CN114842005A - 一种基于半监督网络的纺织物表面疵点检测方法及系统 - Google Patents

Abstract

本发明涉及纺织物缺陷检测技术领域，具体涉及一种基于半监督网络的纺织物表面疵点检测方法及系统：获取待检测纺织物的表面图像的灰度图像；将灰度图像输入到半监督检测网络中，从而确定待检测纺织物是否存在缺陷；该半监督检测网络的获取步骤为：获取N张纺织物的表面图像的灰度图像，从而确定各个待重构样本图像及其对应的重构系数，进而利用自编码网络对各个待重构样本图像进行重构，得到重构后的各个样本图像，并利用重构后的各个样本图像对构建的半监督检测网络进行训练，从而得到最终的半监督检测网络。本发明通过采用重构后的样本图像对半监督检测网络进行训练，有效提高了网络识别纺织品缺陷的识别精度。

Description

一种基于半监督网络的纺织物表面疵点检测方法及系统

技术领域

本发明涉及纺织物缺陷检测技术领域，具体涉及一种基于半监督网络的纺织物表面疵点检测方法及系统。

背景技术

纺织物在加工生产的过程中，需要经过各种检验和测试，其中疵点检测为最重要的一部分。目前，纺织物表面的疵点检测主要通过人工视觉离线检测完成。随着机器视觉和人工智能的发展，也出现了很多光学传感器和CCD相机采集图像数据，并利用神经网络算法对纺织物表面完成疵点检测。

但是，现有的纺织物缺陷检测方法存在以下问题：1、通过人工视觉检测速度低，检测结果受检验员的主观影响较大，误检率较高。2、利用神经网络算法对纺织物表面疵点进行检测，受限于疵点的缺陷特征的影响，包括图像的预处理过程的好坏，均会直接影响到神经网络的检测精度，尤其是对纺织物中的接结、色差点、较小的污点或破洞等疵点缺陷的检测。

发明内容

本发明的目的在于提供一种基于半监督网络的纺织物表面疵点检测方法及系统，用于解决现有的纺织物缺陷检测可靠性较差的问题。

为解决上述技术问题，本发明提供了一种基于半监督网络的纺织物表面疵点检测方法，包括以下步骤：

获取待检测纺织物的表面图像，进而获取表面图像的灰度图像；

将灰度图像输入到预先构建和训练好的半监督检测网络中，由半监督检测网络对表面图像中的疵点进行识别，从而确定待检测纺织物是否存在缺陷；

所述预先构建和训练好的半监督检测网络的获取步骤包括：

获取N张纺织物的表面图像，进而获取N张表面图像的灰度图像，并根据N张灰度图像，获取N张灰度掩膜图像；

根据N张灰度掩膜图像，对N张灰度图像中存在疑似疵点缺陷的灰度图像进行筛选，确定筛选后的M张灰度图像；

根据筛选后的M张灰度图像及其对应的灰度掩膜图像，确定各个待重构样本图像及其对应的重构系数；

根据各个待重构样本图像及其对应的重构系数，利用自编码网络对各个待重构样本图像进行重构，得到重构后的各个样本图像；

构建半监督检测网络，利用重构后的各个样本图像对构建的半监督检测网络进行训练，从而得到构建和训练好的半监督检测网络。

进一步的，获取N张灰度掩膜图像的步骤包括：

分别将N张灰度图像输入到语义分割网络中，从而获取对应的N张灰度掩膜图像，所述灰度掩膜图像中各个像素点的像素值表示该像素点属于缺陷的置信度。

进一步的，确定筛选后的M张灰度图像的步骤包括：

分别判断N张灰度掩膜图像中的各个像素点的像素值是否位于设定置信度范围内；

若存在像素点的像素值位于设定置信度范围内，则判定该像素点所在灰度掩膜图像对应的灰度图像中存在疑似疵点缺陷，并将该像素点所在灰度掩膜图像对应的灰度图像作为筛选后的灰度图像。

进一步的，确定各个待重构样本图像及其对应的重构系数的步骤包括：

对筛选后的每张灰度图像对应的灰度掩膜图像进行二值化处理，将灰度掩膜图像中的像素值不位于设定置信度范围内的各个像素点置为1，并按照变化的比例值，该比例值的取值范围为[0,1]，将灰度掩膜图像中的像素值位于设定置信度范围内的部分像素点置为1，将灰度掩膜图像中的像素值位于设定置信度范围内的其他部分像素点置为0，从而得到筛选后的每张灰度图像对应的各张二值化图像；

将筛选后的每张灰度图像与其对应的各张二值化图像分别进行相乘处理，得到筛选后的每张灰度图像对应的各个待重构样本图像，得到各个待重构样本图像对应的二值化图像时所按照的比例值即为各个待重构样本图像对应的重构系数。

进一步的，自编码网络的损失函数对应的计算公式为：

其中，为自编码网络的损失函数，

为输入自编码网络的待重构样本图像对应的重构系数，

为输入自编码网络的待重构样本图像的特征张量，

为自编码网络重构后的样本图像的特征张量，

为距离度量函数。

进一步的，利用重构后的各个样本图像对构建的半监督检测网络进行训练之前，还包括对重构后的各个样本图像的类型进行区分的步骤：

对各个待重构样本图像对应的重构系数进行判断，若重构系数等于1，则将该重构系数对应的待重构样本图像作为无标签样本；若重构系数等于0，则将该重构系数对应的待重构样本图像作为正样本，若重构系数大于0且小于1，则将该重构系数对应的待重构样本图像作为负样本。

进一步的，半监督检测网络的损失函数对应的计算公式为：

其中，

为半监督检测网络的损失函数，为设定的超参数，

为输入半监督检测网络的第k张重构后的样本图像的类别标签，

为输入半监督检测网络的第k张重构后的样本图像的输出结果，N为输入半监督检测网络的重构后的样本图像的数目。

为解决上述技术问题，本发明还提供了一种基于半监督网络的纺织物表面疵点检测系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述的基于半监督网络的纺织物表面疵点检测方法。

本发明具有如下有益效果：本发明通过获取N张纺织物的表面图像的灰度图像，并根据N张灰度图像的灰度掩膜图像，从N张灰度图像中筛选出M张存在疑似疵点缺陷的灰度图像，并筛选出的M张存在疑似疵点缺陷的灰度图像及其对应的灰度掩膜图像，确定各个待重构样本图像及其对应的重构系数，并利用自编码网络对各个待重构样本图像进行重构，得到重构后的各个样本图像，也就是特定的样本图像，利用这些特定的样本图像对半监督检测网络进行训练，能够有效提高半监督检测网络的识别精度和泛化能力，从而能够准确确定疑似缺陷像素点的类别，进而准确识别出纺织物的表面图像中是否存在缺陷，有效提高了纺织物缺陷检测的可靠性。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明的基于半监督网络的纺织物表面疵点检测方法的流程图；

图2为本发明的获取半监督检测网络的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

为了实现纺织物表面较小的疵点的缺陷检测，例如：接结，色差点，较小的污点或破洞等疵点缺陷，本实施例提供了一种基于半监督网络的纺织物表面疵点检测方法，其对应的流程图如图1所示，包括以下步骤：

步骤1：获取待检测纺织物的表面图像，进而获取表面图像的灰度图像。

在纺织物检测平台的上方布置相机以采集待检测纺织物的表面图像。为了获取清晰的待检测纺织物的表面图像，在检测平台上选择合适的相机固定位置和光源固定位置，以避免光源对相机拍摄造成影响。在获取清晰的待检测纺织物的表面图像之后，对该表面图像进行灰度转换，从而得到对应的灰度图像。

步骤2：将灰度图像输入到预先构建和训练好的半监督检测网络中，由半监督检测网络对表面图像中的疵点进行识别，从而确定待检测纺织物是否存在缺陷。

在通过步骤1获取待检测纺织物的表面图像的灰度图像之后，将该灰度图像输入到预先构建和训练好的半监督检测网中，利用该半监督检测网络进行纺织物表面缺陷检测，由该半监督检测网络输出待检测纺织物的类别，该类别是指待检测纺织物是否存在缺陷。由于该半监督检测网络是经过特定的样本图像训练过的，因此能够更准确的获取纺织物表面图像像素点的检测，抗噪抗干扰能力较强。

由于实现待检测纺织物的缺陷检测的关键在于预先获取构建并训练好的半监督检测网络，因此下面对获取该半监督检测网络的构建和训练过程进行详细说明，对应的流程图如图2所示，具体实现步骤包括：

（1）获取N张纺织物的表面图像，进而获取N张表面图像的灰度图像，并根据N张灰度图像，获取N张灰度掩膜图像。

参考上述的步骤1，利用相机采集N张纺织物的表面图像，为了提高后续待检测的纺织物缺陷检测的准确性，这里的纺织物与步骤1中待检测的纺织物的类别是相同的。并且，为了便于后续得到足够的半监督检测网络的训练样本，这里的N取值非常大。在获取N张纺织物的表面图像之后，对这N张纺织物的表面图像分别进行灰度化处理，从而得到N张表面图像的灰度图像。

在得到N张表面图像的灰度图像之后，将N张灰度图像分别输入到现有的事先训练好的语义分割网络中，该语义分割网络的网络结构为：Encoder-Decoder，由语义分割网络输出N张灰度图像对应的缺陷分割图，该缺陷分割图即为灰度掩膜图像

。在灰度掩膜图像中，各个像素点的像素值表示该像素点属于缺陷的置信度P，置信度P的取值范围为

，置信度越大，说明像素点越可能为缺陷像素点。

（2）根据N张灰度掩膜图像，对N张灰度图像中存在疑似疵点缺陷的灰度图像进行筛选，确定筛选后的M张灰度图像，具体实现步骤如下：

分别判断N张灰度掩膜图像中的各个像素点的像素值是否位于设定置信度范围内；若存在像素点的像素值位于设定置信度范围内，则判定该像素点所在灰度掩膜图像对应的灰度图像中存在疑似疵点缺陷，并将该像素点所在灰度掩膜图像对应的灰度图像作为筛选后的灰度图像。

由于在灰度掩膜图像中，各个像素点的像素值表示该像素点属于缺陷的置信度P，置信度P越接近1表示当前像素点越有可能属于缺陷像素点。因此，设置信度阈值

和，当置信度

时，该类像素点表示正常的像素点；当置信度

时，该类像素点表示缺陷像素点；当

时，即像素点的像素值位于设定置信度范围内，表示未得到准确的结果，需要对缺陷图像进一步处理。当灰度掩膜图像中存在像素值位于设定置信度范围内的像素点时，也就是灰度掩膜图像中存在疑似疵点缺陷的像素点时，则将该灰度掩膜图像对应的灰度图像作为筛选后的灰度图像；反之，即为筛选掉的灰度图像。在本实施例中，置信度阈值为经验阈值，取值

。通过上述对N张灰度图像中存在疑似疵点缺陷的灰度图像进行初步筛选，最终可以得到筛选后的M张灰度图像。

（3）根据筛选后的M张灰度图像及其对应的灰度掩膜图像，确定各个待重构样本图像及其对应的重构系数，具体实现步骤如下：

（3-1）对筛选后的每张灰度图像对应的灰度掩膜图像进行二值化处理，将灰度掩膜图像中的像素值不位于设定置信度范围内的各个像素点置为1，并按照变化的比例值，该比例值的取值范围为[0,1]，将灰度掩膜图像中的像素值位于设定置信度范围内的部分像素点置为1，将灰度掩膜图像中的像素值位于设定置信度范围内的其他部分像素点置为0，从而得到筛选后的每张灰度图像对应的各张二值化图像。

对于筛选后的每张灰度图像对应的灰度掩膜图像，将其中不属于疑似疵点缺陷的像素点置为1，即将灰度掩膜图像中正常的像素点和存在缺陷的像素点均置为1。同时，按照比例值

，0比例值

1，将灰度掩膜图像中属于疑似疵点缺陷的像素点中的部分像素点标记为1，并将灰度掩膜图像中属于疑似疵点缺陷的像素点中的其他像素点标记为0。

其中，当比例值

=1时，此时会将灰度掩膜图像中属于疑似疵点缺陷的所有像素点均标记为1，即将属于疑似疵点缺陷的所有像素点进行保留；当比例值

=0时，此时会将灰度掩膜图像中属于疑似疵点缺陷的所有像素点均标记为0，即将属于疑似疵点缺陷的所有像素点进行隐藏；当比例值0<

<1时，此时会将灰度掩膜图像中属于疑似疵点缺陷的部分像素点标记为1，部分像素点标记为0，即将属于疑似疵点缺陷的部分像素点进行保留，以为后续自编码网络重构掩膜区域提供像素点分布信息，并将部分像素点进行隐藏。

通过改变该比例值

，可以得到不同比例值

对应的各张不同的二值化图像，当然，即使在相同的比例值

情况下，也可以得到各张不同的二值化图像。

（3-2）将筛选后的每张灰度图像与其对应的各张二值化图像分别进行相乘处理，得到筛选后的每张灰度图像对应的各个待重构样本图像，得到各个待重构样本图像对应的二值化图像时所按照的比例值即为各个待重构样本图像对应的重构系数。

在上述步骤（3-1）的基础上，将获取的所有的二值化图像分别与其对应的筛选后的每张灰度图像相乘，从而得到筛选后的每张灰度图像对应的各个待重构样本图像。同时，由于获取每张二值化图像都对应一个确定的比例值，那么将该比例值作为根据二值化图像所获得的待重构样本图像对应的重构系数。

（4）根据各个待重构样本图像及其对应的重构系数，利用自编码网络对各个待重构样本图像进行重构，得到重构后的各个样本图像。

在利用自编码网络对各个待重构样本图像进行重构之前，首先应该构建自编码网络，也称为噪声自编码网络，该自编码网络的网络结构为：Encoder-Decoder，由于构建自编码网络的过程属于现有技术，此处不再赘述。

在确定自编码网络之后，将各个待重构样本图像输入到该自编码网络中，该自编码网络通过改变自身的分布变化z来实现对样本图像的重构。当样本图像的重构系数越小时，样本图像中被遮挡的疑似疵点缺陷的像素点数目越多，被保留的疑似疵点缺陷的像素点数目越少，属于疑似疵点缺陷的像素点重构的效果越差，灰度掩膜图像中属于疑似疵点缺陷的像素点对应的重构区域像素点越可能属于噪声像素点，也可被认为是缺陷像素点（根据图像处理的要求，图像存在的缺陷和噪声皆为非正常的像素点的缺陷类别，较小的疵点缺陷也可被认为是灰度突变的噪声点）。当样本图像的重构系数越大时，样本图像中被遮挡的疑似疵点缺陷的像素点数目越少，被保留的疑似疵点缺陷的像素点数目越多，属于疑似疵点缺陷的像素点重构的效果越好时，灰度掩膜图像中属于疑似疵点缺陷的像素点对应的重构区域像素点越接近于原图中的疑似疵点缺陷像素点。基于这种分析，构建该自编码网络的损失函数，对应的计算公式为：

其中，

为自编码网络的损失函数，为输入自编码网络的待重构样本图像对应的重构系数，

为输入自编码网络的待重构样本图像的特征张量，

为自编码网络重构后的样本图像的特征张量，

为距离度量函数。

在上述的自编码网络的损失函数

中，通过重构系数

用来调节当前自编码网络重构后的样本图像的质量，当

时，表示完全重构，此时重构后的图像与原图像一致，这里将重构后的图像称为完全重构的样本图像；当时，表示完全不重构，此时重构后的图像完全属于正常图像，即不包含疑似疵点缺陷像素点的图像，这里将重构后的图像称为完全不重构的样本图像；当0<

<1时，表示不完全重构，此时重构后的图像被认为是存在噪声像素点，也就是缺陷像素点，这里将重构后的图像称为不完全重构图像。

需要说明的是，对于根据步骤（2）所得到的筛选后的每张灰度图像，除了疑似疵点缺陷像素点，其他区域的像素点的类别标签都是确定的，所对应的图像可认为是有标签的，而疑似疵点缺陷像素点的类别标签是不确定的，通过自编码网络对该疑似疵点缺陷像素点进行重构，由于重构过程中会添加噪声，因此可以为重构后的图像增设类别标签，即认为重构后的图像为存在缺陷的图像，然后采用这些重构后的图像，作为半监督检测网络的训练数据，进行半监督检测网络的训练，这样能够增强网络检测疑似缺陷像素点的能力。

（5）构建半监督检测网络，利用重构后的各个样本图像对构建的半监督检测网络进行训练，从而得到构建和训练好的半监督检测网络。

通过上述步骤（4）的重构过程，可以得到各个样本图像，即完全重构的样本图像、完全不重构的样本图像、不完全重构的样本图像。其中，完全重构的样本图像对应的重构系数

等于第一设定系数阈值，即

，将该完全重构的样本图像作为无标签样本；完全不重构的样本图像对应的重构系数

等于第二设定系数阈值数，即

，将完全不重构的样本图像作为正样本；不完全重构的样本图像对应的重构系数大于第二设定系数阈值且小于第一设定系数阈值，即0<

<1，将该不完全重构的样本图像作为负样本。

然后，构建半监督检测网络，其网络结构为：Encoder-Decoder。并构建该半监督检测网络的损失函数，对应的计算公式为：

其中，为半监督检测网络的损失函数，

为设定的超参数，为了平衡正负样本数据量的差异对网络训练结果的影响，在本实施例中，设置

，

为输入半监督检测网络的第k张重构后的样本图像的类别标签，

为输入半监督检测网络的第k张重构后的样本图像的输出结果，N为输入半监督检测网络的重构后的样本图像的数目。

将各个正样本、负样本和无标签样本输入到该半监督检测网络中，进行半监督检测网络训练，最终得到构建和训练好的半监督检测网络，半监督网络完成训练后，半监督网络即为训练好的网络分类器，以便于后续对待检测纺织物进行缺陷检测。由于构建该半监督检测网络以及对其进行训练的具体实现过程属于现有技术，此处不再赘述。

通过采用重构后的各个样本图像对半监督检测网络进行训练，能够通过训练后的半监督检测网络对检测纺织物的表面图像中存在疑似的缺陷像素点做进一步的识别，以排除存在干扰的疑似缺陷像素点。

本实施例还提供了一种基于半监督网络的纺织物表面疵点检测系统，包括处理器和存储器，处理器用于处理存储在所述存储器中的指令以实现上述的基于半监督网络的纺织物表面疵点检测方法。由于该基于半监督网络的纺织物表面疵点检测方法已经在上述内容中做了详细介绍，此处不再赘述。

本发明通过语义分割网络对纺织物图像中的缺陷进行初步的识别，筛选出噪声自编码网络的输入图像数据，并构建损失函数中的重构系数，控制自编码网络输出更多与疑似缺陷像素点相似的噪声像素点，利用重构出的噪声像素点图像作为半监督检测网络的负样本，完全不重构的图像作为正样本，完全重构的疑似缺陷图像作为无标签样本完成半监督检测网络的训练，相较于现有技术能够有效提高半监督检测网络的识别精度和泛化能力，能够准确确定疑似缺陷像素点的类别，进而准确识别出纺织物的表面图像中是否存在缺陷。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，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 (5)

1.一种基于半监督网络的纺织物表面疵点检测方法，其特征在于，包括以下步骤：

获取待检测纺织物的表面图像，进而获取表面图像的灰度图像；

将灰度图像输入到预先构建和训练好的半监督检测网络中，由半监督检测网络对表面图像中的疵点进行识别，从而确定待检测纺织物是否存在缺陷；

所述预先构建和训练好的半监督检测网络的获取步骤包括：

获取N张纺织物的表面图像，进而获取N张表面图像的灰度图像，并根据N张灰度图像，获取N张灰度掩膜图像；

根据N张灰度掩膜图像，对N张灰度图像中存在疑似疵点缺陷的灰度图像进行筛选，确定筛选后的M张灰度图像；

根据筛选后的M张灰度图像及其对应的灰度掩膜图像，确定各个待重构样本图像及其对应的重构系数；

根据各个待重构样本图像及其对应的重构系数，利用自编码网络对各个待重构样本图像进行重构，得到重构后的各个样本图像；

构建半监督检测网络，利用重构后的各个样本图像对构建的半监督检测网络进行训练，从而得到构建和训练好的半监督检测网络；

获取N张灰度掩膜图像的步骤包括：

分别将N张灰度图像输入到语义分割网络中，从而获取对应的N张灰度掩膜图像，所述灰度掩膜图像中各个像素点的像素值表示该像素点属于缺陷的置信度；

确定各个待重构样本图像及其对应的重构系数的步骤包括：

对筛选后的每张灰度图像对应的灰度掩膜图像进行二值化处理，将灰度掩膜图像中的像素值不位于设定置信度范围内的各个像素点置为1，并按照变化的比例值，该比例值的取值范围为[0,1]，将灰度掩膜图像中的像素值位于设定置信度范围内的部分像素点置为1，将灰度掩膜图像中的像素值位于设定置信度范围内的其他部分像素点置为0，从而得到筛选后的每张灰度图像对应的各张二值化图像；

将筛选后的每张灰度图像与其对应的各张二值化图像分别进行相乘处理，得到筛选后的每张灰度图像对应的各个待重构样本图像，得到各个待重构样本图像对应的二值化图像时所按照的比例值即为各个待重构样本图像对应的重构系数；

确定筛选后的M张灰度图像的步骤包括：

分别判断N张灰度掩膜图像中的各个像素点的像素值是否位于设定置信度范围内；

若存在像素点的像素值位于设定置信度范围内，则判定该像素点所在灰度掩膜图像对应的灰度图像中存在疑似疵点缺陷，并将该像素点所在灰度掩膜图像对应的灰度图像作为筛选后的灰度图像。

2.根据权利要求1所述的基于半监督网络的纺织物表面疵点检测方法，其特征在于，自编码网络的损失函数对应的计算公式为：

其中，

为自编码网络的损失函数，

为输入自编码网络的待重构样本图像对应的重构系数，

为输入自编码网络的待重构样本图像的特征张量，

为自编码网络重构后的样本图像的特征张量，

为距离度量函数。

3.根据权利要求1所述的基于半监督网络的纺织物表面疵点检测方法，其特征在于，利用重构后的各个样本图像对构建的半监督检测网络进行训练之前，还包括对重构后的各个样本图像的类型进行区分的步骤：

对各个待重构样本图像对应的重构系数进行判断，若重构系数等于1，则将该重构系数对应的待重构样本图像作为无标签样本；若重构系数等于0，则将该重构系数对应的待重构样本图像作为正样本，若重构系数大于0且小于1，则将该重构系数对应的待重构样本图像作为负样本。

4.根据权利要求1所述的基于半监督网络的纺织物表面疵点检测方法，其特征在于，半监督检测网络的损失函数对应的计算公式为：

其中，

为半监督检测网络的损失函数，

为设定的超参数，

为输入半监督检测网络的第k张重构后的样本图像的类别标签，

为输入半监督检测网络的第k张重构后的样本图像的输出结果，N为输入半监督检测网络的重构后的样本图像的数目。

5.一种基于半监督网络的纺织物表面疵点检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-4中任一项所述的基于半监督网络的纺织物表面疵点检测方法。

Images