(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211228035.1 (22)申请日 2022.10.09 (71)申请人 播种者工业智能科技 （苏州） 有限公 司 地址 215400 江苏省苏州市太 仓市科教新 城健雄路20号1 1栋1501 (72)发明人 王伟华　周小燕　 (74)专利代理 机构 江苏智天知识产权代理有限 公司 325 50 专利代理师 翟国明 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/40(2006.01) G06T 5/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) (54)发明名称 基于人工智能的纺织布瑕疵检测模型的构 建检测方法 (57)摘要 本发明公开了基于人工智能的纺织布瑕疵 检测模型的构建检测方法， 包括如下步骤， 织物 疵点训练集构建， 织物疵点图像的预处理， 建立 织物疵点数据库， 建立测试集， 通过数据库建立 模型， 并根据对检测模型进行训练并使用， 本申 请的系统方法最少可减少50%纺织品疵点检测有 关人员， 提高劳动生产率， 降低成本， 减 轻工人劳 动强度； 同时依靠检测数据指导减少织疵， 做到 织出的布就是合格品。 权利要求书1页 说明书5页 附图2页 CN 115294136 A 2022.11.04 CN 115294136 A 1.基于人工智能的纺织布瑕疵检测模型的构建检测方法， 其特 征在于， 包括如下步骤， 步骤1、 织物疵点训练集构建， 采用线阵相机在实 际生产线上采集足够数量的图像， 从 图像中分割出疵点所在的区域， 然后建立 起常见类别的织物 疵点图像数据库； 步骤2、 织物疵点图像的预处理， 突出织物 纹理图像信息和疵点信息， 对疵点特征提取， 建立织物疵点数据库； 步骤3、 建立测试集， 采用TILDA织物数据库中150幅有瑕疵织物图像进行检测模型的测 试， 通过角度旋转， 比例缩放等数据扩增方法获得更多测试数据库样 本， 图标数据 代表相应 的瑕疵类型图像数量， 包含破洞、 污点、 吊经、 缺纬、 缺经等瑕疵类型， 图像大小均为256 × 256； 步骤4、 利用深度卷积神经网络和ResNet和步骤2得到的织物疵点数据库搭建织物检测 的优化深度残差网络 CrossNet的检测模型， 并通过步骤3的测试集对检测模型进行测试； 步骤5、 测试结束后进行数据标注， 采用机器视觉技术把目标标识出来， 并把标识结果 保存为计算机模型训练需要的数据； 步骤6、 采用pretr人工智能ned+fine ‑tuning策略， 搭建好的检测模型网络模型放在 ImageNet数据库上进行预训练， 根据训练结果进行织物数据库进行调整优化， 得到最终的 纺织布瑕疵检测模型； 步骤7、 将步骤6得到的模型存储于深度学习服务器内， 并将线阵相机安装在送布系统 流水线上； 步骤8、 线阵相机对流水线上的布料进行拍摄， 并通过传输至深度 学习服务器内供检测 模型进行识别， 对包含疵点的图片经过预 处理后进一步通过集线器传送到在线电脑上显示 并储存； 步骤9、 一旦出现疵点， 应分别分类纪录标出， 并评分考核； 如连续或重复多次出现， 则 必须发出警报， 及时停机处 理。 2.如权利要求1所述的基于人工智能的纺织布瑕疵检测模型的构建检测方法， 其特征 在于， 所述步骤1织物疵点图像数据库包括正常布匹样本和织造过程中常见的断经、 断纬、 勾丝、 横档、 油污、 破洞、 棉球和折痕8类疵点样本， 大小均为25 6*256像素的25 6级灰度图像； 数据库中正常布匹图像命名为C0， 8类疵点样本图像依次命名为C1~C8； 正常布匹样本 图像即为没有C1~C8类疵点出现时的背景图像。 3.如权利要求1所述的基于人工智能的纺织布瑕疵检测模型的构建检测方法， 其特征 在于， 所述 步骤2预处 理的方法为 直方图均衡化法、 自适应中值滤波法和灰度共生矩阵。 4.如权利要求1 ‑3中任意一项所述的基于人工智能的纺织布瑕疵检测模型的构建检测 方法， 其特征在于， 还包括长度测量仪， 所述长度测量仪用于同步检测系统和布匹的速度及 方向， 并通过I/O盒连接 到线阵相机上， 使 线阵相机能够定位疵点的位置 。权　利　要　求　书 1/1 页 2 CN 115294136 A 2基于人工智能的纺织布瑕疵检测模型的构建检测方 法 技术领域 [0001]本发明涉及人工智能技术领域， 尤其涉及 一种基于人工智能的纺织布瑕疵检测模 型的构建检测方法。 背景技术 [0002]目前纺织行业主要的验布方式为半自动人工验布， 一个称职的检验员能满足检 验、 正确识别和评定所有纺织品的疵点， 但人的肉眼检测不可能没有偏差。 另外， 由于一个 检查员在验布工作环境下(主要是强光造成的视疲劳)精力集中的最长时间为20 ‑30分钟， 超过此时间段， 就会产生疲劳， 即使一个人全神贯注， 每小时也只能观 察到200次事件， 但如 果在20秒 内没有观察到特殊事件， 检验员的注意力就会下降， 且只会对清晰易见的事件产 生反应。 事实上大概有30％的疵 点未被检测到， 即使在考试环境下， 不同人员的疵点评 分的 重现性很少能超过50％， 随着检验的持续进行， 一个检验偏差可能会也可能不会被判做疵 点， 即使织疵通常被评为疵点， 在个别情况下也会被认 为“无害”。 但是其它偏差只能被评为 “无害”或者具有某种程度的不确定性的有害疵点。 这样 “检验”检验员就不可能具有一个客 观的尺度， 往 往因检验纰漏很多。 [0003](1)必须寻找纺织品的差异并且必须覆盖整 幅纺织品。 若纺织品以0.08 ‑0.33M/S 的速度移动， 甚至在某些情况下以高达1M/S的速度 移动。 在lM的距离范围内， 人眼只能提供 直径为0.018M的圆形的清晰图象， 所以必须 连续移动。 [0004](2)疵点的特征如大小式样、 形状、 反差、 织造的均匀性等对后道工序的影响， 在 每 种情况下必须连续予以评 定： 要考虑疵点分为 不同的种类、 影响和可能弥补的办法。 [0005](3)在整个移动过程中必须连续做出决定， 一个疵点是否做记号修理或忽略不记。 以上因素说明了人工纺织品检验不可克服的缺陷， 使得这种检验肯定不能满足检验有关高 可靠性和重现性方面的要求， 质量检验的客观、 公正和权威 性因此大大下降。 发明内容 [0006]为了解决上述的主要技术问题， 本发明提出了一种基于人工智能的纺织布瑕疵检 测模型的构建检测方法， 通过机器视觉技术是软件和硬件的结合， 主要组成部分包括照相 机、 摄像头、 图像传感器、 视觉处理和通信设备。 完备的系统 能捕捉任意对象 的图像， 并根据 质量和安全性的不同参数， 一旦出现上述疵点， 应分别分类纪录标出， 并评分考核； 如连续 或重复多次出现， 则必须发出警报， 及时停机处 理。 [0007]本发明的技 术方案如下： 基于人工智能的纺织布瑕疵检测模型的构建检测方法， 包括如下步骤， 步骤1、 织物疵点训练集构建， 采用线阵相机在实际生产线上采集足够数量的图 像， 从图像中分割出疵点所在的区域， 然后建立 起常见类别的织物 疵点图像数据库； 步骤2、 织物疵点图像 的预处理， 突出织物纹理图像信息和疵点信息， 对疵点特征 提取， 建立 织物疵点数据库；说　明　书 1/5 页 3 CN 115294136 A 3