CN112150445A - 基于贝叶斯阈值的纱线毛羽检测方法 - Google Patents
基于贝叶斯阈值的纱线毛羽检测方法 Download PDFInfo
- Publication number
- CN112150445A CN112150445A CN202011032379.6A CN202011032379A CN112150445A CN 112150445 A CN112150445 A CN 112150445A CN 202011032379 A CN202011032379 A CN 202011032379A CN 112150445 A CN112150445 A CN 112150445A
- Authority
- CN
- China
- Prior art keywords
- hairiness
- image
- yarn
- length
- threshold
- 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
- 206010020112 Hirsutism Diseases 0.000 title claims abstract description 172
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000004209 hair Anatomy 0.000 claims description 21
- 210000003746 feather Anatomy 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005686 electrostatic field Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000009941 weaving 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
-
- G06T5/70—
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
Abstract
本发明公开一种基于贝叶斯阈值的纱线毛羽检测方法,具体步骤为:步骤1,将待检测的纱线毛羽图像预处理,得到纱线毛羽滤波图像;步骤2,对纱线毛羽滤波图像进行贝叶斯阈值处理,得到阈值图像;步骤3,对阈值图像做去除条干处理,得到毛羽图像;步骤4,对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。本方法能够精确计算出纱线毛羽长度、根数、面积指数及长度指数指标。
Description
技术领域
本发明属于纺织纱线毛羽检测方法技术领域,涉及一种基于贝叶斯阈值的纱线毛羽检测方法。
背景技术
毛羽是影响纱线质量的重要指标之一。毛羽指标是影响纱线、织物外观、乃至后续织机效率的重要因素。长毛羽对纱线质量、纱线织造、成纱织物的质量都有影响,过多过长毛羽会影响纱线上浆效果;毛羽分布不均匀会造成织物产生横档;毛羽分布不均匀也会导致染色不均匀,形成色差,影响织物质量。常见的纱线毛羽检测方法有光电法,可以测量毛羽的真实长度,但是需要在镜头前安装显微镜进行毛羽测量,且对于弯曲毛羽测量误差较大;静电法是毛羽在静电作用下伸展,用投影计数法达到计算长度的目的,可以解决弯曲对毛羽的影响,但是破坏了毛羽最初的形态;图像法是在采集到毛羽图像的条件下,利用图像处理技术提取出清晰的毛羽图像并进行毛羽统计。图像法简单易操作、误差小,可避免因人员主观性带来的误差,且能完整反映毛羽分布情况。因此利用图像处理技术进一步研究毛羽根数和长度等各项指标,具有重要意义。
近年来,随着图像处理技术的广泛应用,吸引了越来越多的国内外学者对纱线毛羽进行研究,解决了纱线毛羽的很多问题。JING等基于MRMRF算法对纱线毛羽自动检测,该方法以纱线条干为基准线检测纱线毛羽的长度,但是对于弯曲的毛羽无法计算实际长度。孙银银等基于MOTIC视频显微镜捕获纱线静态图像,并以纱线上下条干为基准线,得到每根毛羽长度。但是该方法在毛羽卷曲及中断条件下,计算结果存在很大误差。王文帝等提出自适应灰度增强算法,得到毛羽与背景对比度比较高的图像,但是该算法对毛羽长度在1mm范围内存在圈毛羽和粗节时,检测结果误差偏大。Wang等采用多聚焦图像融合成像算法,得到的纱线毛羽图像具有清晰的纤维边缘,但是该方法需要在显微镜下进行观察获得一部分聚焦的纱线毛羽图像,费时费力。Ramesh等是将纱线放置在静电场中,利用静电使毛羽伸直,然后用相机采集图像并将图像进行处理,但在静电场中仍有一部分毛羽存在弯曲,检测结果仍有误差。
发明内容
本发明的目的是提供一种基于贝叶斯阈值的纱线毛羽检测方法,本方法能够计算出纱线毛羽长度、根数、面积指数及长度指数指标。
本发明所采用的技术方案是,
基于贝叶斯阈值的纱线毛羽检测方法,具体步骤为:
步骤1,将待检测的纱线毛羽图像预处理,得到纱线毛羽滤波图像;
步骤2,对纱线毛羽滤波图像进行贝叶斯阈值处理,得到阈值图像;
步骤3,对阈值图像做去除条干处理,得到毛羽图像;
步骤4,对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。
本发明的特点还在于,
步骤1的步骤包括依次对待检测的纱线毛羽图像进行图像增强处理和图像递归滤波处理,之后得到纱线毛羽滤波图像。
步骤2的步骤为:针对灰度值在[0,255]间的纱线毛羽滤波图像,记图像中最大的灰度值为Zd,最小值为Zx,T为最大值与最小值的均值,进行迭代最佳阈值算法计算:将图像中每个像素点的阈值与T比较,若大于T,则将所有阈值数累加给S0,否则累加给S1,并记录每次累加的个数;大于阈值的数与个数的商记作T0,小于的记作T1,若满足迭代式|T-(T0+T1)/2|<0.1,则迭代结束,否则一直进行迭代,最终得到阈值图像。
步骤3具体包括以下步骤:
步骤3.1,将待检测的纱线毛羽图像生成为1*256的全零阵,用阈值图像的每一级的灰度像素个数与图像大小的比表示图像归一化频率,记为fi;
步骤3.2,对待检测的纱线毛羽图像中的每个像素做方差处理,得到方差图像,方差处理的公式为:
Bc(k+1)=(mg×p1-mk)^2/(p1×(1-p1)) (3)
步骤3.3,
方差图像在像素最大值对应的下标用index表示,判断待检测的纱线毛羽图像(img)像素是否满足img>index,若满足,则输出膨胀后的条干图像,利用阈值图像减去条干图像且矩形内核定义核设置为16即可得到毛羽图像。
步骤4中对毛羽图像进行长度、根数的计数步骤包括:
步骤4.1.1,将毛羽图像经过Hilditch细化算法后作为处理样本xi;
步骤4.1.2,设置邻域半径C,检索样本的邻域半径C,得到毛羽的长度M;
步骤4.1.3,同一长度检索结束后,用像素法进行计算毛羽的真实长度及根数,其中像素法统计的像素点个数乘以实际像素点长度即可得到毛羽真实长度;
步骤4.1.4,检查样本中未被标记的毛羽的长度,直到检测到边界结束;
步骤4.1.5,循环步骤4.1.1~步骤4.1.4,直到样本被检测完,获得毛羽根数以及每根毛羽的长度。
步骤4中计算纱线毛羽面积指数具体步骤是:
步骤4.2.1,设SA1初始化为0,用于统计像素个数,统计毛羽图像中像素为255的点的个数,累加到SA1上。
步骤4.2.2,纱线总长度SL与毛羽图像中纱线毛羽长度之比记为纱线平均宽度b。
步骤4.2.3,计算毛羽图像总像素SA如式(4)所示:
SA=SA1+4tb (4)
其中t为处理的毛羽图像中毛羽根数。
步骤4.2.4,纱线毛羽面积指数HA如式(5)所示:
HA=SA/SA2 (5)
式中:SA2表示计算的毛羽图像的像素个数。
步骤4中对纱线毛羽面积指数计算的计算过程为
步骤4.3.1设纱线长度为SL,并统计毛羽图像中所有纱线长度并累加到SL上;
步骤4.3.2统计毛羽根数,将毛羽图像的条干向外延伸两个像素,根据条干弯曲程度画一条曲线,如果可以检测到存在像素点为255且像素连续,则将根数t加1,从左到右依次统计完。
毛羽长度指数HL统计公式如式(6)所示:
式中:L是纱线条干长度,单位cm。
本发明的有益效果是:
本发明首先利用自适应阈值的图像增强、保边递归滤波、贝叶斯阈值对图像进行处理,且去除条干,获得纱线毛羽特征;然后利用细化算法对获得的毛羽图像进行细化处理;最后利用像素法对细化后的毛羽图像作统计,本方法能够精确计算出纱线毛羽长度、根数、面积指数及长度指数指标。
附图说明
图1是本发明一种基于贝叶斯阈值的纱线毛羽检测方法的流程图;
图2是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中的待检测的纱线毛羽图像;
图3是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中增强图像后的图像;
图4是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中的纱线毛羽滤波图像;
图5是本发明一种基于贝叶斯阈值的纱线毛羽检测方法实施例1中的阈值图像;
图6是本发明一种基于贝叶斯阈值的纱线毛羽检测方法的实施例1中的毛羽图像;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于贝叶斯阈值的纱线毛羽检测方法,如图1,其特征在于,具体步骤为:
步骤1,将待检测的纱线毛羽图像预处理,得到纱线毛羽滤波图像;
步骤2,对纱线毛羽滤波图像进行贝叶斯阈值处理,得到阈值图像;
步骤3,对阈值图像做去除条干处理,得到毛羽图像;
步骤4,对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。
其中步骤1的步骤包括依次对待检测的纱线毛羽图像进行图像增强处理和图像递归滤波处理,之后得到纱线毛羽滤波图像。
其中步骤1具体包括:
步骤1.1,图像增强的方式如式(1)所示:
式中:f(x,y)为输入图像的坐标(x,y)对应的灰度值;fmax(x,y),fmin(x,y)分别为图像上的灰度最大值及最小值;δ是为了防止式(1)中分母为零而引入的一个比较小的正数。
步骤1.2,对于给定的变换域Ct:Ω→Ωw和输入图像I,通过域变换将I转换到变换域Ωw中。用图像的空间结构信息,计算输入图像转换前每个像素的坐标Ct(xm),再计算转换后每个像素的坐标Ct(xs),结果显示为同侧像素具有相似的坐标,异侧像素坐标较远,递归滤波公式如式(2)所示:
J[m]=(1-ab)I[m]+abJ[m-1] (2)
式中:J[m]为m个像素的滤波结果;a是反馈系数,是以e为底的对数,大小在0到1之间;b是变换域中相邻像素点之间的距离,从而保留了边缘的细节信息。
其中步骤2的步骤为:针对灰度值在[0,255]间的纱线毛羽滤波图像,记图像中最大的灰度值为Zd,最小值为Zx,T为最大值与最小值的均值,进行迭代最佳阈值算法计算:将纱线毛羽滤波图像中每个像素点的阈值与T比较,若大于T,则将所有阈值数累加给S0,否则累加给S1,并记录每次累加的个数;大于阈值的数与个数的商记作T0,小于的记作T1,若满足迭代式|T-(T0+T1)/2|<0.1,则迭代结束,否则一直进行迭代,最终得到阈值图像。
其中步骤3具体包括以下步骤:
步骤3.1,将待检测的纱线毛羽图像生成为1*256的全零阵,用待检测的纱线毛羽图像的每一级的灰度像素个数与图像大小的比表示图像归一化频率,记为fi;
步骤3.2,对待检测的纱线毛羽图像中的每个像素做方差处理,得到方差图像,方差处理的公式为:
Bc(k+1)=(mg×p1-mk)^2/(p1×(1-p1)) (3)
步骤3.3,
方差图像在像素最大值对应的下标用index表示,判断待检测纱线毛羽图像(img)像素是否满足img>index,若满足,则输出膨胀后的条干图像,利用阈值图像减去条干图像且矩形内核定义核设置为16即可得到毛羽图像。
其中步骤4中对毛羽图像进行长度、根数的计数步骤包括:
步骤4.1.1,将毛羽图像经过Hilditch细化算法后作为处理样本xi;
步骤4.1.2,设置邻域半径C,检索样本的邻域半径C,得到毛羽的长度M;
步骤4.1.3,同一长度检索结束后,用像素法进行计算毛羽的真实长度及根数,其中像素法统计的像素点个数乘以实际像素点长度即可得到毛羽真实长度;
步骤4.1.4,检查样本中未被标记的毛羽的长度,直到检测到边界结束;
步骤4.1.5,循环步骤4.1.1~步骤4.1.4,直到样本被检测完,获得毛羽根数以及每根毛羽的长度。
其中步骤4中计算纱线毛羽面积指数具体步骤是:
步骤4.2.1,设SA1初始化为0,用于统计像素个数,统计毛羽图像中像素为255的点的个数,累加到SA1上。
步骤4.2.2,纱线总长度SL与毛羽图像中纱线毛羽长度之比记为纱线平均宽度b。
步骤4.2.3,计算毛羽图像总像素SA如式(4)所示:
SA=SA1+4tb (4)
其中t为处理的毛羽图像中毛羽根数。
步骤4.2.4,纱线毛羽面积指数HA如式(5)所示:
HA=SA/SA2 (5)
式中:SA2表示计算的毛羽图像的像素个数。
其中步骤4中对纱线毛羽面积指数计算的计算过程为
步骤4.3.1设纱线长度为SL,并统计毛羽图像中所有纱线长度并累加到SL上;
步骤4.3.2统计毛羽根数,将毛羽图像的条干向外延伸两个像素,根据条干弯曲程度画一条曲线,如果可以检测到存在像素点为255且像素连续,则将根数t加1,从左到右依次统计完。
毛羽长度指数HL统计公式如式(6)所示:
式中:L是纱线条干长度,单位cm。
实施例1
一种基于贝叶斯阈值的纱线毛羽检测方法,具体步骤为:
执行步骤1,将待检测的纱线毛羽图像预处理,输入的待检测的纱线毛羽图像为图2,图像增强处理后结果如图3,得到的纱线毛羽滤波图像如图4;
执行步骤2,对纱线毛羽滤波图像进行贝叶斯阈值处理,得到的阈值图像如图5;
执行步骤3,对阈值图像做去除条干处理,得到的毛羽图像如图6;
执行步骤4,得到的本实施例的长度、根数、纱线毛羽长度指标、纱线毛羽面积指数分别为:毛羽根数5根,对应的长度分别为7mm、2mm、3mm、2mm、6mm;纱线毛羽长度指数为13.2899,纱线毛羽面积指数为0.6808。
本实施例还选取6段纱线,每段100张图片进行实验,图片大小为256×256像素。每个像素点代表实际长度0.03mm,所以每张图片实际大小为7.68mm×7.68mm,100张图片总大小为76.8cm×76.8cm。毛羽长度分类统计如表1所示。
表1毛羽长度分类统计
对32tex的精梳纯棉纱线中6个片段进行实验,分别对毛羽面积指数和毛羽长度指数中的平均均值、平均偏差、标准差做了统计,实验结果如表2和表3所示。
表2毛羽面积指数统计
表3毛羽长度指数统计
从表2中可以看出,片段3、4、5、6的平均值分别为1.04711、1.06356、1.06082、0.95704,数值较小,说明毛羽分布较少,但从标准差来看,片段3、4、5分布较为均匀,片段6分布较为分散,不均匀。片段2的平均值、标准差分别为1.11178、0.259782,说明该片段虽然毛羽较多,但是分布较为集中,分布均匀。而从片段1的平均值、标准值反映出,片段1毛羽较多,且分布不均匀。综上,可粗略判断,在六段毛羽中,片段3、4、5纱线质量最好,片段2、6次之,片段1最差。
从表3可以看出,片段3、4、5、6的平均值和标准差相对较小,结合平均偏差,说明这四个片段毛羽量较少。片段1、2的平均值和标准差分别为31.5534、29.1701和8.2710、7.2111,说明这两个片段毛羽量较多。综上,可粗略判断,在六段毛羽中,片段1、2纱线质量较差,而片段3、4、5、6纱线质量较好。
Claims (7)
1.基于贝叶斯阈值的纱线毛羽检测方法,其特征在于,具体步骤为:
步骤1,将待检测的纱线毛羽图像预处理,得到纱线毛羽滤波图像;
步骤2,对纱线毛羽滤波图像进行贝叶斯阈值处理,得到阈值图像;
步骤3,对阈值图像做去除条干处理,得到毛羽图像;
步骤4,对毛羽图像进行长度、根数、纱线毛羽长度指数、纱线毛羽面积指数计算。
2.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法,其特征在于,所述步骤1的步骤包括依次对待检测的纱线毛羽图像进行图像增强处理和图像递归滤波处理,之后得到纱线毛羽滤波图像。
3.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法,其特征在于,所述步骤2的步骤为:针对灰度值在[0,255]间的纱线毛羽滤波图像,记图像中最大的灰度值为Zd,最小值为Zx,T为最大值与最小值的均值,进行迭代最佳阈值算法计算:将图像中每个像素点的阈值与T比较,若大于T,则将所有阈值数累加给S0,否则累加给S1,并记录每次累加的个数;大于阈值的数与个数的商记作T0,小于的记作T1,若满足迭代式|T-(T0+T1)/2|<0.1,则迭代结束,否则一直进行迭代,最终得到阈值图像。
4.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1,将待检测的纱线毛羽图像生成为1*256的全零阵,用待检测的纱线毛羽图像的每一级的灰度像素个数与图像大小的比表示图像归一化频率,记为fi;
步骤3.2,对待检测的纱线毛羽图像中的每个像素做方差处理,得到方差图像,方差处理的公式为:
Bc(k+1)=(mg×p1-mk)^2/(p1×(1-p1)) (3)
步骤3.3,所述方差图像在像素最大值对应的下标用index表示,判断待检测纱线毛羽图像(img)像素是否满足img>index,若满足,则输出膨胀后的条干图像,利用阈值图像减去条干图像且矩形内核定义核设置为16即可得到毛羽图像。
5.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法,其特征在于,所述步骤4中对毛羽图像进行长度、根数的计数步骤包括:
步骤4.1.1,将毛羽图像经过Hilditch细化算法后作为处理样本xi;
步骤4.1.2,设置邻域半径C,检索样本的邻域半径C,得到的毛羽的长度M;
步骤4.1.3,同一长度检索结束后,用像素法进行计算毛羽的真实长度及根数,其中像素法统计的像素点个数乘以实际像素点长度即可得到毛羽真实长度;
步骤4.1.4,检查样本中未被标记的毛羽的长度,直到检测到边界结束;
步骤4.1.5,循环步骤4.1.1~步骤4.1.4,直到样本被检测完,获得毛羽根数以及每根毛羽的长度。
6.如权利要求1所述的基于贝叶斯阈值的纱线毛羽检测方法,其特征在于,所述步骤4中计算纱线毛羽面积指数具体步骤是:
步骤4.2.1,设SA1初始化为0,用于统计像素个数,统计毛羽图像中像素为255的点的个数,累加到SA1上。
步骤4.2.2,纱线总长度SL与图像中纱线毛羽长度之比记为纱线平均宽度b。
步骤4.2.3,计算毛羽图像总像素SA如式(4)所示:
SA=SA1+4tb (4)
其中t为处理的毛羽图像中毛羽根数。
步骤4.2.4,纱线毛羽面积指数HA如式(5)所示:
HA=SA/SA2 (5)
式中:SA2表示计算的毛羽图像的像素个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032379.6A CN112150445B (zh) | 2020-09-27 | 2020-09-27 | 基于贝叶斯阈值的纱线毛羽检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032379.6A CN112150445B (zh) | 2020-09-27 | 2020-09-27 | 基于贝叶斯阈值的纱线毛羽检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150445A true CN112150445A (zh) | 2020-12-29 |
CN112150445B CN112150445B (zh) | 2023-12-15 |
Family
ID=73895427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011032379.6A Active CN112150445B (zh) | 2020-09-27 | 2020-09-27 | 基于贝叶斯阈值的纱线毛羽检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150445B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113638104A (zh) * | 2021-10-14 | 2021-11-12 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
CN114549384A (zh) * | 2022-02-24 | 2022-05-27 | 吉林大学 | 一种基于多尺度字典和递归滤波器的图像融合方法 |
CN115049585A (zh) * | 2022-04-28 | 2022-09-13 | 南通东德纺织科技有限公司 | 基于计算机视觉的棉织品退浆处理监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009116420A1 (ja) * | 2008-03-18 | 2009-09-24 | 株式会社島精機製作所 | 糸の計測装置と計測プログラムと計測方法 |
US20110172989A1 (en) * | 2010-01-12 | 2011-07-14 | Moraes Ian M | Intelligent and parsimonious message engine |
US20140212015A1 (en) * | 2013-01-31 | 2014-07-31 | The Ohio State University | De-noising of Real-time Dynamic Magnetic Resonance Images by the Combined Application of Karhunen-Loeve Transform (KLT) and Wavelet Filtering |
CN104751171A (zh) * | 2015-03-09 | 2015-07-01 | 中南大学 | 基于特征加权的朴素贝叶斯扫描证书图像分类方法 |
CN107515220A (zh) * | 2017-08-02 | 2017-12-26 | 江南大学 | 一种基于图像处理的纱线黑板毛羽量检测及评价方法 |
JP2018195309A (ja) * | 2017-05-17 | 2018-12-06 | 富士通株式会社 | 顔認識のための画像処理装置の訓練方法及び訓練装置 |
CN108984642A (zh) * | 2018-06-22 | 2018-12-11 | 西安工程大学 | 一种基于哈希编码的印花织物图像检索方法 |
CN109272503A (zh) * | 2018-09-29 | 2019-01-25 | 西安工程大学 | 一种基于最大熵与dbscan相融合的毛羽检测算法 |
CN109671088A (zh) * | 2018-11-07 | 2019-04-23 | 烟台南山学院 | 一种纱线毛羽特征参数的数字化方法 |
CN109671025A (zh) * | 2018-11-07 | 2019-04-23 | 烟台南山学院 | 一种纱线毛羽图像的预处理方法 |
-
2020
- 2020-09-27 CN CN202011032379.6A patent/CN112150445B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009116420A1 (ja) * | 2008-03-18 | 2009-09-24 | 株式会社島精機製作所 | 糸の計測装置と計測プログラムと計測方法 |
US20110172989A1 (en) * | 2010-01-12 | 2011-07-14 | Moraes Ian M | Intelligent and parsimonious message engine |
US20140212015A1 (en) * | 2013-01-31 | 2014-07-31 | The Ohio State University | De-noising of Real-time Dynamic Magnetic Resonance Images by the Combined Application of Karhunen-Loeve Transform (KLT) and Wavelet Filtering |
CN104751171A (zh) * | 2015-03-09 | 2015-07-01 | 中南大学 | 基于特征加权的朴素贝叶斯扫描证书图像分类方法 |
JP2018195309A (ja) * | 2017-05-17 | 2018-12-06 | 富士通株式会社 | 顔認識のための画像処理装置の訓練方法及び訓練装置 |
CN107515220A (zh) * | 2017-08-02 | 2017-12-26 | 江南大学 | 一种基于图像处理的纱线黑板毛羽量检测及评价方法 |
CN108984642A (zh) * | 2018-06-22 | 2018-12-11 | 西安工程大学 | 一种基于哈希编码的印花织物图像检索方法 |
CN109272503A (zh) * | 2018-09-29 | 2019-01-25 | 西安工程大学 | 一种基于最大熵与dbscan相融合的毛羽检测算法 |
CN109671088A (zh) * | 2018-11-07 | 2019-04-23 | 烟台南山学院 | 一种纱线毛羽特征参数的数字化方法 |
CN109671025A (zh) * | 2018-11-07 | 2019-04-23 | 烟台南山学院 | 一种纱线毛羽图像的预处理方法 |
Non-Patent Citations (5)
Title |
---|
AMIT PANDE;SPARSH MITTAL: "BayWave: BAYesian WAVElet-based image estimation", SEN\'I GAKKAISHI, no. 4 * |
KEIZO KOGANEYA;YOUICHI YUKISHITA;HIROTAKA FUJISAKI;YASUTAKA JINTOKU;HIRONORI OKUNO;MOTOHARU FUJIGAKI: "Instrument for Measuring the Appearance Width of Running Double Ply Staple Yarn Using Lightness Threshold for Yarn Image", INTERNATIONAL JOURNAL OF SIGNAL AND IMAGING SYSTEMS ENGINEERING, vol. 68, no. 4 * |
李海叶; 景军锋;: "基于MSER和SVM的玻璃纤维管纱毛羽检测", 棉纺织技术 * |
李鹏飞;严凯;张缓缓;景军锋: "基于最大熵与密度聚类相融合的毛羽检测", 纺织学报, no. 007 * |
陆奕辰;王蕾;唐千惠;潘如如;高卫东: "应用图像处理的纱线黑板毛羽量检测与评价", 纺织学报, no. 008 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113638104A (zh) * | 2021-10-14 | 2021-11-12 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
CN113638104B (zh) * | 2021-10-14 | 2022-02-08 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
CN114549384A (zh) * | 2022-02-24 | 2022-05-27 | 吉林大学 | 一种基于多尺度字典和递归滤波器的图像融合方法 |
CN115049585A (zh) * | 2022-04-28 | 2022-09-13 | 南通东德纺织科技有限公司 | 基于计算机视觉的棉织品退浆处理监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112150445B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150445A (zh) | 基于贝叶斯阈值的纱线毛羽检测方法 | |
Williem et al. | Robust light field depth estimation for noisy scene with occlusion | |
CN107515220B (zh) | 一种基于图像处理的纱线黑板毛羽量检测及评价方法 | |
CN108230237A (zh) | 一种用于电气设备在线检测的多光谱图像重构方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN108305287A (zh) | 一种基于相位信息的纺织材料纤维直径测量方法 | |
CN109272503B (zh) | 一种基于最大熵与dbscan相融合的毛羽检测方法 | |
CN115131346B (zh) | 基于人工智能的发酵罐加工工序检测方法及系统 | |
Gao et al. | A novel VBM framework of fiber recognition based on image segmentation and DCNN | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN108629790A (zh) | 一种基于深度残差网络的光条图像阈值分割方法 | |
CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
CN113012105A (zh) | 基于图像处理的纱线毛羽检测评级方法 | |
CN115170475A (zh) | 一种基于深度学习方法的无纺布缺陷检测方法 | |
CN109919939B (zh) | 一种基于遗传算法的纱线缺陷检测方法和装置 | |
CN107563991B (zh) | 零件表面断裂激光光条的提取与匹配方法 | |
CN112730407A (zh) | 一种利用线阵数字相机检测纱线毛羽指标的检测装置及检测方法 | |
CN114913180B (zh) | 一种棉布筘痕缺陷的智能检测方法 | |
CN114897788B (zh) | 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法 | |
CN114022442B (zh) | 一种基于无监督学习的织物疵点检测算法 | |
Fabijańska | Yarn image segmentation using the region growing algorithm | |
JP4491714B2 (ja) | 輪郭抽出システム | |
CN112884748A (zh) | 基于多核支持向量机的无纺布表面小缺陷检测方法 | |
Wang et al. | Super-resolution multi-focus image fusion based on convolutional neural network |
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 |