一种疵点自主学习的智能验布方法及系统技术方案

本申请涉及纺织面料检测技术领域，具体公开了一种疵点自主学习的智能验布方法及系统,所述方法包括：获取当前待检测布料图像序列；对待检测布料图像序列通过预设的疵点检测模型进行检测，获取检测结果集合；从检测结果集合中提取可标记疵点目标，基于可标记疵点目标对预设的疵点检测模型进行迭代更新。本申请通过对布料图像进行疵点检测，根据检测的结果对疵点检测模型进行迭代更新，以不断优化检测模型对各种疵点的拟合能力，并可通过在实际应用过程中以自主学习的方式持续提升疵点检测模型的覆盖度和识别精度。型的覆盖度和识别精度。型的覆盖度和识别精度。

【技术实现步骤摘要】
一种疵点自主学习的智能验布方法及系统


[0001]本申请涉及纺织面料检测
，尤其涉及一种疵点自主学习的智能验布方法及系统。

技术介绍

[0002]纺织面料在生产过程中的各个环节都要对其质量进行检测，主要检测面料在织造、印染等过程中产生的疵点。由于目前市面上大部分的面料检测还都是依靠人眼观测来实现，疵点判别过程受主观因素影响大,存在检测效率低、成本高等问题。所以随着计算机视觉技术的发展，基于视觉技术的布料疵点检测系统会逐渐成为取代人工质检的重要解决方案。
[0003]由于面料不同布种、颜色组合导致面料疵点的实际种类繁多，使得现有的基于深度学习的疵点识别方法需要依托大量的样本数据才能学习出最佳的识别模型，然而在实际生产环境中，疵点样本出现的概率低，牺牲生产效率去搜集样本数据不太现实，使得现有的疵点识别方法很难有效收集到足够多的样本数据，从而学习出一种能够覆盖更多种类的识别模型。

技术实现思路

[0004]本申请的目的是提供一种疵点自主学习的智能验布方法及系统，通过半监督学习的方式，可通过少量的样本数据来不断学习各种不同类别的疵点，从实际的使用过程中不断去提升疵点检测模型的覆盖度和识别精度。
[0005]第一方面，本申请提供一种疵点自主学习的智能验布方法，采用如下的技术方案：获取当前待检测布料图像序列；对待检测布料图像序列通过预设的疵点检测模型进行检测，获取检测结果集合；从检测结果集合中提取可标记疵点目标；基于可标记疵点目标对预设的疵点检测模型进行迭代更新。
[0006]通过上述技术方案，可通过使用布料图像的疵点检测结果对疵点检测模型进行迭代更新，以不断优化检测模型对各种疵点的拟合能力，并可在应用过程中以自主学习的方式持续提升疵点检测模型的覆盖度和识别精度。
[0007]可选的，所述获取待检测布料图像，包括：获取当前经过数字化扫描的布料图像；将布料图像划分为若干连续且有交集的图像，并对划分后的图像进行编号；依次按编号顺序对待检测图像进行预处理，并形成待检测图像序列。
[0008]可选的，所述获取当前待检测布料图像之前，还包括：获取当前待检测的布料信息，所述布料信息包括布料类型；基于当前布料类型，通过预设的纺织面料疵点参考表，确认可检测出的疵点类别。
[0009]可选的，所述检测结果包括疵点位置信息、疵点类别及置信度，所述对待检测布料
图像序列通过预设的疵点检测模型进行检测，获取检测结果集合之后，包括：对检测结果集合中所有的检测结果，根据检测图像序列进行排序；基于排序后的检测结果，依次根据检测结果中的疵点位置信息，判断是否存在检测区域重合；若是，则根据重合的疵点检测区域，提取新的检测图像；对新的检测图像通过预设的疵点检测模型进行检测，获取检测结果，并将检测结果添加到检测结果集合中。
[0010]可选的，所述从检测结果集合中提取可标记疵点目标，包括：判断检测结果集合是否不为空且存在置信度大于预设第一阈值的检测结果；若是，则将检测结果集合中置信度大于预设第一阈值的检测结果记为候选目标；进一步判断候选目标的疵点类别是否属于可检测出的疵点类别；若是，则将候选目标记为可标记疵点目标。
[0011]可选的，所述基于可标记疵点目标对预设的疵点检测模型进行迭代更新，包括：对待学习的检测结果根据疵点位置信息和疵点类别，转化为标签图像；对标签图像进行数据预处理，并将预处理后的图像添加到预设的训练数据集中；根据新的训练数据集对预设的疵点检测模型进行迭代训练，以获取更新后的疵点检测模型。
[0012]可选的，所述对待检测布料图像序列通过预设的疵点检测模型进行检测，获取检测结果集合之后，还包括：根据检测结果集合，从疵点类别维度，统计各疵点类别下的检测结果；根据检测结果中的疵点位置信息，获取疵点的尺寸大小；根据存在的疵点类别以及各疵点类别下的疵点数目以及疵点尺寸，通过预设的评分规则生成初评分；输出初评分信息，并将检测结果与当前布料信息关联存入预设的数据库中。
[0013]可选的，所述将检测结果与当前布料信息关联存入预设的数据库中之后，还包括：判断当前布料信息对应的检测结果数据是否达到预设数量，若是，则对所有检测结果中的疵点类型进行统计，并生成统计数据集合；根据统计数据集合对疵点产生原因进行分析评估，并生成相应的提示信息。
[0014]第二方面，本申请提供一种疵点自主学习的智能验布系统，包括：图像序列获取模块101，用于获取当前待检测布料图像序列；疵点检测模块102，用于对待检测布料图像序列通过预设的疵点检测模型进行检测，获取检测结果集合；检测模型更新模块103，用于从检测结果集合中提取可标记疵点目标，并基于可标记疵点目标对预设的疵点检测模型进行迭代更新。
[0015]第三方面，本申请提供一种计算机可读存储介质，存储有能够被处理器加载并执行上述一种疵点自主学习的智能验布方法的计算机程序。
[0016]综上所述，本申请首先通过对布料图像进行疵点检测，通过对检测结果进行筛选，以作为新的标签数据来对疵点检测模型进行迭代更新，以优化检测模型对疵点的拟合能力，并可通过在实际应用过程中以自主学习的方式持续提升疵点检测模型的覆盖度和识别
精度；另外通过结合检测的布料对检测结果进行统计分析，可对检测的布料进行评分来帮助进行质检评定，此外，借助累计的检测数据还可帮助评估疵点产生的原因，以便有针对性地进行调整和优化。
附图说明
[0017]图1是本申请实施例所提供的一种疵点自主学习的智能验布方法的流程图；图2是本申请实施例所提供的获取待检测布料图像的流程图；图3是本申请实施例所提供的对跨图像疵点进行判别和处理的流程图；图4是本申请实施例所提供的从检测结果集合中提取可标记疵点目标的流程图；图5是本申请实施例所提供的基于可标记疵点目标对预设的疵点检测模型进行迭代更新的流程图；图6是本申请实施例所提供的根据检测结果集合对检测布料进行评分的流程图；图7是本申请实施例所提供的一种疵点自主学习的智能验布系统的示意图。
具体实施方式
[0018]以下结合附图1
‑
附图7，对本申请作进一步详细说明。
[0019]本申请提供一种疵点自主学习的智能验布方法，参见图1，包括以下步骤：S100、获取当前待检测布料图像序列。
[0020]由于本申请提供一种疵点自主学习的智能验布方法会应用在相应的验布装置或者设备中，这类设备一般会有放卷和收卷的装置，通过将需要检测的布料放置在指定区域，然后通过面料传动机构对布料进行展开以实行检测，不同于人工检测，采用机器视觉来进行检测，则会有相应的图像采集区域，例如，在对布料进行展开时，会通过数字化扫描来同步获取布料图像，然后对布料图像以机器视觉算法进行疵点检测，当检测到有疵点时，便会生成相应的提示信息，以便工作人员进行确认和记录。
[0021]所以，在申请实施例中，对布料疵点进行检测首先会先获取当前待检测的布料图像序列。
[0022]具体地，参见图2，获取待检测布料图像，具体包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疵点自主学习的智能验布方法，其特征在于，包括：获取当前待检测布料图像序列；对待检测布料图像序列通过预设的疵点检测模型进行检测，获取检测结果集合；从检测结果集合中提取可标记疵点目标；基于可标记疵点目标对预设的疵点检测模型进行迭代更新。2.根据权利要求1所述的一种疵点自主学习的智能验布方法，其特征在于，所述获取待检测布料图像，包括：获取当前经过数字化扫描的布料图像；将布料图像划分为若干连续且有交集的图像，并对划分后的图像进行编号；依次按编号顺序对待检测图像进行预处理，并形成待检测图像序列。3.根据权利要求1所述的一种疵点自主学习的智能验布方法，其特征在于，所述获取当前待检测布料图像之前，还包括：获取当前待检测的布料信息，所述布料信息包括布料类型；基于当前布料类型，通过预设的纺织面料疵点参考表，确认可检测出的疵点类别。4.根据权利要求1所述的一种疵点自主学习的智能验布方法，其特征在于，所述检测结果包括疵点位置信息、疵点类别及置信度，所述对待检测布料图像序列通过预设的疵点检测模型进行检测，获取检测结果集合之后，包括：对检测结果集合中所有的检测结果，根据检测图像序列进行排序；基于排序后的检测结果，依次根据检测结果中的疵点位置信息，判断是否存在检测区域重合；若是，则根据重合的疵点检测区域，提取新的检测图像；对新的检测图像通过预设的疵点检测模型进行检测，获取检测结果，并将检测结果添加到检测结果集合中。5.根据权利要求4所述的一种疵点自主学习的智能验布方法，其特征在于，所述从检测结果集合中提取可标记疵点目标，包括：判断检测结果集合是否不为空且存在置信度大于预设第一阈值的检测结果；若是，则将检测结果集合中置信度大于预设第一阈值的检测结果记为候选目标；进一步判断候选目标的疵点类别是否属于可检测出的疵点类别；若是，则将候选目标记为可标记疵点目标。6....

【专利技术属性】
技术研发人员：梁良，陈宜明，张永祥，叶军，
申请(专利权)人：图南益杭州智能科技有限公司，
类型：发明
国别省市：