一种非平面织物的车缝线检测方法、系统、设备及介质与流程

本发明涉及图像处理，特别是涉及一种非平面织物的车缝线检测方法、系统、设备及介质。

背景技术：

1、纺织业作为传统国民产业，织物质量问题一直受到各生产厂商以及消费者的重视。在纺织物进行质检时，需要检测车缝线位置是否正确，以进行后续车缝线细节质量的检测，从而保证纺织物的整体质量。然而，在对车缝线进行检测时，由于纺织物的表面时常存在不平整、不规则或者其他难以观察识别的区域，导致目前难以准确检测出织物的车缝线位置。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的在于提供一种非平面织物的车缝线检测方法、系统、设备及介质，本发明能够准确检测出织物的车缝线位置。

2、为实现上述目的及其他相关目的，本发明提供一种非平面织物的车缝线检测方法，包括：

3、获取非平面织物样品的每个表面的平面图像数据；

4、对每个所述平面图像数据进行仿射变换，以生成每个所述平面图像数据对应的变换图像数据；

5、对所有所述变换图像数据进行拼接处理，以生成拼接平面数据；

6、对所述拼接平面数据进行车缝线标注处理，以生成掩膜图像数据；

7、利用所述掩膜图像数据对预设的语义分割网络模型进行训练，以生成车缝线检测模型；

8、对待检测织物的采集图像数据进行仿射变换与拼接处理，以生成平面还原数据；

9、将所述平面还原数据输入所述车缝线检测模型中，以输出车缝线区域图像数据。

10、在本发明一实施例中，所述对每个所述平面图像数据进行仿射变换，以生成每个所述平面图像数据对应的变换图像数据的步骤包括：

11、基于预设的平面坐标点与仿射坐标点的映射关系建立每个所述平面图像数据的仿射变换模型，其中，所述仿射变换模型表示为其中，(α，β)为所述平面图像数据的初始坐标，(x，y)为所述初始坐标对应至仿射图像数据中的对应坐标，a1、a2、a3、a4、tx及ty为模型参数；

12、将每个所述平面图像数据输入对应的所述仿射变换模型，以输出每个所述平面图像数据对应的仿射图像数据；

13、对每个所述仿射图像数据进行灰度重采样处理，以生成每个所述仿射图像数据对应的变换图像数据。

14、在本发明一实施例中，所述对每个所述仿射图像数据进行灰度重采样处理，以生成每个所述仿射图像数据对应的变换图像数据的步骤包括：

15、基于双线性内插法对每个所述仿射图像数据进行灰度重采样处理，以生成每个所述仿射图像数据中每个坐标点的灰度值数据；

16、基于每个所述仿射图像数据中每个坐标点的灰度值数据，生成每个所述仿射图像数据对应的变换图像数据，其中，所述灰度值数据表示为f(x,y)＝(1-γ)(1-θ)g(α0,β0)+γ(1-θ)g(α0+1,β0)+(1-γ)θg(α0,β0)+γθg(α0+

17、1,β0+1)，f(x,y)为所述仿射图像数据中(x,y)坐标点的灰度值数据，g(α,β)为所述平面图像数据中(α,β)坐标点的灰度值，α∈(α0，α0+1)，β∈(β0，β0+1)，γ＝α-α0，θ＝β-β0。

18、在本发明一实施例中，利用所述掩膜图像数据对预设的语义分割网络模型进行训练，以生成车缝线检测模型的步骤包括：

19、将所述掩膜图像数据输入所述语义分割网络模型中，以输出车缝线预测数据，其中，所述语义分割网络模型包括车缝线特征提取网络、上下文特征提取网络及预测网络；

20、构建所述车缝线预测数据与车缝线实际数据的损失函数；

21、基于所述损失函数对所述语义分割网络模型进行训练，以生成车缝线检测模型。

22、在本发明一实施例中，所述将所述掩膜图像数据输入所述语义分割网络，以输出车缝线预测数据的步骤包括：

23、基于所述车缝线特征提取网络，对所述掩膜图像数据进行特征提取，以生成车缝线图像特征数据；

24、基于所述上下文特征提取网络，提取所述车缝线图像特征数据的上下文特征数据；

25、根据所述上下文特征数据，对所述车缝线图像特征数据进行特征增强处理，以生成车缝线特征增强数据，其中，所述车缝线特征增强数据表示为yp表示所述车缝线图像特征数据，yf表示所述上下文特征数据，c表示图像通道数，w表示所述车缝线图像特征数据和所述上下文特征数据之间的注意力矩阵；

26、将所述车缝特征增强数据输入所述预测网络中，以输出车缝线预测数据，其中，所述车缝线预测数据包括预测位置数据与预测分类数据。

27、在本发明一实施例中，所述损失函数表示为其中，lcls表示所述预测分类数据与真实分类数据之间的损失，表示所述预设位置数据与实际位置数据之间的损失，表示所述预测位置数据与所述实际位置数据的重叠部分，表示所述预测位置数据与所述实际位置数据的相并部分。

28、在本发明一实施例中，所述对待检测织物的采集图像数据进行仿射变换与拼接处理，以生成平面还原数据的步骤包括：

29、对待检测织物的每个表面的采集图像数据进行仿射变换，以生成每个所述采集图像数据对应的中间图像数据；

30、对所有所述中间图像数据进行拼接处理，以生成平面还原数据。

31、本发明还提供一种非平面织物的车缝线检测系统，包括：

32、数据获取模块，用于获取非平面织物样品的每个表面的平面图像数据；

33、仿射变换模块，用于对每个所述平面图像数据进行仿射变换，以生成每个所述平面图像数据对应的变换图像数据；

34、图像拼接模块，用于对所有所述变换图像数据进行拼接处理，以生成拼接平面数据；

35、图像标注模块，用于对所述拼接平面数据进行车缝线标注处理，以生成掩膜图像数据；

36、模型训练模块，用于利用所述掩膜图像数据对预设的语义分割网络模型进行训练，以生成车缝线检测模型；

37、图像还原模块，用于对待检测织物的采集图像数据进行仿射变换与拼接处理，以生成平面还原数据；

38、数据处理模块，用于将所述平面还原数据输入所述车缝线检测模型中，以输出车缝线区域图像数据。

39、本发明还提供一种电子设备，所述电子设备包括：

40、一个或多个处理器；

41、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述的非平面织物的车缝线检测方法。

42、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行上述的非平面织物的车缝线检测方法。

43、如上所述，本发明提供一种非平面织物的车缝线检测方法、系统、设备及介质，能够准确检测出织物的车缝线位置。

技术特征：

1.一种非平面织物的车缝线检测方法，其特征在于，包括：

2.根据权利要求1所述的非平面织物的车缝线检测方法，其特征在于，所述对每个所述平面图像数据进行仿射变换，以生成每个所述平面图像数据对应的变换图像数据的步骤包括：

3.根据权利要求2所述的非平面织物的车缝线检测方法，其特征在于，所述对每个所述仿射图像数据进行灰度重采样处理，以生成每个所述仿射图像数据对应的变换图像数据的步骤包括：

4.根据权利要求1所述的非平面织物的车缝线检测方法，其特征在于，利用所述掩膜图像数据对预设的语义分割网络模型进行训练，以生成车缝线检测模型的步骤包括：

5.根据权利要求4所述的非平面织物的车缝线检测方法，其特征在于，所述将所述掩膜图像数据输入所述语义分割网络模型中，以输出车缝线预测数据的步骤包括：

6.根据权利要求5所述的非平面织物的车缝线检测方法，其特征在于，所述损失函数表示为其中，lcls表示所述预测分类数据与真实分类数据之间的损失，表示所述预设位置数据与实际位置数据之间的损失，表示所述预测位置数据与所述实际位置数据的重叠部分，表示所述预测位置数据与所述实际位置数据的相并部分。

7.根据权利要求1所述的非平面织物的车缝线检测方法，其特征在于，所述对待检测织物的采集图像数据进行仿射变换与拼接处理，以生成平面还原数据的步骤包括：

8.一种非平面织物的车缝线检测系统，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的非平面织物的车缝线检测方法。

技术总结
本发明提供一种非平面织物的车缝线检测方法、系统、设备及介质，包括：获取织物样品的每个平面的平面图像数据；对每个平面图像数据进行仿射变换，以生成每个平面图像数据对应的变换图像数据；对所有变换图像数据进行拼接处理，以生成拼接平面数据；对拼接平面数据进行车缝线标注处理，以生成掩膜图像数据；利用掩膜图像数据对预设的语义分割网络模型进行训练，以生成车缝线检测模型；对待检测织物的采集图像数据进行仿射变换与拼接处理，以生成平面还原数据；将平面还原数据输入车缝线检测模型中，以输出车缝线区域图像数据。通过本发明能够准确检测出非平面三维织物的车缝线位置。

技术研发人员：汪建中,李鑫,赵士军,路强,朱立红,张良,郑涛
受保护的技术使用者：合肥联亚制衣有限公司
技术研发日：
技术公布日：2024/1/13