一种基于机器视觉的缝纫线迹缺陷检测方法及系统与流程

本发明涉及缝制检测，尤其涉及一种基于机器视觉的缝纫线迹缺陷检测方法及系统。

背景技术：

1、在服装生产的过程中，缝纫加工是服装生产的重要工序，最终的服装产品的质量取决于缝纫工艺、缝纫条件以及工人缝纫的技术。但是，在缝纫加工过程中，出现缝纫线迹问题是不可避免的问题，常见的缝纫线迹问题有跳线、断线、抛线以及缝纫过紧等问题，而及时发现线迹问题并纠正才是服装生产过程中的重要目标。

2、但是，在目前的服装生产流水线，基本还停留在工人手工操作，通过人工肉眼检测缝纫线迹的方式，增加人力成本和工作强度的同时，还容易出现主观判断偏差和视觉疲劳导致的误检情况。

技术实现思路

1、针对现有技术中存在的问题，本发明实施例提供一种基于机器视觉的缝纫线迹缺陷检测方法及系统。

2、本发明实施例提供一种基于机器视觉的缝纫线迹缺陷检测方法，包括：

3、采集缝纫图像，基于随机轨迹生成对应的运动模糊图像，并检测所述运动模糊图像是否为低分数模糊图像；

4、当所述运动模糊图像为低分数模糊图像时，通过特征提取模块提取图像特征，并基于aff模块对所述图像特征进行同尺度特征融合，确定特征融合后的图像损失，并以损失函数作为训练依据，得到训练后的清晰图像；

5、获取标准线迹图像，确定线迹图像对应的学生特征，基于学生特征构建未训练的学生网络，选取与所述学生特征相关联的预训练的教师网络；

6、将所述标准线迹图像输入教师网络与学生网络中，获取教师网络的第一特征映射以及学生网络的第二特征，并互相映射，基于映射结果中确定异常区域及对应的异常分数，以所述异常分数作为训练依据，对所述学生网络进行训练；

7、将所述清晰图像输入训练后的学生网络及教师网络中，得到输出的特征差异分数，并对比分数阈值，判断所述缝纫图像是否存在线迹缺陷。

8、在其中一个实施例中，所述方法还包括：

9、定义马尔可夫过程的状态空间，并构建对应的转移概率矩阵；

10、设定初始状态，结合所述转移概率矩阵生成对应的轨迹点，并在生成所述轨迹点时，结合亚像素差值技术插入额外的轨迹点；

11、基于所述轨迹点的分布，对所述缝纫图像中对应位置的像素值进行模糊调整，生成对应的运动模糊图像。

12、在其中一个实施例中，所述方法还包括：

13、集成特征金字塔网络，通过特征提取模块在多个尺度上提取图像特征，并通过aff模块对图像特征进行上采样或下采样，将多个尺度的图像特征放入相同尺度进行特征融合。

14、在其中一个实施例中，所述方法还包括：

15、检测特征融合后对应的图像损失，所述图像损失的损失函数公式，包括：

16、

17、其中，lp为像素空间损失，lx为内容损失，ladv为包含全局和局部判别器损失。

18、在其中一个实施例中，所述方法还包括：

19、集成特征金字塔网络，通过特征提取模块采集不同层级下教师网络的第一特征、学生网络的第二特征，并对所述第一特征、第二特征进行归一化；

20、将对应层级的所述第一特征、第二特征映射相减，并上采样至相同尺度，确定同层级的异常分数；

21、将不同层级的异常分数相加，得到像素点分数，并选取所述像素点分数中的最大异常分数。

22、在其中一个实施例中，所述方法还包括：

23、

24、其中，为第一特征，为第二特征，为输入图像，为教师网络t从标准线迹图像中提取第l层特征映射的第(i,j)个元素，范数表示一种度量向量长度的方式,为学生网络s从标准线迹图像中提取第i层特征映射的第(i,j)个元素。

25、在其中一个实施例中，所述学生特征，包括：

26、纹理特征、边缘特征、颜色特征。

27、本发明实施例提供一种基于机器视觉的缝纫线迹缺陷检测系统，包括：

28、运动模糊模块，用于采集缝纫图像，基于随机轨迹生成对应的运动模糊图像，并检测所述运动模糊图像是否为低分数模糊图像；

29、去模糊模块，用于当所述运动模糊图像为低分数模糊图像时，通过特征提取模块提取图像特征，并基于aff模块对所述图像特征进行同尺度特征融合，确定特征融合后的图像损失，并以损失函数作为训练依据，得到训练后的清晰图像；

30、教师-学生网络模块，用于获取标准线迹图像，确定线迹图像对应的学生特征，基于学生特征构建未训练的学生网络，选取与所述学生特征相关联的预训练的教师网络；

31、学生网络训练模块，用于将所述标准线迹图像输入教师网络与学生网络中，获取教师网络的第一特征映射以及学生网络的第二特征，并互相映射，基于映射结果中确定异常区域及对应的异常分数，以所述异常分数作为训练依据，对所述学生网络进行训练；

32、检测模块，用于将所述清晰图像输入训练后的学生网络及教师网络中，得到输出的特征差异分数，并对比分数阈值，判断所述缝纫图像是否存在线迹缺陷。

33、本发明实施例提供一种电子设备，包括处理器以及存储器；

34、所述处理器与所述存储器相连；

35、所述存储器，用于存储可执行程序代码；

36、所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行一个或多个实施例所述的方法。

37、本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于机器视觉的缝纫线迹缺陷检测方法的步骤。

38、鉴于上述，在本说明书一个或多个实施例中，采集缝纫图像，基于随机轨迹生成对应的运动模糊图像，并检测运动模糊图像是否为低分数模糊图像；当运动模糊图像为低分数模糊图像时，通过特征提取模块提取图像特征，并基于aff模块对所图像特征进行同尺度特征融合，确定特征融合后的图像损失，并以损失函数作为训练依据，得到训练后的清晰图像；获取标准线迹图像，确定线迹图像对应的学生特征，基于学生特征构建未训练的学生网络，选取与学生特征相关联的预训练的教师网络；将标准线迹图像输入教师网络与学生网络中，获取教师网络的第一特征映射以及学生网络的第二特征，并互相映射，基于映射结果中确定异常区域及对应的异常分数，以异常分数作为训练依据，对学生网络进行训练；将清晰图像输入训练后的学生网络及教师网络中，得到输出的特征差异分数，并对比分数阈值，判断缝纫图像是否存在线迹缺陷。这样能够通过优化算法与网络结构，完成对线迹的快速检测，节省人力资源的同时也提高的检测结果的正确率与效率，并且同时还能通过去模糊模块解决图像模糊的问题。

技术特征：

1.一种基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述基于随机轨迹生成对应的运动模糊图像，包括：

3.根据权利要求1所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述通过特征提取模块提取图像特征，并基于aff模块对所述图像特征进行同尺度特征融合，包括：

4.根据权利要求3所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述通过特征融合后的图像损失对应的损失函数作为训练依据，得到训练后的清晰图像，包括：

5.根据权利要求1所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述获取教师网络的第一特征映射以及学生网络的第二特征，并互相映射，基于映射结果中确定异常区域及对应的异常分数，包括：

6.根据权利要求5所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述对所述第一特征、第二特征进行归一化的计算公式，包括：

7.根据权利要求1所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述学生特征，包括：

8.一种基于机器视觉的缝纫线迹缺陷检测系统，其特征在于，所述系统包括：

9.一种电子设备，包括处理器以及存储器；

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

技术总结本发明实施例提供一种基于机器视觉的缝纫线迹缺陷检测方法及系统，所述方法包括：采集缝纫图像，基于随机轨迹生成对应的运动模糊图像，通过特征提取模块提取图像特征，并基于AFF模块对所图像特征进行同尺度特征融合，确定特征融合后的图像损失，训练得到清晰图像；获取标准线迹图像，确定线迹图像对应的学生特征，与预训练的教师网络；获取教师网络的第一特征映射以及学生网络的第二特征，并互相映射，基于映射结果中确定异常区域及对应的异常分数，以异常分数作为训练依据，对学生网络进行训练；将清晰图像输入训练后的学生网络及教师网络中，判断缝纫图像是否存在线迹缺陷。技术研发人员：刘冰受保护的技术使用者：杭州橙织数据科技有限公司技术研发日：技术公布日：2024/8/1