CN114674826A - 基于布匹的视觉检测方法及检测系统 - Google Patents

基于布匹的视觉检测方法及检测系统 Download PDF

Info

Publication number
CN114674826A
CN114674826A CN202210200805.5A CN202210200805A CN114674826A CN 114674826 A CN114674826 A CN 114674826A CN 202210200805 A CN202210200805 A CN 202210200805A CN 114674826 A CN114674826 A CN 114674826A
Authority
CN
China
Prior art keywords
defect
cloth
learning model
area
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
Application number
CN202210200805.5A
Other languages
English (en)
Inventor
梁佳楠
王念峰
曹永军
周磊
陈樱
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.)
South China University of Technology SCUT
South China Robotics Innovation Research Institute
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
South China University of Technology SCUT
South China Robotics Innovation Research Institute
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
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 South China University of Technology SCUT, South China Robotics Innovation Research Institute, Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical South China University of Technology SCUT
Priority to CN202210200805.5A priority Critical patent/CN114674826A/zh
Publication of CN114674826A publication Critical patent/CN114674826A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于布匹的视觉检测方法及检测系统，其中，基于布匹的视觉检测方法包括：获取布匹图像，其中，布匹图像基于移动过程中的布匹拍摄得到；对布匹图像进行图像处理，并以条纹状区域显示布匹图像的多个缺陷区域；对多个缺陷区域的分布进行定位，基于多个缺陷区域的分布确定缺陷区域的拉扯方向；将缺陷区域的拉扯方向作为第一参考因素，缺陷区域的花纹作为第二参考因素，基于第一参考因素和第二参考因素确定缺陷区域的缺陷类型；将缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；基于以往数据构建缺陷学习模型，并以递进式算法构造缺陷学习模型的框架，结合神经网络和缺陷学习模型形成自适应增强算法。

Description

基于布匹的视觉检测方法及检测系统
技术领域
本发明涉及的视觉检测技术领域，尤其涉及一种基于布匹的视觉检测方法及检测系统。
背景技术
随着科技的发展，布匹应用于各大服装领域，布匹在生产过程中会进过拉伸，并且容易在拉伸的过程中形成缺陷，在现有技术中，对于布匹的缺陷类型主要通过缺陷区域的外形进行确定，可是，缺陷区域的外形容易在不同的角度下呈现不一样的状态，导致现有的布匹检测的精度较低。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于布匹的视觉检测方法及检测系统，在第一参考因素和第二参考因素确定缺陷区域的缺陷类型，该缺陷类型充分考虑到布匹的拉扯方向和缺陷，并且结合神经网络和缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，以进一步地确定缺陷的等级，从而准确定识别布匹中各个缺陷的严重性，避免人为观看和错误识别，大大提高了布匹检测的精度。
为了解决上述技术问题，本发明实施例提供了一种基于布匹的视觉检测方法，包括：获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
另外，本发明实施例还提供了一种基于布匹的视觉检测系统，所述基于布匹的视觉检测系统包括：获取模块：用于获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；显示模块：用于对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；定位模块：用于对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；类型模块：用于将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；分类模块：用于将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；学习模块：用于基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
在本发明实施例中，通过本发明实施例中的方法，以条纹状区域显示布匹图像的多个缺陷区域，并凸显各缺陷区域的花纹，缺陷区域的花纹作为第二参考因素；基于多个缺陷区域的分布确定缺陷区域的拉扯方向，并将缺陷区域的拉扯方向作为第一参考因素，此时，在第一参考因素和第二参考因素确定缺陷区域的缺陷类型，该缺陷类型充分考虑到布匹的拉扯方向和缺陷，并且结合神经网络和缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，以进一步地确定缺陷的等级，从而准确定识别布匹中各个缺陷的严重性，避免人为观看和错误识别，大大提高了布匹检测的精度。
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，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于布匹的视觉检测方法的流程示意图；
图2是本发明实施例中的基于布匹的视觉检测系统的结构组成示意图；
图3是根据一示例性实施例示出的一种电子装置的硬件图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施例中的基于布匹的视觉检测方法的流程示意图。
如图1所示，一种基于布匹的视觉检测方法，方法包括：
S11：获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；
在本发明具体实施过程中，具体的步骤可以为：在布匹的移动过程中，视觉检测器拍摄动态移动的布匹，并形成各动态帧的视频；基于各动态帧的视频的拼接，并且在展开状态下获得多个区域图像；按照时间段对多个所述区域图像进行排序，并且检测各所述区域图像的端口界限；基于所述端口界限的轨迹点确定对接位置，对比相邻的两所述区域图像的轨迹点；若相邻的两所述区域图像的轨迹点处于一致位置，则将邻的两所述区域图像进行拼接，并逐步形成所述布匹图像。
其中，为了适应布匹在静态和动态的环境拍摄，视觉检测器拍摄动态移动的布匹，并形成各动态帧的视频，并且在展开状态下获得多个区域图像，以便于对各动态帧的视频进行图像化，另外，基于所述端口界限的轨迹点确定对接位置，对比相邻的两所述区域图像的轨迹点；若相邻的两所述区域图像的轨迹点处于一致位置，则将邻的两所述区域图像进行拼接，并逐步形成所述布匹图像，基于上述将邻的两所述区域图像的拼接提高了所述布匹图像的成型简易度，并且不限制所述区域图像的数量，进而克服布匹过长的问题。
S12：对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；
在本发明具体实施过程中，具体的步骤可以为：对所述布匹图像进行灰度处理，并形成灰度图像；基于所述灰度图像的灰度阶进行动态调整，并增强所述灰度图像中缺陷区域的显示程度；在所述显示程度达到预设显示程度时，则分割所述缺陷区域，并沿着所述缺陷区域的纹路进行条纹填充，以形成条纹状区域；以条纹状区域显示所述布匹图像的多个缺陷区域；基于所述缺陷区域进行单独的去噪，并且根据所述缺陷区域的受损程度择一地选择均值滤波、中值滤波、邻域平均法，以得到修整后的所述缺陷区域。
其中，基于所述灰度图像的灰度阶进行动态调整，并增强所述灰度图像中缺陷区域的显示程度，并且在动态的调整下对所述灰度图像的灰度阶的调整，以便于动态调整缺陷区域的显示程度，对于达到要求的所述缺陷区域才进行分割，保证后续分割图像的准确性。
另外，以条纹状区域显示所述布匹图像的多个缺陷区域；基于所述缺陷区域进行单独的去噪，并且根据所述缺陷区域的受损程度择一地选择均值滤波、中值滤波、邻域平均法，以得到修整后的所述缺陷区域，此时，由于均值滤波、中值滤波、邻域平均法所对应的优势存在差异，并且针对均值滤波、中值滤波、邻域平均法的不同优势匹配不同的所述缺陷区域，有利于进行针对性的修整。比如，所述缺陷区域的受损程度为低程度时，选择均值滤波，所述缺陷区域的受损程度为中程度时，选择中值滤波，所述缺陷区域的受损程度为高程度时，选择邻域平均法的，也可以针对特别场景进行多个方法的结合。
此时，均值滤波器是一种较为直观的滤波方式，它采用了模板计算的思想,模板操作的实质就是一种邻域运算的方法。中值滤波器是一种常见的非线性空间滤波方式。基本原理是把数字图像或数字序列中某一点的值用该点的某个邻域中各点值的中值进行替换。与均值滤波不同，中值滤波以目标像素为中心选取模板，先对模板内所有的像素值进行统计排序,再选择像素的中值代替目标的像素值。模板中像素点个数一般为奇数，模板形状一般为圆形、方形、十字形等。邻域平均法是将原本图像中一个像素的灰度值与它周围相邻的像素的灰度值相加，然后将得到的平均值作为该像素的灰度值。
S13：对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；
在本发明具体实施过程中，具体的步骤可以为：基于所述布匹图像的左下角建立坐标原点，建立布匹坐标图，并将多个所述缺陷区域投影至所述布匹坐标图；将所述缺陷区域的多边远确定所述缺陷区域的中心，并基于所述缺陷区域的中心作为所述缺陷区域的定位坐标；基于多个所述缺陷区域的中心的中心距离确定多个所述缺陷区域之间的距离，并且引入布匹的拉伸方向作为距离的方向向量；基于所述距离和所述方向向量输入至拉扯方向学习模型，并且所述拉扯方向学习模型输出所述缺陷区域的拉扯方向。
其中，基于布匹坐标图对所述缺陷区域进行投影，并且在所述缺陷区域中基于多个所述缺陷区域的中心的中心距离确定多个所述缺陷区域之间的距离，另外基于所述距离和所述方向向量输入至拉扯方向学习模型，并且所述拉扯方向学习模型输出所述缺陷区域的拉扯方向，可以从多个维度进行所述缺陷区域的拉扯方向的确定，保证所述缺陷区域的拉扯方向的检测精度。
S14：将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；
在本发明具体实施过程中，具体的步骤可以为：基于所述缺陷区域的条纹方向抽取所述缺陷区域的图像，并且基于所述图像确定所述缺陷区域的花纹；所述将所述缺陷区域的拉扯方向作为第一参考因素，并且对所述第一参考因素进行第一权重比例；所述缺陷区域的花纹作为第二参考因素，并且对所述第一参考因素进行第二权重比例，其中，所述第二权重比例与所述第一权重比例之间具有重积分关系；基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷系数，此时，所述缺陷系数可以在人为数据的增加实现变动；若缺陷系数不达到预设系数阈值，则触发人为调控，并且在人为系数的增加下确定最终缺陷系数；基于所述最终缺陷系数确定所述缺陷区域的缺陷类型。
其中，第一参考因素和第二参考因素进行对应的权重比例，并且所述第二权重比例与所述第一权重比例之间具有重积分关系，以便于构建第一参考因素和第二参考因素之间的匹配关系，从而基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷系数，保证所述缺陷区域的缺陷系数的准确性，进而实现所述缺陷区域的缺陷类型的确定。
另外，若缺陷系数不达到预设系数阈值，则触发人为调控，并且在人为系数的增加下确定最终缺陷系数，保证缺陷系数的一定人为自由度，可以应对不同的场景。
S15：将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；
在本发明具体实施过程中，具体的步骤包括：将所述缺陷区域进行分割，并且以中心向外等距离分割，且向所述缺陷区域的边缘延伸，以形成分割图形；根据所述分割图形的缺陷朝向调整所述分割图形的摆放放置，并且所述分割图形的摆放放置与所述分割图形的缺陷朝向平行；单独获取摆放后的所述分割图形的摆放起点，沿着所述摆放起点对分割图形进行特征获取，以确定子特征；基于所述子特征作为元素，并将该元素输入至神经网络，且在所述神经网络的自主分配下进行特征分类，其中，神经网络为二分制神经网络。
其中，基于中心向外等距离分割，并且向所述缺陷区域的边缘延伸，以形成分割图形，此时分割图形均为等距图形，并且面积相等，而外轮廓不等，此时适应不同的外轮廓，根据所述分割图形的缺陷朝向调整所述分割图形的摆放放置，以保证确定子特征的图形方向统一性，降低方向的影响，实现在同一角度上的准确获取。
基于所述子特征作为元素，并将该元素输入至神经网络，且在所述神经网络的自主分配下进行特征分类，基于所述神经网络对元素进行自动分配，以便于利用神经网络的同类运算能力进行归类和处理，提高神经网络对元素的分配能力和分配效率。
S16：基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
在本发明具体实施过程中，具体的步骤包括：获取以往数据，并且基于以往数据对应的结果进行归类；针对归类后的数据包进行同类别学习，并且构建缺陷学习模型，此时，缺陷学习模型至少含有10W条数据包；引入预设修正模型，并且将所述预设修正模型嵌入至缺陷学习模型，并且在缺陷学习模型所输出的结果不满足预设精度时，则触发所述缺陷学习模型；所述缺陷学习模型对不符合预设精度的结果进行修正，并且基于所述缺陷类型进行对应修正；获取所述神经网络的匹配系数和所述缺陷学习模型的匹配系数；若所述神经网络的匹配系数和所述缺陷学习模型的匹配系数之间的差值处于预设范围内，则结合所述神经网络和所述缺陷学习模型，其中，所述神经网络和所述缺陷学习模型作为子元素嵌入至自适应增强算法；基于所述自适应增强算法分别对所述神经网络和所述缺陷学习模型进行积分处理；将所述神经网络的网络算法嵌入所述缺陷学习模型的学习算法，并形成以学习算法为主的所述自适应增强算法。
其中，基于至少含有10W条数据包进行缺陷学习模型的学习，并且基于多个不同的结果进行学习和模型构建，大大提高了缺陷学习模型的精准度，并且能够对不同场景问题进行处理，此时，基于以往数据对应的结果进行归类；针对归类后的数据包进行同类别学习。
引入预设修正模型，并且将所述预设修正模型嵌入至缺陷学习模型，并且在缺陷学习模型所输出的结果不满足预设精度时，则触发所述缺陷学习模型；所述缺陷学习模型对不符合预设精度的结果进行修正，从而实现对结果进一步的修改，保证最终的结果的准确性，并且预设修正模型后期触发的手段及时对结果进行监控。
另外，获取所述神经网络的匹配系数和所述缺陷学习模型的匹配系数；若所述神经网络的匹配系数和所述缺陷学习模型的匹配系数之间的差值处于预设范围内，则结合所述神经网络和所述缺陷学习模型，其中，所述神经网络和所述缺陷学习模型作为子元素嵌入至自适应增强算法；基于所述自适应增强算法分别对所述神经网络和所述缺陷学习模型进行积分处理；将所述神经网络的网络算法嵌入所述缺陷学习模型的学习算法，并形成以学习算法为主的所述自适应增强算法。
在本发明实施例中，通过本发明实施例中的方法，在第一参考因素和第二参考因素确定缺陷区域的缺陷类型，该缺陷类型充分考虑到布匹的拉扯方向和缺陷，并且结合神经网络和缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，以进一步地确定缺陷的等级，从而准确定识别布匹中各个缺陷的严重性，避免人为观看和错误识别，大大提高了布匹检测的精度。
实施例
请参阅图2，图2是本发明实施例中的基于布匹的视觉检测系统的结构组成示意图。
如图2所示，一种基于布匹的视觉检测系统，所述基于布匹的视觉检测系统包括：
获取模块21：用于获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；
显示模块22：用于对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；
定位模块23：用于对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；
类型模块24：用于将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；
分类模块25：用于将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；
学习模块26：用于基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
本发明提供了一种基于布匹的视觉检测方法及检测系统，在第一参考因素和第二参考因素确定缺陷区域的缺陷类型，该缺陷类型充分考虑到布匹的拉扯方向和缺陷，并且结合神经网络和缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，以进一步地确定缺陷的等级，从而准确定识别布匹中各个缺陷的严重性，避免人为观看和错误识别，大大提高了布匹检测的精度。
实施例
请参阅图3，下面参照图3来描述根据本发明的这种实施方式的电子设备40。图3显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：上述至少一个处理单元41、上述至少一个存储单元42、连接不同系统组件(包括存储单元42和处理单元41)的总线43。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元41执行，使得所述处理单元41执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元42可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)421和/或高速缓存存储单元422，还可以进一步包括只读存储单元(ROM)423。
存储单元42还可以包括具有一组(至少一个)程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线43可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备40也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，电子设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器46通过总线43与电子设备40的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。并且，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据上述的方法。
另外，以上对本发明实施例所提供的基于布匹的视觉检测方法及检测系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于布匹的视觉检测方法，其特征在于，包括：
获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；
对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；
对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；
将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；
将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；
基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
2.根据权利要求1所述的基于布匹的视觉检测方法，其特征在于，所述获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到，包括：
在布匹的移动过程中，视觉检测器拍摄动态移动的布匹，并形成各动态帧的视频；
基于各动态帧的视频的拼接，并且在展开状态下获得多个区域图像；
按照时间段对多个所述区域图像进行排序，并且检测各所述区域图像的端口界限；
基于所述端口界限的轨迹点确定对接位置，对比相邻的两所述区域图像的轨迹点；
若相邻的两所述区域图像的轨迹点处于一致位置，则将邻的两所述区域图像进行拼接，并逐步形成所述布匹图像。
3.根据权利要求2所述的基于布匹的视觉检测方法，其特征在于，所述对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域，包括：
对所述布匹图像进行灰度处理，并形成灰度图像；
基于所述灰度图像的灰度阶进行动态调整，并增强所述灰度图像中缺陷区域的显示程度；
在所述显示程度达到预设显示程度时，则分割所述缺陷区域，并沿着所述缺陷区域的纹路进行条纹填充，以形成条纹状区域；
以条纹状区域显示所述布匹图像的多个缺陷区域；
基于所述缺陷区域进行单独的去噪，并且根据所述缺陷区域的受损程度择一地选择均值滤波、中值滤波、邻域平均法，以得到修整后的所述缺陷区域。
4.根据权利要求3所述的基于布匹的视觉检测方法，其特征在于，所述对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向，包括：
基于所述布匹图像的左下角建立坐标原点，建立布匹坐标图，并将多个所述缺陷区域投影至所述布匹坐标图；
将所述缺陷区域的多边远确定所述缺陷区域的中心，并基于所述缺陷区域的中心作为所述缺陷区域的定位坐标；
基于多个所述缺陷区域的中心的中心距离确定多个所述缺陷区域之间的距离，并且引入布匹的拉伸方向作为距离的方向向量；
基于所述距离和所述方向向量输入至拉扯方向学习模型，并且所述拉扯方向学习模型输出所述缺陷区域的拉扯方向。
5.根据权利要求4所述的基于布匹的视觉检测方法，其特征在于，所述将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型，包括：
基于所述缺陷区域的条纹方向抽取所述缺陷区域的图像，并且基于所述图像确定所述缺陷区域的花纹；
所述将所述缺陷区域的拉扯方向作为第一参考因素，并且对所述第一参考因素进行第一权重比例；
所述缺陷区域的花纹作为第二参考因素，并且对所述第一参考因素进行第二权重比例，其中，所述第二权重比例与所述第一权重比例之间具有重积分关系；
基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷系数，此时，所述缺陷系数可以在人为数据的增加实现变动；
若缺陷系数不达到预设系数阈值，则触发人为调控，并且在人为系数的增加下确定最终缺陷系数；
基于所述最终缺陷系数确定所述缺陷区域的缺陷类型。
6.根据权利要求5所述的基于布匹的视觉检测方法，其特征在于，所述将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类，包括：
将所述缺陷区域进行分割，并且以中心向外等距离分割，且向所述缺陷区域的边缘延伸，以形成分割图形；
根据所述分割图形的缺陷朝向调整所述分割图形的摆放放置，并且所述分割图形的摆放放置与所述分割图形的缺陷朝向平行；
单独获取摆放后的所述分割图形的摆放起点，沿着所述摆放起点对分割图形进行特征获取，以确定子特征；
基于所述子特征作为元素，并将该元素输入至神经网络，且在所述神经网络的自主分配下进行特征分类，其中，神经网络为二分制神经网络。
7.根据权利要求6所述的基于布匹的视觉检测方法，其特征在于，所述基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，包括：
获取以往数据，并且基于以往数据对应的结果进行归类；
针对归类后的数据包进行同类别学习，并且构建缺陷学习模型，此时，缺陷学习模型至少含有10W条数据包；
引入预设修正模型，并且将所述预设修正模型嵌入至缺陷学习模型，并且在缺陷学习模型所输出的结果不满足预设精度时，则触发所述缺陷学习模型；
所述缺陷学习模型对不符合预设精度的结果进行修正，并且基于所述缺陷类型进行对应修正。
8.根据权利要求7所述的基于布匹的视觉检测方法，其特征在于，所述基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级，还包括：
获取所述神经网络的匹配系数和所述缺陷学习模型的匹配系数；
若所述神经网络的匹配系数和所述缺陷学习模型的匹配系数之间的差值处于预设范围内，则结合所述神经网络和所述缺陷学习模型，其中，所述神经网络和所述缺陷学习模型作为子元素嵌入至自适应增强算法；
基于所述自适应增强算法分别对所述神经网络和所述缺陷学习模型进行积分处理；
将所述神经网络的网络算法嵌入所述缺陷学习模型的学习算法，并形成以学习算法为主的所述自适应增强算法。
9.一种基于布匹的视觉检测系统，其特征在于，所述基于布匹的视觉检测系统包括：
获取模块：用于获取布匹图像，其中，所述布匹图像基于移动过程中的布匹拍摄得到；
显示模块：用于对所述布匹图像进行图像处理，并以条纹状区域显示所述布匹图像的多个缺陷区域；
定位模块：用于对多个所述缺陷区域的分布进行定位，基于多个所述缺陷区域的分布确定所述缺陷区域的拉扯方向；
类型模块：用于将所述缺陷区域的拉扯方向作为第一参考因素，所述缺陷区域的花纹作为第二参考因素，基于所述第一参考因素和所述第二参考因素确定所述缺陷区域的缺陷类型；
分类模块：用于将所述缺陷区域进行分割，并对分割图形进行特征获取，以基于神经网络进行特征分类；
学习模块：用于基于以往数据构建缺陷学习模型，并以递进式算法构造所述缺陷学习模型的框架，结合所述神经网络和所述缺陷学习模型形成自适应增强算法，该自适应增强算法将外界环境作为常规参数，并对外输出缺陷类型对应的缺陷等级。
CN202210200805.5A 2022-03-01 2022-03-01 基于布匹的视觉检测方法及检测系统 Pending CN114674826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210200805.5A CN114674826A (zh) 2022-03-01 2022-03-01 基于布匹的视觉检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210200805.5A CN114674826A (zh) 2022-03-01 2022-03-01 基于布匹的视觉检测方法及检测系统

Publications (1)

Publication Number Publication Date
CN114674826A true CN114674826A (zh) 2022-06-28

Family

ID=82071818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210200805.5A Pending CN114674826A (zh) 2022-03-01 2022-03-01 基于布匹的视觉检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN114674826A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100209A (zh) * 2022-08-28 2022-09-23 电子科技大学 一种基于摄像机的图像质量的修正方法及修正系统
CN117291921A (zh) * 2023-11-27 2023-12-26 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100209A (zh) * 2022-08-28 2022-09-23 电子科技大学 一种基于摄像机的图像质量的修正方法及修正系统
CN115100209B (zh) * 2022-08-28 2022-11-08 电子科技大学 一种基于摄像机的图像质量的修正方法及修正系统
CN117291921A (zh) * 2023-11-27 2023-12-26 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质
CN117291921B (zh) * 2023-11-27 2024-03-12 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN111899334B (zh) 一种基于点线特征的视觉同步定位与地图构建方法及装置
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN108960229B (zh) 一种面向多方向的文字检测方法和装置
CN109859226B (zh) 一种图形分割的棋盘格角点亚像素的检测方法
CN113781402A (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN108986152B (zh) 一种基于差分图像的异物检测方法及装置
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN114674826A (zh) 基于布匹的视觉检测方法及检测系统
KR101032446B1 (ko) 영상의 정점 검출 장치 및 방법
CN109977907B (zh) 基于票据识别的费用报销方法及其系统
CN111898486B (zh) 监控画面异常的检测方法、装置及存储介质
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN113744315B (zh) 一种基于双目视觉的半直接视觉里程计
CN116152261B (zh) 一种印刷制品质量的视觉检测系统
CN113723399A (zh) 一种车牌图像矫正方法、车牌图像矫正装置和存储介质
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN112785492A (zh) 图像处理方法、装置、电子设备和存储介质
CN115439615A (zh) 一种基于三维bim的分布式综合管理系统
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
CN114359161A (zh) 一种缺陷检测方法、装置、设备和存储介质
CN116523916B (zh) 产品表面缺陷检测方法、装置、电子设备及存储介质
CN117853510A (zh) 基于双边滤波和自适应阈值的Canny边缘检测方法

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