[發明專利]檢測方法、檢測系統、設備和介質

在審

• 申請號: 202011112325.0
• 申請日: 2020-10-16
• 公開（公告）號: CN112150460A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 崔淼
• 申請（專利權）人: 上海智臻智能網絡科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T5/00;G06N3/04
• 代理公司: 北京布瑞知識產權代理有限公司 11505
• 代理人: 孟潭

本發明實施例提供一種檢測方法、檢測系統、設備和介質，所述檢測方法包括：獲得檢測圖片；將所述檢測圖片輸入第一卷積神經網絡處理，所述第一卷積神經網絡對所述檢測圖片的特征數據進行先降維，再升維；根據所述先降維再升維過程得到第一特征數據；根據所述降維過程得到第二特征數據；將所述第一特征數據和所述第二特征數據進行融合，得到空間特征數據；根據空間特征數據，判斷缺陷信息。本發明實施例可以提高檢測精度。

技術領域

本發明實施例涉及人工智能計算機視覺技術領域，尤其涉及一種檢測方法、檢測系統、設備和介質。

背景技術

紡織行業一直是我國經濟中占據舉足輕重的地位，2019年我國布料產量超過1000億米，且產量需要一直處于上升趨勢。隨著人工智能和大數據快速發展。如果能夠將人工智能和計算機視覺技術應用于紡織行業，對紡織行業的價值無疑會是巨大的。布匹缺陷檢測是紡織行業生產和質量管理的重要環節，但一直以來布匹缺陷檢測都是由人工檢測完成的。人工檢測速度慢、勞動強度大，受主觀因素影響，布料缺陷缺乏一致性，這種方法嚴重降低了紡織生產流程的自動化程度。據了解，人工檢測速度一般在15-18米/分，在此速度下，單個檢驗人員只能完成0.8-1米寬幅的檢測，因此布匹的檢驗和整理環節成了整個生產過程中的瓶頸。人工檢測還存在過于依賴驗布工人經驗的缺點，經常出現多檢,漏檢和缺陷分類錯誤。尤其缺陷不明顯特征僅僅依靠人工檢測往往出現漏檢。目前，現有的一些檢測算法，檢測率低、過檢率高、速度慢、以至于很難到達到工業化的要求。因此本發明結合滑動窗口和全卷積網絡布料缺陷檢測提出了一種更為高效的瑕疵檢測方法，解決目前一些檢測算法漏檢，過檢，缺陷分類錯誤行業痛點。

參考圖1和圖2，分別示出了兩種帶有瑕疵的布料示意圖。圖1中布料表面上有一條較長的拼縫瑕疵10。圖2中布料表面有一個不太明顯的污點瑕疵20。

現有技術會對織物材料加工程序中布料進行圖像采集，獲得輸入圖像，之后針對輸入圖像進行分析以實現瑕疵檢驗。但是現有的瑕疵檢測存在精度不夠的問題。具體地說，圖2中的矩形框30為現有檢測方法輸出的瑕疵檢測結果，然而布料上的污點瑕疵20并沒有位于矩形框30的范圍內，也就是說，所述方法并沒有準確地把污點瑕疵20檢測到。

除了織物表面缺陷，圖像識別還可應用到其他產品(例如：金屬、塑料模具、汽車組件、機械零件等)的缺陷識別中。此外，圖像識別技術還可以在票據、車牌、人臉識別等場景中應用，然而在其他應用場景中也同樣存在檢測精度不符合要求的問題。

發明內容

本發明解決的問題是提供一種檢測方法、檢測系統、設備和介質，提高檢測精度。

本發明技術方案提供一種檢測方法，包括：獲得檢測圖片；將所述檢測圖片輸入第一卷積神經網絡處理，所述第一卷積神經網絡對所述檢測圖片的特征數據進行先降維，再升維；根據所述先降維再升維過程得到第一特征數據；根據所述降維過程得到第二特征數據；將所述第一特征數據和所述第二特征數據進行融合，得到空間特征數據；根據空間特征，判斷缺陷信息。

可選地，檢測方法還包括：將所述檢測圖片輸入第二卷積神經網絡處理，獲得細節特征數據；融合所述空間特征數據和所述細節特征數據得到融合特征數據；根據融合特征數據，判斷缺陷信息。

可選地，融合所述空間特征數據和所述細節特征數據得到融合特征數據的步驟包括：基于一預設權重融合所述空間特征數據和所述細節特征數據得到融合特征數據。

可選地，在獲得檢測圖片之前，所述檢測方法還包括：建模步驟，包括：獲得樣本圖片；對所述樣本圖片進行所述第一卷積神經網絡處理，獲得樣本空間特征數據；對所述樣本圖片進行第二卷積神經網絡處理，獲得樣本細節特征數據；基于初始權重，融合所述樣本空間特征數據和樣本細節特征數據，獲得樣本圖片數據，完成一次訓練；通過多次訓練不斷調整所述初始權重，在所述樣本圖片數據的損失符合規格值時，以調整后的權重作為預設權重。