CN114858802B - 一种织物多尺度图像采集方法与装置 - Google Patents
一种织物多尺度图像采集方法与装置 Download PDFInfo
- Publication number
- CN114858802B CN114858802B CN202210782530.0A CN202210782530A CN114858802B CN 114858802 B CN114858802 B CN 114858802B CN 202210782530 A CN202210782530 A CN 202210782530A CN 114858802 B CN114858802 B CN 114858802B
- Authority
- CN
- China
- Prior art keywords
- fabric
- image
- different
- shooting
- acquiring
- 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.)
- Active
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005286 illumination Methods 0.000 claims abstract description 14
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000004753 textile Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000002759 woven fabric Substances 0.000 description 1
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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种织物多尺度图像采集方法及装置，采集方法包括以下步骤：S1、构建图像拍摄系统，所述图像拍摄系统包括不同放大倍率的相机；S2、利用不同放大倍率的相机分别从待测织物的上方和下方获取多个不同拍摄角度和不同角度光照下的拍摄图像；S3、对待测织物逐渐施加张力，并按照S2的拍摄方式获取不同张力下的相应拍摄图像；S4、将S2和S3得到的拍摄图像进行融合处理生成压缩图像。本发明通过使用不同放大倍率的镜头在织物不同张力状态下拍摄不同角度和不同光照条件下的图像信息，能够提取织物在宏观、微观、介观等尺度下的组织结构特征，能够充分获取隐藏在织物内部的组织结构信息，实现综合特征的图像采集。
Description
技术领域
本发明涉及图像采集技术领域，具体为一种织物多尺度图像采集方法与装置。
背景技术
对完成织造的织物进行质量检测是纺织品生产过程中必不可少的一环，其中较为典型的检测项目有织物密度、织物疵点等。另一方面，在纺织工厂与客户商谈项目的过程中，客户往往提供的是布样，此时纺织工厂需要通过布样，判断出此织物是否属于之前织造过的品种，或者直接通过布样定位出对应的纺织工艺。传统纺织工厂往往通过人工检测进行判断，然而人工检测存在很多的局限性，一方面，人工检测对检测工人的经验有较高的要求，尤其是对于织物类别判断来说，对于大型纺织工厂，面对数以万计的织物样品，几乎不可能通过人工识别进行逐一判断。另一方面，通过人工判断效率也非常低，不利于纺织车间自动化程度的进一步提升。近年来，深度学习相关理论与技术迅速发展，现如今已经被广泛应用于军事，交通，人民日常生活以及工业生产中的各个领域。通过深度学习进行图像识别与特征抽取已经被应用在诸多行业，且已经在一定程度上超过了人工检测的精度。通过相机采集到图像的信息，通过深度学习进行特征识别也是必然的趋势。
然而，对于织物来说，一方面多层纱线相互交织，不同纱线之间可能存在相互遮挡，仅仅通过单张图片提取织物综合特征往往不准确。另一方面，织物的不同特征往往需要从不同尺度上获取，而织物疵点检测往往基于宏观图像。因此，基于传统图像采集手段获取到的织物信息往往是非常局限的，无法反应织物的整体特征。例如，中国专利申请CN202111545882.6提出一种基于图像处理技术的纺织品表面瑕疵点检测方法，通过相机拍摄图像，并利用Gabor滤波器对织物图像进行检测，对织物图像中的瑕疵点进行标记和分割。该研究证明了基于图像处理实现织物特征检测的有效性，然而，由于专利中的图像仅仅是通过相机简单采集得到的单张图像，因此只能用于进行相对明显缺陷的检测，由于图像中不涵盖微观特征，因此无法用于进行实物识别，工艺分析等。
综上所述，目前亟需一种能够实现织物不同状态和不同尺度空间的数据快速采集方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供了一种应用于织物多尺度图像采集方法，通过使用不同放大倍率的镜头在织物不同张力状态下拍摄不同角度和不同光照条件下的图像信息，能够提取织物在宏观、微观、介观等尺度下的组织结构特征，能够充分获取隐藏在织物内部的组织结构信息，实现综合特征的图像采集。
本发明的第二个目的在于提出一种织物多尺度图像采集装置。
为实现上述目的，本发明提供如下技术方案：一种织物多尺度图像采集方法，包括以下步骤：
S1、构建图像拍摄系统，所述图像拍摄系统包括不同放大倍率的相机；
S2、利用不同放大倍率的相机分别从待测织物的上方和下方获取多个不同拍摄角度和不同角度光照下的宏观、微观、介观拍摄图像；
S3、对待测织物逐渐施加张力，并按照S2的拍摄方式获取不同张力下的相应拍摄图像；
S4、将S2和S3得到的拍摄图像进行融合处理生成压缩图像。
优选的，所述S2中利用不同放大倍率的相机进行拍摄时，所述不同放大倍率的相机均处于同一拍摄位置。
优选的，所述S4包括将全部拍摄图像利用长度为3，宽度为3且深度为拍摄图像数量的卷积核进行训练生成压缩图像。
优选的，所述采集方法还包括将压缩图像输入至传统卷积神经网络进行训练，并通过后端神经网络提取相应织物特征。
优选的，所述将压缩图像输入至传统卷积神经网络进行训练的过程中，选择交叉熵损失函数作为优化目标函数，并通过梯度下降法对传统卷积神经网络进行优化。
优选的，所述将压缩图像输入至传统卷积神经网络进行训练包括进行预训练，所述预训练包括每次训练一层隐节点时，都将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入。
为达到上述目的，本发明第二方面实施例提出了一种织物多尺度图像采集装置，包括图像拍摄系统和张力施加机构，所述图像拍摄系统包括不同放大倍率的相机，用于分别从待测织物的上方和下方获取多个不同拍摄角度和不同角度光照下的拍摄图像，所述张力施加机构包括分别与待测织物两侧边相连接的织物固定端和织物移动端，用于向待测织物施加拉力。
优选的，所述织物移动端上设置有拉力传感器，所述织物移动端上远离待测织物的一侧连接有位移轴，所述位移轴与驱动结构相连接，所述拉力传感器与驱动机构内的控制器电连接。
优选的，所述图像拍摄系统包括分别设置在待测织物上方和下方的第一拍摄装置和第二拍摄装置，所述第一拍摄装置和第二拍摄装置结构相同，均包括均匀设置在四个侧面的照明光源和设置在待测织物正面的导光板光源，以及设置在导光板光源上方的相机模组，所述相机模组包括一个相机机身和四个不同放大倍率的镜头，四个所述镜头均安装在自动切换转盘上。
优选的，所述相机模组还包括镜头固定盘，所述相机机身固定安装在所述镜头固定盘的上方，所述镜头固定盘在相机机身的正下方开设有与镜头相匹配的通孔，所述自动切换转盘转动安装在镜头固定盘上。
与现有技术相比，本发明的有益效果是：
本发明通过使用不同放大倍率的镜头在织物不同张力状态下拍摄不同角度和不同光照条件下的图像信息，能够提取织物在宏观、微观、介观等尺度下的组织结构特征，能够充分获取隐藏在织物内部的组织结构信息，在不同张力下拍摄图像有助于提取织物在外力下的动态特征，实现综合特征的图像采集。
本发明采用多种不同方向的光源照明分别拍摄，能够提取织物不同方向的信息，导光板组成正面照明光源的同时还用于作为另一组拍摄系统的背光光源，通过背光光源能够凸显织物深层次的信息。
附图说明
图1为本发明一种织物多尺度图像采集方法的流程示意图；
图2为本发明一种织物多尺度图像采集装置的结构示意图；
图3为本发明中张力施加机构的结构示意图；
图4为本发明中图像采集装置的整体连接示意图。
图中：1、侧面光源一；2、侧面光源二；3、侧面光源三；4、侧面光源四；5、导光板光源；6、待测织物；7、相机机身；8、普通工业镜头；9、低倍率显微镜头；10、中倍率显微镜头；11、高倍率显微镜头；12、镜头切换转轴；13、镜头固定盘；14、织物固定端；15、织物移动端；16、拉力传感器；17、位移轴；18、第一拍摄装置；19、第二拍摄装置；20、计算机。
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。
如图1所示，本发明提供的第一种实施例，一种织物多尺度图像采集方法，包括以下步骤：
S1、构建图像拍摄系统，所述图像拍摄系统包括不同放大倍率的相机；
S2、利用不同放大倍率的相机分别从待测织物的上方和下方获取多个不同拍摄角度和不同角度光照下的宏观、微观、介观拍摄图像；
S3、对待测织物逐渐施加张力，并按照S2的拍摄方式获取不同张力下的相应拍摄图像；
S4、将S2和S3得到的拍摄图像进行融合处理生成压缩图像。
具体的，所述S2中利用不同放大倍率的相机进行拍摄时，所述不同放大倍率的相机均处于同一拍摄位置。
将上述步骤采集到的所有图像进行融合处理，具体融合方式为利用一个长度为3，宽度为3且深度为拍摄图像数量的卷积核进行训练，以将多张图像融合为一张压缩图像，然后将压缩后的图像通过传统卷积神经网络进行训练，训练过程中也需要调整用于压缩图像的卷积核，从而得到最优凸显压缩策略。同时通过后端神经网络提取最终所需要的织物特征。上述卷积核调整过程可以首先选择交叉熵损失函数作为优化目标函数，然后通过梯度下降法进行神经网络优化。为避免网络陷入局部最优，首先进行预训练，具体来说，每次训练一层隐节点，都将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入。在预训练完成后，再对整个网络进行重新训练调整，最终实现最佳训练效果所述采集方法还包括将压缩图像输入至传统卷积神经网络进行训练，并通过后端神经网络提取相应织物特征。
如图2和图4所示，本发明第二种实施例，一种织物多尺度图像采集装置，包括图像拍摄系统，所述图像拍摄系统包括不同放大倍率的相机，用于分别从待测织物6的上方和下方获取多个不同拍摄角度和不同角度光照下的拍摄图像，所述图像拍摄系统包括分别设置在待测织物6上方和下方的第一拍摄装置18和第二拍摄装置19，第一拍摄装置18和第二拍摄装置19与计算机20电连接，用于将拍摄图像传入计算机20进行图像融合处理，所述第一拍摄装置18和第二拍摄装置19结构相同，均包括均匀设置在四个侧面的侧面光源一：1、侧面光源二2、侧面光源三3、侧面光源四4，设置在待测织物6正面的导光板光源5，以及设置在导光板光源5上方的相机模组，所述相机模组包括一个相机机身7和四个不同放大倍率的镜头，相机机身7为RGB彩色相机，四个镜头分别为普通工业镜头8、低倍率显微镜头9、中倍率显微镜头10和高倍率显微镜头11，四个镜头均安装在自动切换转盘上；相机模组还包括镜头固定盘13，所述相机机身7固定安装在所述镜头固定盘13的上方，所述镜头固定盘13在相机机身7的正下方开设有与镜头相匹配的通孔，所述自动切换转盘转动安装在镜头固定盘13上；自动切换转盘上还设有镜头切换转轴12，用于控制四个镜头的切换。
导光板光源5组成正面照明光源的同时还用于作为另一组拍摄系统的背光光源，通过背光光源能够凸显织物深层次的信息。
如图3所示，为了收集到织物更多的信息，图像采集装置还配备有张力施加机构，所述张力施加机构包括分别与待测织物6两侧边相连接的织物固定端14和织物移动端15，用于向待测织物6施加拉力；所述织物移动端15上设置有拉力传感器16，所述织物移动端15上远离待测织物6的一侧连接有位移轴17，所述位移轴17与驱动结构相连接，所述拉力传感器16与驱动机构内的控制器电连接；通过位移轴17配合拉力传感器16调整张力，张力传感器检测织物张力，从而调节织物在不同张力条件下拍摄图像，并按照上述方式拍摄不同张力下的图像组。
在具体拍摄过程中，首先进行正面成像系统拍照，先切换普通工业镜头8，然后控制对应四个面光源分别亮起，拍摄四组图像，然后控制上方导光板光源和下方导光板光源分别亮起，再次拍摄两组图像。然后切换不同倍率的显微镜头，重复拍摄。通过位移台配合张力传感器调整张力，按照上述方式拍摄不同张力下的图像组。和正面拍摄系统的拍摄方法类似，通过背面拍摄系统按照相同的模式采集图像。
在该实施例中相机镜头的选择以以下方式，但专利保护并不限定于以下方式：普通工业镜头8选择25mmFA镜头，低倍率显微镜头9选择0.5X显微镜头，中倍率显微镜头10选择2X显微镜头，高倍率显微镜头11选择8X显微镜头。
具体检测过程如以下步骤所示：
（1）首先利用第一拍摄装置18进行图像采集，先切换为25mmFA的普通工业镜头8，然后控制上方的侧面光源一：1、侧面光源二2、侧面光源三3、侧面光源四4和导光板光源5分别亮起，拍摄五张图像，然后控制下方第二拍摄装置19中的导光板光源5亮起，作为背光光源，再拍摄一张图像。
（2）将镜头分别切换为低倍率显微镜头9、中倍率显微镜头10和高倍率显微镜头11，重复步骤（1）。
（3）调整位移台控制织物张力，在不同张力的条件下重复步骤（1）、（2），得到不同张力下的织物图像。
（4）使用第二拍摄装置19进行图像采集，重复步骤（1）、（2）、（3）。
（5）将上述步骤（1）至（4）中采集到的所有图像传入一个长度为3，宽度为3，深度为图像数量的卷积核，以将多张图像融合为一张压缩图像，然后将压缩后的图像通过传统卷积神经网络，在神经网络训练过程中需要调整用于压缩图像的卷积核以及传统卷积神经网络的相关参数，从而得到最优凸显压缩策略，同时通过后端神经网络提取最终所需要的特征。
本发明由于使用了不同放大倍率的镜头，能够提取织物在宏观、微观、介观等尺度下的组织结构特征，因此能够充分获取织物的所有信息，如从宏观上的纹理信息到微观上纱线排列信息等。其次，由于本发明通过多光源照明分别拍摄，所以能够提取织物不同方向的信息，通过背光光源能够凸显织物深层次的信息。同时，本发明通过上下两个方向拍摄织物，更加有益于挖掘隐藏在织物内部的组织结构信息。最后，本发明通过织物一端与位移轴17固定，能够控制织物在不同张力下成像，有助于提取织物在外力下的动态特征。通过本发明采集流程，能够提取到织物不同状态下组织结构综合信息，再通过复合神经网络，能够进一步分析对比不同图像差异信息，最终实现织物综合特征高精度检测。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种织物多尺度图像采集方法，其特征在于，包括以下步骤：
S1、构建图像拍摄系统，所述图像拍摄系统包括不同放大倍率的相机；
S2、利用不同放大倍率的相机分别从待测织物的上方和下方获取多个不同拍摄角度和不同角度光照下的宏观、微观、介观拍摄图像；
S3、对待测织物逐渐施加张力，并按照S2的拍摄方式获取不同张力下的相应拍摄图像；
S4、将S2和S3得到的拍摄图像进行融合处理生成压缩图像。
2.根据权利要求1所述的织物多尺度图像采集方法，其特征在于，所述S2中利用不同放大倍率的相机进行拍摄时，所述不同放大倍率的相机均处于同一拍摄位置。
3.根据权利要求2所述的织物多尺度图像采集方法，其特征在于，所述S4包括将全部拍摄图像利用长度为3，宽度为3且深度为拍摄图像数量的卷积核进行训练生成压缩图像。
4.根据权利要求3所述的织物多尺度图像采集方法，其特征在于，所述采集方法还包括将压缩图像输入至传统卷积神经网络进行训练，并通过后端神经网络提取相应织物特征。
5.根据权利要求4所述的织物多尺度图像采集方法，其特征在于，所述将压缩图像输入至传统卷积神经网络进行训练的过程中，选择交叉熵损失函数作为优化目标函数，并通过梯度下降法对传统卷积神经网络进行优化。
6.根据权利要求5所述的织物多尺度图像采集方法，其特征在于，所述将压缩图像输入至传统卷积神经网络进行训练包括进行预训练，所述预训练包括每次训练一层隐节点时，都将上一层隐节点的输出作为输入，而本层隐节点的输出作为下一层隐节点的输入。
7.一种织物多尺度图像采集装置，其特征在于，包括图像拍摄系统和张力施加机构，所述图像拍摄系统包括不同放大倍率的相机，用于分别从待测织物的上方和下方获取多个不同拍摄角度和不同角度光照下的拍摄图像，所述张力施加机构包括分别与待测织物两侧边相连接的织物固定端和织物移动端，用于向待测织物施加拉力。
8.根据权利要求7所述的织物多尺度图像采集装置，其特征在于，所述织物移动端上设置有拉力传感器，所述织物移动端上远离待测织物的一侧连接有位移轴，所述位移轴与驱动结构相连接，所述拉力传感器与驱动机构内的控制器电连接。
9.根据权利要求8所述的织物多尺度图像采集装置，其特征在于，所述图像拍摄系统包括分别设置在待测织物上方和下方的第一拍摄装置和第二拍摄装置，所述第一拍摄装置和第二拍摄装置结构相同，均包括均匀设置在四个侧面的照明光源和设置在待测织物正面的导光板光源，以及设置在导光板光源上方的相机模组，所述相机模组包括一个相机机身和四个不同放大倍率的镜头，四个所述镜头均安装在自动切换转盘上。
10.根据权利要求9所述的织物多尺度图像采集装置，其特征在于，所述相机模组还包括镜头固定盘，所述相机机身固定安装在所述镜头固定盘的上方，所述镜头固定盘在相机机身的正下方开设有与镜头相匹配的通孔，所述自动切换转盘转动安装在镜头固定盘上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210782530.0A CN114858802B (zh) | 2022-07-05 | 2022-07-05 | 一种织物多尺度图像采集方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210782530.0A CN114858802B (zh) | 2022-07-05 | 2022-07-05 | 一种织物多尺度图像采集方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114858802A CN114858802A (zh) | 2022-08-05 |
| CN114858802B true CN114858802B (zh) | 2022-09-20 |
Family
ID=82625982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210782530.0A Active CN114858802B (zh) | 2022-07-05 | 2022-07-05 | 一种织物多尺度图像采集方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114858802B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117347383A (zh) * | 2023-12-06 | 2024-01-05 | 中材新材料装备科技(天津)有限公司 | 一种硅酸钙板表面缺陷检测与自动修复系统及方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002088641A (ja) * | 2000-09-13 | 2002-03-27 | Toyota Central Res & Dev Lab Inc | 織物検査装置 |
| JP2003138468A (ja) * | 2001-10-29 | 2003-05-14 | Toyota Central Res & Dev Lab Inc | 織物検査装置 |
| US20150370320A1 (en) * | 2014-06-20 | 2015-12-24 | Medibotics Llc | Smart Clothing with Human-to-Computer Textile Interface |
| CN102901732A (zh) * | 2012-10-31 | 2013-01-30 | 江南大学 | 一种基于dsp的织物放大图像采集和处理方法 |
| CN103134799B (zh) * | 2013-01-16 | 2016-12-07 | 浙江理工大学 | 一种织物单向悬垂性能的测试方法 |
| CN103674952B (zh) * | 2013-12-09 | 2017-04-19 | 上海工程技术大学 | 一种圆形薄片试样双侧纹理与颜色采集和分析方法 |
| JP2015212646A (ja) * | 2014-05-02 | 2015-11-26 | パナソニックＩｐマネジメント株式会社 | シート状物検査装置及びシート状物検査方法 |
| CN107389261B (zh) * | 2017-07-17 | 2019-10-29 | 中国民用航空飞行学院 | 一种伞降过程雨滴场外载荷估算方法 |
| CN109166126B (zh) * | 2018-08-13 | 2022-02-18 | 苏州比格威医疗科技有限公司 | 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法 |
| CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
| CN209356417U (zh) * | 2018-12-14 | 2019-09-06 | 上海工程技术大学 | 一种基于光度立体视觉的织物图像采集装置 |
| CN110111287A (zh) * | 2019-04-04 | 2019-08-09 | 上海工程技术大学 | 一种织物多角度图像融合系统及其方法 |
| CN110519595A (zh) * | 2019-08-08 | 2019-11-29 | 浙江大学 | 一种基于频域量化损失估计的jpeg压缩图像复原方法 |
| CN111028204B (zh) * | 2019-11-19 | 2021-10-08 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
| WO2022041129A1 (zh) * | 2020-08-28 | 2022-03-03 | 中国科学院深圳先进技术研究院 | 一种动物行为学记录三维捕捉装置、方法、系统及应用 |
| CN114332355A (zh) * | 2021-12-03 | 2022-04-12 | 南京航空航天大学 | 一种基于深度学习的弱光多视图几何重建方法 |
-
2022
- 2022-07-05 CN CN202210782530.0A patent/CN114858802B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114858802A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104749184B (zh) | 自动光学检测方法和系统 | |
| CN111650210B (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
| CN109934811B (zh) | 一种基于深度学习的光学元件表面缺陷检测方法 | |
| CN109447977B (zh) | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 | |
| CN110146974B (zh) | 一种智能生物显微镜 | |
| CN109086836A (zh) | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 | |
| CN114858802B (zh) | 一种织物多尺度图像采集方法与装置 | |
| CN109461149A (zh) | 喷漆表面缺陷的智能检测系统及方法 | |
| CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
| CN109635806A (zh) | 基于残差网络的电表数值识别方法 | |
| CN101221118A (zh) | 一种智能识别与计数痰涂片显微图像结核菌的系统和方法 | |
| CN104181686A (zh) | 基于fpm的光场显微方法 | |
| CN104792789A (zh) | 化纤纸管外观检测装置及方法 | |
| CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
| CN112131982A (zh) | 一种基于卷积神经网络的茶树嫩芽识别方法 | |
| CN115184359A (zh) | 一种自动调参的表面缺陷检测系统与方法 | |
| CN109182081A (zh) | 一种基于图像处理模型的单细胞分选系统 | |
| CN106979952A (zh) | 一种基于机器视觉技术的藻类检测与密度统计装置及其方法 | |
| CN107741425A (zh) | 一种用于增材制造的表面缺陷实时检测装置 | |
| CN104749801B (zh) | 高精度自动光学检测方法和系统 | |
| CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
| CN116205876A (zh) | 基于多尺度标准化流的无监督笔记本外观缺陷检测方法 | |
| CN114723668A (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
| CN114047196A (zh) | 一种线缆表面瑕疵高精度检测设备及其使用方法 | |
| CN117269193A (zh) | 合成革表观质量智能化检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |