CN115731186A - 面料质量检测方法、装置、设备及存储介质 - Google Patents
面料质量检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115731186A CN115731186A CN202211464735.0A CN202211464735A CN115731186A CN 115731186 A CN115731186 A CN 115731186A CN 202211464735 A CN202211464735 A CN 202211464735A CN 115731186 A CN115731186 A CN 115731186A
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- image block
- network
- prediction
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种面料质量检测方法、装置、设备及存储介质。该方法包括:获取待检测面料的待检测图像;将待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;已训练图像预测网络根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;根据各第一相似率确定待检测面料对应的质量检测结果。本申请的方法,能够提高面料的检测准确率。
Description
技术领域
本申请涉及人工智能技术,尤其涉及一种面料质量检测方法、装置、设备及存储介质。
背景技术
在皮革、布料等面料生产过程中,由于制造工艺或环境原因,一部分面料成品会存在瑕疵,需要对面料进行质检,检测面料成品上是否存在瑕疵,进而基于检测结果从面料成品挑选出无瑕疵的合格品。
现有技术中,采用基于深度学习方法训练的瑕疵检测模型对面料进行质检,确定面料成品是否存在瑕疵,瑕疵检测模型可以快速检测出面料上存在的各类瑕疵。但瑕疵检测模型要想准确地检测出面料上存在的各类瑕疵,不出现漏检,对于每一类瑕疵,都需要大量的瑕疵样本对模型进行训练。而对于某些在面料上出现频率低、不易采集到足够瑕疵样本的瑕疵类型,瑕疵检测模型就容易出现漏检,使得检测结果不够准确。并且,在瑕疵检测模型训练完成投入使用之后,一旦面料成品上出现了新的瑕疵类型,由于瑕疵检测模型训练时,不存在新类型的瑕疵样本,因此,瑕疵检测模型对于新类型的瑕疵也会出现漏检,使得检测结果不够准确。
综上,现有技术中的面料检测方法存在容易漏检,进而使得检测准确率较低的问题。
发明内容
本申请提供一种面料质量检测方法、装置、设备及存储介质,用以解决现有技术中检测准确率较低的问题。
根据本申请的第一方面,提供一种面料质量检测方法,包括:
获取待检测面料的待检测图像;
将所述待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;
将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;所述已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;
采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;
根据各所述第一相似率确定待检测面料对应的质量检测结果。
作为一种可选的实施方式,所述已训练图像预测网络还包括预设图像分块网络,预设图像分块网络的输出与所述已训练图像预测网络的输入连接;
所述采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块,包括:
采用预设图像分块网络对待检测图像进行卷积操作,获得预设数量的待检测图像块。
作为一种可选的实施方式,所述将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络之前,还包括:
获取至少一张面料合格图像的合格图像块;
将各预测单元中的第一合格图像块和第二合格图像块输入待训练图像预测网络,采用待训练图像预测网络预测并输出各预测单元中第三合格图像块的第三合格预测图像块;预测单元中的第一、第二和第三合格图像块在第一预设方向上依次相邻;
根据各第三合格预测图像块和各第三合格图像块对待训练图像预测网络进行训练,获得已训练图像预测网络。
作为一种可选的实施方式,所述已训练图像预测网络包括第一编码网络、第二编码网络和解码网络;第一编码网络和第二编码网络的结构和参数均相同;
所述将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块,包括:
对于任意一个预测单元,执行以下操作:
将第一待检测图像块输入第一编码网络,将第二待检测图像块输入第二编码网络,采用第一编码网络提取第一待检测图像块的第一编码特征,并采用第二编码网络提取各第二待检测图像块的第二编码特征;
采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块。
作为一种可选的实施方式,所述第一编码网络和所述第二编码网络均包括线性嵌入单元和至少一个下采样单元,线性嵌入单元与各下采样单元依次连接;
所述解码网络包括多层感知机、线性映射单元和至少一个上采样单元,各上采样单元与线性映射单元依次连接,上采样单元的数量与任意一个编码网络中下采样单元的数量相等;
采用编码网络提取待检测图像块的编码特征,包括:
采用线性嵌入单元对输入的待检测图像块进行维度变换和特征变换,将获得的特征图输入下一单元和解码网络中的线性映射单元;
采用各位于编码网络中间的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和解码网络中对应的上采样单元;
采用位于编码网络末端的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入位于解码网络首端的上采样单元。
作为一种可选的实施方式,所述采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块,包括:
采用位于解码网络首端的上采样单元对输入的特征图进行上采样和特征变换,并将获得的特征图输入下一单元和多层感知机;
采用位于解码网络中间的上采样单元对上一单元输入的特征图和编码网络中对应下采样单元输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和多层感知机;
采用线性映射单元对上一单元输入的特征图和线性嵌入单元输入的特征图进行维度变换和特征变换,并将输出的特征图输入多层感知机;
采用多层感知机根据输入的多个特征图生成待检测预测图像块。
作为一种可选的实施方式,所述已训练面料检测模型还包括预设图像对比网络,所述预设图像对比网络的输入与所述已训练图像预测网络的输出连接;
所述采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率,包括:
将各第三待检测图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出各第三待检测图像块与其对应的第三待检测预测图像块之间的第一相似率。
作为一种可选的实施方式,所述根据各所述第一相似率确定待检测面料对应的质量检测结果,包括:
若确定各所述第一相似率均大于预设相似率阈值,则确定待检测面料对应的质量检测结果为合格;
若确定存在任意一个所述第一相似率小于预设相似率阈值,则确定待检测面料对应的质量检测结果为不合格。
作为一种可选的实施方式,若确定待检测面料对应的质量检测结果为不合格,则还包括:
将各预测单元的第三待检测图像块和各第三待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第一待检测图像块对应的第一待检测预测图像块;预测单元中的第三、第二和第一待检测图像块在第二预设方向上依次相邻;第二预设方向与第一预设方向相反;
确定各第一待检测预测图像块与其对应的第一待检测图像块之间的第二相似率;
将对应的第一相似率小于预设相似率阈值的至少一个第三待检测图像块确定为第一差异图像块;
将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块;
将待检测图像中,被确定为第一差异图像块且被确定为第二差异图像块的待检测图像块所在区域确定为瑕疵区域。
作为一种可选的实施方式,所述将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块之后,还包括:
将各第一差异图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第一差异图像;
将各第二差异图像块及其对应的第一待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第二差异图像;
将所述第一差异图像和所述第二差异图像的交集确定为瑕疵形状。
根据本申请的第二方面,提供一种面料质量检测装置,包括:
获取模块,用于获取待检测面料的待检测图像;
检测模块,用于将所述待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;所述已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;
第一确定模块,用于根据各所述第一相似率确定所述检测结果。
根据本申请的第三方面,提供一种电子设备,包括:处理器以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中所述的面料质量检测方法。
根据本申请的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中所述的面料质量检测方法。
本申请提供的面料质量检测方法、装置、设备及存储介质,通过获取待检测面料的待检测图像;将所述待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;所述已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;根据各所述第一相似率确定待检测面料对应的质量检测结果。由于待检测面料具有规律纹理或花纹,因此,可以采用已训练图像预测网络根据预测单元中的第和第二待检测图像块的相关关系对预设单元中的第三待检测图像块进行预测。而已训练图像预测网络是根据面料合格图像的合格图像块训练得到的,因此,已训练图像预测网络只有在第一和第二待检测图像块均为无瑕疵的图像块时,预测的第三待检测预测图像块才是无瑕疵的。一旦第一和第二待检测图像块中的任意一块中存在瑕疵时,已训练图像预测网络就无法预测出无瑕疵的第三待检测图像块。进而,只有在第一、第二和第三待检测图像块均无瑕疵时,已训练图像预测网络预测的第三待检测预测图像块才会与第三待检测图像块相似。这样,一旦待检测面料中存在出现频率低或新出现的瑕疵,第三待检测预测图像块就会与第三待检测图像块不相似,进而,根据待检测图像中各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率,就能够确定出待检测面料中是否存在瑕疵,因此,本申请的方案对待检测面料中的低频率瑕疵和新瑕疵均不会漏检,能够确定出更准确地待检测面料对应的质量检测结果。综上,本申请的技术方案能够确定出更准确的面料质量检测结果,提高面料的检测准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据本申请实施例提供的面料质量检测方法的应用场景对应的网络架构图;
图2是根据本申请实施例一提供的面料质量检测方法的流程示意图;
图3是根据本申请实施例一提供的在待检测图像上划分待检测图像块的示意图;
图4是根据本申请实施例二提供的面料质量检测方法的流程示意图;
图5是根据本申请实施例三提供的面料质量检测方法的流程示意图;
图6是根据本申请实施例三提供的已训练图像预测网络的结构示意图;
图7是根据本申请实施例四提供的第一预设图像对比网络的结构示意图;
图8是根据本申请实施例五提供的面料质量检测方法的流程示意图;
图9是根据本申请实施例五提供的第二预设图像对比网络的结构示意图;
图10是根据本申请实施例六提供的面料质量检测装置的结构示意图;
图11是根据本申请实施例七提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
以下对本申请所涉及的现有技术进行详细说明及分析。
在皮革、布料等有规律纹理或花样的面料的生产过程中,由于制造工艺或者周边环境的原因,生产的面料可能会出现一些瑕疵。带有瑕疵的面料不符合质检要求,需要在对面料进行质检的过程中将带有瑕疵的面料剔除,筛选出无瑕疵的合格面料。
在面料生产完成后,可以由经验丰富的工作人员以目视的方法对面料进行观察,检测面料是否存在瑕疵,也通过工业相机在高速运动的产线上采集面料图像,通过人工智能算法,例如瑕疵检测模型,检测面料中存在的瑕疵。
上述由工作人员进行检测的方法,由于工作人员很难长时间保持注意力高度集中,并且,产线上的面料往往处于高速运动状态,对于较大的瑕疵,工作人员可以轻松观察到,但对于较小的瑕疵,则不容易观察到,因此,工作人员很容易出现漏检瑕疵面料的情况,造成瑕疵面料混入合格面料中。
上述由人工智能算法进行检测的方法,由于人工智能算法基于深度学习,需要大量的样本进行训练之后才可以使用。在实际生产过程中,面料中瑕疵种类很多,而且不同种类的瑕疵出现的频率也不一样。对于出现频率高的瑕疵,很容易采集到足够的瑕疵样本。但是对于一些出现频率低的瑕疵,则不容易采集到样本,要么无法支撑瑕疵检测模型的训练,要么训练出的瑕疵检测模型对于出现频率低的瑕疵识别率较低,在使用过程中会出现漏检瑕疵面料的情况。并且,在面料出现新的瑕疵类型后,需要重新采集新瑕疵类型的样本对瑕疵检测模型进行训练,否则瑕疵检测模型则无法识别新出现的瑕疵类型,进而出现漏检瑕疵面料的情况。
综上,现有技术中的面料检测方法容易出现漏检瑕疵面料的情况。
所以,在面对现有技术中的问题时,发明人通过创造性研究,为了能够准确的检测出瑕疵面料,在瑕疵种类多且出现频率不稳定的情况下,就不能够通过检测面料中存在的瑕疵来确定瑕疵面料,而只有可以通过检测面料是否与合格面料相似来确定面料中是否存在瑕疵,才可以准确地确定出瑕疵面料,进而确定出准确的面料质量检测结果。
所以,发明人提出本申请的技术方案,通过获取待检测面料的待检测图像;将待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;根据各第一相似率确定待检测面料对应的质量检测结果。由于待检测面料具有规律纹理或花纹,因此,可以采用已训练图像预测网络根据预测单元中的第和第二待检测图像块的相关关系对预设单元中的第三待检测图像块进行预测。而已训练图像预测网络是根据面料合格图像的合格图像块训练得到的,因此,已训练图像预测网络只有在第一和第二待检测图像块均为无瑕疵的图像块时,预测的第三待检测预测图像块才是无瑕疵的。一旦第一和第二待检测图像块中的任意一块中存在瑕疵时,已训练图像预测网络就无法预测出无瑕疵的第三待检测图像块。进而,只有在第一、第二和第三待检测图像块均无瑕疵时,已训练图像预测网络预测的第三待检测预测图像块才会与第三待检测图像块相似。这样,一旦待检测面料中存在出现频率低或新出现的瑕疵,第三待检测预测图像块就会与第三待检测图像块不相似,进而,根据待检测图像中各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率,就能够确定出待检测面料中是否存在瑕疵,因此,本申请的方案对待检测面料中的低频率瑕疵和新瑕疵均不会漏检,能够确定出更准确地待检测面料对应的质量检测结果。综上,本申请的技术方案能够确定出更准确的面料质量检测结果,提高面料的检测准确率。
本申请提供的面料质量检测方法、装置、设备及存储介质,旨在解决现有技术的如上技术问题。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
下面将对本申请实施例提供的面料质量检测方法的网络架构和应用场景进行介绍。下面的描述涉及附图时,除非另有表示,不同附图中的相同数据表示相同或相似的要素。
图1是根据本申请实施例提供的面料质量检测方法的应用场景对应的网络架构图。如图1所示,本申请实施例提供的一种应用场景对应的网络架构中包括:摄影设备11和电子设备12。摄影设备11与电子设备12通信连接。摄影设备11可以是电子设备12的一部分,例如,是电子设备12的摄像头或镜头等。
电子设备12上配置有已训练面料检测模型14。
摄影设备11拍摄待检测面料13的待检测图像,并发送给电子设备12。
电子设备12获取到待检测面料的待检测图像之后,电子设备12将待检测图像输入已训练面料检测模型14,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;并将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块。预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻。已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到。
电子设备12采用已训练面料检测模型14确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率。再根据各所述第一相似率确定待检测面料13对应的质量检测结果。
下面将结合附图,对本申请的实施例进行描述。以下实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
实施例一
图2是根据本申请实施例一提供的面料质量检测方法的流程示意图,图3是根据本申请实施例一提供的在待检测图像上划分待检测图像块的示意图。如图2所示,本申请的执行主体为面料质量检测装置,该面料质量检测装置位于电子设备中,本实施例提供的面料质量检测方法包括步骤201至步骤205。
步骤201,获取待检测面料的待检测图像。
本实施例中,待检测图像是待检测面料在正常光照条件下拍摄的图像。电子设备可以包括摄像头,并通过摄像头对待检测面料进行拍摄,获得待检测图像。电子设备也可以与工业相机等摄影设备连接,接收摄影设备发送的待检测图像。或者,电子设备也可以接收由用户上传的待检测图像。
步骤202,将待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块。
本实施例中,电子设备上被配置有已训练面料检测模型。已训练面料检测可以在待检测图像上划分出预设数量的待检测图像块。待检测图像块的大小与待检测面料的纹理、背景花纹等的大小有关,一般情况下,纹理或背景花纹越小,划分出的待检测图像块的尺度越小,以便后续能够准确的检测出瑕疵面料。
作为一种可选的实施方式,已训练图像预测网络还包括预设图像分块网络,预设图像分块网络的输出与已训练图像预测网络的输入连接,并对步骤202中“采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块”进行细化,则细化包括步骤2021。
步骤2021,采用预设图像分块网络对待检测图像进行卷积操作,获得预设数量的待检测图像块。
本实施例中,预设图像分块网络可以为单层卷积网络,对待检测图像进行卷积操作,获取到预设数量的待检测图像块。预设数量可以根据待检测面料的大小和待检测面料的纹理或花样大小确定。示例性地,预设图像分块网络划分后的在待检测图像上划分待检测图像块的示意图如图3所示。在图3中,预设图像分块网络将待检测图像划分为8×8共64个图像块。
本实施例提供的面料质量检测方法,通过采用预设图像分块网络对待检测图像进行卷积操作,获得预设数量的待检测图像块,由于预设图像分块图像可以快速在待检测图像上划分出预设数量的待检测图像块,因此,能够提高面料质量检测的效率。
步骤203,将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到。
本实施例中,预测单元是根据待检测图像上的各待检测图像块、以及第一预设方向确定的,预测单元中包括依次相邻的第一待检测图像块、第二待检测图像块和第三待检测图像块。由于待检测面料是具有规律纹理或花样的面料,因此,已训练图像预测网络可以根据第一待检测图像块和第二待检测图像块之间的相关关系,预测第三待检测图像块。
可以理解的是,由于待检测图像存在边缘,第三待检测预测图像块的数量会略少于第三待检测图像块的数量,示例性地,待检测图像被划分为8×8共64个待检测图像块,按照从左至右,从上至下的顺序,将各待检测图像块进行编号,第一预设方向为从左至右,则对于第一行中各待检测图像块,编号为1、2和3的待检测图像块为一个预测单元,编号为2、3和4的待检测图像块为一个预测单元,依次类推,编号为6、7和8的待检测图像块为一个预设单元,第一行中共有6个预测单元,该待检测图像中共有48个预测单元,能够预测出共48个第三待检测预测图像块。每行中最左边的两个待检测图像块不存在对应的待检测预测图像块。对于这种情况,本实施例中的方法在实际应用过程中,待检测图像往往被划分为数量较多的待检测图像块,仅仅丢失位于各行边缘上的两个待检测图像块,不会影响整体的结果,并且,对于各个预测单元中的待检测图像块来说,预测的第三待检测预测图像块是否与第三待检测图像块相似,就能够反应该预测单元中的三个待检测图像块中是否存在瑕疵。
可选地,对于在第一预设方向上不存在对应待检测预测图像块的待检测图像块,例如,上述示例中编号为1和2的两个待检测图像块,对于将预测单元中的第三待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出预测单元中的第一待检测预测图像块,具体地,对于编号为1的待检测图像块,可以将编号为2和3的待检测图像块输入已训练图像预测网络,采用已训练图像预测网络输出与编号为1的待检测图像块对应的待检测预测图像块。
本实施例中,已训练图像预测网络采用至少一张面料合格图像的合格图像块训练得到。面料合格图像是不存在瑕疵的合格面料的图像。合格图像块是在面料合格图像上划分出的图像块。
在预测单元中的第一待检测图像块和第二待检测图像块均为无瑕疵的图像块时,已训练图像预测网络能够预测出无瑕疵的第三待检测预测图像块,在预测单元中的第三待检测图像块为无瑕疵的图像块时,第三待检测预测图像块与第三待检测图像块相似,在第三待检测图像块为有瑕疵的图像块是,第三待检测预测图像块与第三待检测图像块不相似。
在第一待检测图像块和第二待检测图像块中的任意一块存在瑕疵时,已训练图像预测网络不能预测出无瑕疵的第三待检测预测图像块,此时,无论第三待检测图像块为有瑕疵的图像块还是无瑕疵的待检测图像块,预测的第三待检测预测图像块与第三待检测图像块均不相似。
步骤204,采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率。
本实施例中,已训练面料检测模型中可以包括已训练图像对比网络,以训练图像对比网络可以是采用公开数据集训练得到的,用于获取任意两张图像之间的相似率。
步骤205,根据各第一相似率确定待检测面料对应的质量检测结果。
作为一种可选的实施方式,步骤205包括以下步骤:
步骤2051,若确定各第一相似率均大于预设相似率阈值,则确定待检测面料对应的质量检测结果为合格;
步骤2052,若确定存在任意一个第一相似率小于预设相似率阈值,则确定待检测面料对应的质量检测结果为不合格。
本实施例中,预设相似率阈值可以是经验值,用于反应已训练图像预测网络预测的第三待检测预测图像块与待检测图像中的第三待检测图像块是否相似。不同纹理或花样的面料可以对应不同的预设相似率阈值。若待检测预测图像块与其对应的待检测图像块之间的第一相似率大于预设相似率阈值,则待检测预测图像块与其对应的待检测图像块之间是相似的,反之,若第一相似率小于预设相似率阈值,则待检测预测图像块与其对应的待检测图像块之间不相似。
这里,待检测预测图像块是根据至少一张面料合格图像的合格图像块训练得到,只有在第一待检测图像块和第二待检测图像块均为无瑕疵的图像块时,才能够预测出无瑕疵的第三待检测预测图像块,因此,只有在预测单元的第一、第二和第三待检测图像块均为无瑕疵的图像块时,第三待检测预测图像块与第三待检测图像块才相似。因此,在各第一相似率均大于预设相似率阈值时,确定待检测面料对应的质量检测结果为合格,在存在任意一个第一相似率小于预设相似率阈值时,确定待检测面料对应的质量检测结果为不合格,能够快速的确定待检测面料的质量检测结果。
本实施例提供的面料质量检测方法,获取待检测面料的待检测图像;将待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;根据各第一相似率确定待检测面料对应的质量检测结果。由于待检测面料具有规律纹理或花纹,因此,可以采用已训练图像预测网络根据预测单元中的第和第二待检测图像块的相关关系对预设单元中的第三待检测图像块进行预测。而已训练图像预测网络是根据面料合格图像的合格图像块训练得到的,因此,已训练图像预测网络只有在第一和第二待检测图像块均为无瑕疵的图像块时,预测的第三待检测预测图像块才是无瑕疵的。一旦第一和第二待检测图像块中的任意一块中存在瑕疵时,已训练图像预测网络就无法预测出无瑕疵的第三待检测图像块。进而,只有在第一、第二和第三待检测图像块均无瑕疵时,已训练图像预测网络预测的第三待检测预测图像块才会与第三待检测图像块相似。这样,一旦待检测面料中存在出现频率低或新出现的瑕疵,第三待检测预测图像块就会与第三待检测图像块不相似,进而,根据待检测图像中各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率,就能够确定出待检测面料中是否存在瑕疵,因此,本申请的方案对待检测面料中的低频率瑕疵和新瑕疵均不会漏检,能够确定出更准确地待检测面料对应的质量检测结果。综上,本申请的技术方案能够确定出更准确的面料质量检测结果,提高面料的检测准确率。
实施例二
图4是根据本申请实施例二提供的面料质量检测方法的流程示意图。如图4所示,本实施例提供的面料质量检测方法,在实施例一的基础上,还包括步骤301至步骤303。
步骤301,获取至少一张面料合格图像的合格图像块。
本实施例中,可以由电子设备对多张无瑕疵面料在不同光照条件下的进行拍摄,获取到多张合格面料图像,或者,可以预先将至少一张面料合格图像存储在电子设备中,再由电子设备采用预设图像分块网络在各面料合格图像上划分出预设数量的待检测图像块。也可以直接将已经划分出待检测图像块的至少一张面料合格图像预先存储在电子设备中。本实施例对此不做限定。
步骤302,将各预测单元中的第一合格图像块和第二合格图像块输入待训练图像预测网络,采用待训练图像预测网络预测并输出各预测单元中第三合格图像块的第三合格预测图像块;预测单元中的第一、第二和第三合格图像块在第一预设方向上依次相邻。
步骤303,根据各第三合格预测图像块和各第三合格图像块对待训练图像预测网络进行训练,获得已训练图像预测网络。
本实施例中,待训练图像预测网络的参数可以是随机的,在采用待训练图像预测网络预测并输出各预测单元中第三合格图像块的第三合格预测图像块之后,可以根据各第三合格预测图像块和各第三合格图像块的合格相似率是否大于预设阈值来对待训练图像预测网络的参数进行调整,直至待训练图像预测网络预测并输出的各第三合格预测图像块与对应的第三合格图像块的合格相似率大于预设阈值,获得已训练图像预测网络。
本实施例提供的面料质量检测方法,通过获取至少一张面料合格图像的合格图像块;将各预测单元中的第一合格图像块和第二合格图像块输入待训练图像预测网络,采用待训练图像预测网络预测并输出各预测单元中第三合格图像块的第三合格预测图像块;预测单元中的第一、第二和第三合格图像块在第一预设方向上依次相邻;根据各第三合格预测图像块和各第三合格图像块对待训练图像预测网络进行训练,获得已训练图像预测网络。由于通过合格图像块对待训练图像预测网络进行训练,使得已训练图像预测网络预测的第三合格预测图像块与第三合格图像块的合格相似率大于预设阈值,因此,能够通过已训练图像预测网络预测的第三待检测预测图像块与第三待检测图像块的第一相似率确定各预测单元中是否存在有瑕疵的待检测图像块。
实施例三
图5是根据本申请实施例三提供的面料质量检测方法的流程示意图,图6是根据本申请实施例三提供的已训练图像预测网络的结构示意图。如图5所示,本实施例提供的面料质量检测方法,在上述任意一个实施例的基础上,已训练图像预测网络包括第一编码网络、第二编码网络和解码网络,第一编码网络和第二编码网络的结构和参数均相同,并对步骤203进行细化,则步骤203细化包括以下步骤:
对于任意一个预测单元,执行以下操作:
步骤401,将第一待检测图像块输入第一编码网络,将第二待检测图像块输入第二编码网络,采用第一编码网络提取第一待检测图像块的第一编码特征,并采用第二编码网络提取各第二待检测图像块的第二编码特征;
步骤402,采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块。
本实施例中,在预测单元中,第一待检测图像块、第二待检测图像块和第三待检测图像块之间是有顺序关系的,“第一”、“第二”和“第三”用于标识预测单元中的三个待检测图像块在第一预设方向上的相邻顺序。
在已训练图像预测网络中,第一编码模块和第二编码模块是没有区别的,第一编码模块和第二编码模块中的“第一”和“第二”是为了区分和便于描述已训练图像预测网络中的两个编码模块,而不能理解为指示或暗示重要性或顺序性。
本实施例中,编码特征可以是待检测图像块中的颜色特征、纹理特征、形状特征等。由于待检测面料是具有规律纹理或花样的面料,因此,在被检测面料相邻的两个待检测图像块之间存在相关关系。进而,在第一编码模块和第二编码模块提取出第一编码特征和第二编码特征之后,可以由解码模块根据第一编码特征和第二编码特征找到相邻待检测图像块之间的相关关系,并根据相邻待检测图像块之间的相关关系对预测单元中的第三待检测图像块进行预测,获得第三待检测预测图像块。
本实施例提供的面料质量检测方法,通过已训练图像预测网络包括第一编码网络、第二编码网络和解码网络;第一编码网络和第二编码网络的结构和参数均相同;对于任意一个预测单元,执行以下操作:将第一待检测图像块输入第一编码网络,将第二待检测图像块输入第二编码网络,采用第一编码网络提取第一待检测图像块的第一编码特征,并采用第二编码网络提取各第二待检测图像块的第二编码特征;采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块。由于采用具有相同网络结构和参数的第一和第二编码网络分别提取第一和第二待检测图像块的第一编码特征和第二编码特征,再根据第一编码特征和第二编码特征预测第三待检测图像块的第三待检测预测图像块,因此,在第一待检测图像块和第二待检测图像块均无瑕疵时,能够预测出无瑕疵的第三待检测预测图像块,使得后续可以根据第三待检测图像块和第三待检测预测图像块之间的相似率,确定该预测单元中是否由瑕疵的待检测图像块。
作为一种可选的实施方式,在实施例三的基础上,第一编码网络和第二编码网络均包括线性嵌入单元和至少一个下采样单元,线性嵌入单元与各下采样单元依次连接;解码网络包括线性映射单元和至少一个上采样单元,各上采样单元与线性映射单元依次连接,上采样单元的数量与任意一个编码网络中下采样单元的数量相等;并对步骤401中“采用第一编码网络提取第一待检测图像块的第一编码特征,并采用第二编码网络提取各第二待检测图像块的第二编码特征”即“采用编码网络提取待检测图像块的编码特征”进行细化,则细化包括步骤4011至步骤4013。
步骤4011,采用线性嵌入单元对输入的待检测图像块进行维度变换和特征变换,将获得的特征图输入下一单元和解码网络中的线性映射单元。
步骤4012采用各位于编码网络中间的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和解码网络中对应的上采样单元。
步骤4013,采用位于编码网络末端的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入位于解码网络首端的上采样单元。
本实施例中,第一编码网络和第二编码网络均包括线性嵌入单元和至少一个下采样单元,线性嵌入单元与各下采样单元依次连接。解码网络包括线性映射单元和至少一个上采样单元,各上采样单元与线性映射单元依次连接,上采样单元的数量与任意一个编码网络中下采样单元的数量相等。
示例性地,如图6所示,已训练图像预测网络60包括第一编码网络61、第二编码网络62和编码网络63。
第一编码网络61包括线性嵌入单元610和至少一个下采样单元:611、……、61n,线性嵌入单元610和各下采样单元依次连接。其中,n表示第一编码网络中下采样单元的数量。
第二编码网络62包括线性嵌入单元620和至少一个下采样单元:621、……、62n,线性嵌入单元620和各下采样单元依次连接。这里,由于第一编码网络和第二编码网络的结构和参数均相同,因此,n也表示第二编码网络中下采样单元的数量。
编码网络63包括线性映射单元630和至少一个上采样单元:631、……、63n。其中,n表示解码网络中上采样单元的数量。这里,由于上采样单元的数量与任意一个编码网络中下采样单元的数量相等,因此,n也表示解码网络中上采样单元的数量。
线性嵌入单元用于对输入的待检测图像块进行维度变换。
上采样单元用于对特征图进行上采样。
下采样单元用于对特征图进行下采样。
线性映射单元用于对特征图进行维度变换。
示例性地,待检测图像的维度为H×W×C,其中,H×W表示待检测图像的分辨率,H表示在高度方向上的像素个数,W表示在宽度方向上的像素个数,C表示待检测图像的色彩通道数,例如,采用RGB编码格式编码的彩色的待检测图像的通道数为3,黑白的待检测图像的通道数为1。
若彩色的待检测图像为划分为4×4共16个待检测图像块,则每个待检测图像块的图像维度为(H/4)×(W/4)×3。则线性嵌入单元可以将待检测图像块的图像分辨率变为(H/4)×(W/4)×1,并可以对改变维度后的待检测图像块进行特征变换,获得待检测图像块的特征图。同时,线性嵌入单元将获得的特征图输入下一单元和解码网络中的线性映射单元。
这里,下一单元是指编码网络中在线性嵌入单元之后的上采样单元。如果编码网络中下采样单元的数量为一个,则在线性嵌入单元之后的下采样单元也就是位于编码网络末端的下采样单元。
例如图6中所示,线性嵌入单元610将获得的特征图输入下采样单元611,线性嵌入单元620将获得的特征图输入下采样单元612和解码网络63的线性映射单元630中。
本实施例中,线性嵌入单元中的维度变换可以通过线性嵌入层(LinearEmbedding layer,简称LE层)实现,特征变换可以通过特征变换模块(Swin Transformblock,简称ST block)实现。
本实施例中,位于编码网络中间的下采样单元是指在线性嵌入单元和位于编码网络末端的下采样单元之间的下采样单元。每个位于编码网络中间的下采样单元对上一个下采样单元或线性嵌入单元输入的特征图进行下采样和特征变换,并将获得的特征图输入下一个下采样单元和解码网络中对应的上采样单元。可以理解的是,如果编码网络中下采样单元的数量为1个,则编码网络中没有位于中间的下采样单元。
示例性地,如图6中,在线性嵌入单元610和位于第一编码网络末端的下采样单元61n中间的下采样单元为位于第一编码网络中间的下采样单元,在线性嵌入单元620和位于第二编码网络末端的下采样单元62n中间的下采样单元为位于第二编码网络中间的下采样单元。
本实施例中,位于编码网络末端的下采样单元是指编码网络中的最后一个单元,其输出的特征图用于输入解码网络中,具体地,输入位于解码网络首端的上采样单元中。示例地,例如图6所示,下采样单元61n为位于第一编码网络末端的下采样单元,下采样单元61n输出的特征图输入位于解码网络63首端的上采样单元631中。下采样单元62n为位于第二编码网络末端的下采样单元,下采样单元62n输出的特征图输入位于解码网络63首端的上采样单元631中。
本实施例中,下采样单元对应的上采样单元在解码网络中的层数与下采样单元在编码网络中的层数相反。示例性地,上采样单元在编码网络中为第2层时,其对应的上采样单元为截面网络中的倒数第二层。示例性地,如图6所示,下采样单元631在第一编码网络中为第二层,其对应的上采样单元为上采样单元63n,在解码网络中为倒数第二层,下采样单元632在第二编码网络中为第二层,其对应的上采样单元为上采样单元632n,在解码网络中为倒数第二层。
本实施例中,下采样单元的可以由依次连接的图像块合并层(Patch Merginglayer)和特征变换模块(Swin Transform block)层组成。Patch Merging是一个下采样操作,示例性地,可以将图像分辨率由(H/4)*(W/4)*C变为(H/8)*(W/8)*2C。
本实施例中,编码网络中各个单元输出的特征图也就是编码网络提取的待检测图像块的编码特征。
本实施例提供的面料质量检测方法,通过第一编码网络和第二编码网络均包括线性嵌入单元和至少一个下采样单元,线性嵌入单元与各下采样单元依次连接;解码网络包括线性映射单元和至少一个上采样单元,各上采样单元与线性映射单元依次连接,上采样单元的数量与任意一个编码网络中下采样单元的数量相等;采用线性嵌入单元对输入的待检测图像块进行维度变换和特征变换,将获得的特征图输入下一单元和解码网络中的线性映射单元;采用各位于编码网络中间的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和解码网络中对应的上采样单元;采用位于编码网络末端的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入位于解码网络首端的上采样单元。由于编码网络通过一个线性嵌入单元和至少一个下采样单元,对待检测图像块进行维度变换和多次特征变换,获得待检测图像块的特征图,也就是待检测图像块编码特征,因此,能够提取出待检测图像块更准确的特征,进而为后续进行准确预测第三待检测预测图像块打下基础。
作为一种可选的实施方式,在上述任意一个实施例的基础上,解码网络还包括多层感知机,并对步骤402中“采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块”进行细化,则细化包括步骤4021至步骤4024。
步骤4021,采用位于解码网络首端的上采样单元对输入的特征图进行上采样和特征变换,并将获得的特征图输入下一单元和多层感知机。
步骤4022,采用位于解码网络中间的上采样单元对上一单元输入的特征图和编码网络中对应下采样单元输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和多层感知机。
步骤4023,采用线性映射单元对上一单元输入的特征图和线性嵌入单元输入的特征图进行维度变换和特征变换,并将输出的特征图输入多层感知机。
步骤4024,采用多层感知机根据输入的多个特征图生成待检测预测图像块。
本实施例中,解码网络还包括多层感知机(Multilayer perceptron,简称MLP),多层感知机与解码网络中的线性映射单元和各上采样单元均连接。多层感知机用于融合解码网络中各个单元输出的特征图,形成最终预测的待检测预测图像块。
示例性地,如图6所示,线性映射单元630输出的特征图和各上采样单元631至63n输出的特征图均输入多层感知机64。
本实施例中,位于解码网络首端的上采样单元为解码网络中的第一层,其输入端与第一编码网络和第二编码的输出端连接,第一编码网络和第二编码网络输出的特征图作为位于解码网络首端的上采样单元的输入特征图;其输出端与解码网络中的下一单元的输入端以及多层感知机的输入端连接。这里,下一单元是指解码网络中在位于解码网络首端的上采样单元之后的上采样单元或线性映射单元。
示例性地,如图6所示,位于解码网络63首端的上采样单元631的输入端与第一编码网络61和第二编码网络62的输出端连接,下采样单元61n和下采样单元62n的输出作为上采样单元631的输入。在编码网络中上采样单元的数量为一个时,上采样单元631的输出作为线性映射单元630和多层感知机64的输入。在编码网络中上采样单元的数量为多个时,上采样单元631的输入作为与上采样单元631连接的下一个上采样单元以及多层感知机64的输入。
本实施例中,上采样单元能够对输入的特征图进行上采样操作,将特征图在高度方向上的像素和宽度方向上的像素均变为原来的2倍,同时,将通道数变为原来的一半。其中,上采样单元可以包括依次连接的图像块扩展层(Patch Expanding layer,简称PE层)和特征变化层(Swin Transformer layer,简称,ST层)。其中,Patch Expanding是一个上采样操作,可以将特征图在高度方向H和宽度方向W的像素个数变为原来的2倍,同时通道数C变为原来的一半。
本实施例中,线性映射单元中的维度变换和可以通过线性映射层(LinearProjection layer,简称LP层)实现,特征变换可以通过特征变换模块(Swin Transformblock,简称ST block)实现。其中,Linear Projection layer可以将将输入特征图的维度由3C下采样到C。
本实施例提供的面料质量检测方法,通过解码网络还包括多层感知机;用位于解码网络首端的上采样单元对输入的特征图进行上采样和特征变换,并将获得的特征图输入下一单元和多层感知机;采用位于解码网络中间的上采样单元对上一单元输入的特征图和编码网络中对应下采样单元输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和多层感知机;采用线性映射单元对上一单元输入的特征图和线性嵌入单元输入的特征图进行维度变换和特征变换,并将输出的特征图输入多层感知机;采用多层感知机根据输入的多个特征图生成待检测预测图像块。由于解码网络通过至少一个上采样单元和一个线性映射单元对两个编码网络输出的特征图进行维度变换和多挣特征变换,学习两个编码器提取特征之间的相互关系,对纹理变化有更强的适应性,最后再将输出的特征图输入多层感知机,由多层感知机对融合解码网络各个单元输出的特征,因此,能够使得已训练图像预测网络对纹理变化有更强的适应性,进而预测出更准的待检测预测图像块。
实施例四
图7是根据本申请实施例四提供的第一预设图像对比网络的结构示意图。本实施例提供的面料质量检测方法,在上述任意一个实施例的基础上,已训练面料检测模型还包括预设图像对比网络,预设图像对比网络的输入与已训练图像预测网络的输出连接,并对步骤204进行细化,则步骤204细化包括步骤2041。
步骤2041,各第三待检测图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出各第三待检测图像块与其对应的第三待检测预测图像块之间的第一相似率。
本实施例中,将第三待检测图像块及其对应的第三待检测预测图像块输入预设图像对比网络。预设图像对比网络可以包括特征提取网络和决定网络。特征提取网络可以分别提取第三待检测图像块的原始图像特征和第三待检测预测图像块的预测图像特征。决定网络可以将原始图像特征和预测图像特征进行融合,并输出第三待检测图像块与其对应的第三待检测预测图像块之间的第一相似率。
示例性地,预设图像对比网络的结构可以如图7中所示的第一预设图像对比网络,包括第一特征提取网络71、第二特征提取网络72和决定网络73。
第一特征提取网络71和第二特征提取网络71具有相同的网络结构。第一特征提取网络71包括3个卷积层:卷积层711、卷积层713、卷积层715和3个池化层:池化层712、714。第二特征提取网络72包括3个卷积层:卷积层721、卷积层723、卷积层725和3个池化层:池化层722、724。其中,卷积层711和卷积层721可以具有不同的权重,卷积层713和卷积层723可以具有不同的权重,卷积层715和卷积层725可以共享权重。池化层可以包括最大池化(maxpooling)操作。
其中,各卷积层中包括conv、BN和Relu三个操作,conv是卷积操作,BN是batchnormalization的简称,是归一化操作,Relu是激活操作。
决定网络73包括依次连接的特征融合(Concat)层731和2个全连接(Fullyconnection)层:全连接层732和全连接层733。
特征融合层731输出端与全连接层732和全连接层733的输入的连接。特征融合层731可以采用Concat操作融合第一特征提取网络71和第二特征提取网络72提取原始图像特征和预测图像特征,获得融合特征。
全连接层732和全连接层733可以对特征融合层731融合后的融合特征进行下采样操作,输出第一相似率。
本实施例提供的面料质量检测方法,通过已训练面料检测模型还包括预设图像对比网络,预设图像对比网络的输入与已训练图像预测网络的输出连接;将各第三待检测图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出各第三待检测图像块与其对应的第三待检测预测图像块之间的第一相似率;由于预设图像对比网络输出第一相似率,因此能够快速的获得准确的第一相似率。
实施例五
图8是根据本申请实施例五提供的面料质量检测方法的流程示意图,图9是根据本申请实施例五提供的第二预设图像对比网络的结构示意图。如图8所示,本实施例提供的面料质量检测方法,在上述任意一个实施例的基础上,若确定待检测面料对应的质量检测结果为不合格,还包括步骤501至步骤505。
步骤501,将各预测单元的第三待检测图像块和各第三待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第一待检测图像块对应的第一待检测预测图像块;预测单元中的第三、第二和第一待检测图像块在第二预设方向上依次相邻;第二预设方向与第一预设方向相反。
本实施例中,第二预设方向与第一预设方向相反,例如,第一预设方向为从左至右,则第二预设方向为从右至左;第一预设方向为从上至下,则第二预设方向为从下至上。各预测单元中第一、第二和第三待检测图像块为在第一方向上的第一个、第二个和第三个待检测图像块。
由于在进从一个方向上对待检测图像块进行预测,在第三待检测图像块与其对应的第三待检测预测图像块之间的相似率小于预设阈值时,无法确定是第三待检测图像块上存在瑕疵,还是第一和/或第二待检测图像块上存在瑕疵。因此,从相反的第一预设方向和第二预设方向分别对各第三待检测图像块和各第一待检测图像块进行预测,就能够根据预测确定存在瑕疵的区域,避免仅从一个方向上进行预测时,预测出的存在瑕疵的区域比实际存在瑕疵的区域大。
步骤502,确定各第一待检测预测图像块与其对应的第一待检测图像块之间的第二相似率。
本实施例中,可以采用与确定第一相似率相同的方法确定第二相似率。
步骤503,将对应的第一相似率小于预设相似率阈值的至少一个第三待检测图像块确定为第一差异图像块。
步骤504,将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块。
本实施例中,第一差异图像块为从第一预设方向进行预测时,第三待检测图像块与第三待检测预测图像块不相似的待检测图像块,这些待检测图像块上可能存在瑕疵。
本实施例中,第二差异图像块为从第二预设方向进行预测时,第一待检测图像块与第一待检测预测图像块不相似的待检测图像块,这些待检测图像块上可能存在瑕疵。
可以理解的是,在待检测图像中,除了在第一预设方向上的前两个待检测图像块之外的其它待检测图像块,均存在对应的第三待检测预测图像块。除了在第二预设方向上的前两个待检测图像块之外的其它待检测图像块,均存在对应的第一待检测预测图像块。因此,除了在第一预设方向上的前两个待检测图像块和在第二预设方向上的前两个待检测图像块之外的其它待检测图像块,均存在对应的第一待检测预测图像块和第三待检测预测图像块。
步骤505,将待检测图像中,被确定为第一差异图像块且被确定为第二差异图像块的待检测图像块所在区域确定为瑕疵区域。
本实施例中,在待检测图像块被确定为第一差异图像块且被确定为第二差异图像块时,则可以确定待检测图像块对应的第一相似率小于预设相似率阈值,且对应的第二相似率小于预设相似率阈值。因此,可以确定是该待检测图像块上存在瑕疵,而可以排出由于该待检测图像块所在预测单元中的第一和第二待检测图像块上存在瑕疵,造成的该待检测图像块的第三待检测预测图像块与其不相似的情况,以及由于该待检测图像块所在预测单元中的第三和第二待检测图像块上存在瑕疵,造成的该待检测图像块的第一待检测预测图像块与其不相似的情况。这里,不相似是指的相似率小于预设相似率阈值。
这里,由于面料中的瑕疵一般是连续出现的,待检测图像块的大小是根据面料的纹理和花样大小确定的,在五个相邻的待检测图像块A、B、C、D、E之间,一般不会出现两个存在瑕疵的待检测图像块中间有一个未存在瑕疵的待检测图像块的情况,例如,B、D为存在瑕疵的待检测图像块,C为不存在瑕疵的图像块。即使出现,两个存在瑕疵的待检测图像块中间有一个未存在瑕疵的待检测图像块的情况,本实施例中的方法确定出的瑕疵区域在边缘上也不会出现边缘扩张的问题,是相对准确的。
本实施例中,瑕疵区域是瑕疵在待检测图像中的位置,在确定出瑕疵区域之后,可以将瑕疵区域输出,由工作人员根据瑕疵区域对待检测图像块中的瑕疵进行观察,确定后续处理方法,例如,将存在瑕疵的区域裁剪掉,或对瑕疵进行修复。
本实施例提供的面料质量检测方法,通过若确定待检测面料对应的质量检测结果为不合格,则将各预测单元的第三待检测图像块和各第三待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第一待检测图像块对应的第一待检测预测图像块;预测单元中的第三、第二和第一待检测图像块在第二预设方向上依次相邻;第二预设方向与第一预设方向相反;确定各第一待检测预测图像块与其对应的第一待检测图像块之间的第二相似率;将对应的第一相似率小于预设相似率阈值的至少一个第三待检测图像块确定为第一差异图像块;将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块;将待检测图像中,被确定为第一差异图像块且被确定为第二差异图像块的待检测图像块所在区域确定为瑕疵区域。由于通过相反的两个预设方向上分别确定出第一差异图像块和第二差异图像块,再各被确定为第一差异图像块,且被确定为第二差异图像块的将待检测图像块确定为瑕疵区域,因此,能够避免仅从一个预设方向上确定瑕疵区域时,瑕疵区域扩张,确定出准确的瑕疵区域。
作为一种可选的实施方式,步骤504之后,还包括步骤601至步骤603。
步骤601,将各第一差异图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第一差异图像。
本实施例中,在确定出存在差异的第一差异图像块之后,还可以将各差异图像块及其对应的第三待检测图像块输入预设图像对比网络,由预设图像对比网络根据输出第一差异图像。第一差异图像中包括各第一差异图像块与其对应的第三待检测图像块之间的不同之处,例如,在第一差异图像块中存在一个裂纹,第三待检测图像块中不存在裂纹,则第一差异图像中包括从第一差异图像块上分割出的裂纹。
步骤602,将各第二差异图像块及其对应的第一待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第二差异图像。
本实施例中,第二差异图像中包括各第二差异图像块与其对应的第一待检测图像块之间的不同之处。
本实施例中,预设图像对比网络的结构可以如图9中所示的第二预设图像对比网络。第二预设图像对比网络中包括第一特征提取网络71、第二特征提取网络72和决定网络93。第一特征提取网络71和第二特征提取网络72与图7中所示的第一预设图像对比网络中的第一特征提取网络71和第二特征提取网络72相同,此处不再赘述。决定网络93中,包括依次连接的特征融合(Concat)层731和2个全连接(Fully connection)层:全连接层732和全连接层733。特征融合层731、全连接层732和全连接层733与图7中所示的第一预设图像对比网络中的特征融合层731、全连接层732和全连接层733相同,此处不再赘述。决定网络93还包括依次连接的卷积层932和卷积层933。卷积层932的输入端与特征融合层731的输出端连接。卷积层932包括conv、BN和Relu三个操作。卷积层933包括conv、BN和sigmoid三个操作,其中,Relu是使用Relu激活函数的激活操作,sigmoid是使用sigmoid激活函数的激活操作。在全连接层732和733对特征融合层731融合后的融合特征进行下采样操作,输出第一相似率的同时,决定网络93通过卷积层932和卷积层933对特征融合层931融合后的融合特征进行卷积变换,获得待检测图像块和待检测预测图像块之间的差异图像。
步骤603将第一差异图像和第二差异图像的交集确定为瑕疵形状。
本实施例中,通过比对第一差异图像和第二差异图像之间的相同之后,即交集,就能够确定待检测图像中瑕疵的形状,也就是待检测面料中瑕疵的形状。
本实施例提供的面料质量检测方法,通过将各第一差异图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第一差异图像;将各第二差异图像块及其对应的第一待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第二差异图像;将第一差异图像和第二差异图像的交集确定为瑕疵形状。由于将第一差异图像能够反应各第三待检测预测图像块与各第三待检测图像块之间的差异,第二差异图像能够反应各第一待检测预测图像块与各第一待检测图像块之间的差异,因此,第一差异图像和第二差异图像之间的交集能够反应各待检测图像块与合格图像块之间的差异,进而将第一差异图像和第二差异图像的交集确定为瑕疵形状,能够确定出待检测图像中瑕疵的形状,帮助工作人员快速定位待检测面料中的瑕疵。
作为一种可选的实施方式,也可以通过以下步骤确定待检测面料对应的质量检测结果:
获取待检测面料的待检测图像;
将待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;
将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;
将各预测单元中的第三待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第一待检测图像块的第一待检测预测图像块;预测单元中的第三、第二和第一待检测图像块在第二预设方向上依次相邻;第二预设方向与第一预设方向相反;
采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率,以及各第一待检测预测图像块与其对应的第一待检测图像块之间的第二相似率;
根据各第一相似率和各第二相似率确定待检测面料对应的质量检测结果。
本实施例中,也可以从两个相反的第一预设方向和第二预设方向上分别对各第三待检测图像块和各第一待检测图像块进行预测,并根据各第一相似率和各第二相似率确定待检测面料对应的质量检测结果,能够使得待检测图像中每个待检测图像块都存在对应的第一待检测预测图像块或第三待检测预测图像块。
本实施例中,确定各第三待检测预测图像块、各第一待检测预测图像块、各第一相似率以及各第二相似率的方法均可以与上述任意一个实施例中的方法相同,此处不再赘述。
本实施例中,在各第一相似率均大于预设相似率阈值,且各第二预设相似率均大于预设阈值时,确定待检测面料对应的质量检测结果为合格。在存在任意一个第一相似率小于预设相似率阈值,或任意一个第二相似率小于预设相似率阈值时,确定待检测面料对应的质量检测结果为不合格。
本实施例提供的方法,能够确定待检测图像块中的每一个待检测图像块上是否存在瑕疵,进而确定出更准确的待检测面料对应的质量检测结果。
实施例六
图10是根据本申请实施例六提供的面料质量检测装置的结构示意图。如图10所示,本实施例提供的面料质量检测装置100包括:获取模块101、检测模块102和第一确定模块103。
获取模块101用于,获取待检测面料的待检测图像。
检测模块102用于,将待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率。
第一确定模块103用于,根据各第一相似率确定检测结果。
作为一种可选的实施方式,已训练图像预测网络还包括预设图像分块网络,预设图像分块网络的输出与已训练图像预测网络的输入连接;检测模块102具体用于:采用预设图像分块网络对待检测图像进行卷积操作,获得预设数量的待检测图像块。
作为一种可选的实施方式,面料质量检测装置100还包括训练模块,训练模块用于:获取至少一张面料合格图像的合格图像块;将各预测单元中的第一合格图像块和第二合格图像块输入待训练图像预测网络,采用待训练图像预测网络预测并输出各预测单元中第三合格图像块的第三合格预测图像块;预测单元中的第一、第二和第三合格图像块在第一预设方向上依次相邻;根据各第三合格预测图像块和各第三合格图像块对待训练图像预测网络进行训练,获得已训练图像预测网络。
作为一种可选的实施方式,已训练图像预测网络包括第一编码网络、第二编码网络和解码网络;第一编码网络和第二编码网络的结构和参数均相同;检测模块102具体还用于:对于任意一个预测单元,执行以下操作:将第一待检测图像块输入第一编码网络,将第二待检测图像块输入第二编码网络,采用第一编码网络提取第一待检测图像块的第一编码特征,并采用第二编码网络提取各第二待检测图像块的第二编码特征;采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块。
作为一种可选的实施方式,第一编码网络和第二编码网络均包括线性嵌入单元和至少一个下采样单元,线性嵌入单元与各下采样单元依次连接;解码网络包括线性映射单元和至少一个上采样单元,各上采样单元与线性映射单元依次连接,上采样单元的数量与任意一个编码网络中下采样单元的数量相等;检测模块102具体还用于:采用线性嵌入单元对输入的待检测图像块进行维度变换和特征变换,将获得的特征图输入下一单元和解码网络中的线性映射单元;采用各位于编码网络中间的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和解码网络中对应的上采样单元;采用位于编码网络末端的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入位于解码网络首端的上采样单元。
作为一种可选的实施方式,解码网络还包括多层感知机,检测模块102具体还用于:采用位于解码网络首端的上采样单元对输入的特征图进行上采样和特征变换,并将获得的特征图输入下一单元和多层感知机;采用位于解码网络中间的上采样单元对上一单元输入的特征图和编码网络中对应下采样单元输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和多层感知机;采用线性映射单元对上一单元输入的特征图和线性嵌入单元输入的特征图进行维度变换和特征变换,并将输出的特征图输入多层感知机;采用多层感知机根据输入的多个特征图生成待检测预测图像块。
作为一种可选的实施方式,已训练面料检测模型还包括预设图像对比网络,预设图像对比网络的输入与已训练图像预测网络的输出连接;检测模块102具体还用于:将各第三待检测图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出各第三待检测图像块与其对应的第三待检测预测图像块之间的第一相似率。
作为一种可选的实施方式,第一确定模块103具体用于:若确定各第一相似率均大于预设相似率阈值,则确定待检测面料对应的质量检测结果为合格;若确定存在任意一个第一相似率小于预设相似率阈值,则确定待检测面料对应的质量检测结果为不合格。
作为一种可选的实施方式,面料质量检测装置还包括第二确定模块,第二确定模块用于,若确定待检测面料对应的质量检测结果为不合格,将各预测单元的第三待检测图像块和各第三待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第一待检测图像块对应的第一待检测预测图像块;预测单元中的第三、第二和第一待检测图像块在第二预设方向上依次相邻;第二预设方向与第一预设方向相反;确定各第一待检测预测图像块与其对应的第一待检测图像块之间的第二相似率;将对应的第一相似率小于预设相似率阈值的至少一个第三待检测图像块确定为第一差异图像块;将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块;将待检测图像中,被确定为第一差异图像块且被确定为第二差异图像块的待检测图像块所在区域确定为瑕疵区域。
作为一种可选的实施方式,面料质量检测装置还包括第三确定模块,第三确定模块用于,将各第一差异图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第一差异图像;将各第二差异图像块及其对应的第一待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第二差异图像;将第一差异图像和第二差异图像的交集确定为瑕疵形状。
本实施例提供的面料质量检测装置可以执行上述任意一个实施例中提供的面料质量检测方法,具体的实现方式与原理类似,此处不再赘述。
实施例七
图11是根据本申请实施例七提供的电子设备的结构示意图。如图11所示,本实施例提供的电子设备110包括处理器112以及与处理器112通信连接的存储器111。
存储器111存储计算机执行指令。
处理器112执行存储器111存储的计算机执行指令,实现如上述任意一个实施例提供的面料质量检测方法,具体的实现方式与原理类似,此处不再赘述。
存储器111和处理器112之间可以通过总线实现通信连接。
存储器111可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘等。
在示例性实施例中,电子设备110可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
本申请的实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如上述任意一个实施例提供的面料质量检测方法。示例性地,计算机可读存储介质可以为只读存储器(ROM)、随机存取存储器(RAM)、磁带、软盘和光数据存储设备等。
应该理解,上述的设备实施例仅是示意性的,本申请的设备还可通过其它的方式实现。例如,上述实施例中模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个模块可以结合,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,若无特别说明,在本申请各个实施例中的各功能模块可以集成在一个模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一起。上述集成的模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
应该理解,上述的设备实施例仅是示意性的,本申请的设备还可通过其它的方式实现。例如,上述实施例中单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个单元、模块或组件可以结合,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,若无特别说明,在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
进一步需要说明的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种面料质量检测方法,其特征在于,包括:
获取待检测面料的待检测图像;
将所述待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;
将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;所述已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;
采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;
根据各所述第一相似率确定待检测面料对应的质量检测结果。
2.根据权利要求1所述的方法,其特征在于,所述已训练图像预测网络还包括预设图像分块网络,预设图像分块网络的输出与所述已训练图像预测网络的输入连接;
所述采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块,包括:
采用预设图像分块网络对待检测图像进行卷积操作,获得预设数量的待检测图像块。
3.根据权利要求1所述的方法,其特征在于,所述将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络之前,还包括:
获取至少一张面料合格图像的合格图像块;
将各预测单元中的第一合格图像块和第二合格图像块输入待训练图像预测网络,采用待训练图像预测网络预测并输出各预测单元中第三合格图像块的第三合格预测图像块;预测单元中的第一、第二和第三合格图像块在第一预设方向上依次相邻;
根据各第三合格预测图像块和各第三合格图像块对待训练图像预测网络进行训练,获得已训练图像预测网络。
4.根据权利要求3所述的方法,其特征在于,所述已训练图像预测网络包括第一编码网络、第二编码网络和解码网络;第一编码网络和第二编码网络的结构和参数均相同;
所述将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块,包括:
对于任意一个预测单元,执行以下操作:
将第一待检测图像块输入第一编码网络,将第二待检测图像块输入第二编码网络,采用第一编码网络提取第一待检测图像块的第一编码特征,并采用第二编码网络提取各第二待检测图像块的第二编码特征;
采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块。
5.根据权利要求4所述的方法,其特征在于,所述第一编码网络和所述第二编码网络均包括线性嵌入单元和至少一个下采样单元,线性嵌入单元与各下采样单元依次连接;
所述解码网络包括线性映射单元和至少一个上采样单元,各上采样单元与线性映射单元依次连接,上采样单元的数量与任意一个编码网络中下采样单元的数量相等;
采用编码网络提取待检测图像块的编码特征,包括:
采用线性嵌入单元对输入的待检测图像块进行维度变换和特征变换,将获得的特征图输入下一单元和解码网络中的线性映射单元;
采用各位于编码网络中间的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和解码网络中对应的上采样单元;
采用位于编码网络末端的下采样单元对输入的特征图进行下采样和特征变换,并将获得的特征图输入位于解码网络首端的上采样单元。
6.根据权利要求5所述的方法,其特征在于,所述解码网络还包括多层感知机,所述采用解码网络根据第一编码特征和第二编码特征生成第三待检测预测图像块,包括:
采用位于解码网络首端的上采样单元对输入的特征图进行上采样和特征变换,并将获得的特征图输入下一单元和多层感知机;
采用位于解码网络中间的上采样单元对上一单元输入的特征图和编码网络中对应下采样单元输入的特征图进行下采样和特征变换,并将获得的特征图输入下一单元和多层感知机;
采用线性映射单元对上一单元输入的特征图和线性嵌入单元输入的特征图进行维度变换和特征变换,并将输出的特征图输入多层感知机;
采用多层感知机根据输入的多个特征图生成待检测预测图像块。
7.根据权利要求1所述的方法,其特征在于,所述已训练面料检测模型还包括预设图像对比网络,所述预设图像对比网络的输入与所述已训练图像预测网络的输出连接;
所述采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率,包括:
将各第三待检测图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出各第三待检测图像块与其对应的第三待检测预测图像块之间的第一相似率。
8.根据权利要求1所述的方法,其特征在于,所述根据各所述第一相似率确定待检测面料对应的质量检测结果,包括:
若确定各所述第一相似率均大于预设相似率阈值,则确定待检测面料对应的质量检测结果为合格;
若确定存在任意一个所述第一相似率小于预设相似率阈值,则确定待检测面料对应的质量检测结果为不合格。
9.根据权利要求8所述的方法,其特征在于,若确定待检测面料对应的质量检测结果为不合格,则还包括:
将各预测单元的第三待检测图像块和各第三待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第一待检测图像块对应的第一待检测预测图像块;预测单元中的第三、第二和第一待检测图像块在第二预设方向上依次相邻;第二预设方向与第一预设方向相反;
确定各第一待检测预测图像块与其对应的第一待检测图像块之间的第二相似率;
将对应的第一相似率小于预设相似率阈值的至少一个第三待检测图像块确定为第一差异图像块;
将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块;
将待检测图像中,被确定为第一差异图像块且被确定为第二差异图像块的待检测图像块所在区域确定为瑕疵区域。
10.根据权利要求9所述的方法,其特征在于,所述将对应的第二相似率小于预设相似率阈值的至少一个第一待检测图像块确定为第二差异图像块之后,还包括:
将各第一差异图像块及其对应的第三待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第一差异图像;
将各第二差异图像块及其对应的第一待检测预测图像块输入预设图像对比网络,采用预设图像对比网络输出待检测图像的第二差异图像;
将所述第一差异图像和所述第二差异图像的交集确定为瑕疵形状。
11.一种面料质量检测装置,其特征在于,包括:
获取模块,用于获取待检测面料的待检测图像;
检测模块,用于将所述待检测图像输入已训练面料检测模型,采用已训练面料检测模型在待检测图像上划分出预设数量的待检测图像块;将各预测单元中的第一待检测图像块和第二待检测图像块输入已训练图像预测网络,采用已训练图像预测网络预测并输出各预测单元中第三待检测图像块的第三待检测预测图像块;预测单元中的第一、第二和第三待检测图像块在第一预设方向上依次相邻;所述已训练图像预测网络包括在已训练面料检测模型中,且根据至少一张面料合格图像的合格图像块训练得到;采用已训练面料检测模型确定各第三待检测预测图像块与其对应的第三待检测图像块之间的第一相似率;
第一确定模块,用于根据各所述第一相似率确定待检测面料对应的质量检测结果。
12.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-10中任一项所述的方法。
13.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211464735.0A CN115731186A (zh) | 2022-11-22 | 2022-11-22 | 面料质量检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211464735.0A CN115731186A (zh) | 2022-11-22 | 2022-11-22 | 面料质量检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731186A true CN115731186A (zh) | 2023-03-03 |
Family
ID=85297184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211464735.0A Pending CN115731186A (zh) | 2022-11-22 | 2022-11-22 | 面料质量检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245882A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市世宗自动化设备有限公司 | 电路板电子元件检测方法、装置及计算机设备 |
-
2022
- 2022-11-22 CN CN202211464735.0A patent/CN115731186A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245882A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市世宗自动化设备有限公司 | 电路板电子元件检测方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
CN110047073A (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
CN112150460B (zh) | 检测方法、检测系统、设备和介质 | |
CN113570003B (zh) | 基于注意力机制的特征融合缺陷检测方法及装置 | |
CN115731186A (zh) | 面料质量检测方法、装置、设备及存储介质 | |
CN111667476A (zh) | 布料瑕疵检测方法、装置、电子设备及可读存储介质 | |
CN113688947A (zh) | 一种配电设备红外图像故障识别方法及系统 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 | |
CN113781393A (zh) | 屏幕缺陷检测方法、装置、设备及存储介质 | |
CN115631132A (zh) | 网络训练方法、缺陷检测方法、装置、存储介质和设备 | |
CN109580632B (zh) | 一种缺陷确定方法、装置及存储介质 | |
Kadarla et al. | Concrete crack detection from video footage for structural health monitoring | |
CN117809154A (zh) | 神经网络模型训练方法、产品的瑕疵检测方法及相关装置 | |
CN112561885A (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN115860139A (zh) | 一种基于深度学习的多尺度船舶目标检测方法 | |
US7155366B2 (en) | Apparatus and method for inspecting patterns on wafers | |
CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
García et al. | A configuration approach for convolutional neural networks used for defect detection on surfaces | |
YAMANE et al. | Reflection of the position of cracks in a 3-d model of a bridge using semantic segmentation | |
Nabizadeh et al. | Vision-based concrete crack detection using deep learning-based models | |
KR102621884B1 (ko) | 상품불량 선별을 위한 딥러닝 기반의 이미지 분석 방법 및 이를 위한 시스템 |
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 |