买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜苏州市纤维检验院;常熟市可丽尔纺织品有限公司申请的专利一种纺织品缺陷类型识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119399187B 。

龙图腾网通过国家知识产权局官网在2025-05-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411975471.4，技术领域涉及：G06T7/00；该发明授权一种纺织品缺陷类型识别方法是由孙峰;顾冬梅;丁力进;高慧红;孙淇慧;陈明芳;王海娟;朱兰芳;马斌设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种纺织品缺陷类型识别方法在说明书摘要公布了：本发明提供一种纺织品缺陷类型识别方法，涉及纺织品缺陷识别技术领域，具体步骤包括：采集多个纺织品样本的原始图像，进行详细标注；将原始图像调整为224x224像素，并构建CNN模型，提取不同卷积层的特征图，结合特征层权重生成融合特征向量；对融合特征图进行池化处理，生成单通道的空间注意力图，结合通道注意力权重，得到加权特征图；构建分割模型，训练后输出掩码，标识正常区域和缺陷区域；通过连通组件分析，识别缺陷区域并提取相关特征，形成特征集合；基于这些特征构建综合评分系数，实现对纺织品缺陷类型的精准识别。本发明能够有效增强对细微缺陷的识别能力，能够捕捉到更细微的偏差，从而显著提高识别率。

本发明授权一种纺织品缺陷类型识别方法在权利要求书中公布了：1.一种纺织品缺陷类型识别方法，其特征在于，具体步骤包括：S1.采集多个纺织品样本的原始图像，纺织品样本包括无缺陷纺织品样本和已知缺陷类型的缺陷纺织品样本，并对数据集中的原始图像进行标注，标注内容包括图像ID、缺陷位置、缺陷尺寸、缺陷形状、分割掩码图像，分割掩码图像包括缺陷区域和正常区域：S2.将原始图像调整为224x224像素的识别图像，构建卷积神经网络模型，将识别图像输入卷积神经网络模型，输出不同卷积层的特征图，并为每个卷积层输出的特征图分配特征层权重，利用不同卷积层输出的特征图分别生成特征提取向量，利用多个特征提取向量获取卷积层特征集合，将不同卷积层的特征提取向量和特征层权重进行组合，获取融合特征向量，通过反卷积将融合特征向量转换为融合特征图；S3.将卷积神经网络提取的融合特征图作为输入，对融合特征图进行池化处理，生成两个特征向量，将这两个特征向量进行拼接，生成单通道的空间注意力图，将空间注意力图和注意力调节系数进行数据处理，生成调节后的特征图，将调节后的特征图与输入的融合特征图进行逐点相乘，生成空间加权后的特征图，将通道注意力权重与空间加权后的特征图的每个通道进行逐点相乘得到加权特征图；S4.构建分割模型，将加权特征图作为分割模型的输入，使用标注的分割掩码图像作为输出以训练分割模型，以得到完成训练的分割模型；S5.获取待检测纺织品的加权特征图，并将其输入完成训练后的分割图像中，以识别并标记出待检测图像的缺陷区域，并计算缺陷区域的面积、圆度和长宽比；S6.利用缺陷区域的面积、圆度和长宽比，分别计算第一综合评分系数、第二综合评分系数和第三综合评分系数，根据缺陷区域的面积、圆度、长宽比以及三个综合评分系数进行待检测纺织品缺陷类型的识别；采集包含多种缺陷类型和正常样本的数据集，并对数据集中的原始图像进行标注，具体的过程如下：收集多种缺陷类型的图像样本和正常样本，确定样本总数N，其中缺陷样本数量为Nd，正常样本数量为Nn，N＝Nd+Nn；为每张原始图像标注如下信息：图像ID、缺陷位置Pxmin，ymin，xmax，ymax、缺陷尺寸S、缺陷形状Z、分割掩码M；其中，xmin和ymin表示缺陷区域左上角的坐标，xmax和ymax表示缺陷区域右下角的坐标，S＝w，h，w为缺陷的宽度，h为缺陷的高度，w＝xmax-xmin，h＝ymax-ymin，分割掩码图像M用二值图像表示，缺陷区域D标记为255，背景区域B标记为0；对于每一张原始图像I，生成每个像素点的分割掩码： 其中，Mx，y为原始图像中坐标为x，y的像素点分割掩码，x，y是原始图像中像素点的坐标位置，x为原始图像中像素点的横坐标，y为原始图像中像素点的纵坐标；原图像I、分割掩码图像M均是H×W的图像，H为图像的高度，表示图像在垂直方向上的像素数量，W为图像的宽度，表示图像在水平方向上的像素数量；步骤S2的具体过程如下：卷积神经网络由多个卷积层、激活层、池化层组成，用于特征提取，假设构建的CNN模型包含L层卷积层，对输入图像进行卷积操作，基于卷积核提取特征，设定第l层卷积层的输入为Xl，则第l层卷积层输出的特征图Yl表示为：Yl＝fXl*Kl+bl其中，*表示卷积操作，Xl为第l层卷积层的输入，即为第l-1层卷积层的输出，Kl为第l层卷积层的权重矩阵，bl为第l层卷积层的偏置项，l为卷积层的索引，l的取值范围为[1，L]，L为卷积层的总层数，f·为激活函数，选择ReLU函数作为激活函数；对于每个卷积层输出的特征图Yl，通过全局平均池化或全局最大池化方法生成特征提取向量Vl，依据的公式如下：Vl＝PoolingYl其中，Vl为与特征图Yl对应的特征提取向量，通过对第l层的卷积层输出Yl进行池化操作得到，Pooling为池化操作；组合多个特征提取向量V1，V2，…，VL以形成卷积层特征集合Vmulti：Vmulti＝{V1，V2，…，VL}其中，Vmulti包含了从第1层到第L层卷积层的特征提取向量；将不同卷积层的特征提取向量和特征层权重进行融合，得到融合特征向量Vfused，采用加权平均进行融合： 其中，Wl为与第l层卷积层的特征提取向量相关的特征层权重；最后，通过反卷积操作将融合特征向量转换为融合特征图Yfused：Yfused＝GVfused其中，G为反卷积操作；步骤S3的具体过程如下：输入的融合特征图Yfused是高维特征图，融合特征图的维度为C×HRH×WRH，其中，C是通道数，HRH和WRH分别是融合特征图的高度和宽度；对融合特征图进行池化处理，采用全局平均池化和全局最大池化分别生成全局平均特征向量和全局最大特征向量；将两个特征向量进行拼接，生成单通道的空间注意力图，形式如下：Vcon＝[Vavg；Vmax]Aspa＝σWs·Vcon+bs其中，Vcon为拼接后的特征向量，Aspa为空间注意力图，σ为Sigmoid函数，将输出归一化到0到1之间，Ws为卷积核，bs为偏置项，Vavg为全局平均特征向量，Vmax为全局最大特征向量；对空间注意力图进行处理，生成调节后的特征图Yadj，依据的公式如下：Yadj＝Aspa⊙Yfused其中，⊙表示逐点相乘；将调节后的特征图与输入的融合特征图进行逐点相乘，生成空间加权后的特征图Ywei，依据的公式如下：Ywei＝Yadj⊙Yfused通道注意力权重Acha通过SE模块生成：Acha＝σ[gWc·Ywei]其中，g为全连接层，Wc为全连接层的权重；将通道注意力权重与空间加权后的特征图的每个通道进行逐点相乘得到加权特征图，依据的公式如下：Yfin＝Acha⊙Ywei其中，Yfin为加权特征图；对掩码图像进行连通组件分析，识别并标记出缺陷区域，针对筛选出的缺陷区域，提取相关特征，获取包含筛选出的缺陷区域的特征集合，具体的过程如下：从掩码图像当前像素开始，递归访问所有相邻的前景像素，并将它们标记为已访问，每次访问一个新像素时，记录该像素的位置，直到没有新的相邻前景像素可访问为止，每发现一个连通区域，就将该区域的所有像素用唯一的标识符标记，以区分不同的缺陷区域；对于每个连通的缺陷区域，提取以下特征：面积、圆度、长宽比，对筛选出的缺陷区域，获取特征集合，形式如下：Fδ＝{Tδ，Qδ，Rδ}F＝{F1，F2，…，Fδ，…，Fm}其中，Fδ为第δ个缺陷区域的特征集合，F为缺陷区域的特征集合，Tδ为第δ个缺陷区域的面积，Qδ为第δ个缺陷区域的圆度，Rδ为第δ个缺陷区域的长宽比；利用缺陷区域的面积、圆度和长宽比，构建第一综合评分系数，根据缺陷区域的特征值以及第一综合评分系数进行纺织品缺陷类型的识别，具体的过程如下：利用面积、圆度、长宽比，构建第一综合评分系数，用于识别纺织品是否为污点，多项式函数形式如下：ZX1＝μ1T’+μ2Q’+μ3R’其中，ZX1为第一综合评分系数，T'、Q’、R’分别为面积、圆度、长宽比，μ1、μ2、μ3分别为污点检测时面积、圆度、长宽比的权重系数，1μ1＝μ2μ30μ1+μ2+μ3＝1；当第一综合评分系数ZX1数值大于系数阈值且面积T’小于面积阈值时，该纺织品是污点；当第一综合评分系数ZX1小于等于系数阈值、面积T’大于等于面积阈值时，该纺织品不是污点；第一综合评分系数ZX1的阈值为0.5、面积T’的阈值为0.4。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人苏州市纤维检验院;常熟市可丽尔纺织品有限公司，其通讯地址为：215000 江苏省苏州市吴中区文曲路69号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。