CN110791944B - 整纬机控制方法、装置、计算机设备和存储介质 - Google Patents
整纬机控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110791944B CN110791944B CN201911119749.7A CN201911119749A CN110791944B CN 110791944 B CN110791944 B CN 110791944B CN 201911119749 A CN201911119749 A CN 201911119749A CN 110791944 B CN110791944 B CN 110791944B
- Authority
- CN
- China
- Prior art keywords
- fabric
- weft
- image
- preset
- parameters
- 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
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06H—MARKING, INSPECTING, SEAMING OR SEVERING TEXTILE MATERIALS
- D06H3/00—Inspecting textile materials
- D06H3/12—Detecting or automatically correcting errors in the position of weft threads in woven fabrics
Abstract
本申请涉及计算机技术领域，特别涉及一种整纬机控制方法、装置、计算机设备和存储介质。所述方法包括：获取图像采集设备采集的多张织物图像；提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；对各所述整纬参数进行加权计算得到综合的整纬参数；根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。采用本方法能够提高整纬机对织物进行整纬的效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种整纬机控制方法、装置、计算机设备和存储介质。
背景技术
随着社会的进步与发展，人们对纺织品的种类以及质量要求越来越高。但是众多种类的纺织品在练漂和印染等生产过程中，会经过很多次的机械拉力作用，使得纺织品会产生变形等不期望的现象，并且不同种类的纺织品产生变形的程度还会有差异。
为了保证纺织品如织物的印染质量，需要将织物通过整纬机，利用整纬机对织物实时进行定型。面对多种多样的织物，以及不同变形程度的织物，传统技术中大多是通过光电检测技术实现对织布的检测以及整纬处理，但是光电检测技术只能对部分品种的织布进行整纬处理，降低了对织布进行整纬的效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高整纬效率的整纬机控制方法、装置、计算机设备和存储介质。
一种整纬机控制方法，所述方法包括：
获取图像采集设备采集的多张织物图像；
提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；
将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；
对各所述整纬参数进行加权计算得到综合的整纬参数；
根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
在一个实施例中，所述通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数，包括：
提取各所述织物图像对应的纹理特征；
根据各所述纹理特征计算各所述纹理角度；
根据各所述纹理角度得到纬纱角度；
根据所述纬纱角度得到各所述织物图像对应的整纬参数。
在一个实施例中，所述方法还包括：
接收终端发送的业务请求，提取所述业务请求中携带的操控指令；
获取所述操控指令对应的操控方法；
根据所述操控方法对所述终端进行远程控制。
在一个实施例中，所述方法还包括：
实时获取所述织物在预设时间内对应的整纬参数以及整纬精度值；
根据各所述整纬参数以及整纬精度值，得到整纬实时变化图；
将所述整纬实时变化图推送至终端。
在一个实施例中，所述获取图像采集设备采集的织物图像，包括：
通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；
查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；
判断所述当前织物亮度是否在所述预设亮度范围内；
当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；
根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，所述织物模板的生成方法，包括：
提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量；
获取所述织物对应的预设参数；
将各所述特征向量、织物类别以及所述预设参数进行关联，生成织物模板。
在一个实施例中，所述提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量，包括：
提取所述织物图像的局部纹理特征；
获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；
根据所述局部纹理特征以及所述多尺度特征生成特征向量。
一种整纬机控制装置，所述装置包括：
图像获取模块，用于获取图像采集设备采集的多张织物图像；
预设参数获取模块，用于提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；
整纬参数获取模块，用于将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；
整合参数计算模块，用于对各所述整纬参数进行加权计算得到综合的整纬参数；
处理模块，用于根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述整纬机控制方法、装置、计算机设备和存储介质，自动获取图像采集设备采集的多张织物图像；实时提取织物图像对应的特征向量，将特征向量与织物模板中的各特征向量进行匹配，获取匹配成功的特征向量关联的预设参数；将自动获取的预设参数输入整纬模型，以通过整纬模型根据预设参数计算各织物图像对应的整纬参数；对各整纬参数进行加权计算得到综合的整纬参数；根据综合的整纬参数控制整纬机，以对织物进行整纬处理。从而实现了对织物进行自动化的整纬处理，提高了对织布进行整纬的效率。
附图说明
图1为一个实施例中整纬机控制方法的应用场景图；
图2为一个实施例中整纬机控制方法的流程示意图；
图3为一个实施例中的获取织物图像的特征向量的流程示意图；
图4为一个实施例中获取图像采集设备采集的织物图像的流程示意图；
图5为一个实施例中整纬机控制装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的整纬机控制方法，可以应用于如图1所示的应用环境中。其中，图像采集设备110、整纬机130通过网络与服务器120进行通信。服务器120获取图像采集设备110采集的多张织物图像；提取织物图像对应的特征向量，将特征向量与织物模板中的各特征向量进行匹配，获取匹配成功的特征向量关联的预设参数；将预设参数输入整纬模型，以通过整纬模型根据预设参数计算各织物图像对应的整纬参数；对各整纬参数进行加权计算得到综合的整纬参数；根据综合的整纬参数控制整纬机130，以使整纬机130对织物进行整纬处理。
其中，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器120为独立的服务器时，服务器120中可以部署多个数据库，每个数据库中可以存储特定类型织物的织物图像；当服务器120为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储特定织物的织物图像。
在一个实施例中，如图2所示，提供了一种整纬机控制方法，以该方法应用于图1中的服务器120为例进行说明，方法包括以下步骤：
步骤210，获取图像采集设备采集的多张织物图像。
图像采集设备可以但不限于是各种相机以及具有图像采集功能的设备，如图像采集设备可为工业相机。织物是由细小柔长物通过交叉，绕结，连接构成的平软片块物，包括纺织物、编织物、毛巾等布料。
当服务器检测到织物时，触发图像采集设备对织物进行实时拍摄得到织物图像。其中，图像采集设备的数量可为多个，多个图像采集设备依次设置在织物上方或者下方，对织物进行拍摄，并且图像采集设备的个数可根据织物的尺寸进行调整，当织物的宽度较大时，图像采集设备的数量也较多。
步骤220，提取织物图像对应的特征向量，将特征向量与织物模板中的各特征向量进行匹配，获取匹配成功的特征向量关联的预设参数。
为了实现对织物的特征提取，需要通过图像采集设备对织物进行拍摄得到织物图像，然后利用图像处理算法提取织物图像对应的特征向量。特征向量是用于表征织物特征的向量，可用于识别织物。织物的类别多种多样，例如可按照原料类型分为纯纺织物、混纺织物以及交织织物等，按照花纹类型可分为横条花纹织物、格子花纹织物等。具体地，服务器可提取织物图像对应的花纹特征向量，利用花纹特征向量识别织物的类别。
织物模板中预先存储了特征向量、织物类别以及预设参数之间的关联关系，例如，将特征向量、织物类别以及预设参数进行关联绑定，生成一条关联关系，根据至少一条关联关系生成织物模板。服务器根据从织物图像中提取的特征向量在织物模板中进行匹配，进而可以得到与特征向量关联的织物类别或者预设参数。
预设参数可以为处理该类别的织物对应的算法参数，例如，当对织物进行整纬处理时，预设参数可为该类别的织物对应的整纬模型中的输入参数。预设参数可以是人工输入的经验参数，例如，人工根据织物的类别选择处理该织物对应的光源参数，如实现透射光源和反射光源的自动选取，或者是人工根据织物的类别选择的处理该织物对应的算法参数等，将人工经验参数记录到织物模板中，实现了一次设置，重复利用，提高了参数获取的效率。在其他实施例中，服务器也可以根据获取的织物类别从织物模板中匹配出预设参数。
步骤230，将预设参数输入整纬模型，以通过整纬模型根据预设参数计算各织物图像对应的整纬参数。
整纬模型是用于计算织物整纬参数的模型，如整纬参数可以为对织物进行纬斜校正的参数，也可以是对织物进行纬弯校正的参数等。
当预设参数是整纬模型中的输入参数时，服务器通过获取预先设定的预设参数对织物进行整纬处理，不仅实现了自动获取整纬参数，同时也提高了整纬参数的获取效率以及获取准确率。
具体地，多个工业相机分别拍摄织物得到多张织物图像，服务器利用特征提取算法提取织物图像特征，根据图像特征识别织物的类别，解决传统方案无法自动精确识别出织物类别的问题。根据织物类别从织物模板中匹配到预设参数对织物进行整纬处理，结合智能匹配算法，具有识别精度高、识别响应快、大数据海量织物类别，实现自动化参数设置。并且，采用了智能匹配算法设置参数后，可以极大的减轻现场工作人员工作量，而且不影响正常的生产进度；其次，基于智能匹配算法效率、精度很高，提高了根据织物类型自动设置参数效率，提高了产品质量，特别是在织布领域，当发生更换织布的类型后，可以自动匹配预设参数，提高了工作效率。
步骤240，对各整纬参数进行加权计算得到综合的整纬参数。
服务器将获取的预设参数输入整纬模型，以使整纬模型对各织物图像进行处理，得到各织物图像对应的整纬参数。然后对各整纬参数进行加权计算得到综合的整纬参数，其中，加权计算包括获取各整纬参数对应的权重，根据权重以及各整纬参数得到综合的整纬参数。
例如，当图像采集设备的数量为8个时，即8个图像采集设备如工业相机同时拍摄织物，得到8个织物图像，利用整纬模型分别计算8个织物图像对应的整纬参数，然后进行加权求平均得到一个综合的整纬参数。
步骤250，根据综合的整纬参数控制整纬机，以对织物进行整纬处理。
整纬机通过整体机构的机械作用，调整织物各经纱间的相对运行速度，使纬纱歪斜的相应部分“超前”或者“滞后”，从而恢复纬纱与经纱在全幅内垂直相交对的状态。具体地，整纬机根据获取的综合的整纬参数控制整纬机的运动，以使整纬机对织物进行整纬处理。具体地，服务器将获取的整纬参数发送至整纬机服务器中，进而使整纬机驱动斜、弯执行机构纠正织物纬斜及纬弧，从而实现纠正纬斜、纬弧，提高织物质量。
在本实施例中，通过图像采集设备采集织物图像，实现对织物的整纬，能够更好地处理斜纹、提花等结构复杂织物的纬斜纠正，能更好地处理印花织物、提花织物的花形图案纠正，并且对织物的适应面大大增强。并且，考虑到织物的类型别多种多样，并且对不同类别的织物进行处理时，其对应的整纬参数也是不同的，为了提高获取整纬参数的效率，服务器预先将织物类别和预设参数进行关联，进而当服务器获取织物对应的织物类别时，即可从织物模板中提取匹配成功的特征向量关联的预设参数，提高了参数获取的效率。将获取的预设参数输入整纬模型，得到各织物图像对应的整纬参数，根据各整纬参数进行加权计算得到综合的整纬参数，以使综合的整纬参数控制整纬机，对织物进行整纬处理，实现对各种类型的织物进行自动整纬。
并且，利用图像检测技术可以不受织物颜色或者印花图案的影响，可以实现对任何类型的织物的识别，进一步地提高了对织物进行整纬的效率。
在一个实施例中，通过整纬模型根据预设参数计算各织物图像对应的整纬参数，包括：提取各织物图像对应的纹理特征；根据各纹理特征计算各纹理角度；根据各纹理角度得到纬纱角度；根据纬纱角度得到各织物图像对应的整纬参数。
纹理特征可以识别织物的花纹类型，根据纹理特征也可以识别织物的纹理角度。具体地，可以利用空间域的处理算法如局部二值模式(LBP-Local Binary Pattern)提取织物图像的局部纹理特征，也可以利用频率域的处理算法如傅里叶变换等算法提取织物的纹理特征，进而可以根据织物的纹理特征得到纹理角度以及纬纱角度。需要说明的是，在本申请中对织物纹理的提取方式不做限制。
需要说明的是，在对织物图像进行织物纹理特征提取之前，还可以包括对织物图像进行预处理，然后对预处理后的织物图像进行纹理特征提取。其中，预处理可包括：对织物图像进行灰度化处理得到灰度图，或者进行二值化处理得到二值织物图像，或者对织物图像进行滤波处理，去除织物图像中的不利于进行纹理特征提取的像素信息，或者对织物图像进行增强处理等等，在此不作限制。
在本实施例中，整纬机在加工织物时，将光学图像采集技术与计算机纹理识别技术结合，可实现实时检测织物纬线密度，保证对织物纬斜的准确检测，通过电脑控制提取织物的整纬参数，如自动检测纬纱的倾斜角度及方向，能有效纠正织物在生产过程中产生的纬斜、纬弧，提高织物的质量。并且，纬斜、纬弯控制采用闭环自动控制技术，控制精准。
在一个实施例中，方法还包括：接收终端发送的业务请求，提取业务请求中携带的操控指令；获取操控指令对应的操控方法；根据操控方法对终端进行远程控制。
不同的整纬机的服务器之间，或者不同整纬机的服务器可以与总服务器之间可以进行通信，例如进行远程通信。如不同整纬机的服务器可以向总服务器发送业务请求，例如可以为问题诊断请求、故障分析请求、程序升级请求以及织物模板更新等，总服务器接收到业务请求后，提取业务请求中携带的操控指令，根据该操作指令获取对应的操控方法，根据该操控方法对发送业务请求的终端进行远程控制。其中，远程控制可采用基于高清视频编码技术进行实现。
在本实施例中，通过远程控制技术，实现对多个整纬机的远程控制，不仅可以实现对不同整纬机运行状况的实时监控，并且当整纬机发生故障时，还能及时对发生故障的整纬机进行远程技术操控，及时实现问题的解决，并且，还能实现对整纬机的服务器中的程序进行实时更新，极大地提高了工作效率。
在一个实施例中，方法还包括：实时获取织物在预设时间内对应的整纬参数以及整纬精度值；根据各整纬参数以及整纬精度值，得到整纬实时变化图；将整纬实时变化图推送至终端。
织物生产过程中，实现了在线实时进行织物的纬密检测和控制，系统输出控制或者报警提示信号，解决织物径向和纬向张力对织物缩水率的影响，为后续生产过程提供可靠的保障。该方法利用机器视觉技术和计算机技术来代替目前普遍存在的人工检查，结合印染企业的过程质量监控的要求，系统能实时显示检测的瑕疵，形成相应的检测数据报表文件。
在对织物进行整纬的过程中，实时进行界面显示，数据并行化处理，可以实时显示每个相机通道采集的织物图像，检测的整纬参数、计算的综合的整纬参数、运行时间、历史曲线(历史纬斜、维弯的数值)、当前速度、以及更新信息等。并且，还能实现远程交互，实时监控工作状态，进行反馈，根据反馈结果进行交互。
并且，当整纬机出现异常时，服务器还能输出控制或报警提示信号，能够及时发现问题并解决问题。通过实时展示整纬实时变化图，展示了友好的工作界面，使得操作便捷，实现了高灵敏度、高精度、高效率、高可靠性。
在一个实施例中，织物模板的生成方法，包括：提取织物图像对应的多个特征，根据多个特征生成特征向量；获取织物对应的预设参数；将各特征向量、织物类别以及预设参数进行关联，生成织物模板。
在对织物进行加工处理的过程中，由于织物连续处于牵引状态，受各种机械运动及生产操作的影响，织物会产生纬纱歪斜和弯曲，即纬斜。故而，对于同一个类别的织物，可能会具有变形、拉伸、扭曲、不同光照以及多种倾斜角度的不同状态，对于在不同状态下的织物对其类别的准确识别具有一定的影响。
为了提高了对织物类别的识别鲁棒性，能够实现当织物在不同状态下仍然能够正确识别出织物的类别，服务器提取织物图像的多个特征，根据织物图像的多个特征生成特征向量。其中提取到的织物特征应该具有的性能为：能识别出织物的类别，特别是当获取的织物图像为在变形、拉伸、光照以及扭曲等状态下，仍能识别出织物的类别。
具体地，服务器获取织物在不同状态下的织物图像，根据不同状态下的织物图像获取织物的特征向量，根据多个特征生成特征向量。服务器获取织物对应的预设参数，然后服务器将获取的特征向量、织物类别以及预设参数进行关联，生成织物模板。
在本实施例中，通过事先建立织物模板，织物模板中固化有预设参数，如对应的光源参数、算法参数，织物模板中还固化有多种织布的特征参数，服务器将识别的织物图像的多个特征生成特征向量，以用该特征向量来识别织物的类别，根据织物类别从织物模板中匹配到预设参数，提高了对织物的识别鲁棒性以及预设参数的获取效率。
在一个实施例中，如图3所示，提供了一种获取织物图像的特征向量的流程示意图。具体地，提取织物图像对应的多个特征，根据多个特征生成特征向量，包括：
步骤310，提取织物图像的局部纹理特征。
织物图像的纹理特征可用于识别织物类别。如可以利用局部二值模式(LBP-LocalBinary Pattern)提取织物图像的局部纹理特征，其中LBP是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点，可以应对光照的变化，即在不同光照变化下仍能识别出织物类别。
步骤320，获取织物图像在多个尺度下的多尺度图像，根据多尺度图像提取织物图像的多尺度特征。
为应对织物的变形、拉伸以及扭曲，可以采用一种方向梯度直方图(HOG-histogram of oriented gradient)和LBP多特征融合的算法。首先，对输入的织物图像进行裁剪和缩放得到多个尺度的织物图像，然后根据多尺度图像提取织物图像的多尺度特征。
步骤330，根据局部纹理特征以及多尺度特征生成特征向量。
服务器将多尺度的LBP特征和一个HOG特征构成的一维向量来表示织物图像的特征向量。将织物类型与特征向量进行关联绑定，建立特征模板。进一步地，获取每个类别的织布对应的预设参数，将预设参数、织物类别以及特征向量进行关联绑定，建立织物模板。
在本实施例中，通过获取织物图像的多尺度特征，实现对织物类别的识别，并且多尺度特征具有抗干扰能力，能够实现对不同状态下的织物进行识别。
在一个实施例中，提取织物图像对应的多个特征，根据多个特征生成特征向量，包括：将织物图像输入分类模型，以通过分类模型根据预先训练好的花纹特征参数，对织物图像进行识别得到各织物图像的花纹对应的特征向量。
图像分类模型可以是预先训练好的机器学习模型，机器学习模型已经学习了对织物图像进行分类的分类参数，根据分类参数实现对织物图像类别的识别。具体地，服务器将获取的多种状态下的织物图像输入预先训练好的织物图像分类模型，织物图像分类模型根据预先学习的分类参数，提取织物图像的特征向量，根据特征向量实现对织物图像的分类。进一步地，织物图像中的花纹特征可用于表征各织物的类别，织物图像分类模型通过提取各织物图像中的花纹对应的花纹特征向量，根据花纹特征向量实现对各织物图像的类别识别。
织物图像分类模型可以为预先训练好的深度学习模型，对织物图像分类模型的训练过程可包括：将不同状态下的织物图像，以及各类型的织物图像中的花纹对应的花纹类别作为训练样本，输入深度学习模型，利用深度学习模型学习织物图像与花纹类别之间的关系，得到织物图像分类模型。
例如，深度学习模型可为CNN网络模型，具体地可为VGG16模型，在VGG16模型中使用损失函数驱动模型进行训练。进一步地，服务器将获取的织物图像依次经过训练好的VGG16模型，得到织物的类别。
在本实施例中，利用最新的大数据智能处理算法，实现对织物的高速检测与控制。应用领先的数字处理技术，运用大数据分析实现数据存储与分析，使用人工智能自动学习技术，提高了效率。具体地，通过织物图像分类模型实现花纹特征向量的自动提取，实现了快速、准确地获取织物图像的特征向量，并对织物进行类别的识别。
进一步地，得到的织物图像分类模型可以适应目前已有的任何类别的织物，并且当遇到未知类别的织物时，只需在织物图像分类模型中添加相应类型数据进行训练，对织物图像分类模型进行更新即可，易于维护，实用价值极高。
在一个实施例中，还提供了一种获取预设参数的方法，包括：从织物模板中获取匹配成功的特征向量关联的预设参数。
服务器首先从织物模板中获取该类别的织物对应的预设参数，即从织物模板中获取对应的经验值，将经验值输入图像检测算法如整纬模型中，检测到织物的纬线或者纬纱的角度，进而对织布进行整纬操作，其中经验值可为整纬模型算法中的参数，例如为不同类别的织布对应的二值化阈值参数、提取纹理的参数、检测角度参数、限值如最大最小值参数等。
需要说明的是，该预设参数为经验参数，即处理该类别的织物通常使用的一个参数，但是对于同一类别的织物，织物颜色或者织物材料也会有细微的差别，在这些差别下，即使同一类别的织物其适应的最佳预设参数并不是完全相同的，故而服务器从织物模板中获取的预设参数有时候并不是适用于该类别的所有织物的最佳处理参数。
服务器将预设参数输入整纬模型中，以使整纬模型根据获取的预设阈值对预设参数进行调整，并计算调整后的各预设参数对应的整纬精度值。
具体地，服务器提供一个模拟环境，在该模拟环境中不断地调整从织物模板中获取的预设参数的大小，具体地，将该预设参数输入整纬模型中，整纬模型获取预设阈值，根据该预设阈值对预设参数的大小进行调整，以使整纬模型根据调整后的预设参数对织物进行整纬，并计算利用各调整后预设参数进行整纬处理对应的整纬精度值。需要说明的是，服务器可以在织物模板中提供模拟环境进行预设参数的调优和适配，以设置各织物模板的算法。
服务器提取最大的整纬精度值对应的预设参数。
服务器提取最大的整纬精度值对应的预设参数为该类别的织物对应的最佳预设参数。并且，该最佳预设参数和从织物模板中获取的预设参数的大小可以相同也可以不同。服务器还可以将获取的最佳预设参数与织物类型和特征向量进行关联绑定，形成织物模板。
在本实施例中，通过提供一个模拟环境实现对获取的预设参数的自动调优，使得获取的预设参数更加准确，提高了对织物进行整纬的精度。
在一个实施例中，将特征向量与织物模板中的各特征向量进行匹配，包括：计算特征向量与织物模板中的各特征向量之间的距离值；当距离值小于预设阈值时，特征向量匹配成功。
具体地，服务器将获取的特征向量与织物模板中的各特征向量进行匹配，计算特征向量之间的余弦距离或者欧式距离等得到匹配度，服务器根据计算得到的匹配度数值大小，判别特征向量是否匹配成功。当匹配度小于预设阈值时，判别特征向量匹配成功，否则，判别未找到合适的匹配特征向量，此时需要人工设置参数，进一步地，需要对织物模板进行更新。
在一个实施例中，方法还包括：获取新增织物图像；提取新增织物图像对应的新增特征向量以及新增预设参数；将各新增特征向量、新增织物类别以及新增预设参数添加至织物模板。
在本实施例中，得到的图像分类模型可以适应目前已有的任何织物，并且当遇到未知织物类别时，只需在织物图像分类模型中添加相应织物数据进行训练，对织物图像分类模型进行更新即可，易于维护，实用价值极高。解决了传统技术中采用手动输入参数的模式来设置机器工作模式，并且如果遇到新品种新类别，需要人工重新设置参数，这样极大的增加了现场工作人员的工作量，同时调整实时性差，导致整纬出现问题。
在一个实施例中，如图4所示，提供了一种获取图像采集设备采集的织物图像的流程示意图，包括：
步骤410，通过图像采集设备对织物进行图像采集得到当前织物图像，并对当前织物图像进行识别得到对应的当前织物亮度。
图像采集设备可为工业相机，当服务器检测到织物时，触发图像采集设备对织物进行拍摄采集，得到织物图像。其中，图像采集设备的数量可为多个，多个图像采集设备依次设置在织物上方或者下方，对织物进行拍摄，并且图像采集设备的个数可根据织物的尺寸进行调整，当织物的宽度较大时，图像采集设备的数量也较多。
服务器对图像采集设备采集的当前织物图像进行亮度检测，得到当前织物图像对应的当前织物亮度。其中，服务器获取当前织物亮度的方法可包括统计织物图像的亮度值，根据亮度值得到当前织物图像对应的当前织物亮度。
步骤420，查找织物关联的预设亮度范围，以及图像采集设备的光源参数的预设调整步长。
服务器获取当前织物对应的当前织物亮度之后，还包括从预先设置的亮度数据库中查找当前织物对应的预设亮度范围。其中，预设亮度范围是事先存储的与该织物对应的亮度范围。具体地，可为一个范围数值。
服务器还获取图像采集设备的光源参数对应的预设调整步长，该预设调整步长可为图像采集设备的调整幅度单元，以根据该预设调整步长对图像采集设备的光源参数进行调整。
步骤430，判断当前织物亮度是否在预设亮度范围内。
服务器判断当前织物亮度是否在预设亮度范围内。当服务器判断图像采集设备采集到的当前织物的亮度在预设范围内时，服务器判断获取的织物图像是合格的，可以不对图像采集设备的光源参数进行调整。
步骤440，当织物亮度不在预设亮度范围内时，通过光源调整模型根据预设调整步长调整图像采集设备的光源参数。
当服务器判断当前织物亮度不在预设亮度范围内时，服务器控制光源调整模型对图像采集设备的光源参数进行调整，以使图像采集设备按照调整后的光源参数对织物进行拍摄得到预设亮度范围内的织物图像。其中，光源调整模型对图像采集设备的光源参数进行调整按照预设调整步长进行调整。并且当图像采集设备的数量为多个时，服务器还包括获取各图像采集设备的预设调整步长，根据各预设调整步长对各图像采集设备的光源参数分别进行调整。
步骤450，根据调整后的光源参数对织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断当前织物亮度是否在预设亮度范围内，直至织物图像的织物亮度在预设亮度范围内时，输出对应的织物图像。
图像采集设备的光源参数被调整后，按照调整后的光源参数对织物进行拍摄，得到当前织物图像。然后服务器根据亮度检测算法获取当前织物图像的当前织物亮度，并继续将当前织物亮度与预设亮度范围进行比对，当在预设亮度范围内时，表明利用当前的光源参数采集到的当前织物对应的织物亮度是合格的，服务器输出织物亮度在预设亮度范围内的织物图像。
在具体实施例中，服务器可以先大量测试图像采集设备的采集的织物图像的亮度在什么范围内时，使得织物图像在处理算法中的运算精度最高。例如，获得织物图像亮度的下界限VL，上界限为VH时，图像处理算法对织物处理的精度最高。
在具体实施时，利用图像采集设备采集织物的织物图像，利用亮度计算算法计算织物图像的亮度值Vx，如果Vx<VL，那么控制图像采集设备的光源参数按照预设步长幅度进行调整，增加图像采集设备的亮度，直到Vx>VL且Vx<VH为止。如果Vx>VH，那么控制图像采集设备按照预设步长幅度进行调整，减小图像采集设备的亮度，直到Vx>VL且Vx<VH为止。
需要说明的是，当图像采集设备进行更换时，不同类型的图像采集设备的设备参数不同，即时利用同样的光源参数数值对织物进行拍摄，得到的织物亮度也会不同，或者利用同一类型的图像采集设备对织物进行拍摄时，不同的外界环境下得到的织物图像的亮度也是不同的。为了保证在不同的外界环境中都能采集到的预设亮度范围内的织物图像，需要一个自动调整图像采集设备的光源参数的算法，以利用该算法控制获取到的织物图像的亮度始终处于最佳的亮度范围内。
在本实施例中，服务器通过检测当前织物对应的当前织物亮度，将当前织物亮度与预先存储的预设亮度范围进行比对，当比对成功时，判断当前织物图像对应的当前织物亮度是合格的，不需要对图像采集设备的光源参数进行调整，当比对失败时，服务器判断图像采集设备采集到的当前织物图像对应的当前织物亮度是不合格的，需要对图像采集设备的光源参数进行调整，继续利用调整参数后的图像采集设备对织物进行拍摄，直到服务器判断得到的织物图像的亮度在预设亮度范围内，才获取亮度合格的织物图像，并输出。通过实时检测织物图像亮度，实现对图像采集设备光源参数的自动调整，从源头上提高了获取织物图像的质量。
在一个实施例中，查找织物关联的预设亮度范围，包括：提取织物对应的当前织物图像的花纹特征，根据花纹特征得到织物的类别；从织物亮度数据库中查找织物的类别对应的预设亮度范围。
织物的类别多种多样，例如可按照原料类型分为纯纺织物、混纺织物以及交织织物等，按照花纹类型可分为横条花纹织物、格子花纹织物等。织物的特征可用于识别织物的类别，具体地，服务器可提取织物图像对应的花纹特征，利用花纹特征判别织物的类别。然后服务器从织物亮度数据库中查找织物的类别对应的预设亮度范围。
在本实施例中，考虑到织物的类别多种多样，并且不同类别的织物对应的预设亮度范围不同，服务器通过识别织物的类别，从织物亮度数据库中查找该类别的织物对应的预设亮度范围，实现了按照类别查找预设亮度范围的效率，提高了预设亮度范围获取的准确度。
在一个实施例中，织物亮度数据库的生成方法，包括：获取各类别的织物对应的预设亮度范围；将各预设亮度范围与各类别进行关联，生成织物亮度数据库。
不同类别的织物对应不同的预设亮度范围，也就是说服务器对不同类别的织物进行图像处理时，对织物的亮度要求不同。织物亮度数据库中存储有不同类别的织物对应的预设亮度范围，并且，当不同类别的织物的预设亮度范围发生改变时，只需要对织物亮度数据库中的数据进行更新即可，进一步地，织物亮度数据库中还可以根据同一类别的织物的不同明暗程度进行划分，对于不同明暗程度的织物选取对应的预设亮度范围，进一步地实现对织物亮度划分的准确率。
在本实施例中，通过将织物类别与预设亮度范围进行关联，得到织物亮度数据库。进而当服务器获取织物时，只需要通过图像检测算法获取织物的类别就可以从织物亮度数据库中查找到与织物类别关联的预设亮度范围，将当前织物亮度与预设亮度范围进行比对，实现对织物亮度的自动调整，提高了对织物亮度调整的效率。
在一个实施例中，通过光源调整模型根据预设调整步长调整图像采集设备的光源参数，包括：获取各图像采集设备对应的光源调整参数；根据各光源调整参数得到综合光源调整参数，以使光源调整模型根据综合光源调整参数，以及各图像采集设备的预设调整步长调整各图像采集设备的光源参数。
考虑到不同的图像采集设备的设备参数不同，或者不同图像采集设备所处的外界环境不同，如外界环境光不同，还包括：服务器将各图像采集设备采集到的织物图像与预设织物亮度范围分别进行比对，获取各织物图像对应的亮度调整范围，以获取各图像采集设备对应的光源调整参数，根据各光源调整参数对各图像采集设备进行调整，得到调整后的各织物图像。
还包括：服务器根据各图像采集设备对应的各光源调整参数得到综合光源调整参数，以使光源调整模型根据综合光源调整参数，以及各图像采集设备的预设调整步长调整各图像采集设备的光源参数。实现了对所有图像采集设备进行统一参数调整。例如，当图像采集设备的数量为8个时，即8个图像采集设备如摄像机同时拍摄织物，计算得到每个摄像机应该调整的光源参数后，还应该进行加权求平均得到一个综合调整参数，利用这个综合调整参数对所有的摄像机的光源参数进行同时同幅度的调整。并且求综合调整参数的算法还可以包括根据权重求平均等算法，可根据具体的需求，计算综合调整参数。
在本实施例中，不仅可以对单个的图像采集设备的光源调整参数进行单独调整，还可以根据各光源调整参数计算得到综合调整参数，根据综合调整参数对图像采集设备进行综合调整，提高了对图像采集设备的光源参数调整的灵活度。
在一个实施例中，输出对应的织物图像之后，还包括：将织物图像输入整纬模型，以使整纬模型根据获取的预设阈值对织物图像的亮度进行调整，并计算调整亮度后的各织物图像对应的整纬精度值；提取最大的整纬精度值对应的织物图像。
服务器提供一个模拟环境，在该模拟环境中不断地调整从织物图像的亮度，具体地，将该织物图像输入整纬模型中，整纬模型获取预设阈值，根据该预设阈值对织物图像的亮度大小进行调整，以使整纬模型根据调整亮度后的织物图像进行整纬，并计算利用各调整后织物图像进行整纬处理对应的整纬精度值。需要说明的是，服务器可以在整纬算法中提供模拟环境进行织物图像亮度的调优和适配。
服务器提取最大的整纬精度值对应的织物亮度为该类别的织物对应的最佳预设亮度。并且，该最佳织物亮度和从初始的织物亮度的大小可以相同也可以不同。
并且，服务器还可以将获取的最佳织物亮度与织物类型进行关联绑定，形成织物亮度模板。
在本实施例中，在获取织物图像的过程中，首先通过比对织物图像亮度与预设亮度范围，实现对图像采集设备的光源参数的调整，实现了在采集织物图像的源头获取精度更加精确的织物图像，在采集图像的时候获取更多像素信息，实现了在源头上也就是获取织物图像的环节中减少织物图像质量的损失。然后还包括对获取的织物图像在算法中进行二次亮度调优，具体地，通过提供一个模拟环境实现对获取的织物图像的亮度的自动调优，使得获取的织物图像的亮度更加准确，提高了对织物进行整纬的精度。
在一个实施例中，获取织物图像对应的织物亮度，包括：对织物图像进行预处理得到织物灰度图；获取织物灰度图的直方图，根据直方图计算织物图像对应的织物亮度。
具体地，服务器可通过获取织物图像对应的直方图，根据直方图或者织物亮度。其中，还可以包括对直方图进行预处理，如平滑处理根据预处理后的直方图计算织物图像的织物亮度。或者服务器还可以根据织物图像的像素灰度值计算织物图像亮度。在此不作限制。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种整纬机控制装置，包括：
图像获取模块510，用于获取图像采集设备采集的多张织物图像。
预设参数获取模块520，用于提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数。
整纬参数获取模块530，用于将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数。
整合参数计算模块540，用于对各所述整纬参数进行加权计算得到综合的整纬参数。
处理模块550，用于根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
在一个实施例中，整合参数计算模块540包括：
特征提取单元，用于提取各所述织物图像对应的纹理特征。
纹理角度计算单元，用于根据各所述纹理特征计算各所述纹理角度。
纬纱角度计算单元，用于根据各所述纹理角度得到纬纱角度。
参数获取单元，用于根据所述纬纱角度得到各所述织物图像对应的整纬参数。
在一个实施例中，整纬机控制装置还包括：
指令提取模块，用于接收终端发送的业务请求，提取所述业务请求中携带的操控指令。
操控方法获取单元，用于获取所述操控指令对应的操控方法。
远程控制模块，用于根据所述操控方法对所述终端进行远程控制。
在一个实施例中，整纬机控制装置还包括：
实时获取模块，用于实时获取所述织物在预设时间内对应的整纬参数以及整纬精度值。
变化图获取模块，用于根据各所述整纬参数以及整纬精度值，得到整纬实时变化图。
推送模块，用于将所述整纬实时变化图推送至终端。
在一个实施例中，图像获取模块510，包括：
亮度识别单元，用于通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度。
查找单元，用于查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长。
判断单元，用于判断所述当前织物亮度是否在所述预设亮度范围内。
调整单元，用于当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数。
输出单元，用于根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，整纬机控制装置还包括：
特征向量生成模块，用于提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量。
向量生成模块，用于获取所述织物对应的预设参数。
模板生成模块，用于将各所述特征向量、织物类别以及所述预设参数进行关联，生成织物模板。
在一个实施例中，特征向量生成模块，包括：
局部特征提取单元，用于提取所述织物图像的局部纹理特征。
多尺度特征提取单元，用于获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征。
向量生成单元，用于根据所述局部纹理特征以及所述多尺度特征生成特征向量。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于处理织物图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种整纬机控制方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取图像采集设备采集的多张织物图像；提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；对各所述整纬参数进行加权计算得到综合的整纬参数；根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
在一个实施例中，处理器执行计算机程序实现所述通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数时还实现以下步骤：提取各所述织物图像对应的纹理特征；根据各所述纹理特征计算各所述纹理角度；根据各所述纹理角度得到纬纱角度；根据所述纬纱角度得到各所述织物图像对应的整纬参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收终端发送的业务请求，提取所述业务请求中携带的操控指令；获取所述操控指令对应的操控方法；根据所述操控方法对所述终端进行远程控制。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：实时获取所述织物在预设时间内对应的整纬参数以及整纬精度值；根据各所述整纬参数以及整纬精度值，得到整纬实时变化图；将所述整纬实时变化图推送至终端。
在一个实施例中，处理器执行计算机程序实现所述获取图像采集设备采集的织物图像时还实现以下步骤：通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；判断所述当前织物亮度是否在所述预设亮度范围内；当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，处理器执行计算机程序生成织物模板时还实现以下步骤：提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量；获取所述织物对应的预设参数；将各所述特征向量、织物类别以及所述预设参数进行关联，生成织物模板。
在一个实施例中，处理器执行计算机程序实现所述提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量时还实现以下步骤：提取所述织物图像的局部纹理特征；获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；根据所述局部纹理特征以及所述多尺度特征生成特征向量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取图像采集设备采集的多张织物图像；提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；对各所述整纬参数进行加权计算得到综合的整纬参数；根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
在一个实施例中，计算机程序被处理器执行实现所述通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数时还实现以下步骤：提取各所述织物图像对应的纹理特征；根据各所述纹理特征计算各所述纹理角度；根据各所述纹理角度得到纬纱角度；根据所述纬纱角度得到各所述织物图像对应的整纬参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收终端发送的业务请求，提取所述业务请求中携带的操控指令；获取所述操控指令对应的操控方法；根据所述操控方法对所述终端进行远程控制。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：实时获取所述织物在预设时间内对应的整纬参数以及整纬精度值；根据各所述整纬参数以及整纬精度值，得到整纬实时变化图；将所述整纬实时变化图推送至终端。
在一个实施例中，计算机程序被处理器执行实现所述获取图像采集设备采集的织物图像时还实现以下步骤：通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；判断所述当前织物亮度是否在所述预设亮度范围内；当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
在一个实施例中，计算机程序被处理器执行实现生成织物模板时还实现以下步骤：提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量；获取所述织物对应的预设参数；将各所述特征向量、织物类别以及所述预设参数进行关联，生成织物模板。
在一个实施例中，计算机程序被处理器执行实现所述提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量时还实现以下步骤：提取所述织物图像的局部纹理特征；获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；根据所述局部纹理特征以及所述多尺度特征生成特征向量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种整纬机控制方法，所述方法包括：
获取图像采集设备采集的多张织物图像；
提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；
将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；
对各所述整纬参数进行加权计算得到综合的整纬参数；
根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
2.根据权利要求1所述的方法，其特征在于，所述以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数，包括：
提取各所述织物图像对应的纹理特征；
根据各所述纹理特征计算各所述纹理角度；
根据各所述纹理角度得到纬纱角度；
根据所述纬纱角度得到各所述织物图像对应的整纬参数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收终端发送的业务请求，提取所述业务请求中携带的操控指令；
获取所述操控指令对应的操控方法；
根据所述操控方法对所述终端进行远程控制。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
实时获取所述织物在预设时间内对应的综合的整纬参数以及整纬精度值；
根据各综合的所述整纬参数以及所述整纬精度值，得到整纬实时变化图；
将所述整纬实时变化图推送至终端。
5.根据权利要求1至4任一所述的方法，其特征在于，所述获取图像采集设备采集的多张织物图像，包括：
通过图像采集设备对织物进行图像采集得到当前织物图像，并对所述当前织物图像进行识别得到对应的当前织物亮度；
查找所述织物关联的预设亮度范围，以及所述图像采集设备的光源参数的预设调整步长；
判断所述当前织物亮度是否在所述预设亮度范围内；
当所述织物亮度不在所述预设亮度范围内时，通过光源调整模型根据所述预设调整步长调整所述图像采集设备的光源参数；
根据调整后的光源参数对所述织物进行拍摄，得到调整后的光源参数对应的织物图像，将调整后的光源参数对应的织物图像作为当前织物图像，并继续判断所述当前织物亮度是否在所述预设亮度范围内，直至所述织物图像的织物亮度在所述预设亮度范围内时，输出对应的织物图像。
6.根据权利要求1至4任一所述的方法，其特征在于，所述织物模板的生成方法，包括：
提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量；
获取所述织物对应的预设参数；
将各所述特征向量、织物类别以及所述织物对应的预设参数进行关联，生成织物模板。
7.根据权利要求6所述的方法，其特征在于，所述提取所述织物图像对应的多个特征，根据多个所述特征生成特征向量，包括：
提取所述织物图像的局部纹理特征；
获取所述织物图像在多个尺度下的多尺度图像，根据所述多尺度图像提取所述织物图像的多尺度特征；
根据所述局部纹理特征以及所述多尺度特征生成特征向量。
8.一种整纬机控制装置，所述装置包括：
图像获取模块，用于获取图像采集设备采集的多张织物图像；
预设参数获取模块，用于提取所述织物图像对应的特征向量，将所述特征向量与织物模板中的各所述特征向量进行匹配，获取匹配成功的所述特征向量关联的预设参数；
整纬参数获取模块，用于将所述预设参数输入整纬模型，以通过所述整纬模型根据所述预设参数计算各所述织物图像对应的整纬参数；
整合参数计算模块，用于对各所述整纬参数进行加权计算得到综合的整纬参数；
处理模块，用于根据综合的所述整纬参数控制整纬机，以对所述织物进行整纬处理。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911119749.7A CN110791944B (zh) | 2019-11-15 | 2019-11-15 | 整纬机控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911119749.7A CN110791944B (zh) | 2019-11-15 | 2019-11-15 | 整纬机控制方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110791944A CN110791944A (zh) | 2020-02-14 |
| CN110791944B true CN110791944B (zh) | 2020-09-15 |
Family
ID=69445062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911119749.7A Active CN110791944B (zh) | 2019-11-15 | 2019-11-15 | 整纬机控制方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110791944B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113322654B (zh) * | 2021-07-06 | 2022-04-08 | 常州宏大智能装备产业发展研究院有限公司 | 一种织物整纬方法 |
| CN116575208B (zh) * | 2023-05-30 | 2024-05-07 | 烟台业林纺织印染有限责任公司 | 一种柔软针织面料加工方法及其磨毛工艺设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06264340A (ja) * | 1993-03-12 | 1994-09-20 | Tsudakoma Corp | 織機の緯糸検知装置 |
| CN103234969A (zh) * | 2013-04-12 | 2013-08-07 | 江苏大学 | 一种基于机器视觉的织物纬密度测量新方法 |
| CN204780391U (zh) * | 2015-06-19 | 2015-11-18 | 顾金华 | 自动整纬装置 |
| CN107274385A (zh) * | 2017-05-18 | 2017-10-20 | 常州大学 | 基于类格图案及其Gabor特征的纺织品瑕疵检测方法 |
| CN108090494A (zh) * | 2017-12-15 | 2018-05-29 | 东华大学 | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 |
| CN108755072A (zh) * | 2018-07-13 | 2018-11-06 | 常州宏大智能装备产业发展研究院有限公司 | 基于机器视觉的织物在线自动整花方法 |
| CN109325940A (zh) * | 2018-09-05 | 2019-02-12 | 深圳灵图慧视科技有限公司 | 织物检测方法及装置、计算机设备和计算机可读介质 |
-
2019
- 2019-11-15 CN CN201911119749.7A patent/CN110791944B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06264340A (ja) * | 1993-03-12 | 1994-09-20 | Tsudakoma Corp | 織機の緯糸検知装置 |
| CN103234969A (zh) * | 2013-04-12 | 2013-08-07 | 江苏大学 | 一种基于机器视觉的织物纬密度测量新方法 |
| CN204780391U (zh) * | 2015-06-19 | 2015-11-18 | 顾金华 | 自动整纬装置 |
| CN107274385A (zh) * | 2017-05-18 | 2017-10-20 | 常州大学 | 基于类格图案及其Gabor特征的纺织品瑕疵检测方法 |
| CN108090494A (zh) * | 2017-12-15 | 2018-05-29 | 东华大学 | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 |
| CN108755072A (zh) * | 2018-07-13 | 2018-11-06 | 常州宏大智能装备产业发展研究院有限公司 | 基于机器视觉的织物在线自动整花方法 |
| CN109325940A (zh) * | 2018-09-05 | 2019-02-12 | 深圳灵图慧视科技有限公司 | 织物检测方法及装置、计算机设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110791944A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110791944B (zh) | 整纬机控制方法、装置、计算机设备和存储介质 | |
| US20220044389A1 (en) | Reconfigurable fabric inspection system | |
| US5815198A (en) | Method and apparatus for analyzing an image to detect and identify defects | |
| KR101836096B1 (ko) | 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
| CN110969193B (zh) | 织物图像获取方法、装置、计算机设备和存储介质 | |
| Bodmarova et al. | Suitability analysis of techniques for flaw detection in textiles using texture analysis | |
| CN110188806A (zh) | 一种基于机器视觉的大圆机织物疵点检测与分类方法 | |
| CN115719344A (zh) | 用于纺织布料质检的面料缺陷分析识别方法 | |
| Margraf et al. | An evolutionary learning approach to self-configuring image pipelines in the context of carbon fiber fault detection | |
| CN109919939B (zh) | 一种基于遗传算法的纱线缺陷检测方法和装置 | |
| Rippel et al. | GAN-based defect synthesis for anomaly detection in fabrics | |
| CN117089977B (zh) | 一种坯布生产动态监测方法、系统及介质 | |
| Basu et al. | Sub image based eigen fabrics method using multi-class SVM classifier for the detection and classification of defects in woven fabric | |
| KR20180063869A (ko) | 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| Tolba et al. | A self-organizing feature map for automated visual inspection of textile products | |
| CN116563276A (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
| CN210864814U (zh) | 织物对边装置 | |
| Bumrungkun | Defect detection in textile fabrics with snake active contour and support vector machines | |
| CN110909649A (zh) | 一种织物整纬方法、装置、计算机设备和存储介质 | |
| Liu et al. | YOLOv4-DCN-based fabric defect detection algorithm | |
| CN110796658A (zh) | 织物对边方法、装置、计算机设备和存储介质 | |
| CN114913168A (zh) | 一种织物纹理异常检测方法 | |
| Rauf et al. | Fabric weave pattern recognition and classification by machine learning | |
| CN112966637A (zh) | 基于深度学习的织物纹理分类自动识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |