CN112686869A - 一种布匹瑕疵检测方法及其装置 - Google Patents
一种布匹瑕疵检测方法及其装置 Download PDFInfo
- Publication number
- CN112686869A CN112686869A CN202011629324.3A CN202011629324A CN112686869A CN 112686869 A CN112686869 A CN 112686869A CN 202011629324 A CN202011629324 A CN 202011629324A CN 112686869 A CN112686869 A CN 112686869A
- Authority
- CN
- China
- Prior art keywords
- network
- cloth
- detection model
- flaw detection
- layer
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种布匹瑕疵检测方法及其装置。所述布匹瑕疵检测方法包括:将布匹图片输入瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的特征图,所述瑕疵检测模型采用裁剪后的轻量级网络;将所述瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图,N为小于所述轻量级网络的网络层的数量的整数;对所述瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图;将池化后的特征图依次叠加后通过上采样得到第二特征图;以及将所述第一特征图和所述第二特征图融合以得到瑕疵在所述布匹图片中的位置。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种布匹瑕疵检测方法及其装置。
背景技术
随着计算机技术和人工智能等科学技术的出现以及发展,基于神经网络的物体表面缺陷检测技术应运而生。现有技术通过图像增强、分割和去噪等传统方法配合神经网络来提取布料图像特征,筛选出物体表面的瑕疵部分,极大程度上改善了物体表面的缺陷检测效果以及提高了物体表面缺陷检测速率,同时避免了因场景条件、主观判断等因素影响缺陷检测结果。
在布匹的瑕疵检测过程中,由于神经网络的特征提取的不适当,容易出现过检问题,把类似于瑕疵的正常布料判定为缺陷。比如由于拍摄时的灯光问题造成的类似于瑕疵特征的明暗差距或者纹理。
为解决上述布匹的过检问题,本发明旨在提出一种布匹瑕疵检测方法及其装置。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面,提供了一种布匹瑕疵检测方法,包括:将布匹图片输入瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的特征图,所述瑕疵检测模型采用裁剪后的轻量级网络;将所述瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图,N为小于所述轻量级网络的网络层的数量的整数;对所述瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图;将池化后的特征图依次叠加后通过上采样得到第二特征图;以及将所述第一特征图和所述第二特征图融合以得到瑕疵在所述布匹图片中的位置。
在一实施例中,所述布匹瑕疵检测方法还包括:剪裁轻量级网络的通道数量;以及用剪裁后的轻量级网络对样本图片进行训练以得到所述瑕疵检测模型。
在一实施例中,所述剪裁所述轻量级网络的通道数量包括:剪裁所述轻量级网络的最后若干层网络层的通道数量,其中被剪裁的网络层的通道数量大于等于其前一层网络层的通道数量。
在一实施例中,所述轻量级网络为MobileNet V3网络,剪裁后的通道数量为8或32的倍数,所述剪裁所述轻量级网络的最后若干层网络层的通道数量包括:将通道数量为160的网络层的通道数量剪裁为128;以及将通道数量为960的网络层的通道数量剪裁为640。
在一实施例中,所述轻量级网络为MobileNet V3网络,所述N小于3。
在一实施例中,所述N等于2,所述将所述瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图包括:将所述瑕疵检测模型的第七层和第十三层网络层输出的特征图融合以作为所述第一特征图。
在一实施例中,所述对所述瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图包括:对所述瑕疵检测模型的最后一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图。
在一实施例中,所述布匹瑕疵检测方法还包括:获取拍摄的原始布匹图片;将拍摄的原始布匹图片分割成大小相等且符合所述瑕疵检测模型的尺寸要求的图片以作为输入所述瑕疵检测模型的布匹图片;将所述布匹图片进行压缩以减小所述布匹图片的像素值;以及所述将布匹图片输入瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的纹理特征层包括:将压缩后的布匹图片输入所述瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的纹理特征层。
根据本发明的另一个方面,还提供了一种布匹瑕疵检测装置,包括存储器、处理器以及存储在存储器上的计算机程序,所述处理器被用于执行存储在所述存储器上的计算机程序时实现如上述任一实施例所述的布匹瑕疵检测方法的步骤。
根据本发明的又一个方面,还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一实施例所述的布匹瑕疵检测方法的步骤。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,更能够更好地理解本发明的上述特征和优点。
图1是根据本发明的一个方面绘示的一实施例中的布匹瑕疵检测方法的流程示意图;
图2是根据本发明的一个方面绘示的一实施例中的布匹瑕疵检测方法的部分流程示意图;
图3是根据本发明的一个方面绘示的一实施例中的剪裁后的轻量级网络的结构示意图;
图4是根据本发明的一个方面绘示的一实施例中的布匹瑕疵检测方法的部分流程示意图;
图5是根据本发明的另一个方面绘示的一实施例中的布匹瑕疵检测装置的模块框图。
具体实施方式
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的,并且本文定义的一般性原理可适用于较宽范围的实施例。由此,本发明并不限于本文中给出的实施例,而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
在以下详细描述中,阐述了许多特定细节以提供对本发明的更透彻理解。然而,对于本领域技术人员显而易见的是,本发明的实践可不必局限于这些具体细节。换言之,公知的结构和器件以框图形式示出而没有详细显示,以避免模糊本发明。
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献,且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
注意,在使用到的情况下,标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的,而并不暗示任何具体的固定方向。事实上,它们被用于反映对象的各个部分之间的相对位置和/或方向。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
注意,在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
根据本发明的一个方面,提供一种布匹瑕疵检测方法,用于减少布匹瑕疵检测过程中的过检问题,同时可减少人工确认的步骤,节省成本,达到全自动布匹瑕疵检测的水平。
在一实施例中,如图1所示,布匹瑕疵检测方法100可包括步骤S110~S150。
步骤S110为:将布匹图片输入瑕疵检测模型以得到瑕疵检测模型的各层网络层输出的特征图,所述瑕疵检测模型采用裁剪后的轻量级网络。
轻量级网络是指参数量少、计算量小以及推理时间短的网络。目前主流的轻量级网络包括SqueezeNet、MobileNet以及ShuffleNet等等。
可以理解,采用一种轻量级网络或其组合网络作为瑕疵检测模型的网络骨架。同时,为降低瑕疵检测模型提取的纹理特征,从而减少布匹瑕疵检测的过检概率,可将轻量级网络进一步进行裁剪,减少瑕疵监测模型从布匹图片中提取出的纹理特征。
可以理解,常规的模型一般包括输入网络层、中间网络层以及输出网络层,其中,中间网络层还可包括分为多层,每一中间网络层以及输出网络层具有输出结果,输入网络层的输出结果即为输入该模型的数据。因此,由裁剪后的轻量级网络构成的瑕疵检测模型可包括多层网络层,且,每一网络层具有其输出的特征图。可以理解,瑕疵检测模型的每一网络层根据其检测的特征维度的不同,可输出对应于不同维度的特征图。
步骤S120为:将瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图,N为小于所述轻量级网络的网络层的数量的整数。
可以理解,单层网络层输出的特征图显然仅能代表该网络层所对应的检测维度的瑕疵检测结果,可能存在瑕疵特征的遗漏。为防止出现瑕疵特征的遗漏,较优地,可选取适当数量的网络层输出的特征图来进行融合,从而得到第一特征图。
可以理解,选取的网络层的数量可利用实际的检测结果来进行人为的验证,从而选取出最优数量的网络层的特征图来进行融合得到第一特征图。
以MobileNet V3为例,在现有的布匹瑕疵检测中,一般选取其中的3层网络层输出的特征图进行融合。但在现有的布匹瑕疵检测中显然存在过检问题。因此,在利用剪裁后的轻量级网络来作为瑕疵检测模型的网络骨架的基础上,较优地,还可将选取的网络层的数量N进行一定的缩减。比如,对于MobileNet V3作为网络骨架的瑕疵检测模型而言,选取的网络层的数量N可小于3。
在一具体实施例中,采用裁剪后的MobileNet V3作为网络骨架的瑕疵检测模型后,同时选取2层网络层输出的特征图进行融合,融合后的特征图作为第一特征图,最终的瑕疵检测结果可避免绝大多数的过检情况,甚至不再出现过检问题。
较优地,经过一定次数的实验验证,对于MobileNet V3作为网络骨架的瑕疵检测模型而言,选取的2层网络层最优为第七层和第十三层网络层。即,在以MobileNet V3作为网络骨架的瑕疵检测模型而言,较优地,步骤S120可设置为:将瑕疵检测模型的第七层和第十三层网络层输出的特征图融合以作为第一特征图。
步骤S130为:对瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图。
因为图像具有一种“静态性”的属性,这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此,为了描述大的图像,一个很自然的想法就是对不同位置的特征进行聚合统计,例如,人们可以计算图像一个区域上的某个特定特征的平均值(或最大值)来代表这个区域的特征。池化则是一种常规的降低输出的特征向量并同时改善输出结果的方法。
然而,池化(Pooling)是一种直接粗暴的方式,所以每一次池化后都会牺牲空间分辨率,多次池化后可能造成信息丢失而影响输出结果的效果。空洞卷积的出现就是为了解决在提升感受野的同时不损失信息的问题。
较优地,可将瑕疵检测模型的其中一层网络层输出的特征图输入空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)以得到池化后的特征图。空洞空间卷积池化金字塔可以将不同空洞率的空洞卷积平行或者级联堆叠来获取多尺度的信息增益。
在一具体实施例中,以MobileNet V3作为网络骨架的瑕疵检测模型,同时,其步骤S130设置为:将瑕疵检测模型的最后一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图。
步骤S140为:将池化后的特征图依次叠加后通过上采样得到第二特征图。
可以理解,池化是缩小特征图的操作,而上采样(Unsample)则是将提取到的特征图还原到原始分辨率大小的操作。常规的上采样包括转置卷积(Transpose Convolution)、线性插值(Linear Interpolation)和解池化(Unpooling)等等。
将池化后的特征图安装其分辨率大小依次叠加,并将叠加后的特征图经过上采样得到的第二特征图显然和第一特征图具有相同的大小。
步骤S150为:将第一特征图和第二特征图融合以得到瑕疵在所述布匹图片中的位置。
可以理解,融合不同尺度的特征是提高检测性能的一个重要手段。第一特征图一般由瑕疵检测模型中的低层特征图融合得到,包括更多的位置信息和细节信息,但由于经过的卷积更少,其语义性更低,噪声更多。第二特征图则一般由瑕疵检测模型中的高层特征图经过池化和上采样后得到,具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。因此,将第一特征图与第二特征图进行融合得到的最终的特征图可兼备位置信息、细节信息和语义性。
可以理解,特征图中的各个瑕疵特征的位置即可对应于各个瑕疵在布匹图片中的位置。
进一步地,布匹瑕疵检测方法还可包括对瑕疵检测模型的训练步骤。
在一具体实施例中,如图2所示,布匹瑕疵检测方法100还可包括步骤S160~S170。
其中,步骤S160为:剪裁轻量级网络的通道数量。
考虑到剪裁了某一层网络层的通道数量后,会影响其后一层的网络层的通道数量,因此较优地,剪裁该轻量级网络中较为靠后的网络层的通道数量。同时剪裁后的轻量级网络中的各个网络层的通道数量仍需满足后一层网络层的通道数量大于等于前一层的网络层的通道数量的要求。则,步骤S160可具化为:剪裁轻量级网络的最后若干层网络层的通道数量,其中被剪裁的网络层的通道数量大于等于其前一层网络层的通道数量。
可以理解,具体的剪裁规则可基于瑕疵检测的精度需求以及经验来进行设置。
以MobileNet V3作为网络骨架的瑕疵检测模型为例,剪裁后的通道数量需满足MobileNet V3网络限定的通道数量的设置规则,即,为8或32的倍数。经过创造性的付出得到,对于以MobileNet V3作为网络骨架的瑕疵检测模型的实施例而言,如图3所示,将通道数量为160的网络层的通道数量剪裁为128,将通道数量为960的网络层的通道数量剪裁为640,通道数量为1280的网络层的通道数量保持不变,可使得对应的瑕疵检测模型的瑕疵检测效果达到最佳。
步骤S170为:用剪裁后的轻量级网络对样本图片进行训练以得到瑕疵检测模型。
具体地,在剪裁好轻量级网络后,需对该剪裁后的轻量级网络进行训练以得到符合实际应用场景的瑕疵检测模型。可以理解,为使得训练出的瑕疵检测模型的检测精度达标,训练样本的数量需要进行对应的选取。可以理解,将训练样本作为轻量级网络的输入,同时将该训练样本对应的实际瑕疵检测的结果作为对应的输出,不断优化轻量级网络的参数,最终可得到符合应用场景需求的瑕疵检测模型。
可以理解,较优地,布匹瑕疵检测方法还可包括对采集到的原始布匹图片进行预处理的步骤。
在一具体实施例中,如图4所示,对采集到的原始布匹图片进行预处理的步骤可具体包括步骤S410~S430。
其中,步骤S410为:获取拍摄的原始布匹图片。
原始布匹图片为通过图像采集设备采集到的表征布匹的表面特征的图像数据。
具体地,图像采集设备可以是用于拍摄布匹照片的相机、摄像装置或其他图像采集设备等等。
步骤S420为:将拍摄的原始布匹图片分割成大小相等且符合所述瑕疵检测模型的尺寸要求的图片以作为输入所述瑕疵检测模型的布匹图片。
瑕疵检测网络需要固定尺寸大小的图片最为输入,因此可将原始布匹图片分割成大小相等且符合瑕疵检测模型的尺寸要求的图片来作为输入的布匹图片。在一具体实施例中,可将原始布匹图片裁剪为8张或16张大小相等且符合瑕疵检测模型的尺寸要求的布匹图片。
步骤S430为:将布匹图片进行压缩以减小布匹图片的像素值。
在现有的瑕疵检测方法中,大多采用的布匹图片的尺寸为500*4096,像素值过大,容易出现过检问题,因此可将布匹图片进行压缩以减小布匹图片的像素值。
可以理解,具体的压缩程度可基于试验结果来选取最优的瑕疵检测效果时对应的压缩程度。
经过创造性的付出得到,对于以MobileNet V3作为网络骨架的瑕疵检测模型的实施例而言,将布匹图片的像素值压缩至250*2048时的瑕疵检测效果达到最优。
对应地,在步骤S110中,可将压缩后的布匹图片输入瑕疵检测模型以得到瑕疵检测模型的各层网络层输出的纹理特征层。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的另一个方面,还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如前述任一实施例中所述的布匹瑕疵检测方法100的步骤。
根据本发明的另一个方面,还提供一种布匹瑕疵检测装置,用于减少布匹瑕疵检测过程中的过检问题,同时可减少人工确认的步骤,节省成本,达到全自动布匹瑕疵检测的水平。
在一实施例中,如图5所示,布匹瑕疵检测装置500可包括存储器510和处理器520。
其中,存储器510用于存储计算机程序。
处理器520与存储器510连接,用于执行存储器510上存储的计算机程序。处理器520被配置成:将布匹图片输入瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的特征图;将所述瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图;对瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图;将池化后的特征图依次叠加后通过上采样得到第二特征图;以及将第一特征图和第二特征图融合以得到瑕疵在所述布匹图片中的位置。
其中,瑕疵检测模型采用裁剪后的轻量级网络。选取的网络层的数量N为小于该轻量级网络的网络层的数量的整数。
轻量级网络是指参数量少、计算量小以及推理时间短的网络。目前主流的轻量级网络包括SqueezeNet、MobileNet以及ShuffleNet等等。
可以理解,采用一种轻量级网络或其组合网络作为瑕疵检测模型的网络骨架。同时,为降低瑕疵检测模型提取的纹理特征,从而减少布匹瑕疵检测的过检概率,可将轻量级网络进一步进行裁剪,减少瑕疵监测模型从布匹图片中提取出的纹理特征。
可以理解,常规的模型一般包括输入网络层、中间网络层以及输出网络层,其中,中间网络层还可包括分为多层,每一中间网络层以及输出网络层具有输出结果,输入网络层的输出结果即为输入该模型的数据。因此,由裁剪后的轻量级网络构成的瑕疵检测模型可包括多层网络层,且,每一网络层具有其输出的特征图。可以理解,瑕疵检测模型的每一网络层根据其检测的特征维度的不同,可输出对应于不同维度的特征图。
可以理解,单层网络层输出的特征图显然仅能代表该网络层所对应的检测维度的瑕疵检测结果,可能存在瑕疵特征的遗漏。为防止出现瑕疵特征的遗漏,较优地,可选取适当数量的网络层输出的特征图来进行融合,从而得到第一特征图。
可以理解,选取的网络层的数量可利用实际的检测结果来进行人为的验证,从而选取出最优数量的网络层的特征图来进行融合得到第一特征图。
以MobileNet V3为例,在现有的布匹瑕疵检测中,一般选取其中的3层网络层输出的特征图进行融合。但在现有的布匹瑕疵检测中显然存在过检问题。因此,在利用剪裁后的轻量级网络来作为瑕疵检测模型的网络骨架的基础上,较优地,还可将选取的网络层的数量N进行一定的缩减。比如,对于MobileNet V3作为网络骨架的瑕疵检测模型而言,选取的网络层的数量N可小于3。
在一具体实施例中,采用裁剪后的MobileNet V3作为网络骨架的瑕疵检测模型后,同时选取2层网络层输出的特征图进行融合,融合后的特征图作为第一特征图,最终的瑕疵检测结果可避免绝大多数的过检情况,甚至不再出现过检问题。
较优地,经过一定次数的实验验证,对于MobileNet V3作为网络骨架的瑕疵检测模型而言,选取的2层网络层最优为第七层和第十三层网络层。即,在以MobileNet V3作为网络骨架的瑕疵检测模型而言,处理器520较优地被配置为:将瑕疵检测模型的第七层和第十三层网络层输出的特征图融合以作为第一特征图。
因为图像具有一种“静态性”的属性,这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此,为了描述大的图像,一个很自然的想法就是对不同位置的特征进行聚合统计,例如,人们可以计算图像一个区域上的某个特定特征的平均值(或最大值)来代表这个区域的特征。池化则是一种常规的降低输出的特征向量并同时改善输出结果的方法。
然而,池化(Pooling)是一种直接粗暴的方式,所以每一次池化后都会牺牲空间分辨率,多次池化后可能造成信息丢失而影响输出结果的效果。空洞卷积的出现就是为了解决在提升感受野的同时不损失信息的问题。
较优地,可将瑕疵检测模型的其中一层网络层输出的特征图输入空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)以得到池化后的特征图。空洞空间卷积池化金字塔可以将不同空洞率的空洞卷积平行或者级联堆叠来获取多尺度的信息增益。
在一具体实施例中,以MobileNet V3作为网络骨架的瑕疵检测模型,同时,处理器520较优地被配置为:将瑕疵检测模型的最后一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图。
可以理解,池化是缩小特征图的操作,而上采样(Unsample)则是将提取到的特征图还原到原始分辨率大小的操作。常规的上采样包括转置卷积(Transpose Convolution)、线性插值(Linear Interpolation)和解池化(Unpooling)等等。
将池化后的特征图安装其分辨率大小依次叠加,并将叠加后的特征图经过上采样得到的第二特征图显然和第一特征图具有相同的大小。
可以理解,融合不同尺度的特征是提高检测性能的一个重要手段。第一特征图一般由瑕疵检测模型中的低层特征图融合得到,包括更多的位置信息和细节信息,但由于经过的卷积更少,其语义性更低,噪声更多。第二特征图则一般由瑕疵检测模型中的高层特征图经过池化和上采样后得到,具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。因此,将第一特征图与第二特征图进行融合得到的最终的特征图可兼备位置信息、细节信息和语义性。
可以理解,特征图中的各个瑕疵特征的位置即可对应于各个瑕疵在布匹图片中的位置。
进一步地,布匹瑕疵检测装置还可包括对瑕疵检测模型的训练程序。
在一具体实施例中,为实现对瑕疵检测模型的训练,处理器520还被配置为:剪裁轻量级网络的通道数量;以及用剪裁后的轻量级网络对样本图片进行训练以得到所述瑕疵检测模型。
考虑到剪裁了某一层网络层的通道数量后,会影响其后一层的网络层的通道数量,因此较优地,剪裁该轻量级网络中较为靠后的网络层的通道数量。同时剪裁后的轻量级网络中的各个网络层的通道数量仍需满足后一层网络层的通道数量大于等于前一层的网络层的通道数量的要求。则,处理器520进一步被配置为:剪裁轻量级网络的最后若干层网络层的通道数量,其中被剪裁的网络层的通道数量大于等于其前一层网络层的通道数量。
可以理解,具体的剪裁规则可基于瑕疵检测的精度需求以及经验来进行设置。
以MobileNet V3作为网络骨架的瑕疵检测模型为例,剪裁后的通道数量需满足MobileNet V3网络限定的通道数量的设置规则,即,为8或32的倍数。经过创造性的付出得到,对于以MobileNet V3作为网络骨架的瑕疵检测模型的实施例而言,如图3所示,将通道数量为160的网络层的通道数量剪裁为128,将通道数量为960的网络层的通道数量剪裁为640,通道数量为1280的网络层的通道数量保持不变,可使得对应的瑕疵检测模型的瑕疵检测效果达到最佳。
具体地,在剪裁好轻量级网络后,需对该剪裁后的轻量级网络进行训练以得到符合实际应用场景的瑕疵检测模型。可以理解,为使得训练出的瑕疵检测模型的检测精度达标,训练样本的数量需要进行对应的选取。可以理解,将训练样本作为轻量级网络的输入,同时将该训练样本对应的实际瑕疵检测的结果作为对应的输出,不断优化轻量级网络的参数,最终可得到符合应用场景需求的瑕疵检测模型。
可以理解,较优地,布匹瑕疵检测装置还可包括对采集到的原始布匹图片进行预处理的程序。
在一具体实施例中,为实现对采集到的原始布匹图片的预处理,处理器520还被配置为:获取拍摄的原始布匹图片;将拍摄的原始布匹图片分割成大小相等且符合所述瑕疵检测模型的尺寸要求的图片以作为输入所述瑕疵检测模型的布匹图片;以及将所述布匹图片进行压缩以减小所述布匹图片的像素值。
原始布匹图片为通过图像采集设备采集到的表征布匹的表面特征的图像数据。
具体地,图像采集设备可以是用于拍摄布匹照片的相机、摄像装置或其他图像采集设备等等。
瑕疵检测网络需要固定尺寸大小的图片最为输入,因此可将原始布匹图片分割成大小相等且符合瑕疵检测模型的尺寸要求的图片来作为输入的布匹图片。在一具体实施例中,可将原始布匹图片裁剪为8张或16张大小相等且符合瑕疵检测模型的尺寸要求的布匹图片。
在现有的瑕疵检测方法中,大多采用的布匹图片的尺寸为500*4096,像素值过大,容易出现过检问题,因此可将布匹图片进行压缩以减小布匹图片的像素值。
可以理解,具体的压缩程度可基于试验结果来选取最优的瑕疵检测效果时对应的压缩程度。
经过创造性的付出得到,对于以MobileNet V3作为网络骨架的瑕疵检测模型的实施例而言,将布匹图片的像素值压缩至250*2048时的瑕疵检测效果达到最优。
对应地,处理器520可将压缩后的布匹图片输入瑕疵检测模型以得到瑕疵检测模型的各层网络层输出的纹理特征层。
本领域技术人员将可理解,信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如,以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体***的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解,本发明的保护范围应当以所附权利要求书为准,而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内,可以对各实施例进行各种变动和修改,这些变动和修改也落在本发明的保护范围之内。
Claims (10)
1.一种布匹瑕疵检测方法,包括:
将布匹图片输入瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的特征图,所述瑕疵检测模型采用裁剪后的轻量级网络;
将所述瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图,N为小于所述轻量级网络的网络层的数量的整数;
对所述瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图;
将池化后的特征图依次叠加后通过上采样得到第二特征图;以及
将所述第一特征图和所述第二特征图融合以得到瑕疵在所述布匹图片中的位置。
2.如权利要求1所述的布匹瑕疵检测方法,其特征在于,还包括:
剪裁轻量级网络的通道数量;以及
用剪裁后的轻量级网络对样本图片进行训练以得到所述瑕疵检测模型。
3.如权利要求2所述的布匹瑕疵检测方法,其特征在于,所述剪裁所述轻量级网络的通道数量包括:
剪裁所述轻量级网络的最后若干层网络层的通道数量,其中被剪裁的网络层的通道数量大于等于其前一层网络层的通道数量。
4.如权利要求3所述的布匹瑕疵检测方法,其特征在于,所述轻量级网络为MobileNetV3网络,剪裁后的通道数量为8或32的倍数,所述剪裁所述轻量级网络的最后若干层网络层的通道数量包括:
将通道数量为160的网络层的通道数量剪裁为128;和/或
将通道数量为960的网络层的通道数量剪裁为640。
5.如权利要求1所述的布匹瑕疵检测方法,其特征在于,所述轻量级网络为MobileNetV3网络,所述N小于3。
6.如权利要求5所述的布匹瑕疵检测方法,其特征在于,所述N等于2,所述将所述瑕疵检测模型的其中N层网络层输出的特征图融合以得到第一特征图包括:
将所述瑕疵检测模型的第七层和第十三层网络层输出的特征图融合以作为所述第一特征图。
7.如权利要求1所述的布匹瑕疵检测方法,其特征在于,所述对所述瑕疵检测模型的其中一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图包括:
对所述瑕疵检测模型的最后一层网络层输出的特征图进行空洞卷积池化以得到池化后的特征图。
8.如权利要求1所述的布匹瑕疵检测方法,其特征在于,还包括:
获取拍摄的原始布匹图片;
将拍摄的原始布匹图片分割成大小相等且符合所述瑕疵检测模型的尺寸要求的图片以作为输入所述瑕疵检测模型的布匹图片;
将所述布匹图片进行压缩以减小所述布匹图片的像素值;以及
所述将布匹图片输入瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的纹理特征层包括:
将压缩后的布匹图片输入所述瑕疵检测模型以得到所述瑕疵检测模型的各层网络层输出的纹理特征层。
9.一种布匹瑕疵检测装置,包括存储器、处理器以及存储在存储器上的计算机程序,其特征在于,所述处理器被用于执行存储在所述存储器上的计算机程序时实现如权利要求1~8中任一项所述的布匹瑕疵检测方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1~8中任一项所述的布匹瑕疵检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011629324.3A CN112686869A (zh) | 2020-12-31 | 2020-12-31 | 一种布匹瑕疵检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011629324.3A CN112686869A (zh) | 2020-12-31 | 2020-12-31 | 一种布匹瑕疵检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686869A true CN112686869A (zh) | 2021-04-20 |
Family
ID=75455915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011629324.3A Pending CN112686869A (zh) | 2020-12-31 | 2020-12-31 | 一种布匹瑕疵检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686869A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406092A (zh) * | 2021-08-18 | 2021-09-17 | 阿里巴巴(中国)有限公司 | 数字化生产检测***、方法、装置、设备及存储介质 |
CN113610848A (zh) * | 2021-10-09 | 2021-11-05 | 阿里巴巴(中国)有限公司 | 数字化布料处理***、布料瑕疵检测方法、设备及介质 |
TWI786703B (zh) * | 2021-06-28 | 2022-12-11 | 顥天光電股份有限公司 | 人工智慧模型訓練裝置及其應用裝置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077166A (zh) * | 2018-10-19 | 2020-04-28 | 北京金山云网络技术有限公司 | 液晶屏的瑕疵检测方法、装置及终端设备 |
CN111080641A (zh) * | 2019-12-30 | 2020-04-28 | 上海商汤智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
CN111489364A (zh) * | 2020-04-08 | 2020-08-04 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111783886A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(青岛)科技有限公司 | 一种识别产品缺陷的方法及装置 |
CN111832453A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于双路深度神经网络的无人驾驶场景实时语义分割方法 |
CN112070158A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112150460A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 检测方法、检测***、设备和介质 |
-
2020
- 2020-12-31 CN CN202011629324.3A patent/CN112686869A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077166A (zh) * | 2018-10-19 | 2020-04-28 | 北京金山云网络技术有限公司 | 液晶屏的瑕疵检测方法、装置及终端设备 |
CN111080641A (zh) * | 2019-12-30 | 2020-04-28 | 上海商汤智能科技有限公司 | 裂缝检测方法、装置、计算机设备及存储介质 |
CN111489364A (zh) * | 2020-04-08 | 2020-08-04 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111783886A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(青岛)科技有限公司 | 一种识别产品缺陷的方法及装置 |
CN111832453A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于双路深度神经网络的无人驾驶场景实时语义分割方法 |
CN112070158A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112150460A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 检测方法、检测***、设备和介质 |
Non-Patent Citations (1)
Title |
---|
董洪义: "《深度学习之PyTorch物体检测实战》", 北京邮电大学出版社, pages: 185 - 189 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI786703B (zh) * | 2021-06-28 | 2022-12-11 | 顥天光電股份有限公司 | 人工智慧模型訓練裝置及其應用裝置 |
CN113406092A (zh) * | 2021-08-18 | 2021-09-17 | 阿里巴巴(中国)有限公司 | 数字化生产检测***、方法、装置、设备及存储介质 |
CN113406092B (zh) * | 2021-08-18 | 2022-01-11 | 阿里巴巴(中国)有限公司 | 数字化生产检测***、方法、装置、设备及存储介质 |
CN113610848A (zh) * | 2021-10-09 | 2021-11-05 | 阿里巴巴(中国)有限公司 | 数字化布料处理***、布料瑕疵检测方法、设备及介质 |
CN113610848B (zh) * | 2021-10-09 | 2022-04-12 | 阿里巴巴(中国)有限公司 | 数字化布料处理***、布料瑕疵检测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686869A (zh) | 一种布匹瑕疵检测方法及其装置 | |
CN110619618B (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN111709883B (zh) | 一种图像检测方法、装置及设备 | |
RU2706891C1 (ru) | Способ формирования общей функции потерь для обучения сверточной нейронной сети для преобразования изображения в изображение с прорисованными деталями и система для преобразования изображения в изображение с прорисованными деталями | |
CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
CN106709879A (zh) | 一种基于简单透镜计算成像的空间变化点扩散函数平滑方法 | |
CN111222564B (zh) | 基于图像通道相关性的图像鉴别***、方法、装置 | |
CN111738338B (zh) | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 | |
CN113989234A (zh) | 基于多特征融合的图像篡改检测方法 | |
CN111062854A (zh) | 检测水印的方法、装置、终端及存储介质 | |
Zhao et al. | Detecting deepfake video by learning two-level features with two-stream convolutional neural network | |
CN115937794A (zh) | 小目标对象检测方法、装置、电子设备及存储介质 | |
CN111524060B (zh) | 一种实时人像背景虚化的***、方法、存储介质和设备 | |
CN113362239A (zh) | 一种基于特征交互的深度学习图像修复方法 | |
CN112364824A (zh) | 一种多分辨率网络结构的翻拍检测方法 | |
CN110223273B (zh) | 一种结合离散余弦变换与神经网络的图像修复取证方法 | |
CN116977336A (zh) | 摄像头缺陷检测方法、装置、计算机设备及存储介质 | |
CN117315336A (zh) | 花粉颗粒识别方法、装置、电子设备及存储介质 | |
CN115439389A (zh) | 一种用于物体表面瑕疵检测方法及其装置 | |
CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
CN112348103B (zh) | 图像块分类方法和装置及其超分辨重建方法和装置 | |
CN115423697A (zh) | 图像修复方法、终端及计算机存储介质 | |
CN112052863B (zh) | 一种图像检测方法及装置、计算机存储介质、电子设备 | |
CN112465835B (zh) | 用于翡翠图像分割的方法及模型训练方法 | |
CN113516240A (zh) | 一种神经网络结构化渐进剪枝方法及*** |
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 |