跳至内容

纺织品瑕疵检测

引言

纺织品制造是一个复杂的过程,即使是最轻微的瑕疵也会对最终产品的质量产生重大影响。纺织品瑕疵检测在确保当今消费者要求的高标准方面发挥着至关重要的作用。瑕疵品可能会导致重大的财务损失,因为有瑕疵的产品可能需要返工或完全丢弃。此外,准确及时地识别纺织品瑕疵并简化生产流程至关重要。通过主动检测和解决瑕疵,制造商可以提高生产效率、减少浪费并提供满足客户期望的高质量产品。

纺织品瑕疵的复杂性

纺织产品本质上很复杂,在制造过程中可能会出现各种潜在瑕疵。这些瑕疵可能是由多种因素引起的,例如机器故障、人为错误或原材料的固有变异。一些常见的纺织品瑕疵包括破洞、污渍、异纱和结子等。以下提供了九种常见纺织品瑕疵类型的示例。


 纺织品瑕疵示例

 

污渍
斑点、灰尘、污垢或油斑

 

破洞 
布料上的破损。

 

结子 
非常小的紧密聚集的线和纤维。

 

断头疵
当经纱在编织过程中断裂时出现。

 

断纱
织物中纱线出现断裂。

 
多网
 
多根断线组合在一起时造成的多重缺陷。

 

异纱 
发现任何因飞扬灰尘或其他方式插入织物中的异物纱线。

 

粗纱疵 
织物中的一根线比其他线粗,则视为粗纱疵。

 

细纱疵
织物中的一根纱线比所有其他纱线都细,算作细纱疵。

计算机视觉解决方案

有效识别和解决这些不同的瑕疵需要全面了解生产过程以及快速检测和分类各种异常的能力。为了应对纺织品缺陷检测的挑战,我们可以利用计算机视觉和深度学习的力量。其中一种解决方案是 Ultralytics 开发的 YOLOv8目标检测算法。

YOLOv8 是一种先进的目标检测模型,擅长快速准确地识别和分类图像中的目标,利用单个神经网络进行直接预测,无需滑动窗口等传统方法。其对纺织品缺陷检测的主要优势包括实时性能、通过边界框预测进行精确缺陷定位、各种缺陷类型的多功能分类以及易于集成到现有制造系统中。通过使用带有瑕疵注释的纺织品图像数据集对 YOLOv8 进行微调,该模型可以检测和分类瑕疵类型。

YOLO模型架构由主干、颈部和头部组成。 主干网络是一个预先训练的卷积神经网络,已在 COCO 或 ImageNet 等大型通用数据集上进行了训练。在微调过程中,预训练的 YOLO 主干的权重和参数通常被冻结并保持恒定。YOLO 颈部和头部组件是在自定义数据集上进行微调的组件。

在微调过程中,预训练的YOLO骨干网络的权重和参数通常是冻结的,并保持不变。

YOLO 颈部和头部组件是在自定义数据集上进行微调的组件

  1. YOLO 颈部和头部组件是在自定义数据集上进行微调的组件。 输入图像通过 CNN 主干(例如预先训练的 YOLOv8)来提取视觉特征。 然后提取的特征被输入 YOLO 的头部,负责预测分割掩模而对处理的图像的全部或局部进行遮挡)。
  2. YOLO 头由卷积层和池化层组成,输出密集的分割预测网格,包括边界框、无对象分数和类标签。
  3. 为了使 YOLO 模型适应分割,它在包含图像及其相应分割掩模的自定义数据集上进行了微调。
  4. 微调过程使模型能够学习数据集中对象的独特视觉特征,从而提高其分割性能。
  5. 微调后的 YOLO 模型的输出是详细的分割图,可用于各种计算机视觉任务,例如对象计数、实例分割或场景理解。

以下图像展示了该解决方案的实验结果,显示了原始纺织品图像以及分割掩模,突出显示了已识别的破洞、污渍和异纱瑕疵。

  纺织品瑕疵检测展示

 

 

破洞

 

 

污渍

 

 

异纱

通过利用计算机视觉的力量,制造商可以自动化瑕疵检测过程,与手动检查方法相比,提高准确性、一致性和速度。这可以显着节省成本、减少浪费并提高产品质量。

结论

纺织品瑕疵检测是制造过程的关键组成部分,确保交付满足客户期望的高质量产品。纺织品瑕疵的复杂性,加上快速准确识别的需求,使得这是一项具有挑战性的任务。然而,计算机视觉解决方案(例如 YOLOv8 算法)的集成提供了一条充满希望的前进道路。 YOLOv8 等计算机视觉模型经过有效训练,能够识别和分类各种纺织品瑕疵,具有实时性能、准确的缺陷定位和多功能瑕疵分类功能,使其成为自动化纺织品检测过程的强大工具。通过将这些先进的计算机视觉技术集成到制造工作流程中,公司可以提高效率、降低成本并保持纺织产品的完整性。


Reference

R. Varghese and S. M., "YOLOv8: A Novel Object Detection Algorithm with Enhanced Performance and Robustness," 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS), Chennai, India, 2024, pp. 1-6, doi: 10.1109/ADICS58448.2024.10533619.

Shakir, S., Topal, C. Unsupervised fabric defect detection with local spectra refinement (LSR). Neural Computing & Applications (2023).


如果您想了解更多关于纺织品缺陷检测的信息,请联系 info@wisiotech.com !

Avoid Costly Vessel-Bridge Collisions in Logistics with Computer Vision