【技术实现步骤摘要】
本专利技术涉及图像处理，特别是指基于机器视觉的拉毛织物表面绒毛状态检测方法及系统。
技术介绍
1、拉毛织物是一种经过机械处理，使织物表面纤维被拉出形成绒毛的织物，拉毛织物表面绒毛状态是指经过拉毛处理的织物表面纤维的外观状态，通常包括绒毛的密度、方向、光泽等特性，拉毛处理是指通过机械作用使织物表面形成绒毛，从而增加其柔软度、保暖性和美观性。
2、拉毛织物表面绒毛状态直接影响到织物的质量和外观，绒毛的方向不一致、磨损、起球等问题会导致织物性能下降，影响消费者的使用体验，此外，及时检测瑕疵有助于提高生产质量，减少不合格产品的产生，确保产品达到市场标准。基于机器视觉的拉毛织物表面绒毛状态检测能够快速、精准地发现绒毛方向不一致、起球、磨损等问题，确保织物质量稳定，提升生产效率，减少人工检测误差。
3、然而现有的基于机器视觉的拉毛织物表面绒毛状态检测方法往往因训练集的数量不足限制了检测的泛化能力，而且，在检测过程中由于直接聚焦于异常状态的形状，这对于可能具有许多细微异常状态的绒毛表面不易被检测出来，进一步限制了在实时检测过程中的泛化能力和检测准确性。
技术实现思路
1、为了解决现有技术存在的基于机器视觉的拉毛织物表面绒毛状态检测方法往往因训练集的数量不足限制了检测的泛化能力，而且，在检测过程中由于直接聚焦于异常状态的形状，这对于可能具有许多细微异常状态的绒毛表面不易被检测出来，进一步限制了在实时检测过程中的泛化能力和检测准确性的技术问题，本专利技术提供了基于机器视觉的拉
2、本专利技术实施例提供的技术方案如下：
3、第一方面
4、本专利技术实施例提供的一种基于机器视觉的拉毛织物表面绒毛状态检测方法，包括：
5、s1：采集具有各种织物异常状态标签的关于拉毛织物的多张表面图像；
6、s2：通过鉴别器中具有以零为中心的梯度惩罚项的生成对抗网络模型对表面图像进行图像增强；
7、s3：构建织物异常状态检测模型，其中，织物异常状态检测模型具有相互连接的多特征提取模块和随机森林模块，多特征提取模块包括空间特征提取单元和频率特征提取单元，其中，空间特征提取单元和频率特征提取单元分别用于提取空间特征和频率特征；
8、s4：将增强后的表面图像和相对应的织物异常状态标签组成的训练集输入至织物异常状态检测模型，对织物异常状态检测模型进行训练，并结合具有模拟退火优化算法和贝叶斯优化算法的自适应遗传算法调整随机森林模块的超参数，直至达到终止条件；
9、s5：获取待检测拉毛织物的实时视频帧；
10、s6：从实时视频帧中提取织物异常状态的实时表面图像；
11、s7：将实时表面图像输入至训练后的织物异常状态检测模型，输出实时表面图像的织物异常状态标签。
12、第二方面
13、本专利技术实施例提供的一种基于机器视觉的拉毛织物表面绒毛状态检测系统，包括：
14、处理器；
15、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于机器视觉的拉毛织物表面绒毛状态检测方法。
16、第三方面
17、本专利技术实施例提供的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如第一方面所述的基于机器视觉的拉毛织物表面绒毛状态检测方法。
18、本专利技术实施例提供的技术方案带来的有益效果至少包括：
19、在本专利技术中，首先通过具有以零为中心的梯度惩罚项的生成对抗网络模型对所述表面图像进行图像增强，减少了梯度爆炸和模式坍塌等问题，使生成器在更稳定的环境下生成高质量的图像，能更精确地捕捉并恢复图像细节，从而提升最终的图像质量和逼真度，进而完成训练集的扩充，以增强模型训练效果和泛化能力，之后，将传统的基于异常状态形状的聚焦方式替换为具有空间特征提取单元和频率特征提取单元的多特征提取模块，有效提取织物的局部特征和全局特征，以更好的捕捉异常状态，之后将其输入至随机森林模块学习特征与异常状态之间的线性和非线性关联关系，以使得随机森林模块能够基于特征准确识别出异常状态，能够提高异常状态的检测准确性，此外，在模型的训练过程中结合具有模拟退火优化算法和贝叶斯优化算法的自适应遗传算法调整所述随机森林模块的超参数，避免局部最优解的形成，捕捉各特征之间的非线性依赖关系，确保后续模型检测的可行性和可靠性，提升绒毛状态检测的自动化程度和准确性，确保生产质量，提升企业竞争力。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述生成对抗网络模型包括生成器和鉴别器，其中，所述生成器用于输出生成图像，所述鉴别器用于输出所述生成图像的真实性；
3.根据权利要求1所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述超参数包括决策树数量、决策树深度、用于确定单次分裂选择的特征数量的最大特征数、最小分裂样本数和最小叶子节点样本数，所述终止条件为迭代次数大于预设迭代次数或者预测准确率大于预设预测准确率。
4.根据权利要求1所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述S4具体包括：
5.根据权利要求4所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述S401具体包括：
6.根据权利要求4所述基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述通过所述自适应遗传算法调整所述超参数，具体包括：
7.根据权利要求6所述的基于机器视觉的拉毛织物
8.根据权利要求6所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述S403D具体包括：
9.一种基于机器视觉的拉毛织物表面绒毛状态检测系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任一项所述的基于机器视觉的拉毛织物表面绒毛状态检测方法。
...【技术特征摘要】
1.一种基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述生成对抗网络模型包括生成器和鉴别器，其中，所述生成器用于输出生成图像，所述鉴别器用于输出所述生成图像的真实性；
3.根据权利要求1所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述超参数包括决策树数量、决策树深度、用于确定单次分裂选择的特征数量的最大特征数、最小分裂样本数和最小叶子节点样本数，所述终止条件为迭代次数大于预设迭代次数或者预测准确率大于预设预测准确率。
4.根据权利要求1所述的基于机器视觉的拉毛织物表面绒毛状态检测方法，其特征在于，所述s4具体包括：
5.根据权利要求4所述的基于...
【专利技术属性】
技术研发人员：钟潇，徐明，
申请(专利权)人：绍兴达伽马纺织有限公司，
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。