CN111595237B - 一种基于机器视觉的织物尺寸测量分布式***及方法 - Google Patents
一种基于机器视觉的织物尺寸测量分布式***及方法 Download PDFInfo
- Publication number
- CN111595237B CN111595237B CN202010399999.7A CN202010399999A CN111595237B CN 111595237 B CN111595237 B CN 111595237B CN 202010399999 A CN202010399999 A CN 202010399999A CN 111595237 B CN111595237 B CN 111595237B
- Authority
- CN
- China
- Prior art keywords
- fabric
- classifier
- image
- data
- measurement
- 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
Links
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的织物尺寸测量分布式***及方法。所述***包括:用于存储和训练织物测量模型的主服务器、以及一个或多个用于利用织物测量模型进行各类型织物测量的终端。所述方法包括以下步骤:(1)获取状态、以及成像条件下待测织物的图像;(2)进行灰度化、降噪处理、以及边缘检测,获得处理后的织物图像;(3)提取HOG特征并采用织物分类器对HOG特征进行分类获得织物类别;(4)采用相应服装尺寸自动测量方法,获得待测织物的尺寸数据,并采用标签分类器进行分类获得所述织物的标签;(5)重新训练织物分类器获得迭代更新后的织物分类器、迭代更新后的标签分类器。本发明每个终端单独重新收集和训练织物分类模型,不需要根据织物类型手动干预测量方法,大幅降低了人力消耗。
Description
技术领域
本发明属于工业测量领域,更具体地,涉及一种基于机器视觉的织物尺寸测量分布式***及方法。
背景技术
随着自动化时代的蓬勃兴起,在服装行业,高效率、高精度、低成本的服装尺寸自动测量已经代替了传统的低效率、容易受人的疲劳所影响的人工的衣服尺寸测量。特别是在机器视觉的推动下,各种优化算法如基于Fosrtner算法和SIFT技术的角点检测,如《机器视觉在服装尺寸自动测量中的应用》、《基于机器视觉的服装尺寸在线测量***》等,这些技术都很好的能够测量衣服的尺寸,并且也已经得到了实现。
虽然现在所存在的基于机器视觉的衣物尺寸测量技术已经解决传统的人工衣物尺寸测量所存在的问题并大部分替代了传统的人工衣物尺寸测量,给相关企业带来了高效率、高收益。然而现有的织物测量方法,是仅仅通过机器视觉图像处理技术,根据特定的织物类型而进行的图像到数据的提取,对于每一类型的织物需要调整算法测量尺寸。即使采用自动识别算法获得织物类别,然而由于智能识别需要大量的先验数据来保证准确性,在某一服装工厂进行自动的类型识别从而实现自动的衣物尺寸测量往往由于没有足够的训练数据而达不到实际使用的分类精度要求,导致准确率过低,往往需要人工干预,消耗大量人力成本,测量效率依然无法提高。
另外由于尺寸分析算法是静态的,因此对于同一类型的织物测量精度仅与图像质量和测量算法相关,而不能自动学习不断提高测量精度。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于机器视觉的织物尺寸测量分布式***及方法,其目的在于通过分布式的***,从大量的终端中收集训练数据,用于织物类别分类,从而实现不同类别织物采用统一终端的自动测量、并进行尺码分类,由此解决现有服装尺寸自动测量方法以织物类别为前提,而织物自动分类训练数据难以收集导致的精度不高,难以实际应用因此自动测量方法受限于人工织物分类的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于机器视觉的织物尺寸测量分布式***,包括:用于存储和训练织物测量模型的主服务器、以及一个或多个用于利用织物测量模型进行各类型织物测量的终端;
所述主服务器,用于接收并存储终端收集的织物测量训练数据、以及用于存储并向终端提供经训练的织物测量模型,所述织物测量训练数据用于训练所述织物测量模型;
所述终端,用于采集待测量织物图像,并向所述主服务器请求最新的织物测量模型,进而根据所述织物测量模型获得所述待测量织物的类别、尺码及尺寸数据,还用于收集并向所述主服务器提供织物测量训练数据。
优选地,所述基于机器视觉的织物尺寸测量分布式***,当其具有多个终端时,所述多个终端独立的进行织物测量,并测量获得的不同类别的织物数据,反馈汇总到所述主服务器进行模型训练。
优选地,所述基于机器视觉的织物尺寸测量分布式***,其所述织物测量训练数据,包括图像的HOG特征值,图像的HOG特征值对应的织物类别、各类别织物的尺寸数据、以及具有不同尺寸数据的各类别织物的标签。
所述织物测量模型,包括织物分类器和标签分类器;所述织物分类器,用于根据图像的HOG特征值确定图像中织物的类别;对应每一中织物类别,具有一种标签分类器,用于针对该织物类别的织物根据其尺寸数据获得该织物的标签。
优选地,所述基于机器视觉的织物尺寸测量分布式***,其所述终端包括图像获取模块、图像预处理模块、HOG特征提取模块、尺寸分析模块、以及测量结果模块;所述图像获取模块,用于获取特定成像条件下的织物图像,包括测量区、摄像头,所述待测量的织物平铺于处于摄像头正下方的测量区;所述图像预处理模块,对获取的待测织物图像进行灰度化、降噪、边缘检测的处理,传递给所述HOG特征提取模块;所述HOG特征提取模块,用于提取图像HOG特征,并向所述主服务器请求织物分类器进行织物分类,还用于将提取的图像HOG特征以及相应织物分类结果反馈给所述主服务器、以及将织物分类结果提交给测量结果模块;所述尺寸分析模块用于根据服装尺寸自动测量方法测量该类别的服装的尺寸数据,并向所述主服务器请求标签分类器进行标签分类,还用于将测量的服装的尺寸数据、以及相应标签分类结果反馈给所述主服务器和测量结果模块;所述测量结果模块用于获取、存储并展示所述待测量织物的类别、标签以及尺寸数据。
按照本发明的另一个方面,提供了一种基于机器视觉的织物尺寸测量方法,包括以下步骤:
(1)获取状态、以及成像条件下待测织物的图像;
(2)对于步骤(1)中获得的待测织物的图像进行灰度化、降噪处理、以及边缘检测,获得处理后的织物图像;
(3)对于步骤(2)中获取的处理后的织物图像,提取HOG特征并采用织物分类器对HOG特征进行分类获得织物类别;
(4)根据步骤(3)中获得的织物类别以及步骤(2)中获得的处理后的织物图像,采用相应服装尺寸自动测量方法,获得待测织物的尺寸数据,并采用标签分类器进行分类获得所述织物的标签;
(5)将步骤(3)获得的HOG特征、及相应织物类别追加到织物分类器训练数据集中,并重新训练织物分类器获得迭代更新后的织物分类器;将步骤(4)获得的尺寸数据、及相应标签追加到该织物类别的标签分类器训练数据集中,并重新训练获得迭代更新后的标签分类器。
优选地,所述基于机器视觉的织物尺寸测量方法,其步骤(3)所述提取HOG特征具体为:对于处理后的织物图像,采用滑动窗沿梯度方向滑动,按照上下左右的顺序依次获得滑动窗口内的四个单元内的像素值大小,得到滑动窗口的梯度直方图,采用指标函数获得HOG特征值。
优选地,所述基于机器视觉的织物尺寸测量方法,其步骤(3)所述织物分类器,采用支持向量机分类器,输入为图像HOG特征,输出织物类别,初始模型为人工标定数据训练获得,更新训练的数据来源于终端进行织物测量时收集的数据,优选高斯内核,利用SVM多分类方法,即一对多进行训练,训练样本和测试样本采用自助法,直到找到最优超平面停止训练。
优选地,所述基于机器视觉的织物尺寸测量方法,其步骤(4)所述标签分类器采用BP神经网络分类器,其具输入层、3层隐藏层和输出层,所述输入层,为该类别织物的尺寸数据,输入层节点个数与所述尺寸数据的数目相匹配,3层隐含层的节点个数略少于输入层节点个数,隐含层激活函数采用Relu函数,输出层节点个数为该类型织物标签的数目,输出层激活函数采用Sigmoid。输入数据为待测织物的尺寸数据,输出数据为织物标签,采用随机梯度下降策略进行监督学习;所述标签分类器优选采用定期更新策略进行更新,其训练数据优选从收集的织物测量训练数据中随机抽取足量的数据作为训练数据采用自主迭代法训练直至损失函数达到最优。。
按照本发明的另一个方面,提供了一种应用于本发明提供的基于机器视觉的织物尺寸测量分布式***的主服务器,其用于接收并存储终端收集的织物测量训练数据、以及用于存储并向终端提供经训练的织物测量模型,所述织物测量训练数据用于训练所述织物测量模型。
按照本发明的另一个方面,提供了一种应用于本发明提供的基于机器视觉的织物尺寸测量分布式***的终端,其用于采集待测量织物图像,并向所述主服务器请求最新的织物测量模型,进而根据所述织物测量模型获得所述待测量织物的类别、尺码及尺寸数据,还用于收集并向所述主服务器提供织物测量训练数据。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的基于机器视觉的织物尺寸测量分布式***,由于主服务器进行训练数据的收集和织物分类模型的训练,因此具有服装测量需求的单位,例如服装厂只需要安装测量终端,即可实现自动化的测量,无需单独重新收集和训练织物分类模型,实现了数据共享。用户不需要根据织物类型手动干预测量方法,大幅降低了人力消耗。提高测量效率。尤其适用于旧衣回收等,衣物类型复杂、需要频繁切换测量算法的织物自动化测量。
优选方案,增加标签识别器,从而迅速获得织物大小码数的标签信息,呈现形式更优,提高了客户体验。
优选方案,由于主服务器存储的测量织物测量训练数据不断收集,织物测量模型的精度不断提高,分布式的终端,无需额外的消耗即能同步提高测量精度。
附图说明
图1是本发明提供的基于机器视觉的织物尺寸测量分布式***结构示意图;
图2是本发明提取HOG特征的示意图;
图3是本发明提供的基于机器视觉的织物尺寸测量方法流程示意图。
图4是本发明织物分类器训练示意图;
图5是本发明标签分类器训练示意图;
图6是本发明实施例1测量区的测量***结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的基于机器视觉的织物尺寸测量分布式***,如图1所示包括:用于存储和训练织物测量模型的主服务器、以及一个或多个用于利用织物测量模型进行各类型织物测量的终端;当具有多个终端时,所述多个终端独立的进行织物测量,并测量获得的不同类别的织物数据,反馈汇总到所述主服务器进行模型训练。因此本发明进行分布式的检测,同时能通过主服务器提供的织物测量模型实现数据共享的测量精度提高。
所述主服务器,用于接收并存储终端收集的织物测量训练数据、以及用于存储并向终端提供经训练的织物测量模型,所述织物测量训练数据用于训练所述织物测量模型,当所述织物测量训练数据过多时,随机抽取部分进行织物测量模型训练。所述织物测量训练数据,包括图像的HOG特征值,图像的HOG特征值对应的织物类别、各类别织物的尺寸数据、以及具有不同尺寸数据的各类别织物的标签;所述图像HOG特征,如图2所示,即梯度直方图,优选采用16*16滑动窗口来采集HOG特征;所述织物类别包括:长袖上衣、短袖上衣、无袖上衣、裤子、裙子等,根据测量的需求而增减;所述各类别织物的尺寸数据为根据织物类别对织物图像进行相应特征量进行测量得到的尺寸值,如上衣的袖长、裤子的裤长、裙子的腰围等;所述具有不同尺寸数据的各类别织物的标签,为各标准对应的服装码数,例如通用的S码、M码、L码,或中国服装标准155/75A、160/80A、165/85A,又或美国服装标准0号、2号、4号、6号等。所述织物测量模型,包括织物分类器和标签分类器;所述织物分类器,用于根据图像的HOG特征值确定图像中织物的类别,采用的训练数据为:图像的HOG特征值、以及图像的HOG特征值对应的织物类别;其采用支持向量机分类器,内核优选为高斯核,所述织物分类器优选采用定期更新策略进行更新,其训练数据数据优选从收集的织物测量训练数据中随机抽取足量的数据作为训练数据;对应每一中织物类别,具有一种标签分类器,用于针对该织物类别的织物根据其尺寸数据获得该织物的标签,所述标签分类器采用的训练数据为:该类别织物的尺寸数据、以及该类别具有不同尺寸数据的织物的标签;其采用BP神经网络分类器,优选包括:输入层、3层隐藏层和输出层,所述输入层,为该类别织物的尺寸数据,输入层节点个数与所述尺寸数据的数目相匹配,3层隐含层的节点个数略少于输入层节点个数,隐含层激活函数采用Relu函数,输出层节点个数为该类型织物标签的数目,输出层激活函数采用Sigmoid;所述BP神经网络分类器采用随机梯度下降策略进行监督学习;所述标签分类器优选采用定期更新策略进行更新,其训练数据优选从收集的织物测量训练数据中随机抽取足量的数据作为训练数据,采用自主迭代法训练直至损失函数达到最优。
所述终端,用于采集待测量织物图像,并向所述主服务器请求最新的织物测量模型,进而根据所述织物测量模型获得所述待测量织物的类别、尺码及尺寸数据,还用于收集并向所述主服务器提供织物测量训练数据。所述终端包括图像获取模块、图像预处理模块、HOG特征提取模块、尺寸分析模块、以及测量结果模块;所述图像获取模块,用于获取特定成像条件下的织物图像,包括测量区、摄像头,所述待测量的织物平铺于处于摄像头正下方的测量区;所述图像预处理模块,对获取的待测织物图像进行灰度化、降噪、边缘检测的处理,传递给所述HOG特征提取模块;所述HOG特征提取模块,用于提取图像HOG特征,并向所述主服务器请求织物分类器进行织物分类,还用于将提取的图像HOG特征以及相应织物分类结果反馈给所述主服务器、以及将织物分类结果提交给测量结果模块;所述尺寸分析模块用于根据服装尺寸自动测量方法测量该类别的服装的尺寸数据,并向所述主服务器请求标签分类器进行标签分类,还用于将测量的服装的尺寸数据、以及相应标签分类结果反馈给所述主服务器和测量结果模块;所述测量结果模块用于获取、存储并展示所述待测量织物的类别、标签以及尺寸数据。
本发明提供的基于机器视觉的织物尺寸测量方法,如图3所示,包括以下步骤:
(1)获取状态、以及成像条件下待测织物的图像;
(2)对于步骤(1)中获得的待测织物的图像进行灰度化、降噪处理、以及边缘检测,获得处理后的织物图像;
(3)对于步骤(2)中获取的处理后的织物图像,提取HOG特征并采用织物分类器对HOG特征进行分类获得织物类别;
所述提取HOG特征具体为,如图2所示:
对于处理后的织物图像,采用滑动窗沿梯度方向滑动,按照上下左右的顺序依次获得滑动窗口内的四个单元内的像素值大小,得到滑动窗口的梯度直方图,采用指标函数获得HOG特征值。
提取HOG的优势在于,只要是同一类型的织物,无论织物尺寸大小,只要调整滑动窗口的大小,所得到的HOG特征都是大同小异的,适合支持向量机分类器。
所述织物分类器,如图4所示,优选采用支持向量机分类器,输入为图像HOG特征,输出织物类别,初始模型为人工标定数据训练获得,更新训练的数据来源于终端进行织物测量时收集的数据,优选高斯内核,利用SVM多分类方法,即一对多进行训练,训练样本和测试样本采用自助法,直到找到最优超平面停止训练。
(4)根据步骤(3)中获得的织物类别以及步骤(2)中获得的处理后的织物图像,采用相应服装尺寸自动测量方法,获得待测织物的尺寸数据,并采用标签分类器进行分类获得所述织物的标签;所述标签,为各标准对应的服装码数,例如通用的S码、M码、L码,或中国服装标准155/75A、160/80A、165/85A,又或美国服装标准0号、2号、4号、6号等。
所述标签分类器优选采用BP神经网络分类器,其具输入层、3层隐藏层和输出层,所述输入层,为该类别织物的尺寸数据,输入层节点个数与所述尺寸数据的数目相匹配,3层隐含层的节点个数略少于输入层节点个数,隐含层激活函数采用Relu函数,输出层节点个数为该类型织物标签的数目,输出层激活函数采用Sigmoid。输入数据为待测织物的尺寸数据,输出数据为织物标签,采用随机梯度下降策略进行监督学习;所述标签分类器优选采用定期更新策略进行更新,其训练数据优选从收集的织物测量训练数据中随机抽取足量的数据作为训练数据采用自主迭代法训练直至损失函数达到最优。
(5)将步骤(3)获得的HOG特征、及相应织物类别追加到织物分类器训练数据集中,并重新训练织物分类器获得迭代更新后的织物分类器;将步骤(4)获得的尺寸数据、及相应标签追加到该织物类别的标签分类器训练数据集中,并重新训练获得迭代更新后的标签分类器。
以下为实施例:
实施例1
一种基于机器视觉的织物尺寸测量分布式***,如图1所示包括:用于存储和训练织物测量模型的主服务器、以及多个用于利用织物测量模型进行各类型织物测量的终端,即智能测量工作台;所述多个终端独立的进行织物测量,并测量获得的不同类别的织物数据,反馈汇总到所述主服务器进行模型训练。
所述主服务器,用于接收并存储终端收集的织物测量训练数据、以及用于存储并向终端提供经训练的织物测量模型,所述织物测量训练数据用于训练。所述织物测量训练数据,包括图像的HOG特征值,图像的HOG特征值对应的织物类别、各类别织物的尺寸数据、以及具有不同尺寸数据的各类别织物的标签;所述图像HOG特征,采用16*16的滑动窗口,划分为2*2个单元,每个单元为8*8像素大小;梯度方向为无符号方向,即对于-180°~0°的方向加上180°,得到0~180°方向的无符号方向,以20°为一个区间,得到9个梯度方向区间,统计每个cell内9个区间的像素值大小,得到以cell为单位的梯度直方图;所述织物类别包括:长袖上衣、短袖上衣、无袖上衣、裤子、裙子等,根据测量的需求而增减;所述各类别织物的尺寸数据为根据织物类别对织物图像进行相应特征量进行测量得到的尺寸值,如上衣的袖长、裤子的裤长、裙子的腰围;所述具有不同尺寸数据的各类别织物的标签,为各标准对应的服装码数,S码、M码、L码、XL码。所述织物测量模型,包括织物分类器和标签分类器;所述织物分类器用于根据图像的HOG特征值确定图像中织物的类别,采用的训练数据为:图像的HOG特征值、以及图像的HOG特征值对应的织物类别,收集方法如下:先收集各类型的织物,统一标准摆放并通过摄像头拍摄图像,做好织物类别分类,提取HOG特征;其采用支持向量机分类器,内核为高斯内核,然后将织物类别分类结果和特征数据进行SVM训练,得到织物分类器;所述织物分类器定期更新,由于数据量过多,每次训练数据采用随机抽取,比例为收集到的总数据的五分之一;对应每一中织物类别,具有一种标签分类器,针对特定织物类别的标签分类器采用的训练数据为:该类别织物的尺寸数据、以及该类别具有不同尺寸数据的织物的标签;其采用BP神经网络分类器,包括:输入层、3层隐藏层和输出层,所述输入层,为该类别织物的尺寸数据,输入层节点个数与所述尺寸数据的数目相匹配,3层隐含层的节点个数略少于输入层节点个数,隐含层激活函数采用Relu函数,输出层节点个数为该类型织物标签的数目,输出层激活函数采用Sigmoid;所述BP神经网络分类器采用随机梯度下降策略进行监督学习;所述标签分类器优选采用定期更新策略进行更新,其训练数据从收集的织物测量训练数据中随机抽取足量的数据作为训练数据,采用自主迭代法训练直至损失函数达到最优,定期更新,由于数据量过多,每次训练数据采用随机抽取,比例为收集到的总数据的五分之一。
所述终端,用于采集待测量织物图像,并向所述主服务器请求最新的织物测量模型,进而根据所述织物测量模型获得所述待测量织物的类别、尺码及尺寸数据,还用于收集并向所述主服务器提供织物测量训练数据。所述终端包括图像获取模块、图像预处理模块、HOG特征提取模块、尺寸分析模块、以及测量结果模块;所述图像获取模块,用于获取特定成像条件下的织物图像,包括测量区、摄像头,所述待测量的织物平铺于处于摄像头正下方的测量区;所述图像预处理模块,依次进行灰度化、高斯滤波降噪、以及利用Sobel算子计算图像梯度(即边缘检测),传递给所述HOG特征提取模块;所述HOG特征提取模块,用于提取图像HOG特征,并向所述主服务器请求织物分类器进行织物分类,还用于将提取的图像HOG特征以及相应织物分类结果反馈给所述主服务器、以及将织物分类结果提交给测量结果模块;所述尺寸分析模块用于根据服装尺寸自动测量方法测量该类别的服装的尺寸数据,并向所述主服务器请求标签分类器进行标签分类,还用于将测量的服装的尺寸数据、以及相应标签分类结果反馈给所述主服务器和测量结果模块;所述测量结果模块用于获取、存储并展示所述待测量织物的类别、标签以及尺寸数据。
本实施例中所述终端为智能测量工作台,如图1所示,包括织物摆放区和测量区,测量区的测量***则如图6所示,由测量台、摄像头和下位机组成。测量区边缘有红外检测,当织物刚好到达测量区边缘时挡住黑色区域,红外感应发生变化,终端接收变化信息,摄像头进行拍摄。
实施例2
应用织物尺寸测量***进行织物自动测量的方法,包括以下步骤:
(1)获取状态、以及成像条件下待测织物的图像;具体地:织物在摆放区被摆放好之后由传输带传输到测量区,测量区摄像头进行摄像获取待测织物的图像。
(2)对于步骤(1)中获得的待测织物的图像依次进行灰度化、高斯滤波降噪、以及利用Sobel算子计算图像梯度,即(边缘检测),获得处理后的织物图像。
(3)对于步骤(2)中获取的处理后的织物图像,提取HOG特征并采用织物分类器对HOG特征进行分类获得织物类别;
所述提取HOG特征具体为:
S1、采用16*16滑动窗口,在其内分为2*2个cell单元,每个cell单元为8*8像素大小。
S2、对于梯度图像,梯度方向为无符号方向,即对于-180°~0°的方向加上180°,得到0~180°方向的无符号方向,以20°为一个区间,得到9个梯度方向区间,统计每个cell内9个区间的像素值大小,得到以cell为单位的梯度直方图。
S3、通过上下左右顺序依次连接X内的4个cell单元的梯度直方图,得到滑动窗口的梯度直方图。
S4、根据梯度直方图计算特征值,计算方法为采用8个固定索引对[θ1,θ2,...,θ8]=[(a0,b0),(a1,b1),...,(a7,b7)],f(θi)=Ⅱ(ai>bi),Ⅱ为指标函数,若为真则输出1,否则为0,得到8位二进制码,转换为十进制得到特征值。
所述织物分类器,采用支持向量机分类器,输入为图像HOG特征,输出织物类别,所述织物分类器采用的训练数据为:图像的HOG特征值、以及图像的HOG特征值对应的织物类别,收集方法如下:先收集各类型的织物,统一标准摆放并通过摄像头拍摄图像,做好织物类别分类,提取HOG特征,采用支持向量机分类器,输入为图像HOG特征,输出织物类别,初始模型为人工标定数据训练获得,更新训练的数据来源于终端进行织物测量时收集的数据,优选高斯内核,利用SVM多分类方法,即一对多进行训练,训练样本和测试样本采用自助法,直到找到最优超平面停止训练。训练过程在主服务器端进行,训练后获得的支持向量机分类器即织物分类器存储在主服务器,终端需要的时候可以向主服务器提出请求并调用织物分类器。
(4)根据步骤(3)中获得的织物类别以及步骤(2)中获得的处理后的织物图像,采用相应类别的服装尺寸自动测量方法,获得待测织物的尺寸数据,并采用标签分类器进行分类获得所述织物的标签,为S、M、L、XL码;
具输入层、3层隐藏层和输出层,所述输入层,为该类别织物的尺寸数据,输入层节点个数与所述尺寸数据的数目相匹配,3层隐含层的节点个数略少于输入层节点个数,隐含层激活函数采用Relu函数,输出层节点个数为该类型织物标签的数目,输出层激活函数采用Sigmoid。输入数据为待测织物的尺寸数据,输出数据为织物标签,采用随机梯度下降策略进行监督学习;所述标签分类器优选采用定期更新策略进行更新,其训练数据优选从收集的织物测量训练数据中随机抽取足量的数据作为训练数据采用自主迭代法训练直至损失函数达到最优。
(5)将步骤(3)获得的HOG特征、及相应织物类别追加到织物分类器训练数据集中,并重新训练织物分类器获得迭代更新后的织物分类器;将步骤(4)获得的尺寸数据、及相应标签追加到该织物类别的标签分类器训练数据集中,并重新训练获得迭代更新后的标签分类器。
总体流程为:织物在摆放区被摆放好之后由传输带传输到测量区,测量区自动识别织物类型之后再对织物进行测量,之后计算机再将处理得到的图像的HOG特征和测量得到的织物尺寸数据传送回主服务器进行训练,在这里要注意的是,传送回的数据有两种:处理得到的图像的HOG特征及织物类别、测量得到的织物尺寸数据及标签,训练模型也有两种:SVM对织物类型的分类和神经网络对同一类型织物不同尺寸的分类,后者通常用来通过测量尺寸数据自动识别出织物的尺码,比如S、M、L、XL等。
识别织物类型和测量过程中***框图如图3所示,摄像头首先拾取到织物的图像,之后对织物图像进行预处理,进过预处理之后便对织物图像进行HOG特征的提取,计算机根据提取到的HOG特征和相关的分类模型对织物类型进行自动识别,其中所述的分类模型则是由主服务器训练好并共享给工作线上的计算机的。在自动识别出织物的类型之后,计算机便自动调用相关的测量方法来测量织物的尺寸,在得到测量的尺寸数据之后,计算机便根据这些数据自动给出尺码,并将尺寸数据和尺码打印出来,随后将这些数据传回主服务器进行训练。
织物类型自动识别如图4所示,其过程为先收集各类型的织物,摆放并通过摄像头拍摄图像,做好标签,提取HOG特征。然后将标签和特征数据进行SVM训练,得到初始的分类模型。最后将分类模型投入使用,并将过程中产生的新的数据传输到主服务器进行新的训练,得到性能有所提高或者适应变化的新分类模型。
织物尺码分类如图5所示,其过程为主服务器收集测量得到的织物尺寸数据,然后送入神经网络进行训练,得到分类模型,最后将分类投入使用,并将过程中产生的新的数据进行训练,以适应新的变化。
织物测量训练数据只需要人工定期抽查,如果错误率很小,则直接反馈,即使是出现很少量的错误分类,这样能够防止过拟合,如果大量分类错误则检查模型。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的织物尺寸测量分布式***,其特征在于,包括:用于存储和训练织物测量模型的主服务器、以及一个或多个用于利用织物测量模型进行各类型织物测量的终端;
所述主服务器,用于接收并存储终端收集的织物测量训练数据、以及用于存储并向终端提供经训练的织物测量模型,所述织物测量训练数据用于训练所述织物测量模型;
所述终端,用于采集待测量织物图像,并向所述主服务器请求最新的织物测量模型,进而根据所述织物测量模型获得所述待测量织物的类别、尺码及尺寸数据,还用于收集并向所述主服务器提供织物测量训练数据;
所述织物测量训练数据,包括图像的HOG特征值,图像的HOG特征值对应的织物类别、各类别织物的尺寸数据、以及具有不同尺寸数据的各类别织物的标签;
所述织物测量模型,包括织物分类器和标签分类器;所述织物分类器,用于根据图像的HOG特征值确定图像中织物的类别;对应每一中织物类别,具有一种标签分类器,用于针对该织物类别的织物根据其尺寸数据获得该织物的标签。
2.如权利要求1所述的基于机器视觉的织物尺寸测量分布式***,其特征在于,当具有多个终端时,所述多个终端独立的进行织物测量,并测量获得的不同类别的织物数据,反馈汇总到所述主服务器进行模型训练。
3.如权利要求1所述的基于机器视觉的织物尺寸测量分布式***,其特征在于,所述终端包括图像获取模块、图像预处理模块、HOG特征提取模块、尺寸分析模块、以及测量结果模块;所述图像获取模块,用于获取特定成像条件下的织物图像,包括测量区、摄像头,所述待测量的织物平铺于处于摄像头正下方的测量区;所述图像预处理模块,对获取的待测织物图像进行灰度化、降噪、边缘检测的处理,传递给所述HOG特征提取模块;所述HOG特征提取模块,用于提取图像HOG特征,并向所述主服务器请求织物分类器进行织物分类,还用于将提取的图像HOG特征以及相应织物分类结果反馈给所述主服务器、以及将织物分类结果提交给测量结果模块;所述尺寸分析模块用于根据织物尺寸自动测量方法测量该类别的织物的尺寸数据,并向所述主服务器请求标签分类器进行标签分类,还用于将测量的织物的尺寸数据、以及相应标签分类结果反馈给所述主服务器和测量结果模块;所述测量结果模块用于获取、存储并展示所述待测量织物的类别、标签以及尺寸数据。
4.一种基于机器视觉的织物尺寸测量方法,其特征在于,包括以下步骤:
(1)获取状态、以及成像条件下待测织物的图像;
(2)对于步骤(1)中获得的待测织物的图像进行灰度化、降噪处理、以及边缘检测,获得处理后的织物图像;
(3)对于步骤(2)中获取的处理后的织物图像,提取HOG特征并采用织物分类器对HOG特征进行分类获得织物类别;
(4)根据步骤(3)中获得的织物类别以及步骤(2)中获得的处理后的织物图像,采用相应织物尺寸自动测量方法,获得待测织物的尺寸数据,并采用标签分类器进行分类获得所述织物的标签;
(5)将步骤(3)获得的HOG特征、及相应织物类别追加到织物分类器训练数据集中,并重新训练织物分类器获得迭代更新后的织物分类器;将步骤(4)获得的尺寸数据、及相应标签追加到该织物类别的标签分类器训练数据集中,并重新训练获得迭代更新后的标签分类器。
5.如权利要求4所述的基于机器视觉的织物尺寸测量方法,其特征在于,步骤(3)所述提取HOG特征具体为:
对于处理后的织物图像,采用滑动窗沿梯度方向滑动,按照上下左右的顺序依次获得滑动窗口内的四个单元内的像素值大小,得到滑动窗口的梯度直方图,采用指标函数获得HOG特征值。
6.如权利要求4所述的基于机器视觉的织物尺寸测量方法,其特征在于,步骤(3)所述织物分类器,采用支持向量机分类器,输入为图像HOG特征,输出织物类别,初始模型为人工标定数据训练获得,更新训练的数据来源于终端进行织物测量时收集的数据。
7.如权利要求6所述的基于机器视觉的织物尺寸测量方法,其特征在于,所述支持向量机分类器采用高斯内核,利用SVM多分类方法,即一对多进行训练,训练样本和测试样本采用自助法,直到找到最优超平面停止训练。
8.如权利要求4所述的基于机器视觉的织物尺寸测量方法,其特征在于,步骤(4)所述标签分类器采用BP神经网络分类器,其具输入层、3层隐藏层和输出层,所述输入层,为该类别织物的尺寸数据,输入层节点个数与所述尺寸数据的数目相匹配,3层隐含层的节点个数略少于输入层节点个数,隐含层激活函数采用Relu函数,输出层节点个数为该类型织物标签的数目,输出层激活函数采用Sigmoid;输入数据为待测织物的尺寸数据,输出数据为织物标签,采用随机梯度下降策略进行监督学习。
9.如权利要求4所述的基于机器视觉的织物尺寸测量方法,其特征在于,所述标签分类器采用定期更新策略进行更新。
10.如权利要求4所述的基于机器视觉的织物尺寸测量方法,其特征在于,所述标签分类器的训练数据为从收集的织物测量训练数据中随机抽取足量的数据,采用自主迭代法训练直至损失函数达到最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010399999.7A CN111595237B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的织物尺寸测量分布式***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010399999.7A CN111595237B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的织物尺寸测量分布式***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111595237A CN111595237A (zh) | 2020-08-28 |
CN111595237B true CN111595237B (zh) | 2022-05-20 |
Family
ID=72183634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010399999.7A Active CN111595237B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的织物尺寸测量分布式***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111595237B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112153320B (zh) * | 2020-09-23 | 2022-11-08 | 北京京东振世信息技术有限公司 | 一种物品尺寸的测量方法、装置、电子设备和存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063660B (zh) * | 2007-01-30 | 2011-07-13 | 蹇木伟 | 一种纺织品缺陷检测方法及其装置 |
CN107368857A (zh) * | 2017-07-24 | 2017-11-21 | 深圳市图芯智能科技有限公司 | 图像对象检测方法、***及模型处理方法、设备、终端 |
ES2951477T3 (es) * | 2018-06-08 | 2023-10-23 | Ericsson Telefon Ab L M | Métodos, aparatos y medios legibles por ordenador relacionados con la detección de condiciones de celda en una red celular inalámbrica |
US11176426B2 (en) * | 2018-06-18 | 2021-11-16 | Zoox, Inc. | Sensor obstruction detection and mitigation using vibration and/or heat |
CN109215022A (zh) * | 2018-09-05 | 2019-01-15 | 深圳灵图慧视科技有限公司 | 验布方法、装置、终端设备、服务器、存储介质和*** |
CN110188806A (zh) * | 2019-05-21 | 2019-08-30 | 华侨大学 | 一种基于机器视觉的大圆机织物疵点检测与分类方法 |
CN110412037A (zh) * | 2019-07-04 | 2019-11-05 | 盎古(上海)科技有限公司 | 一种织物疵点信息处理方法和装置 |
CN110490858B (zh) * | 2019-08-21 | 2022-12-13 | 西安工程大学 | 一种基于深度学习的织物缺陷像素级分类方法 |
CN110969193B (zh) * | 2019-11-15 | 2023-04-18 | 常州瑞昇科技有限公司 | 织物图像获取方法、装置、计算机设备和存储介质 |
CN111062925A (zh) * | 2019-12-18 | 2020-04-24 | 华南理工大学 | 一种基于深度学习的布匹疵点智能识别方法 |
-
2020
- 2020-05-13 CN CN202010399999.7A patent/CN111595237B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111595237A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330451B (zh) | 基于深度卷积神经网络的服装属性检索方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN107767590A (zh) | 物品自动识别商用条码电子秤及物品自动识别方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN108009560B (zh) | 商品图像相似类别判定方法及装置 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估***及实现方法 | |
CN111595237B (zh) | 一种基于机器视觉的织物尺寸测量分布式***及方法 | |
CN115660647B (zh) | 一种建筑外墙的维护方法 | |
CN113792826A (zh) | 基于神经网络和多源数据的双视角关联安检方法及*** | |
CN109685038A (zh) | 一种物品干净程度监测方法及其装置 | |
CN115752683A (zh) | 一种基于深度相机的体重预估方法、***及终端 | |
CN111461143A (zh) | 一种图片翻拍识别方法和装置及电子设备 | |
Elemmi et al. | Defective and nondefective classif ication of fabric images using shallow and deep networks | |
CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
CN110095475A (zh) | 一种印铁视觉检测***及印铁图案检测方法 | |
CN111783528B (zh) | 监控货架上的物品的方法、计算机和*** | |
CN107121063A (zh) | 检测工件的方法 | |
CN107038593A (zh) | 一种基于防伪溯源***的异常数据处理方法及*** | |
CN112215149B (zh) | 基于视觉检测的配件分拣***及方法 | |
CN113947780B (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
CN213779923U (zh) | 一种基于人工智能技术的鞋服断针检测装置 | |
CN112418273B (zh) | 一种服饰流行程度评价方法、装置、智能终端及存储介质 | |
Valencia et al. | A novel method for inspection defects in commercial eggs using computer vision | |
CN112861664B (zh) | 一种基于深度学习的家禽姿态检测方法和*** |
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 |