CN110235173A - 用于卷材制造监督的实时完整的卷材图像处理方法和系统 - Google Patents

用于卷材制造监督的实时完整的卷材图像处理方法和系统 Download PDF

Info

Publication number
CN110235173A
CN110235173A CN201880009342.6A CN201880009342A CN110235173A CN 110235173 A CN110235173 A CN 110235173A CN 201880009342 A CN201880009342 A CN 201880009342A CN 110235173 A CN110235173 A CN 110235173A
Authority
CN
China
Prior art keywords
image
coiled material
processing
specifically
evenness
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
CN201880009342.6A
Other languages
English (en)
Other versions
CN110235173B (zh
Inventor
T·宇奥蒂莱南
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.)
ABB Technology AG
Original Assignee
ABB Technology AG
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 ABB Technology AG filed Critical ABB Technology AG
Publication of CN110235173A publication Critical patent/CN110235173A/zh
Application granted granted Critical
Publication of CN110235173B publication Critical patent/CN110235173B/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
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
    • G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Textile Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wood Science & Technology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

描述了一种用于分析卷材中的匀度的实时完整的卷材图像处理方法，所述卷材优选地在卷材制造过程期间在移动方向上被传输，所述方法包括以下所述步骤：获取所述卷材的二维原始图像P0，所述图像可被表示为可由多个像素值P0，ij表示的数字图像，其中i∈{1；...；I}，j∈{1；...；J}；以及产生多个P处理图像Pp，其中p∈{1；...；P}，所述处理图像中的每一个都可由像素值Pp，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}，所述处理图像可由所述原始图像的空间带通滤波获得，其中空间不同的带通滤波器被用于获得所述处理图像中的每一个。

Description

用于卷材制造监督的实时完整的卷材图像处理方法和系统
技术领域
本发明涉及监测制造过程的领域。具体地，本发明涉及一种基于分别根据权利要求1和19的图像处理的完整卷材、实时卷材检查的方法和系统，其具体地可以用于匀度(formation)观察和分析。
背景技术
卷材制造是指生产和/或处理可弯曲的、柔性的和/或柔软材料的长薄片，具体地纸、纸板、纺织品、塑料薄膜、箔、(片状)金属，有时是金属丝，通常称为卷材(web)。在生产或处理期间，卷材通常在辊子上沿着移动方向(MD)传输。备选地，卷材也可以在某种传送带上传输，该传送带具体地可以是(编织的)网状物，例如在所谓的长网造纸工艺和/或机器中。
在处理阶段之间，卷材可以作为卷轴(也称为线圈、包装和落纱)来存储和运输。卷材制造的最终结果通常包括通过在垂直于移动方向的横向(CD)上切割或者以其他方式分离来与卷材分离的片材。使用卷材而不是片材的主要原因是经济性。连续的卷材通常可以以比片材高的速度来生产和/或处理，而没有生产和/或处理片材所固有的启停问题。针对卷材制造过程的监督和/或品质控制，经常应用卷材检查系统，其使用数字成像技术，具体地图像拍摄和图像处理，来检测缺陷或其他异常。针对纸或纸板的卷材制造，孔、斑点和污垢颗粒是强缺陷的示例，通常简称为缺陷，而皱纹、条纹和粘液斑点是弱缺陷的示例。相应地，针对薄片金属制造商的卷材制造，夹渣、裂缝和划痕是强缺陷的示例，而弱裂缝、弱划痕和压痕是弱缺陷的示例。
缺陷会导致各种特性图像量的局部偏差，具体地，像素强度水平与平均和/或预期值的偏差。在上述示例中，与从无缺陷产品测量的强度水平的平均变化相比，弱缺陷仅导致数字视频信号的强度水平的轻微变化。另一方面，强缺陷通常会导致严重的偏差。
除了缺陷检测之外，制造过程(具体地，卷材制造)的监督和/或品质控制可以包括观察、监测、调查等，以检测其他属性、特性、品质等的存在和/或不存在和/或频率、数量、大小、特异性、可见性等。这些属性、特性或品质可以包括由(具体地，卷材的)制造过程产生的产品的需要和/或不需要的不规则性或不均匀性。
具体地，在造纸中，可以被认为是片材结构的局部不均匀性的匀度就是一种这样的属性或特性、以及纸张的关键品质因素。而且，在一些其他卷材产品中，比如，例如玻璃纤维，存在相同种类的匀度(即非均匀纤维簇)产生絮状物，当技术人员浏览产品时该絮状物看起来是浑浊的。而且，在一些产品中，也存在不均匀的表面，比如，例如具有斑痕的涂布纸，这意味着不需要的不均匀的打印密度和颜色变化。早期的纸张或表面匀度絮状物分析的解决方案基于离线实验室测量、快照、窄带或扫描成像方法，因此它们无法实时覆盖整个卷材。
匀度描述了纤维和填料在纸张中的均匀分布。匀度是重要因素，因为大多数纸张属性都依赖于它。最弱的纸张属性定义了纸张的最终品质。不良匀度导致纸张具有更弱、更薄或更厚的区域。这些会影响不透明度和强度等属性。纸张匀度也会影响纸张的涂布和打印特性。匀度问题可能会导致打印时出现不均匀的打点和斑痕效果。没有标准的方法或单位来描述匀度。它可以是相对的、客观的或主观的评价。
与匀度相关的属性、特性、品质等通常称为匀度特征或者简称为特征。
使用数字成像技术进行卷材制造过程的监督和/或品质控制的基本假设是，上述的属性、特性、品质被反映在从拍摄卷材或以其他方式获得的图像中。通过选择适当的照明和成像设置，上述的缺陷或者其他属性、特性、品质等会导致相应图像的强度变化，这反过来允许检测它们的存在或不存在。
具体地，光透射测量或分析可以用于分析纸张匀度，这通常被定义为纸张的质量分布的变化。可以通过将任何片材保持在光线下并且观察“透视”来看到纸张匀度。良好的匀度看起来是均匀的，而不良的匀度具有导致外观浑浊的纤维束。良好的匀度通常需要较小的絮状物大小，这改善了纸产品的可印刷性。在过去的几十年期间，已经引入了多种造纸测试方法。它们中的大多数都是基于可见光透射来获得片材的不透明图，然后确定不透明图的灰度直方图并计算一些非均匀性指数。纸张不透明度和纸张克重通常是相关的，但是可能根据纸张的光散射特性而不同，因此如果需要更精确的局部克重测量，则基于早期的研究结果，例如应该应用基于β辐射的测量。
描述匀度的不均匀性的另一方法是分析不透明度变化以及匀度絮状物和/或空隙的大小和形状统计。通常，增加的絮状物大小指示结构纸属性降低，比如，浑浊和不均匀。较大的絮状物可能会导致例如油墨渗透较差和不均匀。絮状物区域分析的一个优点是测量值能够容忍由于例如成像系统中的污垢、照明非理想性或相机光学非理想性等环境原因而改变照明条件。
相应地，具体地，光学反射测量或分析可以用于表面匀度团迹分析。未印刷的纸或纸板表面的不均匀性可以由例如表面形貌变化、表面反射率变化和/或涂布变化引起。而且，在印刷产品中，印刷品质变化可以被视为斑痕，这可以被定义为观察到的印刷密度的不期望的不均匀性。还可以基于与透射测量一起使用的方法相对应的方法，来分析所有上述的基于反射测量的成像结果。
最传统的光学纸张匀度分析方法是通过使纸张保持靠在光源上来进行视觉(手动)“透视”测试。在图1中呈现了两个纸张匀度图像示例。这些图像基于可见光透射测量。可以清楚地看到匀度的差异。左纸样品具有较大的絮状物和更多的“浑浊”外观。如果检查图1中的图像下方显示的强度直方图，则技术人员会注意到强度直方图未显示纸张的絮状物“浑浊”差异。许多传统的匀度分析方法中都存在这种缺点。
还存在许多匀度分析方法，这些方法利用空间信息来分析匀度。一个示例是所谓的Kajaani指数，例如在US 5113454A中描述的，该指数是基于几个不同大小的平均窗口的比较。基于该原理的分析一定会提供关于匀度的一些有价值的信息，但是分辨率和平均窗口形状对于实际絮状物或团迹形状分析来说不是最佳的。
作为另一示例，PaperPerFect方法(例如如Bernié,J.P.和Karlsson,H.于2010年在A Handbook,Second edition,Lorentzen&Wettre上发布的“Formation Guide–Measuring optical formation and applications in the paper industry”中；或者在4.Bernié,J.P.于2004年在A Handbook,Lorentzen&Wettre上发布的“MeasuringFormation of Paper–PaperPerFect Method–”中所描述的)和多种其他方法利用基于快速傅里叶变换(FFT)的频域频谱分析。FFT可以用于分析周期性信号，因此测量信号波长。它非常适合用于空间静止的周期性信号，比如，卷材线或毡标记。在光学匀度的测量和分析的情况下，基于FFT的分析结果不包括测量区域中的絮状物或团迹空间位置，因此可以通过不同的空间域图像来获得相同的频谱分析结果。另外，利用基于FFT的分析，无法揭示和可视化单个絮状物形状，并且更精确地分析絮状物或团迹形态属性。而且，如果存在周期性特征，并因此出现一些周期性信号，则光学匀度分析结果可以由周期性信号及其谐波分量响应支配，并且可能会错过实际的絮状物大小响应。
还存在与频谱分析和空间图像分析结合的一些可用的方法。Zellcheming技术小组委员会“在线传感器技术”研究了该领域，并且发表了用于标准化在线纸张匀度测量的提议，如Keller,G.在2009年2月在PTS News上发布的“A Proposal for Standardizingonline paper formation measurement”中所描述的。在这种情况下，空间滤波仅利用原始图像的CD和MD方向线轮廓，以基于主轴方向(MD和CD)上的絮状物大小测量，来分析絮状物大小和定向。该方法没有提出用于2D絮状物或团迹大小分类形状分析或匀度品质变化检测的工具。
Saarela.A.于2009年在Pulp&Paper International(PPI)上发布的“An onlineformation analysis function is the latest add-on to ABB’s web imaging system-Optimize product quality and yield”引入了一种匀度分析方法，该方法利用光学匀度的精细尺度空间结构。匀度的结构和空间属性不依赖于绝对强度值，因此该方法对照明变化不敏感。该方法没有给出关于匀度絮状物或表面匀度团迹大小分类功率的任何信息，因此缺乏一些有价值的信息。
目前已知的匀度分析方法和系统的最显著的缺点之一是缺乏产品的测量覆盖率。大多数可用的光学匀度分析系统仅使用离线实验室成像、卷材扫描、窄带测量区域或快照成像来覆盖产品的小部分。在这些情况下，造纸商可能会错过一些重要的过程行为，这可以通过实时完整的卷材光学匀度分析来揭示。
发明内容
因此，本发明的目的是提供一种用于在线分析卷材中的特征(具体地匀度特征)的方法，这克服了上面讨论的缺点。该目的和另外的目的通过一种在独立权利要求1中定义的优选地实施在计算机上以分析卷材中的匀度特征的方法、以及在权利要求14中定义的光学卷材检查系统来解决。
本发明包括一种方法，优选地实施在计算机、微处理器、现场可编程门阵列(FPGA)或者其他可编程和/或适当编程的数据处理单元或系统上，以分析卷材中的特征，具体地匀度特征，所述卷材优选地在卷材制造过程期间在移动方向上传输，该方法包括以下步骤：
·获取卷材的原始图像P0，所述图像可被表示为二维数字图像，该二维数字图像又可由多个像素值P0，ij表示，其中i∈{1；...；I}，j∈{1；...；J}，具体地具有维度I×J的二维矩阵；
·产生多个P处理图像Pp，其中p∈{1；.；P}，所述处理图像中的每一个都可由像素值Pp，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}，所述处理图像由原始图像的空间滤波获得，具体地由原始图像的空间高通、低通和/或带通滤波获得，其中不同的空间滤波器，具体地空间带通滤波器用于获得处理图像中的每一个。针对m∈{1；...；M}，n∈{1；...；N}和p∈{1；...；P}，也可以使用备选符号P(p，m，n)来代替符号Pp，m，n，即P(p，m，n)＝Pp，m，n。
在所述卷材制造过程期间，卷材可以在相机下方的移动方向(MD)上移动。相机可以是行扫描相机，具体地摄像机，其包括沿着卷材的横向(CD)延伸设置的多个I像素传感器，所述横向垂直于移动方向。在操作中，行扫描相机在卷材经过时扫描卷材，以便获取所述卷材的图像并且传送行扫描流。数量为J个至少部分连续的行扫描可以在移动方向上组合成卷材的一部分的二维数字图像，所述数字图像具有I×J个像素的像素维度并且包括多个P＝I·J像素Pi，其中i∈{1；...；I·J}，每个像素具有代表局部颜色或总强度、色调、饱和度的一个或多个像素值。具体地，数字图像可以由多个像素值P0，ij表示，其中i∈{1；...；I}，j∈{1；...；J}，其中可以保持优选地I，J＞100，最优选地I＞1000和/或J＞1000。像素值可以具有特定的比特深度或比特分辨率，并且具体地可以是可由单个比特表示的二进制值，该比特深度可以对应于行扫描相机的比特深度或者已经通过比特深度的上采样或下采样而获得。针对行扫描率fline和卷材在移动方向上的传输速度VMD，通过这种方式成像的卷材的一部分在移动方向上的长度是Y·VMD/fline。具体地，数字图像可以是灰度或黑白的，具体地二进制图像；并且可以备选地通过静态相机，通过从模拟静止或视频图像等转换而获得。由数字图像成像的卷材的区域可以至少近似地对应于至少几乎整个卷材。具体地，针对卷材的特性维度。具体地，针对卷材在横向上的宽度wweb，成像区域的特性维度dspot，具体地CD上的第一宽度、MD上的第一长度和/或第一直径可以满足dspot＞0.3wweb，优选地dspot＞0.6Wweb，并且最优选地dspot≈wweb。优选地，第一长度和第一宽度都大于0.3wweb或0.6wweb，并且最优选地至少近似等于wweb.。
虽然可以存储如此获取的卷材的数字图像，具体地存储在计算机(具体地标准计算机或图形处理单元)的存储器中，并且可以对所存储的数字图像执行根据本发明的方法，具体地通过在计算机上执行或由其执行的图像处理程序或应用，优选地出于与效率相关的各种原因不完成此操作。
优选地，对从线扫描相机流式传输的图像数据执行根据本发明的方法，优选地在单程算法中，其中一次仅处理每个像素或每个像素组。换言之，一旦处理了特定像素或像素组，则不可能进入或返回该特定像素或像素组。因此，在每个时间点，仅卷材的部分图像(即，卷材的具有特性维度dpartial的一部分的数字图像，具体地CD上的第二宽度、MD上的第二长度和/或第二直径)可以满足dpartial＜＜wweb，优选地100dparlial＜＜wweb。具体地，如果上述的第一长度由I1给出，并且所述第二长度由I2给出，则可以保持I2＜＜I1，优选地100I2＜＜I1。
匀度分析优选地基于通过利用适当的照明、成像配置、光学器件和相机来进行产品成像。具有照明动态控制的仔细成像配置是优选的，以确保所有相关信息都是可用的，例如在未处理视频信号中用于不同种类的分析目的。光学匀度分析方法可以优选地使用相同的(优选地校正的)视频源，作为已经应用于或者要应用于卷材的基于其他传输测量的卷材检查方法或者基于反射测量的卷材表面检测方法。在实际的匀度分析之前，可以通过对硬件、固件和/或软件成像来分析生成的未处理图像数据，这首先可以对输入的未处理数据进行若干校正，例如位置相关的亮度校正和/或灰度转换。适当的平场校正和/或成像动态控制优选地应用于可靠的卷材成像，并因此也应用于光学匀度分析。视频校正可以优选地用于校正未处理视频信号，以具有零均值和线性照明响应。在该上下文中，线性可以意味着，当例如利用透射光源照射透明目标物体时，增益校正之后的强度响应即使在改变照明的条件下也具有相同的水平。因此，上述的图像和/或视频校正可以基于强度和/或对比度测量来改善例如匀度絮状物或团迹分析的品质。
因此，光学匀度分析和测量的第一阶段可以包括图像(具体地视频信号)校正，包括：具有线性响应的系统的配置、动态范围优化和/或平场校正，以将图像归一化以使均值例如在图像动态范围的中间。正常地，通过平场校正方法，未处理视频输入信号被校正为具有在整个动态范围的中间的平均背景强度水平。因此可以消除导致相同的目标物体(比如在未处理视频信号中引起可变的绝对强度响应的匀度絮状物)的由于不均匀或(时间)变化的照明条件可能产生的问题(具体地与照明水平相关的问题)。优选地，校正图像还可以提供为流，具体地以校正视频信号的形式。
随后从数字图像产生多个P处理图像Pp，其中p∈{1；...；P}，具体地从表示原始或校正图像的数字图像产生，其中优选地P＞4，P≥8，或者最优选地满足P≥16。所述处理图像Pp中的每一个由原始图像的空间滤波获得，具体地原始图像的空间带通滤波获得，并且又可以由像素值Pp，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}。具体地，处理图像的维度可以对应于表示原始图像的二维数字图像(具体地，原始图像本身)的维度，即，I＝M和/或J＝N。备选地，可以保持I＞M和J＞N，其中具体地I和/或J分别可以是M和N的整倍数。不同的空间滤波器(具体地，空间带通滤波器)Fp用于获得每个处理图像，即，通过使用不同滤波器Fp1和Fp2来获得任何两个图像Pp1和Pp2，其中p1≠p2∈{1；...；P}。优选地，选择p∈{1；...；P}的带通滤波器Fp以至少基本上分割包含在原始图像中的空间频率的频谱，优选地分割成彼此相邻的子范围。具体地，这可以通过选择第一空间带通滤波器Fp的上截止频率fmax，p来实现以至少基本上匹配第二空间带通滤波器Fp+1的下截止频率fmin，p+1，即，以针对p∈{1；...；P-1}选择fmax，p≈fmin，p+1。
具体地，针对空间带通滤波器的这种选择，p可以被认为是大小类别、大小分类或尺度sp的指示，具体地指示大小类别、大小分类或尺度sp的索引，其中p∈{1；...；P}。像素值Pp，m，n对应于对应像素位置m、n处的大小类别sp中的絮状物或团迹功率。
不同滤波器的特性或行为可以是可调整的和/或允许微调。具体地，这可以通过针对一些滤波器或每个滤波器调整和/或设置一个或多个滤波器参数的值来完成。
如果对从上述的线扫描相机流式传输的图像数据执行根据本发明的方法，则可以连续地获得像素值Pp，m，n，具体地通过将一个或多个滤波器连续地应用于在运行中和/或实时地对应于原始或校正图像的单个像素或像素子集，即，当它们被流式传输并且不等待后续的像素数据到达时。
这反过来允许使用(具体地考虑)已经接收到的至少一些像素值Pp，m0，n0，以在接收另外的像素值Pp，m，n之前调整不同滤波器中的至少一个的特性，其中m≠m0和n≠n0。所述像素值Pp，m，n可以被视为特征向量的分量，具体地下面将更详细地描述的局部特征向量。因此，所述局部特征向量可以用于调整滤波器参数。具体地，在调整滤波器参数时可以考虑已经从要应用滤波的一个或多个像素的邻域获得的局部特征向量或局部特征向量参数。具体地，用于获得Pp，m，n的滤波器特性可以考虑Pp，m0，n0，其中m≠m0和n≠n0，如上面描述的，并且进一步地，m＞m0和n＞n0(其中可以假设在流失传输期间m和n增大，至少一般地单调递增)。
随后可以获得上述的多个处理图像，随后应用各个滤波器Fp。优选地，一些或所有单独滤波器Fp并行应用，具体地通过使用适用于并行操作的FGPA，其中输入信号(具体地流视频信号)同时(具体地，在一个时钟周期内)被传递给多个(优选地所有)滤波器Fp。然后不同滤波器的结果同时和/或并行可用；具体地，多个处理图像被获得为并行视频流，因此可以被认为是包含或表示像素值Pp，m，n信号值和/或每个尺度sp的特征信号。
具体地，作为光学纸张匀度或表面匀度分析的下一阶段，空间数字滤波可以应用于校正的图像或视频信号，以强调、隔离或以其他方式增强不同大小的匀度结构。空间2D低通、带通和高通滤波可以用于分离不同大小的匀度特征，然后分析和可视化匀度特征。
上述的用于分析卷材中的匀度的方法允许实时在线的完整卷材分析。然而，该方法还可以被应用于卷材的子区或子区域。这可以通过仅对子区或子区域成像来完成，例如与CD带测量组合，其中仅对卷材的CD上的部分成像，其中仅对横向的部分成像，或者扫描成像，其中这种部分在卷材上沿着CD来回移动。备选地，可以通过在获取上述图像时仅使用由相机提供的像素的子集来实现。通过原始图像的空间带通滤波获得的处理图像允许相对于与相应带通滤波器属性相对应的多个大小类别分析匀度品质。保留与匀度品质相关的空间信息，具体地如果选择M＝I和N＝J，因此允许作为匀度的一部分获得或观察到的特征位于卷材上，使得如果需要可以采取适当的措施。
在根据本发明的方法的优选变型中，该方法还包括以下步骤：组合p∈{1；.；P}的处理图像Pp中的至少两个，优选地所有，以获得可由值Fm’，n’表示的特征图F，其中m’∈{1；...；M’}，n’∈{1；...；N’}，优选地m’∈{1；...；M}，n’∈{1；...；N}，这些值表示特征图的像素。
特征图允许例如匀度和匀度分析结果的简明和/或增强的可视化。具体地，特征图的每个像素可以表示对应于所述像素的局部特征向量的一个分量；其中不同的像素可以表示不同的分量，这可以根据下面示例性地描述的各种方案来选择。
具体地，特征图Fm’，n’可以根据获得，其中Pmax，m’，n’＝max{Pp，m′，n′|p∈{1；...；P}}。
具体地，特征图提供关于匀度特征的信息，其中大小类别或大小分类对于卷材的不同区域/子区来说是最突出的。大小类别或大小分类也可以简称为尺度。
更具体地，特征图Fm’，n’可以优选地根据获得，其中P(pmax，m’n’，m’，n’)＞P(p，m’，n’)’，其中p∈(1；...；P}\{pmax，m’n’}。然后Fm’，n’可以被视为与m’、n’.的主要大小类别的索引Pmax，m’，n’相对应的索引值。具体地，特征图可以被呈现和/或显示为由像素组成的彩色或灰度图像，其中像素值由Fm’，n’给出。然后每个颜色或灰度正是对应于主要大小类别。
具体地，如果选择M’＝M＝I和N’＝N＝J，则与这种匀度特征相关的位置信息包含在与原始图像的空间分辨率相同的空间分辨率中；以及特征图的彩色和/或灰度图像指示可以表示原始图像的二维数字图像的每个像素位置处的主要大小类别。
在该上下文中，术语特征可以指代上述的匀度特征，包括匀度的各个方面或者不规则性。具体地，该术语可以将物品指代为絮状物、团迹、空隙。该术语还可以将物品的属性、特性、品质等指代为具体地强或弱缺陷。该术语可以指代这种物品的存在、不存在或者发生频率；这种物品等的形状、定向、清晰度、能见度、透射率、反射率等。
特征图F可以优选地被显示为二维数字彩色图像，不同的颜色是针对Fm’，n’的每个不同值显示的，其中m∈{1；...；M’}，n∈{1；...；N’}。更优选地，可以显示特征图的放大的子部分。
上述的特征图是标量特征图，可由标量值Fm’，n’表示，其中m’∈{1；...；M’}，n’∈{1；...；N’}。同样地，可以建立或导出可由向量值Fm’，n’表示的向量特征图，其中m’∈{1；...；M’}，n’∈{1；...；N’}。例如，Fm’，n’的第一分量可以包含上述的值Pmax，m’n’，而第二分量可以包含值Pmin，m’，n’，其中Pmin，m’，n’＝min{Pp，m’，n’|p∈{1；...；P}}。
在根据本发明的方法的优选变型中，针对p∈{1；...；P}，n∈{1；...；N}，m∈{1；...；M}，p∈{1；...；P}的处理图像被阈值化，具体地被转换为可由像素值Pp，m，n∈{0；1}表示的二进制图像。
通过应用适当的阈值化，其中不存在特征或者从品质控制的观点来看特征是正常的、不显眼的或者在可接受水平内的处理图像的区域可以例如具有最大或最小像素值，并且具体地在处理图像的标准灰度表示中分别显示为黑色或白色区域。
在根据本发明的方法的优选变型中，该方法还包括以下步骤：从p∈{1；...；P}的处理图像Pp确定特征向量，具体地图像特征向量优选地P’≤P，最优选地P’＝P，其中所述图像特征向量的向量分量vp可以具体地通过一个或多个处理图像确定，优选地通过处理图像Pp确定。
具体地，图像特征向量的分量Vp可以充当一个或多个特征的存在或不存在的定量指示或度量，如上面在p∈{1；...；P}的对应大小分类Sp中详述的，其中所述大小分类可以对应于带通滤波器Fp的通过范围中包含的空间频率或者由其定义。图像特征向量的分量vp可以具体地表示对应的处理图像Pp的最大、最小或平均强度、表示具有高于或低于预定阈值的像素值的多个像素的像素计数等。具体地，当处理图像是二进制图像时，图像特征向量的分量vp可以具体地表示像素值为零的多个像素或者像素值为一的多个像素。当应用于絮状物或团迹分析时，图像特征向量的分量vp然后可以被视为絮状物或团迹功率的度量，对应于由强度加权的絮状物或团迹的区域。
备选地，加权为一的絮状物或团迹的区域(仅对应于区域)可以用于絮状物或团迹分析。
针对上面进一步描述的情况，其中表示原始图像的二维数字图像(具体地原始图像本身)的维度对应于处理图像Pp的维度，即I＝M和J＝N，针对数字图像的每个像素获得局部特征向量。
局部和图像特征向量v还可以包含多于P个分量，P’＞P，其中可以从其他图像处理方法获得附加分量，其可以具体地与本文描述的方法同时和/或并行执行。
优选地，图像特征向量v是实时确定的。如果原始图像由摄像机获得，则每当视频图像更新和/或当视频信号变化时，图像特征向量v就可以更新。具体地，当从摄像机(具体地行扫描相机)流式传输的图像数据获取或以其他方式获得原始图像时，图像特征向量优选地与新的流数据块、单元等的到达同时更新。
如果图像特征向量v是实时确定的并且如上所述更新，那么向量(具体地向量分量)可以被认为是时间相关或时变信号，具体地特征信号，或者换言之作为可以表示为时间t的函数的信号。这种信号对于匀度品质的在线监测特别有用。
根据本发明的方法优选地还包括计算增益校正的参考信号的机制，其可以优选地用于监测匀度的变化。优选地，还可以设置警报阈值水平。增益校正的参考信号具体地可以包括絮状物或团迹大小数据和形状分析结果。
增益校正的参考信号具体地可以借助于校正方法获得，其中增益值存储在存储器中以用于每个信号。所以，例如针对p∈{1；...；P}的数量P的图像特性向量分量vp，对应数量的特征信号增益值g(p)由操作员定义的速率定期调整，例如在每个时钟周期或者针对流式传输的每个新像素。因此，校正的特征信号fcorr(p)由fcorr(p)＝Vpg(p)给出，其中g(p)是可调整增益，vp可以被认为是未处理特征信号fraw(p)，并且p可以被视为信号值的顺序号。优选地，在校正方法中，长期信号值的目标位于特征信号的整个动态范围的中间。如果校正的特征信号fcorr(p)值高于目标，则增益值可以减小。相应地，如果信号值低于目标，则增益值可以增大。因此，调整方法可以表示为gnew(p)＝gold(p)+sign(ftanger-nagc(p))rate，其中sign是针对正数返回1并且针对负参数返回-1的函数，rate定义调整速度(特征信号校正调整率控制参数)，并且ftarget是目标值。
增益校正的参考信号允许容易、可靠和快速地检测匀度品质变化。具体地，可以优选地显示[00055]图像特征向量的图形表示，例如以条形图的形式，以促进卷材生产过程的实时监测。图像特征向量的图形表示可以优选地与特征图一起显示以实现甚至更可靠的监测。备选地，可以监测和/或显示图像特征向量的长度|v|，其中|·|是在包含v的向量空间上定义的适当度量，并且可以具体地充当可观察的和/或控制回路的控制量。
优选地，针对卷材的不同子区域或子区优选地实时地同时产生两个或多个不同的特征图和/或图像特征向量。具体地，可以至少基本上基于整个原始图像来确定第一全局图像特征向量v1，并且可以基于原始图像的子区域或子区确定第二局部图像特征向量v2，和/或特征图F。通过比较第一和第二特征向量，可以容易地检测到局部属性、特性、品质等与其全局对应物的局部偏差的指示。具体地，这可以通过确定向量之间的距离|v1-v2|来实现，其中|·|是在v1和v2所属的向量空间上定义的适当度量。
在根据本发明的方法的优选变型中，q∈{1；...；Q}的多个平滑图像Bq在第一步骤中产生，所述平滑图像中的每一个可由像素值表示，其中m∈{1；...；M’}，n∈{1；...；N’}，所述平滑图像中的每一个是通过将空间低通或平滑滤波器应用于原始图像获得的，不同的滤波器被用于平滑图像Bq，m，n中的每一个；并且随后通过减去两个平滑图像Bp1，m，n、Bp2，m，n来产生p∈{1；...；P}的处理图像Pp中的每一个，其中p1≠p2。
具体地，空间带通滤波器可以通过利用具有不同宽度的两个空间低通例如平滑滤波器的差异来设计。高斯差分(DoG)是滤波方法的众所周知的示例，其基于两个高斯低通滤波图像[xx]的相减。这两个模糊高斯滤波器内核具有不同的宽度。因此，技术人员将获得带通滤波器，其保留存在于两个低通滤波器的截止频率之间的空间信息。DoG方法的一个重要应用领域是团迹检测，这可以通过DoG滤波器组来实现。带通滤波器响应的幅度将在絮状物或团迹的中心处达到最大值，并且提供最大值的对应滤波器也将定义絮状物或团迹大小。以此方式，当将带通(具体地DoG)方法应用于匀度图像时，可以分析单独纸张匀度絮状物或表面团迹的大小分类功率。每个空间带通滤波器结果还表示特定大小类别的匀度絮状物或表面匀度团迹，并且不仅可以分析絮状物或团迹的“功率”，还可以分析更精确的具有正确定位的絮状物或团迹形状和空间分布。所有这些带通滤波结果也可以是可视化的，这可以是监测造纸过程行为的有价值的特征。
增强特征的一种方法是在横向和机器方向上使用不同的空间滤波器或平滑窗口大小。这为分析或检测某些特定的细长絮状物或团迹行为提供了选项。
更具体地，通过针对带通滤波器CD和MD方向使用不同宽度(不同系数)(也可以设计对角滤波器)，可以调谐这种新匀度方法，并且分析和检测卷材产品中或卷材产品上的不同种类的纹理的品质，例如用于纸张水印分析和检测。
类似的分析方法可以应用于纸张匀度的空隙区域或者表面匀度的明亮区域。
利用根据本发明的方法及其上述变型，基于实时智能相机的卷材检查系统，可以利用所有视频数据，并且实现整个卷材的纸张属性测量覆盖率。纸张匀度絮状物或表面匀度团迹的实时分析可以包含几何方法，比如与1.基于强度的方法，比如强度平均测量以及2.空间大小分布测量相关的大小、长度、宽度、角度和比率的测量。所有这些方法都必须与其他卷材检查功能同时实时运行，比如，例如纸张或卷材缺陷的检测和分析。
这允许纸浆、纸张和纸板卷材成像系统来处理各种不同的图像分析任务，并且实时支持更高的分辨率和动态范围。用于促进由图像数据量的大量增加引起的挑战的一种优选方法是使用基于智能现场可编程门阵列(FPGA)的成像相机，其处理输入的未处理图像数据，并且仅传输结果和具有期望的分辨率和动态范围的目标图像，例如如Mittal,S.、Gupta,S.和Dasgupta,S.于2008年发布在全国硬件和系统研究与开发会议论文集(CSI-RDHS)上的“FPGA:An Efficient And Promising Platform For Real-Time ImageProcessing Applications”所描述的。以此方式，可以达到完整卷材的实时处理性能，利用所有可用的卷材数据来进行产品分析，同时仍减少基于报告数据FPGA的硬件平台量，也使得可以为新挑战提供新的测量特征，利用这些新特征升级现有系统，也因此延长卷材成像系统的生命周期。
根据本发明的方法及其优选变型因此允许纸浆或纸张制造商以：(1)在线监测产品的整体品质因素，(2)立即反应，以改进产品制造过程，(3)评估整体产品品质，以及(4)基于特定的客户要求对制造的产品区域进行分类。与使用部分测量结果来使产品品质降级以导致大量优质产品也降级的情况相比，这意味着巨大的节省。
根据本发明的方法和系统也适用于基于一些移动传送带的许多其他“大规模”生产环境，例如食品工业：鱼饲料、动物食品、面粉、谷物等；以及相关的分析方法。
本公开还包括在各种实施例或变型中具有上面和/或下面提到或示出的特征的任何组合的实施例。它还包括附图所示的单独特征，即使它们在此处与其他特征结合示出，和/或在上面或下面没有提到。本公开包括仅包括权利要求或示例性实施例中描述的特征的实施例，以及包括另外的其他特征的实施例。
参考下文描述的实施例，本公开的这些和其他方面将变得清楚并得以阐明。
附图说明
将在下文中参照在附图中图示的示例性实施例更详细地解释本发明的主题，其中：
图1示出了具有不同匀度的两种纸张类型的示例性图像；
图2图示了可以用于将根据本发明的方法应用于卷材制造过程的卷材检查系统；
图3示出了在图1的卷材检查系统中实施的产品成像算法的并行架构的示例；
图4示出了基于带通滤波器组的匀度分析结果可视化和对应的条形图；
图5示出了根据本发明的方法的示例性实施例的流程图。
图6示出了视频校正的示例性内部结构的流程图。
具体实施方式
图2图示了可以用于将根据本发明的方法应用于卷材制造过程的卷材检查系统。
在所述卷材制造过程期间，卷材11在行扫描相机12下方的移动方向MD上移动，行扫描相机12优选地是CMOS行扫描相机，其包括设置在卷材的垂直于移动方向的横向CD上延伸的排中的多个X像素传感器13(为了清楚起见仅示出了四个)。在操作中，行扫描相机12在卷材经过时扫描卷材，以便获取所述卷材的图像，并且传送行扫描流。数量Y个连续的行扫描可以在移动方向上组合成卷材的一部分的二维数字图像，所述数字图像具有X·Y个像素的像素维度，并且包括多个P＝X·Y像素Pi，其中i∈{1；...；X·Y}，每个像素具有代表局部颜色或总强度、色调、饱和度的一个或多个像素值。像素值可以具有特定的比特深度或比特分辨率，并且具体地可以是可由单个比特表示的二进制值，该比特深度可以对应于行扫描相机的比特深度或者已经通过比特深度的上采样或下采样获得。针对行扫描率fline，和卷材在移动方向上的传输速度vMD，通过这种方式成像的卷材的一部分在移动方向上的长度是Y·vMD/fline。
在图2的示例性设置中，行扫描相机12具有4000×1个像素，并且能够每秒扫描80.000行。因此，具体地可以选择X＝4000作为CD中的像素分辨率。
行扫描相机12可以直接或间接地耦合至图像处理单元15。图像处理单元15的功能也可以与相机集成在一起，在这种情况下，相机是更复杂和独立的图像处理单元。模拟相机的图像数据输出，例如模拟CCD或CMOS行扫描相机或矩阵相机首先必须转换为数字格式。数字相机输出通常更适合于图像处理单元15中的数字处理。图像处理单元15从行扫描相机12接收由所述相机成像的视图的数字表示。该表示是采用一系列数字的形式。基于其所具有的关于行扫描相机12的属性的信息，图像处理单元15将该数据解释为电子图像，该数据在别处称为图像。
来自行扫描相机12的信号被转发到下一处理步骤，即，图像分析。该步骤可以在图像处理单元15或单独的计算机中完成，该计算机可以是视觉检查系统10的操作员站16的一部分，并且它通常对于所有相机13来说是共用的。例如，图像分析包括图像中的感兴趣区域(诸如缺陷)的进一步分割。在分割之后，可以提取描述通过分割找到的区域的属性的特征。这些特征是用于识别区域的数值，即，在对它们进行分类时。
图像处理单元15是单独的(通常是可编程的)硬件单元。它可以与行扫描相机12部分或完全集成，如图1所描绘的。它也可以是个人计算机或者任何其他类型的通用计算机。一个计算机可以处理一个或多个相机的图像数据处理。在该阶段中应用处理图像数据的方法。执行检测，即，获得从缺陷识别的检查信号，并且借助于用于处理图像数据的方法，将卷材的图像分成感兴趣的区域。该处理阶段的结果是表示卷材的分段部分的一组电子图像，图像被电子操纵，以满足手头应用的要求。
操作员站16包含视觉检查系统10的用户界面。它用于输入各种调谐参数，并且选择期望的显示器和报告，这例如示出了系统的状态和所检查的产品的品质。自然地，视觉检查系统10需要用于向系统和装置供电以与外部系统(诸如过程本身)交互的单独装置。本领域普通技术人员众所周知的这些装置可以位于电子柜17中。除了操作员站16之外，外部装置18可以用于警告操作员。
图像数据可以存储在图像数据库中。数据库的图像集合包含不同类型的数字化卷材缺陷。除了匀度分析之外，可以检测缺陷并且通过运行的卷材来将其图像数字化。为了对缺陷进行分类，可以使用分类器19。具体地，缺陷分类可以基于方法，如在通过引用全部并入本文的EP专利申请EP 16180281.4中所描述的；或者在Huotilainen，T.、Laster，M.、Riikonen，S.于2016年发布在PaperCon上的“Real-time ROI Morphometrics in HighQuality Web Imaging”中所描述的，其通过引用全部并入本文。
图3示出了实施在图1的卷材检查中的产品成像算法的并行架构的示例，并且图示了具体地用于检测离散或强缺陷、细微或弱缺陷、条纹和/或污垢的各种检查和监测方法可以如何与根据本发明的匀度分析方法交互。具体地，如可以看到的，本文描述的本发明的各个方面可以与来自方法的各个方面组合，如在EP专利申请EP 16180281.4或在WO 2017/198348 A1中所描述的；或者如在Huotilainen，T.、Laster，M.、Riikonen，S.于2016年发布在PaperCon上的“Real-time ROI Morphometrics in High Quality Web Imaging”中所描述的，其通过引用全部并入本文。具体地，p∈{1；...；P}的处理图像Pp可以用于这些方法的起点，也允许提取例如要针对不同的大小类别提取的形状和/或特征定向信息。然后，这种信息也可以通过上述的局部特征向量和/或图像特征向量表示，或者与这种特征向量组合。
对图像处理单元15执行根据本发明的方法。结果，具体地获得的特征图和特征向量可以显示在操作员站16中包含的显示器上。
通过在图4所图示的特征图中组合16种不同的絮状物或团迹大小类别(也称为絮状物或团迹尺度)，基于带通滤波器组的絮状物或团迹检测结果被可视化。选择不同的颜色并且对应于絮状物或团迹大小类别。另外，在大小类别或尺度的絮状物或团迹功率(未加权区域或者由强度加权的区域)呈现有相应图像特征向量的条形图可视化。条形图颜色与表示不同大小类别的图像中的颜色相同。
在备选和/或补充描述中，根据本发明的方法包括以下步骤：
1.产品卷材的未处理数字图像(具体地12位图像)由使用固定扫描时间的实时行扫描(或矩阵)相机生成，并且所述图像由早期为ABB WIS系统开发的适应性扁平线校正方法校正。
2.WO 2017/198348 A1中描述的方法可以可选地用于“透视”型实时分析，该方法通过引用全部并入本文，并且涉及实时(在线)完整的卷材纸张匀度分析或者其他产品匀度或表面分析。
3.利用具有平滑滤波器的平滑滤波器组，具体地具有不同的空间宽度的空间低通滤波器，对校正的图像进行滤波。
4.通过减去相邻平滑滤波器的低通滤波图像，平滑的图像信号被用来生成空间带通滤波结果。这可以基于不同种类的空间低通滤波器。实时流视频成像对设计空间滤波器设置了极高的要求。一种选项是使用高斯差分(DoG)滤波器，但是其他选项似乎也有效。也可以使用双向CD高斯滤波(递归高斯技术)与MD IIR滤波的组合，并且提供与DoG方法相关的结果。
5.利用原始校正的图像信号的标准偏差(或其倍数)对带通滤波的图像阈值化，以形成不同大小类别内的絮状物功率(区域*强度)分析的基础。
6.可以形成基于在线和/或离线图像和条形图的个体或组合可视化。所有尺度组合可视化的示例如图4所示。通过基于局部计算的尺度特征值选择单独像素的尺度(并因此选择对应的颜色)来基于不同的尺度响应形成可视化。用于选择尺度并且定义为彩色的特征值可以是例如尺度功率、定向或一些其他形状特征。
7.如果需要，则可以报告结果并且也用值来可视化。统计分析结果与指定的测量区域相关。
8.根据本发明的系统可以配备有检测出现在特定絮状物大小类别(尺度)中的匀度特征“缺陷”。这可以通过将增益校正原理应用于特征分布信号并且形成参考信号来完成。然后可以检测不同匀度大小类别的变化。特征向量可以包括功率分布、大小分类的形状特征，具体为定向。
9.另外，生成自动调整的阈值，并且将该阈值应用于不同尺度的带通滤波结果，以形成二进制图像。通过自动调整在动态范围的亮侧和暗侧生成阈值水平，以实现产品的超过絮状物和空隙区域的期望百分比。
10.分析检测到的絮状物和/或空隙区域形状。絮状物和/或空隙区域的分析基于实时(在线)数字滤波方法，其组合邻域像素并且同时计算絮状物和/或空隙区域的特征，如在WO 2017/198348 A1中所描述的。
11.计算并组合检测到的絮状物和/或空隙的面积平均值、以及相同的絮状物和/或空隙区域的对应强度平均值。
12.存储计算得到的絮状物和/或空隙特征，并且可以在在线图中可视化。
图5示出了流程图，其图示了上述方法的示例性实施例。
该方法开始(在图5的左上角)于从行扫描相机流式传输的未处理视频，如上面在段落[00022]和[00024]中所描述的。然后对流视频信号进行初始视频信号校正，如在段落[00025]和[00026]所描述的并且在图6中示例性地示出的。校正可以具体地包括由成像光学器件，具体地透镜和照明引起的效果的校正，具体地以确定响应将独立于照明。也可以应用平场校正。
更具体地，在视频校正方法中，针对每个横向(CD)像素位置，增益值可以存储在存储器中。增益值g(n)可以通过例如由操作员定义的速率定期调整。因此，校正的视频信号nagc(n)是
nagc(n)＝g(n)raw(n) (1)
其中g(n)是可调整增益，raw(n)是未处理视频信号，并且n是像素位置。在AGC中，针对长期的视频电平的目标是在整个动态范围的中间。如果校正的视频信号nagc(n)高于目标，则增益值可以减小。相应地，如果信号值低于目标，则增益或偏移值增大。因此，增益调整方法可以表示为
gnew(n)＝gold(n)+sign(t-nagc(n))rate (2)
其中sign是针对正数返回1并且针对负数结果返回-1的函数，rate定义调整速度(正常AGC调整率控制参数)，并且t是目标值。
从初始视频信号校正输出的信号被反馈回校正增益调整，其调整由初始视频信号校正所施加的瞬时或当前增益值。为了进一步处理，随后对从初始视频信号校正输出的信号进行校正视频动态范围优化，从该优化输出校正的视频信号，即，流式传输。
然后对校正的视频信号进行预处理，以进行匀度分析，得到预处理的视频信号。匀度分析的预处理可以包括几个预处理阶段，这些阶段可能需要不同的滤波选项并且支持匀度分析方法的控制；具体地：
a.较小的局部区域平均(例如4个扫描行像素的流平均值)
b.视频扫描行转向和双向低通无限脉冲响应(IIR)滤波的同步
c.针对并行算法控制和针对特征向量/信号的校正视频统计和其他度量
i.例如局部区域标准、较大区域标准、偏斜、峰度、基于直接算法的CD平均絮状物大小、基于直接算法的MD平均絮状物大小、各向异性(CD平均絮状物大小/MD平均絮状物大小)、絮状物定向(平均絮状物角度)、空隙定向(平均空隙角度)、絮状物大小变化、空隙大小变化，
ii.基于并行匀度分析方法的控制的统计度量的自动阈值水平选项生成
d.输入信号有效性的处理：测量区域的控制、有效强度范围的控制、流式匀度分析过程期间的无效产品区域消除
i.测量位置控制
ii.输入信号强度分析/控制
1.例如匀度分析掩蔽的离散缺陷检测
iii.掩蔽(基于CD位置或视频强度范围)
1.例如相机观察区域边缘或产品边缘附近的匀度方法控制/处理
iv.所需的信号替换或测量启用/禁用
然后对预处理的视频信号进行空间带通滤波，如上面在段落[00027]中所描述的。然后，如在段落[00027]至[00032]中所描述的，对从空间带通滤波获得的流信号进行絮状物或团迹大小分类功率分析，并且如具体地在段落[00031]中所描述的进行特征信号生成。与絮状物或团迹大小分类功率分析并行，也可以对预处理的水平信号执行絮状物或团迹大小分类形状分析，如在WO 2017/198348 A1中所描述的。
在特征信号生成中，还可以考虑校正的视频信号、预处理的视频信号和/或来自絮状物或团迹大小分类形状分析的结果。
来自特征信号生成的另外的结果可以被反馈回空间带通滤波中，具体地将上面在段落[00031]中描述的滤波器参数调整为絮状物或团迹大小分类功率分析和/或絮状物或团迹大小分类形状分析。
在流/并行/反馈过程期间，用于匀度分析、空间带通滤波、大小分类形状分析、大小分类功率分析和特征信号生成的预处理密切相关并且彼此紧密地工作，因此可以被视为一个功能块，其正在处理流校正视频输入并且正给出特征信号(向量)作为输出。
由特征信号生成传递并且在段落[00051]和[00052]中更详细地描述的未处理特征信号然后可以直接用于匀度报告，具体地通过创建如段落[00035]至[00041]所描述的特征图，并且如段落[00044]所描述的那样显示所述特征图并示出在图4的顶部中。匀度报告还可以包括来自匀度未处理特征分类的结果，例如如在段落[00055]、[00079]中所描述的并且在图4的底部中以条形图的形式示例性地示出的。
未处理特征信号还可以用作到特征信号分析和/或特征信号校正的输入，例如如在段落[00056]中所描述的。
针对特征信号值校正可以考虑不同的方法，即特征信号标准生成。我们可以使用1.不同种类的低通滤波方法，包括平均、基于FIR或IIR的低通滤波。
在最简单的情况下，通过计算当前校正的特征信号值与对应的目标信号值之间的差，我们可以使用增益校正或基于偏移值的校正，以进行标准信号生成。所以在这种情况下，对于要校正的每个特征向量值，存在被存储在存储器中的增益和偏移值。增益值g(n)和偏移值a(n)可以通过操作员定义的速率定期调整。因此，校正的特征信号fea(v)是
fea(v)＝a(v)+g(v)rawfea(v) (3)
其中g(v)是可调整增益，a(v)是可调整的偏移值，rawfea(v)是未处理特征信号，并且vi是特征值索引。在特征信号校正中，长期向量值的目标位于整个范围的期望位置中。如果校正的特征信号值fea(v)高于目标，则增益或偏移值减小。相应地，如果信号值低于目标，则增益或偏移值增大。因此，调整方法可以表示为
gnew(v)＝gold(v)+sign(t(v)-fea(v))grate (4)
anew(v)＝aold(v)+sign(t(v)-fea(v))arate (5)
其中sign是针对正数返回1并且针对负数结果返回-1的函数，grate和arate定义调整速度，并且t(v)是对应的特征向量值的目标值。在正常情况下，一次仅启用一个可调整校正原理(即偏移或增益校正)，并且另一个是固定的或者被禁用。所选的校正原理取决于特征向量的特征的基础和特性。调整过程可以在一段时间之后冻结，以保持固定参考或者调整可以是缓慢的连续过程。
校正的特征信号表示标准(参考，这可以例如表示正常品质或可以表示我们正在搜索的特定情况)和当前特性信号之间的不相似性。下一步骤是通过将阈值水平设置为所选的校正特征向量值或针对某些特征向量值组合集，来检测(特征缺陷分割)特性缺陷(足够大的不相似性)。可以通过利用所选的距离度量计算特征向量值集合的向量长度来给出组合设置值。最常见的距离度量是欧几里得距离。然后，通过利用所选的分类方法，可以将分段特征向量(通过阈值化选择/分段)用于匀度特征分类。适用的分类方法的示例是1.决策树，2.k-NN(k最近邻)分类器，3.神经网络分类器(例如MLP)和4.简单匹配分类器。在匹配分类器中，可以通过当前特征向量与匀度特征向量库中的类向量之间的向量比较来导出结果。
在一些特殊情况下，可以基于未处理特征信号的直接分类来分析匀度品质。
然后可以对校正的特征信号执行匀度特征“缺陷”分类和匀度特征“缺陷”分割，例如如在段落[00054]和[00055]中以及段落[00080]的项目8下所描述的。
虽然已经在附图和前述描述中详细说明和描述了本发明，但是这种说明和描述被认为是说明性的或示例性的，而不是限制性的；本发明不限于所公开的实施例。通过研究附图、公开内容和所附权利要求，本领域技术人员在实践要求保护的本发明时可以理解和实现所公开的实施例的其他变型。在权利要求中，术语“包括”不排除其他元件或步骤，并且不定冠词“一(a)”或“一个(an)”不排除多个。仅在不同或单独的实施例和/或相互不同的从属权利要求中陈述某些特征和/或措施的事实并不指示这些特征和/或措施的组合可能不被认为是公开，要求保护或不能有利使用。权利要求中的任何附图标记不应该被解释为限制范围。
如本文所使用的，即，本文件中的任何地方，术语“计算机”和相关术语，例如“处理器”、“处理装置”、“中央处理单元(CPU)”、“计算装置”和“控制器”可以不仅限于本领域中作为计算机提到的那些集成电路，而是泛指微控制器、微计算机、可编程逻辑控制器(PLC)和专用集成电路以及其他可编程电路，并且这些术语在本文中可互换使用。在本文描述的实施例中，存储器可以包括但不限于计算机可读介质，诸如随机存取存储器(RAM)、计算机可读非易失性介质，诸如闪速存储器。备选地，也可以使用软盘、压缩盘-只读存储器(CD-ROM)、磁光盘(MOD)、数字通用盘(DVD)、USB棒和/或闪存卡(例如CF、SD、迷你SD、微型SD)。
进一步地，如本文所使用的，术语“软件”和“固件”是可互换的，并且包括可以存储在存储器中以由上面定义的计算机执行的任何计算机程序，包括工作站、客户端和/或服务器。
如本文所使用的，术语“非暂时性计算机可读介质”旨在代表实施在用于短期和/或长期信息存储的任何技术方法中的任何有形的基于计算机的装置，诸如计算机可读指令、数据结构、程序模块和子模块或者任何装置中的其他数据。因此，本文描述的方法可以编码为体现在有形的非暂时性计算机可读介质中的可执行指令，包括但不限于存储装置和/或存储器装置。这种指令在由上面定义的计算机执行时使计算机执行本文描述的方法的至少一部分。而且，如本文所使用的，术语“非暂时性计算机可读介质”可以包括所有有形的计算机可读介质，包括但不限于非暂时性计算机存储装置，包括但不限于易失性和非易失性介质以及可移动和不可移动介质，诸如固件、物理和虚拟存储、CD-ROM、DVD和任何其他数字源，诸如网络或互联网，以及尚未开发的数字装置，唯一的例外是瞬时传播信号。
如本文所使用的，术语“实时”可以指关联事件发生的时间、测量和收集预定数据的时间、处理数据的时间和/或系统响应于事件和环境的时间中的至少一个。在本文描述的实施例中，这些活动和事件可以基本上即时发生，并且具体地可以安排为同时发生，具体地在所涉及的计算机的一个时钟周期内或者在有限数量内，具体地小于10、50、100、500、1000或10000个时钟周期或者小于10n个时钟周期，其中n＜5、6、7、8或9。
除非另有说明，否则在整个文件中应该假设陈述a≈b暗示|a-b|/(|a|+|b|)＜10-1，优选地|a-b|/(|a|+|b|)＜10-2，其中a和b可以表示如在本文件中的任何地方描述和/或定义的任意变量，或者如本领域技术人员已知的。进一步地，a与b至少近似相等或者至少近似相同的陈述暗示a≈b，，优选地a＝b。进一步地，除非另有说明，否则在整个文件中应该假设陈述a＞＞b暗示a＞10b，优选地a＞100b；以及陈述a＜＜b暗示10a＜b，优选地100a＜b。
应该注意的是，术语“包括”不排除其他特征，具体地元件或步骤，并且不定冠词“一(a)”或“一个(an)”不排除多个。而且，可以将与不同实施例关联描述的元件进行组合。还应该注意，权利要求中的附图标记不应该视为是对权利要求书的范围的限制。
本领域技术人员将了解，在不偏离本发明的精神或基本特性的情况下，本发明可以以其他特定形式体现。因此，目前公开的实施例在所有方面都被认为是说明性的而不是限制性的。本发明的范围由所附权利要求而不是前面的描述指示，并且在其含义和范围及其等同物内的所有变化都旨在包含在其中。
由该整个文件提供的公开内容还可以包括具有特征的任何组合的实施例和变型，具体地在上面提到或示出的或随后在单独的或不同的实施例中的各个特征，即使这种特征仅可以与其他特征结合示出和/或描述。它还可以包括附图中的各个特征，即使这种特征仅可以结合其他特征示出和/或在上文或下文中没有提到。同样地，如上所述的任何这样的特征，具体地各个特征，也可以从本发明的主题或从所公开的实施例和变型中排除。本公开可以包括仅包括权利要求或示例性实施例中描述的特征的实施例以及包括另外的其他特征的实施例。
本发明的优选实施例，具体地如上所述，可以如下面列出的项目中详述的那样实现，有利地与如上详述的一个或多个特征组合：
1.一种用于分析卷材中的匀度的方法，优选地被实施在计算机上，所述卷材优选地在卷材制造过程期间在移动方向上被传输，该方法包括以下步骤
a)获取卷材的二维原始图像P0，所述图像可被表示为可由多个像素值P0，ij表示的数字图像，其中i∈{1；...；I}，j∈{1；...；J}；
b)产生多个P处理图像Pp，其中p∈{1；...；P}，所述处理图像中的每一个处理图像都可由像素值Pp，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}，所述处理图像由原始图像的空间带通滤波获得，其中空间不同的带通滤波器被用于获得处理图像中的每一个处理图像。
2.根据项目1的方法，其中p∈{1；...；P}的处理图像Pp被阈值化，具体地针对p∈{1；...；P}，m∈{1；...；M}，n∈{1；...；N}被转换为可由像素值Pp，m，n∈{0；1}表示的二进制图像。
3.根据项目1的方法，还包括以下步骤：
a)组合p∈{1；...；P}的处理图像Pp中的至少两个处理图像，优选地所有处理图像，以获得可由值Fm’，n’表示的特征图F，其中m’∈{1；...；M’}，n’∈{1；...；N’}，优选地m’∈{1；...；M}，n’∈{1；...；N}。
4.根据项目2的方法，其中特征图Fm’，n’是根据获得的，其中Pmax，m’，n’＝max{Pp，m’，n’|p∈{1；...；P}}。
5.根据前述项目中任一项的方法，还包括以下步骤：
a)通过p∈{1；...；P}的处理图像Pp确定特征向量v＝(v1，，vP)，其中所述特征向量v的向量分量vp是通过p∈{1；...；P}的处理图像Pp确定的。
6.根据前述项目中任一项的方法，其中
a)二维原始图像是通过产品卷材的未处理数字图像获得的，优选地借助于使用固定扫描时间的实时行扫描或矩阵相机获得，以及
b)所述未处理数字图像是通过适应性扁平线校正方法来校正的。
7.根据前述项目中任一项的方法，其中
a)在项目1的步骤b)中，q∈{1；...；Q}的多个平滑图像Bq被产生，所述平滑图像中的每一个可由像素值Bq，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}，所述平滑图像中的每一个平滑图像是通过将空间低通或平滑滤波器应用于原始图像获得的，不同的滤波器被用于平滑图像中的每一个平滑图像；
b)p∈{1；...；P}的处理图像Pp中的每一个处理图像都是通过减去两个平滑图像Bp1，m，n、Bp2，m，n产生的，其中p1≠p2。
8.根据前述项目的方法，其中高斯差分滤波器被用作空间低通滤波器。
9.根据前述项目的方法，其中
a)原始图像P0的标准偏差σ被确定；
b)p∈{1；...；P}的处理图像Pp利用标准偏差σ或其倍数来阈值化。
10.根据项目2至7中任一项的方法，还包括将特征图F显示为二维数字图像的步骤。
11.根据项目7和8中任一项的方法，其特征还在于，特征图F被显示为二维数字彩色图像，不同的颜色是针对Fm’，n’的每个不同值显示的，其中m∈{1；...；M’}，n∈{1；...；N’}。
12.根据前述项目中任一项的方法，其中至少一个带通滤波器是具有第一空间方向的传递特性的二维带通滤波器，该传递特性不同于第二空间方向的传递特性。
13.根据前述项目中任一项的方法，还包括将增益校正应用于p∈{1；...；P}的处理图像Pp的至少一个选择的步骤，具体地将单独增益校正应用于的处理图像Pp的选择。
14.根据前述项目的方法，其中处理图像Pp的增益校正是基于特征向量分量Vp的当前值与所述特征向量分量Vp的目标值之间的偏差来重复更新的。
15.一种光学卷材检查系统，包括
a)图像获取单元(12)，用于获取在卷材制造过程期间在移动方向上被传输的卷材(11)的未处理图像和/或原始图像P0，
b)数字化单元，优选地由图像获取单元包括，用于确定表示所述原始图像P0的像素值P0，ij，其中i∈{1；...；I}，j∈{1；...；J}，
c)处理单元(17)，被配置为执行根据项目1至11中任一项的方法，
d)显示单元(16)，用于显示结果，具体地特征图Fm’，n’。
16.根据前述项目的光学卷材检查系统，其特征在于，处理单元包括现场可编程门阵列。

Claims (20)

1.一种用于检测、监测和/或分析在制造过程中被生产的产品的质量的方法，所述方法优选地被实施在计算机上，所述产品在所述制造过程期间沿移动方向被传输，具体地在传送带上被传输，所述方法包括以下所述步骤：
a)获取所述产品的原始图像P0，所述图像能够被表示为包括多个像素的二维数字图像，所述多个像素具有像素值P0，ij，其中i∈{1；...；I}，j∈{1；...；J}；
b)产生多个P处理图像Pp，其中p∈{1；...；P}，所述处理图像中的每一个处理图像都能够由像素值Pp，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}，所述处理图像由所述原始图像的空间滤波获得，具体地由所述原始图像的空间带通滤波获得，其中
c)具体地为空间带通滤波器的不同的空间滤波器被用于获得所述处理图像中的每一个处理图像。
2.根据权利要求1所述的方法，其中所述产品是卷材，具体地纸幅，并且被监测和/或分析的所述品质包括在所述卷材中的匀度。
3.根据权利要求1或2所述的方法，其中所述原始图像能够被表示的所述二维数字图像被提供为数据流，优选地是实时地，并且优选地没有整个所述二维数字图像的中间存储。
4.根据权利要求1、2或3所述的方法，其中所述多个P处理图像Pp中的至少一个处理图像被提供为数据流，优选地是实时地，并且优选地没有所述处理图像的中间存储。
5.根据前述权利要求中任一项所述的方法，其中至少一个空间滤波器的特性能够被调整，具体地通过设置滤波器参数而被调整；以及
a)所述像素值Pp，m，n是通过将所述滤波器中的一个或多个滤波器连续地应用于表示所述原始图像的单独像素或像素子集来连续地获得的；其中
b)已经被获得的至少一些像素值Pp，m，n被用于在获得另外的像素值之前调整所述至少一个空间滤波器的所述特性。
6.根据前述权利要求中任一项所述的方法，其中，p∈{1；...；P}的所述处理图像Pp被阈值化，具体地针对p∈{1；...；P}、m∈{1；...；M}、n∈{1；...；N}被转换为能够由像素值Pp，m，n∈{0；1}表示的二进制图像。
7.根据前述权利要求中任一项所述的方法，还包括以下所述步骤：
a)组合p∈{1；...；P}的所述处理图像Pp中的至少两个处理图像，优选地所有处理图像，以获得能够由值Fm’，n’表示的特征图F，其中m’∈{1；...；M’}，n’∈{1；...；N’}，优选地m’∈{1；...；M}，n’∈{1；...；N}。
8.根据权利要求6所述的方法，其中所述特征图Fm’，n’是根据获得的，其中Pmax，m’，n’＝max{Pp，m′，n′|p∈{1；...；P}}。
9.根据权利要求6所述的方法，其中所述特征图的所述值Fm’，n’与针对m’、n’的主要大小类别相对应；具体地其中其中P(pmax，m’，n’，m’，n’)＞P(p，m’，n’)′，其中p∈{1；...；P}\{pmax，m’，n’}。
10.根据前述权利要求中任一项所述的方法，还包括以下所述步骤：
a)通过p∈{1；...；P}的所述处理图像Pp的至少两个处理图像，优选地所有处理图像，来确定图像特征向量v＝(v1，...，vP)，其中所述图像特征向量v的向量分量vp是通过p∈{1；...；P}的处理图像Pp确定的。
11.根据前述权利要求中任一项所述的方法，其中
a)所述二维原始图像是通过产品卷材的未处理数字图像获得的，优选地借助于使用固定扫描时间的实时行扫描或矩阵相机获得，以及
b)所述未处理数字图像是通过适应性扁平线校正方法来校正的。
12.根据前述权利要求中任一项所述的方法，其中
a)在权利要求1的步骤b)中，q∈{1；...；Q}的多个平滑图像Bq被产生，所述平滑图像中的每一个平滑图像能够由像素值Bq，m，n表示，其中m∈{1；...；M}，n∈{1；...；N}，所述平滑图像中的每一个平滑图像是通过将空间低通或平滑滤波器应用于所述原始图像获得的，不同的滤波器被用于所述平滑图像Bq，m，n中的每一个平滑图像；
b)p∈{1；...；P}的所述处理图像Pp中的每一个处理图像都是通过减去两个平滑图像Bp1，m，n、Bp2，m，n产生的，其中p1≠p2。
13.根据前述权利要求所述的方法，其中
a)所述原始图像P0的标准偏差σ被确定；
b)p∈{1；...；P}的所述处理图像Pp利用所述标准偏差σ或其倍数来阈值化。
14.根据权利要求6至12中任一项所述的方法，还包括将所述特征图F显示为二维数字图像的步骤。
15.根据权利要求13所述的方法，其特征还在于，所述特征图F被显示为二维数字彩色图像，不同的颜色是针对Fm’，n’的每个不同值显示的，其中m∈{1；...；M)，n∈{1；...；N)。
16.根据前述权利要求中任一项所述的方法，其中至少一个带通滤波器是具有第一空间方向的传递特性的二维带通滤波器，所述传递特性不同于第二空间方向的传递特性。
17.根据前述权利要求中任一项所述的方法，还包括将增益和/或偏移校正应用于p∈{1；...；P}的处理图像Pp的至少一个选择的步骤，具体地将单独增益和/或偏移校正应用于的处理图像Pp的选择。
18.根据前述权利要求所述的方法，其中处理图像Pp的增益校正和/或偏移是基于局部或图像特征向量分量Vp的当前值与所述特征向量分量Vp的目标值之间的偏差来重复更新的。
19.一种光学卷材检查系统(1)，包括：
a)图像获取单元(12)，用于获取在卷材制造过程期间在移动方向上被传输的卷材(11)的未处理图像和/或原始图像P0，
b)数字化单元，优选地由所述图像获取单元包括，用于确定表示所述原始图像P0的像素值P0，ij，其中i∈{1；...；I}，j∈{1；...；J}，
c)处理单元(17)，被配置为执行根据权利要求1至18中任一项所述的方法，
d)显示单元(16)，用于显示在执行所述方法时被获得的结果，具体地特征图Fm’，n’和/或图像特征向量v。
20.根据前述权利要求所述的光学卷材检查系统，其特征在于，所述处理单元包括现场可编程门阵列。
CN201880009342.6A 2017-02-10 2018-02-09 用于卷材制造监督的实时完整的卷材图像处理方法和系统 Active CN110235173B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17020055.4 2017-02-10
EP17020055.4A EP3361444A1 (en) 2017-02-10 2017-02-10 Real-time, full web image processing method and system for web manufacturing supervision
PCT/EP2018/053327 WO2018146271A1 (en) 2017-02-10 2018-02-09 Real-time, full web image processing method and system for web manufacturing supervision

Publications (2)

Publication Number Publication Date
CN110235173A true CN110235173A (zh) 2019-09-13
CN110235173B CN110235173B (zh) 2023-04-18

Family

ID=58094116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880009342.6A Active CN110235173B (zh) 2017-02-10 2018-02-09 用于卷材制造监督的实时完整的卷材图像处理方法和系统

Country Status (5)

Country Link
US (1) US10607333B2 (zh)
EP (2) EP3361444A1 (zh)
CN (1) CN110235173B (zh)
CA (1) CA3053219C (zh)
WO (1) WO2018146271A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113355938A (zh) * 2020-03-06 2021-09-07 美国Ibs公司 匀度检测系统及控制方法
CN115082445A (zh) * 2022-07-25 2022-09-20 山东鲁泰防水科技有限公司 一种建筑防水卷材表面缺陷检测方法
CN117088071A (zh) * 2023-10-19 2023-11-21 山西戴德测控技术股份有限公司 一种传送带损伤位置定位系统、服务器及方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6699694B2 (ja) * 2018-08-28 2020-05-27 大日本印刷株式会社 検査システム、検査方法
CN109523505B (zh) * 2018-09-18 2021-06-11 深圳市智信精密仪器有限公司 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法
JP7215492B2 (ja) * 2018-12-06 2023-01-31 日本電気株式会社 検査装置
JP2021140373A (ja) * 2020-03-04 2021-09-16 Ｔｍｔマシナリー株式会社 画像処理装置及び編物の染色品質評価方法
JP2022084041A (ja) * 2020-11-26 2022-06-07 株式会社日立ハイテク 荷電粒子ビーム装置
US11566368B1 (en) * 2022-06-16 2023-01-31 CreateMe Technologies LLC Vision systems and methods for locating fiducials in manufacturing fabric articles

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101213575A (zh) * 2005-07-01 2008-07-02 Abb有限公司 用于检测异常的方法和产品
CN101545868A (zh) * 2009-04-30 2009-09-30 上海交通大学 有色金属加工质量控制中的产品表面缺陷检测方法
US20110090380A1 (en) * 2009-10-20 2011-04-21 Apple Inc. Image signal processor front-end image data processing system and method
CN102844791A (zh) * 2010-04-19 2012-12-26 米其林集团总公司 监测轮胎表面的外观的方法
DE102014015886A1 (de) * 2014-10-27 2016-04-28 Basler Aktiengesellschaft Verfahren und Vorrichtung zur Korrektur einer fehlerhaften Bildpunktinformation
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5113454A (en) 1988-08-19 1992-05-12 Kajaani Electronics Ltd. Formation testing with digital image analysis
US6804381B2 (en) * 2000-04-18 2004-10-12 The University Of Hong Kong Method of and device for inspecting images to detect defects
US6750466B2 (en) * 2001-02-09 2004-06-15 Wintriss Engineering Corporation Web inspection system
US6950547B2 (en) * 2001-02-12 2005-09-27 3M Innovative Properties Company Web inspection method and device
EP1987349A4 (en) * 2006-02-22 2013-12-18 Metso Automation Oy METHOD FOR OBSERVING A FASTLY MOVING PAPER TRACK AND CORRESPONDING SYSTEM
JP5912125B2 (ja) * 2010-11-12 2016-04-27 スリーエム イノベイティブ プロパティズ カンパニー ウェブベース材料における不均一性の高速処理と検出
WO2017198348A1 (en) 2016-05-17 2017-11-23 Abb Schweiz Ag Real-time, full web image processing method and system for web manufacturing supervision

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101213575A (zh) * 2005-07-01 2008-07-02 Abb有限公司 用于检测异常的方法和产品
CN101545868A (zh) * 2009-04-30 2009-09-30 上海交通大学 有色金属加工质量控制中的产品表面缺陷检测方法
US20110090380A1 (en) * 2009-10-20 2011-04-21 Apple Inc. Image signal processor front-end image data processing system and method
CN102844791A (zh) * 2010-04-19 2012-12-26 米其林集团总公司 监测轮胎表面的外观的方法
DE102014015886A1 (de) * 2014-10-27 2016-04-28 Basler Aktiengesellschaft Verfahren und Vorrichtung zur Korrektur einer fehlerhaften Bildpunktinformation
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MARÍA S MILLÁN 等: ""Flaw detection and segmentation in textile inspection"", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/241305485》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113355938A (zh) * 2020-03-06 2021-09-07 美国Ibs公司 匀度检测系统及控制方法
CN115082445A (zh) * 2022-07-25 2022-09-20 山东鲁泰防水科技有限公司 一种建筑防水卷材表面缺陷检测方法
CN117088071A (zh) * 2023-10-19 2023-11-21 山西戴德测控技术股份有限公司 一种传送带损伤位置定位系统、服务器及方法
CN117088071B (zh) * 2023-10-19 2024-01-23 山西戴德测控技术股份有限公司 一种传送带损伤位置定位系统、服务器及方法

Also Published As

Publication number Publication date
EP3361444A1 (en) 2018-08-15
WO2018146271A1 (en) 2018-08-16
EP3580720A1 (en) 2019-12-18
CA3053219C (en) 2020-08-25
CA3053219A1 (en) 2018-08-16
CN110235173B (zh) 2023-04-18
EP3580720B1 (en) 2020-11-18
US20190392575A1 (en) 2019-12-26
US10607333B2 (en) 2020-03-31

Similar Documents

Publication Publication Date Title
CN110235173A (zh) 用于卷材制造监督的实时完整的卷材图像处理方法和系统
Çelik et al. Development of a machine vision system: real-time fabric defect detection and classification with neural networks
Shahrabadi et al. Defect detection in the textile industry using image-based machine learning methods: a brief review
US6301373B1 (en) Paper quality determination and control using scale of formation data
CN116008289A (zh) 一种非织造产品表面缺陷检测方法及系统
Meng et al. Automatic recognition of woven fabric structural parameters: a review
Hati et al. Seam pucker in apparels: a critical review of evaluation methods
Guo et al. Online measurement of sizing yarn hairiness based on computer vision
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测系统
Li et al. Real-time segmentation of yarn images based on an FCM algorithm and intensity gradient analysis
CN109196555B (zh) 用于卷材制造监督的实时、完整卷材图像处理方法和系统
US20190164276A1 (en) Real-Time, Full Web Image Processing Method and System for Web Manufacturing Supervision
Strokina et al. Framework for developing image-based dirt particle classifiers for dry pulp sheets
Jeffrey Kuo et al. Self-organizing map network for automatically recognizing color texture fabric nature
Ramakrishnan et al. A Novel Fabric Defect Detection Network in textile fabrics based on DLT
Strokina Machine vision methods for process measurements in pulping
Binjie et al. Fabric appearance testing
Ding et al. An automated cotton contamination detection system based on co-occurrence matrix contrast information
CN118747731A (zh) 一种基于ai的面料瑕疵识别系统
Yıldırım et al. Measurement of cloth fell position using image analysis
Suleymanova ANALYSIS AND SELECTION OF TECHNICAL MEANS IN ORDER TO DETECTING DEFECTS IN FABRICS
Abidi et al. Facet model and mathematical morphology for surface characterization
JP5842479B2 (ja) 地合検査装置及び地合検査方法
Magalhães et al. Specific Dimensions of Soybean Grains Through Digital Images
CA2249125C (en) Paper quality determination and control using scale of formation data

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