复杂纹理花边布的缺陷检测方法及装置制造方法及图纸

本发明专利技术提供一种复杂纹理花边布的缺陷检测方法及装置，获取待检测子图像；待检测子图像中包含花边布图案；确定待检测子图像在目标纹理图像中的第一对应位置，将第一对应位置处的图像和待检测子图像组成待检测图像对；目标纹理图像为花边布图案无缺陷的图像；将待检测图像对输入至编解码模型中，得到编解码模型输出的恢复后的待检测子图像；将恢复后的待检测子图像和目标纹理图像进行比对；在确定恢复后的待检测子图像的花边布图案有缺陷时，确定恢复后的待检测子图像中的缺陷位置。本发明专利技术提供的复杂纹理花边布的缺陷检测方法及装置，实现了图像缺陷位置的自动检测，从而提高了图像缺陷检测的效率。陷检测的效率。陷检测的效率。

【技术实现步骤摘要】
复杂纹理花边布的缺陷检测方法及装置


[0001]本专利技术涉及图像
，尤其涉及一种复杂纹理花边布的缺陷检测方法及装置。

技术介绍

[0002]花边布的表面缺陷会极大影响产品的质量，降低产品的价格。缺陷检测是花边布生产过程中的重要过程，而随着生产过程的推进，花边布的稳定性、规范性会下降，流水线也会开始分化，而且越接近生产后期，缺陷检测难度就越大，且会增加后续的加工成本；因此，有必要在生产流水线中增加一种可靠的缺陷检测手段。
[0003]相关技术中，通常采用人工检测的方法，由一部分员工专门负责纺织品缺陷检测工作。
[0004]但上述相关技术中，由于花边布的缺陷检测要求高，若通过人工对大量花边布进行缺陷检测，则会降低缺陷检测的效率。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种复杂纹理花边布的缺陷检测方法及装置。
[0006]本专利技术提供一种复杂纹理花边布的缺陷检测方法，包括：
[0007]获取待检测子图像；其中，所述待检测子图像中包含花边布图案；
[0008]确定所述待检测子图像在目标纹理图像中的第一对应位置，将所述第一对应位置处的图像和所述待检测子图像组成待检测图像对；其中，所述目标纹理图像为花边布图案无缺陷的图像；
[0009]将所述待检测图像对输入至编解码模型中，得到所述编解码模型输出的恢复后的待检测子图像；
[0010]将所述恢复后的待检测子图像和所述目标纹理图像进行比对；
[0011]在确定所述恢复后的待检测子图像的花边布图案有缺陷时，确定所述恢复后的待检测子图像中的缺陷位置；
[0012]其中，所述编解码模型是基于多个图像对样本训练得到的；所述编解码模型用于基于所述第一对应位置处的图像对所述待检测子图像进行矫正。
[0013]根据本专利技术提供的一种复杂纹理花边布的缺陷检测方法，所述将所述恢复后的待检测子图像和所述目标纹理图像进行比对，包括：
[0014]将所述恢复后的待检测子图像和所述目标纹理图像，从亮度、对比度和结构进行结构相似性评估。
[0015]根据本专利技术提供的一种复杂纹理花边布的缺陷检测方法，在所述将所述待检测图像对输入至编解码模型中，得到所述编解码模型输出的恢复后的待检测子图像之前，所述方法还包括：
[0016]获取多个时间周期的图像样本序列；其中，所述图像样本序列中至少包括一个时间周期的所述目标纹理图像；所述时间周期为生产流水线中花边布图案循环一次所需的时间；
[0017]在所述图像样本序列中提取预设尺寸的多个子图像样本；
[0018]确定每个所述子图像样本在所述目标纹理图像中的第二对应位置，将每个所述第二对应位置处的图像和对应的所述子图像样本组成多个图像对样本；
[0019]基于所述多个图像对样本对深度学习模型进行训练，得到所述编解码模型。
[0020]根据本专利技术提供的一种复杂纹理花边布的缺陷检测方法，所述基于所述多个图像对样本对深度学习模型进行训练，得到所述编解码模型，包括：
[0021]将所述多个图像对样本输入至深度学习模型中，得到每个所述图像对样本对应的光流向量场；
[0022]将所述光流向量场与对应的所述子图像样本进行叠加，并对叠加结果进行插值，得到恢复后的子图像样本；
[0023]基于所述恢复后的子图像样本和所述目标纹理图像构建损失函数；
[0024]基于所述损失函数对所述深度学习模型进行优化，直至所述损失函数收敛，得到所述编解码模型。
[0025]根据本专利技术提供的一种复杂纹理花边布的缺陷检测方法，所述基于所述恢复后的子图像样本和所述目标纹理图像构建损失函数，包括：
[0026]采用以下公式(1)构建所述损失函数；
[0027]L＝L
mse
+λL
flow
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]其中，L表示损失函数，λ表示光流向量场梯度损失的权重，L
mse
表示所述恢复结果形态损失，L
mse
＝∑
i,j
[m
′
(i,j)
‑
f(i,j)]2；L
flow
表示所述光流向量场梯度损失，L
flow
＝∑
i,j
[g(i,j,0)2+g(i,j,1)]2；m
′
(i,j)为所述恢复后的子图像样本，f(i,j)为所述目标纹理图像；g(i,j,0)为第一层的光流向量场，g(i,j,1)为第二层的光流向量场。
[0029]根据本专利技术提供的一种复杂纹理花边布的缺陷检测方法，所述确定每个所述子图像样本在所述目标纹理图像中的第二对应位置，包括：
[0030]针对每个所述子图像样本，对所述子图像样本构建尺度空间；
[0031]在所述尺度空间中，确定预设邻域中的极值点；
[0032]将主曲率比值大于预设阈值的极值点进行过滤；
[0033]确定过滤后剩余的每个极值点的特征信息；
[0034]基于过滤后剩余的每个极值点的特征信息确定所述子图像样本在所述目标纹理图像中的所述第二对应位置。
[0035]根据本专利技术提供的一种复杂纹理花边布的缺陷检测方法，所述深度学习模型包括4层U
‑
Net网络，所述U
‑
Net网络包括一个输入I、一个输出OUT、中间量C1、中间量C2、中间量C3、中间量C4、中间量C5和中间量C6。
[0036]所述C1＝Conv(ω0I,stride＝2)；
[0037]所述C2＝Conv(ω1C1,stride＝2)；
[0038]所述C3＝Conv(ω2C2,stride＝2)；
[0039]所述C4＝Conv(ω3C3,stride＝1)；
[0040]所述C5＝Up(Concat(C2,C4))；
[0041]所述C6＝Up(Concat(C1,C5))；
[0042]所述OUT＝Up(Concat(C1,C5))；
[0043]其中，Conv(I,stride)表示输入为I和步长stride的二维卷积操作，ω表示卷积层的参数，Concat表示两个图像的拼接操作，Up表示输入图像的上采样操作。
[0044]本专利技术还提供一种复杂纹理花边布的缺陷检测装置，包括：
[0045]第一获取单元，用于获取待检测子图像；其中，所述待检测子图像中包含花边布图案；
[0046]第一确定单元，用于确定所述待检测子图像在目标纹理图像中的第一对应位置，将所述第一对应位置处的图像和所述待检测子图像组成待检测图像对；其中，所述目标纹理图像为花边布图案无缺陷的图像；
[0047]处理单元，用于将所述待检测图像对输入至编解码模型中，得到所述编解码模型输出的恢复后的待检测子图像；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂纹理花边布的缺陷检测方法，其特征在于，包括：获取待检测子图像；其中，所述待检测子图像中包含花边布图案；确定所述待检测子图像在目标纹理图像中的第一对应位置，将所述第一对应位置处的图像和所述待检测子图像组成待检测图像对；其中，所述目标纹理图像为花边布图案无缺陷的图像；将所述待检测图像对输入至编解码模型中，得到所述编解码模型输出的恢复后的待检测子图像；将所述恢复后的待检测子图像和所述目标纹理图像进行比对；在确定所述恢复后的待检测子图像的花边布图案有缺陷时，确定所述恢复后的待检测子图像中的缺陷位置；其中，所述编解码模型是基于多个图像对样本训练得到的；所述编解码模型用于基于所述第一对应位置处的图像对所述待检测子图像进行矫正。2.根据权利要求1所述的复杂纹理花边布的缺陷检测方法，其特征在于，所述将所述恢复后的待检测子图像和所述目标纹理图像进行比对，包括：将所述恢复后的待检测子图像和所述目标纹理图像，从亮度、对比度和结构进行结构相似性评估。3.根据权利要求1或2所述的复杂纹理花边布的缺陷检测方法，其特征在于，在所述将所述待检测图像对输入至编解码模型中，得到所述编解码模型输出的恢复后的待检测子图像之前，所述方法还包括：获取多个时间周期的图像样本序列；其中，所述图像样本序列中至少包括一个时间周期的所述目标纹理图像；所述时间周期为生产流水线中花边布图案循环一次所需的时间；在所述图像样本序列中提取预设尺寸的多个子图像样本；确定每个所述子图像样本在所述目标纹理图像中的第二对应位置，将每个所述第二对应位置处的图像和对应的所述子图像样本组成多个图像对样本；基于所述多个图像对样本对深度学习模型进行训练，得到所述编解码模型。4.根据权利要求3所述的复杂纹理花边布的缺陷检测方法，其特征在于，所述基于所述多个图像对样本对深度学习模型进行训练，得到所述编解码模型，包括：将所述多个图像对样本输入至深度学习模型中，得到每个所述图像对样本对应的光流向量场；将所述光流向量场与对应的所述子图像样本进行叠加，并对叠加结果进行插值，得到恢复后的子图像样本；基于所述恢复后的子图像样本和所述目标纹理图像构建损失函数；基于所述损失函数对所述深度学习模型进行优化，直至所述损失函数收敛，得到所述编解码模型。5.根据权利要求4所述的复杂纹理花边布的缺陷检测方法，其特征在于，所述基于所述恢复后的子图像样本和所述目标纹理图像构建损失函数，包括：采用以下公式(1)构建所述损失函数；L＝L
mse
+λL
flow
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，L表示损失函数，λ表示光流向量场梯度损失的权重，L
mse
表示所述恢复结果形态
损失，L
mse
＝∑
i,j
[m
′
(i,j)
‑
f(i,j)]2；L
flow
表示...

【专利技术属性】
技术研发人员：黄必清，许丁，
申请(专利权)人：清华大学，
类型：发明
国别省市：