[发明专利]基于图像增强和卷积神经网络的布草检测方法、装置

说明书

本发明公开了一种基于图像增强和卷积神经网络的布草检测方法，包括以下步骤，S1：提供一种布草检测装置，对连续输送的布草进行灯光照射，并对照射区域进行连续拍摄；S2：采集每一张布草的图像信息；S3：利用两个卷积神经网络模型对图像信息进行瑕疵检测；S4：将两个卷积神经网络模型的检测结果进行对比，识别出不合格布草、合格布草和目检布草；S5：对目检布草进行人工目检。本发明能够实现连续化检测，提高了检测效率，另一方面，不会发生漏检的情况，同时采用卷积神经网络模型进行机器学习检测，检测的准确率较高，从而提高了检测精度和检测效果。

技术领域

本发明属于布草检测技术领域，具体涉及一种基于图像增强和卷积神经网络的布草检测方法、装置。

背景技术

酒店的床单被褥等布料用品通常需要布草洗涤设备进行全自动洗脱、烘干、熨平和折叠。由于布草的表面缺陷难以识别，布草在洗涤之后通常需要人工检验，而人工检验效率低，容易出现检验错误和漏检的情况。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明提出一种基于图像增强和卷积神经网络的布草检测方法、装置，该基于图像增强和卷积神经网络的布草检测方法具有对布料清洗后的表面进行连续、快速检测的优点。

根据本发明实施例的基于图像增强和卷积神经网络的布草检测方法，包括以下步骤，S1：提供一种布草检测装置，对连续输送的布草进行灯光照射，并对照射区域进行连续拍摄；S2：采集每一张布草的图像信息；S3：利用两个卷积神经网络模型对图像信息进行瑕疵检测；S4：将两个卷积神经网络模型的检测结果进行对比，将两个卷积神经网络模型均检测出瑕疵的布草判定为不合格布草，将两个卷积神经网络模型均未检测出瑕疵的布草判定为合格布草，将一个卷积神经网络模型检测出瑕疵、另一个卷积神经网络模型未检测出瑕疵的布草判定为目检布草；S5：将检测不合格布草和目检布草从合格布草中筛选出来，对目检布草上存在争议的瑕疵处进行人工目检，将通过人工目检的布草并入合格布草中，将未通过人工目检的布草并入不合格布草中；所述S4中，对布草上的瑕疵进行坐标标记，并对检测出瑕疵的图像信息进行存储，在连续五张布草检测出瑕疵的情况下，对五张布草图像进行对比，若五张布草上的瑕疵坐标相同，且图像信息一致，则判定布草检测装置存在污渍，若五张布草上的瑕疵坐标不同，但图像信息一致，则判定布草检测装置存在生物干扰。

本发明的有益效果是，本发明结构简单，利用布草检测装置对布草进行连续拍摄和检测，基于布草的图像信息，采用卷积神经网络模型对图像信息上的瑕疵进行识别，最后将不合格的布草进行识别和筛选，能够实现连续化检测，提高了检测效率，另一方面，不会发生漏检的情况，同时采用卷积神经网络模型进行机器学习检测，检测的准确率较高，从而提高了检测精度和检测效果。

根据本发明一个实施例，所述S2中，利用线扫相机对运动中的一张布草从一端到另一端进行连续拍摄，将拍摄到的多张局部图像整合成一张总图像，从而采集到该张布草的图像信息。

根据本发明一个实施例，所述S3包括，S31：对布草的图像信息中出现的瑕疵特征和正常特征进行取样和分类，从而建立布草图像的样本库；S32：将样本库复制为两份，将两份样本库分别划分训练集、验证集和测试集，对其中一份样本库中的样本图像进行增强处理；S33：对两份样本库分别构建并训练卷积神经网络模型；S34：对训练后的两个卷积神经网络模型进行测试，当测试的准确率满足要求时，将训练后的两个卷积神经网络模型同时运用到布草检测装置中。

根据本发明一个实施例，所述S31中，样本库中包括：脏污的样本图像、黄斑的样本图像、毛发的样本图像、破洞的样本图像、褶皱的样本图像、异物的样本图像和正常布草的样本图像。