CN112270652A - 一种纱库式络筒机中有无纱管的检测方法 - Google Patents
一种纱库式络筒机中有无纱管的检测方法 Download PDFInfo
- Publication number
- CN112270652A CN112270652A CN202011128047.8A CN202011128047A CN112270652A CN 112270652 A CN112270652 A CN 112270652A CN 202011128047 A CN202011128047 A CN 202011128047A CN 112270652 A CN112270652 A CN 112270652A
- Authority
- CN
- China
- Prior art keywords
- image
- yarn
- bobbin
- processing
- detecting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title description 3
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000003708 edge detection Methods 0.000 claims description 16
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 9
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000009987 spinning Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000004753 textile Substances 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005728 strengthening 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
-
- 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 by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/13—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种纱库式络筒机中有无纱管的检测方法,采用IntelRealSense D435i深度相机,对摄像头捕获的逐帧纱库深度信息进行截取,并将截取部分处理为伪色域图像,然后进行灰度化、滤波降噪和形态学等预处理。依据对像素点灰度值进行提取和分析,最后进行霍夫圆检测,并设置阈值实现一种能将纱库孔洞个数、位置等信息进行实时检测的方法。本发明一种纱库式络筒机中有无纱管的检测方法,为纺纱企业的上纱系统提供一种可行的视觉解决方案,能够有效地避免光照不均匀导致图像分割处理过程中的误判,以及实现了夜间无光照作业。
Description
技术领域
本发明属于纺织机械技术领域,涉及一种纱库式络筒机中有无纱管的检测方法。
背景技术
在我国纺纱行业已形成以纱库式自动络筒机为主的行业形势,伴随着人工成本不断攀升及生产管理要求的日益强化,需要减少依赖人工找头和上纱的纱库式自动络筒机的比例,增加具有管纱自动找头和上纱系统的自动络筒机。其中,视觉系统与机械臂协同配合的上纱系统作为较为先进的技术方案,可以实现实时的纱库缺纱检测,相比于现有的流水线型上纱系统,可以更加智能高效完成上纱任务。现有的方法均以二维RGB图像作为研究对象,无法很好得解决纺织厂作业环境各异所带来的诸多问题,例如光照不均匀导致图像分割处理过程中的误判、无法实现夜间无光照作业等。
发明内容
本发明的目的是提供一种纱库式络筒机中有无纱管的检测方法,解决了现有技术中存在的光照不均匀导致图像分割处理过程中的误判、无法实现夜间无光照作业问题。
本发明所采用的技术方案是,一种纱库式络筒机中有无纱管的检测方法,其特征在于,具体按照以下步骤实施:
步骤1、通过深度相机采集沙库图像;
步骤2、对步骤1采集到的图像进行灰度化处理;
步骤3、对经过灰度化处理的图像进行滤波处理;
步骤4、对经过滤波处理的图像进行形态学处理;
步骤5、对经过形态学处理的图像进行阈值分割处理;
步骤6、对经过阈值分割处理的图像进行边缘检测处理;
步骤7、对经过边缘检测处理的图像进行形态学检测;
步骤8、根据设定阈值判定是否存在纱管。
本发明的特点还在于:
步骤1具体按照以下步骤实施:
步骤1.1、安装相机,使用相机型号为IntelRealSense D435i;
步骤1.2、对深度相机采集到的RGB图像和深度信息进行配准调试;
步骤1.3、使用MATLAB图像工具箱,对相机畸变进行校准。
步骤2具体按照以下步骤实施:
步骤2.1、截取深度范围在2000到3400mm之内的深度图像信息;
步骤2.2、对截取到的图像进行伪色域处理及灰度化处理,得到灰度图像。
步骤3具体按照以下步骤实施:
步骤3.1、设置滤波所使用的卷积核大小为9X9;
步骤3.2、对灰度图像进行均值滤波。
步骤4具体按照以下步骤实施:
步骤4.1、设置腐蚀处理所使用的卷积核大小为9X9;
步骤4.2、对滤波后的图像进行腐蚀处理。
步骤5具体按照以下步骤实施:
步骤5.1、设置二值化处理所用参数阈值为150和255;
步骤5.2、对腐蚀处理后的图像进行二值化处理。
步骤6具体按照以下步骤实施:
步骤6.1、设置边缘检测所用参数阈值为30和150;
步骤6.2、对二值化处理后的图像进行图像边缘检测。
步骤7具体按照以下步骤实施:
步骤7.1、设置霍夫圆检测所用参数dp、minDist、param1、param2、minRadius、maxRadius分别为1、400、25、100、10、70、280;
步骤7.2、对边缘检测后的图像进行霍夫圆检测;
步骤7.3、确定检测到半径为150mm~220mm圆形的圆心坐标。
步骤8具体按照以下步骤实施:
步骤8.1、以步骤7中确定的圆心坐标为原点,做半径为100mm的圆形范围;
步骤8.2、计算步骤8.1确定的圆形范围内像素的个数,设置筛选满足条件的参数阈值为500,即小于500被判定为无纱管存在,孔洞数K+1;大于500被判定为有纱管存在,纱管数S+1。
本发明的有益效果是:本发明一种纱库式络筒机中有无纱管的检测方法能够将纱库孔洞个数、位置等信息进行实时检测;深度相机的特性决定了本方法可以实现夜间无光照检测的效果,为企业提高生产力和减少工人成本提供了一种可行的视觉解决方案;深度数据的应用能够很好地避免因为光照不均匀导致的图像分割处理过程中的误判。
附图说明
图1是本发明一种纱库式络筒机中有无纱管的检测方法的流程图;
图2是本发明一种纱库式络筒机中有无纱管的检测方法的相机安装示意图;
图3是本发明一种纱库式络筒机中有无纱管的检测方法的RGB-D伪色域图;
图4是本发明一种纱库式络筒机中有无纱管的检测方法的基于RGB-D图像进行Canny边缘检测结果图;
图5是基于RGB图像进行Canny边缘检测结果图;
图6是本发明一种纱库式络筒机中有无纱管的检测方法的检测结果图。
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。
本发明一种纱库式络筒机中有无纱管的检测方法,如图1所示,具体按照以下步骤实施:
步骤1、通过深度相机采集沙库图像,具体按照以下步骤实施:
步骤1.1、InterRealSenceD435i相机通过USB数据线连接于工控机上,并且将相机平行安装于纱库表面上方30~40cm,如图2所示;
步骤1.2、利用MATLAB图像处理工具箱中的标定函数TOOLBOX_calib,通过拍摄若干张标定板照片导入标定程序中,获取相机的内参和外参,并在程序中做出修正;
步骤1.3、利用InterRealSenceD435i相机的SDK对深度相机采集到的RGB图像和深度信息进行配准,以达到两种信息的像素坐标一致;
步骤1.4、基于python编程语言编写获取视频流逐帧图像的程序;
步骤2、对步骤1采集到的图像进行截取深度图像数据并将图像转为灰度图像,具体按照以下步骤实施:
步骤2.1、基于python编程语言中的where函数,对规定范围内的深度数据进行截取,并进行伪色域处理,将不满足范围内的深度数据舍弃,结果如图3所示。
步骤2.2、基于python编程语言,利用OpenCV开发包中的cvtColor函数,实现所选图像的灰度化;
步骤3、对图像进行滤波处理,具体按照以下步骤实施:
步骤3.1、基于python编程语言,利用OpenCV开发包中的blur函数,采用大小为9X9的卷积核,对图像进行均值滤波处理;
步骤4、对图像进行形态学处理中的腐蚀处理,具体按照以下步骤实施:
步骤4.1、基于python编程语言,利用OpenCV开发包中的erode函数,以小大为9X9的卷积核实现对图像的腐蚀处理;
步骤5、对经过形态学处理的图像进行阈值分割处理,将图像转为二值图像,具体按照以下步骤实施:
步骤5.1、基于python编程语言,利用OpenCV开发包中的threshold函数,以阈值范围(150,255)为参数,进行二值化处理;
步骤6、对二值化处理后的图像进行边缘检测,具体按照以下步骤实施:
步骤6.1、基于python编程语言,利用OpenCV开发包中的Canny函数,阈值设置为30和100,实现基于Canny算子的边缘检测,结果如图4所示。
步骤7、对边缘检测结果进行霍夫圆检测,具体按照以下步骤实施:
步骤7.1、基于python编程语言,利用OpenCV开发包中的cvtColor函数,实现所选图像的灰度化;
步骤7.2、设置霍夫圆检测所用参数dp、minDist、param1、param2、minRadius、maxRadius分别为1、400、25、100、10、70、280;
步骤7.3、确定检测到半径为150mm~220mm圆形的圆心坐标;
步骤8、根据设定阈值判定是否存在纱管,具体按照以下步骤实施:
步骤8.1、以步骤7中确定的圆心坐标为原点,做半径为100mm的圆形范围;
步骤8.2、计算步骤8.1确定的圆形范围内像素的个数,设置筛选满足条件的参数阈值为500,即小于500被判定为无纱管存在,孔洞数K+1;大于500被判定为有纱管存在,纱管数S+1,结果如图6所示。
在本发明一种纱库式络筒机中有无纱管的检测的方法中:步骤2的作用为将有效的深度信息进行截取。
采用python编程语言中的Where()函数,其原理是:将深度数据存储于一个一维数组中,通过截取后的深度数据=Where(设定的数据范围,0,原数组),其中0的含义是将不满足范围内的深度数据设置为0,即将不需要的数据进行舍弃。
采用python编程语言中的Where()函数,其优点在于:高效的数据处理能力,能够在微秒范围内实现对大量深度数据的实时处理。
从图4中可看出:融合截取特定范围内的深度信息,能够有效的避免因复杂的空间物体几何关系导致的信息误判,保留了纱库最原始、最完整的形状特征。
从图5中可看出:在仅仅使用RGB图像信息,进行图像边缘检测的时候,会因为光照的不均匀,不相关的物体(如纱库的底座),以及纱库本身作为一个空间几何多面体,在相机平面形成的图像包含多层图像信息,造成数据的冗余和结果误判,对于纱管或孔洞有效信息的获取增加了难度。
Claims (9)
1.一种纱库式络筒机中有无纱管的检测方法,其特征在于,具体按照以下步骤实施:
步骤1、通过深度相机采集沙库图像;
步骤2、对步骤1采集到的图像进行灰度化处理;
步骤3、对经过灰度化处理的图像进行滤波处理;
步骤4、对经过滤波处理的图像进行形态学处理;
步骤5、对经过形态学处理的图像进行阈值分割处理;
步骤6、对经过阈值分割处理的图像进行边缘检测处理;
步骤7、对经过边缘检测处理的图像进行形态学检测;
步骤8、根据设定阈值判定是否存在纱管。
2.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、安装相机,使用相机型号为IntelRealSense D435i;
步骤1.2、对深度相机采集到的RGB图像和深度信息进行配准调试;
步骤1.3、使用MATLAB图像工具箱,对相机畸变进行校准。
3.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、截取深度范围在2000到3400mm之内的深度图像信息;
步骤2.2、对截取到的图像进行伪色域处理及灰度化处理,得到灰度图像。
4.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、设置滤波所使用的卷积核大小为9X9;
步骤3.2、对灰度图像进行均值滤波。
5.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤4具体按照以下步骤实施:
步骤4.1、设置腐蚀处理所使用的卷积核大小为9X9;
步骤4.2、对滤波后的图像进行腐蚀处理。
6.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤5具体按照以下步骤实施:
步骤5.1、设置二值化处理所用参数阈值为150和255;
步骤5.2、对腐蚀处理后的图像进行二值化处理。
7.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤6具体按照以下步骤实施:
步骤6.1、设置边缘检测所用参数阈值为30和150;
步骤6.2、对二值化处理后的图像进行图像边缘检测。
8.根据权利要求1所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤7具体按照以下步骤实施:
步骤7.1、设置霍夫圆检测所用参数dp、minDist、param1、param2、minRadius、maxRadius分别为1、400、25、100、10、70、280;
步骤7.2、对边缘检测后的图像进行霍夫圆检测;
步骤7.3、确定检测到半径为150mm~220mm圆形的圆心坐标。
9.根据权利要求8所述的一种纱库式络筒机中有无纱管的检测方法,其特征在于,所述步骤8具体按照以下步骤实施:
步骤8.1、以步骤7中确定的圆心坐标为原点,做半径为100mm的圆形范围;
步骤8.2、计算步骤8.1确定的圆形范围内像素的个数,设置筛选满足条件的参数阈值为500,即小于500被判定为无纱管存在,孔洞数K+1;大于500被判定为有纱管存在,纱管数S+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128047.8A CN112270652A (zh) | 2020-10-19 | 2020-10-19 | 一种纱库式络筒机中有无纱管的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128047.8A CN112270652A (zh) | 2020-10-19 | 2020-10-19 | 一种纱库式络筒机中有无纱管的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270652A true CN112270652A (zh) | 2021-01-26 |
Family
ID=74342593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011128047.8A Pending CN112270652A (zh) | 2020-10-19 | 2020-10-19 | 一种纱库式络筒机中有无纱管的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270652A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
CN108007388A (zh) * | 2017-06-30 | 2018-05-08 | 长沙湘计海盾科技有限公司 | 一种基于机器视觉的转盘角度高精度在线测量方法 |
CN109345554A (zh) * | 2018-09-12 | 2019-02-15 | 南京农业大学 | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 |
CN110298840A (zh) * | 2019-07-10 | 2019-10-01 | 哈尔滨理工大学 | 一种基于图像的纱线缺陷检测方法 |
CN110827252A (zh) * | 2019-10-30 | 2020-02-21 | 西安工程大学 | 基于计算机视觉的纺纱管颜色识别方法 |
-
2020
- 2020-10-19 CN CN202011128047.8A patent/CN112270652A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
CN108007388A (zh) * | 2017-06-30 | 2018-05-08 | 长沙湘计海盾科技有限公司 | 一种基于机器视觉的转盘角度高精度在线测量方法 |
CN109345554A (zh) * | 2018-09-12 | 2019-02-15 | 南京农业大学 | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 |
CN110298840A (zh) * | 2019-07-10 | 2019-10-01 | 哈尔滨理工大学 | 一种基于图像的纱线缺陷检测方法 |
CN110827252A (zh) * | 2019-10-30 | 2020-02-21 | 西安工程大学 | 基于计算机视觉的纺纱管颜色识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN105588845B (zh) | 一种焊接缺陷特征参数提取方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN107424144A (zh) | 基于激光视觉的焊缝跟踪图像处理算法 | |
CN105701476A (zh) | 一种基于机器视觉的生产线产品自动化识别系统及方法 | |
CN113658133A (zh) | 一种基于图像处理的齿轮表面缺陷检测方法及系统 | |
CN103984930A (zh) | 基于视觉的数字仪表识别系统及其识别方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN111259908A (zh) | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
CN112001906A (zh) | 一种结合非极大值抑制的钢板焊缝图像检测方法 | |
CN113658131A (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN112164050A (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
CN103793923A (zh) | 一种图像中运动目标的获取方法及设备 | |
CN113706521A (zh) | 碳纤维表面毛团检测方法、装置、存储介质和电子设备 | |
CN111275659A (zh) | 一种焊缝图像处理方法、装置、终端设备及存储介质 | |
CN110807354B (zh) | 一种工业流水线产品计数方法 | |
CN110288619B (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
CN103383239A (zh) | 一种bnc端子图像识别装置及识别方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN111583202B (zh) | 一种毛丝检测方法及装置 | |
CN110766675B (zh) | 太阳能电池板缺陷检测方法 | |
CN112270652A (zh) | 一种纱库式络筒机中有无纱管的检测方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 |
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 |