基于深度学习的涂层织物折皱识别与检测

doi:10.3778/j.issn.1002-8331.2003-0322

计算机工程与应用 ›› 2021, Vol. 57 ›› Issue (14): 116-125.DOI: 10.3778/j.issn.1002-8331.2003-0322

基于深度学习的涂层织物折皱识别与检测

阿力木·安外尔，张大旭，何巍，陈务军，王笑妍，周群超，罗一栋，陈能夫，孙鲲鹏

1.上海交通大学船舶海洋与建筑工程学院，上海 200240
2.上海市公共建筑和基础设施数字化运维重点实验室，上海 200240
3.中国特种飞行器研究所，湖北荆门 448035
4.上海交通大学空间结构研究中心，上海 200240
5.上海应用技术大学计算机科学与信息工程学院，上海 201418

出版日期:2021-07-15 发布日期:2021-07-14

Deep Learning-Based Crease Detection and Examination of Coated Fabrics

Alimu⋅Anwaier, ZHANG Daxu, HE Wei, CHEN Wujun, WANG Xiaoyan, ZHOU Qunchao, LUO Yidong, CHEN Nengfu, SUN Kunpeng

1.School of Naval Architecture Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China
2.Shanghai Key Laboratory for Digital Maintenance of Buildings and Infrastructure, Shanghai 200240, China
3.China Special Aircraft Research Institute, Jingmen, Hubei 448035, China
4.Space Structures Research Centre, Shanghai Jiao Tong University, Shanghai 200240, China
5.School of Computer Science & Information Engineering, Shanghai Institute of Technology, Shanghai 201418, China

Online:2021-07-15 Published:2021-07-14

摘要/Abstract

摘要：

涂层织物在生产制造和使用中易产生折皱损伤，人工折皱检测效率较低，传统图像处理方法的检测精度无法满足要求。提出一种基于深度卷积神经网络的涂层织物折皱识别和检测方法。通过标准揉搓试验建立数据集，网络编码和解码器分别采用多尺度特征融合结构和优化上采样模块，使用形态学方法进行折皱几何信息的实时统计。当前检测方法准确率达到95.78%，比传统语义分割技术及其他深度学习模型有很大的提升。

关键词: 涂层织物, 折皱智能识别, 深度卷积神经网络, 形态学处理

Abstract:

The coated fabrics introduce crease damage in the process of manufacturing, transportation, inflation and deflation. The manual crease detection is low efficient. The crease detection accuracy of conventional image processing algorithms cannot meet the practical requirements. An end-to-end deep convolutional neural network for crease detection of coated fabrics is proposed. Datasets are established by performing standard flex durability tests. The encoder and decoder adopt a multi-scale feature fusion structure and an optimized up-sampling model, respectively. Real-time statistics of the crease geometric information are computed by image morphology processing. The crease detection accuracy of the proposed method is as high as 95.78%. In comparison with the conventional semantic segmentation method and other deep learning networks, the performance of the crease detection has been greatly improved.

Key words: coated fabrics, automated crease detection, Deep Convolutional Neural Network（DCNN）, morphological processing

阿力木·安外尔，张大旭，何巍，陈务军，王笑妍，周群超，罗一栋，陈能夫，孙鲲鹏. 基于深度学习的涂层织物折皱识别与检测[J]. 计算机工程与应用, 2021, 57(14): 116-125.

Alimu?Anwaier, ZHANG Daxu, HE Wei, CHEN Wujun, WANG Xiaoyan, ZHOU Qunchao, LUO Yidong, CHEN Nengfu, SUN Kunpeng. Deep Learning-Based Crease Detection and Examination of Coated Fabrics[J]. Computer Engineering and Applications, 2021, 57(14): 116-125.

[1]	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.
[2]	陈伟，孙强，齐月月，徐晨. 深度卷积神经网络在心音分类方法中的应用[J]. 计算机工程与应用, 2021, 57(16): 182-189.
[3]	李超超，张远东，王昌龙. 圆形植物识别定位的HSV模型研究[J]. 计算机工程与应用, 2020, 56(6): 220-223.
[4]	罗娟，蔡骋. 多线索植物种类识别[J]. 计算机工程与应用, 2020, 56(5): 160-165.
[5]	郭克友，马丽萍，胡巍. 基于DCNN的人脸特征点检测及面部朝向计算[J]. 计算机工程与应用, 2020, 56(4): 202-208.
[6]	李慧，万晓霞. 深度卷积神经网络下的图像风格迁移算法[J]. 计算机工程与应用, 2020, 56(2): 176-183.
[7]	李敏，章国豪，曾建伟，杨晓锋，胡晓敏. 结合Inception模型的卷积神经网络图像去噪方法[J]. 计算机工程与应用, 2019, 55(20): 139-144.
[8]	盖赟1，荆国栋2. 多尺度方法结合卷积神经网络的行为识别[J]. 计算机工程与应用, 2019, 55(2): 100-103.
[9]	周玉阳，秦科. 改进的VGG网络可提升年龄与性别预测准确率[J]. 计算机工程与应用, 2019, 55(18): 173-179.
[10]	张锡英，宋宇鹏，陈曦，边继龙. 融合STN和DenseNet的深度学习网络及其应用[J]. 计算机工程与应用, 2019, 55(17): 131-136.
[11]	温坤哲，韦玉科，董晓华. 深度卷积神经网络在图像美学评价的应用综述[J]. 计算机工程与应用, 2019, 55(15): 13-23.
[12]	姚群力1，2，胡显1，2，雷宏1. 深度卷积神经网络在目标检测中的研究进展[J]. 计算机工程与应用, 2018, 54(17): 1-9.
[13]	张天勇，张立新，葛云，王欢，刘光欣. 红花花丝二维中心点标定方法研究[J]. 计算机工程与应用, 2018, 54(15): 176-180.
[14]	王华利1，邹俊忠1，张见1，卫作臣1，汪春梅2. 基于深度卷积神经网络的快速图像分类算法[J]. 计算机工程与应用, 2017, 53(13): 181-188.
[15]	王国芳1，赵少华2. 镀铜高分子微球X线图像的计数及缺陷检测[J]. 计算机工程与应用, 2016, 52(9): 263-266.

基于深度学习的涂层织物折皱识别与检测

Deep Learning-Based Crease Detection and Examination of Coated Fabrics

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