技术摘要：
本申请提供一种缺陷识别方法、装置和电子设备，该方法包括获取待识别的织布图像；将待识别的织布图像输入预设的无缺陷模型，以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷的织布图像；根据待识别的织布图像和对应的无缺陷的织布图像生成区别图像，该区别  全部
背景技术：
传统织布机织布时，一般通过人为观测的方式检查生产过程中是否出现缺陷，但 这种方式容易出现漏检或检测不及时的问题。
技术实现要素：
本申请实施例的目的在于提供一种缺陷识别方法、装置和电子设备，用以解决传 统织布机织布时通过人为观测的方式存在的漏检或检测不及时的问题。 第一方面，本发明实施例提供一种缺陷识别方法，所述方法包括：获取待识别的织 布图像；将所述待识别的织布图像输入预设的无缺陷模型，以获得所述预设的无缺陷模型 输出的所述待识别的织布图像对应的无缺陷的织布图像；根据所述待识别的织布图像和对 应的无缺陷的织布图像生成区别图像，所述区别图像表示所述待识别的织布图像和对应的 无缺陷的织布图像之间的差异；对所述区别图像进行识别，以获得所述待识别的织布图像 对应的缺陷类型。 在上述设计的缺陷识别方法中，通过将待识别的织布图像输入预设的缺陷模型， 以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷织布图像，进而将待识别 的织布图像和无缺陷的织布图像进行对比，生成区别图像，进而对区别图像进行识别来判 定其缺陷类型，使得织布缺陷类型可进行自动化判定，解决传统织布机织布时通过人为观 测的方式存在的漏检或检测不及时的问题，提高了织布缺陷识别的效率以及精准度，同时 本方案通过待识别的织布图像和无缺陷模型输出图像对比获得区别图像，来更加有缺陷的 特征，使得有缺陷模型的特征更加突出，使得缺陷更加容易识别，另外，本方案没有增加任 何器件，只需放置一台相机，不影响织布的正常生产。 在第一方面的可选实施方式中，在所述获取待识别图像之前，所述方法还包括：获 取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像；通过机器学习算法对所 述多个无缺陷的织布图像进行学习，获得所述预设的无缺陷模型。 在第一方面的可选实施方式中，所述对所述区别图像进行识别，以获得所述待识 别的织布图像对应的缺陷类型，包括：通过预先训练完成的织布类型分类器对所述区别图 像进行识别，以获得所述待识别的织布图像对应的缺陷类型。 在第一方面的可选实施方式中，在所述获取待识别的织布图像之前，所述方法还 包括：获取多个织布图像，所述多个织布图像包括多个无缺陷的织布图像和多个有缺陷的 织布图像；将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺 陷模型输出的每一无缺陷的织布图像对应的第一无缺陷图像；将每一有缺陷的织布图像输 入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一有缺陷的织布图像对 4 CN 111612788 A 说　明　书 2/10 页 应的第二无缺陷图像；根据每一无缺陷的织布图像和对应的第一无缺陷图像生成每一无缺 陷的织布图像对应的第一区别图像；根据每一有缺陷的织布图像和对应的第二无缺陷图像 生成每一有缺陷的织布图像对应的第二区别图像；根据所有无缺陷的织布图像对应的第一 区别图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练 完成的所述织布类型分类器。 在第一方面的可选实施方式中，所述根据所有无缺陷的织布图像对应的第一区别 图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成 的所述织布类型分类器，包括：将所有无缺陷的织布图像对应的第一区别图像和有缺陷的 织布图像分别输入所述预设的分类器，以对所述预设的分类器进行训练获得所述织布类型 分类器；所述通过预先训练完成的织布类型分类器对所述区别图像进行识别，以获得所述 待识别的织布图像对应的缺陷类型，包括：将所述区别图像输入预先训练完成的织布类型 分类器，以获得所述织布类型分类器输出的所述待识别的织布图像对应的缺陷类型。 在第一方面的可选实施方式中，所述根据所有无缺陷的织布图像对应的第一区别 图像和有缺陷的织布图像对应的第二区别图像对预设的分类器进行训练，以获得训练完成 的所述织布类型分类器，包括：提取每一第一区别图像对应的第一特征和每一第二区别图 像对应的第二特征；将所有的第一特征和第二特征分别输入所述预设的分类器训练，以对 所述预设的分类器进行训练获得所述织布类型分类器；所述通过预先训练完成的织布类型 分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型，包括：提 取所述区别图像对应的特征，将所述区别图像对应的特征输入所述预先训练完成的织布类 型分类器，以获得所述织布类型分类器输出的所述待识别的织布图像对应的缺陷类型。 在第一方面的可选实施方式中，所述根据所述待识别的织布图像和对应的无缺陷 的织布图像生成区别图像，包括：将所述待识别的织布图像与对应的无缺陷的织布图像的 每一像素点的像素值进行对比，以获得所述待识别的织布图像中与对应的无缺陷的织布图 像像素值不同的像素点；根据所述待识别的织布图像中所有与对应的无缺陷的织布图像的 像素值不同的像素点生成所述区别图像。 在第一方面的可选实施方式中，在所述对所述区别图像进行识别之前，所述方法 还包括：对所述区别图像进行降噪处理，以获得降噪处理后的区别图像；所述对所述区别图 像进行识别，包括：对所述降噪处理后的区别图像进行识别。 第二方面，本发明实施例提供一种缺陷识别装置，所述装置包括：获取模块，用于 获取待识别的织布图像；输入模块，用于将所述待识别的织布图像输入预设的无缺陷模型， 以获得所述预设的无缺陷模型输出的所述待识别的织布图像对应的无缺陷的织布图像；生 成模块，用于根据所述待识别的织布图像和对应的无缺陷的织布图像生成区别图像，所述 区别图像表示所述待识别的织布图像和对应的无缺陷的织布图像之间的差异；识别模块， 用于对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型。 在上述设计的缺陷识别装置中，通过将待识别的织布图像输入预设的缺陷模型， 以获得预设的无缺陷模型输出的待识别的织布图像对应的无缺陷织布图像，进而将待识别 的织布图像和无缺陷的织布图像进行对比，生成区别图像，进而对区别图像进行识别来判 定其缺陷类型，使得织布缺陷类型可进行自动化判定，解决传统织布机织布时通过人为观 测的方式存在的漏检或检测不及时的问题，提高了织布缺陷识别的效率以及精准度，同时 5 CN 111612788 A 说　明　书 3/10 页 本方案通过待识别的织布图像和无缺陷模型输出图像对比获得区别图像，来更加有缺陷的 特征，使得有缺陷模型的特征更加突出，使得缺陷更加容易识别，另外，本方案没有增加任 何器件，只需放置一台相机，不影响织布的正常生产。 在第二方面的可选实施方式中，所述获取模块，还用于获取多个无缺陷的织布图 像；学习模块，用于通过机器学习算法对所述多个无缺陷的织布图像进行学习，以获得所述 预设的无缺陷模型。 在第二方面的可选实施方式中，所述识别模块，具体用于通过预先训练完成的织 布类型分类器对所述区别图像进行识别，以获得所述待识别的织布图像对应的缺陷类型。 在第二方面的可选实施方式中，所述获取模块，还用于获取多个织布图像，所述多 个织布图像包括多个无缺陷的织布图像和多个有缺陷的织布图像；所述输入模块，还用于 将每一无缺陷的织布图像输入所述预设的无缺陷模型，以获得所述预设的无缺陷模型输出 的每一无缺陷的织布图像对应的第一无缺陷图像；以及，将每一有缺陷的织布图像输入所 述预设的无缺陷模型，以获得所述预设的无缺陷模型输出的每一有缺陷的织布图像对应的 第二无缺陷图像；所述生成模块，还用于根据每一无缺陷的织布图像和对应的第一无缺陷 图像生成每一无缺陷的织布图像对应的第一区别图像；以及，根据每一有缺陷的织布图像 和对应的第二无缺陷图像生成每一有缺陷的织布图像对应的第二区别图像；训练模块，用 于根据所有无缺陷的织布图像对应的第一区别图像和有缺陷的织布图像对应的第二区别 图像对预设的分类器进行训练，以获得训练完成的所述织布类型分类器。 在第二方面的可选实施方式中，所述生成模块，具体用于将所述待识别的织布图 像与对应的无缺陷的织布图像的每一像素点的像素值进行对比，以获得所述待识别的织布 图像中与对应的无缺陷的织布图像像素值不同的像素点；根据所述待识别的织布图像中所 有与对应的无缺陷的织布图像的像素值不同的像素点生成所述区别图像。 在第二方面的可选实施方式中，所述装置还包括降噪模块，用于对所述区别图像 进行降噪处理，以获得降噪处理后的区别图像；所述识别模块，具体用于对所述降噪处理后 的区别图像进行识别。 第三方面，实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计 算机程序，所述处理器执行所述计算机程序时执行第一方面、第一方面的任一可选的实现 方式中的所述方法。 第四方面，实施例提供一种非暂态可读存储介质，其上存储有计算机程序，所述计 算机程序被处理器执行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。 第五方面，实施例提供了一种计算机程序产品，所述计算机程序产品在计算机上 运行时，使得计算机执行第一方面、第一方面的任一可选的实现方式中的所述方法。 附图说明 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使 用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看 作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他相关的附图。 图1为本申请实施例提供的缺陷识别方法第一流程图； 6 CN 111612788 A 说　明　书 4/10 页 图2为本申请实施例提供的无缺陷模型识别和图像对比第一示意图； 图3为本申请实施例提供的无缺陷模型识别和图像对比第二示意图； 图4为本申请实施例提供的缺陷识别方法第二流程图； 图5为本申请实施例提供的缺陷识别方法第三流程图； 图6为本申请实施例提供的缺陷识别方法第四流程图； 图7为本申请实施例提供的缺陷识别方法第五流程图； 图8为本申请实施例提供的缺陷识别方法第六流程图； 图9为本申请实施例提供的缺陷识别方法第七流程图； 图10为本申请实施例提供的缺陷识别方法第八流程图； 图11为本申请实施例提供的缺陷识别装置结构图； 图12为本申请实施例提供的电子设备结构图。 图标：200-获取模块；201-输入模块；202-生成模块；203-识别模块；204-学习模 块；205-训练模块；206-降噪模块；3-电子设备；301-处理器；302-存储器；303-通信总线。