织物瑕疵检测方法研究进展

doi:10.3778/j.issn.1002-8331.2002-0169

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (12): 8-18.DOI: 10.3778/j.issn.1002-8331.2002-0169

织物瑕疵检测方法研究进展

田宸玮，王雪纯，杨嘉能，钱育蓉

1.新疆大学软件学院，乌鲁木齐 830000
2.中国石油吐哈油田分公司勘探开发研究院，新疆哈密 839009

出版日期:2020-06-15 发布日期:2020-06-09

Research Progress on Fabric Defect Detection Methods

TIAN Chenwei, WANG Xuechun, YANG Jianeng, QIAN Yurong

1.School of Software, Xinjiang University, Urumqi 830000, China
2.Research Institute of Exploration and Development, Tuha Oil Field Branch Company Ltd. of PetroChina, Hami, Xinjiang 839009, China

Online:2020-06-15 Published:2020-06-09

摘要/Abstract

摘要：

计算机视觉在纺织物瑕疵检测方面已经有了较为广泛的应用，织物瑕疵检测是纺织行业质量控制的必要步骤。为了能够及时了解织物瑕疵检测的最新研究进展，把握织物瑕疵检测方法的研究热点和方向，介绍了织物图案的放置规则以及织物瑕疵检测的相关指标，针对织物瑕疵检测方法较多的问题，将这些方法分为四类（基于结构、基于统计、基于频谱、基于学习）并归纳分析了这些织物瑕疵检测方法在应用中的特点，且对比了四类检测方法中各个方法的特性以及优点和缺点，目的是为了找到如何提高织物瑕疵检测效率的方法，实现实时在线检测，展望了织物瑕疵检测方法的未来研究方向。

关键词: 织物瑕疵, 纺织物, 计算机视觉, 图像处理

Abstract:

Computer vision has been widely used in the detection of textile defects. Fabric defect detection is a necessary procedure in the quality control of the textile industry. In order to timely understand the latest research progress of fabric defect detection and to grasp the research hotspots and directions of fabric defect detection methods. In view of the problems that fabric defect detection methods, this paper introduces the combination method of fabric pattern and related indicators of fabric defect detection. These methods are divided into four categories（structure-based, statistical-based, spectrum-based, learning-based） and the characteristics of these fabric defect detection methods are summarized and analyzed. The characteristics, advantages and disadvantages of the four types of detection methods are analyzed. And the purpose, in order to find a way to improve the detection efficiency of fabric defects, to achieve the purpose of real-time online detection. The future research direction of fabric defect detection methods are prospect.

Key words: defect detection, textiles, computer vision, image processing

田宸玮，王雪纯，杨嘉能，钱育蓉. 织物瑕疵检测方法研究进展[J]. 计算机工程与应用, 2020, 56(12): 8-18.

TIAN Chenwei, WANG Xuechun, YANG Jianeng, QIAN Yurong. Research Progress on Fabric Defect Detection Methods[J]. Computer Engineering and Applications, 2020, 56(12): 8-18.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[3]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[4]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[5]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[6]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[7]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[8]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[9]	肖雨晴，杨慧敏. 目标检测算法在交通场景中应用综述[J]. 计算机工程与应用, 2021, 57(6): 30-41.
[10]	袁铭阳，黄宏博，周长胜. 全监督学习的图像语义分割方法研究进展[J]. 计算机工程与应用, 2021, 57(4): 43-54.
[11]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[12]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[13]	林淑彬，吴贵山，许甲云，杨文元. 多帧监督的相关滤波无人机目标跟踪[J]. 计算机工程与应用, 2021, 57(24): 152-160.
[14]	王涛，王文举，蔡宇. 基于深度学习的三维点云语义分割方法研究[J]. 计算机工程与应用, 2021, 57(23): 18-26.
[15]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.

织物瑕疵检测方法研究进展

Research Progress on Fabric Defect Detection Methods

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics