CN106841209B - 一种基于大数据自学习化纤丝锭智能外观检测系统及方法 - Google Patents

一种基于大数据自学习化纤丝锭智能外观检测系统及方法 Download PDF

Info

Publication number
CN106841209B
CN106841209B CN201611236218.2A CN201611236218A CN106841209B CN 106841209 B CN106841209 B CN 106841209B CN 201611236218 A CN201611236218 A CN 201611236218A CN 106841209 B CN106841209 B CN 106841209B
Authority
CN
China
Prior art keywords
image
unit
greasy dirt
ingot
silk ingot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611236218.2A
Other languages
English (en)
Other versions
CN106841209A (zh
Inventor
周奕弘
汪太平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hui Zhi Zhi Technology Co., Ltd.
Original Assignee
Hangzhou Hui Zhi Zhi Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hui Zhi Zhi Technology Co Ltd filed Critical Hangzhou Hui Zhi Zhi Technology Co Ltd
Priority to CN201611236218.2A priority Critical patent/CN106841209B/zh
Publication of CN106841209A publication Critical patent/CN106841209A/zh
Application granted granted Critical
Publication of CN106841209B publication Critical patent/CN106841209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8822—Dark field detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8835—Adjustable illumination, e.g. software adjustable screen
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8841—Illumination and detection on two sides of object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants

Abstract

本发明涉及一种自动分类式的丝锭外观检测系统及方法。解决现有采用人工方式对外观缺陷丝锭进行分拣存在人力、物力、财力浪费，缺少位置和光源控制,影响后续对外观缺陷检测结果，对丝锭外观缺陷检测不够高效精确的问题。系统包括托盘，传送单元，在传送单元上设置有暗箱，在暗箱后的传送单元上设置有分拣单元，在暗箱中设置有图像采集单元。通过采集丝锭各个面的图像对丝锭外观缺陷进行分析，根据分析结果对丝锭进行自动分类。本发明的优点是相比人工的方式节省了大量人力、物力和财力。相比一般检查系统增加了对问题丝锭进行自动分类功能，减少了工作量，提高了工作效率。包括自学习功能，进一步提升了油污检测的准确率。

Description

一种基于大数据自学习化纤丝锭智能外观检测系统及方法
技术领域
本发明涉及一种丝锭外观缺陷检测技术，尤其是涉及一种自动分类式的丝锭外观检测系统及方法。
背景技术
化纤丝锭上存在的瑕疵不但影响丝锭的外观，同时也影响到丝锭的等级，更甚会出现断丝的现象，影响下游环节的生产。目前一般通过人工方式对存在外观缺陷的丝锭进行分类，然而使用人工的方法无疑是巨大的人力、物力、财力的浪费。若想使用高自动化的检测方法，就需要使用到精密的控制系统、高效的检测算法和精准的分类技术。
已有的丝锭检测方法，只是在特定情况下，针对丝锭的单一品种做检测，而且检测的结果无法自动分类。而丝锭在流水线上高速的运动，在检测出问题后，需要精准的进行分类，该问题的难点就更加突出。另外目前一些自动检测系统在图像采集过程中缺少对于拍摄位置及光源的控制，导致拍摄效果不理想，对后续外观检测造成影响。
申请号为201110157427.9，名称为“丝束污点信息采集装置”的专利说明书中公开了一种丝束信息采集装置，该发明的采集装置就缺少对光源的选择和控制，拍摄效果不够理想，对后续算法对检测结果的判断影响很大。
申请号为201210049619.2，名称为“丝束外观质量检测系统”的专利说明书中公开了一种丝束外观检测系统，该发明检测系统，缺少了对光源的控制，在高精度的检测算法中，该类方法的光源很容易互相干扰。另外本发明没有对检测的问题丝束进行分类，后续使用人工的分类的方法，工作量大，效率欠佳。该系统的自动化程度还有提高的空间。
发明内容
本发明主要是解决现有技术中采用人工方式对外观缺陷丝锭进行分拣存在人力、物力、财力浪费，自动检测系统缺少位置和光源控制影响拍摄效果，进而影响后续对外观缺陷检测结果，以及对丝锭外观缺陷检测不够高效精确的问题，提供了一种控制精密、精确分类、外观缺陷检测高效的基于大数据自学习化纤丝锭智能外观检测系统及方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：基于大数据自学习化纤丝锭智能外观检测系统，包括
装载丝锭的托盘；
对托盘进行运输的传送单元，在传送单元上设置有暗箱，在暗箱后的传送单元上设置有分拣单元，在暗箱中设置有对丝锭顶面、侧面、底面分别进行图像采集的图像采集单元，图像采集单元将采集信息发送给系统的图像处理单元进行缺陷分析；
分拣单元接收缺陷分析结果对输出的丝锭进行分拣；
其中图像处理单元对采集图像采用差分方法进行丝线检测区域定位，对检测区域进行油污检测。
本发明通过采集丝锭各个面的图像对丝锭外观缺陷进行分析，根据分析结果对丝锭进行自动分类，相比采用人工的方式节省了大量的人力、物力和财力。同时相比一般检查系统增加了对问题丝锭进行自动分类功能，无需后续由人工进行分类，减少了工作量，提高了工作效率。本发明中的丝锭为化纤丝锭，后面一丝锭进行简称。
作为一种优选方案，在托盘上设置有记录丝锭信息的电子标签，在传送单元上设置有图像分析前对电子标签进行读取的第一读卡单元、将分析结果写入电子标签的写卡单元、分拣前对电子标签进行读取的第二读卡单元，第一读卡单元、写卡单元、第二读卡单元分别与进入其感应范围内的电子标签进行连接，第一读卡单元与图像处理单元输入端相连，写卡单元与图像处理单元输出端相连，第二读卡单元与分拣单元相连。本方案采用RFID技术对信息进行读写，每个运输丝锭的托盘通过电子标签能记录当前丝锭的质量信息，方便对每个丝锭质量进行实时记录和读取，并能根据电子标签记录信息使分拣单元有效对丝锭进行分类。第一读卡单元安装在暗箱内，图像采集单元之前，在图像采集单元工作前进行读取电子标签信息。写卡单元安装在图像采集单元之后，将图像处理单元分析后的结果写入到电子标签。第二读卡单元安装在分拣单元之前，在托盘到达分拣单元前读取电子标签信息给分拣单元，分拣单元根据信息对存在外观缺陷的丝锭进行分拣。
作为一种优选方案，还包括定位单元，定位单元包括对丝锭到达三个图像采集位置分别进行检测的第一红外单元、第二红外单元、第三红外单元，所述图像采集单元包括对丝锭底部进行图像采集的底部摄像单元和底部照明单元，对丝锭侧面进行图像采集的侧面摄像单元和侧面照明单元，对丝锭顶部进行图像采集的顶部摄像单元和顶部照明单元，第一红外单元分别与顶部摄像单元、顶部照明单元相连，第二红外单元分别与侧面摄像单元、侧面照明单元相连，第三红外单元分别与底部摄像单元相连、底部照明单元相连，顶部摄像单元、侧面摄像单元、底部摄像单元分别与图像处理单元相连。本方案中采用红外传感技术对丝锭图像采集的摄像头和照明光源进行控制，分别选择对丝锭顶部、侧面、底部进行图像采集，系统控制更加精密，有效防止了照明光源相互干扰，提高了拍摄效果，提高了后续分析结果的准确性。
作为一种优选方案，所述托盘包括底盘，在底盘中间竖直设置有支撑杆，在支撑杆上端连接头，丝锭插在连接头上，所述传送单元为若干辊筒传动连接构成传送装置，在传送单元的两侧上分别设置有限位挡沿，托盘的底盘两侧边缘部分分别压在限位挡沿下。本方案中由托盘带动丝锭进行移动，丝锭插在支撑杆上端的连接头上。限位挡沿防止了托盘在传送过程中翻倒或脱离出传送单元，保证了托盘在传送单元沿正确方向前进。所述传送单元后端分岔形成缺陷产品输送通道和优良产品输送通道，优良产品输送通道与传送单元前部同向，缺陷产品输送通道垂直优良产品输送通道，所述分拣单元安装在传送单元分岔处，分拣单元包括导向条和气缸，所述导向条为圆弧结构，导向条固定在摆杆一端，摆杆另一端铰接在传送单元一侧，所述气缸固定在传送单元同侧，气缸的活塞杆前端铰接在摆杆近导向条一侧上，气缸拉伸时，推送导向条挡在优良产品通道前。本方案中分拣单元将检测存在缺陷的丝锭引导入缺陷产品输送通道，完成自动分类。摆杆和气缸安装在同侧，两者之间成八字形设置，气缸的活塞杆伸缩带动摆杆摆动，气缸收缩时摆杆缩入在传送单元外侧，则托盘在传送单元输送下进入优良产品通道，当分拣单元检测到丝锭缺陷信息时控制气缸伸展，则摆杆进入传送单元内，并挡在优良产品通道前，则托盘在导向条的引导下进入缺陷产品通道，然后气缸恢复到收缩状态。
一种自动分类式的丝锭外观检测控制方法，包括以下步骤：
S1.读取当前将进行图像采集操作的丝锭的电子标签信息；
S2.检测到当前丝锭进入图像采集工位时，控制图像采集单元分别对丝锭顶部、侧面、底部进行图像采集；
S3.图像处理单元分别对采集的丝锭三面的图像信息进行污点检测，污点检测包括：
S31.对采集图像进行预处理；通过预处理对图像噪声进行抑制，以方便对油污的检测。
S32.通过背景差分技术对丝锭检测区域进行定位；
由于丝线油污的灰度与纹理和丝锭的背景图像即暗箱体部分图像十分相似。为了减少油污的误报必须将丝线的区域定位出来。由于设备原因，丝锭在每帧图像上的位置是不固定的，给丝线的定位带来了一定的难度。考虑到丝锭的颜色与检测箱体有比较大的差别，本方案采用背景差分的方法来提取前景区域，来辅助油污检测区域的定位。
S33.对丝线检测区域分别进行块状油污检测和斑点油污检测；
最后将所有采集图像检测结果写入当前丝锭的电子标签内；
S4.读取当前经过丝锭的电子标签信息，控制分拣单元将存在污点缺陷的丝锭分离出来。
作为一种优选方案，步骤S2中图像采集包括以下控制过程：
S21.当第三红外单元检测到被丝锭遮蔽时，打开底部照明单元，同时控制顶部摄像单元延时0.1s后进行图像抓拍；
S22.当第一红外单元检测到被丝锭遮蔽时，关闭底部照明单元，打开顶部照明单元，同时控制顶部摄像单元延时0.1s后进行图像抓拍；
S23.当第二红外单元检测到被丝锭遮蔽时，关闭底部照明单元，打开侧面照明单元，同时控制侧面摄像单元延时0.1s后进行图像抓拍。本方案中通过三个红外单元有效将丝锭的外观检测分开，有利于外观检测专项性和拓展。
作为一种优选方案，步骤S31具体包括以下过程：
S311.对采集图像进行灰度化处理；由于待检测的丝锭是白色，如果图像采集单元获取的是彩色图像，可以根据公式Y＝(R+B+G)/3，将RGB图像转化为灰度图像。其中Y表示处理后图像灰度值，R、B、G分别表示红、蓝、绿三个通道颜色值。
S312.对采集图像进行中值滤波；中值滤波可以有效消除摄像设备感光不充分带来的噪声，同时对于丝锭表面的灰度不均匀具有一定的抑制作用。
S313.对采集图像进行多尺度小波变换，获得一个低分辨率的低频分量的增强图像数据。多尺度小波变换将图像分解成多个方向的边缘信息分量以及低频分量，本发明取多尺度下的低频分量用于后续的油污检测。相对与原始采集图像，在增强图像数据中由成像系统引入的噪声和丝锭的纹理干扰都在一定程度上得到抑制，有助于降低后续油污检测的难度。本步骤中图像经过3个尺度的小波分解后，得到一个低分辨率的低频分量图像数据。本发明的多尺度小波变换可以采用haar小波变换。
作为一种优选方案，步骤S32具体过程包括：
对侧部图像进行丝锭检测区域定位步骤，其包括：
S3211.拍摄一张图像作为固定背景图像；拍摄暗箱内部分作为背景图像。由于暗箱内光源相对固定，在工位上没有丝锭的情况下，拍摄一种图形作为暗箱的背景图像。
S3212.对背景图像与增强图像数据图像进行灰度差分，采用公式
Fi＝abs(I-B)/I＞thre
进行前景判断，其中Fi为灰度差分的前景二值图像，thre为阈值，abs为绝对值函数，I为待检测图像，B为背景图像；根据韦伯定理，人眼能够感测到的图像的灰度值的变化在低灰度值区间和高灰度值区间是不同的，因此采用本步骤进行判断。其中thre为预设，预设值根据经验设定。
S3213.对背景图像与增强图像数据图像进行梯度差分，计算增强数据图像和背景图像的x和y轴方向的梯度，分别记为IX、Iy、BX、By，采用公式
Fg＝(abs(Ix-Bx)＞thre1|abs(Iy-By)＞thre2)
进行前景判断，其中Fg为经过梯度差分得到的前景二值图像，thre1和thre2分别为x轴方向和y轴方向梯度的差分阈值，“|”表示x轴方向和y轴方向梯度差分的前景进行合并；
S3214.将获得的前景图像Fi和前景图像Fg采用或操作进行前景融合，获得完整前景图像；通过灰度差分和梯度差分获得的两个前景图像都是不完整的，会在检测区域发生孔洞或在检测区域出现缺失，将两个前景图像融合起来，就能得到比较完整的前景图像。
S3215.对完整前景图像进行x轴方向投影，然后进行直方图扫描，分析上下两个端面出现的直方图突变点，定位丝锭y轴方向的上下两个边缘坐标；由于线锭是相对于图像原点是平行摆放的，所以y轴方向上的上下两个边缘是近似水平的。
S3216.对前景二值图像Fg进行距离变换，得到距离变换图像Fe，距离变换图像的每个像素点的值为从该点触发到最近前景点的欧式距离；对于二值图像的形状匹配，通过距离变换可以精确的获得匹配结果。
S3217.预先设计圆弧模板数据，遍历距离变换图像，计算模板图像所覆盖的距离的和，获得距离最小的点作为做种的匹配位置，计算公式如下，
其中X为最佳匹配点的坐标，T为圆弧模板，N表示模板T可以在Fe中遍历的范围，S为模板T的坐标范围，m表示模板的id，c为移动窗口的左上顶点坐标；然后利用预设模板匹配求得丝锭x轴方向的两个端面的边界坐标；由于图像中丝锭的左右两端面是圆弧形状的，所以前面的直方图扫描方法对于定位丝锭x轴方向的边界不适用。本方案采用基于圆弧模板的匹配方法，在图像中搜索与预设的模板相似度最佳的位置作为线锭x轴方向的边缘。预先设计多个丝锭左右两端圆弧模板数据。本发明中要定义的左右两个端面是不同的，所以设计了两个不同的圆弧模板，此时m＝0，1。
S3218.根据定位丝锭y轴方向的上下两个边缘坐标、丝锭x轴方向的两个端面的边界坐标进行定位获得检测区域；
其中对顶部、底部图像进行丝锭检测区域定位步骤，其包括：
S3221.拍摄一张图像作为固定背景图像；
S3222.对背景图像与增强图像数据图像进行灰度差分，采用公式
Fi＝abs(I-B)/I＞thre
进行前景判断，得到灰度差分的前景二值图像Fi，其中thre为阈值，abs为绝对值函数，I为待检测图像，B为背景图像；
S3223.利用连通域检测算法，将前景二值图Fi中边缘轮廓提取出来，作为丝锭的油污检测区域。
作为一种优选方案，步骤S33包括块状油污检测步骤和斑点油污检测步骤，任一步骤中检测到存在油污则判断所检测的采集图像存在油污；
块状油污检测步骤包括：
S3311.将增强数据图像进行多尺度小波变换，获得一个低频信息大尺度图像；
S3312.在该大尺度图像上通过边缘检测提取图像的有无候选区域；在低频信息图像上块状油污呈现出明显的边缘信息。此时的候选区域除了块状油污外，还包括了由于光照在丝锭上的反射差异造成的边缘信息。
S3313.利用连通域检测算法，将候选区域分割成一个个独立的歧义区域；本步骤中采用8邻域连通域分析方法。
S3314.对歧义区域进行形状分析，形状呈现长条形的歧义区域不符合条件，为非块状油污区域，进行丢弃，形状非呈现长条形的歧义区域则符合条件，为块状油污区域，若最后获得块状油污区域，判断存在油污，若最后没有获得符合条件的歧义区域，判断不存在油污；
块状油污在图像上呈现的特性是油污灰度不均匀，油污的形状不规则，油污与丝线的边界逐渐过渡，没有明显边界。基于以上的分析，直接在增强数据图像上做灰度或者边缘的分割很难得到好的效果。因此，本方案中提出了基于二维小波变换的方法，在大尺度图像上提取歧义区域，然后根据提取到的歧义区域进行形状分析，进一步把油污与检测噪声区分开来。
斑点油污检测步骤包括：
S3321.设定一个待测斑点油污的窗口大小，用这个窗口在检测区域内遍历整个增强数据图像；
S3322.对于每个遍历的窗口，利用otsu算法求得二值化阈值t，对窗口内的图像块进行二值化处理，得到二值化图像a；
S3323.利用比阈值t小些的阈值t1再对窗口内的图像块进行二值化处理，得到二值化图像b；
S3324.保持阈值t不变，改变窗口面积，利用阈值t对新的窗口内图像块进行二值化处理，得到二值化图像c；
S3325.根据公式分别分析二值化图像a、二值化图像b、二值化图像c的稳定性，其中p为，s为二值化图像的面积，t为阈值，a为窗口面积，THRE1和THRE2分别为预先人为设定的两个阈值；若有窗口满足上述公式的条件，则认为其是灰度稳定的窗口，作为斑点油污的候选点；
S3326.遍历所有窗口，得到所有候选点，对所有候选点的灰度均值分别与预先设定的阈值H进行比较，判断候选点灰度均值是否小于阈值H，若是则认为该候选点为斑点油污，若否则丢弃该候选点；斑点油污的灰度值一般比较低，本方案利用二值化图像的灰度均值进行判断，阈值H为预先设定的值。
S3327.最后若获得作为斑点油污的候选点，则判断存在油污，若没有获得作为斑点油污的候选点，则判断不存在油污。
斑点油污在图像中呈现的特征是油污区域灰度值比较低，油污的面积相对比较小，油污与丝线的边界比较清晰。但是由于油污面积相对比较小，如果利用传统的分割方法，很容易与丝线纹理相混淆，尤其在丝线的纹理之间存在阴影的时候，会导致很多误检。基于上面原因，本方案提供一种基于相对灰度阈值变换和空域变换的灰度稳定区域检测方法。
作为一种优选方案，步骤S3314中对歧义区域进行形状分析还包括自学习方法，包括以下步骤：
a.收集块状油污区域作为油污样本进行储存，收集非块状油污区域作为非油污样本进行储存；
b.当存储的油污样本和非油污样本达到设定数量后，根据收集的油污和非油污样本自动训练一个油污分类器；
c.将油污分类器取代形状分析中之前的判断方法。
由于块状油污的产生的原因很多，块状油污呈现的形状也各不相同，步骤S3314中形状分析仅仅通过传统方法的定义形状的统计规则的方法来做出判断准确率达不到实际生产的要求。由于缺少样本，采用大规模的机器学习的方法也不适合，因为需要设计自己学习的模块，通过自学习，不断更新迭代，从而使形状分析更加有效，准确率达到生产要求。在生产过程的初期，通过流程不断的积累油污样本和非油污样本。当达到一定数量后，系统将利用模式识别中分离器的方法，根据搜集的油污与非油污样本自动训练一个油污分类器，将学习到的分类器取代形状分析中预先定义的判断规则。从而进一步提升油污检测的准确率，使得样本的搜集也更加准确，这样使得整个系统形成正反馈，对块状油污的检测率也将越来越高。新的训练结果相对于旧的分类器学习到了更多的样本的共性特征，从而具有更好的油污检测能力，这样搜集的油污样本和非油污样本更加准确。当达到下一次训练标准时，会将现有分类器更新为更加准确的分类器。从而达到正反馈，使得系统运行不断变好，从而达到实际应用的要求。
因此，本发明的优点是：提供了一种大数据智能的丝锭表面缺陷检测系统及方法，通过采集丝锭各个面的图像对丝锭外观缺陷进行分析，根据分析结果对丝锭进行自动分类，相比采用人工的方式节省了大量的人力、物力和财力。同时相比一般检查系统增加了对问题丝锭进行自动分类功能，无需后续由人工进行分类，减少了工作量，提高了工作效率。包括自学习功能，进一步提升了油污检测的准确率。
1.本发明为丝锭油污检测的总体流程。
2.本发明基于中值滤波器与多尺度小波分解的丝锭图像预处理算法
3.本发明基本韦伯算子的灰度图像与梯度图像差分的丝锭图像前景检测方法。
4.本发明基于距离变换的丝锭边缘圆弧的定位算法。
5.本发明基于小波变换与边缘检测的块状油污检测方法。
6.本发明基于相对灰度阈值变换和空域变换的图像灰度稳定分析算法。
7.本发明基于6算法的斑点油污检测方法。
8.本发明具有在线自动学习的块状油污检测方法。
附图说明
附图1是本发明系统的一种结构示意图；
附图2是本发明中托盘的一种结构示意图；
附图3是本发明的一种控制结构框图；
附图4是本发明方法的流程示意图；
附图5是本发明中丝锭侧面图像检测区域定位的一种流程示意图；
附图6是本发明中丝锭顶部、底部图像检测区域定位的一种流程示意图；
附图7本发明中块状油污检测的一种流程示意图；
附图8是本发明中斑点油污检测的一种流程示意图。
1-托盘 2-传送单元 3-暗箱 4-分拣单元 5-图像采集单元 6-图像处理单元 7-定位单元 8-第一红外单元 9-第二红外单元 10-第三红外单元 11-顶部摄像单元 12-顶部照明单元 13-侧面摄像单元 14-侧面照明单元 15-底部摄像单元 16-底部照明单元17-电子标签 18-第一读卡单元 19-写卡单元 20-第二读卡单元 21-底盘 22-支撑杆 23-连接头 24-丝锭 25-限位挡沿 26-导向条 27-摆杆 28-气缸 29-优良产品输送通道 30-缺陷产品输送通道。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例一种基于大数据自学习化纤丝锭智能外观检测系统，如图1所示，包括装载丝锭的托盘1，对托盘进行运输的传送单元2。在传送单元上设置有暗箱3，暗箱设置有入口和出口，传送单元有入口进入出口出去，在暗箱后的传送单元上设置有分拣单元4，在暗箱中设置有对丝锭顶面、侧面、底面分别进行图像采集的图像采集单元5，图像采集单元将采集信息发送给系统的图像处理单元6进行缺陷分析，对丝锭拍摄位置进行定位的定位单元。其中分拣单元接收缺陷分析结果对输出的丝锭进行分拣；图像处理单元对采集图像采用差分方法进行丝线检测区域定位，对检测区域进行油污检测。
如图1和图3所示，在托盘上设置有记录丝锭信息的电子标签17，该信息最初包括编号。在传送单元上设置有图像分析前对电子标签进行读取的第一读卡单元18、将分析结果写入电子标签的写卡单元19、分拣前对电子标签进行读取的第二读卡单元20。第一读卡单元、写卡单元、第二读卡单元分别与进入其感应范围内的电子标签17进行连接。第一读卡单元与图像处理单元输入端相连，写卡单元与图像处理单元输出端相连，第二读卡单元与分拣单元相连。第一读卡单元、写卡单元和第二读卡单元分别依次排列安装在传送单元上，托盘上的电子标签在经过它们感应区域时分别与其连接。
定位单元包括对丝锭到达三个图像采集位置分别进行检测的第一红外单元8、第二红外单元9、第三红外单元10。图像采集单元包括对丝锭底部进行图像采集的底部摄像单元15和底部照明单元16，对丝锭侧面进行图像采集的侧面摄像单元13和侧面照明单元14，对丝锭顶部进行图像采集的顶部摄像单元11和顶部照明单元12。第一红外单元分别与顶部摄像单元、顶部照明单元相连，第二红外单元分别与侧面摄像单元、侧面照明单元相连，第三红外单元分别与底部摄像单元相连、底部照明单元相连，顶部摄像单元、侧面摄像单元、底部摄像单元分别与图像处理单元相连。
如图2所示，托盘包括底盘21，在底盘中间竖直设置有支撑杆22，在支撑杆上端连接头23，丝锭24插在连接头上。传送单元为若干辊筒传动连接构成传送装置。如图1所示，在传送单元的两侧上分别设置有限位挡沿25，托盘的底盘两侧边缘部分分别压在限位挡沿下。
传送单元后端分岔形成缺陷产品输送通道30和优良产品输送通道29，优良产品输送通道与传送单元前部同向，缺陷产品输送通道垂直优良产品输送通道。
分拣单元安装在传送单元分岔处，分拣单元包括导向条26和气缸28，导向条为圆弧结构，导向条固定在摆杆27一端，摆杆另一端铰接在传送单元一侧，气缸固定在传送单元同侧，气缸的活塞杆前端铰接在摆杆近导向条一侧上，气缸拉伸时，推送导向条挡在优良产品通道前。
一种基于大数据自学习化纤丝锭智能外观检测方法，包括以下步骤：
S1.读取当前将进行图像采集操作的丝锭的电子标签信息；
在系统开始工作时，传送单元将按照有丝锭的托盘送入暗箱内，当其中托盘移动至第一读卡单元处时，电子标签进入第一读卡单元感应范围，第一读卡单元读取电子标签的信息并发送给图像处理单元，读取的信息包括编号即待检测丝锭的编号。
S2.检测到当前丝锭进入图像采集工位时，控制图像采集单元分别对丝锭顶部、侧面、底部进行图像采集；
托盘继续前进进入图像采集工位，图像采集包括以下控制过程：
S21.当第三红外单元检测到被丝锭遮蔽时，打开底部照明单元，同时控制顶部摄像单元延时0.1s后进行图像抓拍；
S22.当第一红外单元检测到被丝锭遮蔽时，关闭底部照明单元，打开顶部照明单元，同时控制顶部摄像单元延时0.1s后进行图像抓拍；
S23.当第二红外单元检测到被丝锭遮蔽时，关闭底部照明单元，打开侧面照明单元，同时控制侧面摄像单元延时0.1s后进行图像抓拍。
图像采集单元将采集的三个面图像发送至图像处理单元。
S3.图像处理单元分别对采集的丝锭三面的图像信息进行污点检测；如图4所示，污点检测的过程包括：
S31.对采集图像进行预处理；预处理的过程为：
S311.对采集图像进行灰度化处理；由于待检测的丝锭是白色，如果图像采集单元获取的是彩色图像，可以根据公式Y＝(R+B+G)/3，将RGB图像转化为灰度图像。其中Y表示处理后图像灰度值，R、B、G分别表示红、蓝、绿三个通道颜色值。
S312.对采集图像进行中值滤波；
S313.对采集图像进行多尺度小波变换，获得一个低分辨率的低频分量的增强图像数据。
S32.通过背景差分技术对丝锭检测区域进行定位；由于丝锭侧面拍摄的图像和顶部、底部拍摄的图像不相同，其检测区域定位的方法各不相同；
其中对侧部图像进行丝锭检测区域定位步骤，如图5所示，其包括：
S3211.拍摄一张图像作为固定背景图像；由于暗箱内光源相对固定，在工位上没有丝锭的情况下，拍摄一种图形作为暗箱的背景图像。
S3212.对背景图像与增强图像数据图像进行灰度差分，采用公式
Fi＝abs(I-B)/I＞thre
进行前景判断，其中Fi为灰度差分的前景二值图像，thre为阈值，abs为绝对值函数，I为待检测图像，B为背景图像；
S3213.对背景图像与增强图像数据图像进行梯度差分，计算增强数据图像和背景图像的x和y轴方向的梯度，分别记为IX、Iy、BX、By，采用公式
Fg＝(abs(Ix-Bx)＞thre1|abs(Iy-By)＞thre2)
进行前景判断，其中Fg为经过梯度差分得到的前景二值图像，thre1和thre2分别为x轴方向和y轴方向梯度的差分阈值，“|”表示x轴方向和y轴方向梯度差分的前景进行合并；
S3214.将获得的前景图像Fi和前景图像Fg采用或操作进行前景融合，获得完整前景图像；
S3215.对完整前景图像进行x轴方向投影，然后进行直方图扫描，分析上下两个端面出现的直方图突变点，定位丝锭y轴方向的上下两个边缘坐标；
S3216.对前景二值图像Fg进行距离变换，得到距离变换图像Fe，距离变换图像的每个像素点的值为从该点触发到最近前景点的欧式距离；
S3217.预先设计圆弧模板数据，遍历距离变换图像，计算模板图像所覆盖的距离的和，获得距离最小的点作为做种的匹配位置，计算公式如下，
其中X为最佳匹配点的坐标，T为圆弧模板，N表示模板T可以在Fe中遍历的范围，S为模板T的坐标范围，m表示模板的id，c为移动窗口的左上顶点坐标；然后利用预设模板匹配求得丝锭x轴方向的两个端面的边界坐标；由于图像中丝锭的左右两端面是圆弧形状的，所以前面的直方图扫描方法对于定位丝锭x轴方向的边界不适用。本实施例采用基于圆弧模板的匹配方法，在图像中搜索与预设的模板相似度最佳的位置作为线锭x轴方向的边缘。预先设计多个丝锭左右两端圆弧模板数据。本实施例中要定义的左右两个端面是不同的，所以设计了两个不同的圆弧模板，此时m＝0，1。
S3218.根据定位丝锭y轴方向的上下两个边缘坐标、丝锭x轴方向的两个端面的边界坐标进行定位获得检测区域；
其中对顶部、底部图像进行丝锭检测区域定位步骤，如图6所示，其包括：
S3221.拍摄一张图像作为固定背景图像；
S3222.对背景图像与增强图像数据图像进行灰度差分，采用公式
Fi＝abs(I-B)/I＞thre
进行前景判断，得到灰度差分的前景二值图像Fi，其中thre为阈值，abs为绝对值函数，I为待检测图像，B为背景图像；
S3223.利用连通域检测算法，将前景二值图Fi中边缘轮廓提取出来，作为丝锭的油污检测区域。
S33.图像检测区域定位后，对丝线检测区域分别进行油污检测；油污检测包括块状油污检测步骤和斑点油污检测步骤，每张图像均要经过块状油污检测和斑点油污检测。
块状油污检测步骤如图7所示，包括以下步骤：
S3311.将增强数据图像进行多尺度小波变换，获得一个低频信息大尺度图像；
S3312.在该大尺度图像上通过边缘检测提取图像的有无候选区域；
S3313.利用连通域检测算法，将候选区域分割成一个个独立的歧义区域；本步骤中采用8邻域连通域分析方法。
S3314.对歧义区域进行形状分析，形状呈现长条形的歧义区域不符合条件，为非块状油污区域，进行丢弃，形状非呈现长条形的歧义区域则符合条件，为块状油污区域，若最后获得块状油污区域，判断存在油污，若最后没有获得符合条件的歧义区域，判断不存在油污；
其中对歧义区域进行形状分析还包括自学习方法，包括以下步骤：
a.收集块状油污区域作为油污样本进行储存，收集非块状油污区域作为非油污样本进行储存；
b.当存储的油污样本和非油污样本达到设定数量后，根据收集的油污和非油污样本自动训练一个油污分类器；本实施例中当油污样本和非油污样本的数量达到500个的时候，就进行训练油污分类器。采用基于回归的深度神经网络作为油污判断的分类器。将油污样本和非油污样本一起作为神经网络的输入，将样本的类别(0表示非油污样本类，1表示油污样本类)作为神经网络的回归标签。Batchsize(批处理样本个数)设为48。通过SGD(随机梯度下降)方法不断迭代训练网络，直到训练误差基于稳定。
c.将油污分类器取代形状分析中之前的判断方法。将训练得到的分类器更新到形状分析中，作为后续的块状油污检测的判断依据。
斑点油污检测步骤如图8所示，包括以下步骤：
S3321.设定一个待测斑点油污的窗口大小，用这个窗口在检测区域内遍历整个增强数据图像；
S3322.对于每个遍历的窗口，利用otsu算法求得二值化阈值t，对窗口内的图像块进行二值化处理，得到二值化图像a；
S3323.利用比阈值t小些的阈值t1再对窗口内的图像块进行二值化处理，得到二值化图像b；
S3324.保持阈值t不变，改变窗口面积，利用阈值t对新的窗口内图像块进行二值化处理，得到二值化图像c；
S3325.根据公式分别分析二值化图像a、二值化图像b、二值化图像c的稳定性，其中p为，s为二值化图像的面积，t为阈值，a为窗口面积，THRE1和THRE2分别为预先人为设定的两个阈值；若有窗口满足上述公式的条件，则认为其是灰度稳定的窗口，作为斑点油污的候选点；
S3326.遍历所有窗口，得到所有候选点，对所有候选点的灰度均值分别与预先设定的阈值H进行比较，判断候选点灰度均值是否小于阈值H，若是则认为该候选点为斑点油污，若否则丢弃该候选点；斑点油污的灰度值一般比较低，本方案利用二值化图像的灰度均值进行判断，阈值H为预先设定的值。
S3327.最后若获得作为斑点油污的候选点，则判断存在油污，若没有获得作为斑点油污的候选点，则判断不存在油污。
在丝锭所有采集的图像都经过油污检测后，检测信息与编号相绑定形成该编号丝锭的油污检测信息。托盘继续前进，当托盘前进到写卡单元处时，电子标签进入写卡单元感应范围，此时写卡单元将编号以及检测油污信息写入到托盘的电子标签内。
S4.托盘继续前进，当进入到第二读卡单元感应范围内时，第二读卡单元读取当前经过丝锭的电子标签信息，发送给分拣单元，控制分拣单元将存在污点缺陷的丝锭分离出来。分离过程包括：
分拣单元判断收到的信息是否包含油污缺陷，即是否包含块状油污缺陷或斑点油污缺陷，若是则控制气缸动作，气缸推动摆杆摆动，将导向条推入到分叉口内，挡在优良产品通道前，此时托盘前进，托盘的支撑杆受到导向条阻挡，随着导向杆的引导，将托盘带人到缺陷产品通道内，完成自动分拣。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了托盘、传送单元、暗箱、分拣单元、图像采集单元等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (7)

1.一种基于大数据自学习化纤丝锭智能外观检测系统，其特征在于：包括
装载丝锭的托盘；
对托盘进行运输的传送单元，在传送单元上设置有暗箱，在暗箱后的传送单元上设置有分拣单元，在暗箱中设置有对丝锭顶面、侧面、底面分别进行图像采集的图像采集单元，图像采集单元将采集信息发送给系统的图像处理单元进行缺陷分析；
分拣单元接收缺陷分析结果对输出的丝锭进行分拣；
其中图像处理单元对采集图像采用差分方法进行丝线检测区域定位，对检测区域进行油污检测；
在托盘上设置有记录丝锭信息的电子标签，在传送单元上设置有图像分析前对电子标签进行读取的第一读卡单元、将分析结果写入电子标签的写卡单元、分拣前对电子标签进行读取的第二读卡单元，第一读卡单元、写卡单元、第二读卡单元分别与进入其感应范围内的电子标签进行连接，第一读卡单元与图像处理单元输入端相连，写卡单元与图像处理单元输出端相连，第二读卡单元与分拣单元相连；
所述托盘包括底盘，在底盘中间竖直设置有支撑杆，在支撑杆上端连接头，丝锭插在连接头上，所述传送单元为若干辊筒传动连接构成传送装置，在传送单元的两侧上分别设置有限位挡沿，托盘的底盘两侧边缘部分分别压在限位挡沿下，所述传送单元后端分岔形成缺陷产品输送通道和优良产品输送通道，优良产品输送通道与传送单元前部同向，缺陷产品输送通道垂直优良产品输送通道，所述分拣单元安装在传送单元分岔处，分拣单元包括导向条和气缸，所述导向条为圆弧结构，导向条固定在摆杆一端，摆杆另一端铰接在传送单元一侧，所述气缸固定在传送单元同侧，气缸的活塞杆前端铰接在摆杆近导向条一侧上，气缸拉伸时，推送导向条挡在优良产品通道前。
2.根据权利要求1所述的一种基于大数据自学习化纤丝锭智能外观检测系统，其特征是还包括定位单元，定位单元包括对丝锭到达三个图像采集位置分别进行检测的第一红外单元、第二红外单元、第三红外单元，所述图像采集单元包括对丝锭底部进行图像采集的底部摄像单元和底部照明单元，对丝锭侧面进行图像采集的侧面摄像单元和侧面照明单元，对丝锭顶部进行图像采集的顶部摄像单元和顶部照明单元，第一红外单元分别与顶部摄像单元、顶部照明单元相连，第二红外单元分别与侧面摄像单元、侧面照明单元相连，第三红外单元分别与底部摄像单元相连、底部照明单元相连，顶部摄像单元、侧面摄像单元、底部摄像单元分别与图像处理单元相连。
3.一种基于大数据自学习化纤丝锭智能外观检测方法，采用权利要求1或2中的系统，其特征是包括以下步骤：
S1.读取当前将进行图像采集操作的丝锭的电子标签信息；
S2.检测到当前丝锭进入图像采集工位时，控制图像采集单元分别对丝锭顶部、侧面、底部进行图像采集；
S3.图像处理单元分别对采集的丝锭三面的图像信息进行污点检测，污点检测包括：
S31.对采集图像进行预处理；
S32.通过背景差分技术对丝锭检测区域进行定位；具体过程包括：
对侧部图像进行丝锭检测区域定位步骤，其包括：
S3211.拍摄一张图像作为固定背景图像；
S3212.对背景图像与增强图像数据图像进行灰度差分，采用公式
Fi＝abs(I-B)/I＞thre
进行前景判断，其中Fi为灰度差分的前景二值图像，thre为阈值，abs为绝对值函数，I为待检测图像，B为背景图像；
S3213.对背景图像与增强图像数据图像进行梯度差分，计算增强数据图像和背景图像的x和y轴方向的梯度，分别记为IX、Iy、BX、By，采用公式
Fg＝(abs(Ix-Bx)＞thre1|abs(Iy-By)＞thre2)
进行前景判断，其中Fg为经过梯度差分得到的前景二值图像，thre1和thre2分别为x轴方向和y轴方向梯度的差分阈值，“|”表示x轴方向和y轴方向梯度差分的前景进行合并；
S3214.将获得的前景图像Fi和前景图像Fg采用或操作进行前景融合，获得完整前景图像；
S3215.对完整前景图像进行x轴方向投影，然后进行直方图扫描，分析上下两个端面出现的直方图突变点，定位丝锭y轴方向的上下两个边缘坐标；
S3216.对前景二值图像Fg进行距离变换，得到距离变换图像Fe，距离变换图像的每个像素点的值为从该点触发到最近前景点的欧式距离；
S3217.预先设计圆弧模板数据，遍历距离变换图像，计算模板图像所覆盖的距离的和，获得距离最小的点作为做种的匹配位置，计算公式如下，
其中X为最佳匹配点的坐标，T为圆弧模板，N表示模板T可以在Fe中遍历的范围，S为模板T的坐标范围，m表示模板的id，c为移动窗口的左上顶点坐标；然后利用预设模板匹配求得丝锭x轴方向的两个端面的边界坐标；
S3218.根据定位丝锭y轴方向的上下两个边缘坐标、丝锭x轴方向的两个端面的边界坐标进行定位获得检测区域；
其中对顶部、底部图像进行丝锭检测区域定位步骤，其包括：
S3221.拍摄一张图像作为固定背景图像；
S3222.对背景图像与增强图像数据图像进行灰度差分，采用公式Fi＝abs(I-B)/I＞thre
进行前景判断，得到灰度差分的前景二值图像Fi，其中thre为阈值，abs为绝对值函数，I为待检测图像，B为背景图像；
S3223.利用连通域检测算法，将前景二值图Fi中边缘轮廓提取出来，作为丝锭的油污检测区域；
S33.对丝线检测区域分别进行块状油污检测和斑点油污检测；
最后将所有采集图像检测结果写入当前丝锭的电子标签内；
S4.读取当前经过丝锭的电子标签信息，控制分拣单元将存在污点缺陷的丝锭分离出来。
4.根据权利要求3所述的一种基于大数据自学习化纤丝锭智能外观检测方法，其特征是步骤S2中图像采集包括以下控制过程：
S21.当第三红外单元检测到被丝锭遮蔽时，打开底部照明单元，同时控制顶部摄像单元延时0.1s后进行图像抓拍；
S22.当第一红外单元检测到被丝锭遮蔽时，关闭底部照明单元，打开顶部照明单元，同时控制顶部摄像单元延时0.1s后进行图像抓拍；
S23.当第二红外单元检测到被丝锭遮蔽时，关闭底部照明单元，打开侧面照明单元，同时控制侧面摄像单元延时0.1s后进行图像抓拍。
5.根据权利要求3或4所述的一种基于大数据自学习化纤丝锭智能外观检测方法，其特征是步骤S31具体包括以下过程：
S311.对采集图像进行灰度化处理；
S312.对采集图像进行中值滤波；
S313.对采集图像进行多尺度小波变换，获得一个低分辨率的低频分量的增强图像数据。
6.根据权利要求3所述的一种基于大数据自学习化纤丝锭智能外观检测方法，其特征是步骤S33包括块状油污检测步骤和斑点油污检测步骤，任一步骤中检测到存在油污则判断所检测的采集图像存在油污；
块状油污检测步骤包括：
S3311.将增强数据图像进行多尺度小波变换，获得一个低频信息大尺度图像；
S3312.在该大尺度图像上通过边缘检测提取图像的有无候选区域；
S3313.利用连通域检测算法，将候选区域分割成一个个独立的歧义区域；
S3314.对歧义区域进行形状分析，形状呈现长条形的歧义区域不符合条件，为非块状油污区域，进行丢弃，形状非呈现长条形的歧义区域则符合条件，为块状油污区域，若最后获得块状油污区域，判断存在油污，若最后没有获得符合条件的歧义区域，判断不存在油污；
斑点油污检测步骤包括：
S3321.设定一个待测斑点油污的窗口大小，用这个窗口在检测区域内遍历整个增强数据图像；
S3322.对于每个遍历的窗口，利用otsu算法求得二值化阈值t，对窗口内的图像块进行二值化处理，得到二值化图像a；
S3323.利用比阈值t小些的阈值t1再对窗口内的图像块进行二值化处理，得到二值化图像b；
S3324.保持阈值t不变，改变窗口面积，利用阈值t对新的窗口内图像块进行二值化处理，得到二值化图像c；
S3325.根据公式分别分析二值化图像a、二值化图像b、二值化图像c的稳定性，其中p为稳定值，s为二值化图像的面积，t为阈值，a为窗口面积，THRE1和THRE2分别为预先人为设定的两个阈值；若有窗口满足上述公式的条件，则认为其是灰度稳定的窗口，作为斑点油污的候选点；
S3326.遍历所有窗口，得到所有候选点，对所有候选点的灰度均值分别与预先设定的阈值H进行比较，判断候选点灰度均值是否小于阈值H，若是则认为该候选点为斑点油污，若否则丢弃该候选点；
S3327.最后若获得作为斑点油污的候选点，则判断存在油污，若没有获得作为斑点油污的候选点，则判断不存在油污。
7.根据权利要求6所述的一种基于大数据自学习化纤丝锭智能外观检测方法，其特征是步骤S3314中对歧义区域进行形状分析还包括自学习方法，包括以下步骤：
a.收集块状油污区域作为油污样本进行储存，收集非块状油污区域作为非油污样本进行储存；
b.当存储的油污样本和非油污样本达到设定数量后，根据收集的油污和非油污样本自动训练一个油污分类器；
c.将油污分类器取代形状分析中之前的判断方法。
CN201611236218.2A 2016-12-28 2016-12-28 一种基于大数据自学习化纤丝锭智能外观检测系统及方法 Active CN106841209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611236218.2A CN106841209B (zh) 2016-12-28 2016-12-28 一种基于大数据自学习化纤丝锭智能外观检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611236218.2A CN106841209B (zh) 2016-12-28 2016-12-28 一种基于大数据自学习化纤丝锭智能外观检测系统及方法

Publications (2)

Publication Number Publication Date
CN106841209A CN106841209A (zh) 2017-06-13
CN106841209B true CN106841209B (zh) 2019-05-24

Family

ID=59112853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611236218.2A Active CN106841209B (zh) 2016-12-28 2016-12-28 一种基于大数据自学习化纤丝锭智能外观检测系统及方法

Country Status (1)

Country Link
CN (1) CN106841209B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108160528A (zh) * 2017-12-28 2018-06-15 安徽宏实光机电高科有限公司 一种具有云服务鉴别功能的色选机块状物料剔除装置
CN108508035B (zh) * 2018-05-10 2023-11-24 杭州慧知连科技有限公司 化纤丝锭外观缺陷智能检测设备
CN109142369B (zh) * 2018-07-23 2021-07-13 杭州慧知连科技有限公司 一种化纤丝饼外观检测装置
CN109060803A (zh) * 2018-08-10 2018-12-21 江苏恒神股份有限公司 碳纤维颜色差异检测装置及检测方法
CN109187370B (zh) * 2018-08-10 2021-04-02 江苏恒神股份有限公司 一种碳纤维颜色差异检测方法
CN110857920A (zh) * 2018-08-24 2020-03-03 东华大学 一种卷装长丝的成型不良缺陷检测方法
CN110857919A (zh) * 2018-08-24 2020-03-03 东华大学 一种卷装长丝的尾丝缺陷检测方法
CN110857921A (zh) * 2018-08-24 2020-03-03 东华大学 一种卷装长丝的毛丝缺陷检测方法
CN110858395B (zh) * 2018-08-24 2024-03-26 东华大学 一种卷装长丝的污丝缺陷检测方法
CN109454006B (zh) * 2018-10-08 2020-06-16 杭州慧知连科技有限公司 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法
CN109255787B (zh) * 2018-10-15 2021-02-26 杭州慧知连科技有限公司 基于深度学习和图像处理技术的丝锭划痕检测系统及方法
CN110175659B (zh) * 2018-12-04 2022-04-19 深圳码隆科技有限公司 纺丝机故障监测方法
CN109550712B (zh) * 2018-12-29 2020-09-22 杭州慧知连科技有限公司 一种化纤丝尾丝外观缺陷检测系统及方法
CN109775343A (zh) * 2019-01-25 2019-05-21 深圳市迈腾电子有限公司 一种调控系统、调控方法及检测生产线
CN110082356A (zh) * 2019-04-20 2019-08-02 东莞中科蓝海智能视觉科技有限公司 线材表面缺陷的视觉检测方法及装置
CN110956656A (zh) * 2019-12-17 2020-04-03 北京工业大学 一种基于深度目标检测的纺锤定位方法
CN113533357B (zh) * 2020-04-16 2023-09-29 杭州慧知连科技有限公司 丝锭表面缺陷视觉检测方法及其检测装置
CN111815564B (zh) * 2020-06-09 2024-03-29 浙江华睿科技股份有限公司 一种检测丝锭的方法、装置及丝锭分拣系统
CN112819780A (zh) * 2021-01-29 2021-05-18 菲特（天津）检测技术有限公司 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统
CN113588686A (zh) * 2021-02-10 2021-11-02 菲特(珠海横琴)智能科技有限公司 基于丝锭视觉检测的光学设计系统、打光及明暗场校正方法
CN113546864A (zh) * 2021-07-30 2021-10-26 中国农业大学 一种智能分拣信息管理系统
CN113936152B (zh) * 2021-09-26 2024-04-12 武汉纺织大学 一种基于全局—局部双摄图像的丝束匹配定位方法
CN114354636A (zh) * 2022-01-19 2022-04-15 苏州中锐图智能科技有限公司 一种高效的化纤丝锭缺陷检测流程运行方法
CN114820627B (zh) * 2022-06-30 2022-09-09 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN116448666B (zh) * 2023-04-12 2024-03-26 广东奥普特科技股份有限公司 一种基于机器视觉的锂电池盒的检测装置及检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950354A (zh) * 2010-09-03 2011-01-19 西安大唐电信有限公司 一种国铁货车车号信息图像识别系统及方法
CN102323271A (zh) * 2011-06-13 2012-01-18 南通大学 丝束污点信息采集装置
CN102608125B (zh) * 2012-02-29 2014-01-29 南通醋酸纤维有限公司 丝束外观质量检测系统
CN203422319U (zh) * 2013-03-27 2014-02-05 湖南大学 锂电池无损检测系统
CN103472066B (zh) * 2013-09-10 2015-09-02 浙江中烟工业有限责任公司 一种rfid物流平托盘可续用性全自动检测系统及方法
CN105044114B (zh) * 2015-04-27 2018-08-10 中国人民解放军理工大学 一种电解电容外观包装缺陷图像检测系统与方法
CN205378111U (zh) * 2016-01-20 2016-07-06 湖北讯华科技股份有限公司 基于可视数据采集的帽式系统

Also Published As

Publication number Publication date
CN106841209A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN106841209B (zh) 一种基于大数据自学习化纤丝锭智能外观检测系统及方法
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN104021574B (zh) 路面病害自动识别方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN109550712A (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法
CN108090494B (zh) 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN104483320B (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN104992449A (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
CN104077577A (zh) 一种基于卷积神经网络的商标检测方法
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN106339657B (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN108648211A (zh) 一种基于深度学习的小目标检测方法、装置、设备和介质
CN105973904A (zh) 一种基于图像背景概率图的食用油杂质检测方法
CN104021375A (zh) 一种基于机器学习的车型识别方法
CN115601355A (zh) 一种产品表面缺陷检测与分类方法、装置及存储介质
CN104408449A (zh) 智能移动终端场景文字处理方法
CN104504381B (zh) 非刚体目标检测方法及其系统
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN109961070A (zh) 一种输电线路智能化图像监测中区分雾体浓度的方法
CN113777030A (zh) 一种基于机器视觉的布料表面缺陷检测装置及方法
CN110263693A (zh) 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20170821

Address after: Xiaoshan District of Hangzhou City, Zhejiang province 311215 Wai Street Building 1 room 703 - Branch

Applicant after: Hangzhou Hui Zhi Zhi Technology Co., Ltd.

Address before: Room 1005, block A, Huanglong Times Square, No. 18, Xihu District Road, Hangzhou, Zhejiang

Applicant before: Hangzhou wisdom Technology Co., Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant