CN109472779A - 一种基于形态结构的纱线外观特征参数提取与分析方法 - Google Patents

一种基于形态结构的纱线外观特征参数提取与分析方法 Download PDF

Info

Publication number
CN109472779A
CN109472779A CN201811243523.3A CN201811243523A CN109472779A CN 109472779 A CN109472779 A CN 109472779A CN 201811243523 A CN201811243523 A CN 201811243523A CN 109472779 A CN109472779 A CN 109472779A
Authority
CN
China
Prior art keywords
yarn
image
filoplume
background
gray level
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
CN201811243523.3A
Other languages
English (en)
Other versions
CN109472779B (zh
Inventor
辛斌杰
王文帝
邓娜
李佳平
张学雨
易亚男
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.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
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 Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201811243523.3A priority Critical patent/CN109472779B/zh
Publication of CN109472779A publication Critical patent/CN109472779A/zh
Application granted granted Critical
Publication of CN109472779B publication Critical patent/CN109472779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/90Dynamic range modification of images or parts thereof
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20004Adaptive image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20224Image subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30124Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于形态结构的纱线外观特征参数提取与分析方法,其技术方案要点是:一种基于形态结构的纱线外观特征参数提取与分析方法,包括如下步骤:步骤1、纱线图像预处理步骤,对工业相机采集的纱线图像背景处理,并进行图像倾斜校正,通过图像滤波处理,得到背景噪声少及纱芯和毛羽清晰的纱线灰度图像;步骤2、图像分割步骤,预处理后的纱线灰度图像进行纱线和背景分割,得到纱线二值图像;步骤3、形态学处理步骤,对分割后的纱线二值图像进行纱芯和纱线毛羽的提取;步骤4、纱线毛羽长度和数量统计步骤,对形态学处理步骤后的的纱线二值图像分析计算并输出计算结果。本发明能够到达自动精确的对纱线外观参数准确提取和分析的效果。

Description

一种基于形态结构的纱线外观特征参数提取与分析方法
技术领域
该发明属于纺织领域,特别是涉及一种基于形态结构的纱线外观特征参数提取与分析方法。
背景技术
近年来随着纺织业的技术创新和进步,对纺织品的质量检测提出了更高的要求。在纺织品生产过程的各个阶段都会出现影响其外观和质量的因素,然而最常见的影响因素是纱线的质量。在纱线质量检测中毛羽是衡量纱线质量好坏的重要指标之一,纱线毛羽对纱线的性能、质量和后序加工过程有影响显著。传统的检测方法分为人力检测和机器检测,人力检测主观因素影响大,机器检测存在效率低或者检测条件苛刻,需要一种新的检测纱线方法来代替传统检测方法。
随着计算机视觉系统和数字图像处理的快速发展,国内外许多专家和学者提出很多的数字化图像分析方法来检测纱线毛羽的参数,从而实现对纱线毛羽的数字化检测。数字化检测纱线毛羽参数实质是用图像处理方法对采集到的纱线图像进行处理,然后对处理结果分析得出纱线参数。
专利申请号为201310754359.3的专利公开了一种纺织纱线直径动态快速测量装置与方法,利用图像采集装置设置纱线样点采集距离及相机采集速度,获取纱线序列图像,应用图像处理和图像分析方法,得到纱线的直径参数,进而检测出纱线直径的变化。专利申请号为201610275810.7的专利公开了一种细纱机纱线多目标动态检测装置及其检测方法,利用CCD相机采集纱线动态图像,应用图像处理方法对图像处理,然后用控制模块对结果分析,进而得到纱线质量信息。
而现有图像法测量纱线参数存在较大误差,影响计算纱线毛羽数量及长度。因此需要提出一种新的方案来解决这个问题。
发明内容
针对上述问题,本发明的目的是提供一种基于形态结构的纱线外观特征参数提取与分析方法,到达自动精确的对纱线外观参数准确提取和分析的效果。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于形态结构的纱线外观特征参数提取与分析方法,包括如下步骤:步骤1、纱线图像预处理步骤,对工业相机采集的纱线图像进行背景处理,并进行图像倾斜校正,通过图像滤波处理,从而得到背景噪声少及纱芯和毛羽清晰的纱线灰度图像;步骤2、图像分割步骤,预处理后的纱线灰度图像进行纱线和背景分割,得到纱线二值图像;步骤3、形态学处理步骤,对分割后的纱线二值图像进行纱芯和纱线毛羽的提取;步骤4、纱线毛羽长度和数量统计步骤,对形态学处理步骤后的的纱线二值图像进行分析计算并输出计算结果。
进一步,在步骤1中,对工业相机采集的纱线毛羽图像进行背景去除的方法如下:在相同的状态下采集没有纱线的图像和包含纱线的图像,让含有纱线的图像与不含纱线的图像进行差值运算得到差分后的纱线灰度图像;
图像校正的方法如下:分别取纱芯轴心左右两侧的端点为A、B点,求出A与B之间水平方向和垂直方向像素点个数,其中L表示点A与B之间的水平方向像素点个数,H表示点A与B之间垂直方向像素点个数,根据公式:进行计算,θ即为纱线与水平方向的夹角,然后旋转相应的θ角得到倾斜校正后的图像;
图像滤波处理方法为通过维纳滤波器对校正后的纱线灰度图像进行滤波处理。
进一步,在步骤2中,预处理后的纱线灰度图像进行纱线和背景分割的方法如下:
1)利用纱线灰度图像的矩阵减去背景的平均值再次对去除纱线灰度图像的背景;
2)对再次去除背景后的纱线灰度图像的矩阵再乘以系数矩阵k,即背景和目标纱线的灰度对比度扩大K倍;
3)利用最大类间方差阈值分割方法对纱线和背景进行分割,最大类间方差公式为:
式中:p1(t)是灰度级为[0,1,2,…,t]的像素发生的概率;mt是灰度级为[0,1,2,…,t]像素的平均灰度。mG是全部像素平均灰度。
最大时,t为最佳阈值;以最佳阈值进行阈值分割得到最佳分割图像。
进一步,在步骤2中,预处理后的纱线灰度图像进行纱线和背景分割之前,先对纱线灰度图像的灰度调整,纱线图像灰度调整表达式如下:
g(x,y)=T[f(x,y)]
式中:f(x,y)为输入图像,g(x,y)为输出(处理后的)图像,T是对图像f的算子,作用于点(x,y)定义的值。
s=T(r)
式中:r表示图像f中的灰度,s表示图像g中的灰度。两者在图像中处于相同的坐标(x,y)处。上式可以简单表达为:
如果s<0,则令s=0,如果s>Y,则令s=Y。
式中:k为系数;为背景灰度平均值;Y为纱线图像背景灰度最大值的k倍。
Y=max(xi,:)×k
图像为M行N列矩阵;xi,:为第i行所有列的元素。
进一步,在步骤3中,对分割后的纱线二值图像中纱芯的提取的方法如下:对完成背景分割的纱线二值图像先通过结构元素对纱线二值图进行处理,然后将得到的结果与原来的纱线二值图进行差分得到已经腐蚀掉的纱线毛羽的二值图,将毛羽的二值图像细化,得到细化后的纱线毛羽的二值图像再和纱线二值图像差分得到纱线毛羽呈中空的纱线二值图像,然后再用小于先前结构元素的结构元素进行处理,从而得到去除纱线毛羽后的纱芯二值图像,纱芯二值图像与纱线二值图像进行差分得到纱线毛羽的二值图像。
进一步,在步骤4中,对纱线毛羽长度和数量统计的方法如下:然后把纱芯的平均直径对应的边界作为纱线毛羽统计的基线,求出1mm对应的像素点个数。然后从基线开始,分别向两侧做出间距为1mm的标记线,运用统计算法就可以得到纱线毛羽的长度和数量。
进一步,在步骤3中:先用diamond结构元素对分割后的纱线二值图像进行处理,然后将处理后的纱线二值图像与原来的分割后的纱线二值图像进行差分得到已经腐蚀掉的纱线毛羽,将差分后的二值图像细化,并将得到的二值图像再和原来的分割后的纱线二值图像进行差分得到纱线毛羽中空的纱线二值图像,然后用disk结构元素对其进行处理,即可得到更为精准的纱芯二值图像。
与现有技术相比,本发明具有以下优势:
(1)通过自适应灰度增强算法处理纱线图像,可以明显增强纱线与背景灰度对比度,减少纱线图像信息损失同时有利于后续图像分割图像处理;
(2)通过灰度调整实现对纱线灰度图像更精准的分割,提高纱线毛羽数量及长度的统计;
(3)通过线性区域阈值分割算法处理纱线图像,可以准确地将纱线与背景分开,减少纱线图像信息损失同时有利于后续纱线提取处理;
(4)一种纱线外观特征参数提取和分析方法能够有效地提取和分析纱线参数,提高了数字化检测纱线参数的准确率。
附图说明
图1为本实施例一中的流程图;
图2为实施例一中差分后的纱线灰度图像;
图3为实施例一中倾斜校正后的纱线灰度图像;
图4为本实施例一中滤波前纱线灰度图像的部分矩阵图;
图5为本实施例一中滤波后纱线灰度图像的部分矩阵图;
图6为本实施例一中纱线灰度调整后的纱线灰度图像的部分矩阵图;
图7为本实施例二中纱线二值图模拟图像;
图8为本实施例二中Disk结构元素大小为5*5处理后的图像;
图9为本实施例二中Diamond结构元素大小为5*5处理后的图像;
图10为本实施例二中Diamond结构元素处理后与原图差分处理后的图像;
图11为本实施例二中差分细化的图像与原图像差分处理后图像。
具体实施方式
下面结合附图和实施例,对本发明进行详细描述。
实施例一:一种基于形态结构的纱线外观特征参数提取与分析方法,包括:
步骤1、对纱线图像预处理步骤,对工业相机采集的纱线图像进行背景处理,并进行图像倾斜校正,通过图像滤波处理,从而得到背景噪声少及纱芯和毛羽清晰的纱线灰度图像;
步骤2、图像分割步骤,预处理后的纱线灰度图像进行纱线和背景分割,从而得到纱线二值图像;
步骤3、形态学处理步骤,对分割后的纱线二值图像进行纱芯和纱线毛羽的提取;
步骤4、纱线毛羽长度和数量统计步骤,对形态学处理步骤后的的纱线二值图像进行分析计算并输出计算结果。
在步骤1中,先对工业相机采集的纱线图像进行背景处理,纱线图像中纱线为前景,其他均视为背景。由于采集到的纱线图像中,背景明暗不均匀并且含有许多无规律的噪声点,对纱线图像背景处理能够突显图像中的纱线,有利于提取纱线信息。
纱线图像采集装置在相同的状态下采集没有纱线的图像和包含纱线的图像。让含有纱线的图像与不含纱线的图像进行差值运算得到差分后的纱线灰度图像,如图1所示,即:
Δf(x,y)=|f(x,y)-fb(x,y)|
式中:Δf(x,y)为差分图像;f(x,y)为原始图像;fb(x,y)为背景图像。
然后再对纱线灰度图像进行倾斜校正,如图2所示,即对纱线灰度图像差分后的纱线灰度图像做阈值分割和形态学处理。其原理为:分别取纱芯轴心左右两侧的端点为A、B点,求出A与B之间水平方向和垂直方向像素点个数,其中L表示点A与B之间的水平方向像素点个数,H表示点A与B之间垂直方向像素点个数,根据公式可以求出纱线倾斜角度。
因为纱线上存在纱线粗结和细结,为了避免偶然因素选择的两个点在粗结或细结上导致计算的角度有偏差,故在纱芯上取四个点A、B、C、D,求出点A与B,B与C,C与D的水平方向和垂直方向之间的像素点个数,根据公式求出θ1,θ2,θ3,并求出其平均值θ即为纱线与水平方向的夹角,然后旋转相应的θ角即可得到倾斜校正后的纱线灰度图像。
校正完成后的纱线灰度图像进行滤波处理:滤波处理本专利主要采用维纳滤波器滤波进行滤波,维纳滤波器是由数学家维纳提出的一种以最小平方为最优准则的线性滤波器。在一定的约束条件下,其输出与一给定函数(通常称为期望输出)的差的平方达到最小,通过数学运算最终可变为一个托布利兹方程的求解问题。维纳滤波器又被称为最小二乘滤波器或最小平方滤波器,目前是基本的滤波方法之一。
操作时,采集的纱线灰度图像上下边缘区域没有目标纱线存在,可以把这些区域看作是图像的背景的一部分。纱线灰度图像经过差分处理后,取其上下各10行元素(这些区域没有纱线毛羽存在)组成的矩阵视为差分处理后纱线背景矩阵,统计这个背景的灰度值和对应的频数。由图3和图4所示,可以看出直接经过图像差分处理后的纱线灰度图像,图像背景的灰度值接近甚至超过纱线毛羽的灰度值,这些噪声点对毛羽信息的提取有很大的干扰作用。经过维纳滤波后纱线灰度图像背景灰度值变的均匀,与纱线毛羽的灰度级有明显的差别。维纳滤波处理后背景灰度值差异变小,为后续的处理提供有利条件。
在步骤2中,预处理后的纱线灰度图像进行纱线和背景分割方法如下:
1)利用纱线灰度图像的矩阵减去背景的平均值再次对去除纱线二值图像的背景:
纱线灰度图像差分处理后再维纳滤波处理,此时的纱线灰度图像背景灰度值比较均匀。对此时的纱线灰度图像再去除一次背景就能够很好的突显目标前景纱线,即用纱线灰度图像的矩阵减去背景的平均值得到新的纱线灰度图像矩阵。
2)对再次去除背景后的纱线灰度图像的矩阵再乘以系数矩阵k,即背景和目标纱线的灰度对比度扩大K倍:
为了使背景与目标纱线的对比度增大利于图像分割,如图5所示,对上述第二次去除背景的纱线灰度图像的矩阵再乘以系数矩阵k(本文中k=3),即背景和目标纱线的灰度对比度扩大k倍。因为纱线灰度图像中纱芯的灰度值大于纱线毛羽的灰度值,只要图像分割时纱线毛羽的灰度值能被分割为1,就能够最大的保留图像中纱线的信息。本灰度调整算法中将纱线背景灰度值的最大值的k倍作为图像中最大灰度值。
纱线灰度图像灰度调整表达式如下:
g(x,y)=T[f(x,y)]
式中:f(x,y)为输入图像,g(x,y)为输出(处理后的)图像,T是对图像f的算子,作用于点(x,y)定义的值。
s=T(r)
式中:r表示图像f中的灰度,s表示图像g中的灰度。两者在图像中处于相同的坐标(x,y)处。上式可以简单表达为:
如果s<0,则令s=0,如果s>Y,则令s=Y。
式中:k为系数;为背景灰度平均值;Y为纱线灰度图像背景灰度最大值的k倍。
Y=max(xi,:)×k
图像为M行N列矩阵;xi,:为第i行所有列的元素。
3)利用最大类间方差阈值分割方法对纱线和背景进行分割,并得到纱线二值图像:
通过最大类间方差阈值分割方法处理纱线图像,最大类间方差阈值分割算法主要是利用图像前景和背景的灰度差异来寻找最佳的阈值,前景和背景两类之间的差别越大,阈值分割效果就越好。
最大类间方差公式为:
式中:p1(t)是灰度级为[0,1,2,…,t]的像素发生的概率;mt是灰度级为[0,1,2,…,t]像素的平均灰度。mG是全部像素平均灰度。
最大时,t为最佳阈值。以最佳阈值进行阈值分割得到最佳分割图像。
在步骤3中,利用形态学处理方法,对纱线二值图像先腐蚀再膨胀可以去除纱线的毛羽,进而得到纱芯图像。
其原理是利用结构元素B对图像A进行开运算,算法表达式为:
公式表示用结构元素B对图像A先进行一次腐蚀后进行一次膨胀处理。
对分割后的纱线二值图像中纱芯的提取的方法如下:对完成背景分割的纱线二值图像先通过较大的Disk结构元素对纱线二值图进行处理,然后将得到的结果与原来的纱线二值图进行差分得到已经腐蚀掉的纱线毛羽的二值图,将毛羽的二值图像细化,得到细化后的纱线毛羽的二值图像再和纱线二值图像差分得到纱线毛羽呈中空的纱线二值图像,然后再用较小的Disk结构元素进行处理,从而得到去除纱线毛羽后的纱芯二值图像,纱芯二值图像与纱线二值图像进行差分得到纱线毛羽的二值图像。
在步骤4中,对纱线毛羽长度和数量统计的方法如下:为了便于纱线毛羽长度和数量的统计需要将纱线毛羽细化。把纱芯的平均直径对应的边界作为纱线毛羽统计的基线。求出1mm对应的像素点个数(本实验中1mm对应的像素点个数为24)。然后从基线开始,分别向两侧做出间距为1mm的标记线。运用统计算法就可以得到纱线毛羽的长度和数量。
实施例二:一种基于形态结构的纱线外观特征参数提取与分析方法,与实施例一的不同点在于:在步骤3中,先用diamond结构元素对分割后的纱线二值图像进行处理,然后将得到的结果用Diamond结构元素再次处理纱线二值图像,并将再次处理后的纱线二值图像与原来的分割后的纱线二值图像进行差分得到已经腐蚀掉的纱线毛羽,将差分后的二值图像细化,并将得到的二值图像再和原来的分割后的纱线二值图像进行差分得到纱线毛羽中空的纱线二值图像,然后用disk结构元素对其进行处理,即可得到更为精准的纱芯二值图像。
使用disk结构元素对纱线图像开运算和闭运算处理能够得到较好的纱芯图像,试验中发现使用disk结构元素大小为4*4时处理纱线图像会出现毛羽没有腐蚀完全,导致纱芯直径计算值增大。使用disk结构元素大小为6*6处理纱线图像会出现纱芯腐蚀过度,甚至出现纱芯断开的情况,导致纱芯直径计算值减小。而使用disk结构元素大小为5*5能够较好的腐蚀纱线得到比较合适的纱芯。但是当毛羽交叉时disk结构元素大小为5*5时也会出现较大误差。基于此问题提出了一种可以更好提取纱芯和毛羽的形态学处理方法。
为了更好的研究形态学处理提取纱芯和纱线毛羽,用matlab软件模拟制作一张纱线图像,如图6所示,其中包括了纱芯、纱线毛羽、纱线的粗结和纱线细结。
纱线二值图模拟图像由300*500个像素点组成,图中A区域显示的是纱线的直径为30个像素点组成,B区域显示的是与纱芯夹角为45度的纱线毛羽,从左至右纱线毛羽的直径依次为3、5、7、9、11、13、15、17。C区域显示的是与纱芯垂直的纱线毛羽,从左至右纱线毛羽的直径依次为3、5、7、9、11、13、15、17。D区域显示的是与纱芯夹角为45度相互交叉的纱线毛羽,它们的直径依次是3、5、7、9、11、13。E区域显示的是+50%粗结和-50%细结。
经过大量的实验得出使用结构元素disk和结构元素diamond对纱线图像进行形态学操作处理有各自的优势与不足。其处理结果如下图所示。对本文提出的采集装置采集的图像进行形态学处理,结构元素disk和结构元素diamond的大小为5*5使效果较好。本实验也以结构元素大小为5*5来进行形态学处理。处理结果如图7和图8所示。
从图7和图8中可以看出disk结构元素对倾斜的线条比较敏感,对直线条的处理结果不如diamond结构元素,对于线条交叉的部分处理的效果较差。Diamond结构元素对垂直的线条比较敏感,对交叉的线条处理结果优于disk结构元素。Disk结构元素和diamond结构元素处理后与纱芯相接的地方都留有剩余的部分线条,并且随着线条的宽度增加剩余的部分越大。另外图中也显示出这两种结构元素的大小较小时对纱线的直径和纱线的粗结以及细结几乎没有影响。基于上述的处理结果,达到相同的形态学处理结果,使用的结构元素大越小,得到的纱芯结果越准确。
提出的自适应形态学处理法原理如下,如图9所示,先用较大的diamond结构元素(本实验用的结构元素diamond大小为5*5)对纱线二值图进行处理,然后将得到的结果与原来的纱线二值图进行差分得到已经腐蚀掉的纱线毛羽,将差分后的图像细化,如图10所示,将得到的图像再和原来的二值图进行差分得到纱线毛羽中空的纱线图像。然后用结构元素较小的disk结构元素(本实验用结构元素disk大小的为3*3)对其进行处理,即可得到更为精准的纱芯二值图像。
结构元素Disk大小为3*3时处理结果对比可知,提出的自适应形态学算法具有更好的处理结果。观察发现纱线图像中毛羽的直径在5个像素点左右,而提出的算法可以处理到7个像素的宽度。
运用提出的算法提取出了纱芯和纱线毛羽,为准确计算纱线毛羽的数量和长度做好了奠基。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,包括如下步骤:
步骤1、对纱线图像预处理步骤,对工业相机采集的纱线图像进行背景处理,并进行图像倾斜校正,通过图像滤波处理,从而得到背景噪声少及纱芯和毛羽清晰的纱线灰度图像;
步骤2、图像分割步骤,预处理后的纱线灰度图像进行纱线和背景分割,从而得到纱线二值图像;
步骤3、形态学处理步骤,对分割后的纱线二值图像进行纱芯和纱线毛羽的提取;
步骤4、纱线毛羽长度和数量统计步骤,对形态学处理步骤后的纱线二值图像进行分析计算并输出计算结果。
2.根据权利要求1所述的一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,在步骤1中,对工业相机采集的纱线毛羽图像进行背景去除的方法如下:在相同的状态下采集没有纱线的图像和包含纱线的图像,让含有纱线的图像与不含纱线的图像进行差值运算得到差分后的纱线灰度图像;
图像校正的方法如下:分别取纱芯轴心左右两侧的端点为A、B点,求出A与B之间水平方向和垂直方向像素点个数,其中L表示点A与B之间的水平方向像素点个数,H表示点A与B之间垂直方向像素点个数,根据公式:进行计算,θ即为纱线与水平方向的夹角,然后旋转相应的θ角得到倾斜校正后的图像;
图像滤波处理方法为通过维纳滤波器对校正后的纱线灰度图像进行滤波处理。
3.根据权利要求2所述的一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,在步骤2中,预处理后的纱线灰度图像进行纱线和背景分割的方法如下:
利用纱线灰度图像的矩阵减去背景的平均值再次对去除纱线灰度图像的背景;
对再次去除背景后的纱线灰度图像的矩阵再乘以系数矩阵k,即背景和目标纱线的灰度对比度扩大k倍;
利用最大类间方差阈值分割方法对纱线和背景进行分割,最大类间方差公式为:
式中:p1(t)是灰度级为[0,1,2,…,t]的像素发生的概率;mt是灰度级为[0,1,2,…,t]像素的平均灰度。mG是全部像素平均灰度;
最大时,t为最佳阈值;以最佳阈值进行阈值分割得到最佳分割图像。
4.根据权利要求3所述的一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,在步骤2中,预处理后的纱线灰度图像进行纱线和背景分割之前,先对纱线灰度图像的灰度调整,纱线图像灰度调整表达式如下:
g(x,y)=T[f(x,y)]
式中:f(x,y)为输入图像,g(x,y)为输出(处理后的)图像,T是对图像f的算子,作用于点(x,y)定义的值。
s=T(r)
式中:r表示图像f中的灰度,s表示图像g中的灰度。两者在图像中处于相同的坐标(x,y)处。上式可以简单表达为:
如果s<0,则令s=0,如果s>Y,则令s=Y。
式中:k为系数;为背景灰度平均值;Y为纱线图像背景灰度最大值的k倍。
Y=max(xi,:)×k
图像为M行N列矩阵;xi,:为第i行所有列的元素。
5.根据权利要求4所述的一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,在步骤3中,对分割后的纱线二值图像中纱芯的提取的方法如下:对完成背景分割的纱线二值图像先通过结构元素对纱线二值图进行处理,然后将得到的结果与原来的纱线二值图进行差分得到已经腐蚀掉的纱线毛羽的二值图,将毛羽的二值图像细化,得到细化后的纱线毛羽的二值图像再和纱线二值图像差分得到纱线毛羽呈中空的纱线二值图像,然后再用小于先前结构元素的结构元素进行处理,从而得到去除纱线毛羽后的纱芯二值图像,纱芯二值图像与纱线二值图像进行差分得到纱线毛羽的二值图像。
6.根据权利要求5所述的一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,在步骤4中,对纱线毛羽长度和数量统计的方法如下:然后把纱芯的平均直径对应的边界作为纱线毛羽统计的基线,求出1mm对应的像素点个数。然后从基线开始,分别向两侧做出间距为1mm的标记线,运用统计算法就可以得到纱线毛羽的长度和数量。
7.根据权利要求1所述的一种基于形态结构的纱线外观特征参数提取与分析方法,其特征在于,在步骤3中:先用diamond结构元素对分割后的纱线二值图像进行处理,并将处理后的纱线二值图像与原来的分割后的纱线二值图像进行差分得到已经腐蚀掉的纱线毛羽,将差分后的二值图像细化,并将得到的二值图像再和原来的分割后的纱线二值图像进行差分得到纱线毛羽中空的纱线二值图像,然后用disk结构元素对其进行处理,即可得到更为精准的纱芯二值图像。
CN201811243523.3A 2018-10-24 2018-10-24 一种基于形态结构的纱线外观特征参数提取与分析方法 Active CN109472779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811243523.3A CN109472779B (zh) 2018-10-24 2018-10-24 一种基于形态结构的纱线外观特征参数提取与分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811243523.3A CN109472779B (zh) 2018-10-24 2018-10-24 一种基于形态结构的纱线外观特征参数提取与分析方法

Publications (2)

Publication Number Publication Date
CN109472779A true CN109472779A (zh) 2019-03-15
CN109472779B CN109472779B (zh) 2021-10-26

Family

ID=65665948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811243523.3A Active CN109472779B (zh) 2018-10-24 2018-10-24 一种基于形态结构的纱线外观特征参数提取与分析方法

Country Status (1)

Country Link
CN (1) CN109472779B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919939A (zh) * 2019-03-27 2019-06-21 王合山 一种基于遗传算法的纱线缺陷检测方法和装置
CN111815615A (zh) * 2020-07-21 2020-10-23 江南大学 一种基于双光源的麻灰纱图像条干信息提取方法
CN111862008A (zh) * 2020-07-03 2020-10-30 西安工程大学 一种基于机器视觉的纱线疵点检测方法
CN113920086A (zh) * 2021-10-09 2022-01-11 云路复合材料(上海)有限公司 一种碳纤维编织过程纱线状态检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751443A (zh) * 2014-12-12 2015-07-01 郑州轻工业学院 基于多光谱技术棉花疵点检测与识别方法
CN104408714B (zh) * 2014-11-17 2017-08-01 浙江理工大学 一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法
CN107515220A (zh) * 2017-08-02 2017-12-26 江南大学 一种基于图像处理的纱线黑板毛羽量检测及评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408714B (zh) * 2014-11-17 2017-08-01 浙江理工大学 一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法
CN104751443A (zh) * 2014-12-12 2015-07-01 郑州轻工业学院 基于多光谱技术棉花疵点检测与识别方法
CN107515220A (zh) * 2017-08-02 2017-12-26 江南大学 一种基于图像处理的纱线黑板毛羽量检测及评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENDI WANG ET.AL: "Single vision based identification of yarn hairiness using adaptive threshold and image enhancement method", 《MEASUREMENT》 *
方珩 等: "一种新型纱线毛羽图像特征识别算法的研究", 《河北科技大学学报》 *
苏泽斌 等: "基于参数核图割的纱线毛羽图像处理方法", 《西安工程大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919939A (zh) * 2019-03-27 2019-06-21 王合山 一种基于遗传算法的纱线缺陷检测方法和装置
CN109919939B (zh) * 2019-03-27 2023-09-29 王合山 一种基于遗传算法的纱线缺陷检测方法和装置
CN111862008A (zh) * 2020-07-03 2020-10-30 西安工程大学 一种基于机器视觉的纱线疵点检测方法
CN111815615A (zh) * 2020-07-21 2020-10-23 江南大学 一种基于双光源的麻灰纱图像条干信息提取方法
CN111815615B (zh) * 2020-07-21 2024-07-16 江南大学 一种基于双光源的麻灰纱图像条干信息提取方法
CN113920086A (zh) * 2021-10-09 2022-01-11 云路复合材料(上海)有限公司 一种碳纤维编织过程纱线状态检测方法及装置
CN113920086B (zh) * 2021-10-09 2024-04-05 云路复合材料(上海)有限公司 一种碳纤维编织过程纱线状态检测方法及装置

Also Published As

Publication number Publication date
CN109472779B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN109472779A (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN111539935B (zh) 一种基于机器视觉的电缆表面缺陷在线检测方法
CN109035195B (zh) 一种织物疵点检测方法
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN112435235B (zh) 一种基于图像分析的籽棉含杂率检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN111882549B (zh) 一种灰绿色细小异纤自动检测识别方法及检测识别系统
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN109211918B (zh) 一种基于纬纱走向的织物弓纬检测方法
CN115131348B (zh) 一种纺织品表面缺陷的检测方法及系统
CN105095907B (zh) 一种基于rbf神经网络的棉花异质纤维鉴别方法
CN108921819A (zh) 一种基于机器视觉的验布装置及方法
CN107067375A (zh) 一种基于暗通道先验和边缘信息的图像去雾方法
CN115311265B (zh) 基于纺织质量的织布机智能控制系统
CN110687122A (zh) 一种陶瓦表面裂纹检测方法及系统
CN105719275A (zh) 一种并行组合的图像缺陷分割方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
CN107480678A (zh) 一种棋盘识别方法和识别系统

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