织物疵点检测方法、装置、设备和机器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、装置、设备和机器可读介质，该方法利用第一神经网络分类出异常图像，利用第二神经网络分类出问题图像，利用分类器分类出问题图像所包含的织物表面存在的疵点的类型。该方法、装置、设备和机器可读介质能够快速发现异常图像，并能在异常图像中很好地排除干扰找到真正的问题图像，最后对疵点进行精准分类，从而降低误检率，提高检测准确度。

【技术实现步骤摘要】
织物疵点检测方法、装置、设备和机器可读介质
本申请涉及织物检测
，特别涉及织物疵点检测方法、装置、设备和机器可读介质。
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CNN(ConvolutionalNeuralNetworks，卷积神经网络)模型包括的至少一个卷积层和至少一个池化层确定图像的特征，利用CNN模型包括的全连接层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，由于织本文档来自技高网...

【技术保护点】
1.织物疵点检测方法，包括：当要检测指定图像所包含的织物表面是否存在疵点时，利用已训练的第一神经网络模型对所述指定图像进行分类，其中，所述第一神经网络模型用于检测图像是属于其中所包含的织物表面有可能存在疵点的异常图像还是属于其中所包含的织物表面不可能存在疵点的正常图像；如果所述第一神经网络模型将所述指定图像分类为所述异常图像，则利用已训练的具有记忆能力的第二神经网络模型对所述指定图像进行分类，其中，所述第二神经网络模型用于检测图像是属于其中所包含的织物表面存在疵点的问题图像还是属于所述正常图像；如果所述第二神经网络模型将所述指定图像分类为所述问题图像，则利用已训练的分类器对所述指定图像进行分类...

【技术特征摘要】
1.织物疵点检测方法，包括：当要检测指定图像所包含的织物表面是否存在疵点时，利用已训练的第一神经网络模型对所述指定图像进行分类，其中，所述第一神经网络模型用于检测图像是属于其中所包含的织物表面有可能存在疵点的异常图像还是属于其中所包含的织物表面不可能存在疵点的正常图像；如果所述第一神经网络模型将所述指定图像分类为所述异常图像，则利用已训练的具有记忆能力的第二神经网络模型对所述指定图像进行分类，其中，所述第二神经网络模型用于检测图像是属于其中所包含的织物表面存在疵点的问题图像还是属于所述正常图像；如果所述第二神经网络模型将所述指定图像分类为所述问题图像，则利用已训练的分类器对所述指定图像进行分类并确定所述指定图像所包含的织物表面的疵点类型，其中，所述分类器用于检测图像所包含的织物表面存在的疵点的类型。2.根据权利要求1所述的方法，其中，所述第一神经网络模型是利用第一组样本图像训练得到的，所述第二神经网络模型是利用第二组样本图像训练得到的，以及，所述分类器是利用第三组样本图像训练得到的；其中，所述第一组样本图像是基于第一规则集中的规则从包含多个所述正常图像和多个所述异常图像的多个样本图像中选取的，所述第二组样本图像是基于第二规则集中的规则从所述多个样本图像中选取的，以及，所述第三组样本图像是基于第三规则集中的规则从包含多个所述问题图像的多个样本图像中选取的。3.根据权利要求1或2所述的方法，其中，所述第一神经网络模型是卷积神经网络模型，以及所述第二神经网络模型是循环神经网络模型。4.根据权利要求1或2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。5.织物疵点检测装置，包括：第一分类模块，用于当要检测指定图像所包含的织物表面是否存在疵点时，利用已训练的第一神经网络模型对所述指定图像进行分类，其中，所述第一神经...

【专利技术属性】
技术研发人员：金玲玲，饶东升，何文玮，黄水龙，李成嘉，
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