布料缺陷检测方法、设备和介质技术

本发明专利技术实施例提供一种布料缺陷检测方法、设备和介质，所述检测方法包括：获得检测布料图片；对所述检测布料图片进行第一卷积神经网络处理，获得空间特征数据；对所述检测布料图片进行第二卷积神经网络处理，获得细节特征数据，所述第二卷积神经网络比第一卷积神经网络的层次浅，所述第二卷积神经网络比第一卷积神经网络的通道宽；融合所述空间特征数据和所述细节特征数据，获得图片数据；基于所述图片数据，判断布料的缺陷信息。本发明专利技术实施例可以提高检测精度。

【技术实现步骤摘要】
布料缺陷检测方法、设备和介质
本专利技术实施例涉及图像识别
，尤其涉及一种检测方法、设备和介质。
技术介绍
织物材料加工过程中，容易在布料表面形成一定的瑕疵。参考图1和图2，分别示出了两种带有瑕疵的布料示意图。图1中布料表面上有一条较长的拼缝瑕疵10。图2中布料表面有一个不太明显的污点瑕疵20。现有技术会对织物材料加工程序中布料进行图像采集，获得输入图像，之后针对输入图像进行分析以实现瑕疵检验。但是现有的瑕疵检测存在精度不够的问题。具体地说，图2中的矩形框30为现有检测方法输出的瑕疵检测结果，然而布料上的污点瑕疵20并没有位于矩形框30的范围内，也就是说，所述方法并没有准确地把污点瑕疵20检测到。
技术实现思路
本专利技术解决的问题是提供一种检测方法、设备和介质，提高检测精度。本专利技术技术方案提供一种布料缺陷检测方法，包括：获得检测布料图片；对所述检测布料图片进行第一卷积神经网络处理，获得空间特征数据；对所述检测布料图片进行第二卷积神经网络处理，获得细节特征数据，所述第二卷积神经网络比第一卷积神经网络的层次浅，所述第二卷积神经网络比第一卷积神经网络的通道宽；融合所述空间特征数据和所述细节特征数据，获得图片数据；基于所述图片数据，判断布料的缺陷信息。可选地，融合所述空间特征数据和所述细节特征数据，获得图片数据的步骤包括：基于一预设权重融合所述空间特征数据和所述细节特征数据，获得图片数据。可选地，在获得检测布料图片之前，所述布料缺陷检测方法还包括：建模步骤，包括：获得样本图片；对所述样本图片进行所述第一卷积神经网络处理，获得样本空间特征数据；对所述样本图片进行所述第二卷积神经网络处理，获得样本细节特征数据；基于初始权重，融合所述样本空间特征数据和样本细节特征数据，获得样本图片数据，完成一次训练；通过多次训练不断调整所述初始权重，在所述样本图片数据的损失符合规格值时，以调整后的权重作为预设权重。可选地，所述获得检测布料图片的步骤包括：获得原始图片；对所述原始图片进行等量切割，获得多个检测布料图片；基于所述图片数据，判断检测布料图片上的缺陷信息的步骤包括：对多个检测布料图片对应的图片数据进行合并，基于合并后的数据判断缺陷的位置和/或种类。可选地，所述第二卷积神经网络包括VGG网络，所述第一卷积神经网络包括MobileNetV2网络；或者，所述第一卷积神经网络包括MobilenetV2网络，以及，特征图像金字塔，用于对MobilenetV2网络输出的数据进行处理；或者，所述第一卷积神经网络包括ResNet50网络、特征图像金字塔和全卷积网络。相应的，本专利技术实施例还提供一种布料缺陷检测数据处理方法，包括：根据上述任意一项检测方法获取布料的缺陷信息；根据至少所述缺陷信息，确定缺陷处理方式。可选地，当缺陷信息包括缺陷位置时，根据所述缺陷位置信息计算相邻两缺陷参考线之间的距离；根据预设条件确定断料区域，所述预设规则为将所述距离小于预设阈值且连续的缺陷组合形成的区域作为断料区域；分别获取每一所述断料区域和所述断料区域以外的每一孤立缺陷的边缘参考线；根据所述边缘参考线确定所述布料的断料位置信息。相应地，本专利技术实施例还提供一种介质，其上存储有计算机指令，所述计算机指令运行本专利技术实施例所述方法的步骤。相应地，本专利技术实施例还提供一种设备，包括缺陷检测模块，所述缺陷检测模块进一步包括：第一图片获取单元，用于获得检测布料图片；语义单元，用于对所述检测布料图片进行第一卷积神经网络处理，获得空间特征数据；细节单元，用于对所述检测布料图片进行第二卷积神经网络处理，获得细节特征数据，所述第二卷积神经网络比第一卷积神经网络的层次浅，所述第二卷积神经网络比第一卷积神经网络的通道宽；融合单元，用于融合所述空间特征数据和所述细节特征数据，获得图片数据；判断单元，用于根据所述图片数据，判断布料的缺陷信息。可选地，所述设备还包括：采样装置，用于对检测布料进行拍照；运输平台，用于运输所述检测布料；所述采样装置设置在所述运输平台上，对检测布料进行拍照；所述检测方法用于根据所述采样装置获得的检测布料的图片，判断检测布料上的缺陷类型和/或位置。与现有技术相比，本专利技术的技术方案具有以下优点：本专利技术技术方案中通过卷积神经网络(ConvolutionalNeuralNetworks,CNN)深度学习的方法对检测布料图片进行图像识别，以获得检测布料图片上的缺陷信息，本专利技术实施例通过对一张检测布料图片，进行第一、第二卷积神经网络处理，分别获得空间、细节特征数据；从而使结合后得到的图片数据既包含了空间信息也没有丢失细节信息，因此本专利技术实施例检测方法在保证处理效率的基础上能获得较高的缺陷检测精度。附图说明图1为一种带有瑕疵的布料示意图；图2为另一种带有瑕疵的布料示意图；图3为本专利技术检测方法一实施例的流程示意图；图4为图3中步骤S1检测图片101的示意图；图5为图3中步骤2的一第一卷积神经网络的示意图；图6为图3中步骤2的另一第一卷积神经网络的示意图；图7为图3中步骤4的融合步骤的示意图；图8的a图和b图分别示意出了现有技术检测方法和本专利技术检测方法的输出结果的对比图；图9是本专利技术检测系统一实施例的功能框图；图10是本专利技术设备一实施例的功能框图。具体实施方式如
技术介绍
所述，现有技术布料瑕疵检测存在检测精度不高的问题，结合图1和图2分析现有技术图像处理存在的问题。现有技术对输入图像进行的图像处理包括高斯滤波等算法，这些图像算法需要根据不同图片进行参数的调整。如图1中拼缝瑕疵10的尺寸较大，而图2中污点瑕疵20的尺寸较小。对不同尺寸的瑕疵进行图像处理时，需要设置不同的参数，才能比较准确地检测到瑕疵。而实际在布料加工程序中，在无法获知布料上产生何种瑕疵时，通常采用一种参数设置进行图像处理，这就容易出现目标漏检的情况，例如：图1中拼缝瑕疵10尺寸较大而容易被检测到，而图2中污点瑕疵20因为尺寸较小而不容易被检测到，从而出现瑕疵漏检的问题。此外，为了降低计算复杂度，现有技术还通过剪裁或缩放图片等方法来限定输入图像，这种方法容易造成空间细节的损失，尤其是边界部分造成的细节损失更为严重，因而容易出现检测精度下降的问题。为了解决所述技术问题，本专利技术实施例提供一种检测方法，通过卷积神经网络(ConvolutionalNeuralNetworks,CNN)深度学习的方法对检测图片进行图像识别，以获得检测图片上的缺陷信息，本专利技术实施例对一张检测图片，通过第一、第二卷积神经网络处理，分别获得空间、细节特征数据；从而使结合后得到的图片数据即包含了空间信息也没有丢失细节信息，因此本专利技术实施例检测方法在保证处理效率的基础上能获得较高的缺陷检测精度。参考图3，示意出了本专利技术检测方法一实施例的流程示意图。所述检测方法包括以下步骤：步骤S1，获得检测图片；步骤S2，对所述检测图本文档来自技高网...

【技术保护点】
1.一种布料缺陷检测方法，其特征在于，包括：/n获得检测布料图片；/n对所述检测布料图片进行第一卷积神经网络处理，获得空间特征数据；/n对所述检测布料图片进行第二卷积神经网络处理，获得细节特征数据，所述第二卷积神经网络比第一卷积神经网络的层次浅，所述第二卷积神经网络比第一卷积神经网络的通道宽；/n融合所述空间特征数据和所述细节特征数据，获得图片数据；/n基于所述图片数据，判断布料的缺陷信息。/n

【技术特征摘要】
1.一种布料缺陷检测方法，其特征在于，包括：
获得检测布料图片；
对所述检测布料图片进行第一卷积神经网络处理，获得空间特征数据；
对所述检测布料图片进行第二卷积神经网络处理，获得细节特征数据，所述第二卷积神经网络比第一卷积神经网络的层次浅，所述第二卷积神经网络比第一卷积神经网络的通道宽；
融合所述空间特征数据和所述细节特征数据，获得图片数据；
基于所述图片数据，判断布料的缺陷信息。


2.如权利要求1所述的布料缺陷检测方法，其特征在于，融合所述空间特征数据和所述细节特征数据，获得图片数据的步骤包括：
基于一预设权重融合所述空间特征数据和所述细节特征数据，获得图片数据。


3.如权利要求2所述的布料缺陷检测方法，其特征在于，在获得检测布料图片之前，所述布料缺陷检测方法还包括：建模步骤，包括：
获得样本图片；
对所述样本图片进行所述第一卷积神经网络处理，获得样本空间特征数据；
对所述样本图片进行所述第二卷积神经网络处理，获得样本细节特征数据；
基于初始权重，融合所述样本空间特征数据和样本细节特征数据，获得样本图片数据，完成一次训练；
通过多次训练不断调整所述初始权重，在所述样本图片数据的损失符合规格值时，以调整后的权重作为预设权重。


4.如权利要求1所述的布料缺陷检测方法，其特征在于，所述获得检测布料图片的步骤包括：获得原始图片；对所述原始图片进行切割，获得多个检测布料图片；
基于所述图片数据，判断检测布料图片上的缺陷信息的步骤包括：对多个检测布料图片对应的图片数据进行合并，基于合并后的数据判断缺陷的位置和/或种类。


5.如权利要求1-4任一项所述的布料缺陷检测方法，其特征在于，所述第二卷积神经网络包括VGG网络，所述第一卷积神经网络包括MobileNetV2网络；或者，
所述第一卷积神经网络包括MobilenetV2网络，以及，特征图像金字塔，...

【专利技术属性】
技术研发人员：程洁，茅心悦，胡晓伟，陈成才，
申请(专利权)人：鲸斛上海智能科技有限公司，上海智臻智能网络科技股份有限公司，
类型：发明
国别省市：上海;31