CN112129771B - 基于5g的布匹瑕疵检测方法及系统 - Google Patents
基于5g的布匹瑕疵检测方法及系统 Download PDFInfo
- Publication number
- CN112129771B CN112129771B CN202010793694.4A CN202010793694A CN112129771B CN 112129771 B CN112129771 B CN 112129771B CN 202010793694 A CN202010793694 A CN 202010793694A CN 112129771 B CN112129771 B CN 112129771B
- Authority
- CN
- China
- Prior art keywords
- cloth
- industrial camera
- images
- image
- flaw
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000004804 winding Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 abstract description 4
- 239000004753 textile Substances 0.000 description 14
- 239000003086 colorant Substances 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
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
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Wood Science & Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供基于5G的布匹瑕疵检测方法，包括将布匹卷绕速度与固定连接若干工业相机组的环形循环运送线的运动速度配置成一致；工业相机等待图像采集指令；将若干工业相机组拍摄的当前检测布匹的图像信息通过5G通讯发送至云处理器；云处理器对图像信息进行瑕疵检测，并对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，得到当前检测布匹的具有瑕疵标记的全图。本发明还涉及一种基于5G的布匹瑕疵检测系统。本发明采用循环相机矩阵进行图像采集，并保持与布匹同速，确保图像的高清与稳定；同时利用5G技术与云检测，实现快速而高效的瑕疵识别，并实现瑕疵的精准定位，便于瑕疵的快速查找与修补。
Description
技术领域
本发明涉及布匹质量检测，具体涉及一种基于5G的布匹瑕疵检测方法及系统。
背景技术
我国纺织品占全球加工总量80％，化纤、纱、布产量世界第一。2019年中国营业收入与利润总额分别为24038.1亿元和1009亿元。。纺织业是苏州工业经济的传统支柱型产业和重要的民生产业。苏州纺织厂和纺织贸易公司在国家纺织行业中占据着重要的位置。当下一方面我国面临着国内纺织品服装内销不畅，纺织品服装出口下降明显的压力；另一方面劳动力成本不断攀升以致增幅高于生产力提升，企业生存压力不断加大。通以数字化智能化的信息和知识作为关键的生产要素，以网络信息作为载体，以提高产业生产力作为重要目标，智能化能够充分挖掘纺织业行业中最核心的生产力，满足纺织行业认知和应用需求。为了促使传统纺织向智能化升级转型并成为产业发展的突破口，数字化、智能化、信息化是企业发展的必由之路。
传统纺织制造行业工厂在布匹检验环节主要有两个痛点：(一)布匹瑕疵种类繁多，布匹颜色多样，深色浅色厚薄难以识别，只能依靠工人逐一手动检验。(二)手动检验对于检验工人视觉损害比较大，且企业招工困难。目前全国纺织机300万台左右；纺织织造工厂10000家左右；纺织贸易公司50000家左右，每天布匹产能在9亿米；而当前布匹的缺陷检测全部为人工完成。人工检验的精度仅为70％左右，而且检验工人视觉损害比较大，且企业招工困难。
对此，目前急需采用一种智能而高效的方式对布匹质量进行检测。
发明内容
为了克服现有技术的不足，本发明提出的基于5G的布匹瑕疵检测方法，采用循环相机矩阵进行图像采集，并保持与布匹同速，确保图像的高清与稳定；同时利用5G技术与云检测，实现快速而高效的瑕疵识别，并实现瑕疵的精准定位，便于瑕疵的快速查找与修补。
本发明提供基于5G的布匹瑕疵检测方法，包括以下步骤：
将布匹卷绕速度与固定连接若干工业相机组的环形循环运送线的运动速度配置成一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；其中，环形循环运送线上均匀分布有若干工业相机组，工业相机组内至少配置有一工业相机；
工业相机等待图像采集指令，当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；
将若干工业相机组拍摄的当前检测布匹的图像信息通过5G通讯发送至云处理器；
云处理器对图像信息进行瑕疵检测，并对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，得到当前检测布匹的具有瑕疵标记的全图。
优选地，图像采集时，在一时间间隔T1连续采集若干张图像，并筛选其中清晰度最高的一张图像作为本次图像采集的图像信息；其中T1远小于环形循环运送线上前后相邻两工业相机拍摄的时间间隔T2。
优选地，所述瑕疵检测通过线宽耦合的深度神经网络模型DNN进行瑕疵标记，得到瑕疵类型。
优选地，当工业相机组包括至少两工业相机时，还包括步骤：组内图像拼接，按预设的顺序依次获取工业相机组内各工业相机采集的图像信息，并按照预设的顺序进行图像拼接，得到当前工业相机组拍摄的融合图像。
优选地，图像拼接过程中，还包括图像校验，相邻两工业相机拍摄的图像存在部分重叠区域，随机提取两相邻两工业相机拍摄的图像中的重叠区域图像并进行匹配，当匹配阈值大于等于预设的校验阈值时，则校验通过。
基于5G的布匹瑕疵检测系统，包括：
布匹卷绕设备，用以卷绕布匹，并形成展开的待检测布匹；
环形循环运送线，设置于待检测的布匹正上方，用以均匀分布若干工业相机组；布匹卷绕设备的布匹卷绕速度与环形循环运送线的运动速度一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；
工业相机组，至少配置有一工业相机，用以拍摄待检测的布匹；当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；
5G通讯模块，用以将若干工业相机组拍摄的当前检测布匹的图像信息发送至云处理器；
云处理器，用以接收5G通讯模块发送的图像信息并进行瑕疵检测，对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，得到当前检测布匹的具有瑕疵标记的全图。
优选地，所述环形循环运送线至少均匀分布有三组工业相机组。
优选地，所述工业相机组内至少配置有两工业相机。
优选地，还包括图像拼接校验模块，用以校验图像拼接是否正确；其中，相邻两工业相机拍摄的图像存在部分重叠区域，图像拼接校验模块随机提取两相邻两工业相机拍摄的图像中的重叠区域图像并进行匹配，当匹配阈值大于等于预设的校验阈值时，则校验通过。
优选地，所述云处理器内配置有线宽耦合的深度神经网络模型DNN，用以进行瑕疵标记，得到瑕疵类型。
相比现有技术，本发明的有益效果在于：
本发明提供基于5G的布匹瑕疵检测方法，包括将布匹卷绕速度与固定连接若干工业相机组的环形循环运送线的运动速度配置成一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；工业相机等待图像采集指令，当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；将若干工业相机组拍摄的当前检测布匹的图像信息通过5G通讯发送至云处理器；云处理器对图像信息进行瑕疵检测，并对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，得到当前检测布匹的具有瑕疵标记的全图。本发明还涉及一种基于5G的布匹瑕疵检测系统。本发明采用循环相机矩阵进行图像采集，并保持与布匹同速，确保图像的高清与稳定；同时利用5G技术与云检测，实现快速而高效的瑕疵识别，并实现瑕疵的精准定位，便于瑕疵的快速查找与修补。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于5G的布匹瑕疵检测方法流程示意图；
图2为本发明的在一实施例中基于5G的布匹瑕疵检测系统部分结构示意图；
图3为图2的俯视图；
图4为本发明在一实施例中的工业相机组结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例1
基于5G的布匹瑕疵检测系统，如图2-4所示，包括：
布匹卷绕设备，用以卷绕布匹，并形成展开的待检测布匹50；在一实施例中，如图2所示，布匹卷绕设备至少包括由驱动装置驱动的主动缠绕轮20、用以缠绕待检测的布匹50的从动缠绕轮10；初始时，待检测的布匹50都缠绕在从动缠绕轮10上，主动缠绕轮20运动开始后，待检测的布匹50因缠绕作用逐渐往主动缠绕轮20侧缠绕，过程中进行拍摄检测布匹的瑕疵；
环形循环运送线30，设置于待检测的布匹50正上方，用以均匀分布若干工业相机组40；布匹卷绕设备的布匹卷绕速度与环形循环运送线30的运动速度一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；现有技术中采用静止的工业相机对布匹进行拍摄，大大的限制了布匹卷绕速度，速度过快，工业相机不足以拍摄完整的布匹，易出现间隔；速度过低，降低了整体检测效率；同时，由于在布匹卷绕过程中，与工业相机发生相对运动，为实现清晰的拍摄效果，故对工业相机自动对焦自动调焦要求也随之提高；相较于现有技术，环形循环运送线30很好的解决了相对运动的问题。
如图2、图3所示，环形循环运送线30包括由驱动装置驱动的第一动轮31、第二动轮32、循环线；其中，循环线可配置成环状同步带结构或链式结构，还包括其他任何可实现循环驱动的传动方式；如图3所示，循环线包括拍摄侧33、回收侧34；其中，拍摄侧33为工业相机组40被允许拍摄的一侧环线，回收侧34为工业相机组40不执行拍摄的一侧环线，图像采集指令可配置在拍摄侧33的任意一位置上进行图像采集，应当理解，拍摄位置可配置成工业相机组40到位拍摄侧33上一特定位置进行图像采集，也可对工业相机组40进行分组编码，通过上位机分配拍摄的时间序列；以达到工业相机组40依次按序等间隔拍摄；在一优选实施例中，如图3所示，拍摄侧33位于待检测布匹50中部位置，以便于工业相机组40的布设；应当理解，环形循环运送线30还可配置在布匹正下方，通过配置光源进行补光。
在一实施例中，环形循环运送线至少均匀分布有三组工业相机组40。应当理解，图2、图3中所示，仅为便于理解绘制多个工业相机组40，如图2所示，通过配置速度、间距、工业相机的有效视距，实现布匹的全范围覆盖。
工业相机组40，至少配置有一工业相机，用以拍摄待检测的布匹50；当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；在一优选实施例中，所述工业相机组40内至少配置有两工业相机；如图4所示，工业相机组40包括五个工业相机41，并通过支架42固定在拍摄侧33或回收侧34上；实现宽度方向上全尺寸的拍摄。应当理解，当工业相机组40内的工业相机41数量较多时，回收侧34位于待检测布匹50边缘或外侧，以防止拍摄侧33与回收侧34上的工业相机41在运动过程中发生相互干涉。
5G通讯模块，用以将若干工业相机组拍摄的当前检测布匹的图像信息发送至云处理器；需要说明的是，由于采用多相机的拍摄后，大大缩短检测时间，同时形成了大量的图像信息，例如一卷60米长的布匹大致存在近千张高清的图像信息；采用5G通讯模块可满足大带宽、低延时的要求，实现快速而高效的信息传输，将布匹上近千张需要检测的图像通过5G快速准确的传输至云端部署的处理器中。
云处理器，用以接收5G通讯模块发送的图像信息并进行瑕疵检测，对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，得到当前检测布匹的具有瑕疵标记的全图。在一实施例中，云处理器内配置有线宽耦合的深度神经网络模型DNN，用以进行瑕疵标记，得到瑕疵类型；需要说明的是，线宽耦合深度神经网络通过自主强化学习不断迭代优化，可以准确辨别外观瑕疵及其种类；由于布匹瑕疵包括色差、线条偏差、错线、误色等，颜色可通过像素匹配直接得出结果，线条图案瑕疵则利用线宽耦合作为深度神经网络模型DNN的输入层进行训练，得到图案线条瑕疵的样本，并在检测中不断优化迭代，实现瑕疵识别。当识别到瑕疵后，对图像进行标记，标识的内容可包括是否存在瑕疵以及瑕疵的类似，便于后续布匹的快速定位瑕疵位置并对其进行修补。还需要说明的是，若工业相机组40内仅存在单一工业相机40时，图像拼接时只需按时间序列的前后顺序对工业相机组40的图像进行顺次拼合；若工业相机组40内存在两个以上的工业相机40时，先获取工业相机组40内各工业相机40的位置信息，先对组内的相机拍摄的图像进行一次拼合，形成当前工业相机组40的完整图像，在按时间序列的前后顺序对工业相机组40的图像进行二次拼合；特殊地，工业相机组40组内的各工业相机可按位置顺序配置成以一定时间间隔依次拍摄，组内的任意一工业相机的拍摄时间都早于下一组工业相机组40组内的各工业相机的拍摄时间，同时也晚于上一组工业相机组40组内的各工业相机的拍摄时间。
在一优选实施例中，还包括图像拼接校验模块，用以校验图像拼接是否正确；其中，相邻两工业相机拍摄的图像存在部分重叠区域，图像拼接校验模块随机提取两相邻两工业相机拍摄的图像中的重叠区域图像并进行匹配，当匹配阈值大于等于预设的校验阈值时，则校验通过。应当理解，在图像拼接完成后，为验证拼接的准确性，在图像拍摄时，两相邻工业相机拍摄的图像存在部分重叠区域，其中，包括上下重叠与左右重叠，重叠区域在拼接过程中被裁剪掉，在校验过程中进行匹配，若相邻两工业相机拍摄的图像中的重叠区域图像不匹配，则证明拼接失败，进行重新拼接。
实施例2
基于5G的布匹瑕疵检测方法，如图1所示，包括以下步骤：
S1、将布匹卷绕速度与固定连接若干工业相机组的环形循环运送线的运动速度配置成一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；其中，环形循环运送线上均匀分布有若干工业相机组，工业相机组内至少配置有一工业相机；现有技术中采用静止的工业相机对布匹进行拍摄，大大的限制了布匹卷绕速度，速度过快，工业相机不足以拍摄完整的布匹，易出现间隔；速度过低，降低了整体检测效率；同时，由于在布匹卷绕过程中，与工业相机发生相对运动，为实现清晰的拍摄效果，故对工业相机自动对焦自动调焦要求也随之提高；相较于现有技术，环形循环运送线30很好的解决了相对运动的问题。
S2、工业相机等待图像采集指令，当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；在一优选实施例中，图像采集时，在一时间间隔T1连续采集若干张图像，并筛选其中清晰度最高的一张图像作为本次图像采集的图像信息；其中T1远小于环形循环运送线上前后相邻两工业相机拍摄的时间间隔T2。
S3、将若干工业相机组拍摄的当前检测布匹的图像信息通过5G通讯发送至云处理器；5G通讯模块，用以将若干工业相机组拍摄的当前检测布匹的图像信息发送至云处理器；需要说明的是，由于采用多相机的拍摄后，大大缩短检测时间，同时形成了大量的图像信息，例如一卷60米长的布匹大致存在近千张高清的图像信息；采用5G通讯模块可满足大带宽、低延时的要求，实现快速而高效的信息传输，将布匹上近千张需要检测的图像通过5G快速准确的传输至云端部署的处理器中。
S4、云处理器对图像信息进行瑕疵检测，并对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，得到当前检测布匹的具有瑕疵标记的全图。在一实施例中，云处理器内配置有线宽耦合的深度神经网络模型DNN，用以进行瑕疵标记，得到瑕疵类型；需要说明的是，线宽耦合深度神经网络通过自主强化学习不断迭代优化，可以准确辨别外观瑕疵及其种类；由于布匹瑕疵包括色差、线条偏差、错线、误色等，颜色可通过像素匹配直接得出结果，线条图案瑕疵则利用线宽耦合作为深度神经网络模型DNN的输入层进行训练，得到图案线条瑕疵的样本，并在检测中不断优化迭代，实现瑕疵识别。当识别到瑕疵后，对图像进行标记，标识的内容可包括是否存在瑕疵以及瑕疵的类似，便于后续布匹的快速定位瑕疵位置并对其进行修补。
在一实施例中，当工业相机组包括至少两工业相机时，还包括步骤：组内图像拼接，按预设的顺序依次获取工业相机组内各工业相机采集的图像信息，并按照预设的顺序进行图像拼接，得到当前工业相机组拍摄的融合图像。还需要说明的是，若工业相机组40内仅存在单一工业相机40时，图像拼接时只需按时间序列的前后顺序对工业相机组40的图像进行顺次拼合；若工业相机组40内存在两个以上的工业相机40时，先获取工业相机组40内各工业相机40的位置信息，先对组内的相机拍摄的图像进行一次拼合，形成当前工业相机组40的完整图像，在按时间序列的前后顺序对工业相机组40的图像进行二次拼合；特殊地，工业相机组40组内的各工业相机可按位置顺序配置成以一定时间间隔依次拍摄，组内的任意一工业相机的拍摄时间都早于下一组工业相机组40组内的各工业相机的拍摄时间，同时也晚于上一组工业相机组40组内的各工业相机的拍摄时间。
在一实施例中，图像拼接过程中，还包括图像校验，相邻两工业相机拍摄的图像存在部分重叠区域，随机提取两相邻两工业相机拍摄的图像中的重叠区域图像并进行匹配，当匹配阈值大于等于预设的校验阈值时，则校验通过。应当理解，在图像拼接完成后，为验证拼接的准确性，在图像拍摄时，两相邻工业相机拍摄的图像存在部分重叠区域，其中，包括上下重叠与左右重叠，重叠区域在拼接过程中被裁剪掉，在校验过程中进行匹配，若相邻两工业相机拍摄的图像中的重叠区域图像不匹配，则证明拼接失败，进行重新拼接。
本发明采用循环相机矩阵进行图像采集，并保持与布匹同速，确保图像的高清与稳定；同时利用5G技术与云检测，实现快速而高效的瑕疵识别，并实现瑕疵的精准定位，便于瑕疵的快速查找与修补。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。
Claims (6)
1.基于5G的布匹瑕疵检测方法，其特征在于，包括以下步骤：
将布匹卷绕速度与固定连接若干工业相机组的环形循环运送线的运动速度配置成一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；其中，环形循环运送线上均匀分布有若干工业相机组，工业相机组内至少配置有一工业相机；
工业相机等待图像采集指令，当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；
将若干工业相机组拍摄的当前检测布匹的图像信息通过5G通讯发送至云处理器；
云处理器对图像信息进行瑕疵检测，瑕疵检测通过线宽耦合的深度神经网络模型DNN进行瑕疵标记，得到瑕疵类型，并对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，图像拼接过程中，还包括图像校验，相邻两工业相机拍摄的图像存在部分重叠区域，随机提取两相邻两工业相机拍摄的图像中的重叠区域图像并进行匹配，当匹配阈值大于等于预设的校验阈值时，则校验通过，最终得到当前检测布匹的具有瑕疵标记的全图；颜色通过像素匹配直接得出结果，线条图案瑕疵则利用线宽耦合作为深度神经网络模型DNN的输入层进行训练，得到图案线条瑕疵的样本，并在检测中不断优化迭代，实现瑕疵识别；当识别到瑕疵后，对图像进行标记，标记的内容包括是否存在瑕疵以及瑕疵的类型，便于后续布匹的快速定位瑕疵位置并对其进行修补。
2.如权利要求1所述的基于5G的布匹瑕疵检测方法，其特征在于，图像采集时，在一时间间隔T1连续采集若干张图像，并筛选其中清晰度最高的一张图像作为本次图像采集的图像信息；其中T1远小于环形循环运送线上前后相邻两工业相机拍摄的时间间隔T2。
3.如权利要求1-2任一项所述的基于5G的布匹瑕疵检测方法，其特征在于，当工业相机组包括至少两工业相机时，还包括步骤：组内图像拼接，按预设的顺序依次获取工业相机组内各工业相机采集的图像信息，并按照预设的顺序进行图像拼接，得到当前工业相机组拍摄的融合图像。
4.基于5G的布匹瑕疵检测系统，其特征在于，包括：
布匹卷绕设备，用以卷绕布匹，并形成展开的待检测布匹（50）；
环形循环运送线（30），设置于待检测的布匹（50）正上方，用以均匀分布若干工业相机组（40）；布匹卷绕设备的布匹卷绕速度与环形循环运送线（30）的运动速度一致，以确保图像采集时工业相机组内的各工业相机与布匹相对静止；
工业相机组（40），至少配置有一工业相机，用以拍摄待检测的布匹（50）；当工业相机运动至拍摄位时，对位于工业相机正下方的布匹进行图像采集，并记录当前采集时间；
5G通讯模块，用以将若干工业相机组拍摄的当前检测布匹的图像信息发送至云处理器；
云处理器，用以接收5G通讯模块发送的图像信息并进行瑕疵检测，对存在瑕疵的图像进行标记，标记后按时间顺序进行排序并对排序后的图像进行拼接，还包括图像拼接校验模块，用以校验图像拼接是否正确；其中，相邻两工业相机拍摄的图像存在部分重叠区域，图像拼接校验模块随机提取两相邻两工业相机拍摄的图像中的重叠区域图像并进行匹配，当匹配阈值大于等于预设的校验阈值时，则校验通过；所述云处理器内配置有线宽耦合的深度神经网络模型DNN，用以进行瑕疵标记，得到瑕疵类型；最后得到当前检测布匹的具有瑕疵标记的全图；颜色通过像素匹配直接得出结果，线条图案瑕疵则利用线宽耦合作为深度神经网络模型DNN的输入层进行训练，得到图案线条瑕疵的样本，并在检测中不断优化迭代，实现瑕疵识别；当识别到瑕疵后，对图像进行标记，标记的内容包括是否存在瑕疵以及瑕疵的类型，便于后续布匹的快速定位瑕疵位置并对其进行修补。
5.如权利要求4所述的基于5G的布匹瑕疵检测系统，其特征在于：所述环形循环运送线至少均匀分布有三组工业相机组（40）。
6.如权利要求4或5所述的基于5G的布匹瑕疵检测系统，其特征在于：所述工业相机组（40）内至少配置有两工业相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010793694.4A CN112129771B (zh) | 2020-08-10 | 2020-08-10 | 基于5g的布匹瑕疵检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010793694.4A CN112129771B (zh) | 2020-08-10 | 2020-08-10 | 基于5g的布匹瑕疵检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112129771A CN112129771A (zh) | 2020-12-25 |
| CN112129771B true CN112129771B (zh) | 2024-01-23 |
Family
ID=73851581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010793694.4A Active CN112129771B (zh) | 2020-08-10 | 2020-08-10 | 基于5g的布匹瑕疵检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112129771B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112782183B (zh) * | 2020-12-29 | 2022-12-23 | 深圳市磐锋精密技术有限公司 | 一种主板aoi检测设备及检测方法 |
| CN113055595B (zh) * | 2021-03-15 | 2023-01-24 | 成都数之联科技股份有限公司 | 工业相机控制方法、卷材缺陷识别方法及系统 |
| CN114441545A (zh) * | 2022-03-14 | 2022-05-06 | 无锡职业技术学院 | 一种高度自适应绕组视觉检测平台及方法 |
| CN114939534A (zh) * | 2022-04-19 | 2022-08-26 | 福建永荣锦江股份有限公司 | 一种锦纶废丝分拣设备及其方法 |
| CN116818799A (zh) * | 2023-06-20 | 2023-09-29 | 广州宝立科技有限公司 | 一种基于机器视觉检测技术的智能验布方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818809A (zh) * | 2012-09-05 | 2012-12-12 | 杭州瑞利测控技术有限公司 | 一种基于机器视觉的坯布疵点在线检测系统及实现方法 |
| CN108230385A (zh) * | 2017-12-20 | 2018-06-29 | 湖南大学 | 单相机运动检测超高叠层、超薄烟标数量方法及装置 |
| CN108318496A (zh) * | 2018-05-09 | 2018-07-24 | 海宁市科威工业电子科技有限公司 | 一种用于经编机在线织物疵点检测装置 |
| CN110097538A (zh) * | 2019-04-17 | 2019-08-06 | 江南大学 | 一种织机在线验布装置及疵点识别方法 |
| CN110267008A (zh) * | 2019-06-28 | 2019-09-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、服务器及存储介质 |
| CN209486004U (zh) * | 2019-01-15 | 2019-10-11 | 南京中禧智能科技有限公司 | 一种检测装置、系统 |
-
2020
- 2020-08-10 CN CN202010793694.4A patent/CN112129771B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102818809A (zh) * | 2012-09-05 | 2012-12-12 | 杭州瑞利测控技术有限公司 | 一种基于机器视觉的坯布疵点在线检测系统及实现方法 |
| CN108230385A (zh) * | 2017-12-20 | 2018-06-29 | 湖南大学 | 单相机运动检测超高叠层、超薄烟标数量方法及装置 |
| CN108318496A (zh) * | 2018-05-09 | 2018-07-24 | 海宁市科威工业电子科技有限公司 | 一种用于经编机在线织物疵点检测装置 |
| CN209486004U (zh) * | 2019-01-15 | 2019-10-11 | 南京中禧智能科技有限公司 | 一种检测装置、系统 |
| CN110097538A (zh) * | 2019-04-17 | 2019-08-06 | 江南大学 | 一种织机在线验布装置及疵点识别方法 |
| CN110267008A (zh) * | 2019-06-28 | 2019-09-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112129771A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112129771B (zh) | 基于5g的布匹瑕疵检测方法及系统 | |
| CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
| CN102861722A (zh) | 瓷砖分拣系统及方法 | |
| CN107643295A (zh) | 一种基于机器视觉的布匹缺陷在线检测的方法和系统 | |
| US20190164270A1 (en) | System and method for combined automatic and manual inspection | |
| CN107944504B (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
| CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
| CN109879005A (zh) | 皮带撕裂检测装置及方法 | |
| EP3933939B1 (en) | Method for processing photovoltaic module | |
| CN109685075A (zh) | 一种基于图像的电力设备识别方法、装置及系统 | |
| CN104483320B (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
| CN105882142A (zh) | 印刷品缺陷检测系统及其方法 | |
| CN205523047U (zh) | 印刷品缺陷检测系统 | |
| CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
| CN103785622A (zh) | 基于机器视觉的零件分拣装置及方法 | |
| CN109003271A (zh) | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 | |
| CN206638608U (zh) | 一种x光检查机 | |
| CN212301356U (zh) | 一种轮毂焊缝视觉检测装置 | |
| CN111707675A (zh) | 布匹表面瑕疵在线监测装置及其监测方法 | |
| CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
| CN111505013A (zh) | 基于深度学习的暖边间隔条机器视觉检测装置及方法 | |
| CN115971074A (zh) | 一种液晶显示屏缺陷检测模型、分拣生产线及方法 | |
| CN115165897A (zh) | 一种缺陷检测方法、系统及装置 | |
| CN116188376A (zh) | 一种基于孪生神经网络的数码印花步进道检测方法 |
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 |