買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜蘇州市纖維檢驗(yàn)院;常熟市可麗爾紡織品有限公司申請(qǐng)的專利一種紡織品缺陷類型識(shí)別方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119399187B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202411975471.4，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種紡織品缺陷類型識(shí)別方法是由孫峰;顧冬梅;丁力進(jìn);高慧紅;孫淇慧;陳明芳;王海娟;朱蘭芳;馬斌設(shè)計(jì)研發(fā)完成，并于2024-12-31向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種紡織品缺陷類型識(shí)別方法在說(shuō)明書摘要公布了：本發(fā)明提供一種紡織品缺陷類型識(shí)別方法，涉及紡織品缺陷識(shí)別技術(shù)領(lǐng)域，具體步驟包括：采集多個(gè)紡織品樣本的原始圖像，進(jìn)行詳細(xì)標(biāo)注；將原始圖像調(diào)整為224x224像素，并構(gòu)建CNN模型，提取不同卷積層的特征圖，結(jié)合特征層權(quán)重生成融合特征向量；對(duì)融合特征圖進(jìn)行池化處理，生成單通道的空間注意力圖，結(jié)合通道注意力權(quán)重，得到加權(quán)特征圖；構(gòu)建分割模型，訓(xùn)練后輸出掩碼，標(biāo)識(shí)正常區(qū)域和缺陷區(qū)域；通過(guò)連通組件分析，識(shí)別缺陷區(qū)域并提取相關(guān)特征，形成特征集合；基于這些特征構(gòu)建綜合評(píng)分系數(shù)，實(shí)現(xiàn)對(duì)紡織品缺陷類型的精準(zhǔn)識(shí)別。本發(fā)明能夠有效增強(qiáng)對(duì)細(xì)微缺陷的識(shí)別能力，能夠捕捉到更細(xì)微的偏差，從而顯著提高識(shí)別率。

本發(fā)明授權(quán)一種紡織品缺陷類型識(shí)別方法在權(quán)利要求書中公布了：1.一種紡織品缺陷類型識(shí)別方法，其特征在于，具體步驟包括：S1.采集多個(gè)紡織品樣本的原始圖像，紡織品樣本包括無(wú)缺陷紡織品樣本和已知缺陷類型的缺陷紡織品樣本，并對(duì)數(shù)據(jù)集中的原始圖像進(jìn)行標(biāo)注，標(biāo)注內(nèi)容包括圖像ID、缺陷位置、缺陷尺寸、缺陷形狀、分割掩碼圖像，分割掩碼圖像包括缺陷區(qū)域和正常區(qū)域：S2.將原始圖像調(diào)整為224x224像素的識(shí)別圖像，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將識(shí)別圖像輸入卷積神經(jīng)網(wǎng)絡(luò)模型，輸出不同卷積層的特征圖，并為每個(gè)卷積層輸出的特征圖分配特征層權(quán)重，利用不同卷積層輸出的特征圖分別生成特征提取向量，利用多個(gè)特征提取向量獲取卷積層特征集合，將不同卷積層的特征提取向量和特征層權(quán)重進(jìn)行組合，獲取融合特征向量，通過(guò)反卷積將融合特征向量轉(zhuǎn)換為融合特征圖；S3.將卷積神經(jīng)網(wǎng)絡(luò)提取的融合特征圖作為輸入，對(duì)融合特征圖進(jìn)行池化處理，生成兩個(gè)特征向量，將這兩個(gè)特征向量進(jìn)行拼接，生成單通道的空間注意力圖，將空間注意力圖和注意力調(diào)節(jié)系數(shù)進(jìn)行數(shù)據(jù)處理，生成調(diào)節(jié)后的特征圖，將調(diào)節(jié)后的特征圖與輸入的融合特征圖進(jìn)行逐點(diǎn)相乘，生成空間加權(quán)后的特征圖，將通道注意力權(quán)重與空間加權(quán)后的特征圖的每個(gè)通道進(jìn)行逐點(diǎn)相乘得到加權(quán)特征圖；S4.構(gòu)建分割模型，將加權(quán)特征圖作為分割模型的輸入，使用標(biāo)注的分割掩碼圖像作為輸出以訓(xùn)練分割模型，以得到完成訓(xùn)練的分割模型；S5.獲取待檢測(cè)紡織品的加權(quán)特征圖，并將其輸入完成訓(xùn)練后的分割圖像中，以識(shí)別并標(biāo)記出待檢測(cè)圖像的缺陷區(qū)域，并計(jì)算缺陷區(qū)域的面積、圓度和長(zhǎng)寬比；S6.利用缺陷區(qū)域的面積、圓度和長(zhǎng)寬比，分別計(jì)算第一綜合評(píng)分系數(shù)、第二綜合評(píng)分系數(shù)和第三綜合評(píng)分系數(shù)，根據(jù)缺陷區(qū)域的面積、圓度、長(zhǎng)寬比以及三個(gè)綜合評(píng)分系數(shù)進(jìn)行待檢測(cè)紡織品缺陷類型的識(shí)別；采集包含多種缺陷類型和正常樣本的數(shù)據(jù)集，并對(duì)數(shù)據(jù)集中的原始圖像進(jìn)行標(biāo)注，具體的過(guò)程如下：收集多種缺陷類型的圖像樣本和正常樣本，確定樣本總數(shù)N，其中缺陷樣本數(shù)量為Nd，正常樣本數(shù)量為Nn，N＝Nd+Nn；為每張?jiān)紙D像標(biāo)注如下信息：圖像ID、缺陷位置Pxmin，ymin，xmax，ymax、缺陷尺寸S、缺陷形狀Z、分割掩碼M；其中，xmin和ymin表示缺陷區(qū)域左上角的坐標(biāo)，xmax和ymax表示缺陷區(qū)域右下角的坐標(biāo)，S＝w，h，w為缺陷的寬度，h為缺陷的高度，w＝xmax-xmin，h＝y(tǒng)max-ymin，分割掩碼圖像M用二值圖像表示，缺陷區(qū)域D標(biāo)記為255，背景區(qū)域B標(biāo)記為0；對(duì)于每一張?jiān)紙D像I，生成每個(gè)像素點(diǎn)的分割掩碼： 其中，Mx，y為原始圖像中坐標(biāo)為x，y的像素點(diǎn)分割掩碼，x，y是原始圖像中像素點(diǎn)的坐標(biāo)位置，x為原始圖像中像素點(diǎn)的橫坐標(biāo)，y為原始圖像中像素點(diǎn)的縱坐標(biāo)；原圖像I、分割掩碼圖像M均是H×W的圖像，H為圖像的高度，表示圖像在垂直方向上的像素?cái)?shù)量，W為圖像的寬度，表示圖像在水平方向上的像素?cái)?shù)量；步驟S2的具體過(guò)程如下：卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)卷積層、激活層、池化層組成，用于特征提取，假設(shè)構(gòu)建的CNN模型包含L層卷積層，對(duì)輸入圖像進(jìn)行卷積操作，基于卷積核提取特征，設(shè)定第l層卷積層的輸入為Xl，則第l層卷積層輸出的特征圖Yl表示為：Yl＝fXl*Kl+bl其中，*表示卷積操作，Xl為第l層卷積層的輸入，即為第l-1層卷積層的輸出，Kl為第l層卷積層的權(quán)重矩陣，bl為第l層卷積層的偏置項(xiàng)，l為卷積層的索引，l的取值范圍為[1，L]，L為卷積層的總層數(shù)，f·為激活函數(shù)，選擇ReLU函數(shù)作為激活函數(shù)；對(duì)于每個(gè)卷積層輸出的特征圖Yl，通過(guò)全局平均池化或全局最大池化方法生成特征提取向量Vl，依據(jù)的公式如下：Vl＝PoolingYl其中，Vl為與特征圖Yl對(duì)應(yīng)的特征提取向量，通過(guò)對(duì)第l層的卷積層輸出Yl進(jìn)行池化操作得到，Pooling為池化操作；組合多個(gè)特征提取向量V1，V2，…，VL以形成卷積層特征集合Vmulti：Vmulti＝{V1，V2，…，VL}其中，Vmulti包含了從第1層到第L層卷積層的特征提取向量；將不同卷積層的特征提取向量和特征層權(quán)重進(jìn)行融合，得到融合特征向量Vfused，采用加權(quán)平均進(jìn)行融合： 其中，Wl為與第l層卷積層的特征提取向量相關(guān)的特征層權(quán)重；最后，通過(guò)反卷積操作將融合特征向量轉(zhuǎn)換為融合特征圖Yfused：Yfused＝GVfused其中，G為反卷積操作；步驟S3的具體過(guò)程如下：輸入的融合特征圖Yfused是高維特征圖，融合特征圖的維度為C×HRH×WRH，其中，C是通道數(shù)，HRH和WRH分別是融合特征圖的高度和寬度；對(duì)融合特征圖進(jìn)行池化處理，采用全局平均池化和全局最大池化分別生成全局平均特征向量和全局最大特征向量；將兩個(gè)特征向量進(jìn)行拼接，生成單通道的空間注意力圖，形式如下：Vcon＝[Vavg；Vmax]Aspa＝σWs·Vcon+bs其中，Vcon為拼接后的特征向量，Aspa為空間注意力圖，σ為Sigmoid函數(shù)，將輸出歸一化到0到1之間，Ws為卷積核，bs為偏置項(xiàng)，Vavg為全局平均特征向量，Vmax為全局最大特征向量；對(duì)空間注意力圖進(jìn)行處理，生成調(diào)節(jié)后的特征圖Yadj，依據(jù)的公式如下：Yadj＝Aspa⊙Yfused其中，⊙表示逐點(diǎn)相乘；將調(diào)節(jié)后的特征圖與輸入的融合特征圖進(jìn)行逐點(diǎn)相乘，生成空間加權(quán)后的特征圖Ywei，依據(jù)的公式如下：Ywei＝Y(jié)adj⊙Yfused通道注意力權(quán)重Acha通過(guò)SE模塊生成：Acha＝σ[gWc·Ywei]其中，g為全連接層，Wc為全連接層的權(quán)重；將通道注意力權(quán)重與空間加權(quán)后的特征圖的每個(gè)通道進(jìn)行逐點(diǎn)相乘得到加權(quán)特征圖，依據(jù)的公式如下：Yfin＝Acha⊙Ywei其中，Yfin為加權(quán)特征圖；對(duì)掩碼圖像進(jìn)行連通組件分析，識(shí)別并標(biāo)記出缺陷區(qū)域，針對(duì)篩選出的缺陷區(qū)域，提取相關(guān)特征，獲取包含篩選出的缺陷區(qū)域的特征集合，具體的過(guò)程如下：從掩碼圖像當(dāng)前像素開始，遞歸訪問(wèn)所有相鄰的前景像素，并將它們標(biāo)記為已訪問(wèn)，每次訪問(wèn)一個(gè)新像素時(shí)，記錄該像素的位置，直到?jīng)]有新的相鄰前景像素可訪問(wèn)為止，每發(fā)現(xiàn)一個(gè)連通區(qū)域，就將該區(qū)域的所有像素用唯一的標(biāo)識(shí)符標(biāo)記，以區(qū)分不同的缺陷區(qū)域；對(duì)于每個(gè)連通的缺陷區(qū)域，提取以下特征：面積、圓度、長(zhǎng)寬比，對(duì)篩選出的缺陷區(qū)域，獲取特征集合，形式如下：Fδ＝{Tδ，Qδ，Rδ}F＝{F1，F(xiàn)2，…，F(xiàn)δ，…，F(xiàn)m}其中，F(xiàn)δ為第δ個(gè)缺陷區(qū)域的特征集合，F(xiàn)為缺陷區(qū)域的特征集合，Tδ為第δ個(gè)缺陷區(qū)域的面積，Qδ為第δ個(gè)缺陷區(qū)域的圓度，Rδ為第δ個(gè)缺陷區(qū)域的長(zhǎng)寬比；利用缺陷區(qū)域的面積、圓度和長(zhǎng)寬比，構(gòu)建第一綜合評(píng)分系數(shù)，根據(jù)缺陷區(qū)域的特征值以及第一綜合評(píng)分系數(shù)進(jìn)行紡織品缺陷類型的識(shí)別，具體的過(guò)程如下：利用面積、圓度、長(zhǎng)寬比，構(gòu)建第一綜合評(píng)分系數(shù)，用于識(shí)別紡織品是否為污點(diǎn)，多項(xiàng)式函數(shù)形式如下：ZX1＝μ1T’+μ2Q’+μ3R’其中，ZX1為第一綜合評(píng)分系數(shù)，T'、Q’、R’分別為面積、圓度、長(zhǎng)寬比，μ1、μ2、μ3分別為污點(diǎn)檢測(cè)時(shí)面積、圓度、長(zhǎng)寬比的權(quán)重系數(shù)，1μ1＝μ2μ30μ1+μ2+μ3＝1；當(dāng)?shù)谝痪C合評(píng)分系數(shù)ZX1數(shù)值大于系數(shù)閾值且面積T’小于面積閾值時(shí)，該紡織品是污點(diǎn)；當(dāng)?shù)谝痪C合評(píng)分系數(shù)ZX1小于等于系數(shù)閾值、面積T’大于等于面積閾值時(shí)，該紡織品不是污點(diǎn)；第一綜合評(píng)分系數(shù)ZX1的閾值為0.5、面積T’的閾值為0.4。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人蘇州市纖維檢驗(yàn)院;常熟市可麗爾紡織品有限公司，其通訊地址為：215000 江蘇省蘇州市吳中區(qū)文曲路69號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。