CN115018826A - 一种基于图像识别的织物瑕疵检测方法及系统 - Google Patents

一种基于图像识别的织物瑕疵检测方法及系统 Download PDF

Info

Publication number
CN115018826A
CN115018826A CN202210923821.7A CN202210923821A CN115018826A CN 115018826 A CN115018826 A CN 115018826A CN 202210923821 A CN202210923821 A CN 202210923821A CN 115018826 A CN115018826 A CN 115018826A
Authority
CN
China
Prior art keywords
flaw
fabric
detected
defect
point
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.)
Granted
Application number
CN202210923821.7A
Other languages
English (en)
Other versions
CN115018826B (zh
Inventor
吴天杰
严雪峰
陈美娟
姚建南
王海峰
朱昱
沈岳
汪兴兴
张健
刘茹萌
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 Ainon Home Textile Co ltd
Original Assignee
Nantong Ainon Home Textile 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 Ainon Home Textile Co ltd filed Critical Nantong Ainon Home Textile Co ltd
Priority to CN202210923821.7A priority Critical patent/CN115018826B/zh
Publication of CN115018826A publication Critical patent/CN115018826A/zh
Application granted granted Critical
Publication of CN115018826B publication Critical patent/CN115018826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种基于图像识别的织物瑕疵检测方法及系统，该方法为人工智能系统、人工智能优化操作系统、人工智能中间件、计算机视觉软件或材料检测、计量、相关标准化可实现的方法，包括：获取待检测织物的表面图像中每个瑕疵点及其位置，确定每个瑕疵点相对于总体瑕疵点的集中系数，进而确定各瑕疵指示量；根据各瑕疵指示量，能够准确判断待检测织物中是否存在瑕疵，进而识别出瑕疵及其对应的瑕疵种类。本发明利用图像识别技术，通过计算、数据处理和应用电子设备识别，对织物表面中的瑕疵及其种类进行准确地检测，因此，本发明可以用于材料检测、计量，织物瑕疵检测相关标准化以及计算机视觉软件的应用开发等。

Description

一种基于图像识别的织物瑕疵检测方法及系统
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于图像识别的织物瑕疵检测方法及系统。
背景技术
在纺织品的制作流程中，织物会经纺纱、织造、染整等工序制成，由于各种原因的影响，织物会出现不同程度的瑕疵，在这些不同种类的织物瑕疵中，染整工序中的瑕疵较好检测，但是纺纱和织造工序中的瑕疵在检测时极易出现误检的情况，若未能及时去除在纺纱工序中出现的织物瑕疵，该织物瑕疵会经工艺流程顺延至织造工序中，致使该织物瑕疵与织造工序中可能存在的织物瑕疵相混淆。例如，纺纱工序中的飞花织入和粗结织入作为常见的织物瑕疵，其本身就容易被混淆，若飞花织入和粗结织入被顺延至织造工序中，其会与织造工序中易出现的接头和纱尾相混淆。这些织物瑕疵若不能准确识别其对应的瑕疵种类，不但会对产品质量的控制产生极大影响，而且容易降低纺织品的生产效率，延长了纺织品瑕疵修复以及生产参数调节的时间等。因此，准确的识别出上述飞花织入、粗结织入、纱尾以及接头等织物瑕疵的瑕疵种类是极其重要的。
随着人工智能系统和计算机视觉的发展，数据处理和图像识别技术广泛地应用到织物瑕疵检测中，但是在现有技术中仅使用图像分割识别纺纱工序和织造工序中出现的织物瑕疵，该方法可以识别出织物瑕疵，但无法确认织物瑕疵对应的瑕疵种类，如仅在织造工序中进行织物瑕疵检测，该瑕疵检测的过程容易将纺纱工序中的瑕疵归类为织造工序中产生的瑕疵，识别效率低，无法准确识别织物瑕疵对应的瑕疵种类，容易造成归因错误，对后续质量缺陷归因分析造成影响。
发明内容
为了解决上述无法准确识别出织物中的瑕疵对应的瑕疵种类的问题，本发明的目的在于提供一种基于图像识别的织物瑕疵检测方法及系统。
本发明提供了一种基于图像识别的织物瑕疵检测方法，包括以下步骤：
获取待检测织物的表面图像，并根据待检测织物的表面图像，确定待检测织物的表面图像中的每个瑕疵点及其位置；
根据待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点相对于总体瑕疵点的集中系数；
获取待检测织物的表面图像中的每个瑕疵点的灰度值，并根据待检测织物的表面图像中的每个瑕疵点相对于总体瑕疵点的集中系数和每个瑕疵点的灰度值，确定待检测织物的各瑕疵指示量；
根据待检测织物的各瑕疵指示量，确定待检测织物内是否存在对应瑕疵种类的瑕疵。
进一步的，确定每个瑕疵点相对于总体瑕疵点的集中系数的步骤包括：
根据待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点的各个相关瑕疵点及其位置；
根据每个瑕疵点的位置及其各个相关瑕疵点的位置，确定每个瑕疵点与其各个相关瑕疵点的连线长度，进而确定每个瑕疵点的连线对应的角度；
根据每个瑕疵点与其各个相关瑕疵点的连线长度以及每个瑕疵点的连线对应的角度，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和；
根据每个瑕疵点的各个角度级别对应的所有连线统计数值之和，确定每个瑕疵点的各个角度级别对应的连线占比值；
根据每个瑕疵点的各个角度级别以及各个角度级别对应的连线占比值，确定每个瑕疵点相对于总体瑕疵点的集中系数。
进一步的，每个瑕疵点相对于总体瑕疵点的集中系数的计算公式：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 401777DEST_PATH_IMAGE002
为每个瑕疵点相对于总体瑕疵点的集中系数，
Figure 100002_DEST_PATH_IMAGE003
为每个瑕疵点的第k个角度级别对应的连线占比值，K为每个瑕疵点的角度级别的级数。
进一步的，每个瑕疵点的各个相关瑕疵点为：
将待检测织物的表面图像中不包含每个瑕疵点本身的其他各个瑕疵点作为每个瑕疵点的各个相关瑕疵点。
进一步的，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和的步骤包括：
根据每个瑕疵点与其各个相关瑕疵点的连线长度，确定每个瑕疵点对应的最大连线长度；
根据每个瑕疵点与其各个相关瑕疵点的连线长度以及对应的最大连线长度，计算每个瑕疵点对应的最大连线长度和每个瑕疵点的各个连线长度的差值，并将每个瑕疵点的各个连线长度差值除以该瑕疵点对应的最大连线长度，从而确定每个瑕疵点的各个连线统计数值；
获取每个瑕疵点的各个角度级别及其数值范围，并根据每个瑕疵点的各个角度级别、各个连线统计数值以及连线对应的角度，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和。
进一步的，确定每个瑕疵点的各个角度级别对应的连线占比值的计算公式：
Figure 405505DEST_PATH_IMAGE004
其中，
Figure 394321DEST_PATH_IMAGE003
为每个瑕疵点的第k个角度级别对应的连线占比值，
Figure 100002_DEST_PATH_IMAGE005
为每个瑕疵点的第k个角度级别对应的所有连线统计数值之和，K为每个瑕疵点的角度级别的级数。
进一步的，确定待检测织物的表面图像的各瑕疵指示量的步骤包括：
获取待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围，根据待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围、每个瑕疵点相对于总体瑕疵点的集中系数，确定每个瑕疵点对应的瑕疵点集中级别；
获取待检测织物的表面图像中的各个瑕疵点灰度级别及其数值范围，根据待检测织物的表面图像中的各个瑕疵点灰度级别及其数值范围、待检测织物的表面图像中的每个瑕疵点的灰度值，确定每个瑕疵点对应的瑕疵点灰度级别；
根据待检测织物的表面图像中的每个瑕疵点对应的瑕疵点集中级别和每个瑕疵点对应的瑕疵点灰度级别，确定待检测织物的表面图像中的每个瑕疵点的二元级别组，进而确定待检测织物的表面图像中的各个二元级别组在所有瑕疵点中出现的概率；
根据待检测织物的表面图像中的每个瑕疵点的二元级别组以及各个二元级别组在所有瑕疵点中出现的概率，确定待检测织物的各瑕疵指示量。
进一步的，确定待检测织物的各瑕疵指示量的计算公式：
Figure 585131DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE007
Figure 340597DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
其中，
Figure 824930DEST_PATH_IMAGE010
为待检测织物中的飞花织入的瑕疵指示量，
Figure DEST_PATH_IMAGE011
为待检测织物的表面图像中的瑕疵点集中级别的级数，
Figure 374860DEST_PATH_IMAGE012
为待检测织物的表面图像中的瑕疵点灰度级别的级数，
Figure DEST_PATH_IMAGE013
为待检测织物的表面图像中的瑕疵点的第t个瑕疵点集中级别和第s个瑕疵点灰度级别组成的二元级别组在所有瑕疵点中出现的概率，
Figure 193912DEST_PATH_IMAGE014
为待检测织物中的粗结织入的瑕疵指示量，
Figure DEST_PATH_IMAGE015
为待检测织物中的接头的瑕疵指示量，
Figure 487490DEST_PATH_IMAGE016
为待检测织物中的纱尾的瑕疵指示量。
进一步的，确定待检测织物内是否存在对应瑕疵种类的瑕疵的步骤包括：
若待检测织物的任意一个瑕疵指示量超过预设瑕疵指示量，则说明待检测织物内存在对应瑕疵种类的瑕疵，否则，则说明待检测织物内不存在对应瑕疵种类的瑕疵。
本发明还提供了一种基于图像识别的织物瑕疵检测系统，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，以实现所述的一种基于图像识别的织物瑕疵检测方法。
本发明具有如下有益效果：
本发明提供的一种基于图像识别的织物瑕疵检测方法及系统，该方法是一种数据处理手段，可由人工智能系统、人工智能软件优化操作系统或计算机视觉软件实现，具体是利用数据处理和应用电子设备识别的手段对图像进行图形识别以此测试或分析材料的方法，该方法通过确定待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点相对于总体瑕疵点的集中系数。根据待检测织物的表面图像中的每个瑕疵点相对于总体瑕疵点的集中系数和每个瑕疵点的灰度值，确定待检测织物的各瑕疵指示量，进而确定待检测织物内是否存在对应瑕疵种类的瑕疵。
本发明可以有效避免因瑕疵种类过多对织物瑕疵识别错误，提高了织物瑕疵检测的准确性，能够准确的识别出待检测织物表面的瑕疵对应的瑕疵种类。另外，本发明并没有在每个纺织工序处都设置瑕疵检测，而是在织造工序后染整工序前进行瑕疵检测，其简化了瑕疵检测的过程，提高了瑕疵检测的效率。因此，本发明提供的一种基于图像识别的织物瑕疵检测方法及系统可以用于材料检测、计量，织物瑕疵检测相关标准化以及计算机视觉软件的应用开发等。
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为本发明一种基于图像识别的织物瑕疵检测方法的流程图；
图2为本发明的实施例中的待检测织物的表面图像中的某个瑕疵点与其相关瑕疵点连线的示意图。
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”指的不一定是同一个实施例。此外，一个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。
本实施例提供了一种基于图像识别的织物瑕疵检测方法，该方法的应用场景为：由于织物瑕疵中的飞花织入、粗结织入、纱尾以及接头的成因不同、出现的工序环节不同、排除织物瑕疵的质量控制策略也不同，因此对这四种织物瑕疵进行瑕疵检测。如图1所示，该方法包括以下步骤：
（1）获取待检测织物的表面图像，并根据待检测织物的表面图像，确定待检测织物的表面图像中的每个瑕疵点及其位置，其步骤包括：
（1-1）本实施例利用工业相机拍摄待检测织物，从而获得待检测织物的表面图像，然后，将待检测织物的表面图像进行灰度化处理，得到灰度化处理后的待检测织物的表面图像，根据灰度化处理后的待检测织物的表面图像，可以得到待检测织物的表面图像的灰度直方图。灰度化处理和获取灰度直方图的过程均为现有技术，不在本发明保护范围，此处不再进行详细阐述。
（1-2）根据待检测织物的表面图像的灰度直方图，确定待检测织物的表面图像中的每个瑕疵点及其位置，其步骤包括：
需要说明的是，根据织物瑕疵的特征可知，织物瑕疵可视为织物表面出现的细小纤维，若织物表面不存在细小纤维，此时通过步骤（1-1）获取的表面图像的灰度值是在一个固定的数值范围内的，若织物表面存在细小纤维，该细小纤维会减弱光的反射，导致织物的表面图像中的细小纤维处的像素灰度值较低，当细小纤维出现缠绕且较为严重时，更是会加重这个光反射的减弱过程，使细小纤维处的像素灰度值更低。
（1-2-1）根据待检测织物的表面图像的灰度直方图，可以得到待检测织物的表面图像中的每个灰度值在整张图像上出现的频率。本实施例以待检测织物的表面图像中的每个灰度值及其在整张图像上出现的频率为样本数据，利用EM算法（Expectation-Maximum，期望最大化算法）拟合待检测织物的表面图像的一维高斯混合模型，该一维高斯混合模型中有两个子高斯模型，将两个子高斯模型按照均值大小定义为瑕疵模型和背景模型，根据织物瑕疵的特征，将均值较大的子高斯模型视为背景模型，将均值较小的子高斯模型视为瑕疵模型。EM算法拟合一维高斯混合模型的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（1-2-2）将待检测织物的表面图像中的每个像素点对应的灰度值输入到该表面图像对应的一维高斯混合模型，也就是分别输入到两个子高斯模型，两个子高斯模型分别为瑕疵模型和背景模型，得到每个像素点对应的灰度值在瑕疵模型中的输出值和在背景模型中的输出值，也就是得到每个像素点对应的灰度值在瑕疵模型中的概率值和在背景模型中的概率值。
（1-2-3）根据每个像素点对应的灰度值在瑕疵模型中的概率值和在背景模型中的概率值，将两者作比较，比较过程为：若某个像素点对应的灰度值在瑕疵模型中的概率值大于在背景模型中的概率值，则该像素点为待检测织物的表面图像的瑕疵点，反之，该像素点为待检测织物的表面图像的背景点。参考上述比较过程，得到每个像素点对应的比较结果，根据每个像素点对应的比较结果，确定待检测织物的表面图像中的每个瑕疵点及其位置，瑕疵点是指待检测织物的表面图像中存在瑕疵的像素点，背景点是指待检测织物的表面图像中不存在瑕疵的像素点。
（2）根据待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点相对于总体瑕疵点的集中系数。
需要说明的是，以确定待检测织物的表面图像中的某个瑕疵点对于总体瑕疵点的集中系数为例，待检测织物的表面图像中的某个瑕疵点相对于所有瑕疵点存在一个独特的位置分布，若该瑕疵点周围的各个瑕疵点与该瑕疵点的连线长度越小且该瑕疵点周围的各个瑕疵点越处于该瑕疵点的四面八方，则该瑕疵点越有可能处于瑕疵点分布比较聚集的区域，所以根据该瑕疵点周围的各个瑕疵点与该瑕疵点的连线以及连线的方向，可确定每个瑕疵点相对于总体瑕疵点的集中系数，其步骤包括：
（2-1）根据待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点的各个相关瑕疵点及其位置。
根据步骤（1）的待检测织物的表面图像中的每个瑕疵点和每个瑕疵点的位置，得到每个瑕疵点的各个相关瑕疵点，进而确定各个相关瑕疵点的位置。本实施例将待检测织物的表面图像中不包含每个瑕疵点本身的其他各个瑕疵点作为每个瑕疵点的各个相关瑕疵点，待检测织物的表面图像中共有N个瑕疵点，那么每个瑕疵点的各个相关瑕疵点的数目就为N-1。
（2-2）根据每个瑕疵点的位置及其各个相关瑕疵点的位置，确定每个瑕疵点与其各个相关瑕疵点的连线长度，进而确定每个瑕疵点的连线对应的角度。
在本实施例中，根据每个瑕疵点和每个瑕疵点的各个相关瑕疵点，将每个瑕疵点与其各个相关瑕疵点相连，然后通过每个瑕疵点和每个瑕疵点的各个相关瑕疵点的位置，得到每个瑕疵点与其各个相关瑕疵点的连线长度。如图2所示，图2中的d为待检测织物的表面图像中的某个瑕疵点与该瑕疵点的其中一个相关瑕疵点的连线长度，图2中的关注点即为瑕疵点，表征点即为瑕疵点的相关瑕疵点，基准向是以关注点为端点且竖直向下的射线，
Figure DEST_PATH_IMAGE017
为基准向按照逆时针方向旋转到该关注点与表征点的连线时所形成的夹角，也就是该瑕疵点的连线对应的角度。本实施例将每个瑕疵点与其各个相关瑕疵点的连线长度记为
Figure 934652DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
，
Figure 45696DEST_PATH_IMAGE020
为每个瑕疵点的相关瑕疵点的数目，将每个瑕疵点的连线对应的角度记为
Figure DEST_PATH_IMAGE021
，
Figure 476677DEST_PATH_IMAGE019
。
需要说明的是，对于待检测织物的表面图像中的某个瑕疵点，该瑕疵点可与其相关瑕疵点相连获得对应的
Figure 42788DEST_PATH_IMAGE022
，当该瑕疵点与其相关瑕疵点的连线长度
Figure 219823DEST_PATH_IMAGE018
越小时，越能说明该瑕疵点的集中性较好，当该瑕疵点的连线对应的角度
Figure 111555DEST_PATH_IMAGE021
越在各个方向上均匀分布，越能说明该瑕疵点位于所有瑕疵点分布较为集中的区域。
（2-3）根据每个瑕疵点与其各个相关瑕疵点的连线长度以及每个瑕疵点的连线对应的角度，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和，其步骤包括：
（2-3-1）根据每个瑕疵点与其各个相关瑕疵点的连线长度，确定每个瑕疵点对应的最大连线长度。
在本实施例中，将步骤（2-2）的每个瑕疵点与其各个相关瑕疵点的连线长度按照一定的顺序排列，选取每个瑕疵点对应的最大连线长度，并将每个瑕疵点对应的最大连线长度记为D。
（2-3-2）根据每个瑕疵点与其各个相关瑕疵点的连线长度以及对应的最大连线长度，计算每个瑕疵点对应的最大连线长度和每个瑕疵点对应的各个连线长度的差值，并将每个瑕疵点的各个连线长度差值除以该瑕疵点对应的最大连线长度，从而确定每个瑕疵点的各个连线统计数值，将每个瑕疵点的各个连线统计数值记为
Figure DEST_PATH_IMAGE023
，确定每个瑕疵点的各个连线统计数值的计算公式如下所示：
Figure 29833DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为每个瑕疵点的各个连线统计数值，
Figure 288382DEST_PATH_IMAGE026
为每个瑕疵点对应的最大连线长度，
Figure 444557DEST_PATH_IMAGE018
为每个瑕疵点与其各个相关瑕疵点的连线长度。
至此，根据每个瑕疵点的连线对应的角度
Figure DEST_PATH_IMAGE027
、每个瑕疵点与其各个相关瑕疵点的连线长度
Figure 772770DEST_PATH_IMAGE028
以及每个瑕疵点对应的最大连线长度D，实现了对每个瑕疵点的各个连线统计数
Figure 381606DEST_PATH_IMAGE023
的计算。
（2-3-3）获取每个瑕疵点的各个角度级别及其数值范围，并根据每个瑕疵点的各个角度级别、各个连线统计数值以及连线对应的角度，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和。
首先，基于步骤（2-3-2）的每个瑕疵点的各个连线统计数值，对待检测织物的表面图像中的所有瑕疵点的连线对应的角度进行分级，本实施例将360度均匀分为
Figure DEST_PATH_IMAGE029
个部分，
Figure 961623DEST_PATH_IMAGE029
的大小可根据实际情况进行调节，每个部分对应一个角度级别，从小到大的角度级别分为1,2,…,
Figure 237884DEST_PATH_IMAGE030
,…
Figure DEST_PATH_IMAGE031
，本实施例将
Figure 861632DEST_PATH_IMAGE031
记为4，也就是将360度均匀分为4个部分，每个角度级别对应的数值范围可记为(0,90]，(90,180]，(180,270]，(270,360]。至此，得到了每个瑕疵点的各个角度级别及其数值范围。
然后，根据每个瑕疵点的连线对应的角度、各个角度级别及其数值范围，可以确定每个瑕疵点的各个连线对应的角度是处于各个角度级别中的某几个角度级别，也就是确定了每个瑕疵点的各个角度级别。根据每个瑕疵点的各个角度级别，确定每个瑕疵点的各个角度级别对应的各个相关瑕疵点及其连线统计数值
Figure 223343DEST_PATH_IMAGE023
，这里需要说明一下，一个连线角度
Figure 669368DEST_PATH_IMAGE027
对应一个连线长度
Figure 65714DEST_PATH_IMAGE028
，一个连线长度
Figure 470151DEST_PATH_IMAGE028
又对应一个连线统计数值
Figure 194524DEST_PATH_IMAGE023
，一个角度级别
Figure 709819DEST_PATH_IMAGE032
又包含多个连线角度
Figure 695093DEST_PATH_IMAGE027
，所以一个角度级别
Figure 270431DEST_PATH_IMAGE032
对应着多个连线统计数值
Figure 606734DEST_PATH_IMAGE023
。计算各个角度级别
Figure 82977DEST_PATH_IMAGE032
对应的所有连线统计数值
Figure 188336DEST_PATH_IMAGE023
的和，也就是将每个瑕疵点的各个角度级别
Figure DEST_PATH_IMAGE033
对应的各个连线统计数值
Figure 809942DEST_PATH_IMAGE025
相加，从而得到每个瑕疵点的各个角度级别
Figure 367962DEST_PATH_IMAGE032
对应的所有连线统计数值之和，记为
Figure 490639DEST_PATH_IMAGE005
。
（2-4）根据每个瑕疵点的各个角度级别对应的所有连线统计数值之和，确定每个瑕疵点的各个角度级别对应的连线占比值。
在本实施例中，根据步骤（2-3-3）得到的每个瑕疵点的各个角度级别
Figure 184925DEST_PATH_IMAGE033
对应的所有连线统计数值之和
Figure 102066DEST_PATH_IMAGE034
，确定每个瑕疵点的各个角度级别对应的连线占比值，其计算公式如下：
Figure 537595DEST_PATH_IMAGE004
其中，
Figure 198384DEST_PATH_IMAGE003
为每个瑕疵点的第k个角度级别对应的连线占比值，
Figure 12756DEST_PATH_IMAGE005
为每个瑕疵点的第k个角度级别对应的所有连线统计数值之和，K为每个瑕疵点的角度级别的级数。
（2-5）根据每个瑕疵点的各个角度级别以及各个角度级别对应的连线占比值，确定每个瑕疵点相对于总体瑕疵点的集中系数。
在本实施例中，根据步骤（2-4）得到的每个瑕疵点的各个角度级别对应的连线占比值
Figure 366377DEST_PATH_IMAGE003
，确定每个瑕疵点相对于总体瑕疵点的集中系数，其计算公式如下：
Figure 633410DEST_PATH_IMAGE001
其中，
Figure 707676DEST_PATH_IMAGE002
为每个瑕疵点相对于总体瑕疵点的集中系数，
Figure DEST_PATH_IMAGE035
为每个瑕疵点的第k个角度级别对应的连线占比值，K为每个瑕疵点的角度级别的级数。
至此，步骤（2）得到了每个瑕疵点相对于总体瑕疵点的集中系数，也就是获取了待检测织物的表面图像中的N个瑕疵点相对于总体瑕疵点的集中系数，记为
Figure 907714DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
。需要说明的是，每个瑕疵点的各个角度级别对应的连线占比值
Figure 432236DEST_PATH_IMAGE003
越大，每个瑕疵点相对于总体瑕疵点的集中系数
Figure 809734DEST_PATH_IMAGE002
就越大。
（3）获取待检测织物的表面图像中的每个瑕疵点的灰度值，并根据待检测织物的表面图像中的每个瑕疵点相对于总体瑕疵点的集中系数和每个瑕疵点的灰度值，确定待检测织物的各瑕疵指示量，其步骤包括：
（3-1）获取待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围，根据待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围、每个瑕疵点相对于总体瑕疵点的集中系数，确定每个瑕疵点对应的瑕疵点集中级别。
在本实施例中，基于每个瑕疵点相对于总体瑕疵点的集中系数
Figure 812325DEST_PATH_IMAGE036
的取值范围，对待检测织物的表面图像中的每个瑕疵点相对于总体瑕疵点的集中系数
Figure 601290DEST_PATH_IMAGE036
进行归一化处理，其归一化处理后的取值范围为[0,1]，将[0,1]均匀划分为S份，每一份为一个瑕疵点集中级别，S值可根据实际情况进行调节，各个瑕疵点集中级别可记为1,2,…,
Figure 31134DEST_PATH_IMAGE038
,…,
Figure DEST_PATH_IMAGE039
。根据最终的划分结果，得到待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围，本实施例将
Figure 538339DEST_PATH_IMAGE040
设置为4，也就是将[0,1]均匀划分为4份，那么各个瑕疵点集中级别对应的数值范围分别为[0,0.25]，（0.25,0.5],（0.5,0.75],（0.75,1]。根据待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围，确定每个瑕疵点相对于总体瑕疵点的集中系数对应的瑕疵点集中级别，也就是确定了每个瑕疵点对应的瑕疵点集中级别
Figure 219987DEST_PATH_IMAGE038
。
（3-2）获取待检测织物的表面图像中的各个瑕疵点灰度级别及其数值范围，根据待检测织物的表面图像中的各个瑕疵点灰度级别及其数值范围、待检测织物的表面图像中的每个瑕疵点的灰度值，确定每个瑕疵点对应的瑕疵点灰度级别。
在本实施例中，由于确定每个瑕疵点对应的瑕疵点灰度级别的过程与步骤（3-1）确定每个瑕疵点对应的瑕疵点集中级别的过程一致，所以参考确定每个瑕疵点对应的瑕疵点灰度级别的过程，可确定每个瑕疵点的灰度值对应的瑕疵点灰度级别，也就是每个瑕疵点对应的瑕疵点灰度级别，各个瑕疵点灰度级别可记为1,2,…,
Figure DEST_PATH_IMAGE041
,…,
Figure 863458DEST_PATH_IMAGE042
。
（3-3）根据待检测织物的表面图像中的每个瑕疵点对应的瑕疵点集中级别和每个瑕疵点对应的瑕疵点灰度级别，确定待检测织物的表面图像中的每个瑕疵点的二元级别组，进而确定待检测织物的表面图像中的各个二元级别组在所有瑕疵点中出现的概率。
（3-2-1）根据待检测织物的表面图像中的每个瑕疵点对应的瑕疵点集中级别和每个瑕疵点对应的瑕疵点灰度级别，确定待检测织物的表面图像中每个瑕疵点的二元级别组。
在本实施例中，待检测织物的表面图像中的每个瑕疵点均对应一个瑕疵点灰度级别
Figure 729783DEST_PATH_IMAGE041
和一个瑕疵点集中级别
Figure 458704DEST_PATH_IMAGE038
，利用瑕疵点灰度级别
Figure 803098DEST_PATH_IMAGE041
和瑕疵点集中级别
Figure 691288DEST_PATH_IMAGE038
构成二元级别组，每个待检测织物的表面图像中每个瑕疵点均对应一个二元级别组。
（3-2-2）根据待检测织物的表面图像中每个瑕疵点的二元级别组，确定待检测织物的表面图像中的各个二元级别组在所有瑕疵点中出现的概率。
根据待检测织物的表面图像中每个瑕疵点的二元级别组，统计各个二元级别组在待检测织物的表面图像的所有瑕疵点中出现的概率，从而得到各个二元级别组在所有瑕疵点中出现的概率，将各个二元级别组在所有瑕疵点中出现的概率记为
Figure DEST_PATH_IMAGE043
。
（3-4）根据待检测织物的表面图像中的待检测织物的表面图像中每个瑕疵点的二元级别组以及各个二元级别组在所有瑕疵点中出现的概率，确定待检测织物的各瑕疵指示量。
首先，需要说明的是，待检测织物中不同的瑕疵对应的瑕疵指示量的计算公式是不同的，而本实施例主要针对飞花织入、粗结织入、接头以及纱尾这四种比较难区分的织物瑕疵进行分析，其中，构成飞花织入的瑕疵点的集中系数大且灰度值较高，构成粗结织入的瑕疵点的集中系数大但灰度值较小，构成接头的瑕疵点的集中系数小且灰度值也较小，构成纱尾的瑕疵点的集中系数小但灰度值大。
本实施例根据待检测织物的表面图像中的每个瑕疵点的二元级别组以及各个二元级别组在所有瑕疵点中出现的概率，确定待检测织物中的飞花织入、粗结织入、接头以及纱尾这四种织物瑕疵对应的瑕疵指示量，其计算公式如下：
Figure 728515DEST_PATH_IMAGE006
Figure 210311DEST_PATH_IMAGE007
Figure 92817DEST_PATH_IMAGE008
Figure 586246DEST_PATH_IMAGE009
其中，
Figure 528794DEST_PATH_IMAGE010
为待检测织物中的飞花织入的瑕疵指示量，
Figure 232308DEST_PATH_IMAGE011
为待检测织物的表面图像中的瑕疵点集中级别的级数，
Figure 918504DEST_PATH_IMAGE012
为待检测织物的表面图像中的瑕疵点灰度级别的级数，
Figure 391074DEST_PATH_IMAGE013
为待检测织物的表面图像中的瑕疵点的第t个瑕疵点集中级别和第s个瑕疵点灰度级别组成的二元级别组在所有瑕疵点中出现的概率，
Figure 396201DEST_PATH_IMAGE014
为待检测织物中的粗结织入的瑕疵指示量，
Figure 587011DEST_PATH_IMAGE015
为待检测织物中的接头的瑕疵指示量，
Figure 811319DEST_PATH_IMAGE016
为待检测织物中的纱尾的瑕疵指示量。
至此，本实施例获得了飞花织入、粗结织入、接头以及纱尾瑕疵这四种织物瑕疵对应的瑕疵指示量，各瑕疵指示量均为归一化后的结果。
（4）根据待检测织物的各瑕疵指示量，确定待检测织物内是否存在对应瑕疵种类的瑕疵。
在本实施例中，将预设瑕疵指示量记为
Figure 403975DEST_PATH_IMAGE044
，
Figure 953905DEST_PATH_IMAGE044
的数值范围为（0,1），根据步骤（3-4）中的待检测织物中的飞花织入、粗结织入、接头以及纱尾这四种织物瑕疵对应的瑕疵指示量和预设瑕疵指示量
Figure 241798DEST_PATH_IMAGE044
，判断待检测织物内是否存在对应瑕疵种类的瑕疵，判断过程如下：
若待检测织物的
Figure DEST_PATH_IMAGE045
中的任意一个瑕疵指示量超过预设瑕疵指示量
Figure 535376DEST_PATH_IMAGE044
，则说明待检测织物内存在对应瑕疵种类的瑕疵，输出对应的瑕疵种类，该瑕疵种类为后续质量控制提供了重要依据。
若待检测织物的
Figure 982538DEST_PATH_IMAGE045
中的各瑕疵指示量不超过预设瑕疵指示量
Figure 703369DEST_PATH_IMAGE044
，则说明待检测织物内不存在对应瑕疵种类的瑕疵。
本实施例还提供了一种基于图像识别的织物瑕疵检测系统，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，以实现一种基于图像识别的织物瑕疵检测方法，该方法是以上所描述的内容，这里不再作详细阐述。
本发明首先通过应用电子设备识别得到待检测织物的表面图像，然后利用数据处理技术和图像识别技术对电子设备识别得到的待检测织物的表面图像进行瑕疵检测，从而获得待检测织物的瑕疵检测结果。另外，本发明根据待检测织物的表面图像中的每个瑕疵点相对于总体瑕疵点的集中系数和每个瑕疵点的灰度值，确定待检测织物的各瑕疵指示量，进而判断待检测织物中是否存在瑕疵种类对应的瑕疵，不但提高了织物瑕疵检测的效率和准确性，而且能够准确识别出待检测织物中的瑕疵对应的瑕疵种类，最重要的是本发明可以用于对织物材料的检测、分析以及将织物瑕疵检测相关标准化等。
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 (10)

1.一种基于图像识别的织物瑕疵检测方法，其特征在于，包括以下步骤：
获取待检测织物的表面图像，并根据待检测织物的表面图像，确定待检测织物的表面图像中的每个瑕疵点及其位置；
根据待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点相对于总体瑕疵点的集中系数；
获取待检测织物的表面图像中的每个瑕疵点的灰度值，并根据待检测织物的表面图像中的每个瑕疵点相对于总体瑕疵点的集中系数和每个瑕疵点的灰度值，确定待检测织物的各瑕疵指示量；
根据待检测织物的各瑕疵指示量，确定待检测织物内是否存在对应瑕疵种类的瑕疵。
2.根据权利要求1所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，确定每个瑕疵点相对于总体瑕疵点的集中系数的步骤包括：
根据待检测织物的表面图像中的每个瑕疵点及其位置，确定每个瑕疵点的各个相关瑕疵点及其位置；
根据每个瑕疵点的位置及其各个相关瑕疵点的位置，确定每个瑕疵点与其各个相关瑕疵点的连线长度，进而确定每个瑕疵点的连线对应的角度；
根据每个瑕疵点与其各个相关瑕疵点的连线长度以及每个瑕疵点的连线对应的角度，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和；
根据每个瑕疵点的各个角度级别对应的所有连线统计数值之和，确定每个瑕疵点的各个角度级别对应的连线占比值；
根据每个瑕疵点的各个角度级别以及各个角度级别对应的连线占比值，确定每个瑕疵点相对于总体瑕疵点的集中系数。
3.根据权利要求2所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，每个瑕疵点相对于总体瑕疵点的集中系数的计算公式：
Figure DEST_PATH_IMAGE001
其中，
Figure 410626DEST_PATH_IMAGE002
为每个瑕疵点相对于总体瑕疵点的集中系数，
Figure DEST_PATH_IMAGE003
为每个瑕疵点的第k个角度级别对应的连线占比值，K为每个瑕疵点的角度级别的级数。
4.根据权利要求2所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，每个瑕疵点的各个相关瑕疵点为：
将待检测织物的表面图像中不包含每个瑕疵点本身的其他各个瑕疵点作为每个瑕疵点的各个相关瑕疵点。
5.根据权利要求2所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和的步骤包括：
根据每个瑕疵点与其各个相关瑕疵点的连线长度，确定每个瑕疵点对应的最大连线长度；
根据每个瑕疵点与其各个相关瑕疵点的连线长度以及对应的最大连线长度，计算每个瑕疵点对应的最大连线长度和每个瑕疵点的各个连线长度的差值，并将每个瑕疵点的各个连线长度差值除以该瑕疵点对应的最大连线长度，从而确定每个瑕疵点的各个连线统计数值；
获取每个瑕疵点的各个角度级别及其数值范围，并根据每个瑕疵点的各个角度级别、各个连线统计数值以及连线对应的角度，确定每个瑕疵点的各个角度级别对应的所有连线统计数值之和。
6.根据权利要求2所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，确定每个瑕疵点的各个角度级别对应的连线占比值的计算公式：
Figure 117682DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为每个瑕疵点的第k个角度级别对应的连线占比值，
Figure 419350DEST_PATH_IMAGE006
为每个瑕疵点的第k个角度级别对应的所有连线统计数值之和，K为每个瑕疵点的角度级别的级数。
7.根据权利要求1所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，确定待检测织物的表面图像的各瑕疵指示量的步骤包括：
获取待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围，根据待检测织物的表面图像中的各个瑕疵点集中级别及其数值范围、每个瑕疵点相对于总体瑕疵点的集中系数，确定每个瑕疵点对应的瑕疵点集中级别；
获取待检测织物的表面图像中的各个瑕疵点灰度级别及其数值范围，根据待检测织物的表面图像中的各个瑕疵点灰度级别及其数值范围、待检测织物的表面图像中的每个瑕疵点的灰度值，确定每个瑕疵点对应的瑕疵点灰度级别；
根据待检测织物的表面图像中的每个瑕疵点对应的瑕疵点集中级别和每个瑕疵点对应的瑕疵点灰度级别，确定待检测织物的表面图像中的每个瑕疵点的二元级别组，进而确定待检测织物的表面图像中的各个二元级别组在所有瑕疵点中出现的概率；
根据待检测织物的表面图像中的每个瑕疵点的二元级别组以及各个二元级别组在所有瑕疵点中出现的概率，确定待检测织物的各瑕疵指示量。
8.根据权利要求7所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，确定待检测织物的各瑕疵指示量的计算公式：
Figure DEST_PATH_IMAGE007
Figure 311083DEST_PATH_IMAGE008
Figure 698202DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
其中，
Figure 458216DEST_PATH_IMAGE011
为待检测织物中的飞花织入的瑕疵指示量，
Figure DEST_PATH_IMAGE012
为待检测织物的表面图像中的瑕疵点集中级别的级数，
Figure 879970DEST_PATH_IMAGE013
为待检测织物的表面图像中的瑕疵点灰度级别的级数，
Figure DEST_PATH_IMAGE014
为待检测织物的表面图像中的瑕疵点的第t个瑕疵点集中级别和第s个瑕疵点灰度级别组成的二元级别组在所有瑕疵点中出现的概率，
Figure 942604DEST_PATH_IMAGE015
为待检测织物中的粗结织入的瑕疵指示量，
Figure DEST_PATH_IMAGE016
为待检测织物中的接头的瑕疵指示量，
Figure 957965DEST_PATH_IMAGE017
为待检测织物中的纱尾的瑕疵指示量。
9.根据权利要求1所述的一种基于图像识别的织物瑕疵检测方法，其特征在于，确定待检测织物内是否存在对应瑕疵种类的瑕疵的步骤包括：
若待检测织物的任意一个瑕疵指示量超过预设瑕疵指示量，则说明待检测织物内存在对应瑕疵种类的瑕疵，否则，则说明待检测织物内不存在对应瑕疵种类的瑕疵。
10.一种基于图像识别的织物瑕疵检测系统，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1-9中任一项所述的一种基于图像识别的织物瑕疵检测方法。
CN202210923821.7A 2022-08-02 2022-08-02 一种基于图像识别的织物瑕疵检测方法及系统 Active CN115018826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210923821.7A CN115018826B (zh) 2022-08-02 2022-08-02 一种基于图像识别的织物瑕疵检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210923821.7A CN115018826B (zh) 2022-08-02 2022-08-02 一种基于图像识别的织物瑕疵检测方法及系统

Publications (2)

Publication Number Publication Date
CN115018826A true CN115018826A (zh) 2022-09-06
CN115018826B CN115018826B (zh) 2022-12-13

Family

ID=83066091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210923821.7A Active CN115018826B (zh) 2022-08-02 2022-08-02 一种基于图像识别的织物瑕疵检测方法及系统

Country Status (1)

Country Link
CN (1) CN115018826B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240144A (zh) * 2022-09-21 2022-10-25 青岛宏大纺织机械有限责任公司 一种纺纱捻线智能识别瑕疵方法及系统
CN115311279A (zh) * 2022-10-11 2022-11-08 南通堰洲家用纺织品有限公司 一种织物经纬瑕疵的机器视觉识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190294526A1 (en) * 2018-03-22 2019-09-26 Veracode, Inc. Code difference flaw scanner
CN113936001A (zh) * 2021-12-17 2022-01-14 杭州游画丝界文化艺术发展有限公司 一种基于图像处理技术的纺织品表面瑕疵点检测方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190294526A1 (en) * 2018-03-22 2019-09-26 Veracode, Inc. Code difference flaw scanner
CN113936001A (zh) * 2021-12-17 2022-01-14 杭州游画丝界文化艺术发展有限公司 一种基于图像处理技术的纺织品表面瑕疵点检测方法
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240144A (zh) * 2022-09-21 2022-10-25 青岛宏大纺织机械有限责任公司 一种纺纱捻线智能识别瑕疵方法及系统
CN115311279A (zh) * 2022-10-11 2022-11-08 南通堰洲家用纺织品有限公司 一种织物经纬瑕疵的机器视觉识别方法

Also Published As

Publication number Publication date
CN115018826B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN115018826B (zh) 一种基于图像识别的织物瑕疵检测方法及系统
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN109115812A (zh) 一种焊缝底片缺陷识别方法及系统
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
KR20130118275A (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
CN114235825B (zh) 一种基于计算机视觉的钢丝绳质量检测方法
US10636133B2 (en) Automated optical inspection (AOI) image classification method, system and computer-readable media
CN113538424B (zh) 基于人工智能的木板节子分类数据识别方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN115063424B (zh) 基于计算机视觉的纺织纱管纱线检测方法
CN114841938A (zh) 一种织物勾丝缺陷检测方法
CN115082719B (zh) 一种木材质量分级方法
CN114581376B (zh) 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN109596530A (zh) 光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法
CN115311279A (zh) 一种织物经纬瑕疵的机器视觉识别方法
KR101782363B1 (ko) 데이터 밸런싱을 통한 학습기반의 비전검사 방법
CN116542984A (zh) 五金件缺陷检测方法、装置、计算机设备及存储介质
CN114693677A (zh) 一种针织面料轧染工艺异常检测方法
CN111191670A (zh) 基于神经网络的分类装置及分类方法
CN109447968A (zh) 图像区域生长算法的蜕变测试系统
CN206897873U (zh) 一种基于检测产品特性的图像处理与检测系统
CN114842005B (zh) 一种基于半监督网络的纺织物表面疵点检测方法及系统
US11688055B2 (en) Methods and systems for analysis of wafer scan data

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