CN115937107A - 一种两阶段坯布缺陷检测方法、系统、介质及计算机 - Google Patents

Abstract

本发明涉及一种两阶段坯布缺陷检测方法、系统、介质及计算机，本申请通过使用两个阶段的坯布缺陷神经网络模型，对坯布照片上的缺陷进行识别、定位和检测，在第一阶段的定位和预分类过程中，可以设置较低的置信度阈值，使更多的缺陷都输入到深度学习检测模型中进行检测和识别，以保证整体缺陷检测的召回率，同时在第二阶段的精细化分类过程中，提升缺陷类别识别的准确率，相比传统的一阶段的缺陷检测定位方法，具有更高的检测准确率，并且可以降低良品区域的过度检测率。

Description

一种两阶段坯布缺陷检测方法、系统、介质及计算机

技术领域

本发明涉及缺陷检测技术领域，更具体地说，它涉及一种两阶段坯布缺陷检测方法、系统、介质及计算机。

背景技术

在坯布的生产过程中，需要对生产过程中的缺陷进行检测，及时发现缺陷问题，然后进行缺陷的后续处理。常规的缺陷检测算法主要是采用检测算法对缺陷进行检测，这些检测算法包括人工构造特征+adaboost的方法的浅层机器学习的方法和基于深度学习的目标检测的方法，常规的方法直接利用检测算法进行坯布缺陷检测，这种方法对于缺陷类别准确性精度不会太高，因为其中一些缺陷的类别的外观差异不大，还有一些缺陷的外观和背景的区别也不大，因此在实际检测过程中，采用检测算法智能识别坯布缺陷，存在检测效率低下、漏检数量较多的问题。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种两阶段坯布缺陷检测方法、系统、介质及计算机，以解决现有的缺陷检测算法存在的缺陷漏检率较高的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：一种两阶段坯布缺陷检测方法，包括：

S1、获取第一坯布照片；

S2、通过目标检测神经网络模型，对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

S3、若存在缺陷，则使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

S4、对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

S5、根据所述预分类结果，将所述预分类结果对应的所有缺陷框区域输入到预先训练好与所述预分类结果相对应的缺陷分类神经网络模型中，以判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷，并得到对应的坯布缺陷检测结果；

S6、统计所有纺织缺陷，并作为对应的坯布缺陷检测结果。

可选的，所述利用目标检测神经网络模型，对所述第一坯布照片进行目标识别，包括：将目标检测神经网络模型中的cspdarknet53架构主干网络替换为res2net构架主干网络。

可选的，所述步骤，包括：采用带有旋转角度的矩形框框选目标区域。

可选的，所述步骤S4，包括：所述预分类结果包括：所述缺陷框中的缺陷为经向缺陷或所述缺陷框中的缺陷为纬向缺陷或所述缺陷框中的缺陷为其他缺陷。

可选的，所述步骤S5，包括：在所述缺陷框中的缺陷为经向缺陷的情况下，将对应的第二坯布照片输入到第一缺陷分类神经网络模型中；在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片输入到第二缺陷分类神经网络模型中；在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片输入到第三缺陷分类神经网络模型中。

可选的，所述经向缺陷包括：断经、双经、传错、扣痕；所述纬向缺陷包括：断纬、双纬、边带纬、纬缩；所述其他缺陷包括：点状缺陷、异物织入、破洞、污渍纱、污迹、断疵、拖纱、飞花。

可选的，所述步骤S5还包括：将各个缺陷框区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸，包括：在所述缺陷框区域中的缺陷为经向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为224*40；在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为40*224；在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为112*112。

一种两阶段坯布缺陷检测系统，包括：

坯布照片获取模块：用于获取第一坯布照片；

第一缺陷判断模块：对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

缺陷定位模块：使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

预分类模块：对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

第二缺陷判断模块：判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷；

坯布照片切割模块：用于将所述缺陷框框选的区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；

图像尺寸调整模块：用于根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸。

一种计算机设备,包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

综上所述，本发明具有以下有益效果：本申请通过使用两个阶段的坯布缺陷神经网络模型，对坯布照片上的缺陷进行识别、定位和检测，在第一阶段的定位和预分类过程中，可以设置较低的置信度阈值，使更多的缺陷都输入到深度学习检测模型中进行检测和识别，以保证整体缺陷检测的召回率，同时在第二阶段的精细化分类过程中，提升缺陷类别识别的准确率，相比传统的一阶段的缺陷检测定位方法，具有更高的检测准确率，并且可以降低良品区域的过度检测率。

附图说明

图1为本发明的一种两阶段坯布缺陷检测方法流程图；

图2为本发明的一种两阶段坯布缺陷检测系统结构图；

图3为本发明的带角度的边界框计算元素说明图；

图4为本发明实施例中计算机设备的内部结构图。

图中：1、坯布照片获取模块；2、第一缺陷判断模块；3、缺陷定位模块；4、预分类模块；5、第二缺陷判断模块；6、坯布照片切割模块；7、图像尺寸调整模块。

具体实施方式

为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。

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。

下面结合附图和实施例，对本发明进行详细描述。

本发明提供了一种两阶段坯布缺陷检测方法,如图1所示，包括：

S1、获取第一坯布照片；

S2、通过目标检测神经网络模型，对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

S3、若存在缺陷，则使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

S4、对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

S5、根据所述预分类结果，将所述预分类结果对应的所有缺陷框区域输入到预先训练好与所述预分类结果相对应的缺陷分类神经网络模型中，以判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷，并得到对应的坯布缺陷检测结果；

S6、统计所有纺织缺陷，并作为对应的坯布缺陷检测结果。

在实际应用中，传统的缺陷检测方法，主要是利用人工构造缺陷的方法，对深度学习神经网络模型进行训练，然后对纺织机上的坯布进行拍照，并使用训练好的深度学习神经网络模型对照片进行分析和检测，使用标记框将照片上的缺陷标注出来，并将标记框的坐标发给人们，以使人们能够寻找到坯布上的缺陷所在位置。但是在实际使用过程中，存在一些缺陷，其外观和坯布的纹路区别不大，还有一些照片会拍摄到坯布之外的部分，而导致深度学习神经网络模型将坯布外的环境元素视作坯布的缺陷。因此传统的做法是通过增大深度学习的训练样本，来提高深度学习模型的检测精度，同时还需要设置损失函数，对应控制深度学习模型的检测精度，避免深度学习模型过检测或者漏检测，但是由于过检测和漏检测的两个方向是相悖的，因此想要准确地检测出坯布上的缺陷是十分困难的。

针对上述情况本申请提出一种两阶段坯布缺陷检测方法，具体来说，首先获取坯布照片，在本申请中，通过在坯布纺织机上架设工业相机，对坯布进行拍摄，以获取坯布照片，对应的，为了保证坯布照片具有良好的均一性，可以在拍摄完坯布照片后，对坯布照片进行预处理，所述预处理包括：对照片进行直方图均一化处理，保证坯布照片光线分布统一，使用OPEN CV对照片进行resize使照片得到尺度统一的照片，以提高照片中的缺陷所占的比例大小，然后对resize后的照片进行目标识别，以判断出目标照片上是否存在缺陷，以及目标照片上的缺陷的类型和位置。在本申请中，第一次目标检测神经网络模型采用的使YOLOX模型，YOLOX模型具有两个分支，一个是负责预测缺陷区域，一个负责预测各缺陷区域所属的缺陷类别，后者属于二分类问题(N个缺陷类型就有N个二分类)，用的是多标签别二分类交叉熵损失，公式为：

其中，真实标签是labels,最后一层预测输出为y。也就是说第一阶段的深度学习模型会输出两个结果，一是缺陷所在的位置，其采用靶框对缺陷所在位置进行标注，二是缺陷的类型，也就是判断靶框中的缺陷属于何种类型，在本申请中主要将缺陷类型分为3大类，分别为经向缺陷、纬向缺陷以及其他缺陷，当获取到一个缺陷目标的时候，分别判断该缺陷是否为经向缺陷、是否为纬向缺陷以及是否为其他缺陷，通过三次判断，即可将该缺陷对应分类。

为了提高缺陷判断的准确性，避免误将非缺陷检测为缺陷，因此需要将第一阶段得到的缺陷检测结果进行进一步的分类判断，在第二阶段检测过程中，首先需要将缺陷框所框选的区域从原照片中切割出来，提高缺陷框中的缺陷所占的整体照片的占比，以保证缺陷识别的准确性。然后对切割出来的照片进行归一化处理，根据缺陷种类的不同，将缺陷照片调整为不同尺寸，以使缺陷在照片上的占比更高。将预处理后的照片输入到预先训练好的缺陷分类神经网络模型中，对缺陷进行进一步的分类，以判断第二坯布照片上的缺陷是否真的为缺陷，并对应将判断结果输出。

在第二阶段的缺陷判断过程中，通常会预设多个神经网络模型，多个神经网络模型会根据第一阶段的预分类结果，进行针对性的训练，在本实施例中，第一阶段的预分类中，将检测到的缺陷预分类为三个大类：经向缺陷、纬向缺陷以及其他缺陷，然后针对这三个大类的缺陷，对应训练三个精细化分类模型。然后根据第一阶段的分类，将一个缺陷对应输入到预分类的大类对应的模型中，对缺陷进行精细化判断，也就是在大类中进行进一步的判断，该缺陷是否属于某一个小类。如果该缺陷不属于任何一个小类，则说明该缺陷实际上不是缺陷，如果该缺陷属于某一个具体的小类的缺陷，则对应输出检测结果的通知。

进一步，本申请还提供一种应用实施例：

在实际生产过程中，使用工业相机对坯布的生产流水线进行拍摄，可以得到坯布的照片，记为第一坯布照片，然后使用目标检测神经网络模型，对第一坯布照片进行目标识别，以检测出第一坯布照片上的所有的缺陷，在本步骤中，由于第一坯布照片上还可能存在与缺陷极为相似但是并非为坯布缺陷的其他目标，被目标检测神经网络模型检测到，因此需要针对这些情况进行进一步的分类，例如，在第一坯布照片上，实际检测到了15个目标，实际上，15个目标中只有12个为坯布缺陷，另外的3个目标为误检测的目标，因此为了将这些误检测的目标从坯布缺陷中剔除出去，需要对15个目标进行进一步的检测和分类。因此首先根据目标检测神经网络模型的“错误”结果，将15个目标进行预分类，在本实施例中，预分类主要包含3个类别，分别是经向缺陷、纬向缺陷以及其他缺陷，其中经向缺陷中包含了9个目标，在9个目标中存在2个非缺陷目标以及7个缺陷目标，纬向缺陷中包含了4个目标，其中包含了3个缺陷目标以及1个非缺陷目标，其他缺陷中包含了2个缺陷目标。然后针对每一个预分类的分类选选项，分别训练一个缺陷分类神经网络模型，也就是对应有三个缺陷分类神经网络模型，其中，第一缺陷分类神经网络模型对应接收9个经向缺陷的目标，第二缺陷分类神经网络模型对应接收4个纬向缺陷的目标，第三缺陷分类神经网络模型对应接收2个其他缺陷的目标，然后利用缺陷分类神经网络模型的针对应训练，进一步对输入的目标进行精确分类，因此第一缺陷分类神经网络模型应该能够输出7个缺陷检测结果，第二缺陷分类神经网络模型能够输出3个缺陷检测结果，第三缺陷分类神经网络模型能够输出2个缺陷检测结果。

进一步地，所述利用目标检测神经网络模型，对所述第一坯布照片进行目标识别，包括：将目标检测神经网络模型中的cspdarknet53架构主干网络替换为res2net构架主干网络。

在实际应用中，yolox原生的骨干网络为cspdarknet53结构，起到图像特征提取的作用，但该结构特征提取能力不够强，通过实验优化，采用res2net网络结构替换cspdarknet53结构，可以有效提高图像特征提取能力，最终提升检测精度。

进一步地，所述使用矩形框框选第一坯布照片上的缺陷所在的目标区域，对应得到至少一缺陷框，包括：采用带有旋转角度的矩形框框选目标区域。

在实际应用中，具体来说，传统的不带旋转角度的原生目标检测模型的输出值为为目标框(bbox)左上角定点坐标值x,y和归一化的宽高值w,h；而带旋转角度的的输出值新增了角度值θ。带旋转角度的框可以实现框内包裹的图像区域所含目标(缺陷)的占比更高，背景区域占比更低，有利于模型更准确地学习目标区域，减少背景信息的干扰。在本申请中，如图3所示，带有旋转角度的边界框采用五参数法进行表示，也就是x、y、w、h、θ，其中x和y分别为边界框的中心点的坐标，θ为旋转坐标系与x轴的锐角，逆时针方向指定为负角，因此角度范围为[-90°,0)；旋转框的宽度w为旋转框所在的边角，旋转框的高度h为另一边。在本申请中，还通过将θ值视为分类标准，也就是说，θ值大于阈值的时候，将该缺陷视为经向缺陷，θ值小于阈值的时候，将该缺陷视为纬向缺陷，相当于将角度信息与边框参数信息解耦，所以旋转框的损失计算部分也分为角度损失和水平边框损失两个部分。

进一步地，所述步骤S4，包括：所述预分类结果包括：所述缺陷框中的缺陷为经向缺陷或所述缺陷框中的缺陷为纬向缺陷或所述缺陷框中的缺陷为其他缺陷。

在实际应用中，通常来说，预分类的结果可以根据业务的需要进行调整，不一定仅仅包含这三种预分类结果，在实际生产检测过程中，也能够通过其他的分类标准进行不同的分类。

进一步地，在所述步骤S5中，根据所述预分类结果，将所述第二坯布照片，分别输入到三个预先训练好的缺陷分类神经网络模型中进行精确分类，包括：在所述缺陷框中的缺陷为经向缺陷的情况下，将对应的第二坯布照片输入到第一缺陷分类神经网络模型中；在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片输入到第二缺陷分类神经网络模型中；在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片输入到第三缺陷分类神经网络模型中。

在实际应用中，需要根据预分类的不同分类结果，对应训练不同的缺陷分类神经网络模型，也就是对预分类后的缺陷照片进行进一步的识别和检测，一方面进一步保证缺陷照片上的目标确实为纺织缺陷，另一方面也能够实现纺织缺陷的精细化分类。

进一步地，所述经向缺陷包括：断经、双经、传错、扣痕；所述纬向缺陷包括：断纬、双纬、边带纬、纬缩；所述其他缺陷包括：点状缺陷、异物织入、破洞、污渍纱、污迹、断疵、拖纱、飞花。

进一步地，所述步骤S5还包括：将各个缺陷框区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸，包括：在所述缺陷框区域中的缺陷为经向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为224*40；在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为40*224；在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为112*112。

在实际应用中，图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。原始图像在经历一些处理或攻击后可以得到多种副本图像，这些图像在经过相同参数的图像归一化处理后能够得到相同形式的标准图像。首先利用图像中对仿射变换具有不变性的矩来确定变换函数的参数，然后利用此参数确定的变换函数把原始图像变换为一个标准形式的图像(该图像与仿射变换无关)。一般说来，基于矩的图像归一化过程包括4个步骤，即坐标中心化、x-shearing归一化、缩放归一化和旋转归一化。图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。

综上所述，本申请通过两个阶段的坯布缺陷神经网络模型，对坯布照片上的缺陷进行识别、定位和检测，在第一阶段的定位和预分类过程中，可以设置较低的置信度阈值，使更多的缺陷都输入到深度学习检测模型中进行检测和识别，以保证整体缺陷检测的召回率，同时在第二阶段的精细化分类过程中，提升缺陷类别识别的准确率，相比传统的一阶段的缺陷检测定位方法，具有更高的检测准确率，并且可以降低良品区域的过度检测率。

如图2所示，本发明还提供了一种两阶段坯布缺陷检测系统，包括：

坯布照片获取模块：用于获取第一坯布照片；

第一缺陷判断模块：对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

缺陷定位模块：使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

预分类模块：对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

第二缺陷判断模块：判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷；

坯布照片切割模块：用于将所述缺陷框框选的区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；

图像尺寸调整模块：用于根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸。

关于一种两阶段坯布缺陷检测系统的具体限定可以参见上文中对于一种两阶段坯布缺陷检测方法的限定，在此不再赘述。上述一种两阶段坯布缺陷检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

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4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一种两阶段坯布缺陷检测方法。

本领域技术人员可以理解，图4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、获取第一坯布照片；

S2、通过目标检测神经网络模型，对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

S3、若存在缺陷，则使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

S4、对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

S5、根据所述预分类结果，将所述预分类结果对应的所有缺陷框区域输入到预先训练好与所述预分类结果相对应的缺陷分类神经网络模型中，以判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷；

S6、统计所有纺织缺陷，并作为对应的坯布缺陷检测结果。

在一个实施例中，所述利用目标检测神经网络模型，对所述第一坯布照片进行目标识别，包括：将目标检测神经网络模型中的cspdarknet53架构主干网络替换为res2net构架主干网络。

在一个实施例中，所述使用矩形框框选第一坯布照片上的缺陷所在的目标区域，对应得到至少一缺陷框，包括：采用带有旋转角度的矩形框框选目标区域。

在一个实施例中，所述步骤S4，包括：所述预分类结果包括：所述缺陷框中的缺陷为经向缺陷或所述缺陷框中的缺陷为纬向缺陷或所述缺陷框中的缺陷为其他缺陷。

在一个实施例中，所述步骤S5，包括：在所述缺陷框中的缺陷为经向缺陷的情况下，将对应的第二坯布照片输入到第一缺陷分类神经网络模型中；在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片输入到第二缺陷分类神经网络模型中；在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片输入到第三缺陷分类神经网络模型中。

在一个实施例中，所述经向缺陷包括：断经、双经、传错、扣痕；所述纬向缺陷包括：断纬、双纬、边带纬、纬缩；所述其他缺陷包括：点状缺陷、异物织入、破洞、污渍纱、污迹、断疵、拖纱、飞花。

在一个实施例中，所述步骤S5还包括：将各个缺陷框区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸，包括：在所述缺陷框区域中的缺陷为经向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为224*40；在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为40*224；在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为112*112。

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。

综上所述，本申请通过两个阶段的坯布缺陷神经网络模型，对坯布照片上的缺陷进行识别、定位和检测，在第一阶段的定位和预分类过程中，可以设置较低的阈值，使更多的缺陷都输入到深度学习检测模型中进行检测和识别，以保证整体缺陷检测的召回率，同时在第二阶段的精细化分类过程中，提升缺陷类别识别的准确率，相比传统的一阶段的缺陷检测定位方法，具有更高的检测准确率，并且可以降低良品区域的过度检测率。

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。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种两阶段坯布缺陷检测方法，其特征在于，包括：

S1、获取第一坯布照片；

S2、通过目标检测神经网络模型，对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

S3、若存在缺陷，则使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

S4、对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

S5、根据所述预分类结果，将所述预分类结果对应的所有缺陷框区域输入到预先训练好与所述预分类结果相对应的缺陷分类神经网络模型中，以判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷；

S6、统计所有纺织缺陷，并作为对应的坯布缺陷检测结果。

2.根据权利要求1所述的一种两阶段坯布缺陷检测方法，其特征在于，所述利用目标检测神经网络模型，对所述第一坯布照片进行目标识别，包括：

将目标检测神经网络模型中的cspdarknet53架构主干网络替换为res2net构架主干网络。

3.根据权利要求2所述的一种两阶段坯布缺陷检测方法，其特征在于，所述步骤，包括：采用带有旋转角度的矩形框框选目标区域。

4.根据权利要求1所述的一种两阶段坯布缺陷检测方法，其特征在于，所述步骤S4，包括：所述预分类结果包括：

所述缺陷框中的缺陷为经向缺陷或所述缺陷框中的缺陷为纬向缺陷或所述缺陷框中的缺陷为其他缺陷。

5.根据权利要求4所述的一种两阶段坯布缺陷检测方法，其特征在于，所述步骤S5，包括：

在所述缺陷框中的缺陷为经向缺陷的情况下，将对应的第二坯布照片输入到第一缺陷分类神经网络模型中；

在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片输入到第二缺陷分类神经网络模型中；

在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片输入到第三缺陷分类神经网络模型中。

6.根据权利要求5所述的一种两阶段坯布缺陷检测方法，其特征在于，所述经向缺陷包括：断经、双经、传错、扣痕；

所述纬向缺陷包括：断纬、双纬、边带纬、纬缩；

所述其他缺陷包括：点状缺陷、异物织入、破洞、污渍纱、污迹、断疵、拖纱、飞花。

7.根据权利要求4所述的一种两阶段坯布缺陷检测方法，其特征在于，所述步骤S5还包括：

将各个缺陷框区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸，包括：

在所述缺陷框区域中的缺陷为经向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为224*40；

在所述缺陷框中的缺陷为纬向缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为40*224；

在所述缺陷框中的缺陷为其他缺陷的情况下，将对应的第二坯布照片归一化像素尺寸为112*112。

8.一种两阶段坯布缺陷检测系统，其特征在于，包括：

坯布照片获取模块：用于获取第一坯布照片；

第一缺陷判断模块：对所述第一坯布照片进行目标识别，判断所述第一坯布照片上是否存在缺陷；

缺陷定位模块：使用矩形框框选所述第一坯布照片上的缺陷所在的目标区域，得到对应的缺陷框区域；

预分类模块：对所述缺陷框区域中的缺陷进行预分类，得到对应的预分类结果；

第二缺陷判断模块：判断所述预分类结果对应的各个缺陷框区域中的缺陷是否为纺织缺陷；

坯布照片切割模块：用于将所述缺陷框框选的区域从所述第一坯布照片上切割下来，对应得到第二坯布照片；

图像尺寸调整模块：用于根据所述预分类结果，对应调整所述第二坯布照片的像素尺寸。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images