织物疵点检测方法及装置、计算机设备及计算机可读介质制造方法及图纸

本申请公开了织物疵点检测方法及装置、计算机设备和计算机可读介质，该方法包括：获取待检测图像的织物属性特征；根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点。该方法、装置、计算机设备和计算机可读介质在对待检测图像检测时首先获取织物属性特征以在确定疵点时进行综合考虑，从而排除了织物属性特征对检测结果的干扰，实现对织物疵点的精准检测，提高了检测准确度。

Fabric Defect Detection Method and Device, Computer Equipment and Computer Readable Media

This application discloses fabric defect detection methods and devices, computer equipment and computer readable media. The method includes acquiring fabric attribute characteristics of the image to be detected and determining whether there are defects in the fabric contained in the image to be detected according to the fabric attribute characteristics. This method, device, computer equipment and computer readable media first acquire fabric property features to determine defects, thus eliminating the interference of fabric property features on the detection results, realizing the accurate detection of fabric defects, and improving the detection accuracy.

【技术实现步骤摘要】
织物疵点检测方法及装置、计算机设备及计算机可读介质
本申请涉及织物检测
，特别涉及织物疵点检测方法及装置、计算机设备及计算机可读介质。
技术介绍
在机织布、针织布、非织造布等织物的生产线上，需要检测所生产出来的织物是否存在疵点，例如，织物上是否有污渍、破洞、起毛等等。目前的检测方法主要是由检测人员站在验布设备前通过肉眼检测的方式发现织物疵点并对疵点进行标记或记录。在织物的产量很大的情况下，由检测人员来检测将会很费人力，而且，检测人员在工作一段时间之后容易疲劳，从而存在发生误检的可能性。因此，由检测人员来检测的总体缺陷检测效率不高、并且检测准确度不够稳定。相关技术中，利用计算机进行验布主要是通过机器视觉和疵点分类方法来实现，也即，通过摄像技术获取待检测的布料图像，通过预先设置多个类别，利用检测模型根据该图像的特征确定该图像分别属于该多个类别中的每个类别的概率，并将概率最大的类别确定为该图像所述的类别，以得到该布料图像所述的疵点分类。但是，目前利用计算机进行验布的方法都没有将织物本身的属性特征(例如印花、纹理等)加以考虑，往往会将织物的属性特征误检为疵点，导致检测的准确率非常低。
技术实现思路
鉴于以上问题，本专利技术的实施例提供一种织物疵点检测方法及装置、计算机设备及计算机可读介质，其能解决上述
技术介绍
部分提到的技术问题。按照本专利技术的实施例的织物疵点检测方法，包括：获取待检测图像的织物属性特征；根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点。按照本专利技术的实施例的织物疵点检测装置，包括：获取模块，用于获取待检测图像的织物属性特征；确定模块，用于根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点。按照本专利技术的实施例的计算机设备，包括处理器；以及存储器，其上存储有可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行前述的方法。按照本专利技术的实施例的计算机可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时使得计算机执行前述的方法。从以上的描述可以看出，本专利技术的实施例的方案在对待检测图像检测时首先获取织物属性特征以在确定疵点时进行综合考虑，从而排除了织物属性特征对检测结果的干扰，实现对织物疵点的精准检测，提高了检测准确度。附图说明图1为按照本专利技术的一个实施例的织物疵点检测方法的流程图；图2为按照本专利技术的一个实施例的获取待检测图像的织物属性特征的方法的流程图；图2a为一个典型的RNN模型的结构示意图；图2b为RNN模型在时间上展开的示意图；图2c为按照本专利技术的一个实施例的RNN-ResNet模型的一个神经网络基本单元的结构示意图；图2d为按照本专利技术的一个实施例的LSTM-ResNet模型的一个神经网络基本单元的结构示意图；图3为按照本专利技术的一个实施例的根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点的方法的流程图；图3a为按照本专利技术的一个实施例的具有属性/疵点分类判别网络的CNN模型的结构示意图；图3b为按照本专利技术的一个实施例的属性/疵点分类判别网络的结构示意图；图3c为按照本专利技术的一个实施例的目标分类回归网络的结构示意图；图4为按照本专利技术的一个实施例的用于模型训练的方法的流程图；图5为按照本专利技术的一个实施例的织物疵点检测方法的总体流程图；图6为按照本专利技术的一个实施例的织物疵点检测装置的示意图；图7为按照本专利技术的一个实施例的计算机设备的示意图。具体实施方式现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。图1示出了按照本专利技术的一个实施例的织物疵点检测方法的流程图。参照图1，该方法100可以包括：S102，获取待检测图像的织物属性特征。其中，织物属性可以是指没有疵点的正常织物表面所呈现的视觉属性，具体可以包括印花、纹理、提花、花色等织物本身具有的织物属性。在获取待检测图像的织物属性特征时，可以例如但不限于，提取待检测图像符合织物属性参数的特征作为织物属性特征。获取待检测图像的织物属性特征可以利用预先构建的织物属性特征提取模型，织物属性特征提取模型可以根据正常织物样本图像获得织物属性特征提取模型参数，根据模型参数获取织物属性特征。获取织物属性特征可以采用例如但不限于：直方图、灰度共生矩阵、马尔科夫随机场模型(MRF-MarkovRandomField)、自回归纹理模型(simultaneousauto-regressive，SAR)、傅里叶形状描述符(Fouriershapedeors)、小波描述符(WaveletDeor)、神经网络模型等方法。优选的，神经网络模型可采用时序性神经网络模型，或，时序性-残差神经网络模型，其中，时序性-残差神经网络模型为在时序性神经网络的每一基本单元添加残差网络构成的神经网络模型，所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。可选的，时序性神经网络模型包括循环神经网络(RNN：RecurrentNeuralNetwork)模型、长短时记忆(LSTM：LongShort-TermMemory)模型或门控循环单元(GRU：GatedRecurrentUnit)。时序性-残差神经网络模型包括循环-残差神经网络(RNN-ResNet：RecurrentNeuralNetwork-ResidualNetwork)模型、长短时记忆-残差(LSTM-ResNet：LongShort-TermMemory-ResidualNetwork)模型或门控循环单元-残差(GRU-ResNet：GatedRecurrentUnit-ResidualNetwork)模型。S104，根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点。其中，确定织物是否存在疵点可以利用预先构建的疵点确定模型，确定所述待检测图像所包含的织物是否存在疵点具体可以是将待检测图像与织物属性特征进行匹配，确定待检测图像中与织物属性特征相同和不相同的区域，若存在不相同的区域则判定待检测图像所包含的织物存在疵点，若不存在不相同的区域则判定待检测图像所包含的织物不存在疵点。其中，疵点的确定可以采用例如但不限于神经网络模型、归一化灰度相关匹配、最小二乘影像匹配、几何图元法、傅氏形状描述法等。优选的，神经网络模型可以采用卷积神经网络(本文档来自技高网...

【技术保护点】
1.织物疵点检测方法，包括：获取待检测图像的织物属性特征；根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点。

【技术特征摘要】
1.织物疵点检测方法，包括：获取待检测图像的织物属性特征；根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点。2.根据权利要求1所述的方法，其中，所述获取待检测图像的织物属性特征包括：利用已训练的第一神经网络模型获取所述待检测图像的一个或多个候选区域所对应的对象的织物属性特征。3.根据权利要求2所述的方法，其中，所述第一神经网络模型是时序性神经网络模型，或，时序性-残差神经网络模型；其中，所述时序性-残差神经网络模型为在时序性神经网络的每一基本单元添加残差网络构成的神经网络模型，所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。4.根据权利要求3所述的方法，其中，所述时序性神经网络模型包括循环神经网络模型、长短时记忆模型或门控循环单元模型；所述时序性-残差神经网络模型包括循环-残差神经网络模型、长短时记忆-残差神经网络模型或门控循环单元-残差神经网络模型。5.根据权利要求2-4任一项所述的方法，其中，所述根据所述织物属性特征，确定所述待检测图像所包含的织物是否存在疵点包括：根据所述织物属性特征和所述待检测图像的一个或多个候选区域，利用已训练的第二神经网络模型确定所述候选区域中是否存在疵点有效区域，以确定所述待检测图像所包含的织物是否存在疵点。6.根据权利要求5所述的方法，其中，所述第二神经网络模型是在原始的卷积神经网络中增加一属性/疵点分类判别网络的神经网络模型，所述属性/疵点分类判别网络用于判别所述候选区域中是否存在疵点有效区域。7.根据权利要求6所述的方法，其中，所述属性/疵点分类判别网络包括依次连接的ROI区域池化层、若干隐层和softmax层。8.根据权利要求1所述的方法，其中，所述方法还包括：如果所述待检测图像所包含的织物存在疵点，则利用分类器对所述待检测图像进行分类并确定所述待检测图像所包含的织物表面的疵点类型。9.根据权利要求8所述的方法，其中，所述分类器包括贝叶斯分类器、近邻分类器、线性分类器、SVM分类器的其中一种。10.织物疵点检测装置，包括：获取模块，用于获取待检测图像的织物属性特征；确定模块，用于根据所述织物属性特征，确定所述待检测图像所包含的织物是否...

【专利技术属性】
技术研发人员：金玲玲，饶东升，何文玮，
申请(专利权)人：深圳灵图慧视科技有限公司，
类型：发明
国别省市：广东,44