表面属性检测方法及装置、计算机设备及计算机可读介质制造方法及图纸

本申请公开了织物表面属性检测方法及装置、计算机设备及计算机可读介质，该方法包括当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性‑残差神经网络模型检测所述候选区域所对应的对象的属性信息；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。该方法及装置、计算机设备及计算机可读介质能够提高织物识别的效率，适用于目前社会经济的发展需要。

【技术实现步骤摘要】
表面属性检测方法及装置、计算机设备及计算机可读介质
本申请涉及织物检测
，特别涉及织物表面属性检测方法及装置、计算机设备和计算机可读介质。
技术介绍
织物表面属性是机织物的重要规格参数，对织物和服装的外观及物理性能起着决定性作用，织物表面属性的识别因此也是纺织产品质量检测环节中不可或缺的部分。传统测量织物表面属性的检测方法是专业检测人员在密度镜的帮助下，通过肉眼观察分析完成。用密度镜测量织物密度虽然简单实用，但存在检测时间长、效率低的缺点，还易受到检测人员的熟练度和个人主观感觉的影响。因此目前已有的织物表面属性检测方法特别不适用于目前社会经济的发展需要。
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表面属性检测方法及装置、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表面属性检测方法，包括：当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性-残差神经网络模型检测所述候选区域所对应的对象的属性信息；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。按照本专利技术的实施例的织物表面属性检测装置，包括：获取模块，用于当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；检测模块，用于根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性-残差神经网络模型检测所述候选区域所对应的对象的属性信息；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。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利用神经网络技术，而不是人，来检测织物表面属性，与人相比，神经网络不会受主观感觉的影响，其能快速地检测织物表面的属性信息，因此，与现有技术相比，本专利技术的实施例的方案能够提高织物表面属性检测的效率，适用于目前社会经济的发展需要。附图说明图1为按照本专利技术的一个实施例的织物表面属性检测的方法的流程图；图2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3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4为按照本专利技术的一个实施例的织物表面属性检测的方法的总体流程图；图5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6为按照本专利技术的一个实施例的织物表面属性检测装置的示意图；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用于织物表面属性检测的方法的流程图。图1所示的方法100可以由计算机或其他合适的具有计算能力的电子设备来实现。如图1所示，方法100可以包括，在方框102，当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量。方法100还可以包括：在方框104，根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性-残差神经网络模型检测所述候选区域所对应的对象的属性信息；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。在一个方面，所述获取所述指定图像一个或多个候选区域的特征向量包括：利用卷积神经网络(CNN：ConvolutionalNeuralNetwork)模型获取所述指定图像一个或多个候选区域的特征向量。在另一个方面，所述时序性神经网络包括循环神经网络(RNN：RecurrentNeuralNetwork)、长短时记忆网络(LSTM：LongShort-TermMemory)，或门控循环单元网络(GRU：GatedRecurrentUnit)。相应的，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(RNN-ResNet：RecurrentNeuralNetwork-ResidualNetwork)、长短时记忆-残差神经网络模型(LSTM-ResNet)、或门控循环单元-残差神经网络模型(GRU-ResNet)。在又一个方面，所述表面属性包括组织结构、印花、提花、纹理、花色的一种或多种。本专利技术的实施例的方案利用神经网络技术，而不是人，来检测织物表面属性，与人相比，神经网络不会受主观感觉的影响，其能快速地检测织物表面的属性信息，因此，与现有技术相比，本专利技术的实施例的方案能够提高织物表面属性检测的效率，适用于目前社会经济的发展需要。本专利技术的实施例的方案采用时序性-残差神经网络模型，在时序性神经网络中加入残差网络连接，其中残差网络可以将时序性神经网络上一时刻的输出加权到当前输出上，可以解决时序性神经网络梯度弥散的问题，使得较深的神经网络易于训练。图2示出了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2所示的方法200对应于模型训练阶段，其利用训练数据训练得到用于织物表面属性检测的RNN-ResNet模型。图2所示的方法200可以由计算机或其他合适的具有计算能力的电子设备来实现。如图2所示，在方框202，接收多个原始拍摄的图像。其中，该多个原始拍摄的图像包括具有连续性的多个图像和不具有连续性的多个图像。具有连续性的多个图像拼接形成至少一个织物属性循环，例如组织结构循环、印花循环。在方框204，对该多个原始拍摄的图像执行图像标注(ImageAnnotation)处理，以得到第一样本图像集SP1。其中，第一样本图像集SP1中的每一个样本图像是对该多个原始拍摄的图像的其中一个图像执本文档来自技高网...

【技术保护点】
1.织物表面属性检测方法，包括：当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性‑残差神经网络模型检测所述候选区域所对应的对象的属性信息；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。

【技术特征摘要】
1.织物表面属性检测方法，包括：当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性-残差神经网络模型检测所述候选区域所对应的对象的属性信息；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。2.根据权利要求1所述的方法，其中，所述获取所述指定图像一个或多个候选区域的特征向量包括：利用卷积神经网络模型获取所述指定图像一个或多个候选区域的特征向量。3.根据权利要求1所述的方法，其中，所述时序性神经网络包括循环神经网络RNN、长短时记忆网络LSTM或门控循环单元网络GRU。4.根据权利要求1所述的方法，其中，所述表面属性包括组织结构、印花、提花、纹理、花色的一种或多种。5.织物表面属性检测装置，包括：获取模块，用于当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；检...

【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