CN116309587A - 一种布料瑕疵检测方法、装置、电子设备及存储介质 - Google Patents
一种布料瑕疵检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116309587A CN116309587A CN202310573096.XA CN202310573096A CN116309587A CN 116309587 A CN116309587 A CN 116309587A CN 202310573096 A CN202310573096 A CN 202310573096A CN 116309587 A CN116309587 A CN 116309587A
- Authority
- CN
- China
- Prior art keywords
- detected
- cloth image
- offset
- cloth
- flaw
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 170
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000010586 diagram Methods 0.000 claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000007547 defect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000004753 textile Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000009940 knitting Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 238000009954 braiding Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种布料瑕疵检测方法、装置、电子设备及存储介质。该方法包括：获取待检测布料图像；将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量；根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。本技术方案，通过可变形卷积神经网络对待检测布料图像中的瑕疵区域和瑕疵类别进行检测，能够提高布料瑕疵的检测精度和检测效率，且能够避免瑕疵漏检的情况。
Description
技术领域
本发明涉及瑕疵检测技术领域，尤其涉及一种布料瑕疵检测方法、装置、电子设备及存储介质
背景技术
在纺织类行业中，经常为了配合时尚潮流，上面的花样往往复杂且织法细腻，纺织类瑕疵会随着花样变的更复杂而多样，特别在编织花色上更在意稍许漏织或不规则的异色，所以如何对布料进行准确地瑕疵检测十分重要。
依据不同纺织纹理和瑕疵形状，在纺织类瑕疵检验算法中可以分成两大类：一个是传统算法， 另一个以学习为主的算法。
由于传统算法如对于背景藏有花纹的图像，想要精准的分离或避开其甘扰，往往效果很有限，且成效不明显。机器学习对于纺织类瑕疵检验中某几类瑕疵，效果不错，但是对于有方向性延展的轻微漏线，编织破损, 编织异色等瑕疵类，就会造成过漏检。特别是对于随机产生不同深浅度的编织像素所形成的瑕疵，经常会造成侦测不到，导致过漏检。
发明内容
本发明提供了一种布料瑕疵检测方法、装置、电子设备及存储介质，通过可变形卷积神经网络对待检测布料图像中的瑕疵区域和瑕疵类别进行检测，能够提高布料瑕疵的检测精度和检测效率，且能够避免瑕疵漏检的情况。
根据本发明的一方面，提供了一种布料瑕疵检测方法，该方法包括：
获取待检测布料图像；
将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量；
根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。
根据本发明的另一方面，提供了一种布料瑕疵检测装置，该装置包括：
待检测布料图像获取模块，用于获取待检测布料图像；
待检测布料图像检测模块，用于将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量；
瑕疵信息确定模块，用于根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的一种布料瑕疵检测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种布料瑕疵检测方法。
本发明实施例的技术方案，通过获取待检测布料图像，然后将待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对待检测布料图像进行检测，得到与待检测布料图像相对应的热力图、尺寸和偏移量，并根据热力图、尺寸和偏移量，确定待检测布料图像中的瑕疵区域和瑕疵类别。本技术方案，通过可变形卷积神经网络对待检测布料图像中的瑕疵区域和瑕疵类别进行检测，能够提高布料瑕疵的检测精度和检测效率，且能够避免瑕疵漏检的情况。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种布料瑕疵检测方法的流程图；
图2是本申请实施例一提供的一种布料瑕疵检测过程的示意图；
图3（a）是本申请实施例一提供的布料图像；
图3（b）是本申请实施例一提供的检测后的瑕疵区域图像；
图4为本发明实施例二提供的一种布料瑕疵检测装置的结构示意图；
图5是实现本发明实施例的一种布料检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“候选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种布料瑕疵检测方法的流程图，本实施例可适用于基于可变形卷积神经网络对布料上的瑕疵进行检测的情况，该方法可以由一种布料瑕疵检测装置来执行，该布料瑕疵检测装置可以采用硬件和/或软件的形式实现，该布料瑕疵检测装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取待检测布料图像。
在本实施例中，待检测布料图像可以是具有各种花色或者纹理的布料图像。
在本方案中，可以基于摄像头、摄像机等各种设备获取待检测布料图像。
可选的，获取待检测布料图像，包括步骤A1-A3：
步骤A1、基于预先安装的拍摄设备获取布料图像；
其中，预先安装的拍摄设备可以是摄像机、摄像头、相机等设备。
步骤A2、对所述布料图像进行至少一个方格划分，得到目标布料图像；
在本实施例中，方格的大小可以根据布料图像划分需求进行设置。例如，可以将布
料图像划分为
的目标布料图像。
步骤A3、对所述目标布料图像进行中值滤波或双边滤波，得到待检测布料图像。
在本方案中，中值滤波（median filtering）是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
其中，双边滤波（Gaussian filtering）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。
通过对布料图像进行划分，然后进行滤波处理，能够减少布料图像中的杂讯，从而突显布料图像中瑕疵的特征。
S120、将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量。
在本方案中，由于纺织类瑕疵其形状及外观没有一定比例或准则，例如，压印(crease marks)、稀疏(sparse)这类瑕疵。所以传统算法Anchor-base或多尺度特征图(multi-scale multiple feature maps)的目标检测性能都会达到了极限，产生严重错漏检问题。具体包括以下问题：（1）Anchors在一定程度上会限制检测算法的性能；（2）NMS（非极大抑制）等后处理操作会降低整个检测算法的速度；(3) 往特定方向延展的编织稀疏或编织异色，往往特征值不连贯，导致算法误判，造成严重的过漏检。并且由于传统算法中卷积核通常是固定尺寸，这种卷积核对于未知的变化适应性差，泛化能力不强。因为同一CNN层的激活单元的感受野尺寸都相同，当场景内不同的位置可能对应有不同尺度或者不同形变的物体时，卷积核无法能够自动调整尺度或者感受野。
进一步的，为了要避开Anchor-base或多尺度特征图的目标检测算法存在的一些严重的问题，提出了基于可变形卷积神经网络模型（CNN model）对布料瑕疵进行检测的技术手段。
具体的，可变形卷积神经网络模型（CNN model）由多层卷积层 (convolution)，可变形卷积(deformable convolution)，位置敏感且又感兴趣为主的池化层(position-sensitive ROI pooling)，heatmap（热力图）以及pooling（池化层）构成。该算法在保证速度的前提下，精度提升了5个百分点。与其它的单阶段或者双阶段目标检测算法相比，该算法具有以下的优势：（1）该算法去除低效复杂的Anchors操作，进一步提升了检测算法性能；（2）该算法直接在heatmap上面执行过滤操作，去除了耗时的NMS后处理操作，进一步提升了整个算法的运行速度；（3）可变形卷积运算引入，卷积核自适应调整自身的形状，可以提取到了完整的不规则对象的特征。（4）position-sensitive ROI pooling可以配合感兴趣的特征值或方向扩展, 直到条件不满足才停止扩展。
在本实施例中，可变形卷积神经网络模型（CNN model）可以获取瑕疵特征值，瑕疵类型(type)、位置(location)、个数( count)。即可变形卷积神经网络模型（CNN model）可以输出热力图（heatmaps），对象大小(object size)，局部位移(local offsets)和密度图(density maps)。对于编织类(weaving defects)瑕疵，例如，压印(crease marks)，稀疏(sparse)，断尾(broken end)，双断尾(double ends)，漏针(missing picks), 筘痕 (reedmarks)，破洞(hole)，油渍(oil stain) 等类瑕疵也可以检测出来。
可选的，所述可变形卷积神经网络模型包括热力图输出端、尺寸输出端和偏移输出端；
相应的，将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量，包括步骤B1：
步骤B1、基于所述热力图输出端得到与所述待检测布料图像相对应的热力图；以及，基于所述尺寸输出端得到与所述待检测布料图像相对应的尺寸；以及，基于所述偏移输出端得到与所述待检测布料图像相对应的偏移量。
在本方案中，可变形卷积神经网络模型在卷积层之后接了三个分支网络，分别用于预测热力图输出端、尺寸输出端和偏移输出端。
其中，热力图输出端有c个通道，每个通道对应一个瑕疵类别，即确定热力图的输出通道后，可以根据热力图的输出通道确定瑕疵类别；尺寸输出端有2个通道；偏移输出端有2个通道。
在本实施例中，热力图输出端可以输出热力图，用于预测待检测布料图像中的瑕疵区域和瑕疵中心点；尺寸输出端可以输出尺寸，用于预测宽和高；偏移输出端可以输出偏移量，用于预测中心（center）偏移和角（corner）偏移。
其中，偏移输出端中采样可变形的卷积层(deformable convolution), 搭配position-sensitive ROI pooling 的输出。
可选的，所述可变形卷积神经网络模型以基于残差的沙漏型网络为主干。
具体的，可变形卷积神经网络模型（CNN model）的backbone net (骨干网路)采用残差网路架构。目的是将多个网路堆叠(stack)起来，最后获得多尺度(multiple scale)特征图(feature maps)。
进一步的，可以采用hourglass network（沙漏型网络）为主干。 hourglassnetwork 可以整合低端 (low-level) 和高端 (high-level)的特征（features）。
优选的，由于hourglass network中只用一个感受野(receptive field)来提取到所需的特征值，欠缺对整体(global)和区域性(local)描述讯息。可以采用residual-basedhourglass network（基于残差的沙漏型网络）为可变形卷积神经网络的主干，增加对网路整体讯息的描述。
在本方案中，图2是本申请实施例一提供的一种布料瑕疵检测过程的示意图，如图2所示，可以将待检测布料图像作为输入，基于以基于残差的沙漏型网络为主干的可变形卷积神经网络模型对待检测布料图像进行检测，并对检测结果进行下采样，然后通过热力图输出端输出热力图，以及通过尺寸输出端输出尺寸，以及通过偏移输出端输出偏移量。
S130、根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。
在本实施例中，可以采用hourglass-like CNN 为主干网络（backbone），建立所要的热力图（heatmap）。其中，热力图的强度（intensity peak）代表关键点（keypoints）；对于如何产生所需的包含框（bounded box），这些关键点被区分成目标的四个角落（corner）或是中心点（center），这些关键点可以帮助去预测目标的尺寸（dimension）大小和位置（location）。 其中，还有其他的CNN分支，去预测包含框维度（dimension）。例如，宽或者高。
在本方案中，可变形卷积，就是在传统的卷积操作上加入了一个偏移量，正是这个偏移量才让卷积变形为不规则的卷积。
在本实施例中，可以通过heatmap 预测，评估正确的位置(location)和其预测的包含框(bounded box)。同时包含框中心点(center)到四个边的距离，也可同时被预测出来。另外还可以通过 position-sensitive ROI pooling 机制，配合可变形卷积的计算，得到对于特殊延展性的特征值将其定位出来，再通过已有的heatmap 预测, 就可以得到可能的像素位置，再通过位置敏感的 ROI pooling计算, 最终得到这类瑕疵的区域。
可选的，根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域，包括步骤C1-C4：
步骤C1、根据所述热力图，确定所述待检测布料图像中的候选区域和候选区域中心点；
其中，候选区域可以是指瑕疵的包含框；候选区域中心点可以是指瑕疵包含框的中心点。瑕疵包含框可以是各种形状的包含框。
步骤C2、根据所述尺寸，确定尺寸损失；
步骤C3、根据所述偏移量，确定中心偏移损失和角偏移损失；
步骤C4、在所述候选区域叠加所述尺寸损失和/或角偏移损失，以及在所述候选区域中心点叠加所述中心偏移损失，确定所述待检测布料图像中的瑕疵区域。
在本实施例中，可以基于各种损失计算方法对尺寸和偏移量的损失进行计算。
其中，尺寸损失可以用于调整候选区域的尺寸；角偏移损失可以用于调整候选区域任意一个角；中心偏移损失用于调整候选区域中心点。
在本方案中，如图2所示，可以通过对热力图进行计算，得到待检测布料图像中的候选区域和候选区域中心点；通过对尺寸进行计算，得到尺寸损失；以及通过对偏移量进行计算得到中心偏移损失和角偏移损失。并可以基于尺寸损失和/或角偏移损失对候选区域进行调整，以及，根据中心偏移损失对候选区域中心点进行调整，得到待检测布料图像中的瑕疵区域。
通过对候选区域进行调整，能够提高布料瑕疵检测的精度。
可选的，根据所述热力图，确定所述待检测布料图像中的候选区域和候选区域中心点，包括步骤D1：
步骤D1、根据所述热力图的亮度值，确定所述待检测布料图像中的候选区域和候选区域中心点。
具体的，热力图上最亮的区域表示目标的中心点位置，中心点offset分支用来补偿 pooling后的heatmap上的点映射到原图中所带来的像素误差，其实就是中心点在包含框的位移。同时也能估算出瑕疵大小。deformable convolution 负责提取对位置敏感的完整的特征，最后基于position-sensitive ROI pooling 输出全局的瑕疵类别和瑕疵区域。
通过对候选区域和候选中心点进行确定，能够实现对待检测布料图像中的瑕疵的检测。
可选的，根据所述热力图，确定所述待检测布料图像中的瑕疵类别，包括步骤E1-E2：
步骤E1、确定所述热力图相对应的输出通道；
步骤E2、基于所述输出通道，从预先确定的通道和类别关联关系中进行查找，得到与所述输出通道相关联的瑕疵类别。
在本实施例中，热力图输出端有c个通道，每个通道对应一个瑕疵类别，即确定热力图的输出通道后，可以根据热力图的输出通道确定瑕疵类别。
通过对热力图进行处理，能够得到待检测布料图像中瑕疵的类别。
本发明实施例的技术方案，通过获取待检测布料图像，然后将待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对待检测布料图像进行检测，得到与待检测布料图像相对应的热力图、尺寸和偏移量，并根据热力图、尺寸和偏移量，确定待检测布料图像中的瑕疵区域和瑕疵类别。本技术方案，通过可变形卷积神经网络对待检测布料图像中的瑕疵区域和瑕疵类别进行检测，能够提高布料瑕疵的检测精度和检测效率，且能够避免瑕疵漏检的情况。
示例性的，图3（a）是本申请实施例一提供的布料图像；图3（b）是本申请实施例一提供的检测后的瑕疵区域图像。布料上的瑕疵为白线。如图3（a）和图3（b）所示，布料图像大小为8192x2500，由于布料图像面积较大，任一类CNN model，都无法直接将大图由CNN 输入端进入。因此，需要对布料图像进行至少一个方格划分，划分成CNN model允许的输入大小。具体的，对布料图像进行至少一个方格划分，得到目标布料图像；然后对目标布料图像进行中值滤波或双边滤波，得到待检测布料图像，并基于可变形卷积神经网络模型对待检测布料图像进行检测，从而检测到布料图像中的瑕疵区域。
实施例二
图4为本发明实施例二提供的一种布料瑕疵检测装置的结构示意图。如图4所示，该装置包括：
待检测布料图像获取模块410，用于获取待检测布料图像；
待检测布料图像检测模块420，用于将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量；
瑕疵信息确定模块430，用于根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。
可选的，瑕疵信息确定模块430，包括：
候选区域确定子模块，用于根据所述热力图，确定所述待检测布料图像中的候选区域和候选区域中心点；
尺寸损失确定子模块，用于根据所述尺寸，确定尺寸损失；
偏移损失确定子模块，用于根据所述偏移量，确定中心偏移损失和角偏移损失；
瑕疵区域确定子模块，用于在所述候选区域叠加所述尺寸损失和/或角偏移损失，以及在所述候选区域中心点叠加所述中心偏移损失，确定所述待检测布料图像中的瑕疵区域。
可选的，候选区域确定子模块，具体用于：
根据所述热力图的亮度值，确定所述待检测布料图像中的候选区域和候选区域中心点。
可选的，瑕疵信息确定模块430，还包括：
输出通道确定子模块，用于确定所述热力图相对应的输出通道；
瑕疵类别确定子模块，用于基于所述输出通道，从预先确定的通道和类别关联关系中进行查找，得到与所述输出通道相关联的瑕疵类别。
可选的，所述可变形卷积神经网络模型包括热力图输出端、尺寸输出端和偏移输出端；
相应的，待检测布料图像检测模块420，具体用于：
基于所述热力图输出端得到与所述待检测布料图像相对应的热力图；以及，基于所述尺寸输出端得到与所述待检测布料图像相对应的尺寸；以及，基于所述偏移输出端得到与所述待检测布料图像相对应的偏移量。
可选的，所述可变形卷积神经网络模型以基于残差的沙漏型网络为主干。
可选的，待检测布料图像获取模块410，具体用于：
基于预先安装的拍摄设备获取布料图像；
对所述布料图像进行至少一个方格划分，得到目标布料图像；
对所述目标布料图像进行中值滤波或双边滤波，得到待检测布料图像。
本发明实施例所提供的一种布料瑕疵检测装置可执行本发明任意实施例所提供的一种布料瑕疵检测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如一种布料瑕疵检测方法。
在一些实施例中，一种布料瑕疵检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的一种布料瑕疵检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行一种布料瑕疵检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种布料瑕疵检测方法，其特征在于，包括：
获取待检测布料图像；
将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量；
根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。
2.根据权利要求1所述的方法，其特征在于，根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域，包括：
根据所述热力图，确定所述待检测布料图像中的候选区域和候选区域中心点；
根据所述尺寸，确定尺寸损失；
根据所述偏移量，确定中心偏移损失和角偏移损失；
在所述候选区域叠加所述尺寸损失和/或角偏移损失，以及在所述候选区域中心点叠加所述中心偏移损失，确定所述待检测布料图像中的瑕疵区域。
3.根据权利要求2所述的方法，其特征在于，根据所述热力图，确定所述待检测布料图像中的候选区域和候选区域中心点，包括：
根据所述热力图的亮度值，确定所述待检测布料图像中的候选区域和候选区域中心点。
4.根据权利要求1所述的方法，其特征在于，根据所述热力图，确定所述待检测布料图像中的瑕疵类别，包括：
确定所述热力图相对应的输出通道；
基于所述输出通道，从预先确定的通道和类别关联关系中进行查找，得到与所述输出通道相关联的瑕疵类别。
5.根据权利要求1所述的方法，其特征在于，所述可变形卷积神经网络模型包括热力图输出端、尺寸输出端和偏移输出端；
相应的，将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量，包括：
基于所述热力图输出端得到与所述待检测布料图像相对应的热力图；以及，基于所述尺寸输出端得到与所述待检测布料图像相对应的尺寸；以及，基于所述偏移输出端得到与所述待检测布料图像相对应的偏移量。
6.根据权利要求5所述的方法，其特征在于，所述可变形卷积神经网络模型以基于残差的沙漏型网络为主干。
7.根据权利要求1所述的方法，其特征在于，获取待检测布料图像，包括：
基于预先安装的拍摄设备获取布料图像；
对所述布料图像进行至少一个方格划分，得到目标布料图像；
对所述目标布料图像进行中值滤波或双边滤波，得到待检测布料图像。
8.一种布料瑕疵检测装置，其特征在于，包括：
待检测布料图像获取模块，用于获取待检测布料图像；
待检测布料图像检测模块，用于将所述待检测布料图像作为输入，基于预先确定的可变形卷积神经网络模型对所述待检测布料图像进行检测，得到与所述待检测布料图像相对应的热力图、尺寸和偏移量；其中，所述偏移量包括中心偏移量和角偏移量；
瑕疵信息确定模块，用于根据所述热力图、尺寸和偏移量，确定所述待检测布料图像中的瑕疵区域和瑕疵类别。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的一种布料瑕疵检测方法。
10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的一种布料瑕疵检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310573096.XA CN116309587A (zh) | 2023-05-22 | 2023-05-22 | 一种布料瑕疵检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310573096.XA CN116309587A (zh) | 2023-05-22 | 2023-05-22 | 一种布料瑕疵检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116309587A true CN116309587A (zh) | 2023-06-23 |
Family
ID=86794596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310573096.XA Pending CN116309587A (zh) | 2023-05-22 | 2023-05-22 | 一种布料瑕疵检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309587A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047516A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN111242088A (zh) * | 2020-01-22 | 2020-06-05 | 上海商汤临港智能科技有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
| CN111739001A (zh) * | 2020-06-17 | 2020-10-02 | 东华大学 | 一种基于可变形卷积的产品表面缺陷检测模型和检测方法 |
| CN112184698A (zh) * | 2020-10-19 | 2021-01-05 | 三明帝视机器人科技有限公司 | 基于辅助学习网络的竹条缺陷检测方法 |
| CN112434715A (zh) * | 2020-12-10 | 2021-03-02 | 腾讯科技（深圳）有限公司 | 基于人工智能的目标识别方法、装置及存储介质 |
| CN113643228A (zh) * | 2021-05-26 | 2021-11-12 | 四川大学 | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 |
| CN114638777A (zh) * | 2020-12-16 | 2022-06-17 | 富泰华工业（深圳）有限公司 | 图像瑕疵检测方法、装置、电子设备及介质 |
| US20230072730A1 (en) * | 2020-05-14 | 2023-03-09 | Huawei Technologies Co., Ltd. | Target detection method and apparatus |
-
2023
- 2023-05-22 CN CN202310573096.XA patent/CN116309587A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242088A (zh) * | 2020-01-22 | 2020-06-05 | 上海商汤临港智能科技有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
| CN111047516A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| US20230072730A1 (en) * | 2020-05-14 | 2023-03-09 | Huawei Technologies Co., Ltd. | Target detection method and apparatus |
| CN111739001A (zh) * | 2020-06-17 | 2020-10-02 | 东华大学 | 一种基于可变形卷积的产品表面缺陷检测模型和检测方法 |
| CN112184698A (zh) * | 2020-10-19 | 2021-01-05 | 三明帝视机器人科技有限公司 | 基于辅助学习网络的竹条缺陷检测方法 |
| CN112434715A (zh) * | 2020-12-10 | 2021-03-02 | 腾讯科技（深圳）有限公司 | 基于人工智能的目标识别方法、装置及存储介质 |
| CN114638777A (zh) * | 2020-12-16 | 2022-06-17 | 富泰华工业（深圳）有限公司 | 图像瑕疵检测方法、装置、电子设备及介质 |
| CN113643228A (zh) * | 2021-05-26 | 2021-11-12 | 四川大学 | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
| CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN117274361A (zh) | 一种物料表面积测量方法、装置、电子设备以及介质 | |
| CN117557777A (zh) | 一种样本图像确定方法、装置、电子设备以及存储介质 | |
| CN116046790B (zh) | 缺陷检测方法、装置、系统、电子设备以及存储介质 | |
| CN117372663A (zh) | 原木端面遮挡的补全方法、装置、设备及存储介质 | |
| CN116778386A (zh) | 一种六氟化硫的泄露检测方法、装置、设备及存储介质 | |
| CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
| CN116309587A (zh) | 一种布料瑕疵检测方法、装置、电子设备及存储介质 | |
| CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
| CN113205505A (zh) | 基于改进ResNeSt-RPN的绝缘子缺陷检测方法 | |
| CN118411382B (zh) | 边界点检测方法、装置、电子设备及存储介质 | |
| CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
| CN116309586A (zh) | 基于卷积神经网络的瑕疵检测方法、装置、设备及介质 | |
| CN114943769B (zh) | 一种定位方法、装置、电子设备及介质 | |
| CN118014971A (zh) | 光伏组件的表面缺陷检测方法、装置、设备及存储介质 | |
| CN116934714A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN117350995A (zh) | 一种产品缺陷检测方法、装置、设备及存储介质 | |
| CN118429299A (zh) | 道路设施智能提取方法及装置、电子设备、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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |