CN113506255A - 一种基于高精度数字图像的服装缝线疵点自动检测方法 - Google Patents
一种基于高精度数字图像的服装缝线疵点自动检测方法 Download PDFInfo
- Publication number
- CN113506255A CN113506255A CN202110740826.1A CN202110740826A CN113506255A CN 113506255 A CN113506255 A CN 113506255A CN 202110740826 A CN202110740826 A CN 202110740826A CN 113506255 A CN113506255 A CN 113506255A
- Authority
- CN
- China
- Prior art keywords
- defects
- sewing
- clothing
- garment
- image
- 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.)
- Granted
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
- 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
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sewing Machines And Sewing (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高精度数字图像的服装缝线疵点自动检测方法,该方法根据服装缝线所在位置划分服装部位,并对缝线疵点按服装部位分类;利用自主搭建的装有高精度工业相机的图像采集设备,获取待测服装的高清图像;预处理获取的图像,并人工标注服装部位,建立标准服装部位数据集;使用该数据集训练改进的Faster R‑CNN网络,实现服装部位的自动识别与划分;提取服装部位图像,利用方向与每个服装部位缝线方向一致的Gabor算子提取缝线;利用Zhang‑Suen算法得到以针脚为单位的线迹片段,根据线迹片段提取缝线特征,使用分类器识别服装缝线疵点并判断其类别。
Description
技术领域
本发明属于服装质量检测领域,具体地涉及一种基于高精度数字图像的服装缝线疵点自动检测方法。
背景技术
服装的质量检测和控制是服装生产的关键环节。服装成品质检是服装在出厂前对其做全面检查的过程,主要对服装缝纫加工过程和后整理过程中出现的问题进行查验,是把控服装质量的最后环节。服装缝线疵点是在服装缝纫加工过程中产生的疵点,是影响服装评分标准的主要因素,它直接影响服装的美观性和服装的品质。所以在服装打包出厂前对服装缝线疵点的检测非常重要。
目前,服装企业主要是以人工目测的方式检测服装缝线疵点。在大量服装生产过程中,传统的人工检测存在漏检率高、效率低、劳动强度高等问题。随着机器视觉、数字图像处理等领域技术的迅速发展,基于数字图像解决服装疵点检测成为可能。利用高精度数字图像技术对服装缝线疵点检测,不仅可以解决人工检测过程中出现的问题,而且提高服装疵点检测精度,使进入销售市场的服装品质得到保障。从而有效提升服装企业的质量检测工业化程度,促进服装产业的转型升级,加快服装行业智能化的步伐。
发明内容
本发明的目的在于提供一种基于高精度数字图像的服装缝线疵点自动检测方法,针对现有技术中的缺陷,将传统图像处理技术、深度学习技术等进行结合,通过改进的Faster R-CNN网络,实现服装部位的自动识别与划分。利用Zhang-Suen算法得到以针脚为单位的线迹片段,根据线迹片段提取缝线特征,使用分类器识别服装缝线疵点并判断其类别。本发明解决了人工低效、漏检的问题,优化生产流程,提升服装品质。
为了解决上述技术问题,采用如下技术方案:
一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于包括如下步骤:
(1)根据服装缝线所在位置划分服装部位,并对缝线疵点按服装部位分类;
(2)利用自主搭建的装有高精度工业相机的图像采集设备,获取待测服装的高清图像;
(3)预处理步骤(2)中获取的图像,并人工标注服装部位,建立标准服装部位数据集;
(4)使用步骤(3)中的服装部位数据集,训练Faster R-CNN网络,实现服装部位的自动识别与划分;
(5)提取步骤(4)中自动识别的服装部位图像,利用方向与每个服装部位缝线方向一致的Gabor算子提取缝线,用阈值对提取的缝线做二值化处理;
(6)利用Zhang-Suen算法处理步骤(5)中服装部位缝线二值化图像得到以针脚为单位的线迹片段,根据线迹片段提取缝线特征,使用分类器识别服装缝线疵点并判断其类别。
优选后,所述步骤(1)根据服装中缝线分布的位置,可将服装分为领部、门襟、下摆、衣身与袖子拼合处、袖口六个部位。
优选后,所述服装缝线疵点按服装部位可分为:领部疵点,包括断线、跳线、重线、线头;门襟处疵点,包括断线、跳线、重线、线头;下摆处疵点,包括断线、跳线、重线、线头;衣身与袖子拼合处疵点,包括缝纫褶皱、缝合破洞、线头;袖口处疵点,包括断线、跳线、重线、线头。
优选后,所述步骤(2)采集设备包括Mars4072S-24uc工业相机、步进电机一台、高性能计算机一台、传送带一套、LED灯带,所述Mars4072S-24uc工业相机的镜头为VT-LEM1614CBMPB(16mm)镜头。
优选后,所述步骤(4)预处理服装部位数据集是将获取的图像进行尺寸归一化处理,再经过旋转、平移扩充数据集,然后用不同颜色的矩形框标注服装不同部位并命名。
优选后,所述步骤(4)的Faster R-CNN网络主干网络采用了Resnet网络,去除其中的全连接层,只留下卷积层,输出下采样后的特征图;调整Resnet网络中前三层卷积层大小,将其放置到RPN卷积层前面,增强服装纹理、梯度等浅层特征,使其生成的待检测框更加精确;将Faster R-CNN网络中的感兴趣区域池化(RoI Pooling)改进为感兴趣区域校准RoIAlign,降低量化误差,使得服装部位检测中的目标矩形框更加精准。
优选后,所述步骤(5)根据自动识别的服装部位矩形框坐标提取服装部位图像,根据服装部位缝线方向设定Gabor算子方向,利用方向与缝线方向一致的Gabor算子提取缝线。
优选后,所述步骤(6)利用Zhang-Suen算法在缝线的二值化图像中提取单像素宽度的中轴线,得到以针脚为单位的线迹片段;以中轴线端点为起点,记录所有相连的线迹片段,可以得到每一线迹片段的端点位置、长度、中心位置、与相邻片段中心距离、直线度五组特征参数;将以上参数组合成维度为1×5的特征向量输入到以径向基函数(RBF)为核函数的支持向量机(SVM)分类器中获得分类结果。
由于采用上述技术方案,具有以下有益效果:
与现有技术相比,本发明根据服装缝线所在位置划分服装部位,并对缝线疵点按服装部位分类;利用自主搭建的装有高精度工业相机的图像采集设备,获取待测服装的高清图像;预处理获取的图像,并人工标注服装部位,建立标准服装部位数据集;使用该数据集训练改进的Faster R-CNN网络,实现服装部位的自动识别与划分;提取服装部位图像,利用方向与每个服装部位缝线方向一致的Gabor算子提取缝线;利用Zhang-Suen算法得到以针脚为单位的线迹片段,根据线迹片段提取缝线特征,使用分类器识别服装缝线疵点并判断其类别。把每一批生产出的服装缝线问题归档,将结果反馈到生产环节,优化生产流程,并且解决了人工检测低效、漏检的问题,有效推动服装产业链的发展。
附图说明
下面结合附图对本发明作进一步说明:
图1为本发明的服装缝线疵点自动检测流程图;
图2为服装缝线疵点按服装部位分类图;
图3为图像采集设备示意图;
图4为Faster R-CNN识别服装部位例图。
具体实施方式
为了说明本发明的目的、技术方案及优点,本发明中的服装选用女衬衣并结合附图进行详细说明。应当理解,此处所描述的具体实例仅用以解释本发明,并不用于限定本发明。
图1为本发明基于高精度数字图像的服装缝线疵点自动检测方法流程图,该方法具体包括如下步骤:
(1)通过服装缝线所在位置划分服装部位,并对缝线疵点按服装部位分类。如图2所示,根据服装中缝线分布的位置,可将服装分为领部、门襟、下摆、衣身与袖子拼合处、袖口六个部位。服装缝线疵点按服装部位可分为:领部疵点,包括断线、跳线、重线、线头;门襟处疵点,包括断线、跳线、重线、线头;下摆处疵点,包括断线、跳线、重线、线头;衣身与袖子拼合处疵点,包括缝纫褶皱、缝合破洞、线头;袖口处疵点,包括断线、跳线、重线、线头。
(2)利用装有高精度工业相机的图像采集设备,获取待测服装的高清图像。如图3所示,采集设备包括使用VT-LEM1614CBMPB(16mm)镜头的Mars4072S-24uc工业相机、步进电机一台、高性能计算机一台、传送带一套、LED灯带。其中步进电机与传送带构成传送装置,用于传送待检测服装。LED灯带设置在待检服装四周,使待检服装光照均匀,提高采集图片质量。通过计算机控制相机拍照,采集到服装图像信息储存于计算机中。
(3)建立标准服装部位数据集,采集大量的、多种款式服装样本图像,预处理获取的图像,将图像尺寸归一化,再经过旋转、平移扩充数据集,利于模型更加准确的识别服装部位,然后用不同颜色的矩形框标注服装不同部位并命名。
(4)改进的Faster R-CNN网络主干网络采用了Resnet网络,去除其中的全连接层,只留下卷积层,输出下采样后的特征图;调整Resnet网络中前三层卷积层大小,将其放置到RPN卷积层前面,增强服装纹理、梯度等浅层特征,使其生成的待检测框更加精确;将FasterR-CNN网络中的感兴趣区域池化(RoI Pooling)改进为感兴趣区域校准RoI Align。RoIAlign是使用双线性内插的方法获取坐标为浮点数的像素点上的图像数值,将整个区域特征聚集过程变为连续过程,使得服装部位检测中的目标矩形框更加精准。使用服装部位数据集,训练改进的Faster R-CNN网络,如图4实现服装部位的自动识别与划分,准确率可达到96%。
(5)根据自动识别的服装部位矩形框坐标提取服装部位图像,根据服装部位缝线方向设定Gabor算子方向,领部用水平0°方向Gabor算子、门襟用垂直90°方向Gabor算子、下摆用水平0°方向Gabor算子、衣身与右袖子拼合处用45°方向Gabor算子、衣身与左袖子拼合处用135°方向Gabor算子、右袖口用45°方向Gabor算子、左袖口用135°方向Gabor算子提取缝线。对提取的缝线利用阈值进行二值化,将缝线与背景分离,保留缝线信息。
(6)利用Zhang-Suen算法在缝线的二值化图像中提取单像素宽度的中轴线,得到以针脚为单位的线迹片段;以中轴线端点为起点,记录所有相连的线迹片段,可以得到每一线迹片段的端点位置、长度、中心位置、与相邻片段中心距离、直线度五组特征参数;将以上参数组合成维度为1×5的特征向量输入到以径向基函数(RBF)为核函数的支持向量机(SVM)分类器中获得分类结果。
本发明实现对服装在缝制过程中产生的缝线疵点自动检测,检测精度可达到3-5毫米,相对于传统人工检测具有客观、高效、准确的特点。并且可以将每一批生产出的服装缝线问题归档,将结果反馈到生产环节,优化生产流程,提升生产效率。有效提升服装企业的质量检测工业化程度,保障了销售市场的服装的品质,促进服装产业的转型升级,推动服装行业智能化发展。
以上仅为本发明的具体实施例,但本发明的技术特征并不局限于此。任何以本发明为基础,为解决基本相同的技术问题,实现基本相同的技术效果,所作出地简单变化、等同替换或者修饰等,皆涵盖于本发明的保护范围之中。
Claims (8)
1.一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于包括如下步骤:
(1)根据服装缝线所在位置划分服装部位,并对缝线疵点按服装部位分类;
(2)利用自主搭建的装有高精度工业相机的图像采集设备,获取待测服装的高清图像;
(3)预处理步骤(2)中获取的图像,并人工标注服装部位,建立标准服装部位数据集;
(4)使用步骤(3)中的服装部位数据集,训练Faster R-CNN网络,实现服装部位的自动识别与划分;
(5)提取步骤(4)中自动识别的服装部位图像,利用方向与每个服装部位缝线方向一致的Gabor算子提取缝线,用阈值对提取的缝线做二值化处理;
(6)利用Zhang-Suen算法处理步骤(5)中服装部位缝线二值化图像得到以针脚为单位的线迹片段,根据线迹片段提取缝线特征,使用分类器识别服装缝线疵点并判断其类别。
2.根据权利要求1所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述步骤(1)根据服装中缝线分布的位置,可将服装分为领部、门襟、下摆、衣身与袖子拼合处、袖口六个部位。
3.根据权利要求1或2所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述服装缝线疵点按服装部位可分为:领部疵点,包括断线、跳线、重线、线头;门襟处疵点,包括断线、跳线、重线、线头;下摆处疵点,包括断线、跳线、重线、线头;衣身与袖子拼合处疵点,包括缝纫褶皱、缝合破洞、线头;袖口处疵点,包括断线、跳线、重线、线头。
4.根据权利要求1所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述步骤(2)采集设备包括Mars4072S-24uc工业相机、步进电机一台、高性能计算机一台、传送带一套、LED灯带,所述Mars4072S-24uc工业相机的镜头为VT-LEM1614CBMPB16mm镜头。
5.根据权利要求1所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述步骤(4)预处理服装部位数据集是将获取的图像进行尺寸归一化处理,再经过旋转、平移扩充数据集,然后用不同颜色的矩形框标注服装不同部位并命名。
6.根据权利要求1所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述步骤(4)的Faster R-CNN网络主干网络采用了Resnet网络,去除其中的全连接层,只留下卷积层,输出下采样后的特征图;调整Resnet网络中前三层卷积层大小,将其放置到RPN卷积层前面;将FasterR-CNN网络中的感兴趣区域池化RoI Pooling改进为感兴趣区域校准RoI Align。
7.根据权利要求1所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述步骤(5)根据自动识别的服装部位矩形框坐标提取服装部位图像,根据服装部位缝线方向设定Gabor算子方向,利用方向与缝线方向一致的Gabor算子提取缝线。
8.根据权利要求1所述的一种基于高精度数字图像的服装缝线疵点自动检测方法,其特征在于:所述步骤(6)利用Zhang-Suen算法在缝线的二值化图像中提取单像素宽度的中轴线,得到以针脚为单位的线迹片段;以中轴线端点为起点,记录所有相连的线迹片段,可以得到每一线迹片段的端点位置、长度、中心位置、与相邻片段中心距离、直线度五组特征参数;将以上参数组合成维度为1×5的特征向量输入到以径向基函数RBF为核函数的支持向量机SVM分类器中获得分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740826.1A CN113506255B (zh) | 2021-07-01 | 2021-07-01 | 一种基于高精度数字图像的服装缝线疵点自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740826.1A CN113506255B (zh) | 2021-07-01 | 2021-07-01 | 一种基于高精度数字图像的服装缝线疵点自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113506255A true CN113506255A (zh) | 2021-10-15 |
CN113506255B CN113506255B (zh) | 2023-09-19 |
Family
ID=78009511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740826.1A Active CN113506255B (zh) | 2021-07-01 | 2021-07-01 | 一种基于高精度数字图像的服装缝线疵点自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506255B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549496A (zh) * | 2022-02-28 | 2022-05-27 | 浙江理工大学 | 一种基于Faster R-CNN网络的衬衣袖口工艺识别方法 |
CN115624227A (zh) * | 2022-06-16 | 2023-01-20 | 旭日商贸(中国)有限公司 | 一种基于aoi的服装加工智能传送工序流方法与*** |
CN116536906A (zh) * | 2023-05-11 | 2023-08-04 | 杭州探观科技有限公司 | 一种用于内裤的立体裁剪方法 |
CN117663720A (zh) * | 2024-01-29 | 2024-03-08 | 石狮市飞轮线带织造有限公司 | 一种涤纶缝纫线制备过程中的烘干工艺 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305909A1 (en) * | 2009-05-26 | 2010-12-02 | MettleWorks, Inc. | Garment digitization system and method |
CN109174694A (zh) * | 2018-08-22 | 2019-01-11 | 杰克缝纫机股份有限公司 | 裁片瑕疵检测***、方法、电子终端及存储介质 |
CN110264310A (zh) * | 2019-05-30 | 2019-09-20 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
KR102178961B1 (ko) * | 2020-04-21 | 2020-11-13 | 주식회사 스타일쉐어 | 유저 클러스터링을 이용한 패션 아이템 추천 인공신경망 장치 및 방법 |
CN112102224A (zh) * | 2019-06-18 | 2020-12-18 | 浙江工业大学 | 一种基于深度卷积神经网络的布匹疵点识别方法 |
US20200401114A1 (en) * | 2019-06-24 | 2020-12-24 | Amazon Technologies, Inc. | Digital file structure for garment production |
CN112214630A (zh) * | 2020-09-10 | 2021-01-12 | 武汉纺织大学 | 基于膨胀卷积残差网络的服装图像检索***及方法 |
CN112529768A (zh) * | 2020-12-04 | 2021-03-19 | 中山大学 | 一种基于生成对抗网络的服装编辑和生成方法 |
-
2021
- 2021-07-01 CN CN202110740826.1A patent/CN113506255B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305909A1 (en) * | 2009-05-26 | 2010-12-02 | MettleWorks, Inc. | Garment digitization system and method |
CN109174694A (zh) * | 2018-08-22 | 2019-01-11 | 杰克缝纫机股份有限公司 | 裁片瑕疵检测***、方法、电子终端及存储介质 |
CN110264310A (zh) * | 2019-05-30 | 2019-09-20 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
CN112102224A (zh) * | 2019-06-18 | 2020-12-18 | 浙江工业大学 | 一种基于深度卷积神经网络的布匹疵点识别方法 |
US20200401114A1 (en) * | 2019-06-24 | 2020-12-24 | Amazon Technologies, Inc. | Digital file structure for garment production |
KR102178961B1 (ko) * | 2020-04-21 | 2020-11-13 | 주식회사 스타일쉐어 | 유저 클러스터링을 이용한 패션 아이템 추천 인공신경망 장치 및 방법 |
CN112214630A (zh) * | 2020-09-10 | 2021-01-12 | 武汉纺织大学 | 基于膨胀卷积残差网络的服装图像检索***及方法 |
CN112529768A (zh) * | 2020-12-04 | 2021-03-19 | 中山大学 | 一种基于生成对抗网络的服装编辑和生成方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549496A (zh) * | 2022-02-28 | 2022-05-27 | 浙江理工大学 | 一种基于Faster R-CNN网络的衬衣袖口工艺识别方法 |
CN115624227A (zh) * | 2022-06-16 | 2023-01-20 | 旭日商贸(中国)有限公司 | 一种基于aoi的服装加工智能传送工序流方法与*** |
CN116536906A (zh) * | 2023-05-11 | 2023-08-04 | 杭州探观科技有限公司 | 一种用于内裤的立体裁剪方法 |
CN116536906B (zh) * | 2023-05-11 | 2023-09-22 | 杭州探观科技有限公司 | 一种立体裁剪内裤的成型质量检测方法 |
CN117663720A (zh) * | 2024-01-29 | 2024-03-08 | 石狮市飞轮线带织造有限公司 | 一种涤纶缝纫线制备过程中的烘干工艺 |
CN117663720B (zh) * | 2024-01-29 | 2024-04-30 | 石狮市飞轮线带织造有限公司 | 一种涤纶缝纫线制备过程中的烘干工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN113506255B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113506255B (zh) | 一种基于高精度数字图像的服装缝线疵点自动检测方法 | |
CN106127780B (zh) | 一种曲面表面缺陷自动检测方法及其装置 | |
CN109239076B (zh) | 一种基于机器视觉的缝纫线迹缺陷检测方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
US20130028487A1 (en) | Computer vision and machine learning software for grading and sorting plants | |
CN106706656B (zh) | 一种基于机器视觉的拉链检测装置及方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108629319B (zh) | 图像检测方法及*** | |
CN109324056B (zh) | 一种基于机器视觉的缝纫线迹测量方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
CN106501272B (zh) | 机器视觉焊锡定位检测*** | |
CN109003271A (zh) | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN111739003B (zh) | 一种用于外观检测的机器视觉方法 | |
CN106248680A (zh) | 一种基于机器视觉的电机换向器质量检测***及检测方法 | |
CN110096980A (zh) | 字符检测识别*** | |
CN114004826A (zh) | 一种基于视觉的医用注塑件的外观缺陷检测方法 | |
CN108088848A (zh) | 一种基于phython机器视觉缺陷的在线检测方法 | |
CN105699386B (zh) | 一种采用接触式图像传感器的自动验布标记方法 | |
Huang et al. | Mango surface defect detection based on HALCON | |
CN116091506A (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN206470210U (zh) | 机器视觉焊锡定位检测*** |
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 |