CN109884066A - 一种离线检测长丝丝卷油污疵点的方法 - Google Patents
一种离线检测长丝丝卷油污疵点的方法 Download PDFInfo
- Publication number
- CN109884066A CN109884066A CN201910056407.9A CN201910056407A CN109884066A CN 109884066 A CN109884066 A CN 109884066A CN 201910056407 A CN201910056407 A CN 201910056407A CN 109884066 A CN109884066 A CN 109884066A
- Authority
- CN
- China
- Prior art keywords
- greasy dirt
- volume
- region
- network
- silk
- 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.)
- Pending
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种离线检测长丝丝卷油污疵点的方法,将丝卷的整体表面分为多个区域,采集各区域的外观图像后,将其分别输入到各区域对应的分类模型中,由分类模型输出有无油污疵点的标签;多个区域为n个区域,i=1,2,...,n,区域i对应的分类模型是由数据库训练后的Network In Network卷积神经网络,数据库包含多张外观图像及其对应的标签,多张外观图像为多个丝卷表面区域i的外观图像,训练时分别以外观图像和标签作为输入项和目标输出项;多个丝卷为表面区域i无油污疵点的丝卷和表面区域i有油污疵点的丝卷的集合。本发明方法简单,可离线对长丝丝卷的油污疵点进行检测,效率高。
Description
技术领域
本发明涉及化纤检测技术领域,具体涉及一种离线检测长丝丝卷油污疵点的方法。
背景技术
化纤企业的生产过程中由于长丝丝卷的生产过程中要经历众多流程,其表面难免会沾染各种油污疵点,出现油污丝的情况主要有两点:(1)车间环境不良:车间作为生产、输送及存储长丝丝卷的区域会存在有多种多样的设备、原料以及辅助用料等,长丝丝卷长期处于此种环境难免会在各个环节与其接触而沾染油污;(2)油雾润滑点的密封不好:如果生产过程中的油雾润滑点密封出现问题必然会加大长丝丝卷沾染的可能性,且会不断地出现油污疵点。当丝卷表面沾染油污,不仅影响到了丝卷的外观,同时也会对长丝的质量有着不同程度的损伤,特别是在后道加工过程中,带有油污部分的长丝会因为视觉上或是其他的物理化学性能方面与正常长丝存在着差别而出现后道产品的品质不统一或性能下降。故在长丝丝卷下机后将带有油污疵点的长丝丝卷分离出来是必要的。而现在国内外的生产厂家大多是采用人工检测的方法,即人为地检测每一个长丝丝卷是否沾染油污疵点,此种方法不仅需耗费大量的人力物力,而且由于人的主观性原因而存在各种不统一的检测标准且长时间的工作亦会因人眼的疲劳而出现漏检误检的情况。
因此,研究一种精度高且可实现自动化检测的离线自动检测长丝丝卷油污疵点的方法是目前亟待需要解决的技术问题。
发明内容
本发明的目的是克服现有技术中的问题,提供一种精度高且可实现自动化检测的离线检测长丝丝卷油污疵点的方法。本发明通过设置多个相机并分别采集丝卷不同区域的外观图像后,输入到各区域对应的分类模型中,由分类模型输出有无油污疵点的标签,进而得出每个丝卷的油污疵点情况,整个过程实现了自动化离线检测。
为了达到上述目的,本发明采用如下的技术方案:
一种离线检测长丝丝卷油污疵点的方法,将丝卷的整体表面分为多个区域,采集各区域的外观图像后,将其分别输入到各区域对应的分类模型中,由分类模型输出有无油污疵点的标签;
多个区域为n个区域,i=1,2,...,n,区域i对应的分类模型是由数据库训练后的Network In Network卷积神经网络,数据库包含多张外观图像及其对应的标签,多张外观图像为多个丝卷表面区域i的外观图像,训练时分别以外观图像和标签作为输入项和目标输出项对Network In Network卷积神经网络进行训练;Network in Network卷积神经网络主要是用结构更复杂的微型神经网络来替代传统卷积神经网络基础上将线性卷积层,同时将用于分类的全连接层变为了全局平均池化,能够有效的避免过拟合的出现,丝卷上的油污种类和色泽都多种多样,微小的油污或者颜色与丝卷表面十分接近的油污很容易对卷积神经网络形成干扰,传统卷积神经网络对其进行分类时容易出现过拟合则会使得卷积神经网络对与丝卷表面相近的油污疵点错分的概率加大,故选用Network in Network卷积神经网络;
所述多个丝卷为表面区域i无油污疵点的丝卷和表面区域i有油污疵点的丝卷的集合。
作为优选的技术方案:
如上所述的一种离线检测长丝丝卷油污疵点的方法,建立不同的分类模型时使用的多个丝卷相同或不同。
如上所述的一种离线检测长丝丝卷油污疵点的方法,所述多个丝卷的总数大于4000。
如上所述的一种离线检测长丝丝卷油污疵点的方法,所述多个丝卷中表面区域i无油污疵点的丝卷与表面区域i有油污疵点的丝卷的数量比为1:1。本发明将多个丝卷中表面区域i无油污疵点的丝卷与表面区域i有油污疵点的丝卷的数量比设置为1:1是为了能够消除正负样本的不平衡对后续神经网络的训练和评价所带来的影响,能够很好的用准确率指标对所构建的神经网络进行评价。
如上所述的一种离线检测长丝丝卷油污疵点的方法,所述标签为0和1,0代表无油污疵点,1代表有油污疵点。
如上所述的一种离线检测长丝丝卷油污疵点的方法,区域i对应的分类模型的建立步骤如下:
(1)采集多个丝卷表面区域i的外观图像并将其转化为灰度图像后,随机选取80%的外观图像作为训练样本,剩余的外观图像作为测试样本;
(2)逐个确定每个样本对应的标签;
(3)分别以外观图像及其对应的标签为输入项和目标输出项,采用训练样本训练Network In Network卷积神经网络得到基于油污疵点检测的Network In Network卷积神经网络;Network In Network卷积神经网络与常规卷积神经网络的训练方式基本一致,其训练的终止条件同常规卷积神经网络一样,都是误差小于等于期望值,期望值可根据实际需要进行设定;训练样本的外观图像和对应的标签刚开始训练时都是要输入Network InNetwork卷积神经网络的,用于训练成一个理想的网络,而测试样本只需输入外观图像,当外观图像输入基于油污疵点检测的Network In Network卷积神经网络,其会输出对应的代码,也就是实际输出标签;
(4)全部训练样本训练完毕后,将测试样本输入基于油污疵点检测的Network InNetwork卷积神经网络并将其对应的标签与基于油污疵点检测的Network In Network卷积神经网络输出的标签进行比较得到分类准确率;每个测试样本都有对应的标签即无油污疵点为0,有油污疵点为1,测试的时候会将测试样本的外观图像输入进去,然后输出一个标签,将输出的标签与原本对应的标签比较,如果一致说明神经网络的判断是正确的,每个测试样本都会进行判断一次,最终会得到一个分类准确率;
(5)判断分类准确率是否大于94%,如果是,则得到分类模型;反之,则进入下一步;
(6)调整基于油污疵点检测的Network In Network卷积神经网络参数后返回步骤(4),例如调整批尺寸和各种激活函数类型等等,还可调整卷积核的尺寸和步长、池化层的类型和步长等参数,或者增加所述多个丝卷的数量后返回步骤(1)。
如上所述的一种离线检测长丝丝卷油污疵点的方法,n=6,所述各区域的外观图像由6个相机进行采集,1个相机镜头面向丝卷顶面,1个相机镜头面向丝卷底面,4个相机镜头面向丝卷侧面,4个相机位于同一高度且环绕丝卷圆周均布。本发明中n的取值并不限于此,n也可大于等于6,n取值越大,检测精度越高。
如上所述的一种离线检测长丝丝卷油污疵点的方法,所述6个相机围成的区域为图像采集区域,所述丝卷由运输板输送至图像采集区域后静止。
有益效果:
(1)本发明一种离线检测长丝丝卷油污疵点的方法,通过设置多个相机并分别采集丝卷不同区域的外观图像后,建立各自区域的分类模型后,将待检测的长丝丝卷的各自区域的外观图像输入到各区域对应的分类模型中,由分类模型输出有无油污疵点的标签,整个过程可自动化检测,实现了可离线对长丝丝卷的油污疵点进行检测,提高了生产效率,节约了大量人力劳动,极具应用前景;
(2)本发明一种离线检测长丝丝卷油污疵点的方法,可以消除由于人工评价所带来的主观性差别,做到对油污疵点评价的统一性,同时可以根据所判定为带有油污疵点的丝卷输入进卷积神经网络后得到的输出值来一定程度上对油污的类别进行反馈,确定与生产环节的对应关系以达到改善生产的目的。
附图说明
图1为本发明进行离线检测长丝丝卷油污疵点时所使用的装置的结构示意图:
其中,1-相机Ⅰ,2-相机Ⅱ,3-相机Ⅲ,4-相机Ⅳ,5-相机Ⅴ,6-相机Ⅵ,7-长丝丝卷,8-输送板,9-锥形锭。
具体实施方法
下面结合具体实施方法,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种离线检测长丝丝卷油污疵点的方法,所使用的装置的结构示意图如图1所示,由相机Ⅰ1、相机Ⅱ2、相机Ⅲ3、相机Ⅳ4、相机Ⅴ5、相机Ⅵ6以及输送装置配合完成。其中,相机Ⅰ位于丝卷正上方,相机镜头面向丝卷顶面,用于采集丝卷顶部图像,相机Ⅱ2、相机Ⅲ3、相机Ⅳ4和相机Ⅴ5面向丝卷侧面的不同位置,且位于同一高度环绕丝卷圆周均布,用于采集丝卷侧面的图像,相机Ⅵ6位于丝卷正下方,相机镜头面向丝卷底面,用于采集丝卷底部图像,由此,将丝卷的整体表面分为6个区域,6个相机围成的区域为图像采集区域。图中长丝丝卷7为需要检测的目标,由输送板8输送至图像采集区域后静止,输送板8上安装有锥形锭9,锥形锭9顶端半径略小于长丝丝卷7上用于卷绕长丝的筒子的半径,且锥形锭7的底端半径很小,另外输送板8与锥形锭9接触区域两端均为镂空处理,可保证输送板8和锥形锭7不会干扰相机6对长丝丝卷5底端图像的采集。图像采集过程中,输送板8将长丝丝卷7运送至6组相机的图像采集区域,待六组相机同时拍照结束后继续运送下一个长丝丝卷至该图像采集区域进行图像采集。当所有丝卷图像采集结束后,六组相机分别采集六组图像,每一组图像都有若干幅图像。
采用上述装置进行长丝丝卷油污疵点的离线检测,方法如下:
(1)以相机1所采集的区域内的图像为例,建立该区域内的分类模型,步骤为:
(1.1)采集5000个丝卷表面顶部区域的外观图像并将其转化为灰度图像后,随机选取80%的外观图像作为训练样本,剩余的外观图像作为测试样本,其中5000个丝卷中丝卷表面顶部区域中无油污疵点的丝卷与丝卷表面顶部区域中有油污疵点的丝卷的数量比为1:1;
(1.2)逐个确定每个样本对应的标签,标签为0和1,0代表无油污疵点,1代表有油污疵点;
(1.3)分别以外观图像及其对应的标签作为输入项和目标输出项,采用训练样本训练Network In Network卷积神经网络得到基于油污疵点检测的Network In Network卷积神经网络,Network In Network卷积神经网络包括13个卷积层和3个全连接层,最后是softmax层,用于输出图像的标签,Network In Network卷积神经网络的参数包括激活函数“ReLU”激活函数,还包括卷积核的尺寸和步长、池化层的类型和步长等,训练过程中,将训练样本的外观图像及其对应的标签分别作为输入项和目标输出项输入至Network InNetwork卷积神经网络,分别经过卷积层、池化层和全连接层后再使用作为softmax层分类进而调整Network In Network卷积神经网络即构建基于油污疵点检测的Network InNetwork卷积神经网络;
(1.4)将训练样本全部训练完毕后,采用测试样本对所构建的基于油污疵点检测的Network In Network卷积神经网络的分类准确率进行测试,即将测试样本的外观图像输入进去,然后基于油污疵点检测的Network In Network卷积神经网络输出一个标签,将输出的标签与其原本对应的标签比较,如果相同,则说明基于油污疵点检测的Network InNetwork卷积神经网络的判断是正确的,反之则错误,每个测试样本都会进行一次判断,从而得到分类准确率;
(1.5)判断分类准确率是否大于94%,如果是,则得到分类模型;反之,则进入下一步;
(1.6)调整基于油污疵点检测的Network In Network卷积神经网络参数后返回步骤(1.4),如将“ReLU”激活函数替换为换成“ELU”激活函数、调整卷积核的尺寸和步长、池化层的类型和步长,或者增加所述多个丝卷的数量后返回步骤(1.1)。
(2)对相机2~6所采集到的对应区域内的图像以同样的方式建立各自不同的分类模型,其中建立不同的分类模型时使用的5000个丝卷相同或不同,5000个丝卷中表面区域i(i=1,2,...,6)无油污疵点的丝卷与表面区域i有油污疵点的丝卷的数量比为1:1。
(3)构建分类模型完毕后即可对生产中得到的所有长丝丝卷进行油污疵点检测,具体为将待检测的长丝丝卷输送至图像采集区域后,由6个相机分别采集该长丝丝卷上各区域的外观图像后,将其分别输入到各区域对应的分类模型中,由分类模型输出有无油污疵点的标签,当6个分类模型中有任意一个检测到油污疵点时,则说明此长丝丝卷存在油污疵点,系统输出标签1,否则为无油污疵点,系统输出标签0。
经验证,本发明方法实现了长丝丝卷油污疵点的自动检测,大大节约了人力劳动,提高了生产效率,此外,在使用构建的分类模型进行实际的检测过程中,不断地将检测过的长丝丝卷图像增添至输入样本中以不断完善分类模型,进而提高了检测精度,极具应用前景。
Claims (8)
1.一种离线检测长丝丝卷油污疵点的方法,其特征是:将丝卷的整体表面分为多个区域,采集各区域的外观图像后,将其分别输入到各区域对应的分类模型中,由分类模型输出有无油污疵点的标签;
多个区域为n个区域,i=1,2,...,n,区域i对应的分类模型是由数据库训练后的Network In Network卷积神经网络,数据库包含多张外观图像及其对应的标签,多张外观图像为多个丝卷表面区域i的外观图像,训练时分别以外观图像和标签为输入项和目标输出项;
所述多个丝卷为表面区域i无油污疵点的丝卷和表面区域i有油污疵点的丝卷的集合。
2.根据权利要求1所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,建立不同的分类模型时使用的多个丝卷相同或不同。
3.根据权利要求1所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,所述多个丝卷的总数大于4000。
4.根据权利要求1所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,所述多个丝卷中表面区域i无油污疵点的丝卷与表面区域i有油污疵点的丝卷的数量比为1:1。
5.根据权利要求1所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,所述标签为0和1,0代表无油污疵点,1代表有油污疵点。
6.根据权利要求5所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,区域i对应的分类模型的建立步骤如下:
(1)采集多个丝卷表面区域i的外观图像并将其转化为灰度图像后,随机选取80%的外观图像作为训练样本,剩余的外观图像作为测试样本;
(2)逐个确定每个样本对应的标签;
(3)分别以外观图像及其对应的标签为输入项和目标输出项,采用训练样本训练Network In Network卷积神经网络得到基于油污疵点检测的Network In Network卷积神经网络;
(4)将测试样本输入基于油污疵点检测的Network In Network卷积神经网络并将其对应的标签与基于油污疵点检测的Network In Network卷积神经网络输出的标签进行比较得到分类准确率;
(5)判断分类准确率是否大于94%,如果是,则得到分类模型;反之,则进入下一步;
(6)调整基于油污疵点检测的Network In Network卷积神经网络参数后返回步骤(4),或者增加所述多个丝卷的数量后返回步骤(1)。
7.根据权利要求1所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,n=6,所述各区域的外观图像由6个相机进行采集,1个相机镜头面向丝卷顶面,1个相机镜头面向丝卷底面,4个相机镜头面向丝卷侧面,4个相机位于同一高度且环绕丝卷圆周均布。
8.根据权利要求7所述的一种离线检测长丝丝卷油污疵点的方法,其特征在于,所述6个相机围成的区域为图像采集区域,所述丝卷由运输板输送至图像采集区域后静止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056407.9A CN109884066A (zh) | 2019-01-22 | 2019-01-22 | 一种离线检测长丝丝卷油污疵点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056407.9A CN109884066A (zh) | 2019-01-22 | 2019-01-22 | 一种离线检测长丝丝卷油污疵点的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109884066A true CN109884066A (zh) | 2019-06-14 |
Family
ID=66926430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910056407.9A Pending CN109884066A (zh) | 2019-01-22 | 2019-01-22 | 一种离线检测长丝丝卷油污疵点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109884066A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1108459A (zh) * | 1993-04-29 | 1995-09-13 | 巴马格股份公司 | 在合成长丝的生产程序中判断缺陷的方法 |
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN101462661A (zh) * | 2009-01-04 | 2009-06-24 | 江苏恒力化纤有限公司 | 一种预防卷绕机拨叉问题导致长丝染色色差的控制方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN109060838A (zh) * | 2018-07-23 | 2018-12-21 | 三固(厦门)科技有限公司 | 一种基于机器视觉的产品表面划痕检测方法 |
-
2019
- 2019-01-22 CN CN201910056407.9A patent/CN109884066A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1108459A (zh) * | 1993-04-29 | 1995-09-13 | 巴马格股份公司 | 在合成长丝的生产程序中判断缺陷的方法 |
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN101462661A (zh) * | 2009-01-04 | 2009-06-24 | 江苏恒力化纤有限公司 | 一种预防卷绕机拨叉问题导致长丝染色色差的控制方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
CN109060838A (zh) * | 2018-07-23 | 2018-12-21 | 三固(厦门)科技有限公司 | 一种基于机器视觉的产品表面划痕检测方法 |
Non-Patent Citations (3)
Title |
---|
屈景怡 等: "基于衰减因子的双通道神经网络图像分类算法", 《系统工程与电子技术》 * |
潘俊: "涤纶长丝卷装外观在线检测系统研究", 《东华大学硕士学位论文,道客巴巴》 * |
魏书法 等: "基于图像的城市场景垃圾自动检测", 《集成技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028204B (zh) | 一种基于多模态融合深度学习的布匹缺陷检测方法 | |
CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
CN109840889A (zh) | 基于仿生算法的高精度视觉测量方法、装置和系统 | |
CN106530284A (zh) | 基于图像识别的焊点类型检测和装置 | |
CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
CN109829900A (zh) | 一种基于深度学习的钢卷端面缺陷检测方法 | |
CN104198498B (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
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 | |
CN111274860A (zh) | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 | |
CN110473170A (zh) | 一种适用于pcb板真假缺陷判定的人工智能检测方法 | |
CN112132796A (zh) | 以反馈数据自主学习提升检测精度的视觉检测方法和系统 | |
CN103207186A (zh) | 自动验布机疵点检测识别方法及其系统 | |
CN104897366B (zh) | 一种色环光纤在线检测方法及装置、系统 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN114897894A (zh) | 一种筒纱菊花芯缺陷检测方法 | |
CN104766310B (zh) | 光源检测系统和检测方法 | |
CN107515481A (zh) | 一种显示面板的检测方法和装置 | |
CN108491867A (zh) | 基于人工智能的影像匹配及识别方法 | |
CN114881987B (zh) | 基于改进YOLOv5的热压导光板缺陷可视化检测方法 | |
CN108257347A (zh) | 一种利用卷积神经网络的火焰图像序列分类方法及装置 | |
CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
CN112150417A (zh) | 基于深度学习的涂布缺陷检测方法 | |
CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN112750113A (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN113592852A (zh) | 一种碳纤维碳丝质量在线检测系统和方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |