基于图像增强和卷积神经网络的布草检测方法、装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114170226A(43)申请公布日2022.03.11(21)申请号202210080106.1G06N3/04(2006.01)(22)申请日2022.01.24G06N3/08(2006.01)G06V10/82(2022.01)(71)申请人谱为科技（常州）有限公司G06V10/764(2022.01)地址213100江苏省常州市武进区常武中路18-67号中国以色列常州创新园10#厂房7层701-24(72)发明人任超(74)专利代理机构常州至善至诚专利代理事务所(普通合伙)32409代理人朱丽莎(51)Int.Cl.G06T7/00(2017.01)G06T7/12(2017.01)G06T7/13(2017.01)G06K9/62(2022.01)权利要求书2页说明书9页附图7页(54)发明名称基于图像增强和卷积神经网络的布草检测方法、装置(57)摘要本发明公开了一种基于图像增强和卷积神经网络的布草检测方法，包括以下步骤，S1：提供一种布草检测装置，对连续输送的布草进行灯光照射，并对照射区域进行连续拍摄；S2：采集每一张布草的图像信息；S3：利用两个卷积神经网络模型对图像信息进行瑕疵检测；S4：将两个卷积神经网络模型的检测结果进行对比，识别出不合格布草、合格布草和目检布草；S5：对目检布草进行人工目检。本发明能够实现连续化检测，提高了检测效率，另一方面，不会发生漏检的情况，同时采用卷积神经网络模型进行机器学习检测，检测的准确率较高，从而提高了检测精度和检测效果。CN114170226ACN114170226A权利要求书1/2页1.一种基于图像增强和卷积神经网络的布草检测方法，其特征在于，包括以下步骤，S1：提供一种布草检测装置，对连续输送的布草进行灯光照射，并对照射区域进行连续拍摄；S2：采集每一张布草的图像信息；S3：利用两个卷积神经网络模型对图像信息进行瑕疵检测；S4：将两个卷积神经网络模型的检测结果进行对比，将两个卷积神经网络模型均检测出瑕疵的布草判定为不合格布草，将两个卷积神经网络模型均未检测出瑕疵的布草判定为合格布草，将一个卷积神经网络模型检测出瑕疵、另一个卷积神经网络模型未检测出瑕疵的布草判定为目检布草；S5：将检测不合格布草和目检布草从合格布草中筛选出来，对目检布草上存在争议的瑕疵处进行人工目检，将通过人工目检的布草并入合格布草中，将未通过人工目检的布草并入不合格布草中；所述S4中，对布草上的瑕疵进行坐标标记，并对检测出瑕疵的图像信息进行存储，在连续五张布草检测出瑕疵的情况下，对五张布草图像进行对比，若五张布草上的瑕疵坐标相同，且图像信息一致，则判定布草检测装置存在污渍，若五张布草上的瑕疵坐标不同，但图像信息一致，则判定布草检测装置存在生物干扰。2.根据权利要求1所述的基于图像增强和卷积神经网络的布草检测方法，其特征在于，所述S2中，利用线扫相机对运动中的一张布草从一端到另一端进行连续拍摄，将拍摄到的多张局部图像整合成一张总图像，从而采集到该张布草的图像信息。3.根据权利要求2所述的基于图像增强和卷积神经网络的布草检测方法，其特征在于，所述S3包括，S31：对布草的图像信息中出现的瑕疵特征和正常特征进行取样和分类，从而建立布草图像的样本库；S32：将样本库复制为两份，将两份样本库分别划分训练集、验证集和测试集，对其中一份样本库中的样本图像进行增强处理；S33：对两份样本库分别构建并训练卷积神经网络模型；S34：对训练后的两个卷积神经网络模型进行测试，当测试的准确率满足要求时，将训练后的两个卷积神经网络模型同时运用到布草检测装置中。4.根据权利要求3所述的基于图像增强和卷积神经网络的布草检测方法，其特征在于，所述S31中，样本库中包括：脏污的样本图像、黄斑的样本图像、毛发的样本图像、破洞的样本图像、褶皱的样本图像、异物的样本图像和正常布草的样本图像。5.一种布草检测装置，用于实现如权利要求1‑4中任一所述的基于图像增强和卷积神经网络的布草检测方法，其特征在于，包括：龙门架（1），多个布草沿x向从所述龙门架（1）内连续通过；第一照明装置（2），所述第一照明装置（2）设于所述龙门架（1）上，所述第一照明装置（2）位于所述布草的下方，所述第一照明装置（2）自下而上照射所述布草；第二照明装置（3），所述第二照明装置（3）设于所述龙门架（1）上，所述第二照明装置（3）位于所述布草的上方，所述第二照明装置（3）自上而下照射所述布草；多个视觉装置（4），多个所述视觉装置（4）均设于所述龙门架（1）上，多个所述视觉装置2CN114170226A权利要求书2/2页（4）沿y向间隔开均匀布置，所述视觉装置（4）位于所述布草的正上方，所述视觉装置