[发明专利]织物疵点检测方法、装置、设备和机器可读介质

说明书

本申请公开了织物疵点检测方法、装置、设备和机器可读介质，该方法利用第一神经网络分类出异常图像，利用第二神经网络分类出问题图像，利用分类器分类出问题图像所包含的织物表面存在的疵点的类型。该方法、装置、设备和机器可读介质能够快速发现异常图像，并能在异常图像中很好地排除干扰找到真正的问题图像，最后对疵点进行精准分类，从而降低误检率，提高检测准确度。

技术领域

本申请涉及织物检测技术领域，特别涉及织物疵点检测方法、装置、设备和机器可读介质。

背景技术

在机织布、针织布、非织造布等织物的生产线上，需要检测所生产出来的织物是否存在疵点，例如，织物上是否有污渍、破洞、起毛等等。

目前的检测方法主要是由检测人员站在验布设备前通过肉眼检测的方式发现织物疵点并对疵点进行标记或记录。在织物的产量很大的情况下，由检测人员来检测将会很费人力，而且，检测人员在工作一段时间之后容易疲劳，从而存在发生误检的可能性。因此，由检测人员来检测的总体缺陷检测效率不高、并且检测准确度不够稳定。

相关技术中，利用计算机进行验布主要是通过机器视觉和疵点分类方法来实现，也即，通过摄像技术获取待检测的布料图像，通过预先设置多个类别，利用CNN(Convolutional Neural Networks，卷积神经网络)模型包括的至少一个卷积层和至少一个池化层确定图像的特征，利用CNN模型包括的全连接层根据该图像的特征确定该图像分别属于该多个类别中的每个类别的概率，并将概率最大的类别确定为该图像所述的类别，以得到该布料图像所述的疵点分类。但是，由于织物表面印花的存在，通过单一的神经网络模型很容易造成误检，导致检测的准确率非常低。

发明内容

鉴于以上问题，本发明的实施例提供一种织物疵点检测方法、装置和设备，其能解决上述背景技术部分提到的技术问题。

按照本发明的实施例的织物疵点检测方法，包括：当要检测指定图像所包含的织物表面是否存在疵点时，利用已训练的第一神经网络模型对所述指定图像进行分类，其中，所述第一神经网络模型用于检测图像是属于其中所包含的织物表面有可能存在疵点的异常图像还是属于其中所包含的织物表面不可能存在疵点的正常图像；如果所述第一神经网络模型将所述指定图像分类为所述异常图像，则利用已训练的具有记忆能力的第二神经网络模型对所述指定图像进行分类，其中，所述第二神经网络模型用于检测图像是属于其中所包含的织物表面存在疵点的问题图像还是属于所述正常图像；如果所述第二神经网络模型将所述指定图像分类为所述问题图像，则利用已训练的分类器对所述指定图像进行分类并确定所述指定图像所包含的织物表面的疵点类型，其中，所述分类器用于检测图像所包含的织物表面存在的疵点的类型。

按照本发明的实施例的织物疵点检测装置，包括：第一分类模块，用于当要检测指定图像所包含的织物表面是否存在疵点时，利用已训练的第一神经网络模型对所述指定图像进行分类，其中，所述第一神经网络模型用于检测图像是属于其中所包含的织物表面有可能存在疵点的异常图像还是属于其中所包含的织物表面不可能存在疵点的正常图像；第二分类模块，用于如果所述第一神经网络模型将所述指定图像分类为所述异常图像，则利用已训练的具有记忆能力的第二神经网络模型对所述指定图像进行分类，其中，所述第二神经网络模型用于检测图像是属于其中所包含的织物表面存在疵点的问题图像还是属于所述正常图像；第三分类模块，用于如果所述第二神经网络模型将所述指定图像分类为所述问题图像，则利用已训练的分类器对所述指定图像进行分类，其中，所述分类器用于检测图像所包含的织物表面存在的疵点的类型。

按照本发明的实施例的织物疵点检测设备，包括处理器；以及存储器，其上存储有可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行前述的方法。

按照本发明的实施例的机器可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时使得机器执行前述的方法。