CN110858395A - 一种卷装长丝的污丝缺陷检测方法 - Google Patents
一种卷装长丝的污丝缺陷检测方法 Download PDFInfo
- Publication number
- CN110858395A CN110858395A CN201810974177.XA CN201810974177A CN110858395A CN 110858395 A CN110858395 A CN 110858395A CN 201810974177 A CN201810974177 A CN 201810974177A CN 110858395 A CN110858395 A CN 110858395A
- Authority
- CN
- China
- Prior art keywords
- value
- filament
- image
- gray
- area
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001788 irregular Effects 0.000 claims abstract description 98
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 4
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000011179 visual inspection Methods 0.000 abstract description 8
- 238000005286 illumination Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种卷装长丝的污丝缺陷检测方法,包括:获取卷装长丝的待检测区域的多张采集图像;截取采集图像中与待检测区域内的受检位置对应的目标图像;确定目标图像中的疑似区域,获取疑似区域的灰度特征参数;确定疑似区域对应的不规则几何图形,获取不规则几何图形的几何特征参数;根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷。本发明实施例的卷装长丝的污丝缺陷检测方法,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污丝缺陷检测方法。
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。
卷装长丝的污丝是由于卷装长丝上被异物污染造成的,卷装长丝的表面出现油污、斑点或者其他脏污的情况,影响外观,对染色工序有很大影响,其大小任意、产生位置随机。
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污丝缺陷检测。
虽然,人工目测的方式检测污丝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污丝缺陷检测方法,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污丝缺陷检测方法,包括:
获取卷装长丝的待检测区域的多张采集图像;
截取采集图像中与待检测区域内的受检位置对应的目标图像;
确定目标图像中的疑似区域,获取疑似区域的灰度特征参数;
确定疑似区域对应的不规则几何图形,获取不规则几何图形的几何特征参数;
根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷。
进一步地,受检位置包括卷装长丝的第一锥面、第二锥面或圆柱面,获取卷装长丝的待检测区域的多张采集图像包括:
沿卷装长丝的周向分别获取包含第一锥面、第二锥面或圆柱面的多张采集图像。
进一步地,截取采集图像中与待检测区域内的受检位置对应的目标图像包括:
获取采集图像的复制图像;
对复制图像进行去噪处理,并利用图像分割算法获取去噪后的复制图像内的受检位置的边缘线;
获取边缘线的所有像素点的坐标值;
根据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,确定目标图像中的疑似区域,获取疑似区域的灰度特征参数包括:
对目标图像进行去噪处理;
利用边缘检测算法处理去噪后的目标图像,确定目标图像的疑似区域,并得到待分析图像;
获取待分析图像的一阶灰度直方图,并提取灰度特征参数。
进一步地,确定疑似区域对应的不规则几何图形,获取不规则几何图形的几何特征参数包括:
过滤待分析图像的背景图案,并得到疑似区域对应的不规则几何图形;
确定不规则几何图形的几何特征参数。
进一步地,过滤待分析图像的背景图案,并得到疑似区域对应的不规则几何图形包括:
利用二值化方法过滤待分析图像的背景图案;
利用膨胀处理方法将过滤背景图案后的待分析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,得到不规则几何图形。
进一步地,灰度特征参数包括疑似区域的灰度平均值、灰度最小值和灰度方差值,几何特征参数包括不规则几何图形的面积。
进一步地,根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷前,还包括:
根据灰度平均值与灰度最小值的差值与第一预设值的比较结果以及灰度方差值与第二预设值的比较结果,确定不规则几何图形为均匀不规则图形、渐变不规则图形或无缺陷图形。
进一步地,当确定不规则几何图形为均匀不规则图形时,根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷包括:
根据灰度平均值与灰度最小值的差值与第一预设值的比较结果以及不规则几何图形的面积与第三预设值,确定卷装长丝是否存在污丝缺陷;或
根据灰度平均值与灰度最小值的差值与第四预设值的比较结果以及不规则几何图形的面积与第五预设值,确定卷装长丝是否存在污丝缺陷;或
若灰度平均值与灰度最小值的差值符合第一预设阈值且不规则几何图形的面积符合第二预设阈值,根据灰度平均值与灰度最小值的差值和不规则几何图形的面积的乘积是否符合第三预设阈值,确定卷装长丝是否存在污丝缺陷;其中,
第四预设值大于第一预设值,第五预设值小于第三预设值,第一预设阈值为第一预设值和第四预设值之间的阈值,第二预设阈值为第三预设值和第五预设值之间的阈值。
进一步地,当确定不规则几何图形为渐变不规则图形时,灰度特征参数还包括疑似区域的灰度值积分,根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷包括:
根据灰度值积分与不规则几何图形的面积的乘积是否符合第四预设阈值,确定卷装长丝是否存在污丝缺陷。
本发明实施例的卷装长丝的污丝缺陷检测方法,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,提取用于判断污丝缺陷的缺陷特征(即疑似区域的灰度特征参数以及疑似区域对应的不规则几何图形的几何特征参数),根据不同污丝缺陷的缺陷特征的性质,确定卷装长丝是否存在污丝缺陷。
本发明实施例的卷装长丝的污丝缺陷检测方法,适用于化纤领域内的卷装长丝的污丝缺陷检测,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污丝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为图1中步骤S120的具体方法的流程图;
图4为图1中步骤S130的具体方法的流程图;
图5为图1中步骤S140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污丝缺陷检测方法,包括:
S110、获取卷装长丝的待检测区域的多张采集图像;
S120、截取采集图像中与待检测区域内的受检位置对应的目标图像;
S130、确定目标图像中的疑似区域,获取疑似区域的灰度特征参数;
S140确定疑似区域对应的不规则几何图形,获取不规则几何图形的几何特征参数;
S150、根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷。
在本发明实施例中,如图2所示,受检位置包括卷装长丝的第一锥面1、第二锥面2或圆柱面3,获取卷装长丝的待检测区域的多张采集图像包括:
沿卷装长丝的周向分别获取包含第一锥面1、第二锥面2或圆柱面3的多张采集图像。
在本发明实施例中,由于污丝缺陷可能会分别出现在卷装长丝的第一锥面1、第二锥面2或圆柱面3,因此,需要对卷装长丝的第一锥面1、第二锥面2和圆柱面3分别进行检测。在本发明实施例中分别可以选择第一锥面1、第二锥面2或圆柱面3为受检位置,并将卷装长丝包含第一锥面1、第二锥面2或圆柱面3的区域分别作为待检测区域。在检测时,需要对第一锥面1、第二锥面2和圆柱面3分别进行污丝缺陷的检测,当确定了其中任一个面具有污丝缺陷时,即可确定卷装长丝存在污丝缺陷。
此时,可以在对应于待检测区域的位置分别设置相机,其中,一个面阵相机位于卷装长丝的上方,用于拍摄卷装长丝的俯视图,一个面阵相机位于卷装长丝的下方,用于拍摄卷装长丝的仰视图,利用面阵相机可减少拍摄次数,节约时间。一个线阵相机位于卷装长丝的侧面,并且垂直于卷装长丝的轴线设置,用于采集卷装长丝的圆柱面3的图像,线阵相机的扫描速度快,目标需匀速移动,画面比较均匀。
具体地,根据相机位置固定,拍摄角度有限的特点,位于卷装长丝的侧面的线阵相机采集卷装长丝一周的完整的圆柱面3时,可以通过旋转卷装长丝,并在其旋转一周的同时采集包含圆柱面3的待检测区域的采集图像,而位于卷装长丝的上方和下方的两个面阵相机,需要在卷装长丝静止时,分别采集包含第一锥面1和第二锥面2的待检测区域的采集图像,以完成卷装长丝的图像采集。在一个实施例中,面阵相机的拍摄时间可以为1s,线阵相机的拍摄时间可以为2.2s。
为了方便对卷装长丝的第一锥面1和第二锥面2进行图像采集,卷装长丝的上方和下方分别采用圆顶照明,圆顶照明可通过各个方向提供等能力照明,表面光线均匀分布,适应面阵相机。两个面阵相机可以分别通过圆顶照明中心的开孔进行图像采集,以保证照明和图像采集的可实施性。同时,由于低角度照明适用于瑕疵特征高于或低于检测物表面的凸显,并且适应线阵相机,因此,卷装长丝的侧面可以采用低角度照明,该光源光线线阵相机的采集方向相同。
在本发明实施例中,如图3所示,截取采集图像中与待检测区域内的受检位置对应的目标图像包括:
S121、获取采集图像的复制图像;
S122、对复制图像进行去噪处理,并利用图像分割算法获取去噪后的复制图像内的受检位置的边缘线;
S123、获取边缘线的所有像素点的坐标值;
S124、根据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,可以处理受检位置出现偏差或受检位置范围不同的情况,可以处理第一锥面1、第二锥面2和圆柱面3形状不一致情况,提高图像截取的精度。
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。
其次,可以根据不同的面的形状,采用不同的方法确定受检位置的边缘线,并截取目标图像:
(1)由于第一锥面1和第二锥面2的平面图皆为圆环面,因此包含第一锥面1和第二锥面2的采集图像的处理方法相同,可以以包含第一锥面1的采集图像为例,说明第一种确定受检位置的边缘线的方法。
首先,设置圆心坐标(X1,Y1)、圆环面的外圆周参考线的半径R1和圆环面的内圆周参考线的半径R2。然后,根据上述设置的参数,在去噪后的复制图像内确定圆心、外圆周参考线和内圆周参考线。其次,利用图像分割算法对去噪后的复制图像进行处理,得到若干圆周线。其中,图像分割算法可以是边缘检测方法或者二值化方法,圆周线为第一锥面1和第二锥面2对应的去噪后的复制图像里灰度亮暗变化的突变位置。最后,依据外圆周参考线选取由外圆周参考线到内圆周参考线方向上最靠近其的一条圆周线作为外边缘线,依据内圆周参考线选取由内圆周参考线到圆心的方向上最靠近其的一条圆周线最为内边缘线,并将外边缘线和内边缘线作为受检位置的边缘线,提取边缘线所有像素点坐标值。
获取了边缘线所有像素点坐标值后,可以依据复制图像中的边缘像素点坐标值,对采集图像进行同样像素点坐标值的提取,并根据其进行外边缘线和内边缘线的切割,截取外边缘线和内边缘线之间的图像作为目标图像,其余部分用黑色填充,以此减少非处理对象对目标图像的干扰。
(2)由于圆柱面3的平面图皆为矩形,因此可以以包含圆柱面3的采集图像为例,说明第二种确定受检位置的边缘线的方法。
首先,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,边线可以为圆柱面3边缘灰度亮暗变化的突变位置。其次,可以选取最靠近复制图像的左边的一条边线作为第一边线,选取最靠近复制图像的右边的一条边线作为第二边线,并将第一边线和第二边线作为边缘线,提取边缘线所有像素点坐标值。
获取了边缘线所有像素点坐标值后,可以依据复制图像中的边缘像素点坐标值,对采集图像进行同样像素点坐标值的提取,并根据其进行第一边线和第二边线的切割,截取第一边线和第二边线之间的图像作为目标图像,以此减少非处理对象对目标图像的干扰。
在本发明实施例中,如图4所示,确定目标图像中的疑似区域,获取疑似区域的灰度特征参数包括:
S131、对目标图像进行去噪处理;
S132、利用边缘检测算法处理去噪后的目标图像,确定目标图像的疑似区域,并得到待分析图像;
S133、获取待分析图像的一阶灰度直方图,并提取灰度特征参数。
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。由于目标图像的图像噪点较分散,因此,滤波处理可以采用均值滤波。均值滤波具有平滑图像效果好,速度较快,算法简单的特点,能够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,可以先根据预设数量和预设面积将去噪后的目标图像分为多块子图像。包含第一锥面1或第二锥面2的目标图像优选分为五块,包含圆柱面3的目标图像优选分为三块。将目标图像分为多块子图像可以降低由于各相机到卷装长丝的各面光线路径不一致,导致采集到的图像亮度不均匀的问题,降低对后续提取污丝缺陷特征的影响。
在本发明实施例中,可以选用Prewitt算子对每一个子图像进行边缘检测,以增强图像的灰度差异。然后,根据像素点上下、左右邻点的灰度差,检测出在边缘处达到极值的像素点连成的连线作为边缘,在这些边缘中去掉部分伪边缘,能够使图像增强效果明显且不损失目标图像原始细节,使图像增强的效果最佳。
在本发明实施例中,对进行边缘检测处理后的目标图像进行灰度提取,获得一阶灰度直方图。一阶灰度直方图是通过灰度变换后得到函数图像,在出现污丝的情况下,采集的图像灰度值往往有阶跃式的特点,便于对灰度特征参数的提取。
在本发明实施例中,如图5所示,确定疑似区域对应的不规则几何图形,获取不规则几何图形的几何特征参数包括:
S141、过滤待分析图像的背景图案,并得到疑似区域对应的不规则几何图形;
S142、确定不规则几何图形的几何特征参数。
具体地,在本发明实施例中,过滤待分析图像的背景图案,并得到疑似区域对应的不规则几何图形包括:
利用二值化方法过滤待分析图像的背景图案;
利用膨胀处理方法将过滤背景图案后的待分析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,得到不规则几何图形。
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,以去除背景干扰。其中,最优阈值可以设置为85-89。
在本发明实施例中,利用膨胀处理方法将第一图案连接得到连续斑点形状、长条形状等不规则几何图形,可以不对过滤背景图案后的待分析图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斑点形状、长条形状等不规则几何图形。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,能够根据其灰度特征简单快速地判别疑似区域对应的不规则几何图形,将不规则几何图形从目标图像中分割出来,并且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。
在本发明实施例中,灰度特征参数包括疑似区域的灰度平均值、灰度最小值和灰度方差值,几何特征参数包括不规则几何图形的面积。
具体地,根据预定数量和预定面积将一阶灰度直方图分为多块子直方图。其中,优选为10块。然后,提取每块子直方图中的灰度平均值、灰度方差值和灰度最小值。灰度平均值为灰度方差值为其中,N为子直方图的像素总数量,n(i)为灰度级为i的像素点的总数量,i为像素点的灰度级,L为子直方图的灰度等级。
在本发明实施例中,根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷前,还包括:
根据灰度平均值与灰度最小值的差值与第一预设值的比较结果以及灰度方差值与第二预设值的比较结果,确定不规则几何图形为均匀不规则图形、渐变不规则图形或无缺陷图形。
在一个实施例中,可以设置第一预设值为50,第二预设值为2500。此时,若不规则几何图形的灰度平均值与灰度最小值的差值≥50,灰度方差值≥2500,则确定该不规则几何图形为均匀不规则图形;若不规则几何图形的灰度平均值与灰度最小值的差值≥50,灰度方差值≤2500,则确定该不规则几何图形为渐变不规则图形;若不规则几何图形的灰度平均值与灰度最小值的差值<50,灰度方差值<2500,则确定该不规则几何图形为无缺陷图形。
若确定其为无缺陷图形,则确定该不规则几何图形对应的疑似区域无污丝缺陷。若确定其为均匀不规则图形或渐变不规则图形,则需要进行后续判断,以确认该不规则几何图形对应的疑似区域是否有污丝缺陷。进一步地,当确定不规则几何图形为均匀不规则图形时,根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷包括:
根据灰度平均值与灰度最小值的差值与第一预设值的比较结果以及不规则几何图形的面积与第三预设值,确定卷装长丝是否存在污丝缺陷;或
根据灰度平均值与灰度最小值的差值与第四预设值的比较结果以及不规则几何图形的面积与第五预设值,确定卷装长丝是否存在污丝缺陷;或
若灰度平均值与灰度最小值的差值符合第一预设阈值且不规则几何图形的面积符合第二预设阈值,根据灰度平均值与灰度最小值的差值和不规则几何图形的面积的乘积是否符合第三预设阈值,确定卷装长丝是否存在污丝缺陷;其中,
第四预设值大于第一预设值,第五预设值小于第三预设值,第一预设阈值为第一预设值和第四预设值之间的阈值,第二预设阈值为第三预设值和第五预设值之间的阈值。
在一个实施例中,可以利用VISION Assistant软件中的ParticleAnalysis功能提取不规则几何图形的特征参数,即不规则几何图形的面积。并设置第一预设值为50,第三预设值为15mm2,第四预设值为90,第五预设值为1mm2,第一预设阈值为50-90,第二预设阈值为1mm2-15mm2,第三预设阈值为≥560。
若不规则几何图形的灰度平均值与灰度最小值的差值≥50,不规则几何图形的面积≥15mm2,则其对应的疑似区域为污丝缺陷。
若不规则几何图形的灰度平均值与灰度最小值的差值≥90,不规则几何图形的面积≥1mm2,则其对应的疑似区域为污丝缺陷。
若不规则几何图形的50<灰度平均值与灰度最小值的差值<90,1mm2<不规则几何图形的面积<15mm2,且灰度平均值与灰度最小值的差值和不规则几何图形的面积的乘积≥560,则其对应的疑似区域为污丝缺陷。
除上述情况外,其他情况均为不规则几何图形对应的疑似区域无污丝缺陷。
在本发明实施例中,当确定不规则几何图形为渐变不规则图形时,灰度特征参数还包括疑似区域的灰度值积分,根据灰度特征参数和几何特征参数确定卷装长丝是否存在污丝缺陷包括:
根据灰度值积分与不规则几何图形的面积的乘积是否符合第四预设阈值,确定卷装长丝是否存在污丝缺陷。
在一个实施例中,第四预设阈值可以为≥600。若不规则几何图形的灰度值积分与不规则几何图形的面积的乘积≥600,则其对应的疑似区域为污丝缺陷;若不规则几何图形的灰度值积分与不规则几何图形的面积的乘积<600,则其对应的疑似区域无污丝缺陷。
当确定了与第一锥面1、第二锥面2和圆柱面3对应的全部的目标图像内的不规则几何图形对应的疑似区域中均无污丝缺陷时,可以确定卷装长丝不存在污丝缺陷。当确定了与第一锥面1、第二锥面2和圆柱面3对应的全部的目标图像内的不规则几何图形对应的疑似区域中有至少一个有污丝缺陷时,可以确定卷装长丝存在污丝缺陷。
根据本发明实施例的卷装长丝的污丝缺陷检测方法,正确检出污丝缺陷率可以达到98.1%,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污丝缺陷检测方法,可以广泛适用于化纤领域内的卷装长丝的污丝缺陷的在线检测,易于分析外观缺陷。并且,通过对污丝缺陷特征进行提取和判断的方法检测污丝缺陷,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,快速判别污丝缺陷,降低误检率。另外,本发明采用多工位、多相机、多光源检测,节约检测时间,降低生产成本。
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)
1.一种卷装长丝的污丝缺陷检测方法,其特征在于,包括:
获取所述卷装长丝的待检测区域的多张采集图像;
截取所述采集图像中与所述待检测区域内的受检位置对应的目标图像;
确定所述目标图像中的疑似区域,获取所述疑似区域的灰度特征参数;
确定所述疑似区域对应的不规则几何图形,获取所述不规则几何图形的几何特征参数;
根据所述灰度特征参数和所述几何特征参数确定所述卷装长丝是否存在污丝缺陷。
2.如权利要求1所述的卷装长丝的污丝缺陷检测方法,其特征在于,所述受检位置包括所述卷装长丝的第一锥面、第二锥面或圆柱面,获取所述卷装长丝的待检测区域的多张采集图像包括:
沿所述卷装长丝的周向分别获取包含所述第一锥面、第二锥面或圆柱面的多张采集图像。
3.如权利要求2所述的卷装长丝的污丝缺陷检测方法,其特征在于,截取所述采集图像中与所述待检测区域内的受检位置对应的目标图像包括:
获取所述采集图像的复制图像;
对所述复制图像进行去噪处理,并利用图像分割算法获取去噪后的所述复制图像内的所述受检位置的边缘线;
获取所述边缘线的所有像素点的坐标值;
根据所述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1所述的卷装长丝的污丝缺陷检测方法,其特征在于,确定所述目标图像中的疑似区域,获取所述疑似区域的灰度特征参数包括:
对所述目标图像进行去噪处理;
利用边缘检测算法处理去噪后的所述目标图像,确定所述目标图像的所述疑似区域,并得到待分析图像;
获取所述待分析图像的一阶灰度直方图,并提取所述灰度特征参数。
5.如权利要求4所述的卷装长丝的污丝缺陷检测方法,其特征在于,确定所述疑似区域对应的不规则几何图形,获取所述不规则几何图形的几何特征参数包括:
过滤所述待分析图像的背景图案,并得到所述疑似区域对应的所述不规则几何图形;
确定所述不规则几何图形的所述几何特征参数。
6.如权利要求5所述的卷装长丝的污丝缺陷检测方法,其特征在于,过滤所述待分析图像的背景图案,并得到所述疑似区域对应的所述不规则几何图形包括:
利用二值化方法过滤所述待分析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待分析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,得到所述不规则几何图形。
7.如权利要求1所述的卷装长丝的污丝缺陷检测方法,其特征在于,所述灰度特征参数包括所述疑似区域的灰度平均值、灰度最小值和灰度方差值,所述几何特征参数包括所述不规则几何图形的面积。
8.如权利要求7所述的卷装长丝的污丝缺陷检测方法,其特征在于,根据所述灰度特征参数和所述几何特征参数确定所述卷装长丝是否存在污丝缺陷前,还包括:
根据所述灰度平均值与所述灰度最小值的差值与第一预设值的比较结果以及所述灰度方差值与第二预设值的比较结果,确定所述不规则几何图形为均匀不规则图形、渐变不规则图形或无缺陷图形。
9.如权利要求8所述的卷装长丝的污丝缺陷检测方法,其特征在于,当确定所述不规则几何图形为所述均匀不规则图形时,根据所述灰度特征参数和所述几何特征参数确定所述卷装长丝是否存在污丝缺陷包括:
根据所述灰度平均值与所述灰度最小值的差值与所述第一预设值的比较结果以及所述不规则几何图形的面积与第三预设值,确定所述卷装长丝是否存在污丝缺陷;或
根据所述灰度平均值与所述灰度最小值的差值与第四预设值的比较结果以及所述不规则几何图形的面积与第五预设值,确定所述卷装长丝是否存在污丝缺陷;或
若所述灰度平均值与所述灰度最小值的差值符合第一预设阈值且所述不规则几何图形的面积符合第二预设阈值,根据所述灰度平均值与所述灰度最小值的差值和所述不规则几何图形的面积的乘积是否符合第三预设阈值,确定所述卷装长丝是否存在污丝缺陷;其中,
所述第四预设值大于所述第一预设值,所述第五预设值小于所述第三预设值,所述第一预设阈值为所述第一预设值和所述第四预设值之间的阈值,所述第二预设阈值为所述第三预设值和所述第五预设值之间的阈值。
10.如权利要求8所述的卷装长丝的污丝缺陷检测方法,其特征在于,当确定所述不规则几何图形为所述渐变不规则图形时,所述灰度特征参数还包括所述疑似区域的灰度值积分,根据所述灰度特征参数和所述几何特征参数确定所述卷装长丝是否存在污丝缺陷包括:
根据所述灰度值积分与所述不规则几何图形的面积的乘积是否符合第四预设阈值,确定所述卷装长丝是否存在污丝缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974177.XA CN110858395B (zh) | 2018-08-24 | 2018-08-24 | 一种卷装长丝的污丝缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974177.XA CN110858395B (zh) | 2018-08-24 | 2018-08-24 | 一种卷装长丝的污丝缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110858395A true CN110858395A (zh) | 2020-03-03 |
CN110858395B CN110858395B (zh) | 2024-03-26 |
Family
ID=69635561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810974177.XA Active CN110858395B (zh) | 2018-08-24 | 2018-08-24 | 一种卷装长丝的污丝缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110858395B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784672A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(上海)科技有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
CN112611761A (zh) * | 2020-11-27 | 2021-04-06 | 常州柯柏电子科技有限公司 | 一种高反物体表面缺陷检测方法及系统 |
CN113554579A (zh) * | 2020-04-07 | 2021-10-26 | 东华大学 | 皮革的缺陷检测方法 |
CN116337879A (zh) * | 2023-05-23 | 2023-06-27 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116563276A (zh) * | 2023-07-05 | 2023-08-08 | 菲特(天津)检测技术有限公司 | 一种化纤长丝在线缺陷检测方法及检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153636A (zh) * | 2015-04-03 | 2016-11-23 | 软控股份有限公司 | 轮胎钢丝帘布表面缺陷的检测方法、装置及系统 |
CN205856675U (zh) * | 2016-07-27 | 2017-01-04 | 江苏恒力化纤股份有限公司 | 一种卷绕机减少油污丝的防护装置 |
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 |
CN107255641A (zh) * | 2017-06-06 | 2017-10-17 | 西安理工大学 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN108323204A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种检测人脸瑕疵点的方法和智能终端 |
-
2018
- 2018-08-24 CN CN201810974177.XA patent/CN110858395B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106153636A (zh) * | 2015-04-03 | 2016-11-23 | 软控股份有限公司 | 轮胎钢丝帘布表面缺陷的检测方法、装置及系统 |
CN205856675U (zh) * | 2016-07-27 | 2017-01-04 | 江苏恒力化纤股份有限公司 | 一种卷绕机减少油污丝的防护装置 |
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 |
CN107255641A (zh) * | 2017-06-06 | 2017-10-17 | 西安理工大学 | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 |
CN108323204A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种检测人脸瑕疵点的方法和智能终端 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
徐科等: "《金属表面质量在线检测技术》", pages: 64 - 65 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554579A (zh) * | 2020-04-07 | 2021-10-26 | 东华大学 | 皮革的缺陷检测方法 |
CN111784672A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(上海)科技有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
CN112611761A (zh) * | 2020-11-27 | 2021-04-06 | 常州柯柏电子科技有限公司 | 一种高反物体表面缺陷检测方法及系统 |
CN116337879A (zh) * | 2023-05-23 | 2023-06-27 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116337879B (zh) * | 2023-05-23 | 2023-08-04 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116563276A (zh) * | 2023-07-05 | 2023-08-08 | 菲特(天津)检测技术有限公司 | 一种化纤长丝在线缺陷检测方法及检测系统 |
CN116563276B (zh) * | 2023-07-05 | 2023-09-01 | 菲特(天津)检测技术有限公司 | 一种化纤长丝在线缺陷检测方法及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110858395B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110858395B (zh) | 一种卷装长丝的污丝缺陷检测方法 | |
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
US5444480A (en) | Method of inspecting solid body for foreign matter | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
CN111724375B (zh) | 一种屏幕检测方法及系统 | |
CN115330772A (zh) | 一种在线焊点质量检测方法 | |
CN116309416A (zh) | 一种零件表面视觉检测方法 | |
CN117808799B (zh) | 基于人工智能的倒角设备加工质量检测方法 | |
CN110857921A (zh) | 一种卷装长丝的毛丝缺陷检测方法 | |
CN113610843A (zh) | 一种光纤编织层的实时缺陷识别系统及其方法 | |
JPH06207909A (ja) | 表面欠陥検査装置 | |
CN112581474A (zh) | 一种基于正弦曲线扫描的工业部件视觉边缘检测方法 | |
CN110857919A (zh) | 一种卷装长丝的尾丝缺陷检测方法 | |
CN110895803B (zh) | 一种卷装长丝的网丝缺陷检测方法 | |
CN116843640A (zh) | 瓷砖表面凹坑缺陷检测方法、系统及存储介质 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
JP2004185246A (ja) | 色の均一性の評価方法 | |
KR20150137497A (ko) | 후판 표면 결함 탐상 장치 및 방법 | |
JP2001028059A (ja) | 色ムラ検査方法及び装置 | |
CN114820622A (zh) | 一种层间异物检测方法和装置 | |
KR101713001B1 (ko) | 이미지 처리를 통한 금속패널 결함탐지장치 및 그 방법 | |
CN110857920A (zh) | 一种卷装长丝的成型不良缺陷检测方法 | |
CN109544547A (zh) | 一种卡口式汽车灯泡灯头顶部外观缺陷检测方法 |
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 |