CN107256553A - 一种经纱上浆效果的检测方法 - Google Patents

一种经纱上浆效果的检测方法 Download PDF

Info

Publication number
CN107256553A
CN107256553A CN201710453065.5A CN201710453065A CN107256553A CN 107256553 A CN107256553 A CN 107256553A CN 201710453065 A CN201710453065 A CN 201710453065A CN 107256553 A CN107256553 A CN 107256553A
Authority
CN
China
Prior art keywords
yarn
mrow
msub
image
denoising
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.)
Granted
Application number
CN201710453065.5A
Other languages
English (en)
Other versions
CN107256553B (zh
Inventor
高卫东
朱博
刘建立
王鸿博
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201710453065.5A priority Critical patent/CN107256553B/zh
Publication of CN107256553A publication Critical patent/CN107256553A/zh
Application granted granted Critical
Publication of CN107256553B publication Critical patent/CN107256553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种上浆效果的检测方法，包括以下步骤：①使用图像采集装置对上浆前后的纱线分别进行动态不间断拍摄，获取纱线序列图像；②对纱线序列图像进行阈值分割得到纱线二值图像；去噪，得到去噪后的纱线二值图像，其中表示纱线的像素定义为有效像素点；③对去噪后的二值图像进行数据处理，通过函数运算，得到浆膜平均厚度、纱线的条干均匀度、浆液渗透率的数据；采用上述方法，能够快速得得到纱线浆纱之后的浆膜平均厚度、条干均匀度以及浆液渗透率，为上浆效果提供了有效的数据支持。

Description

一种经纱上浆效果的检测方法
技术领域
本发明涉及一种上浆效果的测试方法，属于纺织浆纱技术领域。
背景技术
上浆是纺织工序中不可或缺的环节，直接影响经纱织造效率以及质量。经过上浆后，一部分浆液粘着在纱线的表面，经过烘干后表层覆盖的浆液形成一层坚韧的浆膜，它能使经纱毛羽贴伏在纱线条干表面，使其光滑度提高，并使耐磨性增强；一部分浆液渗透至棉纱内部的纤维之间，纤维之间的相互粘结也增加了浆纱的强力，提高了经纱在织造过程中的抵抗机械摩擦的能力，显著减少了断头数量。
评价上浆效果只要是通过对浆纱包括强伸度、耐磨性、毛羽伏贴率、浆液渗透率、被覆率及浆膜完整率等指标的检测，其中浆液渗透率、被覆率及浆膜完整率需通过浆纱切片试验获得，但由于测试时间较长，且测试成本较高，这三项质量指标一直未得到普遍应用。在预湿上浆、高压上浆等新方法不断推出的今天，人们利用浆纱截面分析的量化特征指标分析来解释这些新型上浆方法的作用机理更为必要。
目前常用的浆液渗透率、被覆率及浆膜完整率的测试方法主要有以下三种普通生物显微镜测试方法、显微投影仪测试方法以及视频显微镜测试方法。以上三种方法是目前应用最广泛的三种方法，但它们均存在测试速度慢，测试结果受人为因素影响的问题，因此这就迫切要求寻找新的方法去测量浆纱的被覆率和渗透率。
发明内容
针对上述现有技术存在的问题，本发明的所要解决的技术问题是提供一种新的有效检测上浆效果的方法，该方法能够有效检测纱线浆纱之后的浆膜平均 厚度、条干均匀度以及浆液渗透率。
为此，本发明提供一种上浆效果的检测方法，包括以下步骤：
①使用图像采集装置对上浆前后的纱线分别进行动态不间断拍摄，获取纱线序列图像；
②对纱线序列图像进行阈值分割得到纱线二值图像；去噪，得到去噪后的纱线二值图像，其中表示纱线的像素定义为有效像素点；
③对去噪后的二值图像进行数据处理，得到浆膜平均厚度、纱线的条干均匀度、浆液渗透率数据；
其中，浆膜平均厚度计算公式为：
纱线的条干均匀度计算公式为：
浆液渗透率是浆液渗透体积与原棉纱线体积的比值，其计算公式为：
上式中：R0为浆膜平均厚度，CV1是上浆前的纱线的条干均匀度，CV2是上浆后的纱线的条干均匀度，PR是浆液渗透率；Ri是去噪后的上浆后纱线二值图像中第i列含有的有效像素点数，ri是去噪后的上浆前纱线二值图像中第i列含有的有效像素点数，是同一纱线二值图像中Ri的平均值，是同一纱线二值图像中ri的平均值；W是纱线长度方向上图像的像素数，a是单位像素的纱线长度；m1是浆纱后的纱线质量，m0是浆纱前的纱线质量，ρ是浆液密度。
进一步的，所述步骤②中阈值分割采用K-means聚类算法。
进一步的，所述步骤②中去噪采用双判定模板法，具体为：
先观察，找到纱线的最大毛羽尺寸b×c，其中b是毛羽在纱线长度方向上所占的像素数，c是毛羽在纱线直径方向上所占的像素数；
然后依次对去噪前的有效像素点进行判定和修正：以待判定点为基点，分别向该基点的纱线长度方向上延伸至第b个像素点，向该基点的纱线直径方向上下两边各延伸至第c个像素点，得到两个判定框；接着，对两个判定框内的有效像素点进行计数，得到有效像素判定值x1和x2，如果x1和x2同时小于y，则将该有效像素点修正为无效像素点，如果x1和/或x2大于等于y，则仍然认为该点为有效像素点；
其中，所述y取值范围为b×c-b±1，优选b×c-b
更进一步的，在完成一次对所有的有效像素点的判定和修正之后，采用同样的方法，再判定和修正至少2次。
纱线序列图像的自动阈值分割是提取纱线特征的关键步骤，直接影响计算纱线细节化特征的精确度。本专利提出了动态阈值法获取图像阈值，可快速自动确定序列图像的阈值且不依靠人工操作。采用K-means聚类算法对序列图像进行阈值分割。在设备采集的序列图像相对应纱线的实际长度较短，相连续的图像灰度特征具有高相似性，因此，前一帧图像聚类中心的信息可用于下一帧图像处理。为减少计算时间，前一帧图像的聚类中心可作为下一帧的初始聚类中心。采用上述去噪的方法不仅能够有效地去除毛羽对数据处理的干扰，还能够最大限度的保留纱线的信息。采用上述方法，能够快速得得到纱线浆纱之后的浆膜平均厚度、条干均匀度以及浆液渗透率，为上浆效果提供了有效的数据支持。
附图说明
图1是实施例中四种样品纱线浆纱前后的采集图像；
图2是#2纱线去噪前的二值图像；
图3是去噪方法的示意图；
图4是#2纱线去噪后的二值图像。
具体实施方式
下面结合具体实施例进一步阐述本发明的技术特点。
本专利中选取四种100％纯棉纱线(江苏悦达棉纺有限公司)，如表1所示。在GA168型浆纱机上进行泡沫上浆。将氧化淀粉与聚丙烯酸以60:40比例调浆，浆液浓度为10％；浆纱后的纱线编号对应为#1’、#2’、#3’、#4’。分别选取10米原纱与浆后纱线进行检测。将纱线样品在相对湿度为65±5％，温度为25±5℃环境中保存，待用。
表1四种纱线样品
对#1、#2、#3、#4以及#1’、#2’、#3’、#4’八种纱线，分别采用同一图像采集装置进行图像采集。该采集设备包括光源、CCD面阵图像传感器、相机镜头等用于采集图像，还包括张力控制装置等用于输送纱线。纱线经过纱线张力控制面板进入密闭成像盒，并在成像盒中完成动态序列图像的采集。在此密闭的成像盒中采集纱线图像时，可避免外界光源对图像采集的干扰。密封成像盒中采用一种特殊光源。此外，纱线线圈的组合装置、伺服电机与纱线张力控制器应用于纱线的牵引并控制纱线的张力处于稳定状态。纱线序列图像采用CCD面阵图像传感器进行采集。采集到的纱线序列图像见图1。
如表2所示，以#1、#2、#3、#4四种纱线样品为例，图像阈值可以通过K-means算法确定，且计算时间仅仅约为0.1秒。由此表明，K-means聚类算法能够快速地获取纱线二值图像，为接下来的纱线特征提取的计算节省了大量的时间，保证了对每一帧图像实时自动处理。
表2四种纱线样品图像的阈值
以#2纱线为例，对噪音处理进行进一步描述，经过K-means聚类算法对序列图像进行阈值分割后，二值图像中不可避免地存在一些噪声信息。如图2所示，白色像素点代表纱线信息，黑色部分表示背景信息。通过上述判定模板对纱线二值图像进行处理，图像中的干扰信息如纱线表面短绒毛以及噪声点被完全消除。而纱线中心部分的信息被完整保留在二值图像4中。
具体的噪音处理过程可以参考图3：经过观察发现，在二值图像(图2)中纱线毛羽的最大尺寸约为2像素×5像素。如图4所示，采用两个2像素×5像素判定框(如图3中白框和黑框)自上至下，从左到右浏览检测二值图像中每一个有效像素点(白点)。二值图像中有效像素点(白点)设置为1，无效像素点(黑色，也就是背景)为0。灰色像素点为待测的有效像素点，分别以该待测有效像素点为基点，如图3一样，向右下方和右上方各设置一个判定框，对两个判定框内的有效像素点进行计数，发现黑框中有8个有效像素点，白框中有4个有效像素点，分别与设定值8(根据需要，该设定值可以上下浮动，优选8：理由是，在本实施例中，每个判定框有10个像素，减去其中与另一判定框重复的2个像素，因此，将设定值优选设定为8)进行比较，仅有一个判定框内的有效像素点数小于8，因此，本轮的判定中，认为该点属于有效像素点。如果两个判定框中的有效像素点数均小于8，则相应地认为该判定点属于噪音，将其修正为无效像素点。
如上重复3次之后，得到图4所示的去噪后的二值图像。用同样的方法，可以对所有8种纱线进行去噪。得到去噪后的二值图像。然后进行数据分析。
在本实施例中，图像采集装置的分辨率为768像素×600像素，其中，纱线为横向(即长度方向对于768像素)，经对照，图像采集的每一帧中，纱线长度为4mm，因此，可计算得到每个像素点对应的距离为5.21μm。
因此，可以得到浆膜平均厚度计算公式为：
纱线的条干均匀度计算公式为：
浆液渗透率是浆液渗透体积与原棉纱线体积的比值，其计算公式为：
其中，
ri＝(pi-qi)×5.21×10-4
Ri＝(Pi-Qi)×5.21×10-4
上式中：R0为浆膜平均厚度，CV1是上浆前的纱线的条干均匀度，CV2是上浆后的纱线的条干均匀度，PR是浆液渗透率；Ri是去噪后的上浆后纱线二值图像中第i列含有的有效像素点数，ri是去噪后的上浆前纱线二值图像中第i列含有的有效像素点数，是同一纱线二值图像中Ri的平均值，是同一纱线二值图像中ri的平均值；m1是浆纱后的纱线质量，m0是浆纱前的纱线质量，ρ是浆 液密度。
每一个样品的浆膜厚度是由浆后纱线的平均直径减去原纱平均直径计算而得，#1，#2，#3与#4纱线样品经过上浆后，可计算得出浆膜厚度分别为0.109mm，0.128mm，0.120mm与0.117mm。
原纱与浆后纱线的变异系数即为纱线条干均匀度，经计算可得，#1，#2，#3与#4原棉纱线的条干不匀率分别为12.47％，14.59％，17.83％与15.42％；经过上浆后，纱线条干均匀度明显低于原棉纱线，分别为4.32％，5.06％，6.43％与4.89％。
经计算可得，#1，#2，#3与#4纱线浆液渗透率分别为18.2％，21.3％，19.5％与22.4％。
表3纱线直径与浆膜厚度
表4纱线条干不匀率
表5浆纱渗透率
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种经纱上浆效果的检测方法，其特征在于，包括以下步骤：
①使用图像采集装置对上浆前后的纱线分别进行动态不间断拍摄，获取纱线序列图像；
②对纱线序列图像进行阈值分割得到纱线二值图像；去噪，得到去噪后的纱线二值图像，其中表示纱线的像素定义为有效像素点；
③对去噪后的二值图像进行数据处理，得到浆膜平均厚度、纱线的条干均匀度、浆液渗透率数据；
其中，浆膜平均厚度计算公式为：
<mrow> <msub> <mi>R</mi> <mn>0</mn> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>W</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mi>a</mi> </mrow> <mi>W</mi> </mfrac> <mo>...</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
纱线的条干均匀度计算公式为：
<mrow> <mi>C</mi> <mi>V</mi> <mn>1</mn> <mo>=</mo> <mfrac> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>W</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mi>W</mi> </mrow> </msqrt> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> <mo>...</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>C</mi> <mi>V</mi> <mn>1</mn> <mo>=</mo> <mfrac> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>W</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>R</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mi>W</mi> </mrow> </msqrt> <mover> <mi>R</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> <mo>...</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
浆液渗透率是浆液渗透体积与原棉纱线体积的比值，其计算公式为：
<mrow> <msub> <mi>P</mi> <mi>R</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>m</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>m</mi> <mn>0</mn> </msub> <mo>-</mo> <mi>&amp;rho;</mi> <mi>&amp;pi;</mi> <mi>&amp;Sigma;</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <msubsup> <mi>&amp;rho;&amp;pi;&amp;Sigma;r</mi> <mi>i</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>...</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
上式中：R0为浆膜平均厚度，CV1是上浆前的纱线的条干均匀度，CV2是上浆后的纱线的条干均匀度，PR是浆液渗透率；Ri是去噪后的上浆后纱线二值图像中第i列含有的有效像素点数，ri是去噪后的上浆前纱线二值图像中第i列含有的有效像素点数，是同一纱线二值图像中Ri的平均值，是同一纱线二值图像中ri的平均值；W是纱线长度方向上图像的像素数，a是单位像素的纱线长度；m1是浆纱后的纱线质量，m0是浆纱前的纱线质量，ρ是浆液密度。
2.如权利要求1所述的一种经纱上浆效果的检测方法，其特征在于，所述步骤②中阈值分割采用K-means聚类算法。
3.如权利要求2所述的一种经纱上浆效果的检测方法，其特征在于，前一帧图像的聚类中心作为下一帧的初始聚类中心。
4.如权利要求1所述的一种经纱上浆效果的检测方法，其特征在于，所述步骤②中去噪采用双判定模板法，具体为：
先观察，找到纱线的最大毛羽尺寸b×c，其中b是毛羽在纱线长度方向上所占的像素数，c是毛羽在纱线直径方向上所占的像素数；
然后依次对去噪前的有效像素点进行判定和修正：以待判定点为基点，分别向该基点的纱线长度方向上延伸至第b个像素点，向该基点的纱线直径方向上下两边各延伸至第c个像素点，得到两个判定框；接着，对两个判定框内的有效像素点进行计数，得到有效像素判定值x1和x2，如果x1和x2同时小于y，则将该有效像素点修正为无效像素点，如果x1和/或x2大于等于y，则仍然认为该点为有效像素点；
其中，所述y取值范围为b×c-b±1。
5.如权利要求4所述的一种经纱上浆效果的检测方法，其特征在于，所述y取值b×c-b。
6.如权利要求4所述的一种经纱上浆效果的检测方法，其特征在于，在完成一次对所有的有效像素点的判定和修正之后，采用同样的方法，再判定和修正至少2次。
CN201710453065.5A 2017-06-15 2017-06-15 一种经纱上浆效果的检测方法 Active CN107256553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710453065.5A CN107256553B (zh) 2017-06-15 2017-06-15 一种经纱上浆效果的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710453065.5A CN107256553B (zh) 2017-06-15 2017-06-15 一种经纱上浆效果的检测方法

Publications (2)

Publication Number Publication Date
CN107256553A true CN107256553A (zh) 2017-10-17
CN107256553B CN107256553B (zh) 2018-04-17

Family

ID=60024130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710453065.5A Active CN107256553B (zh) 2017-06-15 2017-06-15 一种经纱上浆效果的检测方法

Country Status (1)

Country Link
CN (1) CN107256553B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257318A (zh) * 2020-02-24 2020-06-09 江南大学 一种浆纱表面被覆效果表征方法及浆纱条干影像采集装置
CN114808326A (zh) * 2022-07-01 2022-07-29 南通永安纺织有限公司 基于计算机辅助设计的浆纱机上浆质量调控方法
CN115015244A (zh) * 2022-04-22 2022-09-06 江苏欧罗曼家纺有限公司 基于多模态传感设备的浆纱上浆品质分析方法
CN116858991A (zh) * 2023-09-04 2023-10-10 济宁华晟服装股份有限公司 一种棉织品退浆处理监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040008870A1 (en) * 2002-06-24 2004-01-15 Arkady Cherkassky Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface
CN1793844A (zh) * 2005-11-30 2006-06-28 江苏科技大学 纺织品色牢度色差评级测试方法和装置
US20110235867A1 (en) * 2008-09-29 2011-09-29 Mann+Hummel Gmbh Method and system of determining the fiber diameter distribution of a fibrous media
CN103336962A (zh) * 2013-07-16 2013-10-02 慈溪思达电子科技有限公司 纱线状态传感器的图像判定方法
CN104392441A (zh) * 2014-11-18 2015-03-04 浙江理工大学 基于图像处理的高抗噪织物沾水等级检测评定方法
CN105374046A (zh) * 2015-12-03 2016-03-02 江南大学 一种基于细纱图像的细纱机在线断头检测装置及检测算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040008870A1 (en) * 2002-06-24 2004-01-15 Arkady Cherkassky Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface
CN1793844A (zh) * 2005-11-30 2006-06-28 江苏科技大学 纺织品色牢度色差评级测试方法和装置
US20110235867A1 (en) * 2008-09-29 2011-09-29 Mann+Hummel Gmbh Method and system of determining the fiber diameter distribution of a fibrous media
CN103336962A (zh) * 2013-07-16 2013-10-02 慈溪思达电子科技有限公司 纱线状态传感器的图像判定方法
CN104392441A (zh) * 2014-11-18 2015-03-04 浙江理工大学 基于图像处理的高抗噪织物沾水等级检测评定方法
CN105374046A (zh) * 2015-12-03 2016-03-02 江南大学 一种基于细纱图像的细纱机在线断头检测装置及检测算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIE ZHANG 等: "Automatic recognition of the color effect of yarn-dyed fabric by the smallest repeat unit recognition algorithm", 《TEXTILE RESEARCH JOURNAL》 *
余晓明: "基于图像处理技术的浆纱被覆率与浸透率的测定", 《中国优秀硕士学位论文全文数据库》 *
姬建正 等: "基于数字图像处理的纱线线密度测量", 《纺织学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257318A (zh) * 2020-02-24 2020-06-09 江南大学 一种浆纱表面被覆效果表征方法及浆纱条干影像采集装置
CN115015244A (zh) * 2022-04-22 2022-09-06 江苏欧罗曼家纺有限公司 基于多模态传感设备的浆纱上浆品质分析方法
CN114808326A (zh) * 2022-07-01 2022-07-29 南通永安纺织有限公司 基于计算机辅助设计的浆纱机上浆质量调控方法
CN116858991A (zh) * 2023-09-04 2023-10-10 济宁华晟服装股份有限公司 一种棉织品退浆处理监测方法
CN116858991B (zh) * 2023-09-04 2023-12-01 济宁华晟服装股份有限公司 一种棉织品退浆处理监测方法

Also Published As

Publication number Publication date
CN107256553B (zh) 2018-04-17

Similar Documents

Publication Publication Date Title
CN107256553B (zh) 一种经纱上浆效果的检测方法
CN105158258B (zh) 一种基于计算机视觉的竹条表面缺陷检测方法
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN106952258A (zh) 一种基于梯度方向直方图的瓶口缺陷检测方法
CN114693676B (zh) 一种新材料纺织品漂白缺陷光学检测方法及装置
CN110403232A (zh) 一种基于二级算法的烟支质量检测方法
CN115100200B (zh) 基于光学手段的光纤缺陷检测方法及系统
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN116342583A (zh) 一种用于纺纱生产加工的抗起球性能检测方法
CN113777033A (zh) 一种基于机器视觉的生条缺陷检测方法和装置
Wang et al. Single vision based identification of yarn hairiness using adaptive threshold and image enhancement method
CN114842013B (zh) 一种纺织品纤维强度检测方法及系统
CN109035248A (zh) 疵点检测方法、装置、终端设备、服务器和存储介质
CN113592868A (zh) 一种玻纤布面黑灰检测方法
Pereira et al. Computer vision techniques for detecting yarn defects
CN109919939B (zh) 一种基于遗传算法的纱线缺陷检测方法和装置
CN111257318B (zh) 一种浆纱表面被覆效果表征方法及浆纱条干影像采集装置
CN112927180B (zh) 一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法
CN114913180B (zh) 一种棉布筘痕缺陷的智能检测方法
Telli The comparison of the edge detection methods in the determination of yarn hairiness through image processing
Li et al. A direct measurement method of yarn evenness based on machine vision
CN106910276B (zh) 检测纸币新旧的方法及装置
Veit et al. Image processing as a tool to improve machine performance and process control
Zhang et al. Real-time automated visual inspection system for contaminant removal from wool
TW201211348A (en) Yarn detecting device and method thereof

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
GR01 Patent grant
GR01 Patent grant