CN102331425A - 基于缺陷增强的纺织品缺陷检测方法 - Google Patents
基于缺陷增强的纺织品缺陷检测方法 Download PDFInfo
- Publication number
- CN102331425A CN102331425A CN201110177395A CN201110177395A CN102331425A CN 102331425 A CN102331425 A CN 102331425A CN 201110177395 A CN201110177395 A CN 201110177395A CN 201110177395 A CN201110177395 A CN 201110177395A CN 102331425 A CN102331425 A CN 102331425A
- Authority
- CN
- China
- Prior art keywords
- textile
- defect
- defective
- pixel
- similarity
- 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.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于缺陷增强的纺织品缺陷检测方法,其特征是:利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分,分别得到缺陷样本和无缺陷样本,完成图像采集;对采集的图像利用局部模式间的相似性来进行增强,在主分量空间度量模式相似性不仅能消除一部分噪声而且能更精确的度量模式的相似性,从而更好的保持纺织品图像的纹理信息;对增强后的纺织品图像进行三层Haar小波分解,在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割,输出分割结果,最终完成缺陷检测。本发明方法能很好地保持纺织品图像的纹理信息,突显缺陷部分和非缺陷部分的差异,从而提高检测正确率。
Description
技术领域
本发明涉及一种纺织品缺陷检测方法,特别是应用于用数字图像处理技术对由机器故障和纱线问题引起的缺陷的检测。
背景技术
缺陷检测是纺织品工业生产的关键环节。在纺织工业中,纺织品缺陷有50多种,大多数缺陷是由机器故障和纱线问题引起的,这类缺陷可分为污纱、蛛网、断经、并纬、稀弄和松纱六种缺陷。人工方式的纺织品缺陷检测效果严重依赖于检测者的主观经验、注意力和判断力。在现代纺织品工业生产中,纺织品缺陷自动检测正在逐步取代人工检测。
已有的基于数字图像处理和模式识别的纺织品缺陷自动检测技术通常分为两个部分:学习部分和检测部分。首先,对无缺陷训练样本及缺陷训练样本进行学习,获取先验知识,得到基准向量。然后,根据基准向量与测试样本之间的相似程度进行样本分类,实现纺织品缺陷检测。具体的学习和检测过程通常包括:图像采集、图像分析、特征值提取和缺陷检测。在运用图像处理技术对纺织品进行自动检测时,由于图像样本获取过程中受到噪声及织物本身材质的影响,样本的纹理结构模糊不清,不利于图像特征的提取,使得已有的检测方法检测率低。所以有必要对纺织品图像的缺陷进行增强,达到减小噪声影响,提高检测率的目的。
在近十年里,图像的纹理增强受到了广泛关注,可分为图像对比度增强和图像结构增强。图像对比度增强主要是扩展图像的直方图分布。常用的方法有直方图均衡化、梯度算法、基于提升小波的纹理增强方法等等。这些方法拉伸了图像的灰度直方图分布,增强了图像的亮度,但对噪声的抑制能力弱,仅仅适合因亮度分布不均而导致模糊的图像的增强。图像结构的增强主要是突显图像的纹理和边缘。最新的方法有基于微分的纹理增强方法,该方法突出了边缘的纹理信息,但对噪声敏感,适合没有噪声的图像。基于多尺度形态学重构的增强方法不仅增强了对比度,还保持了相连区域的灰度级的相关性,该方法适合一些亮度分布不均的图像,不适合噪声图像。基于知觉的纹理细节增强包括三部分:Clipped Median Filter、Sober滤波和边缘对比度增强,该方法克服了梯度增强中的过增强和弱增强的缺陷。以上的增强方法是对一般纹理图像的增强,不适用于具有丰富、规则周期纹理结构的纺织品图像的增强。对这种特殊图像的增强方法有多尺度纹理增强和基于离散高斯滤波器的纺织品图像增强方法。前者是由Joachim Weickert于1995年提出的,主要是把各向异性扩散的方法进行了改进,然后运用到纺织品图像中,该方法保持了图像纹理的连续性。后者是包晓敏于2005年提出的,该方法在去除噪声的同时平滑了图像的纹理。纺织品图像的纹理结构复杂,以上两种方法都很难保持纺织品图像的纹理信息。
发明内容
本发明是为避免上述现有技术所存在的不足之处,提出一种基于缺陷增强的纺织品缺陷检测方法。以提高抗噪能力、能很好地保持纺织品图像的纹理信息,突显缺陷部分和非缺陷部分的差异,便于缺陷检测部分的正确分割,从而提高检测正确率。
本发明解决技术问题采用如下技术方案:
本发明基于缺陷增强的纺织品缺陷检测方法的特点是按如下过程进行:
a、图像采集:利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分,分别得到缺陷样本和无缺陷样本;
b、缺陷增强:利用邻域像素点的加权值来表示中心像素点,消除成像过程中产生的噪声;权值w(i,j)由中心像素点i与它的邻域像素点j的相似性决定;像素点i和像素点j的相似性取决于邻域特征向量v(Ni)和v(Nj)的相似程度;所述邻域像素点是指以像素点i为中心的搜索窗Si内的像素点j,Ni是指以像素点i为中心的以相似窗为大小的邻域像素块;所述缺陷增强是按以下方式进行的:
首先将邻域特征向量v(Ni)投影到主分量空间得到新的特征向量v[d](Ni),在所述主分量空间运用欧式距离按式(1)度量纹理的相似程度,再根据纹理的相似程度按式(2)计算权值,最后对像素v(i)的邻域像素v(j)按式(3)进行加权得到增强后像素值μ(i),对图像v的所有像素点分别按上述方法进行增强后得到增强后的纺织品图像μ;
||v[d](Ni)-v[d](Nj)|| (1)
式(2)中 i=1、2......k
其中的h为衰减指数,k为图像的像素点个数;
c、缺陷检测:对增强后的纺织品图像进行小波变换,在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割,输出分割结果,最终完成缺陷检测。
本发明基于缺陷增强的纺织品缺陷检测方法的特点也在于:
所述步骤b中的缺陷增强是将邻域特征向量投影到主分量空间,选择前d个分量计算相似度,d值取为6、7......49;衰减指数h取为0.5δ2,δ2为噪声方差;按像素点计搜索窗取为21×21,相似窗取为7×7。
所述步骤b中的加权模型是采用最近邻加权模型,所述加权模型是一种把搜索窗中所有像素点的最大权值赋给中心像素点的权值的加权形式。
所述步骤c中对增强后的纺织品图像进行小波变换的小波函数采用Haar小波,并对所述增强后的纺织品图像进行三层小波分解。
与已有技术相比,本发明有益效果体现在:
1、本发明中在进行检测前首先对纺织品图像进行了缺陷增强,消除了成像***和织物本身的噪声影响,突显缺陷部分和非缺陷部分的差异,便于缺陷部分的正确分割,从而提高检测正确率。
2、本发明采用了一种新的缺陷增强算法,利用局部模式间的相似性对纺织品图像样本进行增强。在主分量空间度量模式相似性不仅能消除一部分噪声而且能更精确的度量模式的相似性,从而更好的保持纺织品图像的纹理信息。
3、纺织品图像具有周期性的纹理结构,缺陷的产生使得局部的纹理发生了扭曲。本发明中小波变换可以在不同的尺度和方向上有效的区别这种扭曲的纹理,更好的分割出缺陷部分。
附图说明
图1为本发明方法示意图;
图2为本发明方法中缺陷增强原理图;
图3为本发明方法中缺陷检测原理图。
具体实施方式
本实施例应用数字图像处理技术对由机器故障或纱线问题所引起的纺织品的缺陷进行检测,过程如下:
参见图1,图像采集:利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分,分别得到缺陷样本和无缺陷样本;
参见图1、图2,缺陷增强是利用邻域像素点的加权值来表示中心像素点,消除加性噪声;权值w(i,j)由中心像素点i与它的邻域像素点j的相似性决定;像素点i和像素点j的相似性取决于邻域特征向量v(Ni)和v(Nj)的相似程度;邻域像素点是指以像素点i为中心的搜索窗Si内的像素点j,Ni是指以像素点i为中心的以相似窗为大小的邻域像素块;缺陷增强是按以下方式进行的:
首先将邻域特征向量v(Ni)投影到主分量空间得到新的特征向量v[d](Ni),在主分量空间运用欧式距离按式(1)度量纹理的相似程度,再根据纹理的相似程度按式(2)计算权值,最后对像素v(i)的邻域像素v(j)按式(3)进行加权得到增强后像素值μ(i),对图像v的所有像素点分别按上述方法进行增强后得到增强后的纺织品图像μ;
||v[d](Ni)-v[d](Nj)|| (1)
式(2)中 i=1、2......k
其中的h为衰减指数,k为图像的像素点个数;
本实施例中将邻域特征向量投影到主分量空间,选择前d个分量计算相似度,d值取为6、7......49;按像素点计搜索窗取为21×21,相似窗取为7×7,衰减指数h取为0.5δ2,δ2为噪声方差;加权模型是采用最近邻加权模型,最近邻加权模型是一种把搜索窗中所有像素点的最大权值赋给中心像素点的权值的加权形式。
由于纺织品的自动检测成像***中获取的纺织品图像受到噪声、织物材质以及细小绒线等的干扰,严重影响了检测结果。本实施例中通过缺陷增强可以去除图像中由以上因素引起的干扰,恢复纺织品固有的组织纹理信息,同时突显缺陷部分和非缺陷部分的差异。纺织品图像具有规则周期的纹理信息,存在大量的具有相似模式的像素块,本实施例利用这些局部模式的相似性来恢复纹理信息,充分利用了纺织品图像的结构特征。
由于纺织品图像受到噪声及其结构复杂性的影响,各邻域特征向量之间是不独立的,而运用欧式距离计算相似程度的假设条件是各邻域特征向量相互独立,因此,在像素空间增强纺织品图像存在以下两点缺陷:1、不能精确度量模式相似性。2、相似度的抗噪声能力弱。主分量分析是一种典型的统计分析方法,把噪声图像分解为图像信息分量和噪声分量,并去除了各分量间的相关性。本实施例中,在主分量空间可以更精确的度量模式相似性,以提高抗噪能力、很好地保持纺织品图像的纹理信息,从而达到突显纺织品图像缺陷区域的目的。主分量空间的维数d可以通过缺陷样本和非缺陷样本间可分离性的分析来选择调整,从而使缺陷增强的结果最大化缺陷与非缺陷间的可分离性,进一步提高缺陷检测的准确率。具体的实施方式为d值取为6、7......49,分别得到类可分离性结果,最好的类可分离性所对应的d值就是最终的取值。
参见图1、图3,缺陷检测是对增强后的纺织品图像进行小波变换,在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割,输出分割结果,最终完成缺陷检测。
本实施例中对增强后的纺织品图像进行小波变换的小波函数采用Haar小波,并对增强后的纺织品图像进行三层小波分解。
为了得到各类缺陷的能量分布最大的小波子带1~N和各类缺陷的分割阈值,对N类缺陷训练样本进行学习,获取先验知识。由于每一类缺陷图像都会在某一个小波子带上的能量分布最大,在其他子带上的能量分布可以忽略。所以对测试样本图像进行小波变换,并在1~N个小波小波子带上分割,总会有一种小波子带适合样本图像。对1~N个分割结果合成,最终输出检测结果。
Claims (4)
1.基于缺陷增强的纺织品缺陷检测方法,其特征是按如下过程进行:
a、图像采集:利用CCD摄像机采集纺织品的各种类型的缺陷部分和非缺陷部分,分别得到缺陷样本和无缺陷样本;
b、缺陷增强:利用邻域像素点的加权值来表示中心像素点,消除成像过程中产生的噪声;权值w(i,j)由中心像素点i与它的邻域像素点j的相似性决定;像素点i和像素点j的相似性取决于邻域特征向量v(Ni)和v(Nj)的相似程度;所述邻域像素点是指以像素点i为中心的搜索窗Si内的像素点j,Ni是指以像素点i为中心的以相似窗为大小的邻域像素块;所述缺陷增强是按以下方式进行的:
首先将邻域特征向量v(Ni)投影到主分量空间得到新的特征向量v[d](Ni),在所述主分量空间运用欧式距离按式(1)度量纹理的相似程度,再根据纹理的相似程度按式(2)计算权值,最后对像素v(i)的邻域像素v(j)按式(3)进行加权得到增强后像素值μ(i),对图像v的所有像素点分别按上述方法进行增强后得到增强后的纺织品图像μ;
||v[d](Ni)-v[d](Nj)|| (1)
式(2)中 i=1、2......k
其中的h为衰减指数,k为图像的像素点个数;
c、缺陷检测:对增强后的纺织品图像进行小波变换,在缺陷能量分布最大的小波子带上运用阈值分割方法进行缺陷分割,输出分割结果,最终完成缺陷检测。
2.根据权利1所述的基于缺陷增强的纺织品缺陷检测方法,其特征是所述步骤b中的缺陷增强是将邻域特征向量投影到主分量空间,选择前d个分量计算相似度,d值取为6、7......49;衰减指数h取为0.5δ2,δ2为噪声方差;按像素点计,搜索窗取为21×21,相似窗取为7×7,。
3.根据权利1所述的基于缺陷增强的纺织品缺陷检测方法,其特征是所述步骤b中的加权模型是采用最近邻加权模型,所述加权模型是一种把搜索窗中所有像素点的最大权值赋给中心像素点的权值的加权形式。
4.根据权利1所述的的基于缺陷增强的纺织品缺陷检测方法,其特征是所述步骤c中对增强后的纺织品图像进行小波变换的小波函数采用Haar小波,并对所述增强后的纺织品图像进行三层小波分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110177395 CN102331425B (zh) | 2011-06-28 | 2011-06-28 | 基于缺陷增强的纺织品缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110177395 CN102331425B (zh) | 2011-06-28 | 2011-06-28 | 基于缺陷增强的纺织品缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102331425A true CN102331425A (zh) | 2012-01-25 |
CN102331425B CN102331425B (zh) | 2013-04-03 |
Family
ID=45483276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110177395 Expired - Fee Related CN102331425B (zh) | 2011-06-28 | 2011-06-28 | 基于缺陷增强的纺织品缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102331425B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473770A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于矩形窗口投影和奇异值分解的线性织物瑕疵检测方法 |
CN103529051A (zh) * | 2013-11-01 | 2014-01-22 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 基于局部统计特征与整体显著性分析的织物疵点检测方法 |
CN104199823A (zh) * | 2014-07-14 | 2014-12-10 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
CN104637067A (zh) * | 2015-03-18 | 2015-05-20 | 厦门麦克玛视电子信息技术有限公司 | 一种纹理表面的缺陷检测方法 |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN110298840A (zh) * | 2019-07-10 | 2019-10-01 | 哈尔滨理工大学 | 一种基于图像的纱线缺陷检测方法 |
CN114758159A (zh) * | 2022-06-13 | 2022-07-15 | 迪非液压科技江苏有限公司 | 一种液压制动器切削工艺的切削控制方法 |
CN116580446A (zh) * | 2023-07-11 | 2023-08-11 | 武汉大学人民医院(湖北省人民医院) | 一种泛血管疾病虹膜特点识别方法及*** |
CN116958182A (zh) * | 2023-09-20 | 2023-10-27 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN117132593A (zh) * | 2023-10-25 | 2023-11-28 | 济宁华晟服装股份有限公司 | 一种抗周期纹理影响的布匹粗糙度检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133472A (zh) * | 2017-11-28 | 2018-06-08 | 长乐万达纺织机械有限公司 | 纺织物缺陷检测方法及纺织物缺陷检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
-
2011
- 2011-06-28 CN CN 201110177395 patent/CN102331425B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN101216435A (zh) * | 2008-01-03 | 2008-07-09 | 东华大学 | 一种基于多分形特征参数的织物瑕疵自动检测方法 |
Non-Patent Citations (3)
Title |
---|
罗晓军: "数字图像混合噪音的几种滤波算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, 15 December 2009 (2009-12-15) * |
罗晓军等: "基于领域结构相似性的混合噪音线性滤波算法", 《计算机工程与科学》, vol. 33, no. 3, 31 March 2011 (2011-03-31) * |
蔡超等: "小波域中的双边滤波", 《电子学报》, vol. 32, no. 4, 31 January 2004 (2004-01-31) * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473770B (zh) * | 2013-09-05 | 2016-06-15 | 东华大学 | 一种基于矩形窗口投影和奇异值分解的线性织物瑕疵检测方法 |
CN103473770A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于矩形窗口投影和奇异值分解的线性织物瑕疵检测方法 |
CN103529051A (zh) * | 2013-11-01 | 2014-01-22 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN103529051B (zh) * | 2013-11-01 | 2015-08-26 | 南通大学 | 一种机织纺织品瑕疵自动在线检测方法 |
CN103729842A (zh) * | 2013-12-20 | 2014-04-16 | 中原工学院 | 基于局部统计特征与整体显著性分析的织物疵点检测方法 |
CN104199823A (zh) * | 2014-07-14 | 2014-12-10 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
CN104199823B (zh) * | 2014-07-14 | 2017-09-01 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
CN104637067A (zh) * | 2015-03-18 | 2015-05-20 | 厦门麦克玛视电子信息技术有限公司 | 一种纹理表面的缺陷检测方法 |
CN104637067B (zh) * | 2015-03-18 | 2017-06-20 | 厦门麦克玛视电子信息技术有限公司 | 一种纹理表面的缺陷检测方法 |
CN109509187B (zh) * | 2018-11-05 | 2022-12-13 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN110298840A (zh) * | 2019-07-10 | 2019-10-01 | 哈尔滨理工大学 | 一种基于图像的纱线缺陷检测方法 |
CN110298840B (zh) * | 2019-07-10 | 2021-05-18 | 哈尔滨理工大学 | 一种基于图像的纱线缺陷检测方法 |
CN114758159A (zh) * | 2022-06-13 | 2022-07-15 | 迪非液压科技江苏有限公司 | 一种液压制动器切削工艺的切削控制方法 |
CN116580446A (zh) * | 2023-07-11 | 2023-08-11 | 武汉大学人民医院(湖北省人民医院) | 一种泛血管疾病虹膜特点识别方法及*** |
CN116580446B (zh) * | 2023-07-11 | 2023-10-24 | 武汉大学人民医院(湖北省人民医院) | 一种泛血管疾病虹膜特点识别方法及*** |
CN116958182A (zh) * | 2023-09-20 | 2023-10-27 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN116958182B (zh) * | 2023-09-20 | 2023-12-08 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN117132593A (zh) * | 2023-10-25 | 2023-11-28 | 济宁华晟服装股份有限公司 | 一种抗周期纹理影响的布匹粗糙度检测方法 |
CN117132593B (zh) * | 2023-10-25 | 2024-03-26 | 济宁华晟服装股份有限公司 | 一种抗周期纹理影响的布匹粗糙度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102331425B (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102331425B (zh) | 基于缺陷增强的纺织品缺陷检测方法 | |
CN107194919B (zh) | 基于规律纹理背景重建的手机屏幕缺陷检测方法 | |
CN106303158B (zh) | 一种视频图像中的条纹异常检测方法 | |
CN102855617B (zh) | 自适应图像处理方法及*** | |
CN101527043B (zh) | 基于运动目标轮廓信息的视频对象分割方法 | |
CN103604809A (zh) | 一种图案布匹瑕疵在线视觉检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN1948603A (zh) | 一种识别机织物疵点的方法 | |
CN103281559A (zh) | 视频质量检测的方法及*** | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN103337053A (zh) | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 | |
CN107622490A (zh) | 基于机器视觉的嵌入式塑料织物质量检测装置及检测方法 | |
CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
CN106372584A (zh) | 一种视频图像马赛克检测方法 | |
CN106056608A (zh) | 一种图像点线缺陷检测方法及装置 | |
CN106341677A (zh) | 虚拟视点视频质量评价方法 | |
CN110084246A (zh) | 一种色织物疵点自动识别方法 | |
CN103778609A (zh) | 基于像素连续性判断的二值化图像和灰度图像的高效去噪声法 | |
Pan et al. | Automatic inspection of double-system-mélange yarn-dyed fabric density with color-gradient image | |
CN101976440B (zh) | 一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法 | |
CN108399614B (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
CN103926255A (zh) | 一种基于小波神经网络的布匹表面瑕疵检测方法 | |
CN116805312A (zh) | 一种基于图像处理的针织式面料质量检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130403 Termination date: 20150628 |
|
EXPY | Termination of patent right or utility model |