CN110857920A - 一种卷装长丝的成型不良缺陷检测方法 - Google Patents
一种卷装长丝的成型不良缺陷检测方法 Download PDFInfo
- Publication number
- CN110857920A CN110857920A CN201810975265.1A CN201810975265A CN110857920A CN 110857920 A CN110857920 A CN 110857920A CN 201810975265 A CN201810975265 A CN 201810975265A CN 110857920 A CN110857920 A CN 110857920A
- Authority
- CN
- China
- Prior art keywords
- points
- image
- mutation
- distance
- extreme
- 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
Images
Classifications
-
- 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
Abstract
本发明公开了一种卷装长丝的成型不良缺陷检测方法,包括:获取包含卷装长丝的第一锥面的多张采集图像;对采集图像进行去噪处理,并过滤去噪后的采集图像中的背景图案,获得连续长曲线;确定连续长曲线上的多个曲率突变点以及每两个相邻的曲率突变点之间的曲线极值点;计算每两个相邻的曲率突变点之间的突变点连线的连线长度和曲线极值点到突变点连线之间的极值点距离;根据连线长度和极值点距离,确定卷装长丝是否存在成型不良缺陷。本发明实施例的卷装长丝的成型不良缺陷检测方法,能够降低人工目测的错误率,提高检测效率,且能够节约生产成本。
Description
技术领域
本发明涉及卷装长丝表面检测技术领域,尤其涉及一种卷装长丝的成型不良缺陷检测方法。
背景技术
卷装长丝即为长丝在生产过程中通过卷绕机构制成具有一定形状和容量的卷装制品。卷装长丝的缺陷主要分为长丝的理化性能缺陷和卷装长丝的外观缺陷两部分。通过实践生产发现,卷装长丝的的外观缺陷对织物的质量影响极为重要,会导致织物成品率的降低。因此,在生产过程中,需加强对卷装长丝的外观缺陷的检测。
卷装长丝的成型不良缺陷是指长丝卷绕成卷装制品后,其形状产生异常变形的缺陷。卷装长丝的成型不良缺陷是由于卷绕设备出现故障或者卷绕时张力不当造成的,一般在卷装长丝上端的第一锥面和下端的第二锥面对称出现。卷装长丝的成型不良缺陷对卷装长丝的美观会造成很大的影响,并且在生产过程中主要影响后期的加工退绕、染色等工序。因此,工厂对成型不良缺陷的检测要求很高。
由于卷装长丝的具有可变形性、多曲面、受检面大的特点,其外观缺陷特征难以提取统一标准,卷装长丝的外观检测一直影响着生产长流程智能制造的实现,只能通过人工目测的方法进行成型不良缺陷检测。
虽然,人工目测的方式检测成型不良缺陷能够检测部分缺陷,但是,人工目测的检验方法会增大生产的人力成本,而且没有统一严格的质量标准,难以保证检测结果的正确率。
发明内容
为解决上述问题,本发明实施例提供一种卷装长丝的成型不良缺陷检测方法,能够降低人工目测的错误率,提高检测效率,且能够节约生产成本。
为实现上述目的,本发明实施例提供了一种卷装长丝的成型不良缺陷检测方法,包括:
获取包含卷装长丝的第一锥面的多张采集图像;
对采集图像进行去噪处理,并过滤去噪后的采集图像中的背景图案,获得连续长曲线;
确定连续长曲线上的多个曲率突变点以及每两个相邻的曲率突变点之间的曲线极值点;
计算每两个相邻的曲率突变点之间的突变点连线的连线长度和曲线极值点到突变点连线之间的极值点距离;
根据连线长度和极值点距离,确定卷装长丝是否存在成型不良缺陷。
进一步地,采集图像进行去噪处理包括:
截取采集图像中第一锥面对应的目标图像;
采用中值滤波方法对目标图像进行去噪处理,并获得去噪后的采集图像。
进一步地,截取采集图像中第一锥面对应的目标图像包括:
获取采集图像的复制图像;
利用高斯滤波方法对复制图像进行去噪处理;
利用图像分割算法获取去噪后的复制图像内的第一锥面的多条边缘线;
获取多条边缘线的所有像素点的坐标值,并根据多条边缘线的所有像素点的坐标值在采集图像中截取目标图像。
进一步地,利用图像分割算法获取去噪后的复制图像内的第一锥面的多条边缘线包括:
利用图像分割算法获取去噪后的复制图像内的多条边线;
根据多条边线确定第一锥面的第一边线、第二边线和第三边线,并且确定第一边线与第二边线的第一交点、第一边线与第三边线的第二交点;
根据第一交点和第二交点确定基准线,将复制图像旋转,使基准线水平设置;
确定旋转后的第一交点、旋转后的第二交点和旋转后的第一边线的所有像素点的坐标值,并确定第一锥面的多条边缘线。
进一步地,过滤去噪后的采集图像中的背景图案,获得连续长曲线包括:
利用二值化方法过滤去噪后的采集图像的背景图案;
利用膨胀处理方法将过滤背景图案后的采集图像中的每两个相邻的第一图案之间小于预定面积的区域填充,得到连续长曲线。
进一步地,根据连线长度和极值点距离,确定卷装长丝是否存在成型不良缺陷包括:
根据连线长度和极值点距离确定每两个相邻的曲率突变点是否为突变区;
根据各个采集图像内的突变区的情况,确定对应的采集图像的突变情况;
根据多张采集图像的突变情况,确定卷装长丝是否存在成型不良缺陷。
进一步地,根据连线长度和极值点距离确定每两个相邻的曲率突变点是否为突变区包括:
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 5mm,极值点距离≥1mm,若满足,则确定两个相邻的曲率突变点为 A级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 2mm,极值点距离≥3mm,若满足,则确定两个相邻的曲率突变点为 A级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:2mm<连线长度<5mm,1mm<极值点距离<3mm,若满足,则判断极值点距离与连线长度的乘积是否满足:乘积≥6,若满足,则确定两个相邻的曲率突变点为A级突变区。
进一步地,当确定连续长曲线的两个相邻的曲率突变点为A级突变区后,根据连线长度和极值点距离确定每两个相邻的曲率突变点是否为突变区包括:
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 8mm,极值点距离≥1mm,若满足,则确定两个相邻的曲率突变点为 B级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 2mm,极值点距离≥4mm,若满足,则确定两个相邻的曲率突变点为 B级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:2mm<连线长度<8mm,1mm<极值点距离<4mm,若满足,则判断极值点距离与连线长度的乘积是否满足:乘积≥9,若满足,则确定两个相邻的曲率突变点为B级突变区。
进一步地,根据各个采集图像内的突变区的情况,确定对应的采集图像的突变情况包括:
根据任一张采集图像内出现A级突变区和B级突变区的情况,确定采集图像对应的突变情况;
突变情况为采集图像为A级降级图片、采集图像为B级降级图片或采集图像无突变。
进一步地,根据多张采集图像的突变情况,确定卷装长丝是否存在成型不良缺陷包括:
根据不同突变情况对应的采集图片的数量,确定卷装长丝是否存在成型不良缺陷;
若卷装长丝存在成型不良缺陷,确定卷装长丝的成型不良等级。
本发明实施例的卷装长丝的成型不良缺陷检测方法,能够应用于生产流水线上的检测装置,对每个经过检测工位的卷装长丝进行图像采集,获取对应的采集图像,然后通过对图像进行处理,提取用于判断成型不良缺陷的缺陷特征(即连续长曲线上的每两个相邻的曲率突变点之间的突变点连线的连线长度和曲线极值点到突变点连线之间的极值点距离),根据不同成型不良缺陷的缺陷特征的性质,确定卷装长丝是否存在成型不良缺陷。
本发明实施例的卷装长丝的成型不良缺陷检测方法,适用于化纤领域内的卷装长丝的成型不良缺陷检测,能够快速分析卷装长丝的外观缺陷,通过对图像的高精度的分析处理,减少人工目测的误差,降低误检率,提高检测效率,并且降低生产成本。
附图说明
图1为本发明实施例的卷装长丝的成型不良缺陷检测方法的流程图;
图2为本发明实施例的卷装长丝的结构示意图;
图3为本发明实施例的采集图像的示意图;
图4为图1中一个实施例的步骤S120的具体方法的流程图;
图5为图4中步骤S121的具体方法的流程图;
图6为图5中步骤S230的具体方法的流程图;
图7为本发明实施例的目标图像的示意图;
图8为图1中另一个实施例的步骤S120的具体方法的流程图;
图9为图1中步骤S150的具体方法的流程图。
具体实施方式
下面,结合附图,对本发明实施例的结构以及工作原理等作进一步的说明。
如图1所示,本发明实施例的一种卷装长丝的成型不良缺陷检测方法,包括:
S110、获取包含卷装长丝的第一锥面1的多张采集图像;
S120、对采集图像进行去噪处理,并过滤去噪后的采集图像中的背景图案,获得连续长曲线;
S130、确定连续长曲线上的多个曲率突变点以及每两个相邻的曲率突变点之间的曲线极值点;
S140、计算每两个相邻的曲率突变点之间的突变点连线的连线长度和曲线极值点到突变点连线之间的极值点距离;
S150、根据连线长度和极值点距离,确定卷装长丝是否存在成型不良缺陷。
在本发明实施例中,待检测的卷装长丝如图2所示,成型不良缺陷可能同时出现在卷装长丝上端的第一锥面1和下端的第二锥面2。此时,可以选择第一锥面1和第二锥面2中任一个面进行检测,以减少工作量。在本发明实施例中,以对第一锥面1的检测为例进行说明。
因此,可以面向第一锥面11设置面阵相机,并能够获取如图3所示的采集图像。利用面阵相机可减少拍摄次数,节约时间。并且,根据面阵相机位置固定,拍摄角度有限的特点,可以通过旋转卷装长丝,并在其旋转一周的同时采集包含第一锥面1的采集图像,以完成卷装长丝整周的图像采集。在一个实施例中,拍摄时间可以为2.2s,并且在拍摄时间内按照等时间间隔获取20张待检测区域的采集图像。
由于使用低角度照明可以凸显瑕疵特征高于检测物表面的成型不良缺陷,因此,在本发明实施例中,对于待检测区域采用低角度照明光源进行照明,该光源光线面阵相机的采集方向相同。
在本发明实施例中,如图4所示,采集图像进行去噪处理包括:
S121、截取采集图像中第一锥面1对应的目标图像;
S122、采用中值滤波方法对目标图像进行去噪处理,并获得去噪后的采集图像。
在本发明实施例中,可以首先分析目标图像中的噪声点,然后依据存在的噪声点对目标图像进行滤波处理。由于目标图像的噪声点聚集在高频区域,因此,滤波处理可以采用中值滤波方法。中值滤波具有平稳的幅值特性,可以获得消除孤立的噪声点的图像,以此改善面阵相机在采集原始信号传到信号转换、信号传输的过程中,由于各种干扰因素导致图像的成像质量的恶化。
在本发明实施例中,如图5所示,截取采集图像中第一锥面1对应的目标图像包括:
S210、获取采集图像的复制图像;
S220、利用高斯滤波方法对复制图像进行去噪处理;
S230、利用图像分割算法获取去噪后的复制图像内的第一锥面1 的多条边缘线;
S240、获取多条边缘线的所有像素点的坐标值,并根据多条边缘线的所有像素点的坐标值在采集图像中截取目标图像。
在本发明实施例中,通过在采集图像中截取目标图像,可以屏除图像中非处理对象的干扰。采用上述的步骤,可以处理第一锥面1的位置出现偏差或第一锥面1的区域范围不同的情况,提高图像截取的精度。
在本发明实施例中,如图6所示,利用图像分割算法获取去噪后的复制图像内的第一锥面1的多条边缘线包括:
S231、利用图像分割算法获取去噪后的复制图像内的多条边线;
S232、根据多条边线确定第一锥面1的第一边线、第二边线和第三边线,并且确定第一边线与第二边线的第一交点、第一边线与第三边线的第二交点;
S233、根据第一交点和第二交点确定基准线,将复制图像旋转,使基准线水平设置;
S234、确定旋转后的第一交点、旋转后的第二交点和旋转后的第一边线的所有像素点的坐标值,并确定第一锥面1的多条边缘线。
在本发明实施例中,可以先复制采集图像,并获得复制图像,通过对复制图像进行处理以获得边缘线,可以防止出现由于对原始的采集图像进行处理后,而造成对原始的采集图像的后续处理的影响。
然后,可以对复制图像通过滤波方式进行去噪处理,在本实施例中,滤波方式可以优选为高斯滤波。去噪后的复制图像可以通过图像分割算法得到多条边线。其中,图像分割算法可以为边缘检测算法或者二值化方法,边线可以为卷装长丝第一锥面1边缘灰度亮暗变化的突变位置。
其次,可以选取复制图像中最靠近图像上边的一条边线作为第一边线13,选取复制图像中最靠近图像左边的一条边线作为第二边线11,选取复制图像中最靠近图像右边的一条边线作为第三边线12,并确定第一边线13与所述第二边线11的第一交点14、第一边线13与第三边线12的第二交点15,如图3所示,同时,获取第一交点14的坐标(x1,y1) 和第二交点12的坐标(x2,y2)。
再次,将第一交点14和第二交点15连接,获得基准线16。测量该基准线16与水平方向的基准线夹角φ,根据该基准线夹角φ,以第一交点14为转轴将复制图像旋转,使基准线16水平设置。此时,第二交点15的坐标变为(x3,y1)。
接着,获取旋转后的第一边线13的所有像素点的平均y坐标值,根据平均y坐标值与预设的坐标差值相加得到第一边线13的顶端的边缘线坐标y3,根据平均y坐标值与预设的坐标差值相减得到第一边线13的底端的边缘线坐标y4。因此,可以获取左边缘线x=x1,右边缘线 x=x3,上边缘线y=y3,下边缘线y=y4内所有像素点在复制图像中的坐标值。
最后,可以将上述的边缘线的所有像素点在复制图像中的坐标值,带入采集图像,对采集图像进行同样像素点坐标值的提取,利用提取的坐标值可得到采集图像的多条分割边线,包括左边线、右边线、上边线、下边线,然后截取分割边线内的图像,得到如图7所示目标图像。
在本发明实施例中,如图8所示,过滤去噪后的采集图像中的背景图案,获得连续长曲线包括:
S123、利用二值化方法过滤去噪后的采集图像的背景图案;
S124、利用膨胀处理方法将过滤背景图案后的采集图像中的每两个相邻的第一图案之间小于预定面积的区域填充,得到连续长曲线。
具体地,可以利用Prewitt算子+对数形式算或者Roberts算子+对数形式进行边缘检测,得到若干边线。然后根据像素点上下、左右邻点的灰度差,在边缘处达到极值检测边缘,去掉部分伪边缘,能够使图像增强效果明显且不损失噪后的采集图像的原始细节,使图像增强的效果最佳。
在本发明实施例中,可以根据预设的最优阈值,对边缘检测处理后的目标图像进行二值化处理,从而得到仅有红黑两种色彩的图像,根据预设的长度和面积参数对二值化处理后的图像进行过滤,以去除背景干扰。其中,最优阈值可以设置为79-83,并且可以过滤掉面积参数≤0.05mm2以及预设的长度≤0.5mm的红色区域。
在本发明实施例中,利用膨胀处理方法将每两个相邻的第一图案连接得到连续长曲线和多根短线,可以不对过滤背景图案后的采集图像像造成不必要的干扰。具体地,可以将待分析图像分割成多块,然后根据预定面积的红色图像连接红色色彩图像得到连续长曲线及多根短线。由于预定面积的红色图像能有效地填充每两个相邻的第一图案之间小于预定面积的区域,因此,能在明显不改变线条情况下平滑线条的边界,便于后续的线条几何参数的提取。
由于在本发明实施例中只需要研究连续长曲线的特征,因此,可以去除短线。具体地,可以过滤掉面积参数≤0.5mm2以及预设的长度≤5mm的短线,以去除全部背景图案的干扰,仅保留连续长曲线。
在本发明实施例中,如图9所示,根据连线长度和极值点距离,确定卷装长丝是否存在成型不良缺陷包括:
S151、根据连线长度和极值点距离确定每两个相邻的曲率突变点是否为突变区;
S152、根据各个采集图像内的突变区的情况,确定对应的采集图像的突变情况;
S153、根据多张采集图像的突变情况,确定卷装长丝是否存在成型不良缺陷。
其中,曲线极值点可以为两个相邻的曲率突变点之间的曲线最高点或曲线最低点,如图7所示,两个相邻的曲率突变点分别为曲率突变点17和曲率突变点18,曲率突变点17和曲率突变点18之间的曲线极值点为两个相邻的曲率突变点之间的曲线最高点。
在本发明实施例中,根据连线长度和极值点距离确定每两个相邻的曲率突变点是否为突变区可以包括:
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 5mm,极值点距离≥1mm,若满足,则确定两个相邻的曲率突变点为 A级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 2mm,极值点距离≥3mm,若满足,则确定两个相邻的曲率突变点为 A级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:2mm<连线长度<5mm,1mm<极值点距离<3mm,若满足,则判断极值点距离与连线长度的乘积是否满足:乘积≥6,若满足,则确定两个相邻的曲率突变点为A级突变区;
若连续长曲线的两个相邻的曲率突变点满足上述条件,则继续下述判断。
在本发明实施例中,当确定连续长曲线的两个相邻的曲率突变点为A级突变区后,根据连线长度和极值点距离确定每两个相邻的曲率突变点是否为突变区还可以包括:
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 8mm,极值点距离≥1mm,若满足,则确定两个相邻的曲率突变点为 B级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:连线长度≥ 2mm,极值点距离≥4mm,若满足,则确定两个相邻的曲率突变点为 B级突变区;或
判断连续长曲线的两个相邻的曲率突变点是否满足:2mm<连线长度<8mm,1mm<极值点距离<4mm,若满足,则判断极值点距离与连线长度的乘积是否满足:乘积≥9,若满足,则确定两个相邻的曲率突变点为B级突变区;
若连续长曲线的两个相邻的曲率突变点不满足上述全部的条件,则连续长曲线的这两个相邻的曲率突变点之间正常,进行后续处理时,不考虑连续长曲线的这两个相邻的曲率突变点。
在本发明实施例中,根据各个采集图像内的突变区的情况,确定对应的采集图像的突变情况包括:
根据任一张采集图像内出现A级突变区和B级突变区的情况,确定采集图像对应的突变情况;
突变情况为采集图像为A级降级图片、采集图像为B级降级图片或采集图像无突变。
在本发明一个实施例中,若单张采集图像中包含B级突变区,无论是否包含A级突变区,该张采集图像均为B级降级图片;若单张采集图像无B级突变区但有A级突变区,则该张采集图像为A级降级图片;若单张采集图像均不包含B级突变区和A级突变区,则该张采集图像为正常图像。
在本发明实施例中,根据多张采集图像的突变情况,确定卷装长丝是否存在成型不良缺陷包括:
根据不同突变情况对应的采集图片的数量,确定卷装长丝是否存在成型不良缺陷;
若卷装长丝存在成型不良缺陷,确定卷装长丝的成型不良等级。在本发明一个实施例中,以获取了20张采集图像为例,判断卷装长丝是否存在成型不良缺陷,以及成型不良缺陷的成型不良等级。当20张采集图像中,若B级降级图片的数量<3张,且A级降级图片的数量+1.5*B级降级图片的数量<6张,可以确定该卷装长丝无成型不良缺陷,否则,卷装长丝存在成型不良缺陷。当确定了卷装长丝存在成型不良缺陷后,可以继续判断成型不良等级。若B级降级图片的数量≥3 张,则该卷装长丝为B级成型不良缺陷;若出现B级降级图片的数量<3张,且A级降级图片的数量+1.5*B级降级图片的数量≥6张,则该卷装长丝为A级成型不良缺陷。
根据本发明实施例的卷装长丝的成型不良缺陷检测方法,正确检出成型不良缺陷率可以达到98.2%,效率为4秒/锭,优于人工目测的方法,实现了卷装长丝外观质量的在线自动化检测,降低了95%的人工工作量。
综上所述,本发明的卷装长丝的成型不良缺陷检测方法,可以广泛适用于化纤领域内的卷装长丝的成型不良缺陷的在线检测,易于分析外观缺陷。并且,通过对成型不良缺陷特征进行提取和判断的方法检测成型不良缺陷,同时还能够自动识别缺陷等级,能够提高检测精度,减少人工目测带来的误差。同时,在图像处理过程中,还可以排除干扰,快速判别成型不良缺陷,降低误检率。
以上,仅为本发明的示意性描述,本领域技术人员应该知道,在不偏离本发明的工作原理的基础上,可以对本发明作出多种改进,这均属于本发明的保护范围。
Claims (10)
1.一种卷装长丝的成型不良缺陷检测方法,其特征在于,包括:
获取包含所述卷装长丝的第一锥面的多张采集图像;
对所述采集图像进行去噪处理,并过滤去噪后的所述采集图像中的背景图案,获得连续长曲线;
确定所述连续长曲线上的多个曲率突变点以及每两个相邻的所述曲率突变点之间的曲线极值点;
计算每两个相邻的所述曲率突变点之间的突变点连线的连线长度和所述曲线极值点到所述突变点连线之间的极值点距离;
根据所述连线长度和所述极值点距离,确定所述卷装长丝是否存在成型不良缺陷。
2.如权利要求1所述的卷装长丝的成型不良缺陷检测方法,其特征在于,所述采集图像进行去噪处理包括:
截取所述采集图像中所述第一锥面对应的目标图像;
采用中值滤波方法对所述目标图像进行去噪处理,并获得去噪后的所述采集图像。
3.如权利要求2所述的卷装长丝的成型不良缺陷检测方法,其特征在于,截取所述采集图像中所述第一锥面对应的目标图像包括:
获取所述采集图像的复制图像;
利用高斯滤波方法对所述复制图像进行去噪处理;
利用图像分割算法获取去噪后的所述复制图像内的所述第一锥面的多条边缘线;
获取所述多条边缘线的所有像素点的坐标值,并根据所述多条边缘线的所有像素点的坐标值在所述采集图像中截取所述目标图像。
4.如权利要求3所述的卷装长丝的成型不良缺陷检测方法,其特征在于,利用图像分割算法获取去噪后的所述复制图像内的所述第一锥面的多条边缘线包括:
利用图像分割算法获取去噪后的所述复制图像内的多条边线;
根据所述多条边线确定所述第一锥面的第一边线、第二边线和第三边线,并且确定所述第一边线与所述第二边线的第一交点、所述第一边线与所述第三边线的第二交点;
根据所述第一交点和所述第二交点确定基准线,将所述复制图像旋转,使所述基准线水平设置;
确定旋转后的所述第一交点、旋转后的所述第二交点和旋转后的所述第一边线的所有像素点的坐标值,并确定所述第一锥面的多条边缘线。
5.如权利要求1所述的卷装长丝的成型不良缺陷检测方法,其特征在于,过滤去噪后的所述采集图像中的背景图案,获得连续长曲线包括:
利用二值化方法过滤去噪后的所述采集图像的所述背景图案;
利用膨胀处理方法将过滤所述背景图案后的所述采集图像中的每两个相邻的第一图案之间小于预定面积的区域填充,得到所述连续长曲线。
6.如权利要求1所述的卷装长丝的成型不良缺陷检测方法,其特征在于,根据所述连线长度和所述极值点距离,确定所述卷装长丝是否存在成型不良缺陷包括:
根据所述连线长度和所述极值点距离确定每两个相邻的曲率突变点是否为突变区;
根据各个所述采集图像内的突变区的情况,确定对应的所述采集图像的突变情况;
根据多张所述采集图像的突变情况,确定所述卷装长丝是否存在成型不良缺陷。
7.如权利要求6所述的卷装长丝的成型不良缺陷检测方法,其特征在于,根据所述连线长度和所述极值点距离确定每两个相邻的曲率突变点是否为突变区包括:
判断所述连续长曲线的两个相邻的曲率突变点是否满足:所述连线长度≥5mm,所述极值点距离≥1mm,若满足,则确定所述两个相邻的曲率突变点为A级突变区;或
判断所述连续长曲线的两个相邻的曲率突变点是否满足:所述连线长度≥2mm,所述极值点距离≥3mm,若满足,则确定所述两个相邻的曲率突变点为A级突变区;或
判断所述连续长曲线的两个相邻的曲率突变点是否满足:2mm<所述连线长度<5mm,1mm<所述极值点距离<3mm,若满足,则判断所述极值点距离与所述连线长度的乘积是否满足:所述乘积≥6,若满足,则确定所述两个相邻的曲率突变点为A级突变区。
8.如权利要求7所述的卷装长丝的成型不良缺陷检测方法,其特征在于,当确定所述连续长曲线的两个相邻的曲率突变点为A级突变区后,根据所述连线长度和所述极值点距离确定每两个相邻的曲率突变点是否为突变区包括:
判断所述连续长曲线的两个相邻的曲率突变点是否满足:所述连线长度≥8mm,所述极值点距离≥1mm,若满足,则确定所述两个相邻的曲率突变点为B级突变区;或
判断所述连续长曲线的两个相邻的曲率突变点是否满足:所述连线长度≥2mm,所述极值点距离≥4mm,若满足,则确定所述两个相邻的曲率突变点为B级突变区;或
判断所述连续长曲线的两个相邻的曲率突变点是否满足:2mm<所述连线长度<8mm,1mm<所述极值点距离<4mm,若满足,则判断所述极值点距离与所述连线长度的乘积是否满足:所述乘积≥9,若满足,则确定所述两个相邻的曲率突变点为B级突变区。
9.如权利要求8所述的卷装长丝的成型不良缺陷检测方法,其特征在于,根据各个所述采集图像内的突变区的情况,确定对应的所述采集图像的突变情况包括:
根据任一张采集图像内出现所述A级突变区和所述B级突变区的情况,确定所述采集图像对应的突变情况;
所述突变情况为所述采集图像为A级降级图片、所述采集图像为B级降级图片或所述采集图像无突变。
10.如权利要求9所述的卷装长丝的成型不良缺陷检测方法,其特征在于,根据所述多张采集图像的突变情况,确定所述卷装长丝是否存在成型不良缺陷包括:
根据不同所述突变情况对应的所述采集图片的数量,确定所述卷装长丝是否存在成型不良缺陷;
若所述卷装长丝存在成型不良缺陷,确定所述卷装长丝的成型不良等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810975265.1A CN110857920A (zh) | 2018-08-24 | 2018-08-24 | 一种卷装长丝的成型不良缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810975265.1A CN110857920A (zh) | 2018-08-24 | 2018-08-24 | 一种卷装长丝的成型不良缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110857920A true CN110857920A (zh) | 2020-03-03 |
Family
ID=69636324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810975265.1A Pending CN110857920A (zh) | 2018-08-24 | 2018-08-24 | 一种卷装长丝的成型不良缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110857920A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832951A (zh) * | 2010-05-11 | 2010-09-15 | 中国计量学院 | 基于机器视觉系统的pvc圆形管材表面瑕疵在线检测方法 |
CN102020036A (zh) * | 2010-11-02 | 2011-04-20 | 昆明理工大学 | 一种条烟外包装透明纸缺陷的视觉检测方法 |
CN102136061A (zh) * | 2011-03-09 | 2011-07-27 | 中国人民解放军海军航空工程学院 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
CN102224412A (zh) * | 2008-11-21 | 2011-10-19 | 住友化学株式会社 | 成形片材的缺陷检查装置 |
CN102680478A (zh) * | 2012-04-25 | 2012-09-19 | 华南农业大学 | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 |
CN102931118A (zh) * | 2012-11-27 | 2013-02-13 | 杭州士兰集成电路有限公司 | 外延缺陷分析结构及制造方法和外延缺陷的分析方法 |
CN103175839A (zh) * | 2011-12-21 | 2013-06-26 | 北京兆维电子(集团)有限责任公司 | 胶印版材表面检测的处理方法及系统 |
CN103760165A (zh) * | 2013-12-31 | 2014-04-30 | 深圳市华星光电技术有限公司 | 显示面板的缺陷检测方法及缺陷检测装置 |
CN105115981A (zh) * | 2015-09-28 | 2015-12-02 | 北京工商大学 | 全自动光纤缠绕缺陷检测系统及方法、光纤缠绕方法 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
CN106841209A (zh) * | 2016-12-28 | 2017-06-13 | 杭州慧芯智能科技有限公司 | 一种基于大数据自学习化纤丝锭智能外观检测系统及方法 |
CN106872476A (zh) * | 2017-03-31 | 2017-06-20 | 武汉理工大学 | 一种基于线结构光的铸造类工件表面质量检测方法与系统 |
CN107016394A (zh) * | 2017-02-27 | 2017-08-04 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种交叉纤维特征点匹配方法 |
CN107240088A (zh) * | 2016-12-07 | 2017-10-10 | 浙江工商大学 | 粘连米粒的检测分割方法、系统以及装置 |
-
2018
- 2018-08-24 CN CN201810975265.1A patent/CN110857920A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102224412A (zh) * | 2008-11-21 | 2011-10-19 | 住友化学株式会社 | 成形片材的缺陷检查装置 |
CN101832951A (zh) * | 2010-05-11 | 2010-09-15 | 中国计量学院 | 基于机器视觉系统的pvc圆形管材表面瑕疵在线检测方法 |
CN102020036A (zh) * | 2010-11-02 | 2011-04-20 | 昆明理工大学 | 一种条烟外包装透明纸缺陷的视觉检测方法 |
CN102136061A (zh) * | 2011-03-09 | 2011-07-27 | 中国人民解放军海军航空工程学院 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
CN103175839A (zh) * | 2011-12-21 | 2013-06-26 | 北京兆维电子(集团)有限责任公司 | 胶印版材表面检测的处理方法及系统 |
CN102680478A (zh) * | 2012-04-25 | 2012-09-19 | 华南农业大学 | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 |
CN102931118A (zh) * | 2012-11-27 | 2013-02-13 | 杭州士兰集成电路有限公司 | 外延缺陷分析结构及制造方法和外延缺陷的分析方法 |
CN103760165A (zh) * | 2013-12-31 | 2014-04-30 | 深圳市华星光电技术有限公司 | 显示面板的缺陷检测方法及缺陷检测装置 |
CN105115981A (zh) * | 2015-09-28 | 2015-12-02 | 北京工商大学 | 全自动光纤缠绕缺陷检测系统及方法、光纤缠绕方法 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
CN107240088A (zh) * | 2016-12-07 | 2017-10-10 | 浙江工商大学 | 粘连米粒的检测分割方法、系统以及装置 |
CN106841209A (zh) * | 2016-12-28 | 2017-06-13 | 杭州慧芯智能科技有限公司 | 一种基于大数据自学习化纤丝锭智能外观检测系统及方法 |
CN107016394A (zh) * | 2017-02-27 | 2017-08-04 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种交叉纤维特征点匹配方法 |
CN106872476A (zh) * | 2017-03-31 | 2017-06-20 | 武汉理工大学 | 一种基于线结构光的铸造类工件表面质量检测方法与系统 |
Non-Patent Citations (2)
Title |
---|
姜代红: "《复杂环境下监控图像拼接与识别》", 28 February 2017, 中国矿业大学出版社 * |
王文峰等: "《计算机视觉与机器人认知》", 31 August 2017, 北京航空航天大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN110858395B (zh) | 一种卷装长丝的污丝缺陷检测方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
US5917957A (en) | Method of and apparatus for processing an image | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN112070766A (zh) | 缺陷检测方法及装置、检测设备及可读存储介质 | |
JP2018535393A (ja) | 画像分析システム及び方法 | |
CN110857921A (zh) | 一种卷装长丝的毛丝缺陷检测方法 | |
CN110857919A (zh) | 一种卷装长丝的尾丝缺陷检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
CN110895803B (zh) | 一种卷装长丝的网丝缺陷检测方法 | |
CN110857920A (zh) | 一种卷装长丝的成型不良缺陷检测方法 | |
JP7003669B2 (ja) | 表面検査装置、及び表面検査方法 | |
CN107545560B (zh) | 用于轮胎胎侧气泡的检测方法和装置 | |
CN115775245A (zh) | 线圈绕线的检测方法及装置、电子设备和存储介质 | |
CN113724173B (zh) | 一种碳板脱模布到边距离检测方法、装置、设备和存储介质 | |
JP2001028059A (ja) | 色ムラ検査方法及び装置 | |
US11080860B2 (en) | Image inspection method | |
JP2007081513A (ja) | 固体撮像素子のシミ欠陥検査方法 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
KR101713001B1 (ko) | 이미지 처리를 통한 금속패널 결함탐지장치 및 그 방법 | |
CN114125435A (zh) | 一种用于网络摄像机的图像缺陷智能检测方法 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
JP3870208B2 (ja) | 画像処理方法及び検査装置 |
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: 20200303 |