布匹瑕疵在线检测方法及系统技术方案

本发明专利技术公开了一种布匹瑕疵在线检测方法及系统，所述方法包括如下步骤：通过阵列摄像头对流水线上的布匹进行图像采集，采用多线程、并行处理的方式对图像数据进行位置关联的图像特征值编码，建立布匹特征值位置知识库。布匹特征值位置知识库分类管理所有图像特征值，对图像数据达到扁平化的存储和管理。针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起准确的布匹瑕疵识别模型。本发明专利技术实现了对流水生产线上的布匹进行实时地在线检测，准确的识别和定位了布匹的瑕疵；有效地提高了布匹的成品质量，应用于任何布匹生产线的设备和系统。布匹生产线的设备和系统。布匹生产线的设备和系统。

【技术实现步骤摘要】
布匹瑕疵在线检测方法及系统


[0001]本专利技术属于布匹瑕疵在线检测
，更具体地说，涉及一种布匹瑕疵在线检测方法及系统。

技术介绍

[0002]随着人工智能技术的不断进步，工业生产的相关应用也越来越广泛。在布匹的生产过程中，成品质量问题一直是企业所高度重视的问题。虽然企业提高了生产的工艺和技术，但是成品出现瑕疵的问题仍然不可避免。目前，在大部分布匹生产线上还是依靠人工眼看来进行实时检测。这种检测方法有很多的缺点。首先是检测人员的经验和熟练程度对检测结果影响很大；其次是人工眼检的劳动强度很高，对人眼损伤很大，也缺乏对成品检测结果的一致性和可靠性；最重要的是需要专门人员来完成此项任务，企业付出的成本较大。所以，对生产线上的布匹瑕疵在线实时地进行检测有着重要的现实意义。

技术实现思路

[0003]本专利技术目的在于提供了一种布匹瑕疵在线检测方法及系统，所述方法通过阵列摄像头对流水线上的布匹进行图像采集，采用多线程、并行处理的方式对图像数据进行位置关联的图像特征值编码，建立布匹特征值位置知识库。布匹特征值位置知识库分类管理所有图像特征值，对图像数据达到扁平化的存储和管理。针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起准确的布匹瑕疵识别模型。在设定特征阀值的条件下，通过设置三层比对过滤算法，对布匹纹理图案进行实时在线分析，可以高速、有效地对布匹的瑕疵做出正确的评估和判断，对流水生产线上的布匹进行实时地在线检测。
[0004]为了解决上述技术问题至少之一，根据本专利技术的一方面，提供了一种布匹瑕疵在线检测方法，包括如下步骤：
[0005]S1、针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起基于卷积神经网络的识别模型；
[0006]S2、在布匹的生产流水线上，按前后次序设置阵列摄像头，布匹检测系统采用多线程、并行处理的方式，对流水线上的布匹进行图像采集，阵列摄像头位置的设置可根据实际情况调整；
[0007]S3、陈列摄像头的数量为n，摄像头的位置编号为i，且0≤i≤n，根据采集摄像头的位置编号i，定时存储对应采集的图像数据，并将这些图像数据进行关联编码，以获取位置图像特征值Vi，从而建立起布匹特征值位置知识库；
[0008]S4、布匹特征值位置知识库按位置和图纹对象构建二维对应关系，分类管理所有图像特征值，对图像数据达到扁平化的存储和管理；
[0009]S5、在设定匹配准确度α的条件下，对每一个阵列摄像头采集的图像数据启动一组识别通道，该组识别通道先通过卷积神经网络的识别模型识别出布匹纹理图案的类别和对
象，然后通过跟标准的纹理图案进行对比，检测出该采集的图像数据的误差度m；
[0010]S6、通过对阵列摄像头的对比误差度m进行关联判断，判断出布匹纹理图案是否出现瑕疵；
[0011]S7、由于陈列摄像头是按照前后次序设置的，因此可以获得同一块布匹纹理图案的多次对比误差度m
i
，得出同一块布匹纹理图案的平均对比误差度
[0012][0013]根据平均对比误差度求出标准差
[0014][0015]通过标准差对布匹纹理图案与标准纹理图案进行首次比对过滤，找出有可能存在瑕疵的布匹位置；
[0016]S8、在S7的基础上，建立起布匹纹理图案对比误差度m的关联函数N：
[0017]N＝f(m1,m2,
…
,mn)(3)
[0018]布匹纹理图案对比误差度m的标准偏差传递函数S
N
：
[0019][0020]在S
N
>α时，对布匹的纹理图案进行位置图像特征值对比，进一步确认布匹纹理图案瑕疵；
[0021]S9、对布匹的纹理图案进行位置图像特征值对比的方法是从布匹特征值位置知识库中提取出对应的位置图像特征值Vi，建立起图像特征值矩阵V＝[V1,V2,
…
,Vn]，跟对应布匹的纹理图案的标准图像特征值Vt进行相似性对比，以进一步确认布匹纹理图案存在瑕疵：
[0022][0023]经过上述步骤，可建立起准确的布匹瑕疵识别模型，通过卷积神经网络和对比算法，可对流水生产线上的布匹进行实时地在线检测布匹的瑕疵。
[0024]根据本专利技术的另一方面，提供了一种布匹瑕疵在线检测系统，所述系统包括：图像数据采集模块、智能数据编码模块、特征值位置知识库模块和瑕疵检测模块。
[0025]所述图像数据采集模块，通过阵列摄像头对流水线上的布匹进行图像采集，阵列摄像头的位置可以灵活设置，保证准确、高速和完整地采集数据。
[0026]所述智能数据编码模块，对采集的图像数据与采集点的位置进行关联，按照特征值提取的方案进行规制编码，编码过程采用多线程、并行处理的方式完成，所述智能数据编码模块通过智能纹理图案变换算法，可生成深度学习方法所需要的训练集样本。
[0027]所述特征值位置知识库模块，接收所述智能数据编码模块处理完成后的数据，对相关数据进行分类存储和管理，保证系统能高速地进行访问和遍历。
[0028]所述瑕疵检测模块，在设定特征阀值的条件下，通过设置三层比对过滤算法，对布匹纹理图案进行实时在线分析，可以高速、有效地对布匹的瑕疵做出正确的评估和判断，对流水生产线上的布匹进行实时地在线检测。
[0029]根据本专利技术的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术的布匹瑕疵在线检测方法中的步骤。
[0030]根据本专利技术的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术的布匹瑕疵在线检测方法中的步骤。
[0031]相比于现有技术，本专利技术至少具有如下有益效果：
[0032]本专利技术的布匹瑕疵在线检测方法，实现了对流水生产线上的布匹进行实时地在线检测，准确的识别和定位了布匹的瑕疵；有效地提高了布匹的成品质量，应用于任何布匹生产线的设备和系统。
附图说明
[0033]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本专利技术的一些实施例，而非对本专利技术的限制。
[0034]图1为本专利技术系统架构示意图。
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。
[0036]除非另作定义，此处使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。
[0037]实施例1：
[0038]如图1所示，本专利技术提供了一种布匹瑕疵在线检测系统，所述系统包括：图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种布匹瑕疵在线检测方法，其特征在于，包括如下步骤：S1、针对不同的布匹纹理图案，通过智能纹理图案变换算法生成深度学习方法所需要的训练集样本，经过预处理和训练后，建立起基于卷积神经网络的识别模型；S2、在布匹的生产流水线上，按前后次序设置阵列摄像头，布匹检测系统采用多线程、并行处理的方式，对流水线上的布匹进行图像采集，阵列摄像头位置的设置可根据实际情况调整；S3、陈列摄像头的数量为n，摄像头的位置编号为i，且0≤i≤n，根据采集摄像头的位置编号i，定时存储对应采集的图像数据，并将这些图像数据进行关联编码，以获取位置图像特征值Vi，从而建立起布匹特征值位置知识库；S4、布匹特征值位置知识库按位置和图纹对象构建二维对应关系，分类管理所有图像特征值，对图像数据达到扁平化的存储和管理；S5、在设定匹配准确度α的条件下，对每一个阵列摄像头采集的图像数据启动一组识别通道，该组识别通道先通过卷积神经网络的识别模型识别出布匹纹理图案的类别和对象，然后通过跟标准的纹理图案进行对比，检测出该采集的图像数据的误差度m；S6、通过对阵列摄像头的对比误差度m进行关联判断，判断出布匹纹理图案是否出现瑕疵；S7、获得同一块布匹纹理图案的多次对比误差度m
i
，得出同一块布匹纹理图案的平均对比误差度通过标准差对布匹纹理图案与标准纹理图案进行首次比对过滤，找出有可能存在瑕疵的布匹位置；S8、建立布匹纹理图案对比误差度m的关联函数；对布匹的纹理图案进行位置图像特征值对比，进一步确认布匹纹理图案瑕疵；S9、对布匹的纹理图案进行位置图像特征值对比的方法是从布匹特征值位置知识库中提取出对应的位置图像特征值，建立起图像特征值矩阵，跟对应布匹的纹理图案的标准图像特征值进行相似性对比，以进一步确认布匹纹理图案存在瑕疵。2.根据权利要求1所述的方法，其特征在于，步骤S7具体如下：得出同一块布匹纹理图案的平均对比误差度的公式如下：根据平均对比误差度求出标准差求出标准差通过标准差对布匹纹理图案与标准纹理图案进行首次比对过...

【专利技术属性】
技术研发人员：张祖昶，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：