CN116818799A - 一种基于机器视觉检测技术的智能验布方法及装置 - Google Patents

一种基于机器视觉检测技术的智能验布方法及装置 Download PDF

Info

Publication number
CN116818799A
CN116818799A CN202310734718.2A CN202310734718A CN116818799A CN 116818799 A CN116818799 A CN 116818799A CN 202310734718 A CN202310734718 A CN 202310734718A CN 116818799 A CN116818799 A CN 116818799A
Authority
CN
China
Prior art keywords
cloth
defect
image
layer
neural network
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
CN202310734718.2A
Other languages
English (en)
Inventor
钟志宏
谢华焯
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.)
Guangzhou Polinked Technology Co ltd
Original Assignee
Guangzhou Polinked Technology Co ltd
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 Guangzhou Polinked Technology Co ltd filed Critical Guangzhou Polinked Technology Co ltd
Priority to CN202310734718.2A priority Critical patent/CN116818799A/zh
Publication of CN116818799A publication Critical patent/CN116818799A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06V10/70—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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种基于机器视觉检测技术的智能验布方法及装置，通过设置CCD工业摄像机矩阵，并在每个CCD工业摄像机上设置有定位模块，当检测出缺陷图像时，获取该缺陷图像的定位信息，从而实现对布料出现瑕疵的位置进行定位的效果，同时，通过构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因，能够准确对出现瑕疵的原因进行分析，从而有效解决现有技术所存在的对于布料出现瑕疵的位置和原因并不能进行定位和分析的缺陷。

Description

一种基于机器视觉检测技术的智能验布方法及装置
技术领域
本发明涉及智能验布技术领域，尤其涉及一种基于机器视觉检测技术的智能验布方法及装置。
背景技术
现有技术中，为了进行工业异常检测，例如布料质检，通常基于大量正样本布料图像进行模型训练，在进行布料检测时，利用训练好的模型，获取待检测布料图像与样本布料图像之间的差异，当差异超过阈值时，则判定该待检测布料为瑕疵布料，然而，现有的布料检测方法只能够简单识别出瑕疵布料，对于布料出现瑕疵的位置和原因并不能准确进行定位和分析。
发明内容
有鉴于此，本发明提出一种基于机器视觉检测技术的智能验布方法及装置，可以解决现有布料检测方法所存在的对于布料出现瑕疵的位置和原因并不能进行定位和分析的缺陷。
本发明的技术方案是这样实现的：
一种基于机器视觉检测技术的智能验布方法，具体包括以下步骤：
设置CCD工业摄像机矩阵，所述CCD工业摄像机矩阵用于采集布料图像信息；
在每个CCD工业摄像机上设置有定位模块，用于获取定位信息；
构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因；
将待检测的布料输送至CCD工业摄像机矩阵下进行图像采集，得到待检测的图像和每个待检测图像的定位信息；
将待检测的图像发送至第一神经网络模型中进行检测，得到存在布料缺陷的图像；
依据存在布料缺陷的图像，获取相对应的定位信息，得到布料存在瑕疵的位置；
将存在布料缺陷的图像发送至第二神经网络模型中进行分析，得到布料缺陷分析结果，从而实现智能验布的效果。
作为所述基于机器视觉检测技术的智能验布方法的进一步可选方案，所述将待检测的图像发送至第一神经网络模型中进行检测，得到存在布料缺陷的图像，具体包括：
将待检测的图像输入到第一神经网络模型的图像输入层，并依此经过第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层至分类输出层，以得到布匹缺陷检测结果，所述分类识别为对存在布料缺陷的图像按照预设分类进行识别。
作为所述基于机器视觉检测技术的智能验布方法的进一步可选方案，所述将存在布料缺陷的图像发送至第二神经网络模型中进行分析，得到布料缺陷分析结果，具体包括：
获取布料缺陷图像库，所述布料缺陷图像库包括各个种类的布料缺陷图像；
针对每个存在布料缺陷的图像，将所述存在布料缺陷的图像和各个种类的缺陷图像输入预设的第二神经网络模型，获取所述存在布料缺陷的图像的缺陷信息；
根据每个存在布料缺陷的图像的缺陷信息以及对应的定位信息，生成布料缺陷分析结果。
作为所述基于机器视觉检测技术的智能验布方法的进一步可选方案，所述预设的第二神经网络模型获取所述存在布料缺陷的图像的缺陷信息，具体包括：
提取所述存在布料缺陷的图像的特征信息；
提取各个种类的缺陷图像的特征信息；
将所述存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，确定所述存在布料缺陷的图像属于各个缺陷种类的概率；
确定所述概率中的最大概率，将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
一种基于机器视觉检测技术的智能验布装置，包括：
第一设置模块，用于设置CCD工业摄像机矩阵，所述CCD工业摄像机矩阵用于采集布料图像信息；
第二设置模块，用于在每个CCD工业摄像机上设置有定位模块，用于获取定位信息；
构建模块，用于构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因；
输送模块，用于将待检测的布料输送至CCD工业摄像机矩阵下进行图像采集，得到待检测的图像和每个待检测图像的定位信息；
第一神经网络模型，用于对待检测的图像进行检测，得到存在布料缺陷的图像；
定位信息获取模块，用于依据存在布料缺陷的图像，获取相对应的定位信息，得到布料存在瑕疵的位置；
第二神经网络模型，用于对存在布料缺陷的图像进行分析，得到布料缺陷分析结果。
作为所述基于机器视觉检测技术的智能验布装置的进一步可选方案，所述第一神经网络模型包括图像输入层、第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层和分类输出层。
作为所述基于机器视觉检测技术的智能验布装置的进一步可选方案，所述第二神经网络模型包括：
获取模块，用于获取布料缺陷图像库，所述布料缺陷图像库包括各个种类的布料缺陷图像；
处理模块，用于针对每个存在布料缺陷的图像，将所述存在布料缺陷的图像和各个种类的缺陷图像，获取所述存在布料缺陷的图像的缺陷信息；
生成模块，用于根据每个存在布料缺陷的图像的缺陷信息以及对应的定位信息，生成布料缺陷分析结果。
作为所述基于机器视觉检测技术的智能验布装置的进一步可选方案，所述处理模块包括：
第一提取模块，用于提取所述存在布料缺陷的图像的特征信息；
第二提取模块，用于提取各个种类的缺陷图像的特征信息；
对比模块，用于将所述存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，确定所述存在布料缺陷的图像属于各个缺陷种类的概率；
确定模块，用于确定所述概率中的最大概率，将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
本发明的有益效果是：通过设置CCD工业摄像机矩阵，并在每个CCD工业摄像机上设置有定位模块，当检测出缺陷图像时，获取该缺陷图像的定位信息，从而实现对布料出现瑕疵的位置进行定位的效果，同时，通过构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因，能够准确对出现瑕疵的原因进行分析，从而有效解决现有技术所存在的对于布料出现瑕疵的位置和原因并不能进行定位和分析的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明一种基于机器视觉检测技术的智能验布方法的流程示意图；
图2为本发明一种基于机器视觉检测技术的智能验布系统的组成示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
参考图1-2，一种基于机器视觉检测技术的智能验布方法，具体包括以下步骤：
设置CCD工业摄像机矩阵，所述CCD工业摄像机矩阵用于采集布料图像信息；
在每个CCD工业摄像机上设置有定位模块，用于获取定位信息；
构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因；
将待检测的布料输送至CCD工业摄像机矩阵下进行图像采集，得到待检测的图像和每个待检测图像的定位信息；
将待检测的图像发送至第一神经网络模型中进行检测，得到存在布料缺陷的图像；
依据存在布料缺陷的图像，获取相对应的定位信息，得到布料存在瑕疵的位置；
将存在布料缺陷的图像发送至第二神经网络模型中进行分析，得到布料缺陷分析结果，从而实现智能验布的效果。
在本实施例中，通过设置CCD工业摄像机矩阵，并在每个CCD工业摄像机上设置有定位模块，当检测出缺陷图像时，获取该缺陷图像的定位信息，从而实现对布料出现瑕疵的位置进行定位的效果，同时，通过构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因，能够准确对出现瑕疵的原因进行分析，从而有效解决现有技术所存在的对于布料出现瑕疵的位置和原因并不能进行定位和分析的缺陷。
优选的，所述将待检测的图像发送至第一神经网络模型中进行检测，得到存在布料缺陷的图像，具体包括：
将待检测的图像输入到第一神经网络模型的图像输入层，并依此经过第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层至分类输出层，以得到布匹缺陷检测结果，所述分类识别为对存在布料缺陷的图像按照预设分类进行识别。
优选的，所述将存在布料缺陷的图像发送至第二神经网络模型中进行分析，得到布料缺陷分析结果，具体包括：
获取布料缺陷图像库，所述布料缺陷图像库包括各个种类的布料缺陷图像；
针对每个存在布料缺陷的图像，将所述存在布料缺陷的图像和各个种类的缺陷图像输入预设的第二神经网络模型，获取所述存在布料缺陷的图像的缺陷信息；
根据每个存在布料缺陷的图像的缺陷信息以及对应的定位信息，生成布料缺陷分析结果。
优选的，所述预设的第二神经网络模型获取所述存在布料缺陷的图像的缺陷信息，具体包括：
提取所述存在布料缺陷的图像的特征信息；
提取各个种类的缺陷图像的特征信息；
将所述存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，确定所述存在布料缺陷的图像属于各个缺陷种类的概率；
确定所述概率中的最大概率，将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
在本实施例中，通过将存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，从而确定存在布料缺陷的图像属于各个缺陷种类的概率，并依据所述概率中的最大概率确定为所述检测图像的缺陷种类，能够提高缺陷原因分析的准确率。
一种基于机器视觉检测技术的智能验布装置，包括：
第一设置模块，用于设置CCD工业摄像机矩阵，所述CCD工业摄像机矩阵用于采集布料图像信息；
第二设置模块，用于在每个CCD工业摄像机上设置有定位模块，用于获取定位信息；
构建模块，用于构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因；
输送模块，用于将待检测的布料输送至CCD工业摄像机矩阵下进行图像采集，得到待检测的图像和每个待检测图像的定位信息；
第一神经网络模型，用于对待检测的图像进行检测，得到存在布料缺陷的图像；
定位信息获取模块，用于依据存在布料缺陷的图像，获取相对应的定位信息，得到布料存在瑕疵的位置；
第二神经网络模型，用于对存在布料缺陷的图像进行分析，得到布料缺陷分析结果。
在本实施例中，通过设置CCD工业摄像机矩阵，并在每个CCD工业摄像机上设置有定位模块，当检测出缺陷图像时，获取该缺陷图像的定位信息，从而实现对布料出现瑕疵的位置进行定位的效果，同时，通过构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因，能够准确对出现瑕疵的原因进行分析，从而有效解决现有技术所存在的对于布料出现瑕疵的位置和原因并不能进行定位和分析的缺陷。
优选的，所述第一神经网络模型包括图像输入层、第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层和分类输出层。
优选的，所述第二神经网络模型包括：
获取模块，用于获取布料缺陷图像库，所述布料缺陷图像库包括各个种类的布料缺陷图像；
处理模块，用于针对每个存在布料缺陷的图像，将所述存在布料缺陷的图像和各个种类的缺陷图像，获取所述存在布料缺陷的图像的缺陷信息；
生成模块，用于根据每个存在布料缺陷的图像的缺陷信息以及对应的定位信息，生成布料缺陷分析结果。
优选的，所述处理模块包括：
第一提取模块，用于提取所述存在布料缺陷的图像的特征信息；
第二提取模块，用于提取各个种类的缺陷图像的特征信息；
对比模块，用于将所述存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，确定所述存在布料缺陷的图像属于各个缺陷种类的概率；
确定模块，用于确定所述概率中的最大概率，将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
在本实施例中，通过将存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，从而确定存在布料缺陷的图像属于各个缺陷种类的概率，并依据所述概率中的最大概率确定为所述检测图像的缺陷种类，能够提高缺陷原因分析的准确率。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于机器视觉检测技术的智能验布方法，其特征在于，具体包括以下步骤：
设置CCD工业摄像机矩阵，所述CCD工业摄像机矩阵用于采集布料图像信息；
在每个CCD工业摄像机上设置有定位模块，用于获取定位信息；
构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因；
将待检测的布料输送至CCD工业摄像机矩阵下进行图像采集，得到待检测的图像和每个待检测图像的定位信息；
将待检测的图像发送至第一神经网络模型中进行检测，得到存在布料缺陷的图像；
依据存在布料缺陷的图像，获取相对应的定位信息，得到布料存在瑕疵的位置；
将存在布料缺陷的图像发送至第二神经网络模型中进行分析，得到布料缺陷分析结果，从而实现智能验布的效果。
2.根据权利要求1所述的一种基于机器视觉检测技术的智能验布方法，其特征在于，所述将待检测的图像发送至第一神经网络模型中进行检测，得到存在布料缺陷的图像，具体包括：
将待检测的图像输入到第一神经网络模型的图像输入层，并依此经过第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层至分类输出层，以得到布匹缺陷检测结果，所述分类识别为对存在布料缺陷的图像按照预设分类进行识别。
3.根据权利要求2所述的一种基于机器视觉检测技术的智能验布方法，其特征在于，所述将存在布料缺陷的图像发送至第二神经网络模型中进行分析，得到布料缺陷分析结果，具体包括：
获取布料缺陷图像库，所述布料缺陷图像库包括各个种类的布料缺陷图像；
针对每个存在布料缺陷的图像，将所述存在布料缺陷的图像和各个种类的缺陷图像输入预设的第二神经网络模型，获取所述存在布料缺陷的图像的缺陷信息；
根据每个存在布料缺陷的图像的缺陷信息以及对应的定位信息，生成布料缺陷分析结果。
4.根据权利要求3所述的一种基于机器视觉检测技术的智能验布方法，其特征在于，所述预设的第二神经网络模型获取所述存在布料缺陷的图像的缺陷信息，具体包括：
提取所述存在布料缺陷的图像的特征信息；
提取各个种类的缺陷图像的特征信息；
将所述存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，确定所述存在布料缺陷的图像属于各个缺陷种类的概率；
确定所述概率中的最大概率，将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
5.一种基于机器视觉检测技术的智能验布装置，其特征在于，包括：
第一设置模块，用于设置CCD工业摄像机矩阵，所述CCD工业摄像机矩阵用于采集布料图像信息；
第二设置模块，用于在每个CCD工业摄像机上设置有定位模块，用于获取定位信息；
构建模块，用于构建第一神经网络模型和第二神经网络模型，所述第一神经网络模型用于识别待检测的图像是否存在布料缺陷，所述第二神经网络模型用于识别布料缺陷的具体原因；
输送模块，用于将待检测的布料输送至CCD工业摄像机矩阵下进行图像采集，得到待检测的图像和每个待检测图像的定位信息；
第一神经网络模型，用于对待检测的图像进行检测，得到存在布料缺陷的图像；
定位信息获取模块，用于依据存在布料缺陷的图像，获取相对应的定位信息，得到布料存在瑕疵的位置；
第二神经网络模型，用于对存在布料缺陷的图像进行分析，得到布料缺陷分析结果。
6.根据权利要求5所述的一种基于机器视觉检测技术的智能验布装置，其特征在于，所述第一神经网络模型包括图像输入层、第一卷积层、第一归一化层、第一激活函数层、第一池化层、第二卷积层、第二归一化层、第二激活函数层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三归一化层、第三激活函数层、第三池化层、第一全连接层、第二全连接层和分类输出层。
7.根据权利要求6所述的一种基于机器视觉检测技术的智能验布装置，其特征在于，所述第二神经网络模型包括：
获取模块，用于获取布料缺陷图像库，所述布料缺陷图像库包括各个种类的布料缺陷图像；
处理模块，用于针对每个存在布料缺陷的图像，将所述存在布料缺陷的图像和各个种类的缺陷图像，获取所述存在布料缺陷的图像的缺陷信息；
生成模块，用于根据每个存在布料缺陷的图像的缺陷信息以及对应的定位信息，生成布料缺陷分析结果。
8.根据权利要求7所述的一种基于机器视觉检测技术的智能验布装置，其特征在于，所述处理模块包括：
第一提取模块，用于提取所述存在布料缺陷的图像的特征信息；
第二提取模块，用于提取各个种类的缺陷图像的特征信息；
对比模块，用于将所述存在布料缺陷的图像的特征信息与各个种类的缺陷图像的特征信息进行比对，确定所述存在布料缺陷的图像属于各个缺陷种类的概率；
确定模块，用于确定所述概率中的最大概率，将所述最大概率对应的缺陷种类确定为所述检测图像的缺陷种类。
CN202310734718.2A 2023-06-20 2023-06-20 一种基于机器视觉检测技术的智能验布方法及装置 Pending CN116818799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310734718.2A CN116818799A (zh) 2023-06-20 2023-06-20 一种基于机器视觉检测技术的智能验布方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310734718.2A CN116818799A (zh) 2023-06-20 2023-06-20 一种基于机器视觉检测技术的智能验布方法及装置

Publications (1)

Publication Number Publication Date
CN116818799A true CN116818799A (zh) 2023-09-29

Family

ID=88117853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310734718.2A Pending CN116818799A (zh) 2023-06-20 2023-06-20 一种基于机器视觉检测技术的智能验布方法及装置

Country Status (1)

Country Link
CN (1) CN116818799A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101063660A (zh) * 2007-01-30 2007-10-31 蹇木伟 一种纺织品缺陷检测方法及其装置
CN109977808A (zh) * 2019-03-11 2019-07-05 北京工业大学 一种晶圆表面缺陷模式检测与分析方法
CN111007073A (zh) * 2019-12-23 2020-04-14 华中科技大学 一种増材制造过程中零件缺陷在线检测的方法及检测系统
CN111652870A (zh) * 2020-06-02 2020-09-11 集美大学诚毅学院 一种布匹缺陷检测方法、装置、存储介质及电子设备
CN112129771A (zh) * 2020-08-10 2020-12-25 苏州巨细智能科技有限公司 基于5g的布匹瑕疵检测方法及系统
CN112184711A (zh) * 2020-11-05 2021-01-05 杭州青枭科技有限公司 一种光伏组件缺陷检测和定位方法及系统
CN114037645A (zh) * 2020-07-20 2022-02-11 耿晋 极片的涂布缺陷检测方法、装置、电子设备及可读介质
CN115290662A (zh) * 2022-09-29 2022-11-04 南京原觉信息科技有限公司 一种多目视觉表面缺陷检测系统及其检测方法
CN116228661A (zh) * 2022-12-30 2023-06-06 南京邮电大学 布匹瑕疵在线检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101063660A (zh) * 2007-01-30 2007-10-31 蹇木伟 一种纺织品缺陷检测方法及其装置
CN109977808A (zh) * 2019-03-11 2019-07-05 北京工业大学 一种晶圆表面缺陷模式检测与分析方法
CN111007073A (zh) * 2019-12-23 2020-04-14 华中科技大学 一种増材制造过程中零件缺陷在线检测的方法及检测系统
CN111652870A (zh) * 2020-06-02 2020-09-11 集美大学诚毅学院 一种布匹缺陷检测方法、装置、存储介质及电子设备
CN114037645A (zh) * 2020-07-20 2022-02-11 耿晋 极片的涂布缺陷检测方法、装置、电子设备及可读介质
CN112129771A (zh) * 2020-08-10 2020-12-25 苏州巨细智能科技有限公司 基于5g的布匹瑕疵检测方法及系统
CN112184711A (zh) * 2020-11-05 2021-01-05 杭州青枭科技有限公司 一种光伏组件缺陷检测和定位方法及系统
CN115290662A (zh) * 2022-09-29 2022-11-04 南京原觉信息科技有限公司 一种多目视觉表面缺陷检测系统及其检测方法
CN116228661A (zh) * 2022-12-30 2023-06-06 南京邮电大学 布匹瑕疵在线检测方法及系统

Similar Documents

Publication Publication Date Title
CN106251333B (zh) 元件反件检测方法和系统
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
WO2017181723A1 (zh) 细纱断裂的检测方法和系统
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN116563641A (zh) 一种基于小目标检测的表面缺陷识别方法及系统
CN112837308A (zh) 一种建筑裂缝检测方法、装置、设备及存储介质
CN117152152B (zh) 检测试剂盒的生产管理系统及方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN117542301A (zh) 一种显示屏的检测方法及系统
CN115170501A (zh) 缺陷检测方法、系统、电子设备及存储介质
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN115689998A (zh) 一种汽车轴承套圈用多通道自动探伤系统
CN118014949A (zh) 一种x射线图像质量评估系统、方法和训练方法
CN114596243A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN110070520B (zh) 基于深度神经网络的路面裂缝检测模型构建及检测方法
CN116818799A (zh) 一种基于机器视觉检测技术的智能验布方法及装置
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
CN112927222B (zh) 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法
CN110189301B (zh) 一种发电机定子铁心钢片叠装平台的异物检测方法
CN115511821A (zh) 管道缺陷识别方法、装置、电子设备及存储介质
CN112967223A (zh) 一种基于人工智能的纺织品检测系统、方法及介质
CN112508946A (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN115424189B (zh) 一种可对象状态识别防漏检的图像识别系统及方法
CN113689432B (zh) 识别特殊点状类缺陷的检测方法

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