[1]俞文静,刘　航,李梓瑞,等.基于图像增强和ＣＮＮ的布匹瑕疵检测算法[J].计算机技术与发展,2021,31(05):90-95.[doi:10. 3969 / j. issn. 1673-629X. 2021. 05. 016]
　,,et al.ＡＦａｂｒｉｃＤｅｆｅｃｔＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍ ＢａｓｅｄｏｎＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔａｎｄＣＮＮ[J].,2021,31(05):90-95.[doi:10. 3969 / j. issn. 1673-629X. 2021. 05. 016]
点击复制

基于图像增强和ＣＮＮ的布匹瑕疵检测算法()

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:
31
期数:
2021年05期
页码:
90-95
栏目:
图形与图像
出版日期:
2021-05-10

文章信息/Info

Title:
ＡＦａｂｒｉｃＤｅｆｅｃｔＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍ ＢａｓｅｄｏｎＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔａｎｄＣＮＮ
文章编号:
1673-629X(2021)05-0090-06
作者:
俞文静; 刘　航; 李梓瑞; 赖冬宜
广州大学华软软件学院，广东广州５１０９９０
Author(s):
ＹＵＷｅｎ－ｊｉｎｇ; ＬＩＵＨａｎｇ; ＬＩＺｉ－ｒｕｉ; ＬＡＩＤｏｎｇ－ｙｉ
（ＳｏｕｔｈＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆＳｏｆｔｗａｒｅＥｎｇｉｎｅｅｒｉｎｇ，Ｇｕａｎｇｚｈｏｕ５１０９９０，Ｃｈｉｎ
关键词:
卷积神经网络; 布匹瑕疵检测; 图像增强; 算法; 单色布
Keywords:
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ; ｆａｂｒｉｃｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ; ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ; ａｌｇｏｒｉｔｈｍ; ｓｉｎｇｌｅｃｏｌｏｒｆａｂｒｉｃ
分类号:
ＴＰ３０１.６
DOI:
10. 3969 / j. issn. 1673-629X. 2021. 05. 016
摘要:
布匹缺陷检测是纺织行业生产过程中保障布匹质量的重要环节，计算机视觉技术的发展使得利用数字图像处理来检测布匹瑕疵成为大势所趋。针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率和漏检率高的问题，结合布匹纹理比较统一的特征以及布匹瑕疵数据规模小的特点，提出一种基于图像增强和卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）的单色布匹瑕疵检测方法，设计了结合数字图像增强技术的浅层卷积神经网络结构。摄像机采集的布匹图像经过图像预处理、图像增强和边缘检测后，突显布匹的纹理特征和瑕疵区域，提升了卷积神经网络对布匹有效特征的提取效率，减少了不必要的特征提取，有效降低了神经网络模型的过拟合问题造成的错误率。实验结果表明，该方法可实现较高的准确率，在ＰＣ机的ＧＰＵ模式下，准确率可达到９３％。
Abstract:
Ｆａｂｒｉｃｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｌｉｎｋｔｏｅｎｓｕｒｅｆａｂｒｉｃｑｕａｌｉｔｙｉｎｔｈｅｐｒｏｄｕｃｔｉｏｎｐｒｏｃｅｓｓｏｆｔｅｘｔｉｌｅｉｎｄｕｓｔｒｙ．Ｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｍａｋｅｓｉｔａｎｉｎｅｖｉｔａｂｌｅｔｒｅｎｄｔｏｕｓｅｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｏｄｅｔｅｃｔｆａｂｒｉｃｄｅｆｅｃｔｓ．Ｉｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗ ｅｆｆｉｃｉｅｎｃｙ，ｈｉｇｈｅｒｒｏｒｒａｔｅａｎｄｍｉｓｓｉｎｇｒａｔｅｏｆｍａｎｕａｌｄｅｔｅｃｔｉｏｎｏｆｆａｂｒｉｃｄｅｆｅｃｔｓｉｎｔｈｅｆａｂｒｉｃｐｒｏｄｕｃｔｉｏｎｅｎｔｅｒｐｒｉｓｅｓ，ｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｕｎｉｆｏｒｍ ｆａｂｒｉｃｔｅｘｔｕｒｅａｎｄｓｍａｌｌｓｃａｌｅｏｆｆａｂｒｉｃｄｅｆｅｃｔｄａｔａ，ｗｅｐｒｏｐｏｓｅａｓｉｎｇｌｅｃｏｌｏｒｆａｂｒｉｃｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ），ａｎｄｄｅｓｉｇｎａｓｈａｌｌｏｗｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｃｏｍｂｉｎｅｄｗｉｔｈｄｉｇｉｔａｌｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｔｅｃｈｎｏｌｏｇｙ．Ｃａｍｅｒａｃｏｌｌｅｃｔｉｏｎｏｆｆａｂｒｉｃｉｍａｇｅａｆｔｅｒｉｍａｇｅｐｒｅｐｒｏｃｅｓｓｉｎｇ，ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔａｎｄｅｄｇｅｄｅｔｅｃｔｉｏｎｈｉｇｈｌｉｇｈｔｓｔｈｅｔｅｘｔｕｒｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｄｒａｗｂａｃｋｓｏｆｃｌｏｔｈａｒｅａ，ｒａｉｓｅｓｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｅｘｔｒａｃｔｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅｓｏｆｃｌｏｔｈ，ｒｅｄｕｃｅｓｕｎｎｅｃｅｓｓａｒｙｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ａｎｄｅｆｆｅｃｔｉｖｅｌｙｄｅｃｒｅａｓｅｓｔｈｅｅｒｒｏｒｒａｔｅｃａｕｓｅｄｂｙｏｖｅｒ－ｆｉｔｔｉｎｇｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎａｃｈｉｅｖｅａｈｉｇｈａｃｃｕｒａｃｙｒａｔｅｏｆ９３％ ｉｎＧＰＵｍｏｄｅｏｆＰＣ．

相似文献/References:

[1]崔凤焦.表情识别算法研究进展与性能比较[J].计算机技术与发展,2018,28(02):145.[doi:10．3969/j．issn．1673－629X．2018．02．031]
　CUI Feng-jiao.Ｒesearch and Performance Comparison of Facial Expression Ｒecognition Algorithm[J].,2018,28(05):145.[doi:10．3969/j．issn．1673－629X．2018．02．031]
[2]张丹丹,李雷. 基于PCANet-RF的人脸检测系统[J].计算机技术与发展,2016,26(02):31.
　ZHANG Dan-dan,LI Lei. Face Detection System Based on PCANet-RF[J].,2016,26(05):31.
[3]陈强锐,谢世朋.基于深度学习的肺部肿瘤检测方法[J].计算机技术与发展,2018,28(04):201.[doi:10.3969/ j. issn.1673-629X.2018.04.043]
　CHEN Qiang-rui,XIE Shi-peng.Lung Cancer Detection Method Based on Deep Learning[J].,2018,28(05):201.[doi:10.3969/ j. issn.1673-629X.2018.04.043]
[4]郭子琰,舒心,刘常燕,等.基于ReLU 函数的卷积神经网络的花卉识别算法[J].计算机技术与发展,2018,28(05):154.[doi:10．3969/j．issn．1673－629X．2018．05．035]
　GUO Ziyan,SHU Xin,LIU Changyan,et al.A Recognition Algorithm of Flower Based on Convolution Neural Network with ReLU Function[J].,2018,28(05):154.[doi:10．3969/j．issn．1673－629X．2018．05．035]
[5]缪宇杰,吴智钧,宫 婧.基于3D 卷积的视频错帧筛选方法[J].计算机技术与发展,2018,28(05):179.[doi:10.3969/ j. issn.1673-629X.2018.05.040]
　MIAO Yu-jie,WU Zhi-jun,GONG Jing.A Wrong Temporal-order Frames Identification Method Based on 3D Convolution[J].,2018,28(05):179.[doi:10.3969/ j. issn.1673-629X.2018.05.040]
[6]吴玉枝,吴志红,熊运余.基于卷积神经网络的小样本车辆检测与识别[J].计算机技术与发展,2018,28(06):1.[doi:10.3969/ j. issn.1673-629X.2018.06.001]
　WU Yu-zhi,WU Zhi-hong,XIONG Yun-yu.Vehicle Detection and Recognition of a Few Samples Based on Convolutional Neural Network[J].,2018,28(05):1.[doi:10.3969/ j. issn.1673-629X.2018.06.001]
[7]李相桥,李晨,田丽华,等.卷积神经网络并行训练的优化研究[J].计算机技术与发展,2018,28(08):12.[doi:10.3969/ j. issn.1673-629X.2018.08.003]
　LI Xiang-qiao,LI Chen,TIAN Li-hua,et al.Research on Optimization of Parallel Training for Convolution Neural Network[J].,2018,28(05):12.[doi:10.3969/ j. issn.1673-629X.2018.08.003]
[8]邓宗平,赵启军,陈虎. 基于深度学习的人脸姿态分类方法[J].计算机技术与发展,2016,26(07):11.
　DEND Zong-ping,ZHAO Qi-jun,CHEN Hu. Face Pose Classification Method Based on Deep Learning[J].,2016,26(05):11.
[9]河海大学 计算机与信息学院,江苏 南京 0098.卷积网络的无监督特征提取对人脸识别的研究[J].计算机技术与发展,2018,28(06):17.[doi:10.3969/ j. issn.1673-629X.2018.06.004]
　DU Bai-sheng.Research on Unsupervised Feature Extraction Based on Convolutional Neural Network for Face Recognition[J].,2018,28(05):17.[doi:10.3969/ j. issn.1673-629X.2018.06.004]
[10]高翔,陈志,岳文静,等.基于视频场景深度学习的人物语义识别模型[J].计算机技术与发展,2018,28(06):53.[doi:10.3969/ j. issn.1673-629X.2018.06.012]
　GAO Xiang,CHEN Zhi,YUE Wen-jing,et al.Human Semantic Recognition Model Based on Video Scene Deep Learning[J].,2018,28(05):53.[doi:10.3969/ j. issn.1673-629X.2018.06.012]

更新日期/Last Update: 2020-05-10