CN114529538A - 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 - Google Patents

基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 Download PDF

Info

Publication number
CN114529538A
CN114529538A CN202210176128.8A CN202210176128A CN114529538A CN 114529538 A CN114529538 A CN 114529538A CN 202210176128 A CN202210176128 A CN 202210176128A CN 114529538 A CN114529538 A CN 114529538A
Authority
CN
China
Prior art keywords
image
gaussian mixture
defect
sample image
submodels
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.)
Withdrawn
Application number
CN202210176128.8A
Other languages
English (en)
Inventor
邓存芳
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.)
Nantong Haiheng Textile Equipment Co ltd
Original Assignee
Nantong Haiheng Textile Equipment 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 Nantong Haiheng Textile Equipment Co ltd filed Critical Nantong Haiheng Textile Equipment Co ltd
Priority to CN202210176128.8A priority Critical patent/CN114529538A/zh
Publication of CN114529538A publication Critical patent/CN114529538A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，该方法包括：获取纺织物图像的灰度图，将灰度图分割为多个块图像；根据块图像的像素点位置分布和灰度值变化特征，获取多个高斯混合子模型；根据高斯混合子模型获取可能存在缺陷的高斯混合子模型的缺陷占比量，根据缺陷占比量获取训练图像集，根据训练图像集对构建的缺陷检测网络模型进行训练，利用训练完成的缺陷检测网络模型对待检测的纺织物图像进行检测，判断待检测纺织物图像中缺陷的位置，本发明方法通过训练好的缺陷检测网络模型对待检测纺织物图像进行检测，不仅提高了检测效率，同时提高了缺陷检测的精确度，实用性强，值得推广。

Description

基于人工智能和高斯混合模型的纺织物表面缺陷检测方法
技术领域
本发明涉及纺织物缺陷检测技术领域，具体涉及基于人工智能和高斯混合模型的纺织物表面缺陷检测方法。
背景技术
随着机器视觉和人工智能的不断发展，逐渐应用到了纺织物表面缺陷检测领域。现有技术中，针对纺织物表面缺陷的检测，专利号为CN101063660，专利名称为一种纺织品缺陷检测方法及其装置公开了利用小波变换对图像进行小波分解，获取不同方向的高频信息和近似分量，并利用自适应阈值处理，进行纺织物缺陷定位。
然而，通过不同方向上的高频信息虽然能够得到纺织物表面纹理信息，但是纺织物缺陷相较于纺织物表面纹理同样属于高频信息，不同的缺陷程度，高频信息变化的程度也不同，从而使得简单的阈值处理很难保证检测精度，因此，需要基于人工智能和高斯混合模型的纺织物表面缺陷检测方法。
发明内容
本发明提供基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，以解决现有的问题。
本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法采用如下技术方案：该方法包括：
S1、S1、采集纺织物图像并获取纺织物图像的灰度图，对灰度图进行分割得到对多个块图像；
S2、获取各个块图像的像素点灰度值的变化特征和像素点的分布位置，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型；
S3、对多个高斯混合子模型进行聚类，得到多个聚类簇，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量，获取所有占比量中的最高占比量，最高占比量所对应的聚类簇记为正常纹理的高斯分布模型，其他占比量记为可能存在缺陷的高斯分布模型数量的缺陷占比量；
S4、缺陷占比量等于0所对应的块图像作为正样本图像、缺陷占比量大于0所对应的块图像作为负样本图像；
S5、构建缺陷检测网络模型，根据缺陷占比量对缺陷检测网络模型的每层网络卷积层的神经元丢弃率进行调节，得到调节后的缺陷检测网络模型，对调节后的缺陷检测网络模型进行训练，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；
S6、重复S1到S4步骤，获取待测纺织物图像的待测正样本图像和待测负样本图像，将待测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型，得出待测纺织物图像的置信度，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像。
优选的，S步骤中还包括：利用中值滤波去噪算法对灰度图进行去噪处理；
利用直方图均衡化算法对灰度图进行灰度增强；
对去噪处理和灰度增强处理后的灰度图进行分割得到对多个块图像。
优选的，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型的步骤包括：
将所有的分割块图像作为高斯混合建模样本，初始化高斯混合模型中的方差、均值、权值参数；
获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征，根据像素点的分布位置和像素点灰度值的变化特征利用EM算法进行高斯模型拟合；得到K个高斯混合子模型。
优选的，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量的步骤包括：
设得到Q个聚类簇，对Q个聚类簇内的高斯分布子模型进行统计；
根据下式(1)获取每个聚类簇内高斯分布子模型数量占所有高斯混合子模型数量的占比量：
Figure BDA0003520338750000021
其中，Zi表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量，Num(Qi)表示第i个聚类簇中高斯混合子模型的数量；K表示所有聚类簇内高斯混合子模型的数量，i表示第几个聚类簇。
优选的，对缺陷检测网络进行训练的步骤包括：
将正样本图像和负样本图像输入缺陷检测网络模型的缺陷检测编码器中；
经过对正样本图像和负样本图像卷积、池化获取正样本图像和负样本图像的特征张量，对每层网络卷积层的神经元丢弃率p进行调节，预设初始的神经元丢弃率p0，
获取正样本图像和负样本图像对应的缺陷占比量的平均值，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率；
对调节后的神经元丢弃率进行归一化处理，范围为[0,1]之间。
优选的，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率的步骤包括：
根据下式(2)计算调节后的神经元丢弃率：
Figure BDA0003520338750000031
其中，Zb＝0.2表示初始丢弃率p0对应的数量占比均值，
Figure BDA0003520338750000032
表示卷积层的层数，
Figure BDA0003520338750000033
表示正样本图像和负样本图像对应的缺陷占比量的平均值。
优选的，将正样本图像和负样本图像输入神经元丢弃率调节后的缺陷检测网络模型进行训练得到图像是缺陷样本的置信度的步骤包括：
根据调节后的神经元丢弃率对正样本图像和负样本图像进行特征张量提取；
根据提取的特征张量通过全连接层得到神经元输出的图像缺陷置信度，其中Softmax层输出图像为缺陷图像的置信度。
优选的，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像的步骤包括：
设置信度阈值为M；
缺陷样本的置信度大于阈值时，得出纺织物图像为缺陷图像，反之，则为正常图像。
本发明的有益效果是：本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，通过将纺织物图像进行分割得到多个块图像，根据多个分割块图像进行高斯混合建模得到高斯混合子模型，对高斯混合子模型进行聚类获取纺织物的块图像的可能存在缺陷的高斯分布情况，得出训练集图像的样本，为缺陷检测网络模型训练提供参考，根据训练集图像的样本对网络卷积过程中各卷积层丢弃率进行调节，提高训练网络的泛化能力，避免过拟合，提高缺陷检测网络模型精度和训练速度，然后获取调节后的训练模型，根据调节后的训练模型对待检测的纺织物图形进行检测，从而实现待检测的纺织物图形中缺陷图像的高效检测及缺陷的精确检测，实用性强，值得推广。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法的实施例总体步骤的流程图。
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。
本发明的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法的实施例，该方法包括：
S1、采集纺织物图像并获取纺织物图像的灰度图，对灰度图进行分割得到对多个块图像。
具体的，通过相机获取纺织物表面RGB图像，对纺织物图像进行灰度化处理，得到灰度图像；其中为了去除因信道传输产生的噪声，避免噪声点影响后续高斯模型质量及提高纺织物表面纹理之间的对比度，在S1步骤中还包括：在获取灰度图之后，利用中值滤波去噪算法对灰度图像进行去噪处理，利用直方图均衡化算法对灰度图像进行灰度增强，然后对去噪和图像增强后的灰度图像进行平均分割，默认纺织物图像为N×N，将纺织物图像平均分割为m×m大小的等分图像，等分图像称为分割块图像，共同组成分割块图像集合。纺织物表面纹理相近，等分图像不存在明显的纹理差异。
S2、获取各个块图像的像素点灰度值的变化特征和像素点的分布位置，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型。
具体的，S21、将所有的分割块图像作为高斯混合建模样本，初始化高斯混合模型中的方差σ、均值μ、权值w参数，初始参数σ2＝15，μ＝0和w＝0.001，实际的方差大小可根据分割块图像大小进行调节，S22、获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征，根据像素点的分布位置和像素点灰度值的变化特征利用EM算法进行高斯模型拟合；得到K个高斯混合子模型，其中，利用像素点分布位置和灰度值变化特征进行高斯分布模型拟合的过程，高斯混合子模型的权值和方差参数在不断更新，直到K个高斯混合子模型全部收敛，将K个高斯混合子模型中的权值进行归一化处理，归一化采用最大最小值归一化。
S3、对多个高斯混合子模型进行聚类，得到多个聚类簇，其中，聚类方法采用K-means聚类；获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量Z，获取所有占比量Z中的最高占比量Zmax，具体的，设得到Q个聚类簇，对Q个聚类簇内的高斯混合子模型进行统计；
根据下式(1)获取每个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量：
Figure BDA0003520338750000051
其中，Zi表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量，Num(Qi)表示第i个聚类簇中高斯混合子模型的数量；K表示所有聚类簇内高斯混合子模型的数量，i表示第几个聚类簇。
最高占比量Zmax所对应的聚类簇记为正常纹理的高斯分布模型，则其他占比量Z对应的聚类簇记为可能存在缺陷的高斯分布模型，则其他占比量Z即为可能存在缺陷的高斯分布模型数量的缺陷占比量Z′。
S4、缺陷占比量等于0所对应的块图像作为正样本图像、缺陷占比量大于0所对应的块图像作为负样本图像；具体的，通过步骤S3中得到的缺陷占比量Z′，进行网络训练图像质量评估，将Z″＝0的作为正样本图像，Z′>0的纺织物表面图像作为负样本图像，正样本图像和负正样本图像记为训练集图像。
S5、构建缺陷检测网络模型，其中，网络结构为：Encoder-FC，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；根据缺陷占比量对缺陷检测网络模型的每层网络卷积层的神经元丢弃率进行调节，得到调节后的缺陷检测网络模型，对调节后的缺陷检测网络模型进行训练，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；具体的，将S4中的训练集图像输入缺陷检测网络模型的缺陷检测编码器中；经过对正样本图像和负样本图像卷积、池化获取正样本图像和负样本图像的特征张量，对每层网络卷积层的神经元丢弃率p进行调节，预设初始的神经元丢弃率p0，获取正样本图像和负样本图像对应的缺陷占比量的平均值，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率；对调节后的神经元丢弃率进行归一化处理，范围为[0,1]之间；根据下式(2)计算调节后的神经元丢弃率：
Figure BDA0003520338750000061
其中，Zb＝0.2表示初始丢弃率p0对应的数量占比均值，
Figure BDA0003520338750000062
表示卷积层的层数，
Figure BDA0003520338750000063
表示正样本图像和负样本图像对应的缺陷占比量的平均值。
具体的，据调节后的神经元丢弃率对正样本图像和负样本图像进行特征张量提取；根据提取的特征张量通过全连接层得到神经元输出的图像缺陷置信度，其中Softmax层输出图像为缺陷图像的置信度P。
S6、重复S1到S4步骤，获取待测纺织物图像的待测正样本图像和待测负样本图像，将待测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型，得出待测纺织物图像的置信度，根据置信度P及预设的置信度阈值确定待测纺织物图像是否为缺陷图像，其中，设置信度阈值为M，M＝0.7，当置信度P>M时，得出纺织物图像为缺陷图像，反之，则为正常图像。
综上所述，本发明提供基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，通过将纺织物图像进行分割得到多个块图像，根据多个分割块图像进行高斯混合建模得到高斯混合子模型，对高斯混合子模型进行聚类获取纺织物的块图像的可能存在缺陷的高斯分布情况，得出训练集图像的样本，为缺陷检测网络模型训练提供参考，根据训练集图像的样本对网络卷积过程中各卷积层丢弃率进行调节，提高训练网络的泛化能力，避免过拟合，提高缺陷检测网络模型精度和训练速度，然后获取调节后的训练模型，根据调节后的训练模型对待检测的纺织物图形进行检测，从而实现待检测的纺织物图形中缺陷图像的高效检测及缺陷的精确检测，实用性强，值得推广。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，该方法包括：
S1、采集纺织物图像并获取纺织物图像的灰度图，对灰度图进行分割得到对多个块图像；
S2、获取各个块图像的像素点灰度值的变化特征和像素点的分布位置，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型；
S3、对多个高斯混合子模型进行聚类，得到多个聚类簇，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量，获取所有占比量中的最高占比量，最高占比量所对应的聚类簇记为正常纹理的高斯分布模型，其他占比量记为可能存在缺陷的高斯分布模型数量的缺陷占比量；
S4、缺陷占比量等于0所对应的块图像作为正样本图像、缺陷占比量大于0所对应的块图像作为负样本图像；
S5、构建缺陷检测网络模型，根据缺陷占比量对缺陷检测网络模型的每层网络卷积层的神经元丢弃率进行调节，得到调节后的缺陷检测网络模型，对调节后的缺陷检测网络模型进行训练，网络输入为正样本图像和负样本图像，网络输出为图像是缺陷图像的置信度；
S6、重复S1到S4步骤，获取待测纺织物图像的待测正样本图像和待测负样本图像，将待测正样本图像和待测负样本图像输入训练完成的缺陷检测网络模型，得出待测纺织物图像的置信度，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像。
2.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，S1的步骤中还包括：
利用中值滤波去噪算法对灰度图进行去噪处理；
利用直方图均衡化算法对灰度图进行灰度增强；
对去噪处理和灰度增强处理后的灰度图进行分割得到对多个块图像。
3.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，根据块图像的像素点的分布位置和灰度值的变化特征进行高斯模型拟合，得到多个高斯混合子模型的步骤包括：
将所有的分割块图像作为高斯混合建模样本，初始化高斯混合模型中的方差、均值、权值参数；
获取分割块图像中的像素点的分布位置和像素点灰度值的变化特征，根据像素点的分布位置和像素点灰度值的变化特征利用EM算法进行高斯模型拟合；得到K个高斯混合子模型。
4.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，获取每个聚类簇中高斯混合子模型数量占所有高斯混合子模型的占比量的步骤包括：
设得到Q个聚类簇，对Q个聚类簇内的高斯混合子模型进行统计；
根据下式(1)获取每个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量：
Figure FDA0003520338740000021
其中，Zi表示第i个聚类簇内高斯混合子模型数量占所有高斯混合子模型数量的占比量，Num(Qi)表示第i个聚类簇中高斯混合子模型的数量；K表示所有聚类簇内高斯混合子模型的数量，i表示第几个聚类簇。
5.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，对缺陷检测网络进行训练的步骤包括：
将正样本图像和负样本图像输入缺陷检测网络模型的缺陷检测编码器中；
经过对正样本图像和负样本图像卷积、池化获取正样本图像和负样本图像的特征张量，对每层网络卷积层的神经元丢弃率p进行调节，预设初始的神经元丢弃率p0，
获取正样本图像和负样本图像对应的缺陷占比量的平均值，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率；
对调节后的神经元丢弃率进行归一化处理，范围为[0,1]之间。
6.根据权利要求5所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，根据平均值对不同卷积层的神经元丢弃率进行调节，得到调节后的神经元丢弃率的步骤包括：
根据下式(2)计算调节后的神经元丢弃率：
Figure FDA0003520338740000022
其中，Zb＝0.2表示初始丢弃率p0对应的数量占比均值，
Figure FDA0003520338740000023
表示卷积层的层数，
Figure FDA0003520338740000024
表示正样本图像和负样本图像对应的缺陷占比量的平均值。
7.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，将正样本图像和负样本图像输入神经元丢弃率调节后的缺陷检测网络模型进行训练得到图像是缺陷样本的置信度的步骤包括：
根据调节后的神经元丢弃率对正样本图像和负样本图像进行特征张量提取；
根据提取的特征张量通过全连接层得到神经元输出的图像缺陷置信度，其中Softmax层输出图像为缺陷图像的置信度。
8.根据权利要求1所述的基于人工智能和高斯混合模型的纺织物表面缺陷检测方法，其特征在于，根据置信度及预设的置信度阈值确定待测纺织物图像是否为缺陷图像的步骤包括：
设置信度阈值为M；
缺陷样本的置信度大于阈值时，得出纺织物图像为缺陷图像，反之，则为正常图像。
CN202210176128.8A 2022-02-25 2022-02-25 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 Withdrawn CN114529538A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210176128.8A CN114529538A (zh) 2022-02-25 2022-02-25 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210176128.8A CN114529538A (zh) 2022-02-25 2022-02-25 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114529538A true CN114529538A (zh) 2022-05-24

Family

ID=81625196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210176128.8A Withdrawn CN114529538A (zh) 2022-02-25 2022-02-25 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114529538A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792314A (zh) * 2022-06-21 2022-07-26 南通永卓金属制品有限公司 基于激光束的金属丝网缺陷检测方法及人工智能系统
CN114842005A (zh) * 2022-07-04 2022-08-02 海门市芳华纺织有限公司 一种基于半监督网络的纺织物表面疵点检测方法及系统
CN115008882A (zh) * 2022-08-09 2022-09-06 南通海恒纺织设备有限公司 基于工业物联网的圆网印花机压力补偿优化系统
CN117132946A (zh) * 2023-10-26 2023-11-28 山东力为万方智能科技有限公司 一种消防占道异常物体检测方法及系统
CN117152158A (zh) * 2023-11-01 2023-12-01 海门市缔绣家用纺织品有限公司 基于人工智能的纺织品疵点检测方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792314A (zh) * 2022-06-21 2022-07-26 南通永卓金属制品有限公司 基于激光束的金属丝网缺陷检测方法及人工智能系统
CN114842005A (zh) * 2022-07-04 2022-08-02 海门市芳华纺织有限公司 一种基于半监督网络的纺织物表面疵点检测方法及系统
CN114842005B (zh) * 2022-07-04 2022-09-20 海门市芳华纺织有限公司 一种基于半监督网络的纺织物表面疵点检测方法及系统
CN115008882A (zh) * 2022-08-09 2022-09-06 南通海恒纺织设备有限公司 基于工业物联网的圆网印花机压力补偿优化系统
CN117132946A (zh) * 2023-10-26 2023-11-28 山东力为万方智能科技有限公司 一种消防占道异常物体检测方法及系统
CN117132946B (zh) * 2023-10-26 2024-01-12 山东力为万方智能科技有限公司 一种消防占道异常物体检测方法及系统
CN117152158A (zh) * 2023-11-01 2023-12-01 海门市缔绣家用纺织品有限公司 基于人工智能的纺织品疵点检测方法及系统
CN117152158B (zh) * 2023-11-01 2024-02-13 海门市缔绣家用纺织品有限公司 基于人工智能的纺织品疵点检测方法及系统

Similar Documents

Publication Publication Date Title
CN114529538A (zh) 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法
CN112819772A (zh) 一种高精度快速图形检测识别方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN114782432B (zh) 一种基于纹理特征的改进canny算子的边缘检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN116934763B (zh) 一种基于视觉特征的医用橡胶胶塞缺陷检测方法
CN115131325A (zh) 一种基于图像识别分析的断路器故障运维监测方法及系统
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN112883824A (zh) 一种用于智能采血的手指静脉特征识别装置及其识别方法
CN117422712A (zh) 基于图像滤波处理的塑料母粒视觉检测方法及系统
CN118096796B (zh) 基于机器学习的径锻钛棒外观视觉检测方法
CN116468728A (zh) 一种五金冲压件模具生产质量检测方法
CN115908371A (zh) 基于优化分割的植物叶片病虫害程度检测方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN117237245B (zh) 一种基于人工智能与物联网的工业物料质量监测方法
CN113705501A (zh) 一种基于图像识别技术的海上目标检测方法和系统
CN116921264A (zh) 一种生鲜食材分拣系统及分拣方法
CN113850252A (zh) 防振锤螺栓检测方法、装置和电子设备
CN112704259B (zh) 一种密集烟叶识别的打叶质量评价方法及系统
CN118314081B (zh) 铸坯等轴晶的识别及判定方法、系统、存储介质及设备
CN116894841B (zh) 一种变速箱合金壳体质量视觉检测方法
CN117974706B (zh) 一种基于动态阈值和局部搜索的岩石薄片颗粒凹点分割方法
CN115965553B (zh) 基于多特征融合的人脸图像局部增强方法
CN118096740B (zh) 一种基于人工智能的橡胶缺陷检测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220524

WW01 Invention patent application withdrawn after publication