantu Vision Technology Co ltd, Anta China Co Ltd filed Critical Guangzhou Guantu Vision Technology Co ltd
Priority to CN202111275887.1A priority Critical patent/CN114066826A/zh
Publication of CN114066826A publication Critical patent/CN114066826A/zh
Pending legal-status Critical Current

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于人工智能的织物起毛起球自动评级方法，包括以下步骤：S1采集照片；S2照片预处理；S3特征提取；S4特征比对；S5根据特征之间的差异评级，本发明适用于数字图像处理技术领域，采集图像后，经特征提取、特征比对等一系列模块后形成对该样品的级别评定，解决人工评级中效率低、主观性强、不同人之间存在差异的问题，对织物起毛起球评级任务效果明显，最终的结果准确、稳定。

Description

一种基于人工智能的织物起毛起球自动评级方法
技术领域
本发明属于数字图像处理技术领域，具体是一种基于人工智能的织物起毛起球自动评级方法。
背景技术
织物起毛起球是指在使用和清洁过程中,织物表面受到外力的搓摩等产生的毛茸(称“起毛”),不能及时脱落与清除,进一步缠结为小球(称“起球”)的现象，严重影响衣物的观感。
现有织物起毛起球评级方法多采用人工评级，人工评级主要由工作人员根据经验和主观感受对布样进行评级的过程，人工评级会由于光线、角度、主观感受等各种原因导致评级结果存在偏差。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于人工智能的织物起毛起球自动评级方法。
为实现上述目的，本发明采用了如下技术方案：
一种基于人工智能的织物起毛起球自动评级方法，包括以下步骤：
S1采集照片；
S2照片预处理；
S3特征提取；
S4特征比对；
S5根据特征之间的差异评级。
优选的，所述步骤S1中，通过图像采集系统采集照片。
优选的，所述步骤S2中，照片预处理，包括：
用直方图均衡化的方法将照片图像的灰度值拉升到整个灰度范围。
优选的，所述步骤S2中，用直方图均衡化的方法将照片图像的灰度值拉升到整个灰度范围，包括：
统计原始照片图像各灰度级的出现频数nk；
求出每个灰度级出现的概率Prk；
根据公式Ⅰ求出每个像素值映射之后的新值；
所述公式Ⅰ为：
Figure BDA0003329399960000021
其中，Pr(rk)＝nk/N。
优选的，所述步骤S2中，照片预处理，还包括：
根据x＝x/127.5-1,将照片图像的每个像素值归一化为-1～1的范围内。
优选的，所述步骤S3中，特征提取，包括：
采用神经网络卷积，输入步骤S2中归一化后的照片图像进行特征的提取，其中，神经网络卷积采用SENet的网络结构；
将网络最后一层提取到的特征映射为1024维的向量。
优选的，所述步骤S4中，特征比对，包括：
将提取到的特征与标准样照的特征在余弦空间上进行比对，以余弦距离作为评判标准，距离越小则两张图片越接近；
余弦距离计算方式为：
Figure BDA0003329399960000031
优选的，所述步骤S5中，根据特征之间的差异评级，包括：
选择差异性最小的标准样照，以该标准样照的等级作为照片的评级。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，采集图像后，经特征提取、特征比对等一系列模块后形成对该样品的级别评定，解决人工评级中效率低、主观性强、不同人之间存在差异的问题，对织物起毛起球评级任务效果明显，最终的结果准确、稳定。
附图说明
图1是本发明一种基于人工智能的织物起毛起球自动评级方法的流程图；
图2是本发明一种基于人工智能的织物起毛起球自动评级方法中对提取的特征进行加权的流程示意图。
具体实施方式
以下结合附图1-2，进一步说明本发明一种基于人工智能的织物起毛起球自动评级方法的具体实施方式。本发明一种基于人工智能的织物起毛起球自动评级方法不限于以下实施例的描述。
实施例1：
本实施例给出一种基于人工智能的织物起毛起球自动评级方法的具体实施方式，如图1所示，包括以下步骤：
S1采集照片；
S2照片预处理；
S3特征提取；
S4特征比对；
S5根据特征之间的差异评级。
进一步的，步骤S1中，通过图像采集系统采集照片。
进一步的，步骤S2中，照片预处理，包括：
用直方图均衡化的方法将照片图像的灰度值拉升到整个灰度范围。
进一步的，步骤S2中，用直方图均衡化的方法将照片图像的灰度值拉升到整个灰度范围，包括：
统计原始照片图像各灰度级的出现频数nk；
求出每个灰度级出现的概率Prk；
根据公式Ⅰ求出每个像素值映射之后的新值；
公式Ⅰ为：
Figure BDA0003329399960000051
其中，Pr(rk)＝nk/N。
进一步的，步骤S2中，照片预处理，还包括：
根据x＝x/127.5-1,将照片图像的每个像素值归一化为-1～1的范围内，从而减少干扰加速收敛。
进一步的，如图2所示，步骤S3中，特征提取，包括：
采用神经网络卷积，输入步骤S2中归一化后的照片图像进行特征的提取，同时，由于起毛起球的评级属于细粒度分类任务，类内距离有时候会超过类间距离，为了让神经网络更为有效的提取到特征，采用SENet的网络结构，其主要目的在于对卷积层提取到的特征从channel维度上评分，也即对不同的特征的重要性进行学习并施加一个权重，通过这种方法可以让神经网络更加关注那些信息量大的特征(例如起毛起球评级任务中球的个数和大小)，并抑制那些不重要的特征(例如起毛起球评级任务中布样的花纹、颜色)；
将网络最后一层提取到的特征映射为1024维的向量。
进一步的，步骤S4中，特征比对，包括：
将提取到的特征与标准样照的特征在余弦空间上进行比对，以余弦距离作为评判标准，距离越小则两张图片越接近；
余弦距离计算方式为：
Figure BDA0003329399960000061
进一步的，步骤S5中，根据特征之间的差异评级，包括：
选择差异性最小的标准样照，以该标准样照的等级作为照片的评级。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于人工智能的织物起毛起球自动评级方法，其特征在于，包括以下步骤：
S1采集照片；
S2照片预处理；
S3特征提取；
S4特征比对；
S5根据特征之间的差异评级。
2.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于：所述步骤S1中，通过图像采集系统采集照片。
3.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于，所述步骤S2中，照片预处理，包括：
用直方图均衡化的方法将照片图像的灰度值拉升到整个灰度范围。
4.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于，所述步骤S2中，用直方图均衡化的方法将照片图像的灰度值拉升到整个灰度范围，包括：
统计原始照片图像各灰度级的出现频数nk；
求出每个灰度级出现的概率Prk；
根据公式Ⅰ求出每个像素值映射之后的新值；
所述公式Ⅰ为：
Figure FDA0003329399950000021
其中，Pr(rk)＝nk/N。
5.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于，所述步骤S2中，照片预处理，还包括：
根据x＝x/127.5-1,将照片图像的每个像素值归一化为-1～1的范围内。
6.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于，所述步骤S3中，特征提取，包括：
采用神经网络卷积，输入步骤S2中归一化后的照片图像进行特征的提取，其中，神经网络卷积采用SENet的网络结构；
将网络最后一层提取到的特征映射为1024维的向量。
7.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于，所述步骤S4中，特征比对，包括：
将提取到的特征与标准样照的特征在余弦空间上进行比对，以余弦距离作为评判标准，距离越小则两张图片越接近；
余弦距离计算方式为：
Figure FDA0003329399950000022
8.如权利要求1所述的一种基于人工智能的织物起毛起球自动评级方法，其特征在于，所述步骤S5中，根据特征之间的差异评级，包括：
选择差异性最小的标准样照，以该标准样照的等级作为照片的评级。
CN202111275887.1A 2021-10-29 2021-10-29 一种基于人工智能的织物起毛起球自动评级方法 Pending CN114066826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111275887.1A CN114066826A (zh) 2021-10-29 2021-10-29 一种基于人工智能的织物起毛起球自动评级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111275887.1A CN114066826A (zh) 2021-10-29 2021-10-29 一种基于人工智能的织物起毛起球自动评级方法

Publications (1)

Publication Number Publication Date
CN114066826A true CN114066826A (zh) 2022-02-18

Family

ID=80236106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111275887.1A Pending CN114066826A (zh) 2021-10-29 2021-10-29 一种基于人工智能的织物起毛起球自动评级方法

Country Status (1)

Country Link
CN (1) CN114066826A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050094853A1 (en) * 2003-10-29 2005-05-05 Tae-Jin Kang Objective evaluation of fabric pilling using stereovision and measuring apparatus
CN106846396A (zh) * 2017-01-04 2017-06-13 西安工程大学 基于视觉注意机制的织物起球等级评价方法
CN110120032A (zh) * 2019-04-10 2019-08-13 西安工程大学 基于相对总变差模型与mser的织物毛球等级评价方法
CN110704712A (zh) * 2019-09-20 2020-01-17 武汉大学 基于图像检索的场景图片拍摄位置范围识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050094853A1 (en) * 2003-10-29 2005-05-05 Tae-Jin Kang Objective evaluation of fabric pilling using stereovision and measuring apparatus
CN106846396A (zh) * 2017-01-04 2017-06-13 西安工程大学 基于视觉注意机制的织物起球等级评价方法
CN110120032A (zh) * 2019-04-10 2019-08-13 西安工程大学 基于相对总变差模型与mser的织物毛球等级评价方法
CN110704712A (zh) * 2019-09-20 2020-01-17 武汉大学 基于图像检索的场景图片拍摄位置范围识别方法及系统

Similar Documents

Publication Publication Date Title
CN112435221B (zh) 一种基于生成式对抗网络模型的图像异常检测方法
CN107633255A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
CN109859171A (zh) 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法
CN105844278B (zh) 一种多特征融合的织物扫描图案识别方法
Fan et al. No reference image quality assessment based on multi-expert convolutional neural networks
CN110210608A (zh) 基于注意力机制和多层次特征融合的低照度图像增强方法
CN111611907B (zh) 一种图像增强的红外目标检测方法
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN110717520B (zh) 基于高光谱图像空间特征和光谱特征融合的固废识别方法
CN111652326A (zh) 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统
CN111242868B (zh) 暗视觉环境下基于卷积神经网络的图像增强方法
CN109191421A (zh) 柱形锂电池圆周面凹坑视觉检测方法
CN109035254A (zh) 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN106203536B (zh) 一种织物疵点的特征提取及检测方法
CN111882555A (zh) 基于深度学习的网衣检测方法、装置、设备及存储介质
Jia et al. Research on the decomposition and fusion method for the infrared and visible images based on the guided image filtering and Gaussian filter
CN114066826A (zh) 一种基于人工智能的织物起毛起球自动评级方法
CN112966637A (zh) 基于深度学习的织物纹理分类自动识别方法
CN106446904A (zh) 基于全局二值化的图像识别方法
CN113537410B (zh) 一种通用的深度学习正样本自动均衡方法
CN109919235A (zh) 一种基于人工干预样本集权重的深度学习图像分类模型训练方法
Jeffrey Kuo et al. Self-organizing map network for automatically recognizing color texture fabric nature
CN109726641B (zh) 一种基于训练样本自动优化的遥感影像循环分类方法
CN116029957A (zh) 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法

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