CN116228661A - 布匹瑕疵在线检测方法及系统 - Google Patents

布匹瑕疵在线检测方法及系统 Download PDF

Info

Publication number
CN116228661A
CN116228661A CN202211719284.0A CN202211719284A CN116228661A CN 116228661 A CN116228661 A CN 116228661A CN 202211719284 A CN202211719284 A CN 202211719284A CN 116228661 A CN116228661 A CN 116228661A
Authority
CN
China
Prior art keywords
cloth
texture patterns
texture
characteristic value
image data
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
CN202211719284.0A
Other languages
English (en)
Inventor
张祖昶
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211719284.0A priority Critical patent/CN116228661A/zh
Publication of CN116228661A publication Critical patent/CN116228661A/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
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种布匹瑕疵在线检测方法及系统，所述方法包括如下步骤：通过阵列摄像头对流水线上的布匹进行图像采集，采用多线程、并行处理的方式对图像数据进行位置关联的图像特征值编码，建立布匹特征值位置知识库。布匹特征值位置知识库分类管理所有图像特征值，对图像数据达到扁平化的存储和管理。针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起准确的布匹瑕疵识别模型。本发明实现了对流水生产线上的布匹进行实时地在线检测，准确的识别和定位了布匹的瑕疵；有效地提高了布匹的成品质量，应用于任何布匹生产线的设备和系统。

Description

布匹瑕疵在线检测方法及系统
技术领域
本发明属于布匹瑕疵在线检测技术领域，更具体地说，涉及一种布匹瑕疵在线检测方法及系统。
背景技术
随着人工智能技术的不断进步，工业生产的相关应用也越来越广泛。在布匹的生产过程中，成品质量问题一直是企业所高度重视的问题。虽然企业提高了生产的工艺和技术，但是成品出现瑕疵的问题仍然不可避免。目前，在大部分布匹生产线上还是依靠人工眼看来进行实时检测。这种检测方法有很多的缺点。首先是检测人员的经验和熟练程度对检测结果影响很大；其次是人工眼检的劳动强度很高，对人眼损伤很大，也缺乏对成品检测结果的一致性和可靠性；最重要的是需要专门人员来完成此项任务，企业付出的成本较大。所以，对生产线上的布匹瑕疵在线实时地进行检测有着重要的现实意义。
发明内容
本发明目的在于提供了一种布匹瑕疵在线检测方法及系统，所述方法通过阵列摄像头对流水线上的布匹进行图像采集，采用多线程、并行处理的方式对图像数据进行位置关联的图像特征值编码，建立布匹特征值位置知识库。布匹特征值位置知识库分类管理所有图像特征值，对图像数据达到扁平化的存储和管理。针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起准确的布匹瑕疵识别模型。在设定特征阀值的条件下，通过设置三层比对过滤算法，对布匹纹理图案进行实时在线分析，可以高速、有效地对布匹的瑕疵做出正确的评估和判断，对流水生产线上的布匹进行实时地在线检测。
为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种布匹瑕疵在线检测方法，包括如下步骤：
S1、针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起基于卷积神经网络的识别模型；
S2、在布匹的生产流水线上，按前后次序设置阵列摄像头，布匹检测系统采用多线程、并行处理的方式，对流水线上的布匹进行图像采集，阵列摄像头位置的设置可根据实际情况调整；
S3、陈列摄像头的数量为n，摄像头的位置编号为i，且0≤i≤n，根据采集摄像头的位置编号i，定时存储对应采集的图像数据，并将这些图像数据进行关联编码，以获取位置图像特征值Vi，从而建立起布匹特征值位置知识库；
S4、布匹特征值位置知识库按位置和图纹对象构建二维对应关系，分类管理所有图像特征值，对图像数据达到扁平化的存储和管理；
S5、在设定匹配准确度α的条件下，对每一个阵列摄像头采集的图像数据启动一组识别通道，该组识别通道先通过卷积神经网络的识别模型识别出布匹纹理图案的类别和对象，然后通过跟标准的纹理图案进行对比，检测出该采集的图像数据的误差度m；
S6、通过对阵列摄像头的对比误差度m进行关联判断，判断出布匹纹理图案是否出现瑕疵；
S7、由于陈列摄像头是按照前后次序设置的，因此可以获得同一块布匹纹理图案的多次对比误差度mi，得出同一块布匹纹理图案的平均对比误差度
Figure BDA0004029255570000021
Figure BDA0004029255570000022
根据平均对比误差度
Figure BDA0004029255570000023
求出标准差/>
Figure BDA0004029255570000024
Figure BDA0004029255570000025
通过标准差
Figure BDA0004029255570000026
对布匹纹理图案与标准纹理图案进行首次比对过滤，找出有可能存在瑕疵的布匹位置；
S8、在S7的基础上，建立起布匹纹理图案对比误差度m的关联函数N：
N＝f(m1,m2,…,mn)(3)
布匹纹理图案对比误差度m的标准偏差传递函数SN：
Figure BDA0004029255570000027
在SN>α时，对布匹的纹理图案进行位置图像特征值对比，进一步确认布匹纹理图案瑕疵；
S9、对布匹的纹理图案进行位置图像特征值对比的方法是从布匹特征值位置知识库中提取出对应的位置图像特征值Vi，建立起图像特征值矩阵V＝[V1,V2,…,Vn]，跟对应布匹的纹理图案的标准图像特征值Vt进行相似性对比，以进一步确认布匹纹理图案存在瑕疵：
Figure BDA0004029255570000031
经过上述步骤，可建立起准确的布匹瑕疵识别模型，通过卷积神经网络和对比算法，可对流水生产线上的布匹进行实时地在线检测布匹的瑕疵。
根据本发明的另一方面，提供了一种布匹瑕疵在线检测系统，所述系统包括：图像数据采集模块、智能数据编码模块、特征值位置知识库模块和瑕疵检测模块。
所述图像数据采集模块，通过阵列摄像头对流水线上的布匹进行图像采集，阵列摄像头的位置可以灵活设置，保证准确、高速和完整地采集数据。
所述智能数据编码模块，对采集的图像数据与采集点的位置进行关联，按照特征值提取的方案进行规制编码，编码过程采用多线程、并行处理的方式完成，所述智能数据编码模块通过智能纹理图案变换算法，可生成深度学习方法所需要的训练集样本。
所述特征值位置知识库模块，接收所述智能数据编码模块处理完成后的数据，对相关数据进行分类存储和管理，保证系统能高速地进行访问和遍历。
所述瑕疵检测模块，在设定特征阀值的条件下，通过设置三层比对过滤算法，对布匹纹理图案进行实时在线分析，可以高速、有效地对布匹的瑕疵做出正确的评估和判断，对流水生产线上的布匹进行实时地在线检测。
根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明的布匹瑕疵在线检测方法中的步骤。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的布匹瑕疵在线检测方法中的步骤。
相比于现有技术，本发明至少具有如下有益效果：
本发明的布匹瑕疵在线检测方法，实现了对流水生产线上的布匹进行实时地在线检测，准确的识别和定位了布匹的瑕疵；有效地提高了布匹的成品质量，应用于任何布匹生产线的设备和系统。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1为本发明系统架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例1：
如图1所示，本发明提供了一种布匹瑕疵在线检测系统，所述系统包括：图像数据采集模块、智能数据编码模块、特征值位置知识库模块和瑕疵检测模块。
所述图像数据采集模块，通过阵列摄像头对流水线上的布匹进行图像采集，阵列摄像头的位置可以灵活设置，保证准确、高速和完整地采集数据。
所述智能数据编码模块，对采集的图像数据与采集点的位置进行关联，按照特征值提取的方案进行规制编码，编码过程采用多线程、并行处理的方式完成，所述智能数据编码模块通过智能纹理图案变换算法，可生成深度学习方法所需要的训练集样本。
所述特征值位置知识库模块，接收所述智能数据编码模块处理完成后的数据，对相关数据进行分类存储和管理，保证系统能高速地进行访问和遍历。
所述瑕疵检测模块，在设定特征阀值的条件下，通过设置三层比对过滤算法，对布匹纹理图案进行实时在线分析，可以高速、有效地对布匹的瑕疵做出正确的评估和判断，对流水生产线上的布匹进行实时地在线检测。
本发明还提供了一种布匹瑕疵在线检测方法，包括如下步骤：
S1、针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起基于卷积神经网络的识别模型；
S2、在布匹的生产流水线上，按前后次序设置阵列摄像头，布匹检测系统采用多线程、并行处理的方式，对流水线上的布匹进行图像采集，阵列摄像头位置的设置可根据实际情况调整；
S3、陈列摄像头的数量为n，摄像头的位置编号为i，且0≤i≤n，根据采集摄像头的位置编号i，定时存储对应采集的图像数据，并将这些图像数据进行关联编码，以获取位置图像特征值Vi，从而建立起布匹特征值位置知识库；
S4、布匹特征值位置知识库按位置和图纹对象构建二维对应关系，分类管理所有图像特征值，对图像数据达到扁平化的存储和管理；
S5、在设定匹配准确度α的条件下，对每一个阵列摄像头采集的图像数据启动一组识别通道，该组识别通道先通过卷积神经网络的识别模型识别出布匹纹理图案的类别和对象，然后通过跟标准的纹理图案进行对比，检测出该采集的图像数据的误差度m；
S6、通过对阵列摄像头的对比误差度m进行关联判断，判断出布匹纹理图案是否出现瑕疵；
S7、由于陈列摄像头是按照前后次序设置的，因此可以获得同一块布匹纹理图案的多次对比误差度mi，得出同一块布匹纹理图案的平均对比误差度
Figure BDA0004029255570000051
Figure BDA0004029255570000052
根据平均对比误差度
Figure BDA0004029255570000053
求出标准差/>
Figure BDA0004029255570000054
Figure BDA0004029255570000055
通过标准差
Figure BDA0004029255570000056
对布匹纹理图案与标准纹理图案进行首次比对过滤，找出有可能存在瑕疵的布匹位置；
S8、在S7的基础上，建立起布匹纹理图案对比误差度m的关联函数N：
N＝f(m1,m2,…,mn) (3)
布匹纹理图案对比误差度m的标准偏差传递函数SN：
Figure BDA0004029255570000057
在SN>α时，对布匹的纹理图案进行位置图像特征值对比，进一步确认布匹纹理图案瑕疵；
S9、对布匹的纹理图案进行位置图像特征值对比的方法是从布匹特征值位置知识库中提取出对应的位置图像特征值Vi，建立起图像特征值矩阵V＝[V1,V2,…,Vn]，跟对应布匹的纹理图案的标准图像特征值Vt进行相似性对比，以进一步确认布匹纹理图案存在瑕疵：
Figure BDA0004029255570000061
经过上述步骤，可建立起准确的布匹瑕疵识别模型，通过卷积神经网络和对比算法，可对流水生产线上的布匹进行实时地在线检测布匹的瑕疵。
实施例2：
本实施例的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1的布匹瑕疵在线检测方法中的步骤。
本实施例的计算机可读存储介质可以是终端的内部存储单元，例如终端的硬盘或内存；本实施例的计算机可读存储介质也可以是所述终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡，安全数字卡，闪存卡等；进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。
本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序和数据，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3：
本实施例的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的布匹瑕疵在线检测方法中的步骤。
本实施例中，处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列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，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；存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据，存储器的一部分还可以包括非易失性随机存取存储器，例如，存储器还可以存储设备类型的信息。
本领域内的技术人员应明白，实施例公开的内容可提供为方法、系统、或计算机程序产品。因此，本方案可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本方案可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本方案是参照根据本方案实施例的方法、和计算机程序产品的流程图和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合；可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。

Claims (7)

1.一种布匹瑕疵在线检测方法，其特征在于，包括如下步骤：
S1、针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起基于卷积神经网络的识别模型；
S2、在布匹的生产流水线上，按前后次序设置阵列摄像头，布匹检测系统采用多线程、并行处理的方式，对流水线上的布匹进行图像采集，阵列摄像头位置的设置可根据实际情况调整；
S3、陈列摄像头的数量为n，摄像头的位置编号为i，且0≤i≤n，根据采集摄像头的位置编号i，定时存储对应采集的图像数据，并将这些图像数据进行关联编码，以获取位置图像特征值Vi，从而建立起布匹特征值位置知识库；
S4、布匹特征值位置知识库按位置和图纹对象构建二维对应关系，分类管理所有图像特征值，对图像数据达到扁平化的存储和管理；
S5、在设定匹配准确度α的条件下，对每一个阵列摄像头采集的图像数据启动一组识别通道，该组识别通道先通过卷积神经网络的识别模型识别出布匹纹理图案的类别和对象，然后通过跟标准的纹理图案进行对比，检测出该采集的图像数据的误差度m；
S6、通过对阵列摄像头的对比误差度m进行关联判断，判断出布匹纹理图案是否出现瑕疵；
S7、获得同一块布匹纹理图案的多次对比误差度mi，得出同一块布匹纹理图案的平均对比误差度
Figure FDA0004029255560000011
通过标准差/>
Figure FDA0004029255560000012
对布匹纹理图案与标准纹理图案进行首次比对过滤，找出有可能存在瑕疵的布匹位置；
S8、建立布匹纹理图案对比误差度m的关联函数；对布匹的纹理图案进行位置图像特征值对比，进一步确认布匹纹理图案瑕疵；
S9、对布匹的纹理图案进行位置图像特征值对比的方法是从布匹特征值位置知识库中提取出对应的位置图像特征值，建立起图像特征值矩阵，跟对应布匹的纹理图案的标准图像特征值进行相似性对比，以进一步确认布匹纹理图案存在瑕疵。
2.根据权利要求1所述的方法，其特征在于，步骤S7具体如下：得出同一块布匹纹理图案的平均对比误差度
Figure FDA0004029255560000013
的公式如下：
Figure FDA0004029255560000014
根据平均对比误差度
Figure FDA0004029255560000021
求出标准差/>
Figure FDA0004029255560000022
Figure FDA0004029255560000023
通过标准差
Figure FDA0004029255560000024
对布匹纹理图案与标准纹理图案进行首次比对过滤，找出有可能存在瑕疵的布匹位置。
3.根据权利要求2所述的，其特征在于，步骤S8具体如下：建立布匹纹理图案对比误差度m的关联函数N：
N＝f(m1,m2,…,mn)(3)
布匹纹理图案对比误差度m的标准偏差传递函数SN：
Figure FDA0004029255560000025
在SN>α时，对布匹的纹理图案进行位置图像特征值对比，进一步确认布匹纹理图案瑕疵。
4.根据权利要求3所述的方法，其特征在于，步骤S8具体如下：对布匹的纹理图案进行位置图像特征值对比的方法是从布匹特征值位置知识库中提取出对应的位置图像特征值Vi，建立起图像特征值矩阵V＝[V1,V2,…,Vn]，跟对应布匹的纹理图案的标准图像特征值Vt进行相似性对比，以进一步确认布匹纹理图案存在瑕疵：
Figure FDA0004029255560000026
5.一种布匹瑕疵在线检测系统，所述系统包括：图像数据采集模块、智能数据编码模块、特征值位置知识库模块和瑕疵检测模块；
所述图像数据采集模块，通过阵列摄像头对流水线上的布匹进行图像采集；
所述智能数据编码模块，对采集的图像数据与采集点的位置进行关联，按照特征值提取的方案进行规制编码，编码过程采用多线程、并行处理的方式完成，所述智能数据编码模块通过智能纹理图案变换算法，生成深度学习方法所需要的训练集样本；
所述特征值位置知识库模块，接收所述智能数据编码模块处理完成后的数据，对相关数据进行分类存储和管理；
所述瑕疵检测模块，在设定特征阀值的条件下，通过设置三层比对过滤算法，对布匹纹理图案进行实时在线分析，对流水生产线上的布匹进行实时地在线检测。
6.一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：该程序被处理器执行时实现如权利要求1～4中任一项所述的布匹瑕疵在线检测方法中的步骤。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1～4中任一项所述的布匹瑕疵在线检测方法中的步骤。
CN202211719284.0A 2022-12-30 2022-12-30 布匹瑕疵在线检测方法及系统 Pending CN116228661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211719284.0A CN116228661A (zh) 2022-12-30 2022-12-30 布匹瑕疵在线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211719284.0A CN116228661A (zh) 2022-12-30 2022-12-30 布匹瑕疵在线检测方法及系统

Publications (1)

Publication Number Publication Date
CN116228661A true CN116228661A (zh) 2023-06-06

Family

ID=86568822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211719284.0A Pending CN116228661A (zh) 2022-12-30 2022-12-30 布匹瑕疵在线检测方法及系统

Country Status (1)

Country Link
CN (1) CN116228661A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116818799A (zh) * 2023-06-20 2023-09-29 广州宝立科技有限公司 一种基于机器视觉检测技术的智能验布方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116818799A (zh) * 2023-06-20 2023-09-29 广州宝立科技有限公司 一种基于机器视觉检测技术的智能验布方法及装置

Similar Documents

Publication Publication Date Title
CN111815601B (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN108701234A (zh) 车牌识别方法及云系统
CN104992449A (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
Tian et al. CASDD: Automatic surface defect detection using a complementary adversarial network
CN116228661A (zh) 布匹瑕疵在线检测方法及系统
CN104331693A (zh) 一种印刷品对称性检测方法及系统
CN114863464B (zh) 一种pid图纸图件信息的二阶识别方法
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
Ke et al. Detection of wood surface defects based on particle swarm-genetic hybrid algorithm
Martin et al. Deep learning strategies for industrial surface defect detection systems
CN114219753A (zh) 一种基于深度学习的电力设备表面缺陷检测方法及终端
CN114331961A (zh) 用于对象的缺陷检测的方法
CN116109633B (zh) 一种轴承保持器的窗口检测方法及设备
Zhang et al. PKU-GoodsAD: A supermarket goods dataset for unsupervised anomaly detection and segmentation
CN111178244A (zh) 一种异常生产场景的识别方法
CN112101448B (zh) 一种屏幕图像识别方法、设备、系统和可读存储介质
CN112801013B (zh) 一种基于关键点识别校验的人脸识别方法、系统及装置
Vardhan et al. Detection of healthy and diseased crops in drone captured images using Deep Learning
Wu et al. Research and implementation of automatic cable winding system based on machine vision
Saranya et al. The Proficient ML method for Vehicle Detection and Recognition in Video Sequence
Nikitin et al. Research of recognition algorithm for sheet metal marking
CN105809709B (zh) 一种基于位平面的运动目标跟踪方法
CN111259843B (zh) 基于视觉稳定特征分类配准的多媒体导航仪测试方法
Gu Automation disassembly sequence generation based on visual recognition and rules in remanufacturing
Pranoto et al. Burrs and Sharp Edge Detection of Metal Workpiece Using CNN Image Classification Method for Intelligent Manufacturing Application

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