[發(fā)明專利]一種基于機(jī)器視覺的布匹表面疵點(diǎn)檢測(cè)方法及其系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201710607528.9
• 申請(qǐng)日: 2017-07-24
• 公開（公告）號(hào): CN107369155A
• 公開（公告）日: 2017-11-21
• 發(fā)明（設(shè)計(jì)）人: 張美杰;張平;黃坤山;李力
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司11227
• 代理人: 羅滿

技術(shù)領(lǐng)域

本發(fā)明涉及紡織領(lǐng)域，特別涉及一種基于機(jī)器視覺的布匹表面疵點(diǎn)檢測(cè)方法及其系統(tǒng)。

背景技術(shù)

紡織工業(yè)是我國(guó)國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)之一。布匹質(zhì)量的優(yōu)劣程度對(duì)紡織生產(chǎn)有相當(dāng)大的影響。長(zhǎng)期以來，對(duì)布匹質(zhì)量的檢測(cè)一般由人工目測(cè)完成。這種方法依靠的是檢驗(yàn)人員的工作經(jīng)驗(yàn)和熟練程度，同一個(gè)檢驗(yàn)人員的評(píng)價(jià)標(biāo)準(zhǔn)不夠穩(wěn)定，行業(yè)內(nèi)也沒有建立起統(tǒng)一的布匹質(zhì)量驗(yàn)證標(biāo)準(zhǔn)。因?yàn)槿斯z驗(yàn)中可能產(chǎn)生的人工失誤，導(dǎo)致誤檢和漏檢，降低產(chǎn)品質(zhì)量和生產(chǎn)效率。另外，過大的勞動(dòng)強(qiáng)度不利于檢驗(yàn)人員的身心健康。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于機(jī)器視覺的布匹表面疵點(diǎn)檢測(cè)方法及其系統(tǒng)，用于建立相比人工檢驗(yàn)，更加標(biāo)準(zhǔn)、高效的布匹檢驗(yàn)機(jī)制。其具體方案如下：

一種基于機(jī)器視覺的布匹表面疵點(diǎn)檢測(cè)方法，包括：

獲取第一訓(xùn)練樣本；其中，所述第一訓(xùn)練樣本包括布匹表面圖像以及相應(yīng)的表面疵點(diǎn)狀態(tài)信息；

利用所述第一訓(xùn)練樣本，對(duì)基于深度學(xué)習(xí)算法構(gòu)建的第一待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第一訓(xùn)練后模型；

將待檢測(cè)布匹的表面圖像輸入至所述第一訓(xùn)練后模型，得到所述第一訓(xùn)練后模型輸出的與所述待檢測(cè)布匹的表面圖像對(duì)應(yīng)的表面疵點(diǎn)檢測(cè)結(jié)果。

優(yōu)選的，所述利用所述第一訓(xùn)練樣本，對(duì)基于深度學(xué)習(xí)算法構(gòu)建的第一待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第一訓(xùn)練后模型的過程包括：

利用所述第一訓(xùn)練樣本，對(duì)基于BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的第一待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第一訓(xùn)練后模型。

優(yōu)選的，所述利用所述第一訓(xùn)練樣本，對(duì)基于BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的第一待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第一訓(xùn)練后模型的過程包括：

對(duì)所述第一訓(xùn)練樣本的布匹表面圖像進(jìn)行預(yù)處理，得到樣本子圖像；

對(duì)所述樣本子圖像進(jìn)行特征提取，得到所述樣本子圖像的特征信息；

將所述特征信息輸入所述第一待訓(xùn)練模型進(jìn)行訓(xùn)練，獲得第一訓(xùn)練后模型。

優(yōu)選的，所述對(duì)所述第一樣本的布匹表面圖像進(jìn)行預(yù)處理，得到樣本子圖像的過程，包括：

將所述布匹樣本圖像從空間域轉(zhuǎn)化到頻域，得到頻域圖像；

對(duì)所述頻域圖像進(jìn)行平滑處理，得到平滑后圖像；

將所述平滑后圖像進(jìn)行分割，得到樣本子圖像。

優(yōu)選的，所述對(duì)所述樣本子圖像進(jìn)行特征提取，得到所述樣本子圖像的特征信息的過程，包括：

通過Gabor濾波方法對(duì)所述樣本子圖像進(jìn)行特征提取，得到所述樣本子圖像的特征信息。

優(yōu)選的，所述方法還包括：

獲取第二訓(xùn)練樣本；其中，所述第二訓(xùn)練樣本包括布匹表面圖像以及相應(yīng)的表面疵點(diǎn)類型；

利用所述第二訓(xùn)練樣本，對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的第二待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第二訓(xùn)練后模型；

當(dāng)所述表面疵點(diǎn)檢測(cè)結(jié)果表明所述待檢測(cè)布匹存在疵點(diǎn)，將所述待檢測(cè)布匹的表面圖像輸入所述第二訓(xùn)練后模型，得到所述第二訓(xùn)練后模型輸出的所述待檢測(cè)布匹的表面疵點(diǎn)類型。

優(yōu)選的，所述第二訓(xùn)練樣本的表面疵點(diǎn)類型，包括：

竹節(jié)類型、和/或斷經(jīng)類型、和/或缺緯類型、和/或飛針類型、和/或跳紗類型、和/或破洞類型、和/或油漬類型、和/或密路類型。

優(yōu)選的，所述方法還包括：

獲取第三訓(xùn)練樣本；其中，所述第三訓(xùn)練樣本包括表面疵點(diǎn)狀態(tài)信息以及相應(yīng)的表面疵點(diǎn)類型；

利用所述第三訓(xùn)練樣本，對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的第三待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第三訓(xùn)練后模型；

當(dāng)所述表面疵點(diǎn)檢測(cè)結(jié)果表明所述待檢測(cè)布匹存在疵點(diǎn)，將所述表面疵點(diǎn)檢測(cè)結(jié)果輸入所述第三訓(xùn)練后模型，得到所述第三訓(xùn)練后模型輸出的所述待檢測(cè)布匹的表面疵點(diǎn)類型。

優(yōu)選的，所述第三訓(xùn)練樣本的表面疵點(diǎn)類型，包括：

竹節(jié)類型、和/或斷經(jīng)類型、和/或缺緯類型、和/或飛針類型、和/或跳紗類型、和/或破洞類型、和/或油漬類型、和/或密路類型。

相應(yīng)的，本發(fā)明還公布了一種基于機(jī)器視覺的布匹表面疵點(diǎn)檢測(cè)系統(tǒng)，包括：

第一樣本獲取模塊，用于獲取第一訓(xùn)練樣本；其中，所述訓(xùn)練樣本包括布匹表面圖像以及相應(yīng)的表面疵點(diǎn)狀態(tài)信息；

第一模型訓(xùn)練模塊，用于利用所述訓(xùn)練樣本，對(duì)基于深度學(xué)習(xí)算法構(gòu)建的第一待訓(xùn)練模型進(jìn)行訓(xùn)練，得到第一訓(xùn)練后模型；

疵點(diǎn)檢測(cè)模塊，用于將待檢測(cè)布匹的表面圖像輸入至所述第一訓(xùn)練后模型，得到所述第一訓(xùn)練后模型輸出的與所述待檢測(cè)布匹的表面圖像對(duì)應(yīng)的表面疵點(diǎn)檢測(cè)結(jié)果。

優(yōu)選的，所述檢測(cè)系統(tǒng)還包括：