CN119444761A 基于生产环节瑕疵识别的质量检测模型训练方法 （广州机智云物联网科技有限公司）

基于生产环节瑕疵识别的质量检测模型训及一种基于生产环节瑕疵识别的质量检测模型严重程度对各所述初始瑕疵产品图像进行边缘本发明通过基于实时的轮廓分析结果动态调整高效性，根据瑕疵的严重程度进行边缘增强处后续的检测和分析更加准确，提升整体检测效2基于实际瑕疵严重程度对各所述初始瑕疵产品图像进行边缘增强处理其中，以预设窗口尺寸对所述初始瑕疵产品图像进行滑动2.根据权利要求1所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在基于瑕疵轮廓线段的个数确定当前扫描窗口内是否存基于当前扫描窗口和瑕疵轮廓的实时偏心距离确定是否3.根据权利要求2所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在4.根据权利要求2所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在将实际闭合性指标与预设闭合性阈值进行对比，基于对比5.根据权利要求2所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在若实时偏心距离小于等于标准偏心距离，计算瑕疵轮廓的面若实时偏心距离大于标准偏心距离，获取扫描窗口与瑕疵6.根据权利要求5所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在3若实时瑕疵轮廓面积大于标准瑕疵轮廓面积，将对应的瑕疵7.根据权利要求1所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在获取所述初始瑕疵产品图像中轮廓面积异常瑕疵占瑕疵轮廓总8.根据权利要求1所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在9.根据权利要求8所述的基于生产环节瑕疵识别的质量检测模型训练方法，其特征在获取所述初始瑕疵产品图像中各瑕疵轮廓内区域的所有像素点使用修正亮度值更新所述初始瑕疵产品图像中各瑕疵轮廓的瑕疵轮廓外各像素点的初始亮度值与像素点个数获取所述初始瑕疵产品图像中各瑕疵轮廓内区域的所有像素点获取所述初始瑕疵产品图像中各瑕疵轮廓外区域的所有像素点获取第一实际灰度值小于第一平均轮廓内灰度值的像素获取第二实际灰度值小于第一平均轮廓外灰度值的像素获取第一实际灰度值大于第一平均轮廓内灰度值的像素获取第二实际灰度值大于第一平均轮廓外灰度值的像素4分别计算各平均轮廓内灰度值与对应的平均轮廓外将初始瑕疵产品图像的各原始灰度值调整为对应的5[0003]公开号为CN115311264A的中国专利文献公开了一种用于纺织生产的织物瑕疵线收集生产过程中各个环节的图像数据，将所述图像数据与标准图像数据进行对基于瑕疵轮廓线段的个数确定当前扫描窗口内是否存6基于当前扫描窗口和瑕疵轮廓的实时偏心距离确定是否[0007]进一步地，基于瑕疵轮廓线段的个数确定当前扫描窗口内是否存在瑕疵轮廓包当实际瑕疵严重程度小于等于标准瑕疵严重程度时，执行第一边缘增强处理模7使用修正亮度值更新所述初始瑕疵产品图像中各瑕疵轮廓的度为瑕疵轮廓外各像素点的初始亮度值与像素点将初始瑕疵产品图像的各原始灰度值调整为对应的[0017]图1为本发明实施例基于生产环节瑕疵识别的质量检测模型训练方法的流程示意图3为本发明实施例根据瑕疵轮廓线段的闭合情况确定是否缩小预设窗口尺寸的8图4为本发明实施例对各所述初始瑕疵产品图像进行边缘增强处理的流程示意[0022]请参阅图1所示，其为本发明实施例基于生产环节瑕疵识别的质量检测模型训练步骤S4，基于实际瑕疵严重程度对各所述初始瑕疵产品图像进行边缘增强处理，9[0025]参阅图2所示，其为本发明实施例基于滑动扫描结果动态调整滑动状态的流程示步骤S3004，基于当前扫描窗口和瑕疵轮廓的实时偏心距离确定是否调整滑动状[0027]具体而言，基于瑕疵轮廓线段的个数确定当前扫描窗口内是否存在瑕疵轮廓包[0028]参阅图3所示，其为本发明实施例根据瑕疵轮廓线段的闭合情况确定是否缩小预[0029]在本实施例中的预设闭合性[0032]在本实施例中的标准偏心距离表示设定的初始瑕疵产品图像中瑕疵轮廓区域的[0037]图4为本发明实施例对各所述初始瑕疵产品图像进行边缘增强处理的流程示意于等于标准瑕疵严重程度时，表示初始瑕疵产品图像中大部分瑕疵的表现形式为横道毛，使用修正亮度值更新所述初始瑕疵产品图像中各瑕疵轮廓的度为瑕疵轮廓外各像素点的初始亮度值与像素点将初始瑕疵产品图像的各原始灰度值调整为对应的[0042]在基