CN109903267B - 一种基于图像处理技术测试网络丝网络度的方法 - Google Patents
一种基于图像处理技术测试网络丝网络度的方法 Download PDFInfo
- Publication number
- CN109903267B CN109903267B CN201910056400.7A CN201910056400A CN109903267B CN 109903267 B CN109903267 B CN 109903267B CN 201910056400 A CN201910056400 A CN 201910056400A CN 109903267 B CN109903267 B CN 109903267B
- Authority
- CN
- China
- Prior art keywords
- network
- appearance images
- appearance
- images
- convolutional neural
- 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
Links
Landscapes
- Image Analysis (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种基于图像处理技术测试网络丝网络度的方法,沿网络丝轴向将网络丝等分为多个区域,采集各区域的外观图像后,将其输入到分类模型中,由分类模型输出表征有无网络结的标签,根据所有外观图像的标签确定网络度;分类模型为采用数据库训练后的VGG16卷积神经网络,数据库包含多张外观图像及其对应的标签,训练时分别以外观图像和标签作为VGG16卷积神经网络的输入项和目标输出项;数据库中的外观图像与采集到的外观图像对应的网络丝的长度相等且都呈整体伸展局部分散状态。本发明通过图像处理技术对网络丝网络度进行检测,相较于传统的方法,可以有效地避免漏检、主观性强以及误检等问题,提高了工作效率,极具应有前景。
Description
技术领域
本发明属于化纤检测技术领域,具体涉及一种基于图像处理技术测试网络丝网络度的方法。
背景技术
网络丝的网络度是指1m长度的网络丝中网络结的个数,是网络丝质量评价的重要指标,故对网络丝中网络度的检测十分必要。现阶段网络丝网络度的检测方法主要是基于张力变化确定网络结的,即使得细针与网络丝相接触并产生相对运动,如果网络丝中存在有网络结则张力会产生一定波动,据此计算网络丝的网络度。但因为网络丝的截面往往有几十上百根单丝,而所有的网络结也并不会完全的将截面中所有的网络丝都扭结在一起,故存在细针滑过网络结而并未有张力变化的情况,则网络丝中的网络度的检测会出现偏差,另外通过目测法也可观察统计长丝中的网络结的个数,但该方法同样存在耗时耗力且主观性强的问题,并且人眼的疲劳亦会导致误检情况的出现。
近年来,随着计算机技术、光学成像技术、图像处理技术的成熟与完善,以及光电摄像器件的普及,基于图像的测试技术在工程应用和科学研究领域都获得了迅速的发展和高度的重视。图像处理技术可以实现对不同类型的图像进行分类,特别是近阶段卷积神经网络技术的发展尤为迅速,尤其是VGG16卷积神经网络结构被验证有着极高的分类效率和精确度,得到了广泛的研究和应用。
因此,研究一种准确度高且能大大提高生产效率的基于图像处理技术测试网络丝网络度的方法成为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企业在生产过程中对网络丝网络度测试方面所存在的漏检、误检以及主观性强的缺陷,提供一种准确度高且能大大提高生产效率的基于图像处理技术测试网络丝网络度的方法,在很大程度上弥补了现有技术的不足。本发明是采用VGG16卷积神经网络构建相关分类模型对存在网络结的网络丝区域和不存在网络技术的网络丝区域进行分类并统计单位长度的网络结个数以计算网络度。
为了达到上述目的,本发明采用如下的技术方案:
一种基于图像处理技术测试网络丝网络度的方法,沿网络丝轴向将网络丝等分为多个区域,采集各区域的外观图像后,将其输入到分类模型中,由分类模型输出表征有无网络结的标签,根据所有外观图像的标签确定网络度;
所述分类模型为采用数据库训练后的VGG16卷积神经网络,数据库包含多张外观图像及其对应的标签,训练时分别以外观图像和标签作为VGG16卷积神经网络的输入项和目标输出项;VGG16是VGG网络的一种变体,VGG卷积神经网络是基于Alexnet神经网络发展而来的,其网络深度更深,其采用了更小的卷积核和更小的池化核,且使用了分段卷积网络,VGG网络可以精确捕捉到横、竖以及斜对角像素的变化,而网络丝的相关图像中,网络点图像和正常的图像的差别正是长丝方向出现的大的变化,采用VGG网络结构可以对其长丝方向上像素的变化做有效的捕捉;
数据库中的外观图像与采集到的外观图像对应的网络丝的长度相等且都呈整体伸展局部分散状态,局部分散是指网络丝中的单丝之间相互分散;
所述多张外观图像为有网络结的网络丝的外观图像和无网络结的网络丝的外观图像的集合。
作为优选的技术方案:
如上所述的一种基于图像处理技术测试网络丝网络度的方法,待测试的网络丝的长度为1m,因为网络度的定义为1m长度的网络丝中网络结的个数,当网络丝的长度为1m时测得的网络结的个数即为网络度,网络丝的长度也可以不是1m,大于或小于1m都可以,此时测得某长度网络丝的网络结的个数后计算单位长度的网络结的个数即可得到网络度。
如上所述的一种基于图像处理技术测试网络丝网络度的方法,所述采集是通过在网络丝的上方设置带滑轨的相机实现的,便于移动相机采集图像。
如上所述的一种基于图像处理技术测试网络丝网络度的方法,所述整体伸展局部分散状态是通过将网络丝置于纯净水中,一端与容置纯净水的容器粘结,另一端与位于纯净水中的砝码连接实现的。本发明的分散介质以及固定方式包括但不限于此,其它能够实现网络丝整体伸展局部分散的方式均适用于本发明。
如上所述的一种基于图像处理技术测试网络丝网络度的方法,所述数据库中的外观图像与采集到的外观图像对应的网络丝的长度为1mm。相机在滑轨上最少移动1mm,当采集到一处网络丝后可移动相机特定距离继续采集下一处图像,保证网络丝的所有区域都被采集且尽量保证极少的重复采集的区域。
如上所述的一种基于图像处理技术测试网络丝网络度的方法,所述多张外观图像的总数大于2000张。
如上所述的一种基于图像处理技术测试网络丝网络度的方法,多张外观图像中有网络结的网络丝的外观图像和无网络结的网络丝的外观图像的张数更优选分别大于1500张,可提高分类模型的分类准确率,所述多张外观图像中有网络结的网络丝的外观图像和无网络结的网络丝的外观图像的数量比为1:1,该比例下构建的分类模型测试准确度高,这主要是由于在正负样本不平衡的情况下,准确率受样本比例的影响较大,存在较大的缺陷。
如上所述的一种基于图像处理,技术测试网络丝网络度的方法,所述标签为0和1,0代表无网络结,1代表有网络结。
如上所述的一种基于图像处理技术测试网络丝网络度的方法,所述分类模型的建立步骤如下:
(1)采集多张网络丝的外观图像并将其转化为灰度图像后,随机选取90%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;确定每个样本对应的标签时由人工进行判断;
(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VGG16卷积神经网络得到基于网络点检测的VGG16卷积神经网络;VGG16是一种有16层的卷积神经网络结构,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VGG16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,当外观图像输入训练后的VGG16卷积神经网络即基于网络点检测的VGG16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,将测试样本的外观图像输入基于网络点检测的VGG16卷积神经网络并将其对应的标签与基于网络点检测的VGG16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网络结的外观图像对应的标签为0,有网络结的外观图像对应的标签为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95%,如果是,则得到分类模型;反之,则进入下一步;
(6)调整基于网络点检测的VGG16卷积神经网络的参数后返回步骤(4),具体可调节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,或选择是否进行填充像素处理或者增加多张网络丝的外观图像的数量后返回步骤(1)。
有益效果:
本发明的一种基于图像处理技术测试网络丝网络度的方法,通过采用VGG16卷积神经网络构建相关分类模型对存在网络结的网络丝区域和不存在网络技术的网络丝区域进行分类并统计单位长度的网络结个数以计算网络度,测试结果准确度高,避免了漏检、误检以及主观性强的问题,提高了生产效率,极具应用前景。
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。
一种基于图像处理技术测试网络丝网络度的方法,步骤如下:
(1)采集多张网络丝的外观图像作为数据库,具体为:
沿网络丝轴向将网络丝等分为多个区域,通过在网络丝的上方设置带滑轨的相机采集各区域的外观图像,得到多张外观图像;其中,多张外观图像的总数为4000张,多张外观图像为有网络结的网络丝的外观图像和无网络结的网络丝的外观图像的集合,两者的数量比为1:1,即有网络结的网络丝的外观图像和无网络结的网络丝的外观图像分别为2000张,多张外观图像对应的网络丝的长度为1mm且都呈整体伸展局部分散状态,局部分散是指网络丝中的单丝之间相互分散,整体伸展局部分散状态是通过将网络丝置于纯净水中,一端与容置纯净水的容器粘结,另一端与位于纯净水中的砝码连接实现的;
(2)建立分类模型;
(2.1)将数据库中的多张外观图像转化为灰度图像后,随机选取90%的外观图像作为训练样本,剩余的外观图像作为测试样本;
(2.2)将有网络结的网络丝的外观图像对应的标签标注为1,将无网络结的网络丝的外观图像即正常网络丝的图像对应的标签标注为0;
(2.3)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VGG16卷积神经网络得到基于网络点检测的VGG16卷积神经网络,VGG16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,VGG16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VGG16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softmax层进行分类进而调整VGG16卷积神经网络得到基于网络点检测的VGG16卷积神经网络;
(2.4)将训练样本全部训练完毕后,使用测试样本对所构建的基于网络点检测的VGG16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,然后基于网络点检测的VGG16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,则说明基于网络点检测的VGG16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;
(2.5)判断分类准确率是否大于95%,如果是,则得到分类模型;反之,则进入下一步;
(2.6)调整基于网络点检测的VGG16卷积神经网络的参数后返回步骤(2.4),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,或者增加多张网络丝的外观图像的数量后返回步骤(2.1)。
(3)将长度为1m的待测试的网络丝采集外观图像后输入到分类模型中,其中,采集到的待测试的外观图像对应的网络丝的长度同样为1mm且都呈整体伸展局部分散状态,由分类模型输出表征有无网络结的标签,根据所有外观图像的标签确定网络度。
经验证,本发明方法实现了网络丝网络度的精确测试,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测试过程中,不断地将测试过的同类型的网络丝图像增添至输入样本中以不断完善分类模型,进而提高检测精度,极具应用前景。
Claims (9)
1.一种基于图像处理技术测试网络丝网络度的方法,其特征是:沿网络丝轴向将网络丝等分为多个区域,采集各区域的外观图像后,将其输入到分类模型中,由分类模型输出表征有无网络结的标签,根据所有外观图像的标签确定网络度;
所述分类模型为采用数据库训练后的VGG16卷积神经网络,数据库包含多张外观图像及其对应的标签,训练时以外观图像和标签作为VGG16卷积神经网络的输入项;
数据库中的外观图像与采集到的外观图像对应的网络丝的长度相等且都呈整体伸展局部分散状态,局部分散是指网络丝中的单丝之间相互分散;
所述多张外观图像为有网络结的网络丝的外观图像和无网络结的网络丝的外观图像的集合。
2.根据权利要求1所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,待测试的网络丝的长度为1m。
3.根据权利要求1所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述采集是通过在网络丝的上方设置带滑轨的相机实现的。
4.根据权利要求1所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述整体伸展局部分散状态是通过将网络丝置于纯净水中,一端与容置纯净水的容器粘结,另一端与位于纯净水中的砝码连接实现的。
5.根据权利要求1所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述数据库中的外观图像与采集到的外观图像对应的网络丝的长度为1mm。
6.根据权利要求1所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述多张外观图像的总数大于2000张。
7.根据权利要求6所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述多张外观图像中有网络结的网络丝的外观图像和无网络结的网络丝的外观图像的数量比为1:1。
8.根据权利要求1所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述标签为0和1,0代表无网络结,1代表有网络结。
9.根据权利要求8所述的一种基于图像处理技术测试网络丝网络度的方法,其特征在于,所述分类模型的建立步骤如下:
(1)采集多张网络丝的外观图像并将其转化为灰度图像后,随机选取90%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)以外观图像及其对应的标签作为输入项,采用训练样本训练VGG16卷积神经网络得到基于网络点检测的VGG16卷积神经网络;
(4)将测试样本输入基于网络点检测的VGG16卷积神经网络并将其对应的标签与基于网络点检测的VGG16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95%,如果是,则得到分类模型;反之,则进入下一步;
(6)调整基于网络点检测的VGG16卷积神经网络的参数后返回步骤(4),或者增加多张网络丝的外观图像的数量后返回步骤(1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056400.7A CN109903267B (zh) | 2019-01-22 | 2019-01-22 | 一种基于图像处理技术测试网络丝网络度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910056400.7A CN109903267B (zh) | 2019-01-22 | 2019-01-22 | 一种基于图像处理技术测试网络丝网络度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903267A CN109903267A (zh) | 2019-06-18 |
CN109903267B true CN109903267B (zh) | 2021-01-05 |
Family
ID=66943906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910056400.7A Active CN109903267B (zh) | 2019-01-22 | 2019-01-22 | 一种基于图像处理技术测试网络丝网络度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903267B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365452B (zh) * | 2020-10-26 | 2023-06-02 | 江苏恒力化纤股份有限公司 | 一种基于双侧图像的网络丝网络点的检测方法 |
CN113393444B (zh) * | 2021-06-21 | 2023-06-02 | 江苏恒力化纤股份有限公司 | 一种基于图像处理技术的涤纶dty网络点检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN108038540A (zh) * | 2017-11-08 | 2018-05-15 | 北京卓视智通科技有限责任公司 | 一种多尺度神经网络及基于该网络的图像特征提取方法 |
CN108445011A (zh) * | 2018-03-12 | 2018-08-24 | 苏州天准科技股份有限公司 | 一种基于深度学习的瑕疵检测系统及方法 |
CN109034007A (zh) * | 2018-07-06 | 2018-12-18 | 航天星图科技(北京)有限公司 | 一种基于卷积神经网络的遥感影像的植被提取优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE495294T1 (de) * | 2003-08-07 | 2011-01-15 | Mmi Ipco Llc | Aus kompositstoff mit kontrolierter luftdurchlässigkeit hergestellte waren mit verbesserter oberflächenhaltbarkeit |
-
2019
- 2019-01-22 CN CN201910056400.7A patent/CN109903267B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN108038540A (zh) * | 2017-11-08 | 2018-05-15 | 北京卓视智通科技有限责任公司 | 一种多尺度神经网络及基于该网络的图像特征提取方法 |
CN108445011A (zh) * | 2018-03-12 | 2018-08-24 | 苏州天准科技股份有限公司 | 一种基于深度学习的瑕疵检测系统及方法 |
CN109034007A (zh) * | 2018-07-06 | 2018-12-18 | 航天星图科技(北京)有限公司 | 一种基于卷积神经网络的遥感影像的植被提取优化方法 |
Non-Patent Citations (2)
Title |
---|
Weld defect image classification with vgg16-based neural network;Bin liu等;《Digital TV and wireless multimedia communication》;20180228;全文 * |
网络度对网络丝及其织物强力的影响;王建坤等;《天津纺织工学院学报》;19981231;第17卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109903267A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN109903267B (zh) | 一种基于图像处理技术测试网络丝网络度的方法 | |
CN109472769A (zh) | 一种不良图像缺陷检测方法和系统 | |
CN111415349B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
CN115239711B (zh) | 一种缝制设备的在线运行异常识别系统 | |
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN1936499A (zh) | 一种聚合物挤出法非织造布纤维直径测量方法及系统 | |
CN115266732B (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN116342583A (zh) | 一种用于纺纱生产加工的抗起球性能检测方法 | |
CN107169961A (zh) | 一种基于cis图像采集的条烟分拣检测系统和方法 | |
CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 | |
CN109242846A (zh) | 用于织物表面缺陷检测的方法、装置和设备 | |
Han et al. | Identification and measurement of convolutions in cotton fiber using image analysis | |
CN114324382A (zh) | 面板端子清洁度检测方法及面板端子清洁度检测装置 | |
Li et al. | A direct measurement method of yarn evenness based on machine vision | |
Telli | The comparison of the edge detection methods in the determination of yarn hairiness through image processing | |
CN112365452B (zh) | 一种基于双侧图像的网络丝网络点的检测方法 | |
CN105741250B (zh) | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 | |
CN111968076A (zh) | 一种基于s-yolov3的织物实时缺陷检测方法 | |
Chen et al. | Grey relational analysis of an automatic identifying system for clothing texture | |
CN113538489B (zh) | 一种非织造布纤维直径测量方法 | |
CN105741301B (zh) | 基于拉格朗日插值法的自动验布机走布速度不匀的图像矫正方法 | |
Zhang et al. | A Fabric Defect Detection Algorithm Based on YOLOv8 |
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 |