【技術實現(xiàn)步驟摘要】
本專利技術涉及缺陷數(shù)據(jù)識別，尤其涉及一種基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法。
技術介紹
1、織物是人們?nèi)粘Ｖb生產(chǎn)的基礎原料，織物受到生產(chǎn)工藝以及生產(chǎn)設備等因素的影響，并不能達到100％的合格率，經(jīng)常出現(xiàn)瑕疵織物，瑕疵有脫紗、斷紗、破洞、毛粒、緯斜、污漬等。隨著紡織科技的不斷發(fā)展，布匹瑕疵檢測方法也不斷涌現(xiàn)。布匹瑕疵檢測是織物質(zhì)量控制的重要環(huán)節(jié)，瑕疵檢測可以保證織物的質(zhì)量和美觀度，控制生產(chǎn)成本，減少資源浪費。因此，研究一種準確、高效的織物表面瑕疵檢測方法具有重要意義。
2、公開號為cn115311264a的中國專利文獻公開了一種用于紡織生產(chǎn)的織物瑕疵線條缺陷識別方法，該方法獲取縫制完成后的面料圖像，語義分割出待檢測面料區(qū)域圖像。根據(jù)面料上區(qū)域特征，識別出缺陷線條。根據(jù)缺陷線條位置，調(diào)整相應線條拉伸程度；由此可見，現(xiàn)有的瑕疵檢測方法往往依賴于人工檢查或簡單的圖像處理技術，容易受到人為因素的影響，導致識別準確度低。
技術實現(xiàn)思路
1、為此，本專利技術提供一種基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，用以克服現(xiàn)有技術中缺乏對瑕疵檢測過程的實時監(jiān)測和調(diào)整，使識別準確度低的問題。
2、為實現(xiàn)上述目的，本專利技術提供一種基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，包括，
3、收集生產(chǎn)過程中各個環(huán)節(jié)的圖像數(shù)據(jù)，將所述圖像數(shù)據(jù)與標準圖像數(shù)據(jù)進行對比，以篩選出存在差異的圖像數(shù)據(jù)，得到初始瑕疵產(chǎn)品圖像；
4、對各所述初始瑕疵產(chǎn)品圖像進行邊緣檢測
5、基于實際瑕疵嚴重程度對各所述初始瑕疵產(chǎn)品圖像進行邊緣增強處理，得到目標瑕疵產(chǎn)品圖像；
6、其中，以預設窗口尺寸對所述初始瑕疵產(chǎn)品圖像進行滑動掃描和輪廓分析，在掃描過程中，基于滑動掃描結(jié)果動態(tài)調(diào)整當前掃描窗口的滑動狀態(tài)，以及基于輪廓分析結(jié)果確定所述初始瑕疵產(chǎn)品圖像的瑕疵嚴重程度；所述邊緣增強處理包括第一邊緣增強處理模式和第二邊緣增強處理模式；
7、其中，所述邊緣增強處理包括第一邊緣增強處理模式和第二邊緣增強處理模式；
8、基于瑕疵嚴重程度確定瑕疵檢測訓練模式，并進行模型訓練，得到對應的瑕疵類型。
9、進一步地，基于滑動掃描結(jié)果動態(tài)調(diào)整滑動狀態(tài)包括，
10、獲取當前掃描窗口內(nèi)的標記輪廓像素，提取瑕疵輪廓線段；
11、基于瑕疵輪廓線段的個數(shù)確定當前掃描窗口內(nèi)是否存在瑕疵輪廓；
12、在存在瑕疵輪廓時，根據(jù)瑕疵輪廓線段的閉合情況確定是否縮小預設窗口尺寸；
13、基于當前掃描窗口和瑕疵輪廓的實時偏心距離確定是否調(diào)整滑動狀態(tài)。
14、進一步地，基于瑕疵輪廓線段的個數(shù)確定當前掃描窗口內(nèi)是否存在瑕疵輪廓包括，
15、對當前掃描窗口內(nèi)的瑕疵輪廓線段的個數(shù)進行判定，
16、若瑕疵輪廓線段的個數(shù)為零，繼續(xù)進行滑動掃描；
17、若瑕疵輪廓線段的個數(shù)不為零，判定當前掃描窗口內(nèi)存在瑕疵。
18、進一步地，根據(jù)瑕疵輪廓線段的閉合情況確定是否縮小預設窗口尺寸包括，
19、根據(jù)瑕疵輪廓線段的長度和面積計算實際閉合性指標；
20、將實際閉合性指標與預設閉合性閾值進行對比，基于對比結(jié)果確定瑕疵輪廓線段的閉合狀態(tài)；
21、對疵輪廓線段的閉合狀態(tài)進行判定：
22、若瑕疵輪廓線段為閉合狀態(tài)，縮小預設窗口尺寸；
23、若瑕疵輪廓線段為非閉合狀態(tài)，則保持預設窗口尺寸不變，繼續(xù)進行滑動掃描與分析。
24、進一步地，基于當前掃描窗口和瑕疵輪廓的實時偏心距離確定是否調(diào)整滑動狀態(tài)包括，
25、將標準偏心距離與實時偏心距離進行對比，
26、若實時偏心距離小于等于標準偏心距離，計算瑕疵輪廓的面積，得到實時瑕疵輪廓面積，基于實時瑕疵輪廓面積確定輪廓面積異常瑕疵；
27、若實時偏心距離大于標準偏心距離，獲取掃描窗口與瑕疵輪廓中心的連線，沿該連線延長方向進行滑動，重新分析輪廓曲線段數(shù)目進行分析；
28、其中，實時偏心距離為當前掃描窗口的中心點與瑕疵輪廓中心點之間的距離。
29、進一步地，基于實時瑕疵輪廓面積確定輪廓面積異常瑕疵包括，
30、將實時瑕疵輪廓面積與標準瑕疵輪廓面積進行對比：
31、若實時瑕疵輪廓面積小于等于標準瑕疵輪廓面積，不進行標記；
32、若實時瑕疵輪廓面積大于標準瑕疵輪廓面積，將對應的瑕疵輪廓標記為輪廓面積異常瑕疵。
33、進一步地，基于輪廓分析結(jié)果確定所述初始瑕疵產(chǎn)品圖像的瑕疵嚴重程度包括，
34、獲取所述初始瑕疵產(chǎn)品圖像中輪廓面積異常瑕疵占瑕疵輪廓總個數(shù)的百分比，得到瑕疵嚴重程度。
35、進一步地，基于實際瑕疵嚴重程度對各所述初始瑕疵產(chǎn)品圖像進行邊緣增強處理包括，
36、根據(jù)標準瑕疵嚴重程度對實際瑕疵嚴重程度進行對比，
37、當實際瑕疵嚴重程度小于等于標準瑕疵嚴重程度時，執(zhí)行第一邊緣增強處理模式；
38、當實際瑕疵嚴重程度大于標準瑕疵嚴重程度時，執(zhí)行第二邊緣增強處理模式。
39、進一步地，第一邊緣增強處理模式為，
40、獲取所述初始瑕疵產(chǎn)品圖像中各瑕疵輪廓內(nèi)區(qū)域的所有像素點的亮度值，存儲為初始亮度值列表；
41、計算任一所述瑕疵輪廓內(nèi)區(qū)域的平均亮度值，得到對應的平均瑕疵亮度；
42、獲取各瑕疵輪廓外區(qū)域的所有像素點的亮度值，存儲為背景亮度值列表；
43、計算所述瑕疵輪廓外區(qū)域的平均亮度值，得到平均背景亮度；
44、獲取平均背景亮度與平均前景亮度之差，得到實際亮度差值；
45、使用修正亮度值更新所述初始瑕疵產(chǎn)品圖像中各瑕疵輪廓的每個初始亮度值；
46、其中，對于每個初始亮度值，計算初始亮度值與實際亮度差值之和，得到修正亮度值；平均瑕疵亮度為瑕疵輪廓內(nèi)各像素點的初始亮度值與像素點個數(shù)的比值；平均背景亮度為瑕疵輪廓外各像素點的初始亮度值與像素點個數(shù)的比值。
47、進一步地，第二邊緣增強處理模式為，
48、獲取所述初始瑕疵產(chǎn)品圖像中各瑕疵輪廓內(nèi)區(qū)域的所有像素點的灰度值，記為第一實際灰度值；
49、獲取所述初始瑕疵產(chǎn)品圖像中各瑕疵輪廓外區(qū)域的所有像素點的灰度值，記為第二實際灰度值；
50、獲取第一實際灰度值小于第一平均輪廓內(nèi)灰度值的像素點對應的平均灰度值，作為第二平均輪廓內(nèi)灰度值；
51、獲取第二實際灰度值小于第一平均輪廓外灰度值的像素點對應的平均灰度值，作為第二平均輪廓外灰度值；
52、獲取第一實際灰度值大于第一平均輪廓內(nèi)灰度值的像素點對應的平均灰度值，作為第三平均輪廓內(nèi)灰度值；
53、獲取第二實際灰度值大于第一平均輪廓外灰度值的像素點對應的平均灰度值，作為第三平均輪廓外灰度值；
本文檔來自技高網(wǎng)...
【技術保護點】
1.基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，包括，
2.根據(jù)權利要求1所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于滑動掃描結(jié)果動態(tài)調(diào)整滑動狀態(tài)包括，
3.根據(jù)權利要求2所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于瑕疵輪廓線段的個數(shù)確定當前掃描窗口內(nèi)是否存在瑕疵輪廓包括，
4.根據(jù)權利要求2所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，根據(jù)瑕疵輪廓線段的閉合情況確定是否縮小預設窗口尺寸包括，
5.根據(jù)權利要求2所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于當前掃描窗口和瑕疵輪廓的實時偏心距離確定是否調(diào)整滑動狀態(tài)包括，
6.根據(jù)權利要求5所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于實時瑕疵輪廓面積確定輪廓面積異常瑕疵包括，
7.根據(jù)權利要求1所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于輪廓分析結(jié)果確定所述初始瑕疵產(chǎn)品圖像的瑕疵嚴重程度包括，
8.根據(jù)權利要求1所述
9.根據(jù)權利要求8所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，第一邊緣增強處理模式為，
10.根據(jù)權利要求8所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，第二邊緣增強處理模式為，
...【技術特征摘要】
1.基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，包括，
2.根據(jù)權利要求1所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于滑動掃描結(jié)果動態(tài)調(diào)整滑動狀態(tài)包括，
3.根據(jù)權利要求2所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于瑕疵輪廓線段的個數(shù)確定當前掃描窗口內(nèi)是否存在瑕疵輪廓包括，
4.根據(jù)權利要求2所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，根據(jù)瑕疵輪廓線段的閉合情況確定是否縮小預設窗口尺寸包括，
5.根據(jù)權利要求2所述的基于生產(chǎn)環(huán)節(jié)瑕疵識別的質(zhì)量檢測模型訓練方法，其特征在于，基于當前掃描窗口和瑕疵輪廓的實時偏心距離確定是否調(diào)整滑動狀態(tài)包括，
...
【專利技術屬性】
技術研發(fā)人員：邢雁，黃錫雄，黃灼，劉琰，
申請(專利權)人：廣州機智云物聯(lián)網(wǎng)科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。