CN114549522B - 基于目标检测的纺织品质量检测方法 - Google Patents

基于目标检测的纺织品质量检测方法 Download PDF

Info

Publication number
CN114549522B
CN114549522B CN202210433723.5A CN202210433723A CN114549522B CN 114549522 B CN114549522 B CN 114549522B CN 202210433723 A CN202210433723 A CN 202210433723A CN 114549522 B CN114549522 B CN 114549522B
Authority
CN
China
Prior art keywords
abnormal
textile
quality
image
value
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
Application number
CN202210433723.5A
Other languages
English (en)
Other versions
CN114549522A (zh
Inventor
杨美琴
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.)
Qidong Xinpenglai Textile Technology Co ltd
Original Assignee
Qidong Xinpenglai Textile Technology Co ltd
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 Qidong Xinpenglai Textile Technology Co ltd filed Critical Qidong Xinpenglai Textile Technology Co ltd
Priority to CN202210433723.5A priority Critical patent/CN114549522B/zh
Publication of CN114549522A publication Critical patent/CN114549522A/zh
Application granted granted Critical
Publication of CN114549522B publication Critical patent/CN114549522B/zh
Expired - Fee Related 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20084—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
    • G06T2207/30168—Image quality inspection
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及纺织品异常检测技术领域，具体涉及基于目标检测的纺织品质量检测方法，该方法首先利用相空间重构滤波图像对应的灰度值序列，得到重构矩阵和关联维数，根据关联维数对滤波图像进行评价得到质量异常指标。基于质量异常指标，筛选滤波图像得到多张异常图像。根据各像素点的颜色表征向量的差异得到异常类别和对应的异常区域；将含有异常区域信息的纺织品图像输入神经网络模型中输出各异常区域对应的异常等级；根据各异常区域对应的异常等级和面积对纺织品图像进行质量评级，得到质量评价指标。本发明对纺织品图像的质量检测，并对异常区域进行异常等级划分，达到了提高对纺织品质量检测的准确性和效率的目的。

Description

基于目标检测的纺织品质量检测方法
技术领域
本发明涉及纺织品异常检测技术领域，具体涉及基于目标检测的纺织品质量检测方法。
背景技术
对纺织品质量的把控是织造行业中至关重要的步骤。纺织品表面的瑕疵和缺陷等异常状况会明显影响织物的质量及美观，同时，也会影响纺织品的出售。尽管当代纺织品机器设备生产的纺织品缺陷概率已经降到最低，但是，生产过程中仍然不可能做到百分百的无缺陷，因此，对于纺织品的异常检测是纺织品工业生产中极其重要的环节。
目前，多采用人工进行纺织品表面异常缺陷的检测，传统人工对纺织品表面进行异常检测的方法具有检测结果不准确、工作量大且效率低等问题。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于目标检测的纺织品质量检测方法，所采用的技术方案具体如下：
采集纺织品图像，滤波所述纺织品图像得到滤波图像；
获取所述滤波图像对应的灰度值序列；利用相空间重构所述灰度值序列，得到重构矩阵；获取所述重构矩阵对应的关联维数，根据所述关联维数对所述滤波图像中各像素点之间的关联性进行评价得到滤波图像的质量异常指标；基于所述质量异常指标，筛选所述滤波图像得到多张异常图像；
提取所述异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量；根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别；对所述异常类别进行连通域分析得到多个异常区域；
将含有异常区域信息的所述纺织品图像输入神经网络模型中输出各异常区域对应的异常等级；获取各所述异常区域的面积，根据各异常区域对应的所述异常等级和所述面积对所述纺织品图像进行质量评级，得到质量评价指标。
优选的，所述根据所述关联维数对所述滤波图像中各像素点之间的关联性进行评价得到滤波图像的质量异常指标，包括：
所述质量异常指标的计算公式为：
Figure 531185DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为所述质量异常指标；
Figure 995796DEST_PATH_IMAGE004
为所述关联维数；
Figure 100002_DEST_PATH_IMAGE005
为模型参数；
Figure 182058DEST_PATH_IMAGE006
为可调参数。
优选的，所述根据各像素点的颜色表征向量的差异将像素点分为两个类别，包括：
任意选取两个像素点作为初始的质心点；根据各像素点与两个所述初始的质心点对应的所述颜色表征向量的差值将所有所述像素点分为两个初始类别；
计算各所述初始类别内各像素点的所述颜色表征向量的第一均值，选取与所述第一均值距离最小的颜色表征向量对应的像素点作为二次更新的质心点；根据各像素点与两个所述二次更新的质心点对应的所述颜色表征向量的差值将所有所述像素点分为两个第二类别；
计算各所述第二类别内各像素点的所述颜色表征向量的第二均值，选取与所述第二均值距离最小的颜色表征向量对应的像素点作为三次更新的质心点；根据各像素点与两个所述三次更新的质心点对应的所述颜色表征向量的差值将所有所述像素点分为两个第三类别；
直至再次更新质心点时，质心点不再发生变化，完成对像素点的分类。
优选的，所述根据各异常区域对应的所述异常等级和所述面积对所述纺织品图像进行质量评级，得到质量评价指标，包括：
所述质量评价指标的计算公式为：
Figure 514950DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
为所述质量评价指标；
Figure 735847DEST_PATH_IMAGE010
为异常区域的数量；
Figure 100002_DEST_PATH_IMAGE011
为第
Figure 761572DEST_PATH_IMAGE012
个异常区域的面积；
Figure 100002_DEST_PATH_IMAGE013
为第
Figure 435130DEST_PATH_IMAGE012
个异常区域的所述异常等级；
Figure 306134DEST_PATH_IMAGE014
为第一模型权值；
Figure 100002_DEST_PATH_IMAGE015
为第二模型权值。
优选的，所述根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别，还包括：
分别计算两个类别的颜色表征向量的类别均值向量；
分别计算两个所述类别向量均值与预设正常颜色表征向量的相似度；
两个相似度中相似度最大值对应的类别为正常类别；相似度最小值对应的类别为异常类别。
优选的，所述提取所述异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量，包括：
基于异常图像，获取各像素点的红色通道的值、绿色通道的值和蓝色通道的值；
所述红色通道的值和所述绿色通道的值的差值为红绿通道的差值，所述蓝色通道的值和所述绿色通道的值的差值为蓝绿通道的差值，所述红色通道的值和所述蓝色通道的值的差值为红蓝通道的差值；
所述红绿通道的差值、所述蓝绿通道的差值和所述红蓝通道的差值构成所述颜色表征向量。
优选的，所述滤波所述纺织品图像得到滤波图像，包括：
利用中值滤波函数对所述纺织品图像进行滤波；对滤波后的纺织品图像进行灰度化得到所述滤波图像。
优选的，所述基于所述质量异常指标，筛选所述滤波图像得到多张异常图像，包括：
选取所述质量异常指标大于等于预设异常指标阈值的滤波图像，得到多张异常图像。
优选的，所述将含有异常区域信息的所述纺织品图像输入神经网络模型中输出各异常区域对应的异常等级，包括：
所述神经网络模型为卷积神经网络。
本发明实施例至少具有如下有益效果：
本发明实施例涉及纺织品异常检测技术，首先对采集到的纺织品图像进行处理得到滤波图像，利用相空间重构滤波图像对应的灰度值序列，得到重构矩阵和对应的关联维数，根据关联维数对滤波图像进行评价得到质量异常指标。基于该质量异常指标筛选滤波图像得到多张异常图像，实现了对纺织品图像的特征参数进行提取，根据质量异常指标对多张纺织品图像进行筛选，得到异常图像，以便后续对图像更精准的分析，同时也减少了后续步骤的计算量。提取异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量；根据各像素点的颜色表征向量的差异得到异常类别；对异常类别进行连通域分析得到多个异常区域，对质量异常指标过高的异常图像进行异常区域提取，以获取其纺织品表面的异常区域，该异常区域即为检测得到的目标区域；将含有异常区域信息的纺织品图像输入神经网络模型中输出各异常区域对应的异常等级；根据各异常区域对应的异常等级和面积对纺织品图像进行质量评级，得到质量评价指标，不仅对纺织品的异常状况进行了定量分析，且对异常区域进行异常等级划分，进一步对异常类别判定。本发明通过对纺织品图像的像素点进行分析，实现对纺织品表面的质量检测，并对异常区域进行异常等级划分，达到了更精准的对纺织品进行质量检测，提高检测效率的目的，得到异常区域也以便于可以针对性的采取相应的修复措施。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于目标检测的纺织品质量检测方法的方法流程图；
图2为本发明一个实施例所提供的对异常图像进行异常区域提取的步骤流程图；
图3为本发明一个实施例所提供的将所有像素点分成两个类别的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于目标检测的纺织品质量检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了基于目标检测的纺织品质量检测方法的具体实施方法，该方法适用于纺织品异常检测场景。在待检测纺织品正上方部署图像采集设备，该图像采集设备即为RGB相机，该RGB相机的光轴垂直于待检测纺织品。为了解决人工对纺织品表面进行异常检测的方法具有检测结果不准确、工作量大且效率低的问题，本发明实施例通过对采集到的纺织品图像的特征参数进行提取，对纺织品的异常状况进行检测得到多个异常区域，再对异常区域的异常等级进行判定，达到了更精准的对纺织品进行质量检测，同时还提高了检测效率的目的。
下面结合附图具体的说明本发明所提供的基于目标检测的纺织品质量检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于目标检测的纺织品质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S100，采集纺织品图像，滤波纺织品图像得到滤波图像。
利用RGB相机采集纺织品表面的图像为纺织品图像。为了避免在有噪声影响的情况下，将噪声数据误认为是瑕疵等异常，利用中值滤波函数对纺织品图像进行滤波，以达到对纺织品图像进行去噪的目的。
对滤波后的纺织品图像进行灰度化处理，得到对应的滤波图像，对滤波后的纺织品图像进行灰度化的目的是为了降低后续***的计算量。
步骤S200，获取滤波图像对应的灰度值序列；利用相空间重构灰度值序列，得到重构矩阵；获取重构矩阵对应的关联维数，根据关联维数对滤波图像中各像素点之间的关联性进行评价得到滤波图像的质量异常指标；基于质量异常指标，筛选滤波图像得到多张异常图像。
获取经过处理后的待检测纺织品对应的滤波图像后，对滤波图像的图像数据进行处理分析，识别纺织品表面的异常区域，然后获取纺织品表面的表征数据，进一步用于对纺织品的质量进行精确评估。
对于采集到的纺织品图像对应的滤波图像，首先检测纺织品表面的状况，从滤波图像中筛选出多张异常图像。具体的：
对于滤波图像，按照从左往右从上往下的顺序将滤波图像中所有像素点的灰度值作为一个序列，将该序列记为灰度值序列，也即获取滤波图像对应的灰度值序列。该灰度值序列用于提取纺织品的质量异常指标。
进一步，对滤波图像对应的灰度值序列进行相空间重构，引入嵌入维数，得到高维空间数据，以更加准确的分析假设灰度图像像素点的灰度值序列，记灰度值序列为
Figure 381537DEST_PATH_IMAGE016
，设置嵌入维数
Figure DEST_PATH_IMAGE017
和时间延迟
Figure 312584DEST_PATH_IMAGE018
，其中
Figure DEST_PATH_IMAGE019
，其中
Figure 270176DEST_PATH_IMAGE004
为相空间重构前数据的维数，由于该灰度值序列为一维数据，故相空间重构前数据的维数为1。在本发明实施例中嵌入维数的取值为5，时间延迟的取值为2，在其他实施例中实施者可根据实际情况调整取值。
对灰度值序列进行重构，可得重构矩阵：
Figure DEST_PATH_IMAGE021
其中，
Figure 148133DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
为重构矩阵中重构向量的数量；
Figure 874781DEST_PATH_IMAGE018
为时间延迟；
Figure 773466DEST_PATH_IMAGE017
为嵌入维数；
Figure 687196DEST_PATH_IMAGE024
为重构向量。
Figure DEST_PATH_IMAGE025
，
Figure 165582DEST_PATH_IMAGE026
；重构之后，滤波图像所对应的灰度值可以得到k个重构向量。
从k个重构向量中任意选取一个重构向量
Figure DEST_PATH_IMAGE027
，计算重构向量
Figure 746736DEST_PATH_IMAGE027
与重构矩阵中其他k-1个重构向量之间的欧式距离，也即L2距离，如计算重构向量
Figure 754006DEST_PATH_IMAGE027
与重构向量
Figure 217348DEST_PATH_IMAGE024
之间的欧式距离
Figure 765004DEST_PATH_IMAGE028
。
进一步，统计以重构向量
Figure 935086DEST_PATH_IMAGE027
为中心，以欧式距离
Figure 175574DEST_PATH_IMAGE028
为半径的超球中的像素点的个数，即可获取关联函数
Figure DEST_PATH_IMAGE029
。
Figure DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE033
其中，
Figure 278877DEST_PATH_IMAGE034
为
Figure 630224DEST_PATH_IMAGE017
维超球半径，
Figure DEST_PATH_IMAGE035
为赫维赛德（Heaviside）函数；
Figure 123653DEST_PATH_IMAGE028
为重构向量
Figure 535043DEST_PATH_IMAGE027
与重构向量
Figure 441819DEST_PATH_IMAGE024
之间的欧式距离。
关联函数
Figure 331278DEST_PATH_IMAGE029
用于表征重构相空间中距离小于R的点对与所有点对的比例，检测相空间中各向量的关联性。基于关联函数，获取对应的关联维数，关联维数可用于对图像表面灰度值的分布情况进行检测，以实现对纺织品表面的异常状况进行分析。相空间重构之后关联维数和关联函数之间是满足一定的线性关系的。
该线性关系式为：
Figure DEST_PATH_IMAGE037
其中，
Figure 741530DEST_PATH_IMAGE029
为关联函数；
Figure 323821DEST_PATH_IMAGE004
为关联维数。
也即关联维数
Figure 717894DEST_PATH_IMAGE038
。
得到检测的纺织品图像所对应的关联维数，其中关联维数的数值越高，则重构空间中各向量的关联性越高，对应的纺织品图像的像素分布情况越均匀，纺织品图像异常的概率越小。
基于所提取到的关联维数，根据关联维数对该滤波图像中各像素点之间的关联性进行评价得到滤波图像的质量异常指标。
质量异常指标
Figure 411043DEST_PATH_IMAGE003
的计算公式为：
Figure DEST_PATH_IMAGE039
其中，
Figure 675802DEST_PATH_IMAGE004
为关联维数；
Figure 632257DEST_PATH_IMAGE005
为模型参数；
Figure 513625DEST_PATH_IMAGE006
为可调参数。模型参数的取值大于1，可调参数的取值大于0。在本发明实施例中模型参数的取值为5，可调参数的取值为2，在其他实施例中实施者可根据实际情况对取值进行调整。
该质量异常指标的取值范围为(0,1]，质量异常指标的取值越大，对应的纺织品的异常程度越高。
对纺织品表面的像素分布情况进行了检测。得到了质量异常指标，该质量异常指标用于对纺织品图像的异常状况进行表征。为了便于更直观分析纺织品的异常状况，本发明对质量异常指标进行阈值设定，预设异常指标阈值，在本发明实施例中预设异常指标阈值为0.4，在其他实施例中实施者可根据实际情况调整该取值。
选取质量异常指标大于等于预设异常指标阈值的滤波图像为异常图像，得到多张异常图像。当质量异常指标低于预设异常指标阈值时，认为纺织品表面几乎无异常，为正常图像，其质量较高，满足纺织品表面的出厂要求；当质量异常指标大于等于预设异常指标阈值时，记为异常纺织品，其对应的纺织品图像为异常图像，认为该纺织品表面异常程度过高，质量不合格。为后续进一步的更准确的对纺织品进行异常检测，仅对异常图像进行异常区域分析，不再对正常图像进行异常检测。
步骤S300，提取异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量；根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别；对异常类别进行连通域分析得到多个异常区域。
请参阅图2，对异常图像进行异常区域提取的过程，具体的：
步骤S310，提取异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量。
传统对RGB图像进行异常区域检测提取时，通常是利用RGB图像中各像素点的红色（R）通道的值、绿色（G）通道的值和蓝色（B）通道的值进行异常区域的检测和分割。为了避免各通道值之间交叉影响，本发明实施例基于像素点的R、G、B各通道值的差值获取像素点的颜色表征向量。
基于异常图像，获取各像素点的红色通道的值、绿色通道的值和蓝色通道的值。
红色通道的值和绿色通道的值的差值为红绿通道的差值，蓝色通道的值和绿色通道的值的差值为蓝绿通道的差值，红色通道的值和蓝色通道的值的差值为红蓝通道的差值。
红绿通道的差值、蓝绿通道的差值和红蓝通道的差值构成颜色表征向量。
对于异常图像中第
Figure DEST_PATH_IMAGE041
个像素点，其对应的颜色表征向量为
Figure 948149DEST_PATH_IMAGE042
。
Figure 598573DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
为第
Figure 991508DEST_PATH_IMAGE041
个像素点的红绿通道的差值；
Figure 563435DEST_PATH_IMAGE046
为第
Figure 598387DEST_PATH_IMAGE041
个像素点的蓝绿通道的差值；
Figure DEST_PATH_IMAGE047
为第
Figure 103318DEST_PATH_IMAGE041
个像素点的红蓝通道的差值；
Figure 932734DEST_PATH_IMAGE048
为第
Figure 991957DEST_PATH_IMAGE041
个像素点的红色通道的值；
Figure DEST_PATH_IMAGE049
为第
Figure 565020DEST_PATH_IMAGE041
个像素点的绿色通道的值；
Figure 127720DEST_PATH_IMAGE050
为第
Figure 659195DEST_PATH_IMAGE041
个像素点的蓝色通道的值。
步骤S320，根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别。
获取各像素点的颜色表征向量，基于异常图像中各像素点的颜色表征向量对异常图像的像素点进行分类。
对于异常图像，将异常图像中所有像素点的颜色表征向量作为一个数据集，将数据集分成两个类别，也即为将异常图像中所有的像素点分成了两个类别。
请参阅图3，将所有像素点分成两个类别的步骤，具体的：
步骤S321，任意选取两个像素点作为初始的质心点；根据各像素点与两个初始的质心点对应的颜色表征向量的差值将所有像素点分为两个初始类别。
从异常图像中任意选取两个像素点作为初始的质心点。根据其他各像素点与两个初始的质心点对应的颜色表征向量的差值将所有像素点分为两个初始类别，也即将各像素点分至两个初始的质心点对应的两个类别，一个初始的质心点对应一个类别。对数据集内各像素点的类别进行判定，得到类别判定指标，根据类别判定指标对像素点进行初始分类。
第
Figure 736873DEST_PATH_IMAGE041
个像素点归属于第
Figure 582469DEST_PATH_IMAGE052
个初始的质心点
Figure DEST_PATH_IMAGE053
所对应类别的类别判定指标
Figure 999675DEST_PATH_IMAGE054
的计算公式为：
Figure 905314DEST_PATH_IMAGE056
其中，
Figure 470288DEST_PATH_IMAGE045
为第
Figure 119575DEST_PATH_IMAGE041
个像素点的红绿通道的差值；
Figure 719183DEST_PATH_IMAGE046
为第
Figure 795724DEST_PATH_IMAGE041
个像素点的蓝绿通道的差值；
Figure 316835DEST_PATH_IMAGE047
为第
Figure 973075DEST_PATH_IMAGE041
个像素点的红蓝通道的差值；
Figure 99294DEST_PATH_IMAGE042
为第
Figure 346736DEST_PATH_IMAGE041
个像素点的颜色表征向量；
Figure DEST_PATH_IMAGE057
为第
Figure 281108DEST_PATH_IMAGE052
个初始的质心点的红绿通道的差值；
Figure 68935DEST_PATH_IMAGE058
为第
Figure 49661DEST_PATH_IMAGE052
个初始的质心点的蓝绿通道的差值；
Figure DEST_PATH_IMAGE059
为第
Figure 936845DEST_PATH_IMAGE052
个初始的质心点的红蓝通道的差值；
Figure 166969DEST_PATH_IMAGE060
为第
Figure 961750DEST_PATH_IMAGE041
个像素点的颜色表征向量；
Figure 593720DEST_PATH_IMAGE053
为第
Figure 979702DEST_PATH_IMAGE052
个初始的质心点，
Figure DEST_PATH_IMAGE061
。
类别判定指标越高，则认为第
Figure 900384DEST_PATH_IMAGE041
个像素点与对应的初始的质心点为同一类别的概率越大。计算每个像素点归属于每个类别的类别判定指标，也即计算每个像素点归属于两个初始的质心点对应类别的类别判定指标，将像素点划分到各自对应的类别判定指标最大值所对应的类别中，完成对异常图像中各像素点的初始分类。
步骤S322，计算各初始类别内各像素点的颜色表征向量的第一均值，选取与第一均值距离最小的颜色表征向量对应的像素点作为二次更新的质心点；根据各像素点与两个二次更新的质心点对应的颜色表征向量的差值将所有像素点分为两个第二类别。
进行初始分类之后，分别获取二次更新后的质心点。获取两个新的质心点的步骤，具体的：
计算各初始类别内的所有像素点对应的颜色表征向量的第一均值。
该第
Figure 967697DEST_PATH_IMAGE052
个初始的质心点对应的初始类别的颜色表征向量的第一均值
Figure 454174DEST_PATH_IMAGE062
为：
Figure DEST_PATH_IMAGE063
其中，
Figure 948740DEST_PATH_IMAGE064
为初始的质心点
Figure 950194DEST_PATH_IMAGE053
对应的类别的所包含的像素点数量；
Figure 821198DEST_PATH_IMAGE045
为第
Figure 958918DEST_PATH_IMAGE041
个像素点的红绿通道的差值；
Figure 889965DEST_PATH_IMAGE046
为第
Figure 378715DEST_PATH_IMAGE041
个像素点的蓝绿通道的差值；
Figure 787831DEST_PATH_IMAGE047
为第
Figure 780058DEST_PATH_IMAGE041
个像素点的红蓝通道的差值；
Figure 147585DEST_PATH_IMAGE053
为第
Figure 858052DEST_PATH_IMAGE052
个初始的质心点。
将初始类别中与该初始类别的颜色表征向量的第一均值对应欧式距离最小的颜色表征向量对应的像素点作为新的质心点，也即作为二次更新后的质心点。
根据步骤S321的分类方法，各像素点与两个二次更新的质心点对应的颜色表征向量的差值将所有像素点分为两个第二类别。
步骤S323，计算各第二类别内各像素点的颜色表征向量的第二均值，选取与第二均值距离最小的颜色表征向量对应的像素点作为三次更新的质心点；根据各像素点与两个三次更新的质心点对应的颜色表征向量的差值将所有像素点分为两个第三类别；直至再次更新质心点时，质心点不再发生变化，完成对像素点的分类。
根据步骤S322的步骤，再次计算各第二类别内各像素点的颜色表征向量的第二均值，选取与第二均值欧式距离最小的颜色表征向量对应的像素点作为三次更新的质心点。
根据步骤S321的步骤，根据各像素点与两个三次更新的质心点对应的颜色表征向量的差值将所有像素点分为两个第三类别。
重复更新质心点，并根据质心点对像素点进行分类，直至再次更新质心点时，质心点不再发生变化，即完成了对异常图像中像素点的分类，即根据各像素点的颜色表征向量的差异将像素点分为了两个类别。
为实现对异常像素点的检测识别并实现异常图像的分割，根据类别内各像素点的颜色表征向量与预设正常颜色表征向量的相似度，将两个类别分为异常类别和正常类别。具体的：
分别计算两个类别内所有像素点的颜色表征向量的均值，记为类别均值向量。
任意选取一张正常的纺织品图像，计算正常的纺织品图像中所有像素点的颜色表征向量均值
Figure DEST_PATH_IMAGE065
，作为预设正常颜色表征向量。
将两个类别的类别向量均值以及正常的纺织品图像对应的预设正常颜色表征向量都作为一维向量进行分析，分别计算两个类别均值向量和该预设正常颜色表征向量之间的相似度。在本发明实施例中利用余弦相似度作为类别均值向量和该预设正常颜色表征向量之间的相似度。该相似度反映类别均值向量和预设正常颜色表征向量之间的余弦距离，相似度越大，则代表类别内的像素点与正常的纺织品图像内的像素点的相似程度越高。基于得到的两个相似度，相似度最大值对应的类别为正常类别，相似度最小值对应的类别为异常类别，即异常类别内的像素点为异常像素点。
步骤S330，对异常类别进行连通域分析得到多个异常区域。
对异常类别进行连通域分析得到多个异常区域，该异常区域即为目标检测得到的目标区域。即根据各异常像素点可得到异常纺织品表面的各异常区域，实现了对异常纺织品对应的异常图像进行异常区域的检测和提取。
步骤S400，将含有异常区域信息的纺织品图像输入神经网络模型中输出各异常区域对应的异常等级；获取各异常区域的面积，根据各异常区域对应的异常等级和面积对纺织品图像进行质量评级，得到质量评价指标。
对于得到的多个异常区域，通过神经网络模型对异常图像的异常等级进行判定，并基于待检测纺织品表面对应的纺织品图像的各异常区域的异常等级对纺织品图像进行质量评级，以便后续操作人员对异常的纺织品进行修复再加工。
获取多个异常区域后，考虑到整个检测过程中图像是一一对应的，因此，基于异常区域像素点的坐标获取异常纺织品的异常图像中各异常区域的位置，将各异常图像中的各异常区域进行裁剪处理，以提高后续异常区域类型检测的精度，避免无关区域的影响。裁剪之后可得到各异常区域对应的图像数据作为异常区域分类的基础数据。
获取含有异常区域信息的异常图像之后，将含有异常区域信息的纺织品图像输入神经网络模型中，以对异常区域的异常等级进行判断。在本发明实施例中神经网络模型为卷积神经网络，本发明实施例采用特征提取编码器Encoder-全连接层FC的网络结构实现对异常区域的异常等级进行识别，异常等级识别的神经网络的具体使用及训练过程为现有技术，神经网络模型也为现有分类网络，在其他实施例中实施例可根据实际情况对自行选取选有的神经网络模型，以实现对异常区域的异常等级的识别。
在本发明实施例中将异常区域的异常等级分为10个等级，分别对应不同的异常状况，异常等级越高，则对应的异常状况越复杂。
将含有异常区域信息的纺织品图像输入神经网络模型中输出多个异常等级，每个异常等级包含多个异常区域。
获取各异常区域的面积，根据各异常区域对应的异常等级和面积对纺织品图像进行质量评级，得到质量评价指标。
质量评价指标
Figure 539701DEST_PATH_IMAGE009
的计算公式为：
Figure 855275DEST_PATH_IMAGE008
其中，
Figure 128125DEST_PATH_IMAGE010
为异常区域的数量；
Figure 325888DEST_PATH_IMAGE011
为第
Figure 76806DEST_PATH_IMAGE012
个异常区域的面积；
Figure 309205DEST_PATH_IMAGE013
为第
Figure 487376DEST_PATH_IMAGE012
个异常区域的异常等级；
Figure 438015DEST_PATH_IMAGE014
为第一模型权值；
Figure 992624DEST_PATH_IMAGE015
为第二模型权值。在本发明实施例中第一模型权值的取值为0.35，第二模型权值的取值为0.65，在其他实施例中实施者可根据实际情况调整该取值。
为了便于相关操作人员对纺织品质量的直观了解，对质量评价指标进行归一化处理，保证该质量评价指标的取值范围为[0,1]。
该质量评价指标的取值越大，则反映对应的纺织品表面质量越高；该质量评价指标的取值越小，则反映对应的纺织品表面异常程度越复杂，异常概率越大。对质量评价指标小的异常纺织品进行预警，提示相关操作人员对其进行相应的修复措施。
综上所述，本发明实施例涉及纺织品异常检测技术，首先对采集到的纺织品图像进行处理得到滤波图像，利用相空间重构滤波图像对应的灰度值序列，得到重构矩阵和对应的关联维数，根据关联维数对滤波图像进行评价得到质量异常指标。基于该质量异常指标筛选滤波图像得到多张异常图像。提取异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量；根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别；对异常类别进行连通域分析得到多个异常区域；将含有异常区域信息的纺织品图像输入神经网络模型中输出各异常区域对应的异常等级；根据各异常区域对应的异常等级和面积对纺织品图像进行质量评级，得到质量评价指标。本发明通过对纺织品图像的像素点进行分析，实现对纺织品表面的质量检测，并对异常区域进行异常等级划分，达到了更精准的对纺织品进行质量检测，提高了检测效率，得到异常区域也以便于可以针对性的采取相应的修复措施。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于目标检测的纺织品质量检测方法，其特征在于，该方法包括以下步骤：
采集纺织品图像，滤波所述纺织品图像得到滤波图像；
获取所述滤波图像对应的灰度值序列；利用相空间重构所述灰度值序列，得到重构矩阵；获取所述重构矩阵对应的关联维数，根据所述关联维数对所述滤波图像中各像素点之间的关联性进行评价得到滤波图像的质量异常指标；基于所述质量异常指标，筛选所述滤波图像得到多张异常图像；
提取所述异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量；根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别；对所述异常类别进行连通域分析得到多个异常区域；
将含有异常区域信息的所述纺织品图像输入神经网络模型中输出各异常区域对应的异常等级；获取各所述异常区域的面积，根据各异常区域对应的所述异常等级和所述面积对所述纺织品图像进行质量评级，得到质量评价指标。
2.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述根据所述关联维数对所述滤波图像中各像素点之间的关联性进行评价得到滤波图像的质量异常指标，包括：
所述质量异常指标的计算公式为：
Figure 735214DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为所述质量异常指标；
Figure 615445DEST_PATH_IMAGE004
为所述关联维数；
Figure DEST_PATH_IMAGE005
为模型参数；
Figure 256642DEST_PATH_IMAGE006
为可调参数。
3.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述根据各像素点的颜色表征向量的差异将像素点分为两个类别，包括：
任意选取两个像素点作为初始的质心点；根据各像素点与两个所述初始的质心点对应的所述颜色表征向量的差值将所有所述像素点分为两个初始类别；
计算各所述初始类别内各像素点的所述颜色表征向量的第一均值，选取与所述第一均值距离最小的颜色表征向量对应的像素点作为二次更新的质心点；根据各像素点与两个所述二次更新的质心点对应的所述颜色表征向量的差值将所有所述像素点分为两个第二类别；
计算各所述第二类别内各像素点的所述颜色表征向量的第二均值，选取与所述第二均值距离最小的颜色表征向量对应的像素点作为三次更新的质心点；根据各像素点与两个所述三次更新的质心点对应的所述颜色表征向量的差值将所有所述像素点分为两个第三类别；
直至再次更新质心点时，质心点不再发生变化，完成对像素点的分类。
4.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述根据各异常区域对应的所述异常等级和所述面积对所述纺织品图像进行质量评级，得到质量评价指标，包括：
所述质量评价指标的计算公式为：
Figure 146101DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为所述质量评价指标；
Figure 556354DEST_PATH_IMAGE010
为异常区域的数量；
Figure DEST_PATH_IMAGE011
为第
Figure 341907DEST_PATH_IMAGE012
个异常区域的面积；
Figure DEST_PATH_IMAGE013
为第
Figure 408083DEST_PATH_IMAGE012
个异常区域的所述异常等级；
Figure 366812DEST_PATH_IMAGE014
为第一模型权值；
Figure DEST_PATH_IMAGE015
为第二模型权值。
5.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述根据各像素点的颜色表征向量的差异将像素点分为两个类别，两个类别包括异常类别和正常类别，还包括：
分别计算两个类别的颜色表征向量的类别均值向量；
分别计算两个所述类别向量均值与预设正常颜色表征向量的相似度；
两个相似度中相似度最大值对应的类别为正常类别；相似度最小值对应的类别为异常类别。
6.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述提取所述异常图像中各像素点的RGB通道的差值作为像素点对应的颜色表征向量，包括：
基于异常图像，获取各像素点的红色通道的值、绿色通道的值和蓝色通道的值；
所述红色通道的值和所述绿色通道的值的差值为红绿通道的差值，所述蓝色通道的值和所述绿色通道的值的差值为蓝绿通道的差值，所述红色通道的值和所述蓝色通道的值的差值为红蓝通道的差值；
所述红绿通道的差值、所述蓝绿通道的差值和所述红蓝通道的差值构成所述颜色表征向量。
7.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述滤波所述纺织品图像得到滤波图像，包括：
利用中值滤波函数对所述纺织品图像进行滤波；对滤波后的纺织品图像进行灰度化得到所述滤波图像。
8.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述基于所述质量异常指标，筛选所述滤波图像得到多张异常图像，包括：
选取所述质量异常指标大于等于预设异常指标阈值的滤波图像，得到多张异常图像。
9.根据权利要求1所述的基于目标检测的纺织品质量检测方法，其特征在于，所述将含有异常区域信息的所述纺织品图像输入神经网络模型中输出各异常区域对应的异常等级，包括：
所述神经网络模型为卷积神经网络。
CN202210433723.5A 2022-04-24 2022-04-24 基于目标检测的纺织品质量检测方法 Expired - Fee Related CN114549522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210433723.5A CN114549522B (zh) 2022-04-24 2022-04-24 基于目标检测的纺织品质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210433723.5A CN114549522B (zh) 2022-04-24 2022-04-24 基于目标检测的纺织品质量检测方法

Publications (2)

Publication Number Publication Date
CN114549522A CN114549522A (zh) 2022-05-27
CN114549522B true CN114549522B (zh) 2022-06-24

Family

ID=81666753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210433723.5A Expired - Fee Related CN114549522B (zh) 2022-04-24 2022-04-24 基于目标检测的纺织品质量检测方法

Country Status (1)

Country Link
CN (1) CN114549522B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782562B (zh) * 2022-06-18 2022-09-02 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能***
CN115564971B (zh) * 2022-07-18 2023-06-16 广东柏奴斯股份有限公司 一种基于灰度共生矩阵的织带阻燃性能测试方法
CN115115893B (zh) * 2022-07-26 2023-01-31 金乡县富通金属回收有限公司 用于废金属回收的智能分选方法
CN115115615B (zh) * 2022-07-26 2022-12-13 南通好心情家用纺织品有限公司 一种基于图像识别的纺织面料质量评估方法及***
CN115018845B (zh) * 2022-08-09 2022-10-25 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115082508B (zh) * 2022-08-18 2022-11-22 山东省蓝睿科技开发有限公司 一种海洋浮标生产质量检测方法
CN115078271B (zh) * 2022-08-23 2022-11-15 启东奈克斯特新材料科技有限公司 一种化纤面料上色质量检测及评估方法
CN115409642B (zh) * 2022-08-26 2023-04-18 绍兴永通印花有限公司 一种纺织品印花智能制造生产管理***
CN115266538B (zh) * 2022-09-30 2022-12-09 维柏思特衬布（南通）有限公司 织带透水性能检测装置及方法
CN115591742B (zh) * 2022-09-30 2023-09-12 深圳芯光智能技术有限公司 一种点胶质量识别的点胶机自动控制方法及***
CN115294116B (zh) * 2022-10-08 2022-12-30 南通梦洁家纺有限公司 基于人工智能的纺织材料染色质量评估方法、装置及***
CN115283125A (zh) * 2022-10-09 2022-11-04 如皋市中如新材料科技有限公司 一种基于石料破碎设备的运行异常监测方法
CN115311286A (zh) * 2022-10-12 2022-11-08 南通佳布鲁服装有限公司 一种染色纺织品的染色缺陷识别方法
CN115860556B (zh) * 2022-12-14 2023-07-18 沈阳盛世五寰科技有限公司 一种基于多变量相关性的高压辊磨机出料合格率检测方法
CN115797345B (zh) * 2023-02-06 2023-04-25 青岛佳美洋食品有限公司 一种海鲜烘烤异常识别方法
CN115860579B (zh) * 2023-02-27 2023-05-09 山东金利康面粉有限公司 一种用于面粉加工的生产质量监测***
CN115861722B (zh) * 2023-03-02 2023-07-25 江西服装学院 一种面料砂洗工艺异常检测方法及***
CN116858991B (zh) * 2023-09-04 2023-12-01 济宁华晟服装股份有限公司 一种棉织品退浆处理监测方法
CN117372420B (zh) * 2023-12-04 2024-02-23 巴苏尼制造(江苏)有限公司 一种染整过程中纺织印花质量视觉检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9355457B1 (en) * 2015-04-15 2016-05-31 Adobe Systems Incorporated Edge detection using multiple color channels
CN104992140B (zh) * 2015-05-27 2019-07-26 上海海事大学 一种基于遥感图像的海面异常漂浮物检测方法
CN112132831B (zh) * 2020-11-26 2021-03-02 北京小蝇科技有限责任公司 一种白细胞散点图异常联合检测方法及***
CN113643289B (zh) * 2021-10-13 2022-02-11 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和***

Also Published As

Publication number Publication date
CN114549522A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN114757900B (zh) 基于人工智能的纺织品缺陷类型识别方法
CN115294113B (zh) 一种木饰面板质量检测方法
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN115187548A (zh) 一种基于人工智能的机械零件缺陷检测方法
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
US8068132B2 (en) Method for identifying Guignardia citricarpa
CN114627125B (zh) 一种基于光学手段的不锈钢压片机表面质量评估方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
KR101813223B1 (ko) 영상 표면의 결함을 검출 및 분류하는 방법 및 장치
CN111160451A (zh) 一种柔性材料检测方法及其储存介质
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及***
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN115994907A (zh) 用于食品检测机构综合信息的智能处理***及方法
CN117197092A (zh) 一种煤矿井下图像质量评估方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN115018790A (zh) 一种基于异常检测的工件表面缺陷检测方法
CN113129281B (zh) 一种基于深度学习的小麦茎秆截面参数检测方法
KR20220160536A (ko) 데이터 분류 장치, 데이터 분류 방법, 및 데이터 분류 프로그램
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及***
CN114022442B (zh) 一种基于无监督学习的织物疵点检测算法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220624

CF01 Termination of patent right due to non-payment of annual fee