CN111650208B - 一种巡游式机织面料疵点在线检测器 - Google Patents
一种巡游式机织面料疵点在线检测器 Download PDFInfo
- Publication number
- CN111650208B CN111650208B CN202010483152.7A CN202010483152A CN111650208B CN 111650208 B CN111650208 B CN 111650208B CN 202010483152 A CN202010483152 A CN 202010483152A CN 111650208 B CN111650208 B CN 111650208B
- Authority
- CN
- China
- Prior art keywords
- woven fabric
- tour
- defect
- detection
- fabric
- 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.)
- Expired - Fee Related
Links
Images
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
-
- 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
- G01N21/8806—Specially adapted optical and illumination features
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种巡游式机织面料疵点在线检测器及应用。本发明针对当前机织面料疵点自动检测技术运行时间长、漏检高、资源占用多的特点,提出了一种针对机织面料的巡游式在线疵点检测器。本发明首先根据机织面料的表面特征和其疵点的形成机理和图像特征,设计了机织面料在线疵点检测算法,运用深度可分离卷积减少神经网络的参数量和计算量;其次设计了巡游式在线疵点检测装置,通过控制单元输出脉冲信号驱动步进电机,精确控制同步带滑台上的单个相机进行纬向位移,二次覆盖单向检测的漏检区,实现了全幅面巡游检测。本发明能够解决目前自动检测技术的不足,实现机织面料生产线上的疵点检测。
Description
技术领域
本发明涉及一种机织面料在线生产环境下的疵点检测装置,属于机织面料的疵点检测技术领域。
背景技术
我国是纺织大国,现代纺织企业生产力高度发展,提高产品质量和降低生产成本成为企业生存的关键,所以纺织品的质量把控逐渐成为纺织行业内关注的焦点。在面料生产的工艺流程中,面料质检是其中的重要环节,而疵点检测又是面料质检的重要内容,面料疵点也是影响成品面料质量的主要因素。
传统的检测技术主要分为基于空间域统计的疵点检测方法,基于频谱分析的疵点检测方法和基于模型匹配的疵点检测方法。基于空间域统计的方法通过不同的算法表示区域统计特征,区分疵点和面料背景,常用算法有分形维数,特征滤波,灰度统计等。基于频谱分析的方法通过将图像变换至频域,利用频谱特性区分疵点和面料背景,常用算法有离散傅里叶变换、Gabor变换、小波变换等。基于模型匹配的方法先判断面料模型,再通过正常面料确定模型参数,进而检验面料是否含有疵点,常用有高斯马尔可夫模型、高斯混合模型等。
近年来,深度学习的兴起为面料的疵点检测提供了新思路。Liu Z等人通过基于点到点的方式利用卷积神经网络对面料疵点进行检测;Wang B等人利用卷积网络对织物进行提取特征,并结合低秩模型来显示疵点区域;景军锋等人提出将Faster R-CNN网络用于有纹理和有色织物的疵点检测,但目前国内仍缺乏对于深度学习在面料疵点在线检测方面的研究。
发明内容
本发明的目的是:实现针对机织面料在线生产环境的疵点检测。
为了达到上述目的,本发明的技术方案提供了一种巡游式机织面料疵点在线检测器,用于进行机织面料疵点的在线检测和机织面料疵点的离线检测,其特征在于,包括:
图像获取模块,用于在进行机织面料疵点的在线检测时,获得待检测的机织面料的实时面料图像;
位移模块,用于在进行机织面料疵点的在线检测时,带动图像获取模块沿纬向进行I次全幅面巡游,图像获取模块在巡游过程中实时获得面料图像;将一次巡游定义为:沿纬向从机织面料幅面的一端平移至机织面料幅面的另一端,再从机织面料幅面的另一端重新回到机织面料幅面的一端,进一步,将一次巡游中,沿纬向从机织面料幅面的一端平移至机织面料幅面的另一端定义为第一次平移过程,沿纬向从机织面料幅面的另一端重新回到机织面料幅面的一端定义为第二次平移过程,则图像获取模块在一次巡游的第一次平移过程及第二次平移过程中均获得N张实时面料图像,且第一次平移过程获得的N张实时面料图像与第二次平移过程中获得的N张实时面料图像在纬向位置上一一对应,则有:
第i次巡游中第一次平移过程获得的第n张实时面料图像与第i-1次巡游中第二次平移过程获得的第n张实时面料图像存在重叠区域,并且与第i次巡游中第二次平移过程获得的第n张实时面料图像存在重叠区域,达到二次覆盖漏检区的目的以克服因机织面料沿经向运动所造成的图像漏采,n=1,…,N,i=2,…,I;
机织面料疵点检测算法模块,在进行机织面料疵点的离线检测时,获得用户指定的目标检测图片,对目标检测图片进行疵点检测,输出离线疵点检测结果;在进行机织面料疵点的在线检测时,获得图像获取模块采集的实时面料图像,对每张实时面料图像进行遍历式检测,输出在线疵点检测结果。
优选地,所述第i次巡游中所述第一次平移过程及所述第二次平移过程中,所述图像获取模块分别停顿M次,M≥1,以避免因所述图像获取模块被所述位移模块带动高速运动而引起的运动模糊问题。
优选地,所述机织面料疵点检测算法模块采用Vgg-16网络作为基础架构,将Vgg-16网络的卷积层中卷积核大小为D2×D2×M2的标准卷积分解为尺寸为D2×D2×M1的深度卷积和尺寸为1×1×M2的逐点卷积,每个深度卷积和逐点卷积后都接了批标准化BN及含泄露的线性修正函数Leaky_Relu,其中,D2表示卷积核尺寸,M2表示输出通道数,M1表示输入所述机织面料疵点检测算法模块的图像的通道数。
优选地,设所述图像获取模块的采集频率为f、所述图像获取模块被所述位移模块带动的运行速度为v、机织面料幅宽为B、所述图像获取模块采集图片分辨率为L×W、所述机织面料被带动的运行速度为u、所述图像获取模块的缩放倍数为n,则有:
从而达到所述二次覆盖漏检区的目的。
优选地,还包括数据统计模块,用于根据所述机织面料疵点检测算法模块输出的所述离线疵点检测结果或所述在线疵点检测结果生成疵点统计图形或疵点统计表。
优选地,所述位移模块包括所述位移模块包括控制单元、步进电机驱动单元、同步带滑台、检测相机、机器视觉光源,其中:
控制单元用于输出步进电机脉冲信号;
步进电机驱动单元接收控制单元给出的信号后通过同步带滑台驱动检测相机实现所述全幅面巡游;
检测相机用于采集所述实时面料图像;
机器视觉光源用于为检测相机提供光源。
本发明的另一个技术方案是提供了一种上述的巡游式机织面料疵点在线检测器应用,其特征在于,将上述的巡游式机织面料疵点在线检测器布置在产线织机上,实时对面料疵点进行检测。
本发明针对当前机织面料疵点自动检测技术运行时间长、漏检高、资源占用多的特点,提出了一种针对机织面料的巡游式在线疵点检测器。本发明首先根据机织面料的表面特征和其疵点的形成机理和图像特征,设计了机织面料在线疵点检测算法,运用深度可分离卷积减少神经网络的参数量和计算量;其次设计了巡游式在线疵点检测装置,通过控制单元输出脉冲信号驱动步进电机,精确控制同步带滑台上的单个相机进行纬向位移,并通过计算生产时面料实际的经向运动速度,得到对应的滑台运动速度,二次覆盖单向检测的漏检区,实现了0.6m/s(最高0.8m/s)的全幅面巡游检测。本发明能够解决目前自动检测技术的不足,实现机织面料生产线上的疵点检测。
附图说明
图1是本发明的流程图;
图2是本发明的神经网络结构,神经网络基础结构包括输入层,隐藏层和输出层三部分,其中输入图像尺寸为224*224,隐藏层分三部分,第一部分为标准卷积层和深度卷积层加逐点卷积层,后接池化层;第二部分为逐点卷积层和深度卷积层反复两次后接池化层;第三部分为逐点卷积层和深度卷积层反复两次后接池化层,最终利用Softmax层输出结果。
图3(a)及图3(b)是本发明的算法实际检测结果,其中,图3(a)为损失曲线,图3(b)为分类准确率曲线;
图4是本发明的装置功能框图;
图5是本发明的装置布置图;
图6是本发明的步进电机控制算法流程。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种巡游式机织面料疵点在线检测器能够实现针对机织面料在线生产环境的疵点检测。本发明使用基于深度可分离卷积的神经网络,设计巡游式在线疵点检测装置,将巡游式检测装置布置在产线织机上,实时对面料疵点进行检测。
本发明可以进行机织面料疵点的离线检测,也可以进行机织面料疵点的在线检测,同时,可以对离线检测或在线检测得到的疵点数据进行统计。机织面料疵点的在线检测通过监控相机的数据传输目录,对工业相机采集到每张面料图像进行遍历式检测,监控数据传输目录由用户手动设置。机织面料疵点的离线检测可指定目标检测图片,对单张图片进行疵点检测,目标检测路径由用户手动设置。进行疵点数据统计时,将目标文件夹下的五类面料图像数目,生成饼状图折线图。
本发明提供的一种巡游式机织面料疵点在线检测器主要包括以下内容:
工业相机,用于在进行机织面料疵点的在线检测时,采集机织面料的实时面料图像。
树莓派控制板作为控制单元用于输出步进电机脉冲信号,对步进电机驱动单元进行控制。
步进电机驱动单元在控制单元的控制下通过同步带滑台驱动检测相机实现I次全幅面巡游。其中,由于树莓派控制板以及工业相机总重600g为轻度负载,故同步带滑台选择45型材的同步带。
工业相机在巡游过程中实时获得面料图像。将一次巡游定义为:沿纬向从机织面料幅面的一端平移至机织面料幅面的另一端,再从机织面料幅面的另一端重新回到机织面料幅面的一端。将一次巡游中,沿纬向从机织面料幅面的一端平移至机织面料幅面的另一端定义为第一次平移过程,沿纬向从机织面料幅面的另一端重新回到机织面料幅面的一端定义为第二次平移过程。工业相机在一次巡游的第一次平移过程及第二次平移过程中均获得N张实时面料图像,且第一次平移过程获得的N张实时面料图像与第二次平移过程中获得的N张实时面料图像在纬向位置上一一对应。
控制单元上运行有步进电机巡游控制算法,对工业相机的巡游过程进行控制,主要包括以下内容:
设:机织面料幅宽Bmm、工业相机缩放倍数为工业相机采集图片分辨率为L×W像素、织机运行速度umm/s、工业相机被同步带滑台带动的运行速度vmm/s、图片采集频率fHz,则巡游一次工业相机采集图片数量为张。
若在机织面料静止时,要使采集图片可以拼出完整幅面,有:
则有
v=fLnmm/s
巡游一次的时间tx为:
采集时间间隔ts为:
当机织面料运动时,单次采集移动距离xs为:
xs=ts·umm
所以要克服因面料运动造成的图像漏采,本发明采用重叠扫面区域的办法,来避免漏检,即在本发明中,第i次巡游中第一次平移过程获得的第n张实时面料图像与第i-1次巡游中第二次平移过程获得的第n张实时面料图像存在重叠区域,并且与第i次巡游中第二次平移过程获得的第n张实时面料图像存在重叠区域,达到二次覆盖漏检区的目的以克服因机织面料沿经向运动所造成的图像漏采,n=1,…,N,i=2,…,I。
为此,单次采集的漏检区域面积Ss是:
Ss=L·n·xsmm2
巡游一次后左端采集图像距离Xs为:
Xs=G·xsmm
上式中,G为巡游一次后的左端漏检次数,则有:
若该距离刚好是采集图像的一半,那么相邻两次巡游后左端的幅面刚好被完整采集一次,即有:
则巡游速度和面料运动速度满足下式:
而巡游速度应满足v=fLn
则有下式所示的关系:
步进电机巡游控制算法除了采用上述二次覆盖漏检区来实现无漏检外,还有因同步带滑台高速运动引起的运动模糊问题。为了匹配面料运动速度,同步带滑台的运行速度将高达0.8m/s,在这种速度下,工业相机采集到的图像极大可能会出现抖动模糊,为了避免这种因高速运动引起的模糊,本发明在滑台单次扫描中间隔停顿,划分停顿采集区域,来保证相机采集时保持与面料纬向相对静止。停顿次数为:停顿时长0.1s,停顿距离为
本发明还包括机织面料疵点检测算法模块,在进行机织面料疵点的离线检测时,获得用户指定的目标检测图片,对目标检测图片进行疵点检测,输出离线疵点检测结果。在进行机织面料疵点的在线检测时,获得图像获取模块采集的实时面料图像,对每张实时面料图像进行遍历式检测,输出在线疵点检测结果。
本发明中,机织面料疵点检测算法模块使用了基于深度可分离卷积的深层神经网络结构,该网络可大幅降低参数量和计算量进而提高算法的运行速度。深度可分离卷积的本质就是将标准卷积因式分解为深度卷积和1*1大小的逐点卷积,实现了对通道和区域的分离。网络结构如图1所示,采用Vgg-16网络作为基础架构,将Vgg-16网络的卷积层中卷积核大小为D2×D2×M2的标准卷积分解为尺寸为D2×D2×M1的深度卷积和尺寸为1×1×M2的逐点卷积,每个深度卷积和逐点卷积后都接了批标准化BN及含泄露的线性修正函数Leaky_Relu,其中,D2表示卷积核尺寸,M2表示输出通道数,M1表示输入所述机织面料疵点检测算法模块的图像的通道数。
假设输入图像大小为D1×D1×M1,经过D2×D2卷积核的卷积层,则标准卷积中的标准卷积核大小为D2×D2×M2,M2是输出通道数,卷积层的参数量如下式所示:
N1=D2×D2×M1×M2
卷积层的计算量为:
C1=D1×D1×M1×M2×D2×D2
而深度可分离卷积则将标准卷积拆分成了深度卷积和逐点卷积,深度卷积核尺寸为D2×D2×M1,逐点卷积核尺寸为1×1×M2,则深度卷积的参数量为
N2=D2×D2×M1
计算量为
C2=D1×D1×M1×D2×D2
逐点卷积的参数量为
N3=1×1×M1×M2
计算量为
23=M1×M2×D2×D2
不难发现,深度可分离卷积层的参数量N2+N3<N1和计算量C2+C3<C均小于标准卷积层的参数量和计算量。随着输入图像边长尺寸、输入通道数和输出图像边长尺寸、输出通道数的增长,深度可分离卷积的参数量和计算量将远小于标准卷积。最终该网络的参数量减少了120万,运行时间为977秒,平均每分钟检测疵点图像70张,分类准确率为91.7%,实际检测结果如图3(a)及图3(b)所示。
Claims (7)
1.一种巡游式机织面料疵点在线检测器,用于进行机织面料疵点的在线检测和机织面料疵点的离线检测,其特征在于,包括:
图像获取模块,获得待检测的机织面料的实时面料图像;
位移模块,用于在进行机织面料疵点的在线检测时,带动图像获取模块沿纬向进行I次全幅面巡游,图像获取模块在巡游过程中实时获得面料图像;将一次巡游定义为:沿纬向从机织面料幅面的一端平移至机织面料幅面的另一端,再从机织面料幅面的另一端重新回到机织面料幅面的一端,进一步,将一次巡游中,沿纬向从机织面料幅面的一端平移至机织面料幅面的另一端定义为第一次平移过程,沿纬向从机织面料幅面的另一端重新回到机织面料幅面的一端定义为第二次平移过程,则图像获取模块在一次巡游的第一次平移过程及第二次平移过程中均获得N张实时面料图像,且第一次平移过程获得的N张实时面料图像与第二次平移过程中获得的N张实时面料图像在纬向位置上一一对应,则有:
第i次巡游中第一次平移过程获得的第n张实时面料图像与第i-1次巡游中第二次平移过程获得的第n张实时面料图像存在重叠区域,并且与第i次巡游中第二次平移过程获得的第n张实时面料图像存在重叠区域,达到二次覆盖漏检区的目的以克服因机织面料沿经向运动所造成的图像漏采,n=1,…,N,i=2,…,I;
设图像获取模块的采集频率为f、图像获取模块被位移模块带动的运行速度为v、机织面料幅宽为B、所述图像获取模块采集图片分辨率为L×W、所述机织面料被带动的运行速度为u、所述图像获取模块的缩放倍数为n,设定巡游一次后左端采集图像距离刚好是采集图像的一半,则有:
从而达到所述二次覆盖漏检区的目的;
机织面料疵点检测算法模块,在进行机织面料疵点的离线检测时,获得用户指定的目标检测图片,对目标检测图片进行疵点检测,输出离线疵点检测结果;在进行机织面料疵点的在线检测时,获得图像获取模块采集的实时面料图像,对每张实时面料图像进行遍历式检测,输出在线疵点检测结果。
2.如权利要求1所述的一种巡游式机织面料疵点在线检测器,其特征在于,所述第i次巡游中所述第一次平移过程及所述第二次平移过程中,所述图像获取模块分别停顿M次,M≥1,以避免因所述图像获取模块被所述位移模块带动高速运动而引起的运动模糊问题。
4.如权利要求1所述的一种巡游式机织面料疵点在线检测器,其特征在于,所述机织面料疵点检测算法模块采用Vgg-16网络作为基础架构,将Vgg-16网络的卷积层中卷积核大小为D2×D2×M2的标准卷积分解为尺寸为D2×D2×M1的深度卷积和尺寸为1×1×M2的逐点卷积,每个深度卷积和逐点卷积后都接了批标准化BN及含泄露的线性修正函数Leaky_Relu,其中,D2表示卷积核尺寸,M2表示输出通道数,M1表示输入所述机织面料疵点检测算法模块的图像的通道数。
5.如权利要求1所述的一种巡游式机织面料疵点在线检测器,其特征在于,还包括数据统计模块,用于根据所述机织面料疵点检测算法模块输出的所述离线疵点检测结果或所述在线疵点检测结果生成疵点统计图形或疵点统计表。
6.如权利要求1所述的一种巡游式机织面料疵点在线检测器,其特征在于,所述位移模块包括控制单元、步进电机驱动单元、同步带滑台、检测相机、机器视觉光源,其中:
控制单元用于输出步进电机脉冲信号;
步进电机驱动单元接收控制单元给出的信号后通过同步带滑台驱动检测相机实现所述全幅面巡游;
检测相机用于采集所述实时面料图像;
机器视觉光源用于为检测相机提供光源。
7.一种如权利要求1所述的巡游式机织面料疵点在线检测器应用,其特征在于,将如权利要求1所述的巡游式机织面料疵点在线检测器布置在产线织机上,实时对面料疵点进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010483152.7A CN111650208B (zh) | 2020-06-01 | 2020-06-01 | 一种巡游式机织面料疵点在线检测器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010483152.7A CN111650208B (zh) | 2020-06-01 | 2020-06-01 | 一种巡游式机织面料疵点在线检测器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650208A CN111650208A (zh) | 2020-09-11 |
CN111650208B true CN111650208B (zh) | 2021-08-27 |
Family
ID=72349823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010483152.7A Expired - Fee Related CN111650208B (zh) | 2020-06-01 | 2020-06-01 | 一种巡游式机织面料疵点在线检测器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650208B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598657B (zh) * | 2020-12-28 | 2022-03-04 | 锋睿领创(珠海)科技有限公司 | 缺陷检测方法、装置、模型构造方法和计算机设备 |
CN112766364A (zh) * | 2021-01-18 | 2021-05-07 | 南京信息工程大学 | 一种改进vgg19的番茄叶片病害分类方法 |
CN113009596B (zh) * | 2021-02-19 | 2022-08-30 | 西北工业大学 | 一种雨量监测装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1482493A (zh) * | 2002-09-10 | 2004-03-17 | 均豪精密工业股份有限公司 | 扫描检测装置的取像方法 |
CN1844899A (zh) * | 2005-04-08 | 2006-10-11 | 株式会社名南制作所 | 检测宽物品的方法 |
CN101946154A (zh) * | 2008-02-18 | 2011-01-12 | 株式会社Snu精密 | 视觉检测***及使用该***的检测方法 |
CN102680495A (zh) * | 2011-03-15 | 2012-09-19 | 上海赫立电子科技有限公司 | 自动光学检测装置及方法 |
CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
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 |
CN208752022U (zh) * | 2018-06-13 | 2019-04-16 | 西安工程大学 | 基于树莓派的深度学习机器视觉自动在线验布装置 |
CN110991540A (zh) * | 2019-12-09 | 2020-04-10 | 华南理工大学 | 一种面向机箱装配质量快速检测的轻量化图像分类方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10142158A (ja) * | 1996-11-11 | 1998-05-29 | Toshiba Corp | 軸対称性パターンの欠陥検査方法および装置 |
DE69939522D1 (de) * | 1998-07-28 | 2008-10-23 | Matsushita Electric Works Ltd | Prüfsystem für diskrete leiterbahnnen auf kontinuierlichem substrat aus flexiblem material |
CN101305601B (zh) * | 2005-11-10 | 2011-03-30 | 奥比·奥马特和鲍姆加特纳两合公司 | 用于摄录图像的摄像机芯片、摄像机和方法 |
JP6048873B2 (ja) * | 2012-09-04 | 2016-12-21 | 株式会社プレックス | 布片検査方法および布片検査装置 |
CN104614380A (zh) * | 2013-11-04 | 2015-05-13 | 北京兆维电子(集团)有限责任公司 | 一种板带表面质量检测***和方法 |
ES2630736B1 (es) * | 2015-12-07 | 2018-07-04 | Universidad De Zaragoza | Sistema y método de detección de defectos en superficies especulares o semi-especulares mediante proyección fotogramétrica |
FR3048369B1 (fr) * | 2016-03-01 | 2018-03-02 | Pellenc Selective Technologies | Machine et procede d'inspection d'objets defilant en flux |
FI128850B (en) * | 2016-05-06 | 2021-01-29 | Procemex Oy Ltd | Procedure for computer vision and systems for monitoring manufacturing processes |
CN207248773U (zh) * | 2017-09-08 | 2018-04-17 | 湖南航天远望科技有限公司 | 一种浮空器囊体材料缺陷检测*** |
CN108572179A (zh) * | 2018-04-19 | 2018-09-25 | 天津市晟春阳纸制品有限公司 | 一种印刷品墨斑的检测装置及检测方法 |
CN109580645A (zh) * | 2018-12-20 | 2019-04-05 | 深圳灵图慧视科技有限公司 | 疵点识别设备 |
CN109884073A (zh) * | 2019-03-19 | 2019-06-14 | 东华大学 | 一种布料疵点检测装置 |
CN110632089A (zh) * | 2019-09-05 | 2019-12-31 | 浙江翼晟科技有限公司 | 自动验布***及其验布方法 |
CN110930387A (zh) * | 2019-11-21 | 2020-03-27 | 中原工学院 | 基于深度可分离卷积神经网络的织物疵点检测方法 |
-
2020
- 2020-06-01 CN CN202010483152.7A patent/CN111650208B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1482493A (zh) * | 2002-09-10 | 2004-03-17 | 均豪精密工业股份有限公司 | 扫描检测装置的取像方法 |
CN1844899A (zh) * | 2005-04-08 | 2006-10-11 | 株式会社名南制作所 | 检测宽物品的方法 |
CN101946154A (zh) * | 2008-02-18 | 2011-01-12 | 株式会社Snu精密 | 视觉检测***及使用该***的检测方法 |
CN102680495A (zh) * | 2011-03-15 | 2012-09-19 | 上海赫立电子科技有限公司 | 自动光学检测装置及方法 |
CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
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 |
CN208752022U (zh) * | 2018-06-13 | 2019-04-16 | 西安工程大学 | 基于树莓派的深度学习机器视觉自动在线验布装置 |
CN110991540A (zh) * | 2019-12-09 | 2020-04-10 | 华南理工大学 | 一种面向机箱装配质量快速检测的轻量化图像分类方法 |
Non-Patent Citations (2)
Title |
---|
基于改进SSD 的电力设备红外图像异常自动检测方法;王旭红 等;《电工技术学报》;20200131;第304-306页第2节 * |
基于改进深度卷积神经网络的纸币识别研究;盖杉 等;《电子与信息学报》;20190831;第1993页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111650208A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650208B (zh) | 一种巡游式机织面料疵点在线检测器 | |
CN105259189B (zh) | 玻璃的缺陷成像***和方法 | |
US20240118218A1 (en) | Stroboscopic stepped illumination defect detection system | |
CN1174604C (zh) | 线性传感器成象方法和成象装置 | |
CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、***及装置 | |
CN111650210A (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测*** | |
Liu et al. | Automatic detection technology of surface defects on plastic products based on machine vision | |
CN116256373B (zh) | 一种钙钛矿电池薄膜表面缺陷检测的方法 | |
CN105227802B (zh) | 一种面向最佳质量图像快速扫描的自适应控制方法及*** | |
CN109089013A (zh) | 一种多光源检测图像获取方法以及机器视觉检测*** | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测***与方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN113923358A (zh) | 一种飞拍模式下的在线自动对焦方法和*** | |
CN101930606A (zh) | 一种图像边缘检测的景深扩展方法 | |
CN111784644A (zh) | 基于深度学习的印花瑕疵检测方法及*** | |
CN110940670A (zh) | 基于机器视觉的柔印标签印刷首稿检测***及其实现方法 | |
CN108132020A (zh) | 基于线阵相机的编织纱线速度与长度的测量***及方法 | |
CN103458158B (zh) | 线阵相机曝光时间的控制方法及其*** | |
CN106093051A (zh) | 基于机器视觉的纸卷切面毛刺检测方法及装置 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
CN102564924B (zh) | 一种血细胞单帧图像的自动扫描方法 | |
US20230053838A1 (en) | Image recognition apparatus, image recognition method, and recording medium | |
Ozkaya et al. | Faults detection with image processing methods in textile sector | |
CN110672209A (zh) | 一种经编布匹色差在线检测方法 | |
CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210827 |
|
CF01 | Termination of patent right due to non-payment of annual fee |