安全带织品检测标定方法、装置及电子设备制造方法及图纸

本申请公开了一种安全带织品检测标定方法，将实时安全带织品图像，采用两种瑕疵检测子模型进行检测后，将两个检测结果进行交叉对比得到瑕疵检测结果，解决了单一检测方法由于安全带织品瑕疵种类多样，形态多变，部分瑕疵目标小、颜色浅导致的影响瑕疵的检测和标定精度的问题，另外当两个检测结果不一致时，将不一致的部分提取保存，用于更新预设瑕疵检测模型，将生产过程中新发现的瑕疵自动收集累积，可解决部分瑕疵样本数量稀少的问题，同时具有对生产环境的自适应能力，可以保持瑕疵检测模型在长期生产过程中的高准确率，然后将瑕疵检测结果与生产线的状态信息结合来进行瑕疵标定，克服了目前检测方法脱离实际生产导致的瑕疵标定不精准的困难。疵标定不精准的困难。疵标定不精准的困难。

【技术实现步骤摘要】
安全带织品检测标定方法、装置及电子设备


[0001]本申请涉及计算机视觉和人工智能
，具体为一种安全带织品检测标定方法与装置。

技术介绍

[0002]安全织带是由结实的聚酯纤维编织物制成的，一般连接各种五金件，例如锚固支架和缝得很牢固的带扣，是多个行业如民用工业、军事工业、航空、航天、陆上及远洋运输安全设备中的关键部分。如果安全织带如织带本身或缝线存在缺陷，那么可能在发生突发情况下导致安全带损坏从而无法起到预期作用，影响生命财产安全，因此保证安全带织品无瑕疵无缺陷是非常重要的。
[0003]为了保证安全织带的质量，现阶段安全带织品瑕疵检测标定设备利用图像检测技术对安全织带生产进行监测，对检测出的安全织带瑕疵进行自动标定，以便后续处理。该设备可以提高安全织带的生产效率和生产质量，能够帮助企业提高效能、降低成本。此外，申请号为2021110629128的专利技术专利公开了一种安全带瑕疵检测差异判别方法，能够解决人工检测的效率低、受主观影响大的问题。
[0004]但是，安全带织品瑕疵种类多样，形态多变，部分瑕疵目标小、颜色浅，织带生产速度快，部分瑕疵样本数量稀少、不易搜集，这些因素非常影响瑕疵的检测和标定精度，另外由于生产量大，人工检查耗时耗力，且误差无法控制，所以人工检查也不适用于现阶段的工业发展，综上所述，目前无论是人工还是设备，对于安全带织品瑕疵检测标定都不够精确，很多瑕疵还是检测不到，而且现有的检测方法不能很好的结合实际生产情况来判定，导致安全带织品质量无法保证，因此上述问题还是目前设备亟待解决的。

技术实现思路

[0005]本申请提供一种安全带织品检测标定方法，解决了由于安全带织品瑕疵种类多样，形态多变，部分瑕疵目标小、颜色浅、部分瑕疵样本数量稀少、不易搜集，且目前的瑕疵检测与标定与实际生产情况脱离，导致的影响瑕疵的检测和标定精度的问题。
[0006]本申请解决其技术问题所采用的技术方案是：一种安全带织品检测标定方法，包括：
[0007]S1：获取实时安全带织品图像；
[0008]S2：采用包括两种瑕疵检测子模型的预设瑕疵检测模型对实时安全带织品图像进行瑕疵检测得到检测结果r1和检测结果r2；
[0009]S3：将检测结果r1和检测结果r2进行交叉对比，得到第二瑕疵检测结果r，
[0010]若检测结果r1为有瑕疵，检测结果r2为无瑕疵，则输出检测结果得到第二瑕疵检测结果r为有瑕疵，且r中的瑕疵坐标和瑕疵类别和r1一致；
[0011]若检测结果r1为无瑕疵，检测结果r2为有瑕疵，则输出检测结果得到第二瑕疵检测结果r为有瑕疵，且r中的瑕疵坐标和瑕疵类别和r2一致；
[0012]若检测结果r1与检测结果r2检测结果均为无瑕疵，输出检测结果得到第二瑕疵检测结果r为无瑕疵；
[0013]若检测结果r1与检测结果r2检测结果均为有瑕疵，输出检测结果得到第二瑕疵检测结果r为有瑕疵，且r中的瑕疵坐标和瑕疵类别是r1和r2的并集；
[0014]当检测结果r1和检测结果r2检测结果不一致时，将不一致的部分提取保存，用于更新预设瑕疵检测模型；
[0015]S4：获取生产线的状态信息，将其与第二瑕疵检测结果r输入至预设标定模型得到瑕疵标定结果。
[0016]通过获取实时安全带织品图像，将实时安全带织品图像，采用两种瑕疵检测子模型进行检测后，将两个检测结果进行交叉对比得到瑕疵检测结果，解决了单一检测方法由于安全带织品瑕疵种类多样，形态多变，部分瑕疵目标小、颜色浅导致的影响瑕疵的检测和标定精度的问题，另外当两个检测结果不一致时，将不一致的部分提取保存，用于更新预设瑕疵检测模型，将生产过程中新发现的瑕疵自动收集累积，可解决部分瑕疵样本数量稀少的问题，同时具有对生产环境的自适应能力，可以保持瑕疵检测模型在长期生产过程中的高准确率，然后将瑕疵检测结果与生产线的状态信息结合来进行瑕疵标定，克服了目前检测方法脱离实际生产导致的瑕疵标定不精准的困难。
[0017]作为优选，所述预设瑕疵检测模型包括：神经网络检测模型和小样本检测模型，
[0018]神经网络检测模型的建立方法包括：
[0019]预先采集M*N个织带瑕疵图像，其中M为织带瑕疵类别个数，N为每一类织带瑕疵中的瑕疵图像数；
[0020]对织带瑕疵图像预处理后进行瑕疵区域和种类的标定，得到各织带瑕疵图像的瑕疵标签；
[0021]将各织带瑕疵图像及其瑕疵标签分为训练集样本和测试集样本；
[0022]利用训练集样本和测试集样本对预先搭建的YOLO深度神经网络进行训练，得到神经网络检测模型，
[0023]小样本检测模型的建立方法包括：
[0024]从已标注好的miniImagenet数据集中随机选取64类，每类600张图片样本作为训练集，随机选取16类，每类600张图片样本作为验证集，随机选取20类，每类600张图片样本作为测试集；
[0025]训练过程中循环迭代N回合，每个回合在训练集中随机选取C个类别中的K张图片组成支持集，然后在C个类别中剩余的图片中随机选取1张图片作为查询集，训练采用均方差损失函数，使用Adam优化器，选取0.001为学习率；
[0026]训练完成后，将支持集修改为已标注好的织品瑕疵图片数据，其包括C
‑
1个瑕疵种类和1个无瑕疵种类共C类，每类5张图片，得到小样本检测模型。
[0027]作为优选，所述对织带瑕疵图像预处理选用归一化处理、去噪处理、数据增强处理中的一种或多种方式的组合；
[0028]所述瑕疵区域和种类的标定利用人工使用标记软件进行瑕疵区域和瑕疵种类的标定，训练集样本和测试集样本随机分配，且两者的比例应不低于7:3；
[0029]所述YOLO深度神经网络训练参数设置为10000的迭代步数、adam学习率优化器、64
的批训练样本数。
[0030]作为优选，检测结果r1和检测结果r2均包括瑕疵区域的对角坐标及瑕疵类别；
[0031]检测结果r1通过将获取的实时安全带织品图像根据神经网络检测模型进行瑕疵检测得到；
[0032]检测结果r2通过将获取的实时安全带织品图像根据小样本检测模型进行瑕疵检测得到；
[0033]将检测结果r1和检测结果r2进行交叉对比，得到第二瑕疵检测结果r；
[0034]当检测结果r1为无瑕疵，检测结果r2为有瑕疵，提取检测结果r2的瑕疵坐标和瑕疵类别，作为新的训练集样本用于更新神经网络检测模型；当检测结果r1与检测结果r2检测结果均为有瑕疵，且检测结果r1与检测结果r2的瑕疵坐标和瑕疵类别不一致时，提取检测结果r2的瑕疵坐标和瑕疵类别，作为新的训练集样本用于更新神经网络检测模型。
[0035]作为优选，当新增的训练集样本数量达到设定值时，将检测结果r1和检测结果r2进行交叉对比包括：
[0036]若检测结果r1为有瑕疵，检测结果r2为无瑕疵，则输出检测结果得到第二瑕疵检测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安全带织品检测标定方法，其特征在于，包括：S1：获取实时安全带织品图像；S2：采用包括两种瑕疵检测子模型的预设瑕疵检测模型对实时安全带织品图像进行瑕疵检测得到检测结果r1和检测结果r2；S3：将检测结果r1和检测结果r2进行交叉对比，得到第二瑕疵检测结果r，若检测结果r1为有瑕疵，检测结果r2为无瑕疵，则输出检测结果得到第二瑕疵检测结果r为有瑕疵，且r中的瑕疵坐标和瑕疵类别和r1一致；若检测结果r1为无瑕疵，检测结果r2为有瑕疵，则输出检测结果得到第二瑕疵检测结果r为有瑕疵，且r中的瑕疵坐标和瑕疵类别和r2一致；若检测结果r1与检测结果r2检测结果均为无瑕疵，输出检测结果得到第二瑕疵检测结果r为无瑕疵；若检测结果r1与检测结果r2检测结果均为有瑕疵，输出检测结果得到第二瑕疵检测结果r为有瑕疵，且r中的瑕疵坐标和瑕疵类别是r1和r2的并集；当检测结果r1和检测结果r2检测结果不一致时，将不一致的部分提取保存，用于更新预设瑕疵检测模型；S4：获取生产线的状态信息，将其与第二瑕疵检测结果r输入至预设标定模型得到瑕疵标定结果。2.根据权利要求1所述安全带织品检测标定方法，其特征在于，所述预设瑕疵检测模型包括：神经网络检测模型和小样本检测模型，神经网络检测模型的建立方法包括：预先采集M*N个织带瑕疵图像，其中M为织带瑕疵类别个数，N为每一类织带瑕疵中的瑕疵图像数；对织带瑕疵图像预处理后进行瑕疵区域和种类的标定，得到各织带瑕疵图像的瑕疵标签；将各织带瑕疵图像及其瑕疵标签分为训练集样本和测试集样本；利用训练集样本和测试集样本对预先搭建的YOLO深度神经网络进行训练，得到神经网络检测模型，小样本检测模型的建立方法包括：从已标注好的miniImagenet数据集中随机选取64类，每类600张图片样本作为训练集，随机选取16类，每类600张图片样本作为验证集，随机选取20类，每类600张图片样本作为测试集；训练过程中循环迭代N回合，每个回合在训练集中随机选取C个类别中的K张图片组成支持集，然后在C个类别中剩余的图片中随机选取1张图片作为查询集，训练采用均方差损失函数，使用Adam优化器，选取0.001为学习率；训练完成后，将支持集修改为已标注好的织品瑕疵图片数据，其包括C
‑
1个瑕疵种类和1个无瑕疵种类共C类，每类5张图片，得到小样本检测模型。3.根据权利要求2所述安全带织品检测标定方法，其特征在于，所述对织带瑕疵图像预处理选用归一化处理、去噪处理、数据增强处理中的一种或多种方式的组合；
所述瑕疵区域和种类的标定利用人工使用标记软件进行瑕疵区域和瑕疵种类的标定，训练集样本和测试集样本随机分配，且两者的比例应不低于7:3；所述YOLO深度神经网络训练参数设置为10000的迭代步数、adam学习率优化器、64的批训练样本数。4.根据权利要求3所述安全带织品检测标定方法，其特征在于，检测结果r1和检测结果r2均包括瑕疵区域的对角坐标及瑕疵类别；检测结果r1通过将获取的实时安全带织品图像根据神经网络检测模型进行瑕疵检测得到；检测结果r2通过将获取的实时安全带织品图像根据小样本检测模型进行瑕疵检测得到；将检测结果r1和检测结果r2进行交叉对比，得到第二瑕疵检测结果r；当检测结果r1为无瑕疵，检测结果r2为有瑕疵，提取检测结果r2的瑕疵坐标和瑕疵类别，作为新增的训练集样本用于更新神经网络检测模型；当检测结果r1与检测结果r2检测结果均为有瑕疵，且检测结果r1与检测结果r2的瑕疵坐标和瑕疵类别不一致时，提取检测结果r2的瑕疵坐标和瑕疵类别，作为新增的训练集样本用于更新神经网络检测模型。5.根据权利要求4所...

【专利技术属性】
技术研发人员：周旭，刘晓红，李荣，
申请(专利权)人：澳帕曼织带昆山有限公司，
类型：发明
国别省市：