CN109767443A - 一种布料瑕疵数据收集方法及装置 - Google Patents
一种布料瑕疵数据收集方法及装置 Download PDFInfo
- Publication number
- CN109767443A CN109767443A CN201910045693.9A CN201910045693A CN109767443A CN 109767443 A CN109767443 A CN 109767443A CN 201910045693 A CN201910045693 A CN 201910045693A CN 109767443 A CN109767443 A CN 109767443A
- Authority
- CN
- China
- Prior art keywords
- flaw
- cloth
- topography
- image
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013481 data capture Methods 0.000 title claims abstract description 28
- 238000012876 topography Methods 0.000 claims abstract description 100
- 230000007547 defect Effects 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种布料瑕疵数据收集方法及装置，包括：获取目标布匹的多个局部图像；对多个局部图像进行组合处理，得到目标布匹的完整布匹图像；根据预设的瑕疵检测模型检测完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容；其中，瑕疵检测模型为人工智能模型；如果完整布匹图像中存在瑕疵内容，则在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。本发明提供的布料瑕疵数据收集方法及装置，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种布料瑕疵数据收集方法及装置。
背景技术
当前在纺织制造业，对于布料的质量检测是比较重要的。在对布料进行质量检测时，通常需要先收集各种各样的布料瑕疵样品，目前通常通过大量的人力的去收集各种各样的瑕疵样品，具体地，包括人工拍摄样品照片和人工标注样品数据等。在实践中发现，现有的布料瑕疵数据收集方法效率低、容易出现人为误判导致的差错。
发明内容
鉴于上述问题，本发明提供了一种布料瑕疵数据收集方法及装置，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。
为了实现上述目的，本发明采用如下的技术方案：
本发明第一方面公开了一种布料瑕疵数据收集方法，包括：
获取目标布匹的多个局部图像；
对多个所述局部图像进行组合处理，得到所述目标布匹的完整布匹图像；
根据预设的瑕疵检测模型检测所述完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容；其中，所述瑕疵检测模型为人工智能模型；
如果所述完整布匹图像中存在所述瑕疵内容，则在所述完整布匹图像中对所述瑕疵内容进行标注处理，得到瑕疵数据。
作为一种可选的实施方式，在本发明第一方面中，所述获取目标布匹的多个局部图像包括：
获取用于拍摄所述目标布匹局部图像的拍摄间隔时间和用于监控多个所述局部图像的质量的图像采集要求；
根据所述拍摄间隔时间获取与所述图像采集要求相对应的多个所述局部图像。
作为一种可选的实施方式，在本发明第一方面中，所述对多个所述局部图像进行组合处理，得到所述目标布匹的完整布匹图像包括：
根据预设的拍摄顺序对多个所述局部图像进行编号，得到多个带编号的局部图像；
通过预设的特征提取算法提取每个所述局部图像的特征值；
根据每个所述局部图像的特征值对多个所述带编号的局部图像进行特征比对处理，得到用于组合多个所述局部图像的特征线；
根据所述特征线对多个所述带编号的局部图像进行裁剪，得到多个裁剪图像；
对多个所述裁剪图像进行拼接处理，得到所述目标布匹的完整布匹图像。
作为一种可选的实施方式，在本发明第一方面中，所述根据预设的瑕疵检测模型检测所述完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容包括：
通过所述瑕疵检测模型对所述完整布匹图像进行特征提取处理，得到特征值数据；
根据所述瑕疵检测模型和预设的正态分布算法判断所述特征值数据是否超过预设的异常值阈值；
如果所述特征值数据超过所述预设的异常值阈值，将所述特征值数据对应的图片内容确定为瑕疵内容，并执行所述的在所述完整布匹图像中对所述瑕疵内容进行标注处理，得到瑕疵数据。
作为一种可选的实施方式，在本发明第一方面中，所述瑕疵检测模型包括实时学习迭代模型，所述实时学习迭代模型用于根据预设的迭代训练时间通过所述完整布匹图像和所述瑕疵数据对所述瑕疵检测模型进行迭代训练处理。
本发明第二方面公开一种布料瑕疵数据收集装置，包括：
获取模块，用于获取目标布匹的多个局部图像；
组合模块，用于对多个所述局部图像进行组合处理，得到所述目标布匹的完整布匹图像；
检测模块，用于根据预设的瑕疵检测模型检测所述完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容；其中，所述瑕疵检测模型为人工智能模型；
标注模块，用于当所述完整布匹图像中存在所述瑕疵内容时，则在所述完整布匹图像中对所述瑕疵内容进行标注处理，得到瑕疵数据。
作为一种可选的实施方式，在本发明第二方面中，所述获取模块包括：
第一获取子模块，用于获取用于拍摄所述目标布匹局部图像的拍摄间隔时间和用于监控多个所述局部图像的质量的图像采集要求；
第二获取子模块，用于根据所述拍摄间隔时间获取与所述图像采集要求相对应的多个所述局部图像。
作为一种可选的实施方式，在本发明第二方面中，所述组合模块包括：
编号子模块，用于根据预设的拍摄顺序对多个所述局部图像进行编号，得到多个带编号的局部图像；
提取子模块，用于通过预设的特征提取算法提取每个所述局部图像的特征值；
比对子模块，用于根据每个所述局部图像的特征值对多个所述带编号的局部图像进行特征比对处理，得到用于组合多个所述局部图像的特征线；
裁剪子模块，用于根据所述特征线对多个所述带编号的局部图像进行裁剪，得到多个裁剪图像；
拼接子模块，用于对多个所述裁剪图像进行拼接处理，得到所述目标布匹的完整布匹图像。
本发明第三方面公开一种计算机设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行第一方面公开的部分或者全部所述的布料瑕疵数据收集方法。
本发明第四方面公开一种计算机可读存储介质，其存储有第三方面所述的计算机设备中所使用的所述计算机程序。
根据本发明提供的布料瑕疵数据收集方法及装置，先获取目标布匹的多个局部图像，然后对多个局部图像进行组合处理，得到目标布匹的完整布匹图像；然后对该完整布匹图像进行瑕疵检测，当在该完整布匹图像中检测出包括布匹瑕疵的瑕疵内容时，则在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。可见，实施该布料瑕疵数据收集方法及装置，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明范围的限定。
图1是本发明实施例一提供的一种布料瑕疵数据收集方法的流程示意图；
图2是本发明实施例二提供的一种布料瑕疵数据收集方法的流程示意图；
图3是本发明实施例三提供的一种布料瑕疵数据收集装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对现有技术中的问题，本发明提供了一种布料瑕疵数据收集方法及装置；先获取目标布匹的多个局部图像，然后对多个局部图像进行组合处理，得到目标布匹的完整布匹图像；然后对该完整布匹图像进行瑕疵检测，当在该完整布匹图像中检测出包括布匹瑕疵的瑕疵内容时，则在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。可见，实施该布料瑕疵数据收集方法及装置，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。并且，该技术可以采用相关的软件或硬件实现，下面通过实施例进行描述。
实施例1
请参阅图1，图1是本发明实施例提供的一种布料瑕疵数据收集方法的流程示意图。其中，如图1所示，该布料瑕疵数据收集方法可以包括以下步骤：
S101、获取目标布匹的多个局部图像。
本实施例中，可以将多个采集摄像头(布匹宽度决定了摄像头数量)安装在目标布匹经过的位置处，然后通过多个采集摄像头获取该目标布匹的多个局部图像。
作为一种可选的实施方式，获取目标布匹的多个局部图像之前，还可以自动检测是否有布出现在任意一个采集摄像头的镜头内，如果有，则控制多摄像头获取目标布匹的多个局部图像。
S102、对多个局部图像进行组合处理，得到目标布匹的完整布匹图像。
本实施例中，完整布匹图像包括目标布匹的完整特征，避免了由于漏拍等引起的误检的发生，提升了瑕疵标注的准确性。
作为一种可选的实施方式，可以根据布匹宽度和摄像头数量，计算出图片的IoU(Intersection over Union)，通过图片裁剪和拼接技术，来进行图片的无缝合成。
S103、根据预设的瑕疵检测模型检测完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容，如果存在，执行步骤S104；如果不存在，结束本流程。
本实施例中，瑕疵检测模型为人工智能模型。具体地，该人工智能模型可以为无监督学习的卷积神经网络、BP神经网络等，对此本实施例不作任何限定。
作为一种可选的实施方式，瑕疵检测模型为无监督学习的卷积神经网络，通过深度学习卷积神经网络中的无监督式学习异常检测算法，抽取所有已采集图片的特征并进行比对，找出存在明显有别于其他图片特征的异常点并进行标注。
S104、在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。
本实施中，通过多个采集摄像头采集目标布匹的多个局部图像，然后自动将该多个局部图像合成完整的布匹图像，以还原目标布匹的原貌，同时在检测到该完整的布匹图像存在瑕疵时，对该瑕疵在布匹图像中的位置进行标注处理，得到瑕疵数据。
在图1所描述的布料瑕疵数据收集方法中，先获取目标布匹的多个局部图像，然后对多个局部图像进行组合处理，得到目标布匹的完整布匹图像；然后对该完整布匹图像进行瑕疵检测，当在该完整布匹图像中检测出包括布匹瑕疵的瑕疵内容时，则在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。可见，实施图1所描述的布料瑕疵数据收集方法，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。
实施例2
请参阅图2，图2是本发明实施例提供的一种布料瑕疵数据收集方法的流程示意图。其中，如图2所示，该布料瑕疵数据收集方法可以包括以下步骤：
S201、获取用于拍摄目标布匹局部图像的拍摄间隔时间和用于监控多个局部图像的质量的图像采集要求。
本实施例中，图像采集要求包括拍摄目标布匹局部图像的摄像头数量、曝光时间、增益大小等，对此本实施例不作任何限定。
S202、根据拍摄间隔时间获取与图像采集要求相对应的多个局部图像。
本实施例中，实施上述步骤S201～步骤S202，能够获取目标布匹的多个局部图像。
S203、根据预设的拍摄顺序对多个局部图像进行编号，得到多个带编号的局部图像。
S204、通过预设的特征提取算法提取每个局部图像的特征值。
S205、根据每个局部图像的特征值对多个带编号的局部图像进行特征比对处理，得到用于组合多个局部图像的特征线。
S206、根据特征线对多个带编号的局部图像进行裁剪，得到多个裁剪图像。
S207、对多个裁剪图像进行拼接处理，得到目标布匹的完整布匹图像。
本实施例中，实施上述步骤S203～步骤S207，能够对多个局部图像进行组合处理，得到目标布匹的完整布匹图像。
本实施例中，举例来说，在合成目标布匹的完整布匹图像时，假设拍摄该目标布匹用了四个摄像头，且设从左至右摄像头的编号依次为A、B、C、D，可以执行以下步骤对多个局部图像进行组合处理：
第一步：按照每个摄像头的编号，对每个摄像头拍摄的局部照片进行编号，可以得到带编号的局部图像，例如，可以得到与A摄像头对应的A1局部图像，与B摄像头对应的B1局部图像，与C摄像头对应的C1局部图像，与D摄像头对应的D1局部图像；
第二步：通过预设的特征提取算法提取每个带编号的局部图像的特征值，此时，每个局部图像与其对应的编号以及其对应的特征值一一对应；例如，A1局部图像对应的特征值为特征值A，B1局部图像对应的特征值为特征值B，C1局部图像对应的特征值为特征值C，D1局部图像对应的特征值为特征值D；
第三步：将每个局部图像与其对应的特征值与其相邻编号局部图像对应的特征值进行特征比对处理，计算相邻编号局部图像之间重合部分的特征线；例如，与A1相邻的编号为B1，与B1相邻的编号为C1，与C1相邻的编号为D1；
第四步：根据特征线对多个局部图像进行裁剪处理，并将裁剪后的图片拼接在一起，得到目标布匹的完整布匹图像。
本实施例中，在对裁剪后的局部图片进行拼接处理时，还可以对两个裁剪后的局部图片的拼接边界进行平滑处理，以提升完整布匹图像的质量，减少瑕疵检测误差的产生，进而提升瑕疵标注的准确性。
S208、通过瑕疵检测模型对完整布匹图像进行特征提取处理，得到特征值数据。
S209、根据瑕疵检测模型和预设的正态分布算法判断特征值数据是否超过预设的异常值阈值，如果超过，执行步骤S210～步骤S211；如果未超过，结束本流程。
本实施例中，异常值阈值为预先设置的，可以由人工进行设置，也可以由实施布料瑕疵数据收集方法的装置进行自动设置等，对此本实施例不作限定。
S210、将特征值数据对应的图片内容确定为瑕疵内容。
本实施例中，实施上述步骤S208～步骤S210，能够根据预设的瑕疵检测模型检测完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容。
作为一种可选的实施方式，瑕疵检测模型包括实时学习迭代模型，实时学习迭代模型用于根据预设的迭代训练时间通过完整布匹图像和瑕疵数据对瑕疵检测模型进行迭代训练处理。
在上述实施方式中，通过实时学习迭代模型可以定时根据训练数据数据训练迭代异常检测模型，进而提升异常检测模型的检测准确率。
在上述实施方式中，实时学习迭代模型为有监督式学习的卷积神经网络。
S211、在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。
作为一种可选的实施方式，如果特征值数据不超过预设的异常值阈值，则将完整布匹图像标注为正常数据，正常数据和瑕疵数据可以分类进行存储，便于管理员查看。
可见，实施图2所描述的布料瑕疵数据收集方法，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。
实施例3
请参阅图3，图3是本发明实施例提供的一种布料瑕疵数据收集装置的结构示意图。其中，如图3所示，该布料瑕疵数据收集装置包括：
获取模块310，用于获取目标布匹的多个局部图像；
组合模块320，用于对多个局部图像进行组合处理，得到目标布匹的完整布匹图像；
检测模块330，用于根据预设的瑕疵检测模型检测完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容；其中，瑕疵检测模型为人工智能模型；
标注模块340，用于当完整布匹图像中存在瑕疵内容时，则在完整布匹图像中对瑕疵内容进行标注处理，得到瑕疵数据。
作为一种可选的实施方式，获取模块310包括：
第一获取子模块311，用于获取用于拍摄目标布匹局部图像的拍摄间隔时间和用于监控多个局部图像的质量的图像采集要求；
第二获取子模块312，用于根据拍摄间隔时间获取与图像采集要求相对应的多个局部图像。
作为一种可选的实施方式，组合模块320包括：
编号子模块321，用于根据预设的拍摄顺序对多个局部图像进行编号，得到多个带编号的局部图像；
提取子模块322，用于通过预设的特征提取算法提取每个局部图像的特征值；
比对子模块323，用于根据每个局部图像的特征值对多个带编号的局部图像进行特征比对处理，得到用于组合多个局部图像的特征线；
裁剪子模块324，用于根据特征线对多个带编号的局部图像进行裁剪，得到多个裁剪图像；
拼接子模块325，用于对多个裁剪图像进行拼接处理，得到目标布匹的完整布匹图像。
本实施例中，布料瑕疵数据收集装置能够实时不间断采集布料的数据，只要出现新的瑕疵数据，都可自动标注并存储，让采集和标注数据工作变得简单且标准化。
可见，实施图3所描述的布料瑕疵数据收集装置，能够提高布料瑕疵数据的收集效率，同时避免了采用人工收集数据时产生的误判等差错的出现。
此外，本发明还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行计算机程序，从而使该计算机设备执行上述方法或者上述布料瑕疵数据收集装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质，用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种布料瑕疵数据收集方法，其特征在于，包括：
获取目标布匹的多个局部图像；
对多个所述局部图像进行组合处理，得到所述目标布匹的完整布匹图像；
根据预设的瑕疵检测模型检测所述完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容；其中，所述瑕疵检测模型为人工智能模型；
如果所述完整布匹图像中存在所述瑕疵内容，则在所述完整布匹图像中对所述瑕疵内容进行标注处理，得到瑕疵数据。
2.根据权利要求1所述的布料瑕疵数据收集方法，其特征在于，所述获取目标布匹的多个局部图像包括：
获取用于拍摄所述目标布匹局部图像的拍摄间隔时间和用于监控多个所述局部图像的质量的图像采集要求；
根据所述拍摄间隔时间获取与所述图像采集要求相对应的多个所述局部图像。
3.根据权利要求1所述的布料瑕疵数据收集方法，其特征在于，所述对多个所述局部图像进行组合处理，得到所述目标布匹的完整布匹图像包括：
根据预设的拍摄顺序对多个所述局部图像进行编号，得到多个带编号的局部图像；
通过预设的特征提取算法提取每个所述局部图像的特征值；
根据每个所述局部图像的特征值对多个所述带编号的局部图像进行特征比对处理，得到用于组合多个所述局部图像的特征线；
根据所述特征线对多个所述带编号的局部图像进行裁剪，得到多个裁剪图像；
对多个所述裁剪图像进行拼接处理，得到所述目标布匹的完整布匹图像。
4.根据权利要求1所述的布料瑕疵数据收集方法，其特征在于，所述根据预设的瑕疵检测模型检测所述完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容包括：
通过所述瑕疵检测模型对所述完整布匹图像进行特征提取处理，得到特征值数据；
根据所述瑕疵检测模型和预设的正态分布算法判断所述特征值数据是否超过预设的异常值阈值；
如果所述特征值数据超过所述预设的异常值阈值，将所述特征值数据对应的图片内容确定为瑕疵内容，并执行所述的在所述完整布匹图像中对所述瑕疵内容进行标注处理，得到瑕疵数据。
5.根据权利要求1所述的布料瑕疵数据收集方法，其特征在于，所述瑕疵检测模型包括实时学习迭代模型，所述实时学习迭代模型用于根据预设的迭代训练时间通过所述完整布匹图像和所述瑕疵数据对所述瑕疵检测模型进行迭代训练处理。
6.一种布料瑕疵数据收集装置，其特征在于，包括：
获取模块，用于获取目标布匹的多个局部图像；
组合模块，用于对多个所述局部图像进行组合处理，得到所述目标布匹的完整布匹图像；
检测模块，用于根据预设的瑕疵检测模型检测所述完整布匹图像中是否存在包括布匹瑕疵的瑕疵内容；其中，所述瑕疵检测模型为人工智能模型；
标注模块，用于当所述完整布匹图像中存在所述瑕疵内容时，则在所述完整布匹图像中对所述瑕疵内容进行标注处理，得到瑕疵数据。
7.根据权利要求6所述的布料瑕疵数据收集装置，其特征在于，所述获取模块包括：
第一获取子模块，用于获取用于拍摄所述目标布匹局部图像的拍摄间隔时间和用于监控多个所述局部图像的质量的图像采集要求；
第二获取子模块，用于根据所述拍摄间隔时间获取与所述图像采集要求相对应的多个所述局部图像。
8.根据权利要求6所述的布料瑕疵数据收集装置，其特征在于，所述组合模块包括：
编号子模块，用于根据预设的拍摄顺序对多个所述局部图像进行编号，得到多个带编号的局部图像；
提取子模块，用于通过预设的特征提取算法提取每个所述局部图像的特征值；
比对子模块，用于根据每个所述局部图像的特征值对多个所述带编号的局部图像进行特征比对处理，得到用于组合多个所述局部图像的特征线；
裁剪子模块，用于根据所述特征线对多个所述带编号的局部图像进行裁剪，得到多个裁剪图像；
拼接子模块，用于对多个所述裁剪图像进行拼接处理，得到所述目标布匹的完整布匹图像。
9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行权利要求1至5中任一项所述的布料瑕疵数据收集方法。
10.一种计算机可读存储介质，其特征在于，其存储有权利要求9所述的计算机设备中所使用的所述计算机程序。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045693.9A CN109767443A (zh) | 2019-01-17 | 2019-01-17 | 一种布料瑕疵数据收集方法及装置 |
| PCT/CN2019/073918 WO2020147152A1 (zh) | 2019-01-17 | 2019-01-30 | 一种布料瑕疵数据收集方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910045693.9A CN109767443A (zh) | 2019-01-17 | 2019-01-17 | 一种布料瑕疵数据收集方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109767443A true CN109767443A (zh) | 2019-05-17 |
Family
ID=66453010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910045693.9A Withdrawn CN109767443A (zh) | 2019-01-17 | 2019-01-17 | 一种布料瑕疵数据收集方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109767443A (zh) |
| WO (1) | WO2020147152A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232681A (zh) * | 2019-05-29 | 2019-09-13 | 深圳新视智科技术有限公司 | 疵点展示方法、装置、计算机设备及存储介质 |
| CN111275705A (zh) * | 2020-02-28 | 2020-06-12 | 中科视语(北京)科技有限公司 | 智能验布方法、装置、电子设备及存储介质 |
| CN112669299A (zh) * | 2020-12-31 | 2021-04-16 | 上海智臻智能网络科技股份有限公司 | 瑕疵检测方法及装置、计算机设备和存储介质 |
| CN113138198A (zh) * | 2021-04-27 | 2021-07-20 | 环旭(深圳)电子科创有限公司 | 电子元件的瑕疵影像生成系统及方法 |
| CN113578764A (zh) * | 2021-09-28 | 2021-11-02 | 南通宝硕纺织品有限公司 | 一种基于物联网的无纺布生产检测装置 |
| CN113610848A (zh) * | 2021-10-09 | 2021-11-05 | 阿里巴巴（中国）有限公司 | 数字化布料处理系统、布料瑕疵检测方法、设备及介质 |
| CN114322770A (zh) * | 2021-12-31 | 2022-04-12 | 宁波智能成型技术创新中心有限公司 | 一种复合功能纺织布自动对准匹配的智能测量测试方法 |
| CN114687079A (zh) * | 2020-12-31 | 2022-07-01 | 杰克科技股份有限公司 | 缝纫设备的设备参数管理系统、方法及计算机存储介质 |
| CN116593486A (zh) * | 2023-07-18 | 2023-08-15 | 佛山市南海德耀纺织实业有限公司 | 一种布料瑕疵智能检测方法及其相关设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
| CN104483320A (zh) * | 2014-10-27 | 2015-04-01 | 中国计量学院 | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
| CN102706881A (zh) * | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
| CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
| KR101895873B1 (ko) * | 2017-06-15 | 2018-09-06 | 주식회사 에스엠비나 | 직물원단 검단방법 및 장치 |
-
2019
- 2019-01-17 CN CN201910045693.9A patent/CN109767443A/zh not_active Withdrawn
- 2019-01-30 WO PCT/CN2019/073918 patent/WO2020147152A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
| CN104483320A (zh) * | 2014-10-27 | 2015-04-01 | 中国计量学院 | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232681B (zh) * | 2019-05-29 | 2021-09-03 | 深圳新视智科技术有限公司 | 疵点展示方法、装置、计算机设备及存储介质 |
| CN110232681A (zh) * | 2019-05-29 | 2019-09-13 | 深圳新视智科技术有限公司 | 疵点展示方法、装置、计算机设备及存储介质 |
| CN111275705A (zh) * | 2020-02-28 | 2020-06-12 | 中科视语(北京)科技有限公司 | 智能验布方法、装置、电子设备及存储介质 |
| CN114687079A (zh) * | 2020-12-31 | 2022-07-01 | 杰克科技股份有限公司 | 缝纫设备的设备参数管理系统、方法及计算机存储介质 |
| CN112669299A (zh) * | 2020-12-31 | 2021-04-16 | 上海智臻智能网络科技股份有限公司 | 瑕疵检测方法及装置、计算机设备和存储介质 |
| CN112669299B (zh) * | 2020-12-31 | 2023-04-07 | 上海智臻智能网络科技股份有限公司 | 瑕疵检测方法及装置、计算机设备和存储介质 |
| WO2022143032A1 (zh) * | 2020-12-31 | 2022-07-07 | 杰克科技股份有限公司 | 缝纫设备的设备参数管理系统、方法及计算机存储介质 |
| CN113138198A (zh) * | 2021-04-27 | 2021-07-20 | 环旭(深圳)电子科创有限公司 | 电子元件的瑕疵影像生成系统及方法 |
| CN113578764A (zh) * | 2021-09-28 | 2021-11-02 | 南通宝硕纺织品有限公司 | 一种基于物联网的无纺布生产检测装置 |
| CN113578764B (zh) * | 2021-09-28 | 2021-12-10 | 南通宝硕纺织品有限公司 | 一种基于物联网的无纺布生产检测装置 |
| CN113610848A (zh) * | 2021-10-09 | 2021-11-05 | 阿里巴巴（中国）有限公司 | 数字化布料处理系统、布料瑕疵检测方法、设备及介质 |
| CN113610848B (zh) * | 2021-10-09 | 2022-04-12 | 阿里巴巴（中国）有限公司 | 数字化布料处理系统、布料瑕疵检测方法、设备及介质 |
| CN114322770A (zh) * | 2021-12-31 | 2022-04-12 | 宁波智能成型技术创新中心有限公司 | 一种复合功能纺织布自动对准匹配的智能测量测试方法 |
| CN116593486A (zh) * | 2023-07-18 | 2023-08-15 | 佛山市南海德耀纺织实业有限公司 | 一种布料瑕疵智能检测方法及其相关设备 |
| CN116593486B (zh) * | 2023-07-18 | 2023-12-08 | 佛山市南海德耀纺织实业有限公司 | 一种布料瑕疵智能检测方法及其相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020147152A1 (zh) | 2020-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767443A (zh) | 一种布料瑕疵数据收集方法及装置 | |
| CN110807353B (zh) | 一种基于深度学习的变电站异物识别方法、装置及系统 | |
| CN108288027B (zh) | 一种图像质量的检测方法、装置及设备 | |
| CN110889823B (zh) | 一种SiC缺陷的检测方法和系统 | |
| CN103366176B (zh) | 光学元件缺陷批量自动识别装置和方法 | |
| CN113763415B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN109685847B (zh) | 一种视觉目标检测模型的训练方法和装置 | |
| CN111598913A (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
| CN112637568B (zh) | 基于多节点边缘计算设备的分布式安全监控方法和系统 | |
| CN112927247B (zh) | 基于目标检测的切图方法、切图装置和存储介质 | |
| CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
| CN111311487A (zh) | 一种光伏组件图像的快速拼接方法及系统 | |
| CN109146880A (zh) | 一种基于深度学习的电力设备检测方法 | |
| CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
| CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
| CN112581495A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN115861315B (zh) | 缺陷检测方法和装置 | |
| CN111047550A (zh) | 一种基于机器视觉的产品异常检测方法、装置及设备 | |
| CN114820543B (zh) | 缺陷检测方法和装置 | |
| CN110135426B (zh) | 样本标注方法及计算机存储介质 | |
| CN115100418A (zh) | 一种抗原检测试剂盒识别方法、装置、设备及存储介质 | |
| CN114140428A (zh) | 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统 | |
| MUSTAFA et al. | FLUDI: Using digital images for measuring fish length | |
| CN113838053B (zh) | 屏幕缺陷的检测方法、装置、设备及存储介质 | |
| CN118134892B (zh) | 一种建筑外墙缺陷检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190517 |