CN109509187B - 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 - Google Patents

一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 Download PDF

Info

Publication number
CN109509187B
CN109509187B CN201811336000.3A CN201811336000A CN109509187B CN 109509187 B CN109509187 B CN 109509187B CN 201811336000 A CN201811336000 A CN 201811336000A CN 109509187 B CN109509187 B CN 109509187B
Authority
CN
China
Prior art keywords
image
feature
model
training
test
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.)
Active
Application number
CN201811336000.3A
Other languages
English (en)
Other versions
CN109509187A (zh
Inventor
陈楚城
戴宪华
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201811336000.3A priority Critical patent/CN109509187B/zh
Publication of CN109509187A publication Critical patent/CN109509187A/zh
Application granted granted Critical
Publication of CN109509187B publication Critical patent/CN109509187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06T2207/20081—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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种针对大分辨率布匹图像中的小瑕疵的高效检验算法，包括：(1)通过摄像头采集图像，然后使用labelImg工具图像进行标注；(2)将处理后图像拆分成训练集和测试集，训练集用来训练检验模型，测试集用来评估检验模型性能；(3)将训练集图像和对应的类别信息位置信息等输入到改进的se‑resnext101检验模型中，训练检验模型；(4)采用训练后的检验模型处理测试集中的图像，获取瑕疵的大致位置和对应的类别。本发明的方法可以对单分辨率的输入图像实现多尺度特征图的处理，从而处理多尺度图像块，这样可以适应多种不同大小的瑕疵，大幅度提高检测精度和速度；同时该算法实现在图像分类框架上获取瑕疵大致位置和处理图像中存在多种瑕疵的情况。

Description

一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
技术领域
本发明涉及图像分类领域，具体涉及了一种针对大分辨率布匹图像中的小瑕疵的高效检验算法。
背景技术
早先的图像分类主要通过传统的机器学习的方法，通常分为两个部分：基于特征提取方法和基于模板匹配的方法，而基于特征提取方法主要有基于统计的方法、基于谱的方法、基于纹理模型方法、基于学习的方法和基于结构的方法。这些方法都需要人为地选择特征，同时泛化性不强。
随着深度学习的发展，特别是卷积神经网络在图像分类、图像检测和图像分割等方面的应用，所取得的效果是过往传统算法无法比拟的。但是基于深度学习的分类算法需要训练的数据集中目标区域占图像面积的比重较大，才能有较好的效果，如果图像是高分辨率图像但是分类的目标却很小，有可能分类目标只占不到图像总面积1％，那么直接使用传统的基于深度学习的分类算法进行图像分类，准确率是很低的。同时，如果图像中存在着多个类别的目标，我们也无法获取这些目标的类别信息。
发明内容
为了克服现有技术存在的不足，本发明提出了一种针对大分辨率布匹图像中的小瑕疵的高效检验算法，该方法可以对单分辨率的输入图像实现多尺度特征图的处理，从而处理多尺度图像块，这样可以有效处理多种不同大小的瑕疵，大幅度提高检测精度和速度；同时该方法可以在图像分类框架上获取瑕疵的大致区域和处理图片中存在多种瑕疵的情况。
为了实现以上目的，本发明提出的方法具体步骤如下：
(1)图像采集，利用分辨率为2560*1920的摄像头对布匹图像进行拍摄，获取相关的数据集并对图像重命名，如1.jpg，2.jpg，3.jpg，…，M.jpg等，接着将图像缩放到1024*768大小，并采用labelImg工具对拍摄的图像进行标注，获取图像中关于瑕疵的标签，瑕疵的标签包含了瑕疵在图像中左上角的坐标(x1，y1)，右下角的坐标(x2，y2)和瑕疵的类别defectN，其中N表示数字，如1，2，3，…等，特别的，如果拍摄的图像中没有瑕疵，我们不会用labelImg进行处理，只记录其类别信息norm；
(2)图像划分，将图像划分成训练集和测试集两部分，两个部分不存在相同的图像，训练集用来训练检验模型，测试集用来评估检验模型的性能；
(3)图像预处理，包括随机上下翻转、随机左右翻转和随机光照改变等，其中随机上下翻转、随机左右翻转和随机光照改变只针对训练集，特别的，当进行随机上下翻转和随机左右翻转的时候，瑕疵的坐标信息也需要做出相应的变化；
(4)训练检验模型，将经过图像预处理后的训练集中的图像和标签信息输入到检验模型中进行训练，检验模型是在se-resnext101的基础上进行改进的，使得网络可以针对单分辨率的输入图像在模型上获取多尺度特征图，通过检验模型的前向传播获取每个特征图上每个特征点的类别概率值，通过Focal Loss函数计算分类损失，利用带动量的梯度下降算法反向传播训练模型；
(5)布匹图像检验，将测试集中的图像输入到训练好的检验模型中提取特征并获取多尺度特征图上每个特征点的类别概率值；如果三张特征图中有两张及以上的特征图中所有特征点都判为norm，则认为该图像类别为norm，其他情况则认为图像中存在瑕疵；对于判别为存在瑕疵的图像，我们利用每个特征点都对应原图中的某个图像块，通过特征点的预测类别转换对应图像块的像素值获取相关的热力图，叠加多种特征图对应的热力图获得最终的热力图，由最终的热力图得到瑕疵的大致位置，对瑕疵附近的图像块取概率均值得到该瑕疵的类别，特别的，该算法可以处理图像中存在多瑕疵的情况，并得到各个瑕疵的类别和大致位置。
所述步骤(4)中训练包括基于改进的se-resnext101模型进行训练步骤、迁移学习步骤、二阶段学习速率调整步骤、卷积网络提取特征步骤、自适应调整特征权重步骤、多尺度图像块处理步骤、计算Focal Loss步骤和利用带动量的梯度下降算法反向传播训练模型步骤。
如图1和图2所示，所述步骤(4)具体为：
(4.1)将原始的se-resnext101模型最后的全局池化层代替为3个由并行的特征块全局池化层和特征块最大池化层构成的特征块池化小模块，每个小模块都是处于并行关系，每个小模块中池化层的尺寸相同但是不同模块之间的池化层的尺寸不同，另外将最后的全连接层用1个1*1大小的，步长为1的卷积操作代替，利用该改进的se-resnext101模型作为检验模型；
(4.2)使用se-resnext101模型在ImageNets图像集上训练得到的权重来初始化改进版的se-resnext101模型，即检验模型，我们只保留了除所有的偏置权重、最后的全局池化层、最后的全连接层和softmax层外的权重；
(4.3)训练模型时候采用二阶段学习速率调整网络的学习速率，即在初始阶段以某个学习速率训练包括特征块池化模块在内的模型的最后三层而保持模型其他层的权重不变，在训练若干个迭代周期(每个迭代周期遍历训练集中所有的图像)后对模型的最后三层使用一个较大的学习速率，其他层使用一个较小的学习速率，并按照一定的规律降低学习速率；
(4.4)将训练图像输入改进的se-resnext101模型中，利用卷积操作提取特征，增大特征图的感受野，同时利用原始se-resnext101模型中包含的挤压和激励子模块使得网络能够自适应调整特征权重，突出有效特征，抑制无效特征，使得特征空间和特征通道两个维度得到改善；
(4.5)对最后卷积层输出的特征图利用3个并行的特征块池化子模块，如图3所示，每个小模块中池化层的尺寸相同但是不同模块之间的池化层的尺寸不同，从而获取3种不同大小的特征图；对获取的特征图利用大小为1*1，步长为1的卷积操作，紧接着利用softmax计算出3种不同大小的特征图上每个特征点对应的类别概率值；
(4.6)由于感受野的存在，特征图上的特征点对应原图的图像块，我们根据瑕疵在图像中的位置可以获知每个图像块的真实类别，从而得到对应特征点的真实类别，根据预测的类别概率值和真实的类别信息，利用Focal Loss函数计算分类损失，最后利用带动量的梯度下降算法反向传播更新检测模型参数。
所述步骤(5)具体为：将测试图像输入到检验模型中，通过前向传播，获取感受野不断增大，分辨率不断降低的特征图，对最后的卷积层输出的特征图利用3个并行的特征块池化小模块进行处理，获取3种不同大小的特征图，对着3种不同大小的特征图进行大小为1*1，步长为1的卷积操作，最后利用softmax操作获取每个特征图上每个特征点对应的类别概率值。如果三张特征图中有两张及以上的特征图中所有特征点都判为norm，则认为该图像类别为norm，对于其他情况则认为图像中存在瑕疵。对于存在瑕疵的图像，我们将特征图中判别为norm的特征点映射回原图的图像块的像素值赋为0，对特征图中其他的特征点映射回原图的图像块的像素值赋为1，通过这种方式获得3个热力图，将3个热力图叠加获得最终的热力图，从最终的热力图获取瑕疵的大致位置，瑕疵的类别由判别为瑕疵的若干个特征点的类别概率均值决定。
与现有技术相比，本发明的有益效果是：
本发明基于改进的se-resnext101模型实现对单分辨率的输入图像实现多尺度特征图的处理，从而处理多尺度图像块，这样可以适应多种不同大小的瑕疵，大幅度提高检测精度和速度；基于分类模型的框架，不仅可以给出预测图片是否存在瑕疵，还可以针对存在瑕疵的图像给出瑕疵的大致位置及对应的类别，处理存在多种类别瑕疵的图像；利用迁移学***衡的问题，提高检验模型对难分样本的关注，提高检验模型的性能。
附图说明
图1为se-resnext101模型示意图
图2为改进版se-resnext101模型示意图
图3为特征块池化模块结构示意图
图4为se-resnext模型和改进版se-resnext101模型在测试集上二分类准确率对比图
图5为改进版se-resnext101模型在测试集中瑕疵种类识别准确率柱状图
具体实施方式
下面对本发明进行进一步说明。
本发明实施过程及实施例如下：
(1)图像采集，我们采用分辨率为2560*1920的摄像头对布匹图像进行拍摄，一共获取5000张布匹图像，并将它们重命名为1.jpg、2.jpg，…，5000.jpg，接着将图片缩放到1024*768大小，并采用labelImg工具对拍摄的图像进行标注，获取图像中关于瑕疵的标签。瑕疵的标签包含了瑕疵在图像中左上角的坐标(x1，y1)，右下角的坐标(x2，y2)和瑕疵的类别defectN，其中N∈{1，2，3，…，9}，表示数据集中一共有9种类型的瑕疵，瑕疵分别为油污、跳花、缺经、吊经、织稀、毛洞、擦洞、毛斑和扎洞，瑕疵次序与defectN中N的数字一一对应。为了方便处理，我们将labelImg处理得到的xml文件中的信息转换到txt文件中，只保存图片中瑕疵的类别和对应的位置，每张图片对应一个txt文件，且图像和txt文件的命名相同。特别的，如果拍摄的图像中没有瑕疵，我们不会用labelImg进行处理，只记录其类别信息norm，并存放在txt文件中；
(2)图像拆分，将图像划分成训练集和测试集两部分，训练集用于训练检验模型，测试集用于评估检测模型性能，其中训练集是数据集中的前4500张图像，测试集是数据集中的后500张图像；
(3)图像预处理，以训练集中的图像I为例，将图像I和对应的txt文件中的内容输入到图像预处理模块中进行线上数据增强和内容变换，其中txt文件的内容存放在列表中；对于图像中存在瑕疵的图像，列表内容如下：
Figure BSA0000173746160000061
对于图像中不存在瑕疵的图像，列表内容如下：
[norm]
线上数据增强包括随机上下翻转、随机左右翻转和随机光照改变等，特别的，当进行随机上下翻转和随机左右翻转的时候，瑕疵的坐标信息也需要做出相应的变化；
(4)构建检验模型，如图1和图2所示，将原始的se-resnext101模型最后的全局池化层代替为3个由并行的特征块全局池化层和特征块最大池化层构成的特征块池化小模块，特征块池化小模块的结构如图3所示，每个小模块都是处于并行关系，每个小模块中池化层的尺寸相同但是不同模块之间的池化层的尺寸不同，另外将最后的全连接层用1个1*1大小的，步长为1的卷积操作代替，利用该改进的se-resnext101模型作为检验模型；
具体实施中各特征块池化模块的参数设置如表1所示：
表1 特征块池化模块的参数设置
Figure BSA0000173746160000062
分辨率1024*768的图像I经过改进版se-resnext101模型的前向传播后，改进版se-resnext101模块5输出的特征图的分辨率为32*24，经过3个并行的特征块池化模块处理后的特征图的分辨率分别为10*6、12*8和14*10，其中分辨率为10*6的特征图上的特征点对应原图中的图像块的大小为448*448，滑动步长为64；分辨率为12*8的特征图上的特征点对应原图中的图像块的大小为320*320，滑动步长为64；分辨率为14*6的特征图上的特征点对应原图中的图像块大小为192*192，滑动步长为64。通过这种方式可以获得3种不同大小的图像块，从而有效解决由于小瑕疵在原始图像中占比过小所导致的问题，也可以处理多种尺度的瑕疵，使得模型的检验性能更加强大。
(5)训练检验模型，将训练集中的图像和对应的标签信息输入到检验模型中，通过前向传播得到每个特征图上每个特征点对应的类别概率值，通过Focal Loss损失函数计算分类损失，利用带动量的梯度下降算法训练检验模型，获得检验模型的网络参数；
具体实施中，动力设置为0.9，每次输进1张图像，4500步为1个迭代周期，共设置50个迭代周期，前10个迭代周期设置模型最后三层的学习速率为0.001，其他层的学习速率为0；之后的迭代周期设置模型最后三层的学习速率为0.0005，其他层的学习速率为0.00005，同时每4个迭代周期，学习速率变成原来学习速率的0.94；Focal Loss函数中α设置为0.25，β设置为2。训练结束后，保存检验模型的参数。
(6)布匹图像检验，将测试集中的图像输入到训练好的检验模型中提取特征并获取多尺度特征图上每个特征点的类别概率值；如果三张特征图中有两张及以上的特征图中所有特征点都判为norm，则认为该图像类别为norm，其他情况则认为图像中存在瑕疵；对于判别为存在瑕疵的图像，我们利用每个特征点都对应原图中的某个图像块，通过特征点的预测类别转换对应图像块的像素值获取相关的热力图，叠加多种特征图对应的热力图获得最终的热力图，由最终的热力图得到瑕疵的大致位置，对瑕疵附近的图像块取概率均值得到该瑕疵的类别，特别的，该算法可以处理图像中存在多瑕疵的情况，并得到各个瑕疵的类别和大致位置。
本实施例最后在布匹测试集上进行测试，图4展示了se-resnext101模型和改进版se-resnext101模型在二分类检验结果上准确率，即将图像判别为正常样本和瑕疵样本的准确率，可以看到改进版的se-resnext101模型的准确度明显高于se-resnext101模型，从测试结果可以看出本方法对于大分辨率图像中的小瑕疵可以进行高效检验。图5展示了改进版resnext101模型在测试集上瑕疵分类的准确率，可以看到本专利的方法可以对存在多种瑕疵的图像检测出图像子模块中存在的瑕疵类别。

Claims (2)

1.一种针对大分辨率布匹图像中的小瑕疵的高效检验算法，其特征在于，包括如下步骤：
(1)图像采集，利用分辨率为2560*1920的摄像头对布匹图像进行拍摄，获取相关的数据集并对图像重命名，接着将图像缩放到1024*768大小，并采用label Img工具对拍摄的图像进行标注，获取图像中关于瑕疵的标签，瑕疵的标签包含了瑕疵在图像中左上角的坐标(x1，y1)，右下角的坐标(x2，y2)和瑕疵的类别defectN，其中N表示数字，如果拍摄的图像中没有瑕疵，不用label Img进行处理，只记录其类别信息norm；
(2)图像划分，将图像划分成训练集和测试集两部分，两个部分不存在相同的图像，训练集用来训练检验模型，测试集用来评估检验模型的性能；
(3)图像预处理，包括随机上下翻转、随机左右翻转和随机光照改变，其中随机上下翻转、随机左右翻转和随机光照改变只针对训练集，当进行随机上下翻转和随机左右翻转的时候，瑕疵的坐标信息也需要做出相应的变化；
(4)训练检验模型，将经过图像预处理后的训练集中的图像和标签信息输入到检验模型中进行训练，检验模型是在se-resnext101的基础上进行改进的，使得网络可以针对单分辨率的输入图像在模型上获取多尺度特征图，通过检验模型的前向传播获取每个特征图上每个特征点的类别概率值，通过Focal Loss函数计算分类损失，利用带动量的梯度下降算法反向传播训练模型；
(5)布匹图像检验，将测试集中的图像输入到训练好的检验模型中提取特征并获取多尺度特征图上每个特征点的类别概率值；如果三张特征图中有两张及以上的特征图中所有特征点都判为norm，则认为该图像类别为norm，其他情况则认为图像中存在瑕疵；对于判别为存在瑕疵的图像，利用每个特征点都对应原图中的某个图像块，通过特征点的预测类别转换对应图像块的像素值获取相关的热力图，叠加多种特征图对应的热力图获得最终的热力图，由最终的热力图得到瑕疵的大致位置，对瑕疵附近的图像块取概率均值得到该瑕疵的类别，该算法可以处理图像中存在多瑕疵的情况，并得到各个瑕疵的类别和大致位置；
所述步骤(4)中训练包括基于改进的se-resnext101模型进行训练步骤、迁移学习步骤、二阶段学习速率调整步骤、卷积网络提取特征步骤、自适应调整特征权重步骤、多尺度特征图处理步骤、计算Focal Loss步骤和利用带动量的梯度下降算法反向传播训练模型步骤；
所述步骤(4)具体为：
(4.1)将原始的se-resnext101模型最后的全局池化层代替为3个由并行的特征块全局池化层和特征块最大池化层构成的特征块池化小模块，每个小模块都是处于并行关系，每个小模块中池化层的尺寸相同但是不同模块之间的池化层的尺寸不同，另外将最后的全连接层用1个1*1大小的，步长为1的卷积操作代替，利用该改进的se-resnext101模型作为检验模型；
(4.2)使用se-resnext101模型在ImageNets图像集上训练得到的权重来初始化改进的se-resnext101模型，即检验模型，只保留了除所有的偏置权重、最后的全局池化层、最后的全连接层和softmax层外的权重；
(4.3)训练模型时候采用二阶段学习速率调整网络的学习速率，即在初始阶段以某个学习速率训练包括特征块池化模块在内的模型的最后三层而保持模型其他层的权重不变，在训练若干个迭代周期后对模型的最后三层使用一个较大的学习速率，其他层使用一个较小的学习速率，并按照一定的规律降低学习速率，每个迭代周期遍历训练集中所有的图像；
(4.4)将训练图像输入改进的se-resnext101模型中，利用卷积操作提取特征，增大特征图的感受野，同时利用原始se-resnext101模型中包含的挤压和激励子模块使得网络能够自适应调整特征权重，突出有效特征，抑制无效特征，使得特征空间和特征通道两个维度得到改善；
(4.5)对最后卷积层输出的特征图利用3个并行的特征块池化子模块，每个小模块中池化层的尺寸相同但是不同模块之间的池化层的尺寸不同，从而获取3种不同大小的特征图；对获取的特征图利用大小为1*1，步长为1的卷积操作，紧接着利用softmax计算出3种不同大小的特征图上每个特征点对应的类别概率值；
(4.6)由于感受野的存在，特征图上的特征点对应原图的图像块，根据瑕疵在图像中的位置可以获知每个图像块的真实类别，从而得到对应特征点的真实类别，根据预测的类别概率值和真实的类别信息，利用Focal Loss函数计算分类损失，最后利用带动量的梯度下降算法反向传播更新检测模型参数。
2.根据权利要求1所述的一种针对大分辨率布匹图像中的小瑕疵的高效检验算法，其特征是，所述步骤(5)具体为：将测试图像输入到检验模型中，通过前向传播，获取感受野不断增大，分辨率不断降低的特征图，对最后的卷积层输出的特征图利用3个并行的特征块池化小模块进行处理，获取3种不同大小的特征图，对这3种不同大小的特征图进行大小为1*1，步长为1的卷积操作，最后利用softmax操作获取每个特征图上每个特征点对应的类别概率值；如果三张特征图中有两张及以上的特征图中所有特征点都判为norm，则认为该图像类别为norm，对于其他情况则认为图像中存在瑕疵；对于存在瑕疵的图像，将特征图中判别为norm的特征点映射回原图的图像块的像素值赋为0，将特征图中其他的特征点映射回原图的图像块的像素值赋为1，通过这种方式获得3个热力图，将3个热力图叠加获得最终的热力图，从最终的热力图获取瑕疵的大致位置，瑕疵的类别由判别为瑕疵的若干个特征点的类别概率均值决定。
CN201811336000.3A 2018-11-05 2018-11-05 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 Active CN109509187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811336000.3A CN109509187B (zh) 2018-11-05 2018-11-05 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811336000.3A CN109509187B (zh) 2018-11-05 2018-11-05 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法

Publications (2)

Publication Number Publication Date
CN109509187A CN109509187A (zh) 2019-03-22
CN109509187B true CN109509187B (zh) 2022-12-13

Family

ID=65748135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811336000.3A Active CN109509187B (zh) 2018-11-05 2018-11-05 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法

Country Status (1)

Country Link
CN (1) CN109509187B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009629A (zh) * 2019-04-12 2019-07-12 北京天明创新数据科技有限公司 一种尘肺病筛查***及其数据训练方法
CN110321805B (zh) * 2019-06-12 2021-08-10 华中科技大学 一种基于时序关系推理的动态表情识别方法
CN110610482A (zh) * 2019-08-12 2019-12-24 浙江工业大学 一种基于resnet的工件瑕疵检测方法
CN110504029B (zh) * 2019-08-29 2022-08-19 腾讯医疗健康(深圳)有限公司 一种医学图像处理方法、医学图像识别方法及装置
CN111028250A (zh) * 2019-12-27 2020-04-17 创新奇智(广州)科技有限公司 一种实时智能验布方法及***
CN111340783A (zh) * 2020-02-27 2020-06-26 创新奇智(广州)科技有限公司 一种实时布匹缺陷检测方法
CN111325744A (zh) * 2020-03-06 2020-06-23 成都数之联科技有限公司 一种面板缺陷检测中的样本处理方法
CN112053357A (zh) * 2020-09-27 2020-12-08 同济大学 一种基于fpn的钢材表面瑕疵检测方法
CN112348776A (zh) * 2020-10-16 2021-02-09 上海布眼人工智能科技有限公司 基于EfficientDet的织物瑕疵检测方法
CN113689381B (zh) * 2021-07-21 2024-02-27 航天晨光股份有限公司 波纹管内壁瑕疵检测模型及检测方法
CN113808035B (zh) * 2021-08-25 2024-04-26 厦门微图软件科技有限公司 一种基于半监督学习的瑕疵检测方法
CN115797349B (zh) * 2023-02-07 2023-07-07 广东奥普特科技股份有限公司 一种缺陷检测方法、装置和设备
CN116304811B (zh) * 2023-02-28 2024-01-16 王宇轩 一种基于焦点损失函数动态样本权重调整方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331425A (zh) * 2011-06-28 2012-01-25 合肥工业大学 基于缺陷增强的纺织品缺陷检测方法
CN103456021A (zh) * 2013-09-24 2013-12-18 苏州大学 一种基于形态学分析的布匹瑕疵检测方法
CN107316295A (zh) * 2017-07-02 2017-11-03 苏州大学 一种基于深度神经网络的织物瑕疵检测方法
CN108647723A (zh) * 2018-05-11 2018-10-12 湖北工业大学 一种基于深度学习网络的图像分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010012381A1 (en) * 1997-09-26 2001-08-09 Hamed Sari-Sarraf Vision-based, on-loom fabric inspection system
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331425A (zh) * 2011-06-28 2012-01-25 合肥工业大学 基于缺陷增强的纺织品缺陷检测方法
CN103456021A (zh) * 2013-09-24 2013-12-18 苏州大学 一种基于形态学分析的布匹瑕疵检测方法
CN107316295A (zh) * 2017-07-02 2017-11-03 苏州大学 一种基于深度神经网络的织物瑕疵检测方法
CN108647723A (zh) * 2018-05-11 2018-10-12 湖北工业大学 一种基于深度学习网络的图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于稀疏编码的双尺度布匹瑕疵检测;张龙剑 等;《计算机应用》;20141010;第34卷(第10期);第3009-3013页 *

Also Published As

Publication number Publication date
CN109509187A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109509187B (zh) 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
CN111179251B (zh) 基于孪生神经网络利用模板比对的缺陷检测***及方法
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN110033473B (zh) 基于模板匹配和深度分类网络的运动目标跟踪方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN109598287A (zh) 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN110532946B (zh) 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN110245697B (zh) 一种表面脏污检测方法、终端设备及存储介质
CN113128335B (zh) 微体古生物化石图像检测、分类及发现方法、***及应用
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和***
CN112926652B (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN111695640B (zh) 地基云图识别模型训练方法及地基云图识别方法
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN111539957A (zh) 一种用于目标检测的图像样本生成方法、***及检测方法
CN111382766A (zh) 一种基于Faster R-CNN的设备故障检测方法
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN115409797A (zh) 一种基于改进深度学习算法的pcb缺陷图像检测方法
CN112308825A (zh) 一种基于SqueezeNet的农作物叶片病害识别方法
CN112991271A (zh) 基于改进yolov3的铝型材表面缺陷视觉检测方法

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
GR01 Patent grant
GR01 Patent grant
DD01 Delivery of document by public notice

Addressee: Chen Chucheng

Document name: Notification of Qualified Procedures

DD01 Delivery of document by public notice