[发明专利]皮革瑕疵检测方法、系统、储存介质及计算机设备

说明书

本发明针对现有技术皮革瑕疵检测技术的局限性，提出了一种皮革瑕疵检测方法、系统、储存介质及计算机设备，运用三元组网络快速过滤掉没有缺陷的图像，可以提高处理效率，节省检测成本，更符合现实运行的情况；同时，所述三元组网络对原图、模板以及差值的三通道进行了融合，可以提取更加有效的信息，从而提升检测的精度，在模板与原图偏移长度情况下，也具有更好的检测精度，降低了对模板的要求，一定程度上也减少了人力成本；另外，本发明提供的分类检测器以Context ROI网络架构对所述待检测皮革图像进行特征提取，采用BiFPN的方式进行特征融合，既能有效利用全局信息，提升大缺陷检测精度，又能适应小目标检测，提升了小目标检测精度。

技术领域

本发明涉及制造业生产检测技术领域，具体涉及深度学习在布匹缺陷检测方面的应用，更具体地，涉及一种皮革瑕疵检测方法、系统、储存介质及计算机设备。

背景技术

随着皮革自动化生产程度的提高，流水线式的生产过程中皮革表面不可避免地产生气泡、小孔、裂痕等表面瑕疵。目前的检测手段多数停留在离线人工检测，但高强度的检测工作以及生产线上的高噪声、光线昏暗、气味浑浊等恶劣环境对检测工人的身体伤害极大。因此，考虑到人视觉停留和视觉疲劳会造成瑕疵的漏检与误检，而且人工检测的主观判断缺乏统一的量化标准，造成皮革质量参差不齐，使得生产商在激烈的市场竞争中处在不利地位。

公开日为2019.06.14，公布号为CN109886344A的中国申请专利：基于深度学习的皮革破损识别方法、系统及设备和介质，公开了一种基于深度学习的皮革破损识别方案。但该方案仍有一定的局限性。

发明内容

针对现有技术的局限，本发明提出一种皮革瑕疵检测方法、系统、储存介质及计算机设备，本发明采用的技术方案是：

一种皮革瑕疵检测方法，包括以下步骤：

S1，获取待检测皮革图像；

S2，运用三元组网络将待检测皮革图像与预设的模板图像进行对比，检测所述待检测皮革图像是否存在缺陷，若是转入步骤S3，否则结束；

S3，运用分类检测器对所述待检测皮革图像进行检测，获取所述缺陷的置信度、类别以及位置。

相较于现有技术，本发明运用三元组网络快速过滤掉没有缺陷的图像，可以提高处理效率，节省检测成本，更符合现实运行的情况；同时，所述三元组网络对原图、模板以及差值的三通道进行了融合，可以提取更加有效的信息，从而提升检测的精度，在模板与原图偏移长度情况下，也具有更好的检测精度，降低了对模板的要求，一定程度上也减少了人力成本；另外，本发明提供的分类检测器以Context ROI网络架构对所述待检测皮革图像进行特征提取，采用BiFPN的方式进行特征融合，既能有效利用全局信息，提升大缺陷检测精度，又能适应小目标检测，提升了小目标检测精度。因此，本发明提供的方案整体准确度高达94.1％，具有较高的实用性。

作为一种优选方案，在所述步骤S2中，所述三元组网络采用三通道融合的方式，以所述待检测皮革图像、模板图像以及待检测皮革图像与模板图像的差值作为输入数据对所述待检测皮革图像进行缺陷检测。

作为一种优选方案，所述三元组网络以resnet50作为主干网络；所述三元组网络的网络架构中设有MaxBlurPool池化层；所述模板图像被设置为按随机上下左右若干个像素点进行抖动。

作为一种优选方案，所述分类检测器由Cascade R-CNN三阶段级联神经网络模型经过训练后获得。

进一步的，所述Cascade R-CNN三阶段级联神经网络模型在第一阶段和第三阶段的网络架构中设有Deformable ConvNet可变形卷积层；所述Cascade R-CNN三阶段级联神经网络模型采用OHEM在线困难负例挖掘的选择方式进行采样。