CN108389180A - 一种基于深度学习的织物疵点检测方法 - Google Patents
一种基于深度学习的织物疵点检测方法 Download PDFInfo
- Publication number
- CN108389180A CN108389180A CN201810052130.8A CN201810052130A CN108389180A CN 108389180 A CN108389180 A CN 108389180A CN 201810052130 A CN201810052130 A CN 201810052130A CN 108389180 A CN108389180 A CN 108389180A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- output
- pond
- detection
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的织物疵点检测方法,包含模型训练阶段和检测阶段两步:把样本库中的图像分割为图像块集合;建立六层深度神经网络,利用步骤一得到的图像块,对步骤二建立的网络的前五层进行训练,得到网络的权值;对第5层与第六层的连接权值用BP算法进行调节,期望输出等于疵点类型对应的编码;把待检测织物图像进行分割;把待检测图像块输入深度神经网络;统计该检测图像中包含的所有图像块的检测结果,并据此给出该织物的质量等级,并显示缺陷的具体坐标位置。本发明检测准确,提高了织物疵点的检测效率。
Description
技术领域
本发明涉及自动测量与控制领域,尤其涉及一种基于深度学习的织物疵点检测方法。
背景技术
传统的织物疵点检测是检验人员按照个人经验和织物评等标准对织物等级做出评定,这种方法存在检测速度低、漏检率高、检测结果受人的主观影响等诸多问题,无法满足快速、高品质的产品生产。因此,发展一种快速、准确的织物疵点自动检测方法是当前纺织或织物印刷企业的迫切需求。织物疵点自动检测是对织物质量进行控制、实现织造及验布工序自动化、无人化的关键环节。尤其是随着图像处理和人工智能技术的发展,以计算机视觉和深度学习为基础的织物自动检测逐渐得到发展与应用。本发明即是一种快速的基于视觉织物疵点智能检测方法。
现有的计算机视觉检测方法主要是以图像处理技术为基础,通过对灰度或纹理的计算,得到面积、长度、中心矩、偏心距等几何或代数特征,并据此判断是否含有疵点,有何疵点等。这种方法在高分辨率图像的处理中计算量大,且随着织物中图案的变化,为了达到理想的检测效果,具体特征必须由人根据图案来完成详细设计,不能实现完全意义上的自动化。
发明内容
为解决现有技术的不足,提供一种基于深度学习的织物疵点检测方法,这种方法效率高、结果准确。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的织物疵点检测方法,包含模型训练阶段和检测阶段两步:
模型训练阶段有如下实现步骤:
步骤一,把样本库中的图像分割为M×N的图像块集合X={x1,…,xi,…,xk},M、N为包含至少一个织物图案周期的图像块长度和宽度,k为图像块总个数;
步骤二,建立六层深度神经网络,每层描述如下:
2.1第一层为输入层,用于接受输入图像,神经元个数为M×N;
2.2第二层为卷积层,卷积核为4个大小C1×C1的滤波器,产生4组大小为L2×W2的矩阵输出,其中L2=M-C1+1,W2=N-C1+1;
2.3第三层为池化层,池化常数为2,可产生4组大小为L3×W3的矩阵输出,其中L3=L2/2,W3=W2/2;
2.4第四层为卷积层,卷积核为16个大小C2×C2的滤波器,C2可取3、5、7,可产生16组大小为L4×W4的矩阵输出,其中L4=L3-C2+1,W4=W3-C2+1;
2.5第五层为池化层,池化常数为2,可产生16组大小为L5×W5的矩阵输出,其中L5=L4/2,W5=W4/2;
2.6第六层为识别层,神经元个数为R,具体根据织物疵点种类确定。每个神经元与第五层全连接。
步骤三,利用步骤一得到的图像块,对步骤二建立的网络的前五层进行训练,得到网络的权值,计算过程为:
3.1令第一层为可见层,第二层为隐藏层,输入训练样本x1,学习率ε。初始化可见层单元v=x1,可见层和隐藏层之间的连接权重W1、可见层的偏置c和隐藏层的偏置b为随机值,训练过程如下:
Err=0;累计误差置0
For t=1:m(m为训练次数)
For j=1:k(k为图像块总个数)
计算隐藏层:
其中,隐藏层神经元的状态i为隐藏层神经元编号,σ为神经元结构函数;
根据隐藏层状态重构训练样本
P(vij=1|h)=σ((∑kWk*hk)ij+c) (2)
计算误差e=P(vij=1|h)-P(hij=1|v)
更新参数:
W1=W1(1+ε×e) (3)
b=b(1+ε×e) (4)
c=c(1+ε×e) (5)
end
若累积误差err小于规定值,则跳出循环,训练结束;
end
3.2对第二层的输出结果进行池化,池化公式为:
其中Max表示取括号里的最大值,i、j分别表示第三层的输出编号。
3.3令第三层为可见层,第四层为隐藏层,把第三层输出Y3={y3 1,…,y3 i,…,y3 k}作为训练样本,k为样本总个数;学习率ε。初始化可见层单元v=y3 1,可见层和隐藏层之间的连接权重W3、可见层的偏置c3和隐藏层的偏置b3为随机的较小数值,则训练过程与3.1一致。
3.4对第四层的输出结果进行池化,池化公式为:
其中Max表示取括号里的最大值,i、j分别表示第五层神经元的输出编号。
步骤四,对第5层与第六层的连接权值用BP算法进行调节,期望输出等于疵点类型对应的编码,计算过程为:
4.1前向计算,初始化连接权重W5、偏置c5为随机的较小数值,把步骤3.4得到的第五层输出作为输入,即X6=Y5,得出第六层神经元的输出值Y6。计算公式为:
Y6=F(X6·W5)-c5 (8)
4.2对输出层计算残差:
δ=Y6-a (9)
其中,a为期望输出值。
4.3更新权值和偏置:
W5=W5-F’(X6·W5)δ (10)
c5=c5-δ (11)
其中,F’表示函数F对连接权重W5的一阶导数。
织物检测阶段有如下实现步骤:
步骤五,把待检测织物图像分割为M×N的图像块集合S={s1,…,si,…,sp},p为待检测图像块总个数;
步骤六,把待检测图像块输入深度神经网络,得到对应的输出,无缺陷还是某种类型的缺陷,记录结果和对应的中心坐标;
步骤七,统计该检测图像中包含的所有图像块的检测结果,并据此给出该织物的质量等级,并显示缺陷的具体坐标位置。
附图说明
图1是深度神经网络结构示意图。
图2是本发明的检测流程图。
图中标记为:输入层1,卷积层2,池化层3,卷积层4,池化层5,识别层6。
具体实施方式
一种织物疵点自动检测方法包含模型训练阶段和检测阶段两步。
模型训练阶段有如下实现步骤:
步骤一,把样本库中的图像分割为16×16的图像块集合X={x1,…,x5000},即图像块长度和宽度均为16,5000为图像块总个数;
步骤二,建立六层深度神经网络,每层描述如下:
2.1第一层为输入层,用于接受输入图像,神经元个数为256;
2.2第二层为卷积层,卷积核为4个大小C1×C1的滤波器,C1取5,产生4组大小为L2×W2的矩阵输出,其中L2=12,W2=12;
2.3第三层为池化层,池化常数为2,可产生4组大小为L3×W3的矩阵输出,其中L3=6,W3=6;
2.4第四层为卷积层,卷积核为16个大小C2×C2的滤波器,C2取3,产生16组大小为L4×W4的矩阵输出,其中L4=4,W4=4;
2.5第五层为池化层,池化常数为2,可产生16组大小为L5×W5的矩阵输出,其中L5=2,W5=2;
2.6第六层为识别层,设神经元个数为R=4。每个神经元与第五层全连接。
步骤三,利用步骤一得到的图像块,对步骤二建立的网络的前五层进行训练,得到网络的权值,计算过程为:
3.1令第一层为可见层,第二层为隐藏层,输入训练样本x1,学习率ε=0.1。初始化可见层单元v=x1,可见层和隐藏层之间的连接权重W1、可见层的偏置c和隐藏层的偏置b为随机的较小数值,则训练过程如下:
Err=0;(累计误差置0)
For t=1:1000(1000为训练次数)
For j=1:5000(5000为图像块总个数)
计算隐藏层
其中,隐藏层神经元的状态i为隐藏层神经元编号,σ为神经元结构函数,这里取S型函数。
根据隐藏层状态重构训练样本
P(vij=1|h)=σ((∑kWk*hk)ij+c) (2)
计算误差e=P(vij=1|h)-P(hij=1|v)
更新参数:
W1=W1(1+ε×e) (3)
b=b(1+ε×e) (4)
c=c(1+ε×e) (5)
end
若累积误差err=9.8,小于规定值10,则跳出循环,训练结束;
end
3.2对第二层的输出结果进行池化,池化公式为:
若计算结果为则
3.3令第三层为可见层,第四层为隐藏层,把第三层输出Y3={y3 1,…,y3 i,…,y3 k}作为训练样本,k=5000为样本总个数;学习率ε=0.1。初始化可见层单元v=y3 1,可见层和隐藏层之间的连接权重W3、可见层的偏置c3和隐藏层的偏置b3为随机的较小数值,则训练过程与3.1一致。
3.4对第四层的输出结果进行池化,池化公式为:
若计算结果为则
步骤四,对第5层与第六层的连接权值用BP算法进行调节,期望输出等于疵点类型对应的编码,计算过程为:
4.1前向计算,初始化连接权重W5、偏置c5为随机的较小数值,把步骤3.4得到的第五层输出作为输入,即X6=Y5,得出第六层神经元的输出值Y6。计算公式为:
Y6=F(X6·W5)-c5 (8)
4.2对输出层计算残差:
δ=Y6-a (9)
其中,a为期望输出值。
4.3更新权值和偏置:
W5=W5-F’(X6·W5)δ (10)
c5=c5-δ (11)
其中,F’表示函数F对连接权重W5的一阶导数。
织物检测阶段有如下实现步骤:
步骤五,把待检测织物图像分割为16×16的图像块集合S={s1,…,si,…,sp},p=100为待检测图像块总个数;
步骤六,把待检测图像块输入深度神经网络,得到对应的输出,无缺陷还是某种类型的缺陷,记录结果和对应的中心坐标;
假设某一图像块经神经网络计算,输出结果为0001,则此图像块含有经疵,其中心坐标(200,300)即为经疵的位置。
步骤七,统计该检测图像中包含的所有图像块的检测结果,并据此给出该织物的质量等级,并显示缺陷的具体坐标位置。
假设织物图像质量的判定标准为:
若统计某织物图像中2个图像块含有疵点,则该织物为合格品。
参照附图:
如图1所示,深度神经网络的训练过程为:
把分割后的图像块输入到输入层;
输入层首先经过四个卷积核的运算,输入到卷积层,然后卷积层根据玻尔兹曼概率模型,反向计算输入层,最后根据对比分歧算法调整权值。经过多次循环,直至满足要求;
卷积层经过池化运算,输出到池化层3;
池化层3首先经过十六个卷积核的运算,输入到卷积层4,然后卷积层4根据玻尔兹曼概率模型,反向计算池化层3,最后根据对比分歧算法调整权值。经过多次循环,直至满足要求;
卷积层4经过池化运算,输出到池化层5;
池化层5经过权值运算,输入到识别层6。通过对比识别层6与期望值,调整连接权值。经过多次循环,直至满足要求。
如图2所示,织物疵点检测***运行流程为:1首先经过图像块分割得到2,输入到5进行训练,得到可用于识别的网络模型。检测时,首先把3分割成4,输入到5进行运算,得到6。最后通过对6进行统计与分析得到7。
Claims (1)
1.一种基于深度学习的织物疵点检测方法,包含模型训练阶段和检测阶段,其特征在于:
模型训练阶段有如下实现步骤:
步骤一,把样本库中的图像分割为M×N的图像块集合X={x1,…,xi,…,xk},M、N为包含至少一个织物图案周期的图像块长度和宽度,k为图像块总个数;
步骤二,建立六层深度神经网络,每层描述如下:
2.1第一层为输入层,用于接受输入图像,神经元个数为M×N;
2.2第二层为卷积层,卷积核为4个大小C1×C1的滤波器,产生4组大小为L2×W2的矩阵输出,其中L2=M-C1+1,W2=N-C1+1;
2.3第三层为池化层,池化常数为2,可产生4组大小为L3×W3的矩阵输出,其中L3=L2/2,W3=W2/2;
2.4第四层为卷积层,卷积核为16个大小C2×C2的滤波器,C2可取3、5、7,可产生16组大小为L4×W4的矩阵输出,其中L4=L3-C2+1,W4=W3-C2+1;
2.5第五层为池化层,池化常数为2,可产生16组大小为L5×W5的矩阵输出,其中L5=L4/2,W5=W4/2;
2.6第六层为识别层,神经元个数为R,具体根据织物疵点种类确定;每个神经元与第五层全连接;
步骤三,利用步骤一得到的图像块,对步骤二建立的网络的前五层进行训练,得到网络的权值,计算过程为:
3.1令第一层为可见层,第二层为隐藏层,输入训练样本x1,学习率ε;初始化可见层单元v=x1,可见层和隐藏层之间的连接权重W1、可见层的偏置c和隐藏层的偏置b为随机值,训练过程如下:
Err=0;累计误差置0
For t=1:m(m为训练次数)
For j=1:k(k为图像块总个数)
计算隐藏层:
其中,隐藏层神经元的状态i为隐藏层神经元编号,σ为神经元结构函数;
根据隐藏层状态重构训练样本
P(vij=1|h)=σ((∑kWk*hk)ij+c) (2)
计算误差e=P(vij=1|h)-P(hij=1|v)
更新参数:
W1=W1(1+ε×e) (3)
b=b(1+ε×e) (4)
c=c(1+ε×e) (5)
end
若累积误差err小于规定值,则跳出循环,训练结束;
end
3.2对第二层的输出结果进行池化,池化公式为:
其中Max表示取括号里的最大值,i、j分别表示第三层的输出编号;
3.3令第三层为可见层,第四层为隐藏层,把第三层输出Y3={y3 1,…,y3 i,…,y3 k}作为训练样本,k为样本总个数;学习率ε;初始化可见层单元v=y3 1,可见层和隐藏层之间的连接权重W3、可见层的偏置c3和隐藏层的偏置b3为随机的较小数值,则训练过程与3.1一致;
3.4对第四层的输出结果进行池化,池化公式为:
其中Max表示取括号里的最大值,i、j分别表示第五层神经元的输出编号;
步骤四,对第5层与第六层的连接权值用BP算法进行调节,期望输出等于疵点类型对应的编码,计算过程为:
4.1前向计算,初始化连接权重W5、偏置c5为随机的较小数值,把步骤3.4得到的第五层输出作为输入,即X6=Y5,得出第六层神经元的输出值Y6;计算公式为:
Y6=F(X6·W5)-c5 (8)
4.2对输出层计算残差:
δ=Y6-a (9)
其中,a为期望输出值;
4.3更新权值和偏置:
W5=W5-F’(X6·W5)δ (10)
c5=c5-δ (11)
其中,F’表示函数F对连接权重W5的一阶导数;
织物检测阶段有如下实现步骤:
步骤五,把待检测织物图像分割为M×N的图像块集合S={s1,…,si,…,sp},p为待检测图像块总个数;
步骤六,把待检测图像块输入深度神经网络,得到对应的输出,无缺陷还是某种类型的缺陷,记录结果和对应的中心坐标;
步骤七,统计该检测图像中包含的所有图像块的检测结果,并据此给出该织物的质量等级,并显示缺陷的具体坐标位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810052130.8A CN108389180A (zh) | 2018-01-19 | 2018-01-19 | 一种基于深度学习的织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810052130.8A CN108389180A (zh) | 2018-01-19 | 2018-01-19 | 一种基于深度学习的织物疵点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108389180A true CN108389180A (zh) | 2018-08-10 |
Family
ID=63077317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810052130.8A Pending CN108389180A (zh) | 2018-01-19 | 2018-01-19 | 一种基于深度学习的织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389180A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242846A (zh) * | 2018-09-05 | 2019-01-18 | 深圳灵图慧视科技有限公司 | 用于织物表面缺陷检测的方法、装置和设备 |
CN109407630A (zh) * | 2018-09-21 | 2019-03-01 | 中兴新通讯有限公司 | 参数计算的方法、装置、终端及可读存储介质 |
CN109509172A (zh) * | 2018-09-25 | 2019-03-22 | 无锡动视宫原科技有限公司 | 一种基于深度学习的液晶屏瑕疵检测方法及*** |
CN109543733A (zh) * | 2018-11-11 | 2019-03-29 | 东华大学 | 一种基于云平台的色织面料快速生产方法 |
CN109580629A (zh) * | 2018-08-24 | 2019-04-05 | 绍兴文理学院 | 曲轴止推片智能检测方法及*** |
CN109613006A (zh) * | 2018-12-22 | 2019-04-12 | 中原工学院 | 一种基于端到端神经网络的织物疵点检测方法 |
CN109829914A (zh) * | 2019-02-26 | 2019-05-31 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN110288013A (zh) * | 2019-06-20 | 2019-09-27 | 杭州电子科技大学 | 一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法 |
CN110310277A (zh) * | 2019-07-05 | 2019-10-08 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN112215791A (zh) * | 2019-07-12 | 2021-01-12 | 宝洁公司 | 一种提供纺织品信息和将其可视化的***及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751472A (zh) * | 2015-04-10 | 2015-07-01 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
-
2018
- 2018-01-19 CN CN201810052130.8A patent/CN108389180A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751472A (zh) * | 2015-04-10 | 2015-07-01 | 浙江工业大学 | 基于b样条小波和深度神经网络的织物疵点检测方法 |
Non-Patent Citations (1)
Title |
---|
李梦园: "《深度学习算法在表面缺陷识别中的应用研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580629A (zh) * | 2018-08-24 | 2019-04-05 | 绍兴文理学院 | 曲轴止推片智能检测方法及*** |
CN109242846A (zh) * | 2018-09-05 | 2019-01-18 | 深圳灵图慧视科技有限公司 | 用于织物表面缺陷检测的方法、装置和设备 |
CN109407630B (zh) * | 2018-09-21 | 2020-08-21 | 深圳新视智科技术有限公司 | 参数计算的方法、装置、终端及可读存储介质 |
CN109407630A (zh) * | 2018-09-21 | 2019-03-01 | 中兴新通讯有限公司 | 参数计算的方法、装置、终端及可读存储介质 |
CN109509172A (zh) * | 2018-09-25 | 2019-03-22 | 无锡动视宫原科技有限公司 | 一种基于深度学习的液晶屏瑕疵检测方法及*** |
CN109543733A (zh) * | 2018-11-11 | 2019-03-29 | 东华大学 | 一种基于云平台的色织面料快速生产方法 |
CN109613006A (zh) * | 2018-12-22 | 2019-04-12 | 中原工学院 | 一种基于端到端神经网络的织物疵点检测方法 |
CN109829914A (zh) * | 2019-02-26 | 2019-05-31 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN109829914B (zh) * | 2019-02-26 | 2021-09-03 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN110288013A (zh) * | 2019-06-20 | 2019-09-27 | 杭州电子科技大学 | 一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法 |
CN110310277A (zh) * | 2019-07-05 | 2019-10-08 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN110310277B (zh) * | 2019-07-05 | 2020-07-24 | 中原工学院 | 基于深度特征和ntv-rpca的织物疵点检测方法 |
CN112215791A (zh) * | 2019-07-12 | 2021-01-12 | 宝洁公司 | 一种提供纺织品信息和将其可视化的***及方法 |
WO2021008464A1 (en) * | 2019-07-12 | 2021-01-21 | The Procter & Gamble Company | System and method for providing textile information and visualizing same |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389180A (zh) | 一种基于深度学习的织物疵点检测方法 | |
US20210174149A1 (en) | Feature fusion and dense connection-based method for infrared plane object detection | |
CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
CN106951840A (zh) | 一种人脸特征点检测方法 | |
CN107229914B (zh) | 一种基于深度q学习策略的手写数字识别方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
CN108664947A (zh) | 一种基于表情识别的疲劳驾驶预警方法 | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN109064459A (zh) | 一种基于深度学习的布匹瑕疵检测方法 | |
CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN105139004A (zh) | 基于视频序列的人脸表情识别方法 | |
CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
CN108647643A (zh) | 一种基于深度学习的填料塔液泛状态在线辨识方法 | |
CN110309010B (zh) | 用于电力设备相位分辩的局放网络训练方法及装置 | |
CN110490158A (zh) | 一种基于多级模型的鲁棒人脸对齐方法 | |
CN106096551A (zh) | 人脸部位识别的方法和装置 | |
CN109816002B (zh) | 基于特征自迁移的单一稀疏自编码器弱小目标检测方法 | |
Shuai et al. | Object detection system based on SSD algorithm | |
CN106846326A (zh) | 基于多核局部信息fcm算法的图像分割方法 | |
CN108416397A (zh) | 一种基于ResNet-GCN网络的图像情感分类方法 | |
CN109376787A (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN110348350A (zh) | 一种基于面部表情的驾驶员状态检测方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN107247954A (zh) | 一种基于深度神经网络的图像离群点检测方法 | |
CN109816048A (zh) | 一种基于属性迁移的图像合成方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |
|
RJ01 | Rejection of invention patent application after publication |