【技术实现步骤摘要】
本专利技术属于图像识别，具体而言，涉及一种布匹瑕疵检测方法、系统、电子设备及存储介质。
技术介绍
1、布匹瑕疵检测是布匹生产过程中至关重要的质量把控点。传统的人工检测方法效率低、鲁棒性差、工业化程度低；而基于数学的图像差异检测方法同样存在着鲁棒性差、误报率高的缺陷， 同时由于在整张图进行操作，计算成本高，速度慢。
技术实现思路
1、本专利技术实施例提供了一种布匹瑕疵检测方法、系统、电子设备及存储介质，以至少解决现有技术中布匹检测方法存在误报率高、计算成本高、速度慢的技术问题。
2、根据本专利技术实施例的第一个方面，提供了一种布匹瑕疵检测方法包括：采集工业生产过程中由固定相机检测到的布匹瑕疵样本，其中每个布匹瑕疵样本由瑕疵图片和无瑕疵的模板图片序列组成；定义瑕疵种类，并划分合理的瑕疵类别集合，标记瑕疵框位置，建立数据库；数据预处理，包括数据清洗，去除无效数据和低质量数据，统一图像的尺寸，并同步放缩瑕疵框位置， 图像归一化处理；基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，用于提取瑕疵特征；基于卷积神经网络的特征分类与定位网络，是由多个全连接层构成的卷积神经网络，分类网络和定位网络具有各自独立的网络结构，可以根据特征提取网络输出的特征向量，分类瑕疵的种类并定位瑕疵框位置。
3、可选的，所述采集工业生产过程中由固定相机检测到的布匹瑕疵样本包括：布匹瑕疵由固定的两台高速摄像机捕获，分别产生布匹瑕疵样本图和没有瑕疵的生产样本图，在生产布匹的
4、可选的，所述基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，提取瑕疵特征，包括：特征提取的模型可以定义为：,其中，和分别表示瑕疵图和模板图，表示特征提取网络，表示经过提取特征向量；基于卷积神经网络的特征擦除网络结构，特征擦除将每一层卷积神经网络卷积层提取的瑕疵图特征和模板图特征先进行特征对齐后，进行求差，通过不断学习瑕疵图和模板图之间的差异，去除噪声并提取瑕疵特征，可用下列公式代表：，其中，表示经过网络提取后的特征向量，为第层卷积神经网络，分别表示瑕疵向量和模板向量，表示特征对齐网络；在卷积神经网络网络层提取图像特征的过程中，在每一个卷积神经网络网络层不断用模板图的特征向量擦除瑕疵图向量，通过擦除噪声和无瑕疵的部分，不断增强瑕疵特征；基于余弦相似性的特征对齐方法，基于余弦相似性的特征对齐方法经过每一层卷积神经网络提取的特征向量，计算的余弦相似度, 具体特征可用下列公式代表：，其中，表示每个卷积神经网络特征提取网络层输出的瑕疵图特征和模板图特征，表示卷积操作；基于重构的对齐模块，通过模板图重构瑕疵图和通过瑕疵图重构模板图，实现特征提取网络模块对模板图和瑕疵图特征的对齐。
5、可选的，所述基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，提取瑕疵特征，包括：基于多尺度的自适应特征融合，融合卷积神经网络的多层网络层提取的特征向量，并采用注意力机制，网络可以学习不同网络层特征向量的权重，自适应调整网路层输出的特征向量权重；基于多尺度的自适应特征融合方法，将所有网络层的输出向量融合，通过通道注意力机制，与学习到的网络层权重相乘后融合，成为特征提取层的输出；具体可用下列公式表示：，，其中表示神经网络中的激活函数，为最大池化，为平均池化操作，w1，w2，f2，f1，为所有特征提取网络层按通道拼接得到的特征向量。
6、可选的，所述根据特征提取网络输出的特征向量，分类瑕疵的种类并定位瑕疵框位置，包括：瑕疵的分类与定位方法中分类和定位方法为基于特征金字塔网络结构，网络层输入为输出的特征向量；基于特征金字塔网络的网络模型，经过卷积神经网络特征提取后的图像局部信息包含在特征的通道中，通过特征金字塔网络对瑕疵的种类和瑕疵位置做出判断。
7、根据本专利技术实施例的第二方面，还提供一种布匹瑕疵检测系统，包括：采集模块，用于采集工业生产过程中由固定相机检测到的布匹瑕疵样本，其中每个布匹瑕疵样本由瑕疵图片和无瑕疵的模板图片序列组成；构建模块，用于定义瑕疵种类，并划分合理的瑕疵类别集合，标记瑕疵框位置，建立数据库；数据处理模块，用于数据预处理，包括数据清洗，去除无效数据和低质量数据，统一图像的尺寸，并同步放缩瑕疵框位置，图像归一化处理；提取模块，用于基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，用于提取瑕疵特征；分类定位模块，用于基于卷积神经网络的特征分类与定位网络，是由多个全连接层构成的卷积神经网络，分类网络和定位网络具有各自独立的网络结构，可以根据特征提取网络输出的特征向量，分类瑕疵的种类并定位瑕疵框位置。
8、根据本专利技术实施例的第三方面，还提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述第一方面任一实施例中所述的布匹瑕疵检测方法。
9、根据本专利技术实施例的第四方面，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，计算机程序被设置为在计算机或处理器上运行时，执行上述第一方面任一实施例中所述的布匹瑕疵检测方法。
10、根据本专利技术实施例的第五方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实施例所述的布匹瑕疵检测方法。
11、在本专利技术实施例中，将卷积神经网络应用到布匹瑕疵检测方法上，为多尺度特征融合添加自适应权重，采用可学习的卷积神经网络根据数据本身学习得到融合权重，使得检测性能更加准确稳定；并针对现有方法鲁棒性差、准确率低、受背景干扰严重地缺陷，提出一种基于特征向量的特征擦除方法，能够增强模型对图像及图像序列变化的检测性能，在图像的变化检测上效果更加稳定准确；将余弦相似性度量应用到特征对齐上，基于余弦相似性增强布匹瑕疵图中的瑕疵部分，弱化与模板图相匹配的背景。进而可以解决现有技术中布匹检测方法存在误报率高、计算成本高、速度慢的技术问题。
本文档来自技高网...【技术保护点】
1.一种布匹瑕疵检测方法，其特征在于，包括：
2.根据权利要求1所述的布匹瑕疵检测方法，其特征在于，所述采集工业生产过程中由固定相机检测到的布匹瑕疵样本包括：
3.根据权利要求1所述的布匹瑕疵检测方法，其特征在于，所述基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，提取瑕疵特征，包括：
4.根据权利要求1所述的布匹瑕疵检测方法，其特征在于，所述基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，提取瑕疵特征，包括：
5.根据权利要求4所述的布匹瑕疵检测方法，其特征在于，所述根据特征提取网络输出的特征向量，分类瑕疵的种类并定位瑕疵框位置，包括：
6.一种布匹瑕疵检测系统，其特征在于，包括：
7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述权利要求1至5任一项中所述的布匹瑕疵检测方法。
8.一种非易失性存储介质，其特征在于，所述非易失性存储介质中存储有计算机程序，其中，所述计算
9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至5任一项所述的布匹瑕疵检测方法。
...【技术特征摘要】
1.一种布匹瑕疵检测方法，其特征在于，包括：
2.根据权利要求1所述的布匹瑕疵检测方法，其特征在于，所述采集工业生产过程中由固定相机检测到的布匹瑕疵样本包括：
3.根据权利要求1所述的布匹瑕疵检测方法，其特征在于，所述基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，提取瑕疵特征，包括：
4.根据权利要求1所述的布匹瑕疵检测方法，其特征在于，所述基于卷积神经网络的特征擦除与提取网络，是由多个残差块序列构成卷积神经网络，提取瑕疵特征，包括：
5.根据权利要求4所述的布匹瑕疵检测方法，其特征在于，所述根据特征提取网络输出的特征向量，分类瑕疵的种...
【专利技术属性】
技术研发人员：李新海，罗其锋，曾庆祝，吴棉廷，孟晨旭，李宾，曾令诚，肖星，黄伟豪，池莲庆，林永昌，高锋，练志斌，周恒，刘文韬，范德和，毛焱，张永挺，张志强，关振坚，
申请(专利权)人：广东电网有限责任公司中山供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。