[发明专利]表面属性检测方法及装置、计算机设备及计算机可读介质

说明书

本申请公开了织物表面属性检测方法及装置、计算机设备及计算机可读介质，该方法包括当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性‑残差神经网络模型检测所述候选区域所对应的对象的属性信息；其中，所述时序性‑残差神经网络模型为在时序性神经网络的每一基本单元添加残差网络构成的神经网络模型，所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。该方法及装置、计算机设备及计算机可读介质能够提高织物识别的效率，适用于目前社会经济的发展需要。

技术领域

本申请涉及织物检测技术领域，特别涉及织物表面属性检测方法及装置、计算机设备和计算机可读介质。

背景技术

织物表面属性是机织物的重要规格参数，对织物和服装的外观及物理性能起着决定性作用，织物表面属性的识别因此也是纺织产品质量检测环节中不可或缺的部分。传统测量织物表面属性的检测方法是专业检测人员在密度镜的帮助下，通过肉眼观察分析完成。用密度镜测量织物密度虽然简单实用，但存在检测时间长、效率低的缺点，还易受到检测人员的熟练度和个人主观感觉的影响。因此目前已有的织物表面属性检测方法特别不适用于目前社会经济的发展需要。

发明内容

鉴于以上问题，本发明的实施例提供一种织物表面属性检测方法及装置、计算机设备及计算机可读介质，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表面属性检测方法，包括：当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性-残差神经网络模型检测所述候选区域所对应的对象的属性信息；其中，所述时序性- 残差神经网络模型为在时序性神经网络的每一基本单元添加残差网络构成的神经网络模型，所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。

按照本发明的实施例的织物表面属性检测装置，包括：获取模块，用于当要检测指定图像所包含的织物的表面属性时，获取所述指定图像一个或多个候选区域的特征向量；检测模块，用于根据所述特征向量，利用已训练的时序性神经网络模型，或，时序性-残差神经网络模型检测所述候选区域所对应的对象的属性信息；其中，所述时序性-残差神经网络模型为在时序性神经网络的每一基本单元添加残差网络构成的神经网络模型，所述残差网络将所述基本单元上一时刻的输出加权叠加到所述基本单元当前时刻的输出上。

按照本发明的实施例的计算机设备，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计算机可读介质，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计算机执行前述的方法。

从以上的描述可以看出，本发明的实施例的方案利用神经网络技术，而不是人，来检测织物表面属性，与人相比，神经网络不会受主观感觉的影响，其能快速地检测织物表面的属性信息，因此，与现有技术相比，本发明的实施例的方案能够提高织物表面属性检测的效率，适用于目前社会经济的发展需要。

附图说明

图1为按照本发明的一个实施例的织物表面属性检测的方法的流程图；

图2为按照本发明的一个实施例的用于模型训练的方法的流程图；

图3为按照本发明的一个实施例的RNN-ResNet模型的一个神经网络基本单元的结构示意图；

图4为按照本发明的一个实施例的织物表面属性检测的方法的总体流程图；

图5为按照本发明的一个实施例的LSTM-ResNet模型的一个神经网络基本单元的结构示意图；

图6为按照本发明的一个实施例的织物表面属性检测装置的示意图；