CN115311248A - 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 - Google Patents
基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 Download PDFInfo
- Publication number
- CN115311248A CN115311248A CN202211032626.1A CN202211032626A CN115311248A CN 115311248 A CN115311248 A CN 115311248A CN 202211032626 A CN202211032626 A CN 202211032626A CN 115311248 A CN115311248 A CN 115311248A
- Authority
- CN
- China
- Prior art keywords
- gray fabric
- feature
- generate
- defect model
- gray
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于坯布纹理的缺陷模型快速匹配方法,使用本发明所述的缺陷模型匹配方法,先对灰度图做灰度均衡化处理,使所有的图都维持在统一亮度,可以让图的特征提取更加均匀,降低外界条件对图产生的影响,然后将不同尺度的图以及其特征图在通道维度融合后输送到特征提取网络中输出特征向量,与数据库中的特征向量之间的夹角计算余弦值相似度,特征匹配的效率高、精准度高、且过程简单,无需工厂人员执行过多的操作,解决工匹配检测模型容易出错的问题。
Description
技术领域
本发明涉及纺织技术领域,具体涉及基于坯布纹理的缺陷模型匹配方法、介质以及计算装置。
背景技术
现有技术中,使用深度学习技术对纺织的坯布进行缺陷检测已经十分常见,由于不同的布种有不同的原料配比、经密、纬密、组织结构和提花纹理,因此不同布种的瑕疵特征也有较大区别,很有可能一种坯布的正常纹理与另一种坯布的缺陷纹理的特征十分相似,如果仅使用一种通用缺陷检测模型去检测所有的布匹,就很有可能会漏检、误检,在坯布的纺织过程中所使用的缺陷检测模型,需要对不同的坯布纹理有针对性地进行选择。
在生产过程中,每当设备开始纺织一种新型坯布,为了提高坯布的缺陷检测准确度,通常使用人工干预的方式,对坯布的特征进行提取,然后和数据库中的现有的坯布的纹理进行比对,筛选出坯布特征最为相似的坯布,使用该特征最接近的坯布作为缺陷识别模型,对新型坯布进行纺织却显得检测,但是这种人工检测对比的方式,识别错误率大、效率低下,需要的步骤流程耗时较长,判断过程中还容易受人们的主观判断的影响,难以真正准确地比对。
发明内容
本发明的目的在于公开了基于坯布纹理的缺陷模型快速匹配方法,解决了现有的坯布缺陷识别存在的人工筛选效率低、速度慢且错误率高的问题。
为达到上述目的,本发明采用如下技术方案:
基于坯布纹理的缺陷模型快速匹配方法,包括以下步骤:
S1、对待检测坯布表面进行拍摄,生成坯布纹理的二通道的灰度图;
S2、对所述灰度图进行归一化处理,生成预定分辨率图;
S3、对所述预定分辨率图进行亮度调整,生成对应的均衡效果图;
S4、对所述均衡效果图进行四次分辨率调整,生成四张不同分辨率的子均衡效果图;
S5、对所述均衡效果图和所有子均衡效果图分别进行LBP特征提取,生成五张对应的特征图;
S6、将所述均衡效果图、所有子均衡效果图及所有特征图进行拼接,生成对应的10通道的图像数据矩阵;
S7、将所述图像数据矩阵送入预先训练好的特征提取网络,生成对应的三维特征图;将所述三维特征图输入第一降维卷积核,生成对应的二维特征图;将所述二维特征图输入第二降维卷积核,生成坯布纹理的灰度图对应的比对特征向量;
S8、将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,筛选出最大的相似度;其中,所述数据库中关联存储有多个坯布纹理的缺陷模型及其对应的特征向量;
S9、判断最大的相似度是否大于相似度阈值,若是,则采用该最大的相似度对应的特征向量对应的缺陷模型作为待检测坯布的缺陷模型;若否,则选取指定的缺陷模型或针对所述待检测坯布的纹理训练新的缺陷模型。
可选的,所述对所述预定分辨率图进行亮度调整,生成对应的均衡效果图,包括:对所述预定分辨率图进行直方图均衡化处理,得到对应的均衡效果图。
可选的,所述对所述灰度图进行归一化处理,生成预定分辨率图,包括:对所述灰度图中的坯布纹理做特定尺寸的缩放,使所述灰度图中的坯布纹理对应的像素尺寸保持一致,并对所述均衡效果图进行像素尺寸调整,获得多张子均衡效果图。
可选的,在所述步骤S6中,将五张均衡效果图和五张特征图在卷积特征图的通道维度融合生成10通道的图像数据矩阵。
可选的,所述特征提取网络模型采用Swin-Transformer结构。
可选的,在所述步骤S2中,所述特定分辨率图的像素尺度为:1024*1024;在所述步骤S4中,四张不同分辨率的均衡效果图的像素尺度分别为:512*512、256*256、128*128以及64*64。
可选的,在所述步骤S7中,所述比对特征向量为512维特征向量。
可选的,所述将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,通过计算所述比对特征向量与预先设立的数据库中其他坯布纹理的特征向量之间的夹角的余弦值,根据余弦值的大小,判断两个特征向量之间的相似度的大小;在所述步骤S9中所述相似度阈值为0.9。
可选的,本发明还提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行前述的方法。
可选的,本发明还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述的方法。
与现有技术相比,本发明的有益效果:
本发明采用Swin-Transformer结构的征提取网络,对坯布的特征向量进行提取,同时依托致景集团瑕疵检测模型数据库中的模型信息,针对每一种新的坯布的纺织纹理可以快速地实现缺陷检测模型的匹配,无需人们手动,匹配过程速度块、准确度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于坯布纹理的缺陷模型快速匹配方法的流程图
图2是本发明实施例中计算机设备的内部结构图。
具体实施方式
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的,而不是指示或暗示所指装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
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。
实施例1
如图1所示的基于坯布纹理的缺陷模型快速匹配方法,包括以下步骤:
S1、对待检测坯布进行数据采集,所述数据采集,就是使用工业相机,对坯布表面进行拍摄,得到坯布纹理的灰度图;使用灰度图,为单通道图,可以降低计算机的计算量,且对于物体特征的识别,最关键的因素是梯度(现在很多的特征提取HOG,LBP,SIFT等等本质都是梯度的统计信息),梯度意味着边缘,这是最本质的部分,而计算梯度,最好用的图就是灰度图,颜色本身,非常容易受到光照等因素的影响,同类的物体颜色有很多变化,所以颜色本身难以提供关键信息,灰度化就是将图降维,这样就能大大降低计算量,对于设备的计算能力和识别速度的需求是取舍的一个关键点,对于一些简单的坯布纹理,甚至可以使用黑白图。
S2、由于环境因素的变化,如环境光照的变化、相机摆放角度的调节、布匹的输送方向的变化,都会导致相机拍摄的坯布照片明暗因素发生变化,因此为了保证所识别的坯布照片的亮度保持一致,对所述步骤S1中得到的灰度图使用OpenCV.equalizeHist函数(直方图均衡化)进行处理,得到均衡效果图,使用该方法可以提高所述图的全局对比度,以使该图中的坯布的数据特征更加明显,同时,该函数也对图的亮度做了归一化处理,让该图的亮度与数据库中的其他图的亮度保持一致,避免由于图的明暗变化导致识别结果的存在差异;
S3、对所述均衡效果图进行五次分辨率调整,生成五张不同分辨率的子均衡效果图;所述对所述均衡效果图进行五次分辨率调整,生成五张不同分辨率的子均衡效果图,包括:对所述均衡效果图中的坯布纹理做特定尺寸的缩放,使所述均衡效果图中的坯布纹理对应的像素尺寸保持一致,并对所述均衡效果图进行像素尺度的调整,可以采用裁剪的方式,也可以使用图像金字塔的方式降低分辨率,或者使用OpenCV.resize函数,调整均衡效果图的尺寸,获得多张子均衡效果图,具体来说,在本实施例中,五次尺度调整后的均衡效果图为1024*1024、512*512、256*256、128*128、64*64,通过降低图的尺寸,可以提高对图中的小尺寸特征的检测精度,而且根据神经网络的特性,当不同分辨率的图输入到神经网络中可以得到不同的输出,综合上述输出可以得到更为精确的检测结果;
S4、对所有子均衡效果图分别进行LBP特征提取,生成五张对应的特征图;
S5、将所有子均衡效果图及所有特征图进行拼接,生成对应的10通道的图像数据矩阵,具体来说,10通道图像数据矩阵就是将5张1通道的均衡效果图和五张特征图在通道维度进行拼接形成10通道的数据矩阵;
S6、将所述图像数据矩阵送入预先训练好的特征提取网络,生成对应的三维特征图;将所述三维特征图输入第一降维卷积核,生成对应的二维特征图;将所述二维特征图输入第二降维卷积核,生成坯布纹理的灰度图对应的比对特征向量;其中特征提取网络采用Swin transformer模型,以生成三维特征图;将所述三维特征图输入第一降维卷积核,以生成二维特征图;将所述二维特征图输入第二降维卷积核,生成坯布纹理的图对应的比对特征向量;swin-transformer模型可以更好的提取纹理特征,保证更高的匹配度,transformer的结构是由encoder和decoder组成,通过多头注意力机制可以更好的结合布匹全局的纹理特征信息,生成更能代表坯布纹理特征的512维向量,大幅提高匹配率提高模型的匹配准确率
S7、将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,筛选出最大的相似度;其中,所述数据库中关联存储有多个坯布纹理的缺陷模型及其对应的特征向量,将所述特征向量与预先设立的数据库中其他坯布纹理的特征向量进行一一比对,生成对应的相似度集;筛选出相似度集中相似度最大的特征向量,记为最相似特征向量;具体来说,相似度的比对生成采用预先相似度比对方法,将比对特征向量和数据库中的其他特征向量之间的夹角计算余弦值,其中余弦值的取值为-1~+1,当特征向量之间的夹角越小,说明特征向量越接近,也就是特征向量对应的特征越接近,当两个特征向量完全重合,也就是特征向量之间的夹角为0°的情况下,两个特征向量之间的夹角的余弦值为1。
S8、判断最大的相似度是否大于相似度阈值,若是,则采用该最大的相似度对应的特征向量对应的缺陷模型作为待检测坯布的缺陷模型;若否,则选取指定的缺陷模型或针对所述待检测坯布的纹理训练新的缺陷模型;具体来说,相似度最大说明两个坯布之间的特征纹理最接近,判断该最相似特征向量对应的相似度是否大于相似度阈值,当特征向量之间的夹角的余弦值大于相似度阈值的情况下,就说明两个特征向量相似度足够大,可以使用数据库中的坯布的缺陷模型作为待检测的坯布的缺陷模型进行缺陷检测,若否,则使用人工干预的方式,手动选取最接近的模型,根据人们的人工判断,选取最接近的坯布纹理模型,或者对待检测的坯布重新进行针对性的缺陷检测模型训练,并将该缺陷检测模型放入到坯布的数据库中,为后续检测提供数据支持。
在本实施例中,所述相似度阈值为0.9,也就是两个特征向量之间的余弦值大于0.9的情况下,可以将两个坯布的纹理视为近似相同,可以使用数据库中的坯布纹理的缺陷检测模型,对待检测的坯布进行缺陷识别检测。
综上所述,实施例1在使用上述的缺陷模型匹配方法的过程中,先对灰度图做灰度均衡化处理,使所有的图都维持在统一亮度,可以让图的特征提取更加均匀,降低外界光线条件对图产生的影响,然后将不同尺度的图以及其特征图在通道维度融合后输送到特征提取网络中输出特征向量,与数据库中的特征向量之间的夹角计算余弦值,特征匹配的效率高、精准度高、且过程简单,无需工厂人员执行过多的操作,解决人工匹配检测模型容易出错的问题。
实施例2
在实施例1中,在步骤S8中使用到的预先设立的数据库,具体来说,使用的是广州致景信息科技有限公司所设预先设立的坯布缺陷检测模型数据库,通过对大量的坯布进行检测,整合特定纹理的坯布所具有的缺陷种类和样式,提高对防止过程中缺陷检测的精确度。
实施例2中的其他部分参照实施例1。
实施例3
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现基于坯布纹理的缺陷模型快速匹配方法。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:包括:
S1、对待检测坯布表面进行拍摄,生成坯布纹理的二通道的灰度图;
S2、对所述灰度图进行亮度调整,生成对应的均衡效果图;
S3、对所述均衡效果图进行五次分辨率调整,生成五张不同分辨率的子均衡效果图;
S4、对所有子均衡效果图分别进行LBP特征提取,生成五张对应的特征图;
S5、将所有子均衡效果图及所有特征图进行拼接,生成对应的10通道的图像数据矩阵;
S6、将所述图像数据矩阵送入预先训练好的特征提取网络,生成对应的三维特征图;将所述三维特征图输入第一降维卷积核,生成对应的二维特征图;将所述二维特征图输入第二降维卷积核,生成坯布纹理的灰度图对应的比对特征向量;
S7、将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,筛选出最大的相似度;其中,所述数据库中关联存储有多个坯布纹理的缺陷模型及其对应的特征向量;
S8、判断最大的相似度是否大于相似度阈值,若是,则采用该最大的相似度对应的特征向量对应的缺陷模型作为待检测坯布的缺陷模型;若否,则选取指定的缺陷模型或针对所述待检测坯布的纹理训练新的缺陷模型。
在一个实施例中,所述对所述灰度图进行亮度调整,生成对应的均衡效果图,包括:对所述预定分辨率图进行直方图均衡化处理,得到对应的均衡效果图。
在一个实施例中,所述对所述均衡效果图进行五次分辨率调整,生成五张不同分辨率的子均衡效果图,包括:对所述均衡效果图中的坯布纹理做特定尺寸的缩放,使所述均衡效果图中的坯布纹理对应的像素尺寸保持一致,并对所述均衡效果图进行像素尺度的调整,获得多张子均衡效果图。
在一个实施例中,在所述步骤S5中,将五张子均衡效果图和五张特征图在卷积特征图的通道维度融合生成10通道的图像数据矩阵。
在一个实施例中,所述特征提取网络模型采用Swin-Transformer结构。
在一个实施例中,在所述步骤S3中,五张不同分辨率的均衡效果图的像素尺度分别为:1024*1024、512*512、256*256、128*128以及64*64。
在一个实施例中,在所述步骤S7中,所述比对特征向量以及数据库中关联存储的多个坯布纹理的缺陷模型对应的特征向量均为512维特征向量。
在一个实施例中,所述将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,通过计算所述比对特征向量与预先设立的数据库中其他坯布纹理的特征向量之间的夹角的余弦值,根据余弦值的大小,判断两个特征向量之间的相似度的大小;在所述步骤S9中所述相似度阈值为0.9。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。本发明并不局限于上述实施方式,如果对本发明的各种改动或变型不脱离本发明的精神和范围,倘若这些改动和变型属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变型。
Claims (10)
1.基于坯布纹理的缺陷模型快速匹配方法,其特征在于:包括以下步骤:
S1、对待检测坯布表面进行拍摄,生成坯布纹理的二通道的灰度图;
S2、对所述灰度图进行亮度调整,生成对应的均衡效果图;
S3、对所述均衡效果图进行五次分辨率调整,生成五张不同分辨率的子均衡效果图;
S4、对所有子均衡效果图分别进行LBP特征提取,生成五张对应的特征图;
S5、将所有子均衡效果图及所有特征图进行拼接,生成对应的10通道的图像数据矩阵;
S6、将所述图像数据矩阵送入预先训练好的特征提取网络,生成对应的三维特征图;将所述三维特征图输入第一降维卷积核,生成对应的二维特征图;将所述二维特征图输入第二降维卷积核,生成坯布纹理的灰度图对应的比对特征向量;
S7、将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,筛选出最大的相似度;其中,所述数据库中关联存储有多个坯布纹理的缺陷模型及其对应的特征向量;
S8、判断最大的相似度是否大于相似度阈值,若是,则采用该最大的相似度对应的特征向量对应的缺陷模型作为待检测坯布的缺陷模型;若否,则选取指定的缺陷模型或针对所述待检测坯布的纹理训练新的缺陷模型。
2.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:所述对所述灰度图进行亮度调整,生成对应的均衡效果图,包括:对所述预定分辨率图进行直方图均衡化处理,得到对应的均衡效果图。
3.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:所述对所述均衡效果图进行五次分辨率调整,生成五张不同分辨率的子均衡效果图,包括:对所述均衡效果图中的坯布纹理做特定尺寸的缩放,使所述均衡效果图中的坯布纹理对应的像素尺寸保持一致,并对所述均衡效果图进行像素尺度的调整,获得多张子均衡效果图。
4.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:在所述步骤S5中,将五张子均衡效果图和五张特征图在卷积特征图的通道维度融合生成10通道的图像数据矩阵。
5.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:所述特征提取网络模型采用Swin-Transformer结构。
6.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:在所述步骤S3中,五张不同分辨率的均衡效果图的像素尺度分别为:1024*1024、512*512、256*256、128*128以及64*64。
7.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:在所述步骤S7中,所述比对特征向量以及数据库中关联存储的多个坯布纹理的缺陷模型对应的特征向量均为512维特征向量。
8.根据权利要求1所述的基于坯布纹理的缺陷模型快速匹配方法,其特征在于:所述将所述比对特征向量与预设的数据库中的各个特征向量分别进行比对并计算对应的相似度,通过计算所述比对特征向量与预先设立的数据库中其他坯布纹理的特征向量之间的夹角的余弦值,根据余弦值的大小,判断两个特征向量之间的相似度的大小;在所述步骤S9中所述相似度阈值为0.9。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行权利要求1-8中任一项所述的方法。
10.一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032626.1A CN115311248A (zh) | 2022-08-26 | 2022-08-26 | 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032626.1A CN115311248A (zh) | 2022-08-26 | 2022-08-26 | 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311248A true CN115311248A (zh) | 2022-11-08 |
Family
ID=83865087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211032626.1A Pending CN115311248A (zh) | 2022-08-26 | 2022-08-26 | 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797533A (zh) * | 2023-03-24 | 2023-09-22 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
-
2022
- 2022-08-26 CN CN202211032626.1A patent/CN115311248A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797533A (zh) * | 2023-03-24 | 2023-09-22 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
CN116797533B (zh) * | 2023-03-24 | 2024-01-23 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271870B (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
US10592764B2 (en) | Reconstructing document from series of document images | |
CN108830197A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112419270B (zh) | 元学习下的无参考图像质量评价方法、装置及计算机设备 | |
CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
CN115311248A (zh) | 基于坯布纹理的缺陷模型匹配方法、介质以及电子设备 | |
KR20120041002A (ko) | 객체 검출 장치 및 시스템 | |
CN111368758A (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN114764189A (zh) | 用于评估图像处理结果的显微镜系统和方法 | |
Xiao et al. | Automatic recognition of woven fabric pattern based on TILT | |
CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
Jing et al. | Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF | |
CN113176270B (zh) | 一种调光方法、装置及设备 | |
CN110969193B (zh) | 织物图像获取方法、装置、计算机设备和存储介质 | |
CN110791944B (zh) | 整纬机控制方法、装置、计算机设备和存储介质 | |
CN115937107A (zh) | 一种两阶段坯布缺陷检测方法、系统、介质及计算机 | |
CN116057949A (zh) | 用于量化图像中光耀斑的系统和方法 | |
CN112766351A (zh) | 一种图像质量的评估方法、系统、计算机设备和存储介质 | |
CN110672601A (zh) | 纺织物的密度检测方法、装置、终端及存储介质 | |
CN114885095A (zh) | 图像采集控制方法及设备、图像采集系统和可读存储介质 | |
CN111950527A (zh) | 一种基于yolo v2神经网络的目标检测方法及装置 | |
CN111681201B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN115601300A (zh) | 一种坯布缺陷模型的快速训练方法、系统、介质及计算机 | |
CN117474916A (zh) | 一种图像检测方法、电子设备及存储介质 |
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 |