CN114998290A - 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 - Google Patents

基于有监督模式的织物瑕疵检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114998290A
CN114998290A CN202210699479.7A CN202210699479A CN114998290A CN 114998290 A CN114998290 A CN 114998290A CN 202210699479 A CN202210699479 A CN 202210699479A CN 114998290 A CN114998290 A CN 114998290A
Authority
CN
China
Prior art keywords
image
sub
images
defect
saliency map
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
CN202210699479.7A
Other languages
English (en)
Inventor
韦帅
莫兆忠
钟凤俊
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.)
Foshan Jiyan Zhilian Technology Co ltd
Original Assignee
Foshan Jiyan Zhilian Technology 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 Foshan Jiyan Zhilian Technology Co ltd filed Critical Foshan Jiyan Zhilian Technology Co ltd
Priority to CN202210699479.7A priority Critical patent/CN114998290A/zh
Publication of CN114998290A publication Critical patent/CN114998290A/zh
Pending 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了基于有监督模式的织物瑕疵检测方法、装置、设备及介质，方法包括：将数据集中的图像拆分为对应的多个子图像，提取各子图像的灰度共生矩阵特征并进行组合得到图像特征向量，根据图像特征向量训练生成二分类模型并对待检测图像中的子图像进行识别得到识别结果，对瑕疵子图像进行计算求取显著性图后进行连通域筛选得到初始图像，对初始图像进行分割得到目标二值图像进行输出。本发明通过数据集中图像的子图像训练生成二分类模型，通过二分类模型对待检测图像中的子图像进行识别，对识别的瑕疵子图像进行计算并提取瑕疵区域的目标二值图像，可对织物快速进行瑕疵检测并定位瑕疵区域，大幅提高了对织物进行瑕疵检测的效率。

Description

基于有监督模式的织物瑕疵检测方法、装置、设备及介质
技术领域
本发明涉及机器学习的技术领域，尤其涉及一种基于有监督模式的织物瑕疵检测方法、装置、设备及介质。
背景技术
织物质量控制是织物生产厂商所面临的最重要也是最基本的问题，其对于降低成本，进而在国际市场竞争中取得优势非常重要。长期以来，织物瑕疵检测都由人工视觉完成。这种方法具有许多弊端。首先，它的自动化程度极低，人工进行织物瑕疵检测的验布速度通常为20米/分；其次，人工视觉检测无法采用统一的检测标准，因此不是一种客观一致的评价方法，它的检测结果容易受操作人员的疲惫状态、紧张程度等主观因素的影响，因而经常会产生误检和漏检。因此，现有技术中进行织物瑕疵检测的方法存在检测效率较低的问题。
发明内容
本发明实施例提供了一种基于有监督模式的织物瑕疵检测方法、装置、设备及介质，旨在解决现有技术中进行织物瑕疵检测的方法所存在的检测效率较低的问题。
第一方面，本发明实施例提供了一种基于有监督模式的织物瑕疵检测方法，方法包括：
对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像；每一所述子图像均包含瑕疵标记；
提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量；
将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型；
通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果；
对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值；所述显著性图包含所述瑕疵子图像中每一像素点对应的位置像素值；所述瑕疵子图像为识别结果为存在瑕疵的子图像；
对所述显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像；
通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到与所述待检测图像对应的目标二值图像进行输出。
第二方面，本发明实施例提供了一种基于有监督模式的织物瑕疵检测装置，装置包括：
图像拆分单元，用于对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像；每一所述子图像均包含瑕疵标记；
图像特征向量获取单元，用于提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量；
二分类模型生成单元，用于将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型；
识别结果获取单元，用于通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果；
显著性图获取单元，用于对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值；所述显著性图包含所述瑕疵子图像中每一像素点对应的位置像素值；所述瑕疵子图像为识别结果为存在瑕疵的子图像；
初始图像获取单元，用于对所述显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像；
目标二值图像获取单元，用于通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到与所述待检测图像对应的目标二值图像进行输出。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于有监督模式的织物瑕疵检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于有监督模式的织物瑕疵检测方法。
本发明实施例提供了一种基于有监督模式的织物瑕疵检测方法、装置、设备及介质。方法包括：将数据集中的图像拆分为对应的多个子图像，提取各子图像的灰度共生矩阵特征并进行组合得到图像特征向量，将图像特征向量输入至支持向量机中进行训练生成二分类模型，通过二分类模型对待检测图像中每一子图像进行识别得到识别结果，对瑕疵子图像进行计算求取得到显著性图并进行连通域筛选得到对应的初始图像，对所述图像进行分割得到与待检测图像对应的目标二值图像进行输出。通过上述方法，通过数据集中图像的子图像训练生成二分类模型，通过二分类模型对待检测图像中的子图像进行初步识别，对初步识别的瑕疵子图像进行计算并提取瑕疵区域的目标二值图像，可对织物快速进行瑕疵检测并定位瑕疵区域，大幅提高了对织物进行瑕疵检测的效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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他的附图。
图1为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的流程示意图；
图2为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的效果示意图；
图3为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的子流程示意图；
图4为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的另一子流程示意图；
图5为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的又一子流程示意图；
图6为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的再一子流程示意图；
图7为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的后一子流程示意图；
图8为本发明实施例提供的基于有监督模式的织物瑕疵检测装置的示意性框图；
图9为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的基于有监督模式的织物瑕疵检测方法的流程示意图；该基于有监督模式的织物瑕疵检测方法应用于用户终端或服务器中，该基于有监督模式的织物瑕疵检测方法通过安装于用户终端或服务器中的应用软件进行执行，其中，用户终端可以是用于执行有监督模式的织物瑕疵检测方法以实现对织物进行瑕疵检测的终端设备，如台式电脑、笔记本电脑、平板电脑或手机等，服务器可以是用于执行有监督模式的织物瑕疵检测方法以实现对织物进行瑕疵检测的服务器端，如企业内部配置的用于进行织物瑕疵检测的服务器。如图1所示，该方法包括步骤S110～S170。
S110、对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像。
对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像；每一所述子图像均包含瑕疵标记。用户可输入数据集至用户终端或服务器中，数据集中包含多张织物的图像，数据集中的图像即可用于进行模型训练从而生成二分类模型。接收到输入的数据集后，可对数据集中的图像进行拆分，从而得到尺寸一致的子图像，数据集中的图像均可拆分成对应的多张子图像。
在一实施例中，如图3所示，步骤S110包括子步骤S111和S112。
S111、将所述数据集中的图像按预设数目确定与所述图像的拆分比例对应的矩形，所述拆分比例根据所述预设数目对应获取得到；
S112、根据所述图像对应的矩形对所述图像进行无损、无重叠的截取得到对应的多个子图像。
可根据预设的拆分数目对图像进行拆分处理，具体的，可根据图像的预设数目确定图像的拆分比例，并基于图像尺寸及拆分比例确定进行拆分的矩形。
例如，预设数目为256，则确定对应的拆分比例为
Figure BDA0003703442700000051
则确定与图像对应的矩形为图像原尺寸的
Figure BDA0003703442700000052
也即是矩形的长度为图像长度的1/16，宽度也为图像宽度的1/16。
通过图像的矩形对该图像进行无损、无重叠的截取，则所截取的每一子图像的尺寸及与该矩形相同。其中，对该图像进行无损截取，也即是所截取的相邻子图像在原始图像中不会有间隙，也即截取得到子图像不会对原始图像的信息造成损失；对该图像进行无重叠的截取，也即是所截取的相邻子图像在原始图像中不包含相同的图像信息。
截取得到子图像后，可在子图像中添加对应的瑕疵标记，瑕疵标记即可用于对子图像中是否存在瑕疵进行标记，瑕疵标记可基于人工操作进行添加，也即人工将子图像区分为无瑕疵图像及有瑕疵图像，并对应添加瑕疵标记，其中，所述子图像有瑕疵的瑕疵标记为“1”、无瑕疵的瑕疵标记为“0”。
S120、提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量。
提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量。具体的，可将每一子图像转换成对应的灰度图像，位数为八位的灰度图像拥有256阶，灰度图像如图2的(a)图所示。根据灰度图像可获取每一子图像的灰度共生矩阵，并从灰度共生矩阵中获取子图像对应的统计特征，一个子图像的灰度共生矩阵可包含多个不同的统计特征，对一个子图像的多个统计特征进行组合，即可作为该子图像的图像特征向量。通过上述方法，即可获取每一子图像分别对应的图像特征向量，图像特征向量即可对子图像的特征进行量化表征。
在一实施例中，如图4所示，步骤S120包括子步骤S121、S122和S123。
S121、计算各所述子图像的灰度共生矩阵。
可基于子图像对应的灰度图像获取灰度共生矩阵，灰度图像中每一像素点均采用一个灰度值进行表示，一张尺寸为Ly×Lx、位数为八位的灰度图像有256阶，那么其对应的灰度共生矩阵大小为256×256。其中，所述灰度共生矩阵可采用公式(1)进行表示：
Figure BDA0003703442700000061
其中，Pθ,d(m,n)表示不同组合在方向θ与距离d上出现的概率：
Figure BDA0003703442700000062
Nθ,d(m,n)为有序数对值为(m，n)，(m,n＝0,1,2,…,255)灰度对的出现次数，N为灰度对总数。
用有序实数对(m,n)，(m,n＝0,1,2,...,255)表示两点的灰度值，令参考点坐标为(x0,y0)，另一点坐标为(x1,y1)，那么θ＝0°时统计结果可采用下述公式(2)进行表示，本申请实施例中采用θ＝0°、d＝1的灰度共生矩阵。
Figure BDA0003703442700000063
Pθ,d(m,n)表示不同组合在方向θ与距离d上出现的概率，Nθ,d(m,n)为有序数对值为(m，n)，(m,n＝0,1,2,…,255)灰度对的出现次数，N为灰度对总数。
S122、根据各所述子图像的所述灰度共生矩阵计算各所述子图像的统计特征。
可根据灰度共生矩阵计算子图像的统计特征；其中，所述统计特征包括角二阶矩、对比度、相关性、逆差矩及熵。
其中，角二阶矩(Second Angle Moment，ASM)可采用公式(3)计算得到：
Figure BDA0003703442700000064
对比度(Contrast)可采用公式(4)计算得到：
Figure BDA0003703442700000071
相关性(Correlation)可采用公式(5)计算得到：
Figure BDA0003703442700000072
式中μx、μy、σx、σy计算方式如公式(6)所示：
Figure BDA0003703442700000073
Figure BDA0003703442700000074
Figure BDA0003703442700000075
Figure BDA0003703442700000076
逆差矩(Inverse Difference Moment，IDM)可采用公式(7)计算得到：
Figure BDA0003703442700000077
熵(Entropy)可采用公式(8)计算得到：
Figure BDA0003703442700000078
S123、将属于同一个所述子图像的统计特征分别进行组合，得到各所述子图像的图像特征向量。
将从子图像提取得到的上述统计特征角二阶矩、对比度、相关性、逆差矩及熵进行组合，即可得到五维的图像特征向量。
S130、将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型。
将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型。将提取出的五维图像特征向量F＝{Asm，Con，Cor，Idm，Ent}及子图像的瑕疵标记同时输入至支持向量机中进行训练，从而生成可用于进行瑕疵分类的二分类模型。具体的，一个子图像的图像特征向量及瑕疵标记可用于对支持向量机进行一次训练，多个子图像的图像特征向量及瑕疵标记即可实现对支持向量机进行迭代训练，从而得到更精准的二分类模型。
在一实施例中，如图5所示，步骤S130包括子步骤S131和S132。
S131、将所述图像特征向量包含的五维特征及所述图像特征向量对应子图像的瑕疵标记输入至所述支持向量机中，根据梯度下降规则对所述支持向量机进行训练得到对应的目标分类参数；
S132、根据目标分类参数对所述支持向量机进行参数配置，以生成二分类模型。
具体的，子图像的图像特征向量与该子图像的瑕疵标记进行组合后，可输入至支持向量机中，图像特征向量作为子图像的特征信息，瑕疵标记作为训练目标，根据梯度下降规则对支持向量机进行训练，训练过程中可对图像特征向量对应的输出信息与瑕疵标记之间的损失值进行计算，通过梯度下降规则调整支撑向量机中的参数，从而使损失值逐步降低，通过每一子图像的信息完成训练后，即可得到目标分类参数。
通过训练得到的目标分类参数对支持向量机进行参数配置，从而生成二分类模型，二分类模型即可作为一个二分类器对其他图像进行瑕疵识别及分类。
S140、通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果。
通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果。生成二分类模型后，用户即可输入待检测图像，可采用上述步骤中的方法对待检测图像进行拆分得到待检测图像的子图像，并获取待检测图像中子图像的图像特征向量，将待检测图像中子图像的图像特征向量输入至二分类模型中进行识别，得到对应的识别结果，识别过程也即是对子图像进行二分类，所得到的识别结果为存在瑕疵或不存在瑕疵。
S150、对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值。
对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值；所述显著性图包含所述瑕疵子图像中每一像素点对应的位置像素值；所述瑕疵子图像为识别结果为存在瑕疵的子图像。为准确确定识别结果为存在瑕疵的子图像中的瑕疵区域，可对瑕疵子图像进行计算，从而求解到瑕疵子图像的显著性图，显著性图也即是中心-环绕显著性图，所得到的中心-环绕显著性图如图2的(b)图所示。
在一实施例中，如图6所示，步骤S150包括子步骤S151、S152和S153。
S151、将所述瑕疵子图像从RGB颜色空间转换至CIE-Lab颜色空间，得到与所述瑕疵子图像对应的转换图像。
可首先将瑕疵子图像从RGB颜色空间转换至CIE-Lab颜色空间，瑕疵子图像为彩色图像，瑕疵子图像中每一像素点由R(红)、G(绿)、B(蓝)三个通道对应的像素值组成，CIE-Lab颜色空间是CIE(国际照明委员会)的一个颜色系统，进行颜色空间转换后得到对应的转换图像，转换图像由每一像素点在L、a、b三通道对应的像素值组成，则转换图像中像素点的像素值在L、a、b三通道中分别组成三个分图像矩阵，每一分图像矩阵即对应L、a、b中的一个通道。
S152、对所述转换图像在L、a、b三通道的分图像矩阵分别求取均值，以确定与所述均值对应的中心坐标。
对转换图像中每一通道的分图像矩阵分别求取均值，也即是对每一分图像矩阵中包含的像素值进行平均计算得到对应的均值，均值也即是分图像矩阵中像素值的平均值，获取转换图像中像素值与三个通道的平均像素值最接近的一个像素点的坐标，作为与均值对应的中心坐标。
S153、将所述瑕疵子图像所有像素点与所述中心坐标之间的偏差值作为显著性图的位置像素值。
通过上述方法可获取到与每一瑕疵子图像对应的中心坐标，由此可计算得到每一瑕疵子图像中像素点与对应中心坐标之间的偏差值，并将得到的偏差值作为显著性图的位置像素值，也即将位置像素值组合即可得到显著性图。
在一实施例中，如图7所示，步骤S153包括子步骤S1531和S1532。
S1531、对所述瑕疵子图像进行滤波得到对应的滤波图像矩阵；
S1532、计算所述滤波图像矩阵所有像素点的像素值与所述中心坐标的像素值之间的偏差值，得到所述位置像素值。
具体的，在计算显著性图之前，还可对瑕疵子图像进行滤波处理，如采用中值滤波方式对瑕疵子图像进行滤波，得到滤波图像，滤波图像中的像素值即组成为滤波图像矩阵。计算滤波图像矩阵所有像素点的像素值与中心坐标在滤波图像矩阵中的像素值之间的偏差值，从而得到与每一像素点对应的位置像素值，获取每一像素点对应的位置像素值即可得到显著性图。
S160、对所述显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像。
对显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像。对所得到的显著性图进行连通域筛选，通过计算显著性图内包含的各连通域的像素点数，并将像素点数小于预设像素阈值的连通域进行筛除，保留像素点数不小于预设像素阈值的连通域，从而得到与显著性图对应的初始图像，所得到的初始图像如图2的(c)图所示。
S170、通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到瑕疵前景区域作为与所述初始图像对应的目标二值图像进行输出。
通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到瑕疵前景区域作为与初始图像对应的目标二值图像进行输出。
对筛选连通域后得到的初始图像进行自适应阈值分割，其中，阈值计算方式如下：设图像包含L(如L为256)个灰度等级，灰度值为i的像素点的个数为Ni，像素点的总个数可采用公式(9)进行表示：
N＝N0+N1+…+NL-1 (9)；
则灰度值为i的像素点的概率为：
Figure BDA0003703442700000101
设t为设定的阈值，则可对应得到瑕疵前景区域(前景部分)与背景区域(背景部分)的以下关系：
Figure BDA0003703442700000102
其中，前景部分概率w0即为分割后前景像素点数占图像的比例；前景部分均值μ0即为分割后前景像素点的平均灰度；背景部分概率w1即为分割后背景像素点数占图像的比例；背景部分均值μ1即为分割后背景像素点的平均灰度；图像总平均灰度为μ＝w0×μ0+w1×μ1。
从L(灰度图为0-255)个灰度级遍历t，使得t为某个值的时候，前景和背景的方差最大，t值便是要求得的阈值。其中，方差的计算公式如公式(10)所示：
g＝w0×w1×(μ0-μ1)2 (10)；
通过上述方法即可对初始图像中的瑕疵前景区域与背景区域进行分割，从而得到瑕疵前景区域作为自适应分割得到的目标二值图像进行输出，所得到的目标二值图像如图2的(d)图所示，其中方框部分即为从初始图像分割得到的目标二值图像。
在本发明实施例所提供的基于有监督模式的织物瑕疵检测方法中，将数据集中的图像拆分为对应的多个子图像，提取各子图像的灰度共生矩阵特征并进行组合得到图像特征向量，将图像特征向量输入至支持向量机中进行训练生成二分类模型，通过二分类模型对待检测图像中每一子图像进行识别得到识别结果，对瑕疵子图像进行计算求取得到显著性图并进行连通域筛选得到对应的初始图像，对所述图像进行分割得到与待检测图像对应的目标二值图像进行输出。通过上述方法，通过数据集中图像的子图像训练生成二分类模型，通过二分类模型对待检测图像中的子图像进行初步识别，对初步识别的瑕疵子图像进行计算并提取瑕疵区域的目标二值图像，可对织物快速进行瑕疵检测并定位瑕疵区域，大幅提高了对织物进行瑕疵检测的效率。
本发明实施例还提供一种基于有监督模式的织物瑕疵检测装置，该基于有监督模式的织物瑕疵检测装置可配置于用户终端或服务器中，该基于有监督模式的织物瑕疵检测装置用于执行前述的基于有监督模式的织物瑕疵检测方法的任一实施例。具体地，请参阅图8，图8为本发明实施例提供的基于有监督模式的织物瑕疵检测装置的示意性框图。
如图8所示，基于有监督模式的织物瑕疵检测装置100包括图像拆分单元110、图像特征向量获取单元120、二分类模型生成单元130、识别结果获取单元140、显著性图获取单元150、初始图像获取单元160及目标二值图像获取单元170。
图像拆分单元110，用于对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像；每一所述子图像均包含瑕疵标记。
在一具体实施例中，所述图像拆分单元110包括子单元：矩形确定单元，用于将所述数据集中的图像按预设数目确定与所述图像的拆分比例对应的矩形，所述拆分比例根据所述预设数目对应获取得到；截取单元，用于根据所述图像对应的矩形对所述图像进行无损、无重叠的截取得到对应的多个子图像。
图像特征向量获取单元120，用于提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量。
在一具体实施例中，所述图像特征向量获取单元120包括子单元：灰度共生矩阵计算单元，用于计算各所述子图像的灰度共生矩阵；统计特征获取单元，用于根据各所述子图像的所述灰度共生矩阵计算各所述子图像的统计特征；统计特征组合单元，用于将属于同一个所述子图像的统计特征分别进行组合，得到各所述子图像的图像特征向量。
二分类模型生成单元130，用于将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型。
在一具体实施例中，所述二分类模型生成单元130包括子单元：目标分类参数获取单元，用于将所述图像特征向量包含的五维特征及所述图像特征向量对应子图像的瑕疵标记输入至所述支持向量机中，根据梯度下降规则对所述支持向量机进行训练得到对应的目标分类参数；参数配置单元，用于根据目标分类参数对所述支持向量机进行参数配置，以生成二分类模型。
识别结果获取单元140，用于通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果。
显著性图获取单元150，用于对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值；所述显著性图包含所述瑕疵子图像中每一像素点对应的位置像素值；所述瑕疵子图像为识别结果为存在瑕疵的子图像。
在一具体实施例中，所述显著性图获取单元150包括子单元：转换图像获取单元，用于将所述瑕疵子图像从RGB颜色空间转换至CIE-Lab颜色空间，得到与所述瑕疵子图像对应的转换图像。中心坐标获取单元，用于对所述转换图像在L、a、b三通道的分图像矩阵分别求取均值，以确定与所述均值对应的中心坐标；位置像素值获取单元，用于将所述瑕疵子图像所有像素点与所述中心坐标之间的偏差值作为显著性图的位置像素值。
在一具体实施例中，所述位置像素值获取单元包括子单元：滤波图像矩阵获取单元，用于对所述瑕疵子图像进行滤波得到对应的滤波图像矩阵；偏差值计算单元，用于计算所述滤波图像矩阵所有像素点的像素值与所述中心坐标的像素值之间的偏差值，得到所述位置像素值。
初始图像获取单元160，用于对所述显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像。
目标二值图像获取单元170，用于通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到与所述待检测图像对应的目标二值图像进行输出。
在本发明实施例所提供的基于有监督模式的织物瑕疵检测装置应用上述基于有监督模式的织物瑕疵检测方法，将数据集中的图像拆分为对应的多个子图像，提取各子图像的灰度共生矩阵特征并进行组合得到图像特征向量，将图像特征向量输入至支持向量机中进行训练生成二分类模型，通过二分类模型对待检测图像中每一子图像进行识别得到识别结果，对瑕疵子图像进行计算求取得到显著性图并进行连通域筛选得到对应的初始图像，对所述图像进行分割得到与待检测图像对应的目标二值图像进行输出。通过上述方法，通过数据集中图像的子图像训练生成二分类模型，通过二分类模型对待检测图像中的子图像进行初步识别，对初步识别的瑕疵子图像进行计算并提取瑕疵区域的目标二值图像，可对织物快速进行瑕疵检测并定位瑕疵区域，大幅提高了对织物进行瑕疵检测的效率。
上述基于有监督模式的织物瑕疵检测装置可以实现为计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9，图9是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于有监督模式的织物瑕疵检测方法以对植物进行瑕疵检测的用户终端或服务器。
参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于有监督模式的织物瑕疵检测方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于有监督模式的织物瑕疵检测方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于有监督模式的织物瑕疵检测方法中对应的功能。
本领域技术人员可以理解，图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图9所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于有监督模式的织物瑕疵检测方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于有监督模式的织物瑕疵检测方法，其特征在于，包括：
对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像；每一所述子图像均包含瑕疵标记；
提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量；
将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型；
通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果；
对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值；所述显著性图包含所述瑕疵子图像中每一像素点对应的位置像素值；所述瑕疵子图像为识别结果为存在瑕疵的子图像；
对所述显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像；
通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到瑕疵前景区域作为与所述初始图像对应的目标二值图像进行输出。
2.根据权利要求1所述的基于有监督模式的织物瑕疵检测方法，其特征在于，所述对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像，包括：
将所述数据集中的图像按预设数目确定与所述图像的拆分比例对应的矩形，所述拆分比例根据所述预设数目对应获取得到；
根据所述图像对应的矩形对所述图像进行无损、无重叠的截取得到对应的多个子图像。
3.根据权利要求1所述的基于有监督模式的织物瑕疵检测方法，其特征在于，所述提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量，包括：
计算各所述子图像的灰度共生矩阵；
根据各所述子图像的所述灰度共生矩阵计算各所述子图像的统计特征；所述统计特征包括角二阶矩、对比度、相关性、逆差矩及熵；
将属于同一个所述子图像的统计特征分别进行组合，得到各所述子图像的图像特征向量。
4.根据权利要求3所述的基于有监督模式的织物瑕疵检测方法，其特征在于，所述灰度共生矩阵为：
Figure FDA0003703442690000021
其中，Pθ,d(m,n)表示不同组合在方向θ与距离d上出现的概率：
Figure FDA0003703442690000022
Nθ,d(m,n)为有序数对值为(m，n)，(m,n＝0,1,2,…,255)灰度对的出现次数，N为灰度对总数。
5.根据权利要求1所述的基于有监督模式的织物瑕疵检测方法，其特征在于，所述将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型，包括：
将所述图像特征向量包含的五维特征及所述图像特征向量对应子图像的瑕疵标记输入至所述支持向量机中，根据梯度下降规则对所述支持向量机进行训练得到对应的目标分类参数；
根据目标分类参数对所述支持向量机进行参数配置，以生成二分类模型。
6.根据权利要求1所述的基于有监督模式的织物瑕疵检测方法，其特征在于，所述对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值，包括：
将所述瑕疵子图像从RGB颜色空间转换至CIE-Lab颜色空间，得到与所述瑕疵子图像对应的转换图像；
对所述转换图像在L、a、b三通道的分图像矩阵分别求取均值，以确定与所述均值对应的中心坐标；
将所述瑕疵子图像所有像素点与所述中心坐标之间的偏差值作为显著性图的位置像素值。
7.根据权利要求6所述的基于有监督模式的织物瑕疵检测方法，其特征在于，所述将所述瑕疵子图像所有像素点与所述中心坐标之间的偏差值作为显著性图的位置像素值，包括：
对所述瑕疵子图像进行滤波得到对应的滤波图像矩阵；
计算所述滤波图像矩阵所有像素点的像素值与所述中心坐标的像素值之间的偏差值，得到所述位置像素值。
8.一种基于有监督模式的织物瑕疵检测装置，其特征在于，所述装置包括：
图像拆分单元，用于对输入的数据集中的图像进行拆分，得到与每一所述图像对应的多个子图像；每一所述子图像均包含瑕疵标记；
图像特征向量获取单元，用于提取各所述子图像的灰度共生矩阵特征并进行组合，得到各所述子图像的图像特征向量；
二分类模型生成单元，用于将各所述子图像的所述图像特征向量输入至支持向量机中进行训练，生成二分类模型；
识别结果获取单元，用于通过所述二分类模型对待检测图像中的子图像进行识别，得到是否存在瑕疵的识别结果；
显著性图获取单元，用于对瑕疵子图像进行计算，求取所述瑕疵子图像的显著性图及所述显著性图的位置像素值；所述显著性图包含所述瑕疵子图像中每一像素点对应的位置像素值；所述瑕疵子图像为识别结果为存在瑕疵的子图像；
初始图像获取单元，用于对所述显著性图进行连通域筛选，以将所述显著性图中像素数小于预设像素阈值的连通域进行筛除，得到与所述显著性图对应的初始图像；
目标二值图像获取单元，用于通过自适应阈值对所述初始图像进行分割，以将瑕疵前景区域与背景区域进行分割，得到与所述待检测图像对应的目标二值图像进行输出。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于有监督模式的织物瑕疵检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于有监督模式的织物瑕疵检测方法。
CN202210699479.7A 2022-06-20 2022-06-20 基于有监督模式的织物瑕疵检测方法、装置、设备及介质 Pending CN114998290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210699479.7A CN114998290A (zh) 2022-06-20 2022-06-20 基于有监督模式的织物瑕疵检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210699479.7A CN114998290A (zh) 2022-06-20 2022-06-20 基于有监督模式的织物瑕疵检测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114998290A true CN114998290A (zh) 2022-09-02

Family

ID=83034621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210699479.7A Pending CN114998290A (zh) 2022-06-20 2022-06-20 基于有监督模式的织物瑕疵检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114998290A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152189A (zh) * 2023-01-31 2023-05-23 华纺股份有限公司 一种图案织物瑕疵检测方法、系统及检测终端机
CN116228769A (zh) * 2023-05-09 2023-06-06 和峻（广州）胶管有限公司 一种适用于钢丝编织管瑕疵检测的装置及检测方法
CN118154605A (zh) * 2024-05-11 2024-06-07 江西智成飞桨科技有限公司 纺织品ai瑕疵检测方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
US20160239981A1 (en) * 2013-08-28 2016-08-18 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi A semi automatic target initialization method based on visual saliency
CN106872487A (zh) * 2017-04-21 2017-06-20 佛山市南海区广工大数控装备协同创新研究院 一种基于视觉的表面瑕疵检测方法及装置
CN108090494A (zh) * 2017-12-15 2018-05-29 东华大学 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN108427919A (zh) * 2018-02-22 2018-08-21 北京航空航天大学 一种基于形状引导显著性模型的无监督油罐目标检测方法
CN109636784A (zh) * 2018-12-06 2019-04-16 西安电子科技大学 基于最大邻域和超像素分割的图像显著性目标检测方法
CN112488211A (zh) * 2020-12-03 2021-03-12 浙江理工大学 一种织物图像瑕疵分类方法
CN114419004A (zh) * 2022-01-21 2022-04-29 佛山技研智联科技有限公司 织物瑕疵的检测方法、装置、计算机设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239981A1 (en) * 2013-08-28 2016-08-18 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi A semi automatic target initialization method based on visual saliency
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN106872487A (zh) * 2017-04-21 2017-06-20 佛山市南海区广工大数控装备协同创新研究院 一种基于视觉的表面瑕疵检测方法及装置
CN108090494A (zh) * 2017-12-15 2018-05-29 东华大学 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN108427919A (zh) * 2018-02-22 2018-08-21 北京航空航天大学 一种基于形状引导显著性模型的无监督油罐目标检测方法
CN109636784A (zh) * 2018-12-06 2019-04-16 西安电子科技大学 基于最大邻域和超像素分割的图像显著性目标检测方法
CN112488211A (zh) * 2020-12-03 2021-03-12 浙江理工大学 一种织物图像瑕疵分类方法
CN114419004A (zh) * 2022-01-21 2022-04-29 佛山技研智联科技有限公司 织物瑕疵的检测方法、装置、计算机设备及可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
安冬，位耀光编: "《水下图像与视觉智能处理技术及应用》", 28 February 2022, 中国农业大学出版社, pages: 44 *
曹洪武，等.: "基于PSO和视觉显著性的棉花图像分割算法", 《江苏农业科学》, vol. 44, no. 2, 25 February 2016 (2016-02-25), pages 2 *
翟永杰;张木柳;乔弘;王迪;: "基于显著性检测的风机叶片裂纹提取研究", 南方能源建设, no. 02, 30 June 2016 (2016-06-30) *
苏涛主编: "《遥感原理与应用》", 30 September 2015, 煤炭工业出版社, pages: 108 - 109 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152189A (zh) * 2023-01-31 2023-05-23 华纺股份有限公司 一种图案织物瑕疵检测方法、系统及检测终端机
CN116152189B (zh) * 2023-01-31 2023-12-19 华纺股份有限公司 一种图案织物瑕疵检测方法、系统及检测终端机
CN116228769A (zh) * 2023-05-09 2023-06-06 和峻（广州）胶管有限公司 一种适用于钢丝编织管瑕疵检测的装置及检测方法
CN116228769B (zh) * 2023-05-09 2023-10-17 和峻（广州）胶管有限公司 一种适用于钢丝编织管瑕疵检测的装置及检测方法
CN118154605A (zh) * 2024-05-11 2024-06-07 江西智成飞桨科技有限公司 纺织品ai瑕疵检测方法、系统及设备

Similar Documents

Publication Publication Date Title
CN111275129B (zh) 一种图像数据的增广策略选取方法及系统
CN107833220B (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN109978890B (zh) 基于图像处理的目标提取方法、装置及终端设备
CN114998290A (zh) 基于有监督模式的织物瑕疵检测方法、装置、设备及介质
CN106846316B (zh) 一种gis内部典型缺陷图像自动识别方法
CN108629343B (zh) 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统
US6721448B2 (en) Color clustering and segmentation using sigma filtering
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
WO2007127085A1 (en) Generating a bitonal image from a scanned colour image
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN108389215B (zh) 一种边缘检测方法、装置、计算机存储介质及终端
WO2014070489A1 (en) Recursive conditional means image denoising
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
Corcoran et al. Automated in-camera detection of flash-eye defects
EP2889833A1 (en) Method and apparatus for image quality assessment
CN112396050B (zh) 图像的处理方法、设备以及存储介质
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
CN110399873A (zh) 身份证图像获取方法、装置、电子设备及存储介质
CN111539238B (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN115272350A (zh) 一种计算机pcb主板生产质量检测方法
CN112883762A (zh) 一种活体检测方法、装置、系统及存储介质
CN115272362A (zh) 一种数字病理全场图像有效区域分割方法、装置
JP2018196096A (ja) 画像処理装置、画像処理方法、プログラム
US11501404B2 (en) Method and system for data processing
CN110766614B (zh) 一种无线扫描笔的图像预处理方法和系统

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