欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2026100033370
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于机器视觉的纺织瑕疵检测方法,其特征在于,包括以下步骤:

S1.获取图像数据并进行预处理:使用高分辨率工业相机拍摄纺织品的RGB图像,相机的位置、光照和拍摄角度都要进行调整,并对这些图像进行预处理操作:图像的裁剪、缩放和归一化,将图像像素值调整至统一的范围:[0, 1],调整图像的尺寸与网络的输入要求匹配,同时应用图像平滑、去噪处理,减少噪声影响;

S2.数据增强:在获取图像数据之后,使用数据增强技术:旋转、缩放、裁剪、颜色抖动、翻转和镜像来生成训练样本;

S3.输入图像进行特征提取和异常区域识别:将处理后的图像输入到ResNet50深度卷积神经网络中,网络通过层层卷积操作提取图像的深层特征,使用SPADE算法,通过对图像的空间特征进行自适应加权,突出显示图像中可能存在瑕疵的区域,使用k最近邻KNN算法对这些区域进行分析,进一步确定异常区域的位置和大小;

S4.模型训练与优化:采用迁移学习的方法,对特定的纺织品瑕疵数据集进行微调,并使用特定的纺织品瑕疵数据集训练模型,瑕疵数据集包括以下类型的瑕疵:破洞、污渍、颜色偏差,采用交叉验证方法进行超参数优化,获得瑕疵检测模型;

S5.应用CFLOW-AD模型进行异常检测:通过预处理后的图像输入到CFLOW-AD模型中,CFLOW-AD识别出细微的异常区域,并根据其异常分数进行排序,模型会生成每个像素的异常得分,高异常得分区域表示存在瑕疵;

S6.集成实时反馈机制:检测过程中加入动态反馈机制,系统根据初步检测结果自动调整检测参数:阈值、敏感度,根据初步检测结果,实时调整瑕疵检测的阈值,当检测到一个区域疑似存在瑕疵时,系统调整检测灵敏度进行重新检查,在初步检测后,系统对疑似区域进行重新采样和细致分析;

S7.评估与后续处理:使用缺陷检测算法的主要评价指标:TP、FP、TN、FN、ROC曲线评估模型表现,并对检测结果进行后续处理:去噪、连通域分析,根据检测结果,生成一份详细的瑕疵报告,报告包括每个瑕疵的位置、类型、大小信息,用于后续处理和质量控制。

2.如权利要求1所述的一种基于机器视觉的纺织瑕疵检测方法,其特征在于:

步骤S3中ResNet50深度卷积神经网络中,网络通过层层卷积操作提取图像的深层特征,使用SPADE算法,通过对图像的空间特征进行自适应加权,突出显示图像中可能存在瑕疵的区域,具体步骤如下;

S31:将图像输入ResNet50,ResNet50的核心部分为Backbone层,通过Backbone层为从图像中提取关键特征,特征被用于比较不同图像的相似度与进行像素级别的对齐;

S32:SPADE算法第一步,对目标图像进行k最近邻检索,基于图像级别的全局特征,使用欧几里得距离度量,使用以下公式:

,其中,d(y)表示目标图像 y 与它的 k 个最近邻图像之间的平均平方距离,是目标图像的特征,是目标图像的k 个最近邻正常图像的特征集合,是中某一个最近邻图像的特征向量,即某个正样本图像的特征;

S33:SPADE算法第二步,像素级别的异常区域定位,实施特征金字塔匹配策略,从ResNet架构的各个阶段提取特征信息,构建一个分层的特征展现,即特征金字塔,对于目标图像中的每一个像素位置p,提取该位置的多尺度特征,并将其与预先确定的k个最近邻正常图像的特征集合G进行比较分析,通过计算目标像素特征与集合G中特征的平均距离,SPADE识别出缺乏对应正常特征的异常区域,实现精确的异常定位,异常分数计算公式如下:,表示在目标图像 y 的某个像素位置p 上的异常分数,是目标图像 y 在像素位置 p 处提取的多尺度特征向量,表示在特征空间中,与最相似的 k 个正常图像中,对应像素位置p的特征集合。

3.如权利要求2所述的一种基于机器视觉的纺织瑕疵检测方法,其特征在于:

具体步骤S31中ResNet50的核心部分为Backbone层,通过Backbone层为从图像中提取关键特征,Backbone层由五个主要部分组成,每个部分均由一系列卷积块组成,对图像特征的逐步抽象和提取,Backbone层的初始阶段为stage 0,输入图像首先经过一个卷积层,该层的输入为3x224x224像素的图像尺寸,引入批量归一化层规范化特征,加速网络的训练过程并提高泛化能力,应用一个ReLU激活函数于BN层的输出,以引入非线性,增强模型的表达能力,通过一个最大池化层,将特征图的空间尺寸缩减至56x56像素,同时保留64个输出通道,优化了特征表示,继初始阶段stage 0之后,网络的主干部分由四个连续的阶段stage 1到 stage 4组成,这些阶段均采用Bottleneck:简称BTNK结构,Bottleneck模块的设计区分为两种形式:一种是输入和输出通道数量相同的BTNK2变体;另一种是输入和输出通道数量不同的BTNK1变体。

4.如权利要求1所述的一种基于机器视觉的纺织瑕疵检测方法,其特征在于:

步骤S5中通过预处理后的图像输入到CFLOW-AD模型中,

CFLOW-AD模型如下所示,对输入的图像进行预处理,使其符合模型训练时的规格,将预处理后的图像输入到预训练的编码器中,提取多尺度的特征,使用金字塔池化技术从编码器的输出中捕获不同尺度的特征图,将捕获的特征图送入CFLOW解码器,并结合位置编码信息对每个尺度的特征图进行似然性估计,将似然性估计结果上采样至输入图像的原始分辨率,并进行聚合,生成异常分数图,根据异常分数图设置阈值,进行异常检测,并通过分析高分数区域来确定异常的确切位置,对检测结果进行后处理和解释,以可视化的方式报告给用户。