一种布匹缺陷检测方法、系统、设备及介质技术方案

本发明专利技术属于缺陷检测技术领域，提供了一种布匹缺陷检测方法、系统、设备及介质，由应用软件采集布匹图像并传输至检测系统；将所采集的图像按不同检测模型的需求进行预处理；将不同预处理后的图像分别作为异常检测模型、目标检测模型及边缘检测模型的输入进行缺陷检测，对各检测模型得到的检测结果进行合并，并在滤除折痕检测结果和伪瑕疵检测结果后，得到最终的检测结果。本发明专利技术的优点在于通过多模型融合的缺陷检测方法，有利于提高布匹缺陷检出率，降低误检率，从而满足大批量自动化工业生产中的缺陷检测要求，节省人力成本。节省人力成本。节省人力成本。

【技术实现步骤摘要】
一种布匹缺陷检测方法、系统、设备及介质


[0001]本专利技术涉及缺陷检测
，尤其涉及一种布匹缺陷检测方法、系统、设备及介质。

技术介绍

[0002]表面缺陷检测是机器视觉领域中非常重要的研究内容之一。随着制造业的发展，工业产品的数量和种类与日俱增，消费者对产品的质量要求也变得更高，因此有缺陷的产品会给企业带来很大的负面影响。在实际工业生产中，受工艺流程、生产设备和现场环境等因素的影响，产品表面会出现各种缺陷。这些表面缺陷不仅影响产品本身的外观质量，更影响产品的使用性能和商业价值。例如在全世界最大的制造业之一的纺织工业中，有缺陷的布匹会导致企业只能获取原有利润的45％
‑
65％，这对各国尤其是产量第一的中国企业来说，是一笔巨大的利益损失。因此在产品生产加工时必须对其表面进行质量检测，以便及时发现缺陷并加以控制，提高企业的经济效益。
[0003]传统的人工目视缺陷检测方式主要存在新员工需要一定时间的培训，员工难以保持长时间专注、高效地检测，检测速度有限，检测成本高，人工检测与产品大小很难适配等问题，因此传统人工目视的缺陷检测方法难以满足企业的需求。
[0004]近年来图像处理技术的迅速发展和计算机处理速度的提高，很多工业检测场景可以应用机器视觉方法进行检测，这大大提高了检测速度和自动化程度，降低了大量人工成本，而且提高了检测的可靠性和客观性。典型的工业视觉检测系统主要包括光学照明、图像采集、图像处理与缺陷检测三个部分。其中，良好的光学照明平台和合适的图像采集设备是获得高质量图像和获得最终可靠检测结果的前提。图像处理技术则需要根据实际检测需求进行精心设计，通常包括图像去噪、图像增强、图像检测分割与识别。如申请号为CN201310437747.9的中国专利技术专利，公开了一种基于形态学分析的布匹瑕疵检测方法。
[0005]但是传统图像处理技术难以适应不同的任务环境，当检测场景改动后，需要花费大量成本重新设计图像处理算法。同时对一些缺陷特征丰富的产品，难以设计合适的算法。
[0006]随着以卷积神经网络(CNN)为代表的深度学习模型的诸多研究和发展，很多方法被应用于计算机视觉领域，其中包括不少缺陷检测方法。如申请号为CN202210654558.6的中国专利技术专利，公开了一种基于YOLOx
‑
s增强目标特征检测的绝缘板缺陷识别方法。国内外一些公司甚至还开发了基于深度学习的商用工业缺陷检测软件，例如中国的Aititron人工智能软件、瑞士的VIDI、德国的Halcon等。基于卷积神经网络的方法可以通过训练学习到图像的更深层特征，同时提高了算法的适应性和检测精度。
[0007]从上述的分析可以发现，无论是形态学图像处理技术还是目标检测方法，都难以达到更复杂的工业检测要求。因为在工业缺陷检测中，缺陷往往非常复杂，而产品中的视觉缺陷也不一定被认定为产品瑕疵，所以采用单一算法难以满足复杂的检测要求。

技术实现思路

[0008]本专利技术的目的在于提供一种多模型融合判别的布匹缺陷检测方法、系统、设备及介质，用以解决上述问题。
[0009]为了实现上述目的，本专利技术采用的技术方案为：
[0010]一种布匹缺陷检测方法，包括:
[0011]S1、由应用软件采集布匹图像并传输至检测系统；
[0012]S2、将步骤S1中所采集的图像按不同检测模型的需求进行预处理；
[0013]S3、将不同预处理后的图像分别作为异常检测模型、目标检测模型及边缘检测模型的输入进行缺陷检测，由所述线缺陷检测模型和点缺陷检测模型共同构成目标检测模型；由异常检测模型检测出图像中所存在的缺陷数量，由目标检测模型检测出图像中各缺陷的类别，并由边缘检测模型得到所述异常检测模型和目标检测模型无法识别的缺陷类别及伪瑕疵检测结果；
[0014]S4、对步骤S3中各检测模型得到的检测结果进行合并，并在滤除折痕检测结果和伪瑕疵检测结果后，得到最终的检测结果。
[0015]进一步的，构建所述异常检测模型的步骤包括：
[0016]A1、采集布匹样本图像，标注出部分缺陷样本，标注的缺陷样本和部分的正常样本作为测试数据集，其余正常样本作为训练数据集；
[0017]A2、在基于多尺度特征蒸馏模型上建立网络模型，将A1中所述训练数据集输入至模型对网络模型进行训练，并通过所述测试数据集对网络模型进行测试，生成异常检测模型。
[0018]进一步的，构建所述目标检测模型的步骤包括：
[0019]B1、采集布匹各类别缺陷的样本图像，标注出相应的缺陷目标，分别构建线状和点状缺陷数据集，并划分训练数据集和测试数据集；
[0020]B2、基于预设神经网络模型分别建立线缺陷检测网络和点缺陷检测网络，将B1中的线状训练数据集输入至线缺陷检测网络中进行训练并通过线状测试数据集对网络进行测试，以生成线缺陷检测模型；将B1中的的点状训练数据集输入至点缺陷检测网络中进行训练并通过所述的测试集对网络进行测试，以生成点缺陷检测模型。
[0021]进一步的，步骤S2具体包括：
[0022]S21、将S1中所述图像进行标准化、分块裁剪、尺寸变换和并行堆叠的预处理操作后，作为所述异常检测模型的输入；
[0023]S22、将S1中所述图像进行标准化、设置重叠区域的分块裁剪和尺寸变换的预处理操作后，作为目标检测模型的输入；
[0024]S23、将S1中所述图像直接作为边缘检测模型的输入。
[0025]进一步的，由边缘检测模型得到所述异常检测模型和目标检测模型无法识别的缺陷类别及伪瑕疵检测结果的步骤包括：
[0026]C1、基于Canny算子构建边缘检测模型，将边缘检测模型输入的图像进行平方变换；
[0027]C2、将C1所得图像进行高斯滤波，以平滑图像噪声；
[0028]C3、采用Sobel算法的横向模板S
x
和纵向模板S
y
计算C2所得图像的横向梯度和纵向
梯度；
[0029]C4、对C3所得的梯度进行非极大值抑制，去除非边缘；
[0030]C5、采用双阈值判别，得到真实的边缘和潜在的边缘，形成潜在异常区域；
[0031]C6、将C5所得的检测结果进行形态学膨胀处理，然后找出所有的轮廓，并对轮廓内部进行填充，接着对填充结果进行形态学腐蚀处理，找出所有腐蚀后的轮廓，形成所述异常检测模型和目标检测模型无法识别的缺陷类别。
[0032]进一步的，步骤S4包括：
[0033]S41、将三种模型的检测结果进行格式统一，得到各模型检测出的检测框分别的左上角坐标和右下角坐标；
[0034]S42、将异常检测模型所得的检测框与边缘检测模型所得潜在异常区域形成的检测框中没有交集的检测框进行滤除以消除伪瑕疵；
[0035]S43、将线缺陷检测模型得到的折痕检测框与边缘检测模型所得的缺陷检测框进行重合度判定，当重合度高于设定阈值时，则认为是线缺陷检测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种布匹缺陷检测方法，其特征在于，包括:S1、由应用软件采集布匹图像并传输至检测系统；S2、将步骤S1中所采集的图像按不同检测模型的需求进行预处理；S3、将不同预处理后的图像分别作为异常检测模型、目标检测模型及边缘检测模型的输入进行缺陷检测，由所述线缺陷检测模型和点缺陷检测模型共同构成目标检测模型；由异常检测模型检测出图像中所存在的缺陷数量，由目标检测模型检测出图像中各缺陷的类别，并由边缘检测模型得到所述异常检测模型和目标检测模型无法识别的缺陷类别及伪瑕疵检测结果；S4、对步骤S3中各检测模型得到的检测结果进行合并，并在滤除折痕检测结果和伪瑕疵检测结果后，得到最终的检测结果。2.根据权利要求1所述的布匹缺陷检测方法，其特征在于，构建所述异常检测模型的步骤包括：A1、采集布匹样本图像，标注出部分缺陷样本，标注的缺陷样本和部分的正常样本作为测试数据集，其余正常样本作为训练数据集；A2、在基于多尺度特征蒸馏模型上建立网络模型，将A1中所述训练数据集输入至模型对网络模型进行训练，并通过所述测试数据集对网络模型进行测试，生成异常检测模型。3.根据权利要求1所述的布匹缺陷检测方法，其特征在于，构建所述目标检测模型的步骤包括：B1、采集布匹各类别缺陷的样本图像，标注出相应的缺陷目标，分别构建线状和点状缺陷数据集，并划分训练数据集和测试数据集；B2、基于预设神经网络模型分别建立线缺陷检测网络和点缺陷检测网络，将B1中的线状训练数据集输入至线缺陷检测网络中进行训练并通过线状测试数据集对网络进行测试，以生成线缺陷检测模型；将B1中的的点状训练数据集输入至点缺陷检测网络中进行训练并通过所述的测试集对网络进行测试，以生成点缺陷检测模型。4.根据权利要求1所述的布匹缺陷检测方法，其特征在于，步骤S2具体包括：S21、将S1中所述图像进行标准化、分块裁剪、尺寸变换和并行堆叠的预处理操作后，作为所述异常检测模型的输入；S22、将S1中所述图像进行标准化、设置重叠区域的分块裁剪和尺寸变换的预处理操作后，作为目标检测模型的输入；S23、将S1中所述图像直接作为边缘检测模型的输入。5.根据权利要求4所述的布匹缺陷检测方法，其特征在于，由边缘检测模型得到所述异常检测模型和目标检测模型无法识别的缺陷类别及伪瑕疵检测结果的步骤包括：C1、基于Canny算子构建边缘检测模型，将边缘检测模型输入的图像进行平方变换；C2、将C1所得图像进行高斯滤波，以平滑图像噪声；C3、采用Sobe...

【专利技术属性】
技术研发人员：陈梓欣，李若琦，张重阳，张保柱，刘振宇，
申请(专利权)人：宁波海棠信息技术有限公司，
类型：发明
国别省市：