CN114494236A - 基于过完备卷积神经网络的织物缺陷检测方法及系统 - Google Patents
基于过完备卷积神经网络的织物缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114494236A CN114494236A CN202210142778.0A CN202210142778A CN114494236A CN 114494236 A CN114494236 A CN 114494236A CN 202210142778 A CN202210142778 A CN 202210142778A CN 114494236 A CN114494236 A CN 114494236A
- Authority
- CN
- China
- Prior art keywords
- fabric
- neural network
- convolutional neural
- overcomplete
- image
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 87
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 230000002950 deficient Effects 0.000 claims abstract description 13
- 238000012800 visualization Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling 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
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于过完备卷积神经网络的织物缺陷检测方法及系统，涉及织物表面缺陷检测技术领域，包括以下步骤：图像获取步骤：利用图像采集设备，采集织物图像；图像预处理步骤：对所述织物图像进行预处理，得到预处理后的织物图像；检测步骤：将所述预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；可视化和保存步骤：将所述检测结果进行可视化并保存。本发明采用的卷积神经网络模型结构由过完备与欠完备两条分支构成，在保证精度的同时，提高对小缺陷的识别与边界的细化；采用语义分割这种端到端的检测方式实现对织物缺陷部位的识别，其检测结果更利于后续对缺陷量化特征的提取。
Description
技术领域
本发明涉及织物表面缺陷检测技术领域，尤其涉及基于过完备卷积神经网络的织物缺陷检测方法及系统。
背景技术
随着纺织行业的飞速发展，人们对织物布匹质量的控制也越来越严格，在纺织工业中，人为过失、机器故障、纱线断裂等各种不利因素容易造成面料缺陷并影响产品品质，从而给企业造成巨大的经济损失，因此织物疵点检测是品质控制的重要环节之一。
随着计算机视觉技术的发展与GPU算力的提升，深度学习技术发展迅速。深度学习算法通过结合低层次的特征，将图像转化为复杂、抽象的特征表示，这一能力克服了对特定或复杂缺陷的特征提取困难这一问题。因此，基于卷积神经网络的算法(如Faster-RCNN、YOLOv5、UNet等)也在逐渐被应用到工业级的缺陷检测任务中。但是，经典的模型结构采用池化或步长为2的卷积进行下采样操作。随着网络深度的增加，模型虽然能提取到更多高级的、抽象的特征，但随之而来的，由于加深网络而导致的分辨率降低问题，使得模型不能很好地识别小缺陷或细化缺陷的边界。
因此，提出一种基于过完备卷积神经网络的织物缺陷检测方法及系统，解决现有技术中存在的问题，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了基于过完备卷积神经网络的织物缺陷检测方法及系统，能够很好地识别织物上的小缺陷或细化缺陷的边界。
为了实现上述目的，本发明采用如下技术方案：
基于过完备卷积神经网络的织物缺陷检测方法，包括以下步骤：
S101：图像获取步骤：利用图像采集设备，采集织物图像；
S102：图像预处理步骤：对所述织物图像进行预处理，得到预处理后的织物图像；
S103：检测步骤：将所述预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；
S104：可视化和保存步骤：将所述检测结果进行可视化并保存。
可选的，所述S102中对所述织物图像进行预处理，包括数据增强处理和归一化处理。
可选的，所述S103中所述训练好的过完备卷积神经网络模型包括：过完备分支和欠完备分支，在所述过完备分支及所述欠完备分支末端对所述过完备分支和所述欠完备分支的输出进行融合，并通过一个1×1卷积操作适应检测结果。
可选的，所述S103中所述过完备卷积神经网络模型的训练过程中模型权重获取方法如下：
S1031：采集织物图像，对带缺陷的织物图像进行手工标注作为数据的标签，建立一个织物缺陷训练数据集；
S1032：将所述织物缺陷训练数据集按比例划分为训练集和验证集；
S1033：将所述训练集的图像分批输入至所述过完备卷积神经网络模型中，计算所述过完备卷积神经网络模型输出的特征图与所述标签的损失函数；
S1034：计算所述损失函数的梯度，并采用随机梯度下降法进行反向传播，对所述过完备卷积神经网络模型进行优化；
S1035：将所述验证集的图像分批输入至所述过完备卷积神经网络模型中，计算过完备卷积神经网络模型的评价指标；
S1036：重复所述S1032、所述S1033和所述S1034直至所述评价指标高于设定阈值或训练已达所设定的次数；
S1037：保存所述评价指标最高的模型权重。
可选的，所述S1033中所述损失函数为交叉熵损失函数，具体如下：
其中，N表示一个样本的分辨率，xn表示该样本第n个像素的输出值，yn表示该样本第n个像素的标签，n为正整数。
可选的，所述S1035中所述评价指标为缺陷区域的交并比，具体如下：
其中，Rp表示模型预测为缺陷的区域，Rl表示标签标注为缺陷的区域。
可选的，所述S1032中将按照4:1比例将所述织物缺陷训练数据集划分为所述训练集和所述验证集。
可选的，所述S101中的所述图像采集设备为工业相机。
基于过完备卷积神经网络的织物缺陷检测系统，应用所述的基于过完备卷积神经网络的织物缺陷检测方法，包括依次连接的数据获取模块、预处理模块、检测模块以及可视化和保存模块；
所述数据获取模块，用于利用图像采集设备，采集织物图像；
所述预处理模块，对所述织物图像进行预处理，得到预处理后的织物图像；
所述检测模块，将所述预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；
所述可视化和保存模块，将所述检测结果进行可视化并保存。
经由上述的技术方案可知，与现有技术相比，本发明提供了基于过完备卷积神经网络的织物缺陷检测方法及系统：采用的卷积神经网络模型结构由过完备与欠完备两条分支构成，在保证精度的同时，提高对小缺陷的识别与边界的细化；采用语义分割这种端到端的检测方式实现对织物缺陷部位的识别，其检测结果更利于后续对缺陷量化特征的提取。
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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于过完备卷积神经网络的织物缺陷检测方法流程图；
图2为本发明提供的过完备卷积神经网络模型的训练权重获取方法流程图；
图3为本发明提供的基于过完备卷积神经网络的织物缺陷检测系统结构框图；
图4为本发明实施例提供的过完备卷积神经网络模型总体结构示意图；
图5为本发明实施例提供的过完备卷积神经网络模型的特征提取模块结构示意图；
图6为本发明实施例提供的过完备卷积神经网络模型的特征融合模块结构示意图。
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。
参照图1所示，本发明公开了基于过完备卷积神经网络的织物缺陷检测方法，包括以下步骤：
S101：图像获取步骤：利用图像采集设备，采集织物图像；
S102：图像预处理步骤：对织物图像进行预处理，得到预处理后的织物图像；
S103：检测步骤：将预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；
S104：可视化和保存步骤：将检测结果进行可视化并保存。
在一个具体实施例中，S102中对织物图像进行预处理，包括数据增强处理和归一化处理。
在一个具体实施例中，S103中训练好的过完备卷积神经网络模型包括：过完备分支和欠完备分支，在所述过完备分支及所述欠完备分支末端对过完备分支和欠完备分支的输出进行融合，并通过一个1×1卷积操作适应检测结果。
在一个具体实施例中，参照图2所示，S103中过完备卷积神经网络模型的训练过程中模型权重获取方法如下：
S1031：采集织物图像，对带缺陷的织物图像进行手工标注作为数据的标签，建立一个织物缺陷训练数据集；
S1032：将织物缺陷训练数据集按比例划分为训练集和验证集；
S1033：将训练集的图像分批输入至过完备卷积神经网络模型中，计算过完备卷积神经网络模型输出的特征图与标签的损失函数；
S1034：计算损失函数的梯度，并采用随机梯度下降法进行反向传播，对过完备卷积神经网络模型进行优化；
S1035：将验证集的图像分批输入至过完备卷积神经网络模型中，计算过完备卷积神经网络模型的评价指标；
S1036：重复S1032、S1033和S1034直至评价指标高于设定阈值或训练已达所设定的次数；
S1037：保存评价指标最高的模型权重。
在一个具体实施例中，S1033中损失函数为交叉熵损失函数，具体如下：
其中，N表示一个样本的分辨率，xn表示该样本第n个像素的输出值，yn表示该样本第n个像素的标签，n为正整数。
在一个具体实施例中，S1035中评价指标为缺陷区域的交并比，具体如下：
其中，Rp表示模型预测为缺陷的区域，Rl表示标签标注为缺陷的区域。
在一个具体实施例中，S1032中将按照4:1比例将织物缺陷训练数据集划分为训练集和验证集。
在一个具体实施例中，S101中的图像采集设备为工业相机。
参照图3所示，本发明公开了基于过完备卷积神经网络的织物缺陷检测系统，应用上述基于过完备卷积神经网络的织物缺陷检测方法，包括依次连接的数据获取模块、预处理模块、检测模块以及可视化和保存模块；
数据获取模块，用于利用图像采集设备，采集织物图像；
预处理模块，对织物图像进行预处理，得到预处理后的织物图像；
检测模块，将预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；
可视化和保存模块，将检测结果进行可视化并保存。
在另一个具体实施例中，基于过完备卷积神经网络的织物缺陷检测方法，具体包括以下步骤：
1)使用线阵相机扫描织物，获得分辨率为256×4096的织物图像；
2)对采集的织物图像进行预处理：首先将织物图像均匀裁剪为16张256×256分辨率的图像，再对其做归一化，将0～255灰度值归一化至0～1；
3)将经过预处理的织物图像输入至已加载训练权重的过完备卷积神经网络模型中进行前向推理；
4)对过完备卷积神经网络模型输出结果进行可视化并保存：将16张图像重新组合为256×4096的图像后，将预测为缺陷区域标记为1，非缺陷区域标记为0。
其中，训练好的网络权重由如图2所示流程获得，步骤如下：
a)使用线阵相机扫描织物，获得分辨率为256×4096的图像，对带缺陷的织物图像进行手工标注作为数据的标签，建立一个织物缺陷训练数据集。
b)将数据集按4:1的比例划分为训练集和验证集。
c)将数据集中训练集的图像分批输入至过完备卷积神经网络模型中，计算过完备卷积神经网络模型输出的特征图与数据集标签的损失函数，损失函数形式可为交叉熵损失函数，具体如下：
其中，N表示一个样本的分辨率，xn和yn分别表示该样本第n个像素的输出值与标签，n为正整数。
d)计算损失函数的梯度，并采用随机梯度下降法进行反向传播，对过完备卷积神经网络模型进行优化：选用SGD随机梯度下降优化器，共训练迭代100轮次，初始学习率为0.001，并根据当前迭代次数动态调整，具体调整策略为：
其中，lriter为本次迭代所使用的学习率，lr为初始学习率，iter为当前迭代次数，maxiter为最大迭代次数，power＝2。
将数据集中验证集的图像分批输入至过完备卷积神经网络模型中，计算过完备卷积神经网络模型的评价指标：评价指标可以是缺陷区域的交并比，具体如下：
其中Rp为模型预测为缺陷的区域，Rl为标签标注为缺陷的区域。
重复步骤b)、步骤c)和步骤d)直至训练已达所设定的次数。本实施例设定训练迭代次数为100。
e)保存评价指标最高的模型权重。
过完备卷积神经网络模型结构如图4所示，具体由过完备分支与欠完备分支组成，在末端对两个分支的输出进行融合，并通过一个1×1卷积操作以适应预测结果。
过完备分支与普通分支均为编解码结构。欠完备分支编码部分由3个依次连接的特征提取模块和下采样操作组成，解码部分由3个依次连接的特征提取模块和上采样操作组成。过完备分支编码部分由3个依次连接特征提取模块和上采样操作组成，解码部分由3个依次连接特征提取模块和下采样操作组成。
其中，上采样方式为双线性插值法，下采用采用步长为2的卷积操作特征提取模块为残差结构，具体如图5所示。
同一分支上，采用跳跃连接的方式，逐像素相加对编、解码部分的对应特征进行融合；不同分支上对应特征使用卷积操作进行融合，具体方法如图6所示，其中卷积核为3×3，上、下采样方法为插值法。
对所公开的实施例的上述说明，按照递进的方式进行，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，包括以下步骤：
S101：图像获取步骤：利用图像采集设备，采集织物图像；
S102：图像预处理步骤：对所述织物图像进行预处理，得到预处理后的织物图像；
S103：检测步骤：将所述预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；
S104：可视化和保存步骤：将所述检测结果进行可视化并保存。
2.根据权利要求1所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S102中对所述织物图像进行预处理，包括数据增强处理和归一化处理。
3.根据权利要求1所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S103中所述训练好的过完备卷积神经网络模型包括：过完备分支和欠完备分支，在所述过完备分支及所述欠完备分支末端对所述过完备分支和所述欠完备分支的输出进行融合，并通过一个1×1卷积操作适应检测结果。
4.根据权利要求1所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S103中所述过完备卷积神经网络模型的训练过程中模型权重获取方法如下：
S1031：采集织物图像，对带缺陷的织物图像进行手工标注作为数据的标签，建立一个织物缺陷训练数据集；
S1032：将所述织物缺陷训练数据集按比例划分为训练集和验证集；
S1033：将所述训练集的图像分批输入至所述过完备卷积神经网络模型中，计算所述过完备卷积神经网络模型输出的特征图与所述标签的损失函数；
S1034：计算所述损失函数的梯度，并采用随机梯度下降法进行反向传播，对所述过完备卷积神经网络模型进行优化；
S1035：将所述验证集的图像分批输入至所述过完备卷积神经网络模型中，计算过完备卷积神经网络模型的评价指标；
S1036：重复所述S1032、所述S1033和所述S1034直至所述评价指标高于设定阈值或训练已达所设定的次数；
S1037：保存所述评价指标最高的模型权重。
5.根据权利要求4所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S1033中所述损失函数为交叉熵损失函数，具体如下：
其中，N表示一个样本的分辨率，xn表示该样本第n个像素的输出值，yn表示该样本第n个像素的标签，n为正整数。
6.根据权利要求4所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S1035中所述评价指标为缺陷区域的交并比，具体如下：
其中，Rp表示模型预测为缺陷的区域，Rl表示标签标注为缺陷的区域。
7.根据权利要求4所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S1032中按照4:1比例将所述织物缺陷训练数据集划分为所述训练集和所述验证集。
8.根据权利要求1所述的基于过完备卷积神经网络的织物缺陷检测方法，其特征在于，
所述S101中的所述图像采集设备为工业相机。
9.基于过完备卷积神经网络的织物缺陷检测系统，其特征在于，应用所述权利要求1-8任一项所述的基于过完备卷积神经网络的织物缺陷检测方法，包括依次连接的数据获取模块、预处理模块、检测模块以及可视化和保存模块；
所述数据获取模块，用于利用图像采集设备，采集织物图像；
所述预处理模块，对所述织物图像进行预处理，得到预处理后的织物图像；
所述检测模块，将所述预处理后的织物图像输入至训练好的过完备卷积神经网络模型中，输出检测结果；
所述可视化和保存模块，将所述检测结果进行可视化并保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210142778.0A CN114494236A (zh) | 2022-02-16 | 2022-02-16 | 基于过完备卷积神经网络的织物缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210142778.0A CN114494236A (zh) | 2022-02-16 | 2022-02-16 | 基于过完备卷积神经网络的织物缺陷检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114494236A true CN114494236A (zh) | 2022-05-13 |
Family
ID=81482013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210142778.0A Pending CN114494236A (zh) | 2022-02-16 | 2022-02-16 | 基于过完备卷积神经网络的织物缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494236A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114622311A (zh) * | 2022-05-17 | 2022-06-14 | 北京东方国信科技股份有限公司 | 断线检测方法、装置及纺纱机 |
| WO2024231880A1 (en) * | 2023-05-10 | 2024-11-14 | Lohia Corp Limited | A deformity detection system and a method for detecting fabric deformities and management thereof |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| 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 |
| CN113989224A (zh) * | 2021-10-27 | 2022-01-28 | 西安工程大学 | 一种基于生成对抗网络的彩色纹理织物缺陷检测方法 |
-
2022
- 2022-02-16 CN CN202210142778.0A patent/CN114494236A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| 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 |
| CN113989224A (zh) * | 2021-10-27 | 2022-01-28 | 西安工程大学 | 一种基于生成对抗网络的彩色纹理织物缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| JEYA MARIA JOSE VALANARASU等: "KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation", 《ARXIV:2010.01663V2》, 14 October 2021 (2021-10-14) * |
| 唐有赟等: "基于轻量级模型的经编布瑕疵在线检测算法", 《东华大学学报(自然科学版)》, vol. 46, no. 06, 25 December 2020 (2020-12-25), pages 922 - 928 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114622311A (zh) * | 2022-05-17 | 2022-06-14 | 北京东方国信科技股份有限公司 | 断线检测方法、装置及纺纱机 |
| WO2024231880A1 (en) * | 2023-05-10 | 2024-11-14 | Lohia Corp Limited | A deformity detection system and a method for detecting fabric deformities and management thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570396A (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
| CN109118467B (zh) | 基于生成对抗网络的红外与可见光图像融合方法 | |
| CN111681240B (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
| CN110363252A (zh) | 趋向于端到端的场景文字检测与识别方法以及系统 | |
| CN108364281B (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
| CN113780132B (zh) | 一种基于卷积神经网络的车道线检测方法 | |
| CN109034119A (zh) | 一种基于优化的全卷积神经网络的人脸检测方法 | |
| CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
| CN113361623B (zh) | 一种轻量级cnn结合迁移学习的医学图像分类方法 | |
| CN111091109A (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
| CN114494236A (zh) | 基于过完备卷积神经网络的织物缺陷检测方法及系统 | |
| CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
| CN111507998A (zh) | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 | |
| CN110059769A (zh) | 用于街景理解的基于像素重排重建的语义分割方法及系统 | |
| CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 | |
| CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
| CN114418956A (zh) | 一种变电站关键电气设备的变化检测方法及系统 | |
| CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
| CN117392116A (zh) | 一种超宽幅金属表面瑕疵检测与识别方法 | |
| CN115147439B (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
| CN116012687A (zh) | 一种用于轮对踏面缺陷识别的图像交互融合方法 | |
| CN111612787A (zh) | 混凝土裂纹高分图像无损语义分割方法、装置及存储介质 | |
| CN115830054A (zh) | 基于多窗口高低频视觉变换器的裂缝图像分割方法 | |
| CN115908793A (zh) | 一种基于位置注意力机制的编解码结构语义分割模型 | |
| CN110287981A (zh) | 基于生物启发性表征学习的显著性检测方法及系统 |
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 |