CN105821538B - 细纱断裂的检测方法和系统 - Google Patents

Abstract

本发明涉及一种细纱断裂的检测方法和系统。本发明是先获取包含目标细纱的图像，再利用训练后的卷积神经网络对其作前向计算，得到目标细纱属于细纱断裂的第一概率和属于细纱未断裂的第二概率，最后根据第一概率和第二概率的大小来确定细纱是否断裂。此方案相比人工巡查的方式，大量节约了工人的巡查时间，提高了效率，同时，相比简单的图像分析技术，由于卷积神经网络的强大表达能力，采用训练后的卷积神经网络来判断细纱是否断裂，极大地提高了识别细纱是否断裂的精确程度。

Description

细纱断裂的检测方法和系统

技术领域

本发明涉及纺织细纱检测领域，特别是涉及一种细纱断裂的检测方法和系统。

背景技术

在纺织工序中，细纱的产量和质量是影响纺织的关键因素，而细纱是否断裂直接影响到细纱的产量和质量。目前纺织厂内，在细纱的加工过程中，需要保证细纱无断裂，若有断裂，需要工人进行手工连接，也就是工人需要实时巡查，人为地查看细纱是否断裂，这种方式工人的工作量极大，并且容易漏判。

现在还有一种方式来检测细纱断裂，对细纱进行拍摄获得图像，并利用图像分析技术对图像进行二值化操作，并简单计算二值图像中细纱对应的像素点数，在点数小于阈值时，判定细纱断裂，但是由于细纱是柔性的，成像多样化，这种方式的误报率较高。

发明内容

基于此，有必要针对检测细纱断裂的工作量较大，检测精度不高的问题，提供一种细纱断裂的检测方法和系统。

一种细纱断裂的检测方法，包括以下步骤：

获取包含目标细纱的图像；

利用训练后的卷积神经网络对包含目标细纱的图像作前向计算，获得目标细纱属于细纱断裂的第一概率和目标细纱属于细纱未断裂的第二概率；

比较第一概率和第二概率，若第一概率大于或等于第二概率，则判定目标细纱断裂。

一种细纱断裂的检测系统，包括：

获取单元，用于获取包含目标细纱的图像；

计算单元，用于利用训练后的卷积神经网络对包含目标细纱的图像作前向计算，获得目标细纱属于细纱断裂的第一概率和目标细纱属于细纱未断裂的第二概率；

判断单元，用于比较第一概率和第二概率，若第一概率大于或等于第二概率，则判定目标细纱断裂。

根据上述细纱断裂的检测方法和系统，其是先获取包含目标细纱的图像，再利用训练后的卷积神经网络对其作前向计算，得到目标细纱属于细纱断裂的第一概率和属于细纱未断裂的第二概率，最后根据第一概率和第二概率的大小来确定细纱是否断裂。此方案相比人工巡查的方式，大量节约了工人的巡查时间，提高了效率，同时，相比简单的图像分析技术，由于卷积神经网络的强大表达能力，采用训练后的卷积神经网络来判断细纱是否断裂，极大地提高了识别细纱是否断裂的精确程度。

附图说明

图1是其中一个实施例中细纱断裂的检测方法的流程示意图；

图2是其中一个实施例中训练后的卷积神经网络的示意图；

图3是其中一个实施例中拍摄细纱的原始图像；

图4是其中一个实施例中第一区域的定位示意图；

图5是其中一个实施例中补偿后的第一区域的示意图；

图6是其中一个实施例中截取包含目标细纱图像的示意图；

图7是其中一个实施例中细纱断裂的检测系统的结构示意图；

图8是其中一个实施例中细纱断裂的检测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

参见图1所示，为本发明的细纱断裂的检测方法实施例。如图1所示，该实施例中的细纱断裂的检测方法包括以下步骤：

步骤S101：获取包含目标细纱的图像；

步骤S102：利用训练后的卷积神经网络对包含目标细纱的图像作前向计算，获得目标细纱属于细纱断裂的第一概率和目标细纱属于细纱未断裂的第二概率；

在本步骤中，训练后的卷积神经网络可以对待检测图像进行操作，对其中的目标细纱进行识别，获得细纱断裂和细纱未断裂的两种概率。

步骤S103：比较第一概率和第二概率，若第一概率大于或等于第二概率，则判定目标细纱断裂。

上述步骤S101、S102和S103是使用训练后的卷积神经网络进行在线测试的过程。

本实施方式的细纱断裂的检测方法，是先获取包含目标细纱的图像，再利用训练后的卷积神经网络对其作前向计算，得到目标细纱属于细纱断裂的第一概率和属于细纱未断裂的第二概率，最后根据第一概率和第二概率的大小来确定细纱是否断裂。此方案相比人工巡查的方式，大量节约了工人的巡查时间，提高了效率，同时，相比简单的图像分析技术，由于卷积神经网络的强大表达能力，采用训练后的卷积神经网络来判断细纱是否断裂，极大地提高了识别细纱是否断裂的精确程度。

在其中一个实施例中，获取包含目标细纱的图像的步骤包括以下步骤：

获取目标细纱的拍摄图像，其中，在目标细纱的背景中设置背底；

在拍摄图像中定位第一区域，其中，第一区域为背底所在区域中图像像素幅值大于预设值的区域；

确定第一区域中的最大内截矩形，在拍摄图像中截取最大内截矩形内的图像，最大内截矩形内的图像为包含目标细纱的图像。

在本实施例中，对目标细纱实际拍摄的图像中包含许多背景信息，有效的细纱区域只占少部分，因此在目标细纱的背景中设置背底，以便于对细纱进行定位，在定位时先定位第一区域，再确定其中的最大内截矩形，截取内截矩形内的图像可以使包含目标细纱的图像标准化，便于训练后的卷积神经网络识别。

在其中一个实施例中，在拍摄图像中定位第一区域的步骤之后还包括以下步骤：

采用形态学闭操作对第一区域的缝隙进行补偿，获得补偿后的第一区域。

在本实施例中，在拍摄图像中定位第一区域后，由于成像质量和细纱主体成像的影响，第一区域可能不是完整的一个区域，而是被划分成多个区域，如细纱本身的图像像素值低于预设值，第一区域中就不包括细纱本身的区域，此时采用形态学闭操作来进行补偿，形态学闭操作可以连接图像中细小的缝隙、间隔等，包括细纱本身这种细小的区域，补偿后就可得到完整的第一区域，也就是完整的细纱候选区域。

在其中一个实施例中，训练后的卷积神经网络通过以下步骤获得：

建立未断裂细纱的图像样本集和断裂细纱的图像样本集；

根据未断裂细纱的图像样本集和断裂细纱的图像样本集对卷积神经网络进行训练，获得训练后的卷积神经网络。

在本实施例中，卷积神经网络是根据未断裂细纱的图像样本集和断裂细纱的图像样本集来训练的，如此可以使训练后的卷积神经网络能够识别目标细纱是否断裂。

优选的，未断裂细纱的图像样本集和断裂细纱的图像样本集中的各种图像的获取方法与获取包含目标细纱的图像的方法相类似，只是获取图像样本集时已知细纱是否断裂。卷积神经网络是在离线模式下训练的。

在其中一个实施例中，如图2所示，训练后的卷积神经网络包括卷积层、激活函数层、池化层、全连接层和概率计算函数层；

通过卷积层对包含目标细纱的图像数据进行卷积运算，通过激活函数层对卷积运算结果进行非线性变换，通过池化层对非线性变换结果进行池化操作，通过全连接层对池化操作结果进行线性变换，通过概率计算函数层对线性变换结果进行计算，获得第一概率和第二概率。

在本实施例中，训练后的卷积神经网络通过卷积层、激活函数层、池化层、全连接层和概率计算函数层的协同操作，可以获得精准程度高的第一概率和第二概率。卷积神经网络的表达能力非常强，可有效解决在多分类任务中的精度不高问题，可达到非常高的精准度。

在其中一个实施例中，获取包含目标细纱的图像的步骤之后还包括以下步骤：

对包含目标细纱的图像的大小进行归一化处理。

在本实施例中，进行归一化处理后，可便于卷积神经网络对图像数据的前向计算处理，加快细纱断裂的识别过程。

在一个具体的实施例中，细纱断裂的检测方法包括图像获取、细纱定位、卷积神经网络识别三个过程，具体如下：

第一，图像获取。

在细纱所在位置架设滑轨、摄像头，通过摄像头来抓取拍摄细纱的实时图像，为下一步分析提供原始图像数据。原始的图像示意图如图3。

图3中a区域是摄像头的成像区域；b区域是细纱有效的成像区域，b区域对应的实际场景中可张贴纯白色背底底片，用于突出细纱成像；c是细纱成像。

第二，细纱定位。

原始图像包含许多背景信息，有效的细纱区域只占少部分，因此需要进行细纱区域定位。

对原始图像采取阈值化操作：

其中T为预设的阈值，I(x,y)表示(x,y)处的图像像素幅值，根据M(x,y)可粗略得到细纱所在的区域(即第一区域)，如图4所示。

细纱区域(第一区域)由于成像质量和细纱主体成像影响，可能被划分为多个区域，如图4中的b1、b2区域。故接下来采用形态学闭操作进行补偿，形态学闭操作可连接图像中细小的缝隙，间隔等，可得到完整的细纱候选区域(补偿后的第一区域)，如图5中的白底色区域。

在细纱候选区域中，截取最大的内截矩形，作为真正的细纱区域，并在原始图像上，截取相应的原始图像数据，如图6所示，同时还可以将截取的图像归一化到统一尺寸，可作为下一步卷积神经网络的输入。

第三，卷积神经网络识别。

将细纱定位后得到的细纱图像输入到卷积神经网络中，并作前向计算，识别出该细纱图像属于断裂与未断裂两种情况的概率(卷积神经网络需要事先训练)。若断裂概率大于等于未断裂概率，表明该细纱断裂；反之，则未断裂。

本发明采用卷积神经网络作为判定细纱是否断裂的分类器，在实际应用中仅需事先训练一次。主要包括数据收集与卷积神经网络训练两个步骤。

数据收集：主要内容是收集大量的正样本(未断裂细纱图像)与负样本(断裂细纱图像)，正负样本的采集过程同获取待确定断裂与否的细纱图像的步骤相类似。

卷积神经网络训练：利用收集的正负样本，对卷积神经网络进行训练，得到训练后的卷积神经网络。

本发明采用的卷积神经网络可以包括五个卷积层(Convolutional Layer)，每个卷积层的输出都经过ReLU(Rectified Linear Units)激活函数层进行非线性变换，再经过池化层(Pooling Layer)对非线性变换结果进行池化，再接一个全连接层(Fully-Connected Layer)对池化操作结果进行连接操作，最后通过Softmax函数层(概率计算函数层)对连接操作结果进行分类，输出分类概率(断裂与未断裂的概率)。在本发明中，卷积神经网络对各部分的层数不作限制，可对细纱进行识别即可，层数超过五层的深度卷积网络也可以。

本发明的方案不需要对现有的细纱生产线进行大量的改造，只需架设滑轨、摄像头和具备卷积神经网络的普通PC机即可，方案实施的成本低廉，而且，相比人工巡查的方式，本发明大量节约了工人的巡查时间，提高了效率，相比简单的图像分析技术，由于卷积神经网络的强大表达能力，采用训练后的卷积神经网络来判断细纱是否断裂，极大地提高了识别细纱是否断裂的精确程度。

根据上述细纱断裂的检测方法，本发明还提供一种细纱断裂的检测系统，以下就本发明的细纱断裂的检测系统的实施例进行详细说明。

参见图7所示，为本发明的细纱断裂的检测系统的实施例。该实施例中的细纱断裂的检测系统，包括获取单元210，计算单元220，判断单元230；

获取单元210，用于获取包含目标电子元件的图像；

计算单元220，用于利用训练后的卷积神经网络对包含目标细纱的图像作前向计算，获得目标细纱属于细纱断裂的第一概率和目标细纱属于细纱未断裂的第二概率；

判断单元230，用于比较第一概率和第二概率，若第一概率大于或等于第二概率，则判定目标细纱断裂。

在其中一个实施例中，获取单元210获取目标细纱的拍摄图像，其中，在目标细纱的背景中设置背底，在拍摄图像中定位第一区域，第一区域为背底所在区域中图像像素幅值大于预设值的区域，确定第一区域中的最大内截矩形，在拍摄图像中截取最大内截矩形内的图像，最大内截矩形内的图像为包含目标细纱的图像。

在其中一个实施例中，获取单元210还用于采用形态学闭操作对第一区域的缝隙进行补偿，获得补偿后的第一区域。

在其中一个实施例中，如图8所示，细纱断裂的检测系统还包括建立单元240和训练单元250；

建立单元240用于建立未断裂细纱的图像样本集和断裂细纱的图像样本集；

训练单元250用于根据未断裂细纱的图像样本集和断裂细纱的图像样本集对卷积神经网络进行训练，获得训练后的卷积神经网络。

在其中一个实施例中，训练后的卷积神经网络包括卷积层、激活函数层、池化层、全连接层和概率计算函数层；

计算单元220通过卷积层对包含目标细纱的图像进行卷积运算，通过激活函数层对卷积运算结果进行非线性变换，通过池化层对非线性变换结果进行池化操作，通过全连接层对池化操作结果进行线性变换，通过概率计算函数层对线性变换结果进行计算，获得第一概率和第二概率。

本发明的细纱断裂的检测系统与本发明的细纱断裂的检测方法一一对应，在上述细纱断裂的检测方法的实施例阐述的技术特征及其有益效果均适用于细纱断裂的检测系统的实施例中。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种细纱断裂的检测方法，其特征在于，包括以下步骤：

获取包含目标细纱的图像；

利用训练后的卷积神经网络对所述包含目标细纱的图像作前向计算，获得所述目标细纱属于细纱断裂的第一概率和所述目标细纱属于细纱未断裂的第二概率；

比较所述第一概率和所述第二概率，若所述第一概率大于或等于所述第二概率，则判定所述目标细纱断裂；

所述获取包含目标细纱的图像的步骤包括以下步骤：

获取所述目标细纱的拍摄图像，其中，在所述目标细纱的背景中设置背底；

在所述拍摄图像中定位第一区域，其中，所述第一区域为所述背底所在区域中图像像素幅值大于预设值的区域；

确定所述第一区域中的最大内截矩形，在所述拍摄图像中截取所述最大内截矩形内的图像，所述最大内截矩形内的图像为所述包含目标细纱的图像。

2.根据权利要求1所述的细纱断裂的检测方法，其特征在于，所述在所述拍摄图像中定位第一区域的步骤之后还包括以下步骤：

采用形态学闭操作对所述第一区域的缝隙进行补偿，获得补偿后的第一区域。

3.根据权利要求1所述的细纱断裂的检测方法，其特征在于，所述训练后的卷积神经网络通过以下步骤获得：

建立未断裂细纱的图像样本集和断裂细纱的图像样本集；

根据所述未断裂细纱的图像样本集和所述断裂细纱的图像样本集对所述卷积神经网络进行训练，获得所述训练后的卷积神经网络。

4.根据权利要求1所述的细纱断裂的检测方法，其特征在于，所述训练后的卷积神经网络包括卷积层、激活函数层、池化层、全连接层和概率计算函数层；

所述利用训练后的卷积神经网络对所述包含目标细纱的图像作前向计算的步骤包括以下步骤：

通过所述卷积层对所述包含目标细纱的图像进行卷积运算，通过所述激活函数层对卷积运算结果进行非线性变换，通过所述池化层对非线性变换结果进行池化操作，通过所述全连接层对池化操作结果进行线性变换，通过概率计算函数层对线性变换结果进行计算，获得所述第一概率和所述第二概率。

5.一种细纱断裂的检测系统，其特征在于，包括：

获取单元，用于获取包含目标细纱的图像；

计算单元，用于利用训练后的卷积神经网络对所述包含目标细纱的图像作前向计算，获得所述目标细纱属于细纱断裂的第一概率和所述目标细纱属于细纱未断裂的第二概率；

判断单元，用于比较所述第一概率和所述第二概率，若所述第一概率大于或等于所述第二概率，则判定所述目标细纱断裂；

所述获取单元获取所述目标细纱的拍摄图像，其中，在所述目标细纱的背景中设置背底，在所述拍摄图像中定位第一区域，所述第一区域为所述背底所在区域中图像像素幅值大于预设值的区域，确定所述第一区域中的最大内截矩形，在所述拍摄图像中截取所述最大内截矩形内的图像，所述最大内截矩形内的图像为所述包含目标细纱的图像。

6.根据权利要求5所述的细纱断裂的检测系统，其特征在于，所述获取单元还用于采用形态学闭操作对所述第一区域的缝隙进行补偿，获得补偿后的第一区域。

7.根据权利要求5所述的细纱断裂的检测系统，其特征在于，还包括建立单元和训练单元；

所述建立单元用于建立未断裂细纱的图像样本集和断裂细纱的图像样本集；

所述训练单元用于根据所述未断裂细纱的图像样本集和所述断裂细纱的图像样本集对所述卷积神经网络进行训练，获得所述训练后的卷积神经网络。

8.根据权利要求5所述的细纱断裂的检测系统，其特征在于，所述训练后的卷积神经网络包括卷积层、激活函数层、池化层、全连接层和概率计算函数层；

所述计算单元通过所述卷积层对所述包含目标细纱的图像进行卷积运算，通过所述激活函数层对卷积运算结果进行非线性变换，通过所述池化层对非线性变换结果进行池化操作，通过所述全连接层对池化操作结果进行线性变换，通过概率计算函数层对线性变换结果进行计算，获得所述第一概率和所述第二概率。