[发明专利]一种多图像融合的牛仔布瑕疵检测方法及装置

说明书

本发明涉及一种多图像融合的牛仔布瑕疵检测方法及装置，所述方法包括通过验布机构采集牛仔布图像数据，构建牛仔布图像数据的数据集，并通过标记机构人工标注所述牛仔布图像数据中有瑕疵的图像数据，所述牛仔布图像数据的数据集包括正面光源图像和背面光源图像，接着将多组所述牛仔布图像进行预处理，并进行MinPooling强化和差值组合三通道处理，最终利用输出数据对神经网络进行训练，对所述神经网络训练选定的ROI用OHEM算法进行处理，最终使用完成训练的所述神经网络，对牛仔布进行检测，并对检测到瑕疵的牛仔布进行自动标记。本发明融合了模板图像、正面光源图像和背面光源图像、使得瑕疵的特征更加丰富且突出，基于深度学习网络提高了识别的精度。

技术领域

本发明涉及智能检测领域，具体涉及一种多图像融合的牛仔布瑕疵检测方法及装置。

背景技术

牛仔布瑕疵的检测一般由人工进行，人工检测有检测速度慢、漏检和误检率高且检测标准难统一的问题。不能满足产业上大批量的生产要求。

现有的基于深度学习的牛仔布瑕疵检测算法如公开号CN111062925A的《一种基于深度学习的布匹疵点智能识别方法》这种方法基于改进的SSD模型，减少了模型计算量，提高了检测速度。但是现实中采集到的牛仔布图像会出现特征不明显的问题。单一的瑕疵图像难以准确地识别瑕疵；

又如公开号CN111398292A的《一种基于gabor滤波和CNN的布匹瑕疵检测方法、系统及设备》通过将采集的布匹图像经预处理后使用gabor滤波器提取图像的纹理特征，然后再将纹理特征送入CNN网络进行分类，可快速识别出是正常的布匹纹理还是瑕疵，这种方法在牛仔布的特征提取上仍有不足，导致筛分不够精确；

因此亟需一种快速、准确的自动化牛仔布瑕疵检测方法，使用于牛仔布批量生产检测。

发明内容

本发明为有效解决现有的牛仔布瑕疵检测精确度低以及速度慢的问题，提供了一种多图像融合的牛仔布瑕疵检测方法及装置，融合了模板图像、正面光源图像和背面光源图像、使得瑕疵的特征更加丰富且突出，基于深度学习网络提高了识别的精度，从而实现牛仔布瑕疵的快速及精确检测。

为了实现上述目的，本发明第一方面提出了一种多图像融合的牛仔布瑕疵检测方法，所述方法包括以下步骤：

步骤1：通过验布机构采集牛仔布图像数据，构建牛仔布图像数据的数据集，并通过标记机构人工标注所述牛仔布图像数据中有瑕疵的图像数据；

步骤2：定义拍摄机构在机体正面的光源机构作用下得到的图像为正面光源图像；

拍摄机构在机体背面的光源机构作用下得到的图像为背面光源图像；

将所述正面光源图像和背面光源图像一一对应形成一组牛仔布图像；

步骤3：将多组所述牛仔布图像进行预处理用于扩充所述数据集，得到均衡数据集；

步骤4：将所述均衡数据集进行MinPooling强化和差值组合三通道处理，并采用所述经过MinPooling强化和差值组合三通道处理的均衡数据集对神经网络进行训练；

步骤5：对所述神经网络训练选定的ROI用OHEM算法进行处理；

步骤6：使用完成训练的所述神经网络，对牛仔布进行检测，并对检测到瑕疵的牛仔布进行自动标记。

进一步地，步骤3所述预处理包括：

步骤3.1：通过高斯滤波对牛仔布图像进行加权平均，得到消除高斯噪声的数据集；

步骤3.2：将牛仔布图像均衡化增强图像对比度；

步骤3.3：通过膨胀将牛仔布图像中高亮区域或白色部分进行扩张；