CN111798449A - 一种基于图像技术的喷丝板残留杂质检测方法 - Google Patents

一种基于图像技术的喷丝板残留杂质检测方法 Download PDF

Info

Publication number
CN111798449A
CN111798449A CN202010937470.6A CN202010937470A CN111798449A CN 111798449 A CN111798449 A CN 111798449A CN 202010937470 A CN202010937470 A CN 202010937470A CN 111798449 A CN111798449 A CN 111798449A
Authority
CN
China
Prior art keywords
image
spinneret
spinneret orifice
impurity
edge
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
CN202010937470.6A
Other languages
English (en)
Other versions
CN111798449B (zh
Inventor
周建
汤方明
尹立新
王丽丽
熊克
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.)
Jiangsu Hengli Chemical Fiber Co Ltd
Original Assignee
Jiangsu Hengli Chemical Fiber Co Ltd
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 Jiangsu Hengli Chemical Fiber Co Ltd filed Critical Jiangsu Hengli Chemical Fiber Co Ltd
Priority to CN202010937470.6A priority Critical patent/CN111798449B/zh
Publication of CN111798449A publication Critical patent/CN111798449A/zh
Application granted granted Critical
Publication of CN111798449B publication Critical patent/CN111798449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10056—Microscopic 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)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于图像技术的喷丝板残留杂质检测方法，首先在相同的采集条件下，采集单个待测喷丝孔的图像并对其进行二值化处理得到二值化图像a，采集单个标准喷丝孔的图像并对其进行二值化处理得到二值化图像b，标准喷丝孔为与待测喷丝孔的规格相同且不含杂质的喷丝孔；然后对二值化图像a和二值化图像b进行去噪处理，去噪处理即去除喷丝孔外围的区域；接着调整去噪处理后的二值化图像a，使其中的喷丝孔和去噪处理后的二值化图像b中的喷丝孔的轮廓边界重合，二者处于相同的位置；最后计算含杂率，判断杂质位置。本发明的方法操作简便，可适用于各种形状的喷丝孔，可得到含杂率和杂质位置，误检率较低。

Description

一种基于图像技术的喷丝板残留杂质检测方法
技术领域
本发明属于喷丝板残留杂质检测方法领域，涉及一种基于图像技术的喷丝板残留杂质检测方法。
背景技术
在纺丝生产工艺中，喷丝板将粘流态的高聚物熔体或溶液，通过微孔转变成有特定截面状的细流，经过凝固介质或凝固浴固化而形成丝条。熔体中存在的机械杂质、凝胶、碳纤、热裂等微粒，往往会堵塞喷丝板的微孔，从而造成原丝纤度不匀，产生注头、丝细、丝毛等疵点，因此需要定期对喷丝板进行清洗。
目前，喷丝板的检测通常借助特制的显微镜由人工观察喷丝孔的清洁程度。显微镜的放大作用可以观察到细微的杂质，但是喷丝板上微孔较多，容易出现漏检，而且含有杂质的微孔难以准确定位，自动化程度低。随着数字图像处理技术的发展，本领域技术人员尝试通过获取喷丝孔的图像，借助形态学处理获取喷丝孔的边缘轮廓，根据不同曲线闭合区域的面积百分比来计算堵塞孔的面积，进而得到含杂率，根据喷丝孔的边缘轮廓是否为圆形判定是否含有杂质，该方法可以实现圆形喷丝孔的快速检测，但并未考虑去除图像噪声，喷丝孔以外的闭合区域将对结果造成影响，导致误检率较高，同时该方法无法检测Y形、矩形等异形孔，无法定位杂质的位置。
发明内容
本发明的目的是解决现有技术中存在的问题，提供一种基于图像技术的喷丝板残留杂质检测方法。
为达到上述目的，本发明采用的技术方案如下：
一种基于图像技术的喷丝板残留杂质检测方法，包括以下步骤：
（1）在相同的采集条件下（即在放大倍数、环形光源等都相同的条件下，保证采集条件相同是为了保证二值化图像a与二值化图像b具有可比性）下，采集单个待测喷丝孔的图像并对其进行二值化处理得到二值化图像a，采集单个标准喷丝孔的图像并对其进行二值化处理得到二值化图像b，标准喷丝孔为与待测喷丝孔的规格相同且不含杂质的喷丝孔；
（2）对二值化图像a和二值化图像b进行去噪处理，去噪处理即去除喷丝孔外围的区域，即将二值化图像中喷丝孔外围的区域像素点的灰度值全部变为与二值化图像b中喷丝孔内部的区域像素点的灰度值不同的值，如果二值化图像为布尔型二值化图像，且二值化图像b中喷丝孔内部的区域像素点的灰度值为1，则去噪处理即将二值化图像中喷丝孔外围的区域像素点的灰度值全部变为0；去噪处理可以避免对后续处理造成干扰；
（3）调整步骤（2）得到的二值化图像a，使其中的喷丝孔和步骤（2）得到的二值化图像b中的喷丝孔的轮廓边界重合，二者处于相同的位置；
（4）计算含杂率，判断杂质位置；
含杂率的计算方法为：将步骤（3）得到的二值化图像a和步骤（3）得到的二值化图像b作差，并对作差得到的矩阵求和，得到杂质所占区域的面积，用其除以步骤（3）得到的二值化图像b求和后的值，即得含杂率；
杂质位置的判断方法为：
首先分别在步骤（3）得到的二值化图像a和步骤（3）得到的二值化图像b中选择处于同一位置的点，作为参考点；
然后获取步骤（3）得到的二值化图像a中的喷丝孔的边缘图像c，获取步骤（3）得到的二值化图像b中的喷丝孔的边缘图像d，分别在边缘图像c和边缘图像d中的喷丝孔的边界上选择处于同一位置的点，作为起始点；
最后自起始点开始，沿相同方向分别计算边缘图像c和边缘图像d中的参考点与喷丝孔上的各个边界点的距离，将dai与dbi进行比较，根据比较结果判断杂质位置，如果连续5个以上的dai与dbi的差值超过阈值，则连续差值超过阈值的像素点的起点和终点的连线所围成的区域含有杂质，其中，dai为边缘图像c中的参考点与第i个边界点的距离，dbi为边缘图像d中参考点与第i个边界点的距离，i=1,2,...,n，n为边界点的数量；
阈值的确定方法为：按步骤（1）~（4）采集已确定含有杂质的单个参考喷丝孔的图像（可以是人工确定的含有杂质的单个参考喷丝孔的图像），并确定其对应的边缘图像e中的参考点与含有杂质区域（可以是人工标注的含有杂质区域）的多个边界点的距离后，求平均值，即得阈值，其中参考喷丝孔与待测喷丝孔的规格相同，边缘图像e的获取过程同边缘图像c，边缘图像e中的参考点的位置同边缘图像c中的参考点。
本发明通过分别采集待测喷丝孔和标准喷丝孔的图像，通过形态学处理去噪，检测喷丝孔的轮廓边缘，然后使两幅图像处于相同的位置，选择同一位置的标记点，依次逐点比较标记点到喷丝孔边缘的距离，实现对杂质的精确定位，通过对二值化图像直接作差，计算含杂率，计算方法快速有效，适用范围较广。此外，本发明由于对二值化图像进行了去噪处理，喷丝孔以外的闭合区域不会对结果造成影响，误检率较低。
作为优选的技术方案：
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，步骤（1）中，采集条件包括放大倍数，放大倍数为100~200倍；采集单个待测喷丝孔的图像和单个标准喷丝孔的图像采用超景深显微镜；待测喷丝孔为圆形孔、Y形孔或矩形孔；所有二值化处理的阈值都为0.4，阈值如此设置能够完整的获取喷丝孔的二值化图像，如果阈值设置不合理，会将部分杂质去除，影响检测结果；二值化的阈值可以手动设置，也可以采用大津阈值法自动获取阈值进行处理。手动设置可以根据图像的实际情况，设置更为合适的阈值。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，步骤（2）中，所有去噪处理都采用连通域检测方法，与其他去噪处理方法相比，本发明的去噪处理方法可以直接一次性去除喷丝孔以外的区域，而其他去噪方法需要调整参数，并且有可能将喷丝孔的杂质也去掉。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，连通域检测方法具体为：按8连通寻找连通域，检测二值化图像a和二值化图像b中所有的连通域，去除最大连通域以外的连通域，仅保留喷丝孔部分。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，步骤（3）具体为：分别对二值化图像a和二值化图像b进行骨架化处理，采用Hough变换检测最长直线的斜率，根据斜率计算倾斜角，对二值化图像a进行纠偏。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，步骤（4）中，参考点的确定方法为：分别获取二值化图像a和二值化图像b中的喷丝孔的最小外接矩形并求其中心点，该中心点即为参考点。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，二值化图像a和二值化图像b为布尔型二值化图像，喷丝孔内部的区域像素点的灰度值为1，喷丝孔外围的区域像素点的灰度值为0，获取二值化图像中的喷丝孔的最小外接矩形的方法为：分别统计二值化图像行方向上像素点的灰度值的和以及列方向上像素点的灰度值的和，像素点的灰度值的和最先、最后不等于0的两行即为最小外接矩形的两条水平边，像素点的灰度值的和最先、最后不等于0的两列即为最小外接矩形的两条竖直边。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，步骤（4）中，获取边缘图像c和边缘图像d采用边缘检测算子；起始点的确定方法为：以参考点为起点，作一竖直向上的射线，射线与喷丝孔的边界的交点即为起始点。
如上所述的一种基于图像技术的喷丝板残留杂质检测方法，边缘检测算子为Canny边缘检测算子，Canny边缘检测的过程为：首先采用高斯滤波器平滑处理原图像，然后采用一阶偏导的有限差分进行计算梯度的幅值和方向，接着对梯度幅值进行非极大值抑制，最后用双阈值算法检测和连接边缘，双阈值为0.6和0.24。
有益效果：
本发明的基于图像技术的喷丝板残留杂质检测方法操作简便，适用范围较广，可适用于各种形状的喷丝孔，可快速高效地得到含杂率和杂质位置，检测准确度高，误检率较低。
附图说明
图1为基于图像技术的喷丝板残留杂质检测方法的流程图；
图2中（a）为采用超景深显微镜采集到的单个待测喷丝孔的图像，（b）为对单个待测喷丝孔的图像进行二值化处理得到的二值化图像a，（c）为去噪处理后的二值化图像a；
图3中（a）为骨架化处理后的二值化图像a，（b）为纠偏后的二值化图像a，（c）纠偏后的二值化图像a的最小外接矩形；
图4为边缘图像c及示例参考点与边界点的距离。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于图像技术的喷丝板残留杂质检测方法，如图1所示，步骤如下：
（1）在相同的采集条件下（例如放大倍数都为100~200，都采用环形光源），采用超景深显微镜采集单个待测喷丝孔（Y形孔）的图像（如图2（a）所示）并对其进行二值化处理（阈值为0.4）得到二值化图像a（如图2（b）所示），采集单个标准喷丝孔的图像并对其进行二值化处理（阈值为0.4）得到二值化图像b，标准喷丝孔为与待测喷丝孔的规格相同且不含杂质的喷丝孔；
（2）采用连通域检测方法对二值化图像a和二值化图像b进行去噪处理（去噪处理后的二值化图像a如图2（c）所示），去噪处理即去除喷丝孔外围的区域，连通域检测方法具体为：按8连通寻找连通域，检测二值化图像a和二值化图像b中所有的连通域，去除最大连通域以外的连通域，仅保留喷丝孔部分；
（3）分别对二值化图像a和二值化图像b进行骨架化处理（骨架化处理后的二值化图像a如图3（a）所示），采用Hough变换检测最长直线的斜率，根据斜率计算倾斜角，对步骤（2）得到的二值化图像a进行纠偏（如图3（b）所示），使其中的喷丝孔和步骤（2）得到的二值化图像b中的喷丝孔的轮廓边界重合，二者处于相同的位置；
（4）计算含杂率（即杂质区域的面积占喷丝孔面积的比率），判断杂质位置；
含杂率的计算方法为：将步骤（3）得到的二值化图像a和步骤（3）得到的二值化图像b作差，并对作差得到的矩阵求和，得到杂质所占区域的面积，用其除以步骤（3）得到的二值化图像b求和后的值，即得含杂率；
杂质位置的判断方法为：
首先分别在步骤（3）得到的二值化图像a和步骤（3）得到的二值化图像b中选择处于同一位置的点，作为参考点；
参考点的确定方法为：分别获取二值化图像a和二值化图像b中的喷丝孔的最小外接矩形并求其中心点（二值化图像a的最小外接矩形如图3（c）所示），该中心点即为参考点；二值化图像a和二值化图像b为布尔型二值化图像，喷丝孔内部的区域像素点的灰度值为1，喷丝孔外围的区域像素点的灰度值为0，获取二值化图像中的喷丝孔的最小外接矩形的方法为：分别统计二值化图像行方向上像素点的灰度值的和以及列方向上像素点的灰度值的和，像素点的灰度值的和最先、最后不等于0的两行即为最小外接矩形的两条水平边，像素点的灰度值的和最先、最后不等于0的两列即为最小外接矩形的两条竖直边；
然后采用Canny边缘检测算子获取步骤（3）得到的二值化图像a中的喷丝孔的边缘图像c（如图4所示），获取步骤（3）得到的二值化图像b中的喷丝孔的边缘图像d，分别在边缘图像c和边缘图像d中的喷丝孔的边界上选择处于同一位置的点，作为起始点；
起始点的确定方法为：以参考点为起点，作一竖直向上的射线，射线与喷丝孔的边界的交点即为起始点；
最后自起始点开始，沿相同方向分别计算边缘图像c和边缘图像d中的参考点与喷丝孔上的各个边界点的距离（如图4所示），将dai与dbi进行比较，根据比较结果判断杂质位置，如果连续5个以上的dai与dbi的差值超过阈值，则连续差值超过阈值的像素点的起点和终点的连线所围成的区域含有杂质，其中，dai为边缘图像c中的参考点与第i个边界点的距离，dbi为边缘图像d中参考点与第i个边界点的距离，i=1,2,...,n，n为边界点的数量；
阈值的确定方法为：按步骤（1）~（4）采集已确定含有杂质的单个参考喷丝孔的图像，并确定其对应的边缘图像e中的参考点与含有杂质区域的多个边界点的距离后，求平均值，即得阈值，其中参考喷丝孔与待测喷丝孔的规格相同，边缘图像e的获取过程同边缘图像c，边缘图像e中的参考点的位置同边缘图像c中的参考点。
按上述方法，采集30张单个Y形孔的图像以及其对应的1张单个标准喷丝孔的图像进行喷丝孔含杂率和杂质位置定位检测，确定喷丝孔含杂率和杂质位置定位的实际结果（即人工计算和标注的结果），并与喷丝孔含杂率和杂质位置定位的检测结果进行比较，得到误检率a，误检率a=实际结果与检测结果不一致的图像张数/30，其中实际结果与检测结果不一致即含杂率不一致和/或杂质位置定位不一致；
采用圆形孔替代上述方法中的Y形孔，采集30张单个圆形孔的图像以及其对应的1张单个标准喷丝孔的图像进行喷丝孔含杂率和杂质位置定位检测，确定喷丝孔含杂率和杂质位置定位的实际结果（即人工计算和标注的结果），并与喷丝孔含杂率和杂质位置定位的检测结果进行比较，得到误检率b，误检率b=实际结果与检测结果不一致的图像张数/30，其中实际结果与检测结果不一致即含杂率不一致和/或杂质位置定位不一致；
采用矩形孔替代上述方法中的Y形孔，采集30张单个矩形孔的图像以及其对应的1张单个标准喷丝孔的图像进行喷丝孔含杂率和杂质位置定位检测，确定喷丝孔含杂率和杂质位置定位的实际结果（即人工计算和标注的结果），并与喷丝孔含杂率和杂质位置定位的检测结果进行比较，得到误检率c，误检率c=实际结果与检测结果不一致的图像张数/30，其中实际结果与检测结果不一致即含杂率不一致和/或杂质位置定位不一致；
误检率a、误检率b和误检率c分别为6.7%，3.3%和6.7%，三种喷丝孔的平均误检率为5.6%，远低于人工检测的结果和现有的图像检测方法，说明本发明的方法杂质定位精确，有利于后续的杂质清洗。

Claims (9)

1.一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，包括以下步骤：
（1）在相同的采集条件下，采集单个待测喷丝孔的图像并对其进行二值化处理得到二值化图像a，采集单个标准喷丝孔的图像并对其进行二值化处理得到二值化图像b，标准喷丝孔为与待测喷丝孔的规格相同且不含杂质的喷丝孔；
（2）对二值化图像a和二值化图像b进行去噪处理，去噪处理即去除喷丝孔外围的区域；
（3）调整步骤（2）得到的二值化图像a，使其中的喷丝孔和步骤（2）得到的二值化图像b中的喷丝孔的轮廓边界重合；
（4）计算含杂率，判断杂质位置；
含杂率的计算方法为：将步骤（3）得到的二值化图像a和步骤（3）得到的二值化图像b作差，并对作差得到的矩阵求和，得到杂质所占区域的面积，用其除以步骤（3）得到的二值化图像b求和后的值，即得含杂率；
杂质位置的判断方法为：
首先分别在步骤（3）得到的二值化图像a和步骤（3）得到的二值化图像b中选择处于同一位置的点，作为参考点；
然后获取步骤（3）得到的二值化图像a中的喷丝孔的边缘图像c，获取步骤（3）得到的二值化图像b中的喷丝孔的边缘图像d，分别在边缘图像c和边缘图像d中的喷丝孔的边界上选择处于同一位置的点，作为起始点；
最后自起始点开始，沿相同方向分别计算边缘图像c和边缘图像d中的参考点与喷丝孔上的各个边界点的距离，将dai与dbi进行比较，根据比较结果判断杂质位置，如果连续5个以上的dai与dbi的差值超过阈值，则连续差值超过阈值的像素点的起点和终点的连线所围成的区域含有杂质，其中，dai为边缘图像c中的参考点与第i个边界点的距离，dbi为边缘图像d中参考点与第i个边界点的距离，i=1,2,...,n，n为边界点的数量；
阈值的确定方法为：按步骤（1）~（4）采集已确定含有杂质的单个参考喷丝孔的图像，并确定其对应的边缘图像e中的参考点与含有杂质区域的多个边界点的距离后，求平均值，即得阈值，其中参考喷丝孔与待测喷丝孔的规格相同，边缘图像e的获取过程同边缘图像c，边缘图像e中的参考点的位置同边缘图像c中的参考点。
2.根据权利要求1所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，步骤（1）中，采集条件包括放大倍数，放大倍数为100~200倍；采集单个待测喷丝孔的图像和单个标准喷丝孔的图像采用超景深显微镜；待测喷丝孔为圆形孔、Y形孔或矩形孔；所有二值化处理的阈值都为0.4。
3.根据权利要求1所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，步骤（2）中，所有去噪处理都采用连通域检测方法。
4.根据权利要求3所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，连通域检测方法具体为：按8连通寻找连通域，检测二值化图像a和二值化图像b中所有的连通域，去除最大连通域以外的连通域，仅保留喷丝孔部分。
5.根据权利要求1所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，步骤（3）具体为：分别对二值化图像a和二值化图像b进行骨架化处理，采用Hough变换检测最长直线的斜率，根据斜率计算倾斜角，对二值化图像a进行纠偏。
6.根据权利要求1所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，步骤（4）中，参考点的确定方法为：分别获取二值化图像a和二值化图像b中的喷丝孔的最小外接矩形并求其中心点，该中心点即为参考点。
7.根据权利要求6所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，二值化图像a和二值化图像b为布尔型二值化图像，喷丝孔内部的区域像素点的灰度值为1，喷丝孔外围的区域像素点的灰度值为0，获取二值化图像中的喷丝孔的最小外接矩形的方法为：分别统计二值化图像行方向上像素点的灰度值的和以及列方向上像素点的灰度值的和，像素点的灰度值的和最先、最后不等于0的两行即为最小外接矩形的两条水平边，像素点的灰度值的和最先、最后不等于0的两列即为最小外接矩形的两条竖直边。
8.根据权利要求7所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，步骤（4）中，获取边缘图像c和边缘图像d采用边缘检测算子；起始点的确定方法为：以参考点为起点，作一竖直向上的射线，射线与喷丝孔的边界的交点即为起始点。
9.根据权利要求8所述的一种基于图像技术的喷丝板残留杂质检测方法，其特征在于，边缘检测算子为Canny边缘检测算子。
CN202010937470.6A 2020-09-09 2020-09-09 一种基于图像技术的喷丝板残留杂质检测方法 Active CN111798449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010937470.6A CN111798449B (zh) 2020-09-09 2020-09-09 一种基于图像技术的喷丝板残留杂质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010937470.6A CN111798449B (zh) 2020-09-09 2020-09-09 一种基于图像技术的喷丝板残留杂质检测方法

Publications (2)

Publication Number Publication Date
CN111798449A true CN111798449A (zh) 2020-10-20
CN111798449B CN111798449B (zh) 2021-02-05

Family

ID=72834154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010937470.6A Active CN111798449B (zh) 2020-09-09 2020-09-09 一种基于图像技术的喷丝板残留杂质检测方法

Country Status (1)

Country Link
CN (1) CN111798449B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112630158A (zh) * 2020-12-31 2021-04-09 常州市新创智能科技有限公司 一种脱膜布残留检测系统及其检测方法
CN114509089A (zh) * 2021-12-31 2022-05-17 成都弓网科技有限责任公司 一种非接触式轨道交通列车速度方向里程检测方法及系统
CN117274965A (zh) * 2023-11-21 2023-12-22 浙江恒逸石化有限公司 图像识别模型的训练方法、喷丝板检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170004612A1 (en) * 2015-07-03 2017-01-05 Yuan Ze University Optical film defect detection method and system thereof
CN107192716A (zh) * 2017-04-26 2017-09-22 广东工业大学 一种基于轮廓特征的工件缺陷快速检测方法
CN109100370A (zh) * 2018-06-26 2018-12-28 武汉科技大学 一种基于投影法和连通域分析的pcb板缺陷检测方法
CN109325930A (zh) * 2018-09-12 2019-02-12 苏州优纳科技有限公司 边界缺陷的检测方法、装置及检测设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170004612A1 (en) * 2015-07-03 2017-01-05 Yuan Ze University Optical film defect detection method and system thereof
CN107192716A (zh) * 2017-04-26 2017-09-22 广东工业大学 一种基于轮廓特征的工件缺陷快速检测方法
CN109100370A (zh) * 2018-06-26 2018-12-28 武汉科技大学 一种基于投影法和连通域分析的pcb板缺陷检测方法
CN109325930A (zh) * 2018-09-12 2019-02-12 苏州优纳科技有限公司 边界缺陷的检测方法、装置及检测设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIANG LING 等: "A Constrained Sparse-Representation-Based Binary Hypothesis Model for Target Detection in Hyperspectral Imagery", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
张佳全 等: "喷丝板单孔图像的检测算法", 《吉林大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112630158A (zh) * 2020-12-31 2021-04-09 常州市新创智能科技有限公司 一种脱膜布残留检测系统及其检测方法
CN112630158B (zh) * 2020-12-31 2021-09-03 常州市新创智能科技有限公司 一种脱膜布残留检测系统及其检测方法
CN114509089A (zh) * 2021-12-31 2022-05-17 成都弓网科技有限责任公司 一种非接触式轨道交通列车速度方向里程检测方法及系统
CN117274965A (zh) * 2023-11-21 2023-12-22 浙江恒逸石化有限公司 图像识别模型的训练方法、喷丝板检测方法及装置
CN117274965B (zh) * 2023-11-21 2024-03-05 浙江恒逸石化有限公司 图像识别模型的训练方法、喷丝板检测方法及装置

Also Published As

Publication number Publication date
CN111798449B (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN111798449B (zh) 一种基于图像技术的喷丝板残留杂质检测方法
CN107255641B (zh) 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
WO2020248439A1 (zh) 一种基于图像处理的皇冠盖表面缺陷在线检测方法
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN109507192A (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN108921819B (zh) 一种基于机器视觉的验布装置及方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN109886952B (zh) 一种屏幕缺陷点检测方法及其装置、计算机可读介质
CN110751604A (zh) 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN112330598B (zh) 一种化纤表面僵丝缺陷检测的方法、装置及存储介质
CN104282018A (zh) 基于机器视觉的工业产品外形直径在线检测的方法
CN112613429A (zh) 一种基于机器视觉适用于多视角图像指针式仪表读数方法
CN109472779B (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
Fu et al. Medicine glass bottle defect detection based on machine vision
CN110767564A (zh) 一种晶圆检测方法
CN112669295A (zh) 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN107230200A (zh) 一种提取电机转子中线圈轮廓特征的方法
CN116012292A (zh) 一种基于机器视觉的晶圆外观缺陷检测方法
CN115035092A (zh) 基于图像的瓶体检测方法、装置、设备及存储介质
CN114519696A (zh) 基于光学智能化的pvc热收缩膜检测方法及系统
Liu et al. An automatic defects detection scheme for lithium-ion battery electrode surface
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
CN111815542B (zh) 一种树木年轮图像髓心定位、年轮测量方法

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