CN112330595B - 一种绊丝检测方法、装置、电子设备及存储介质 - Google Patents
一种绊丝检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112330595B CN112330595B CN202011091228.8A CN202011091228A CN112330595B CN 112330595 B CN112330595 B CN 112330595B CN 202011091228 A CN202011091228 A CN 202011091228A CN 112330595 B CN112330595 B CN 112330595B
- Authority
- CN
- China
- Prior art keywords
- image
- tripwire
- detection model
- wire
- tripwire detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 206010017577 Gait disturbance Diseases 0.000 title description 10
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 230000000877 morphologic effect Effects 0.000 claims abstract description 48
- 230000010287 polarization Effects 0.000 claims abstract description 37
- 230000007797 corrosion Effects 0.000 claims abstract description 34
- 238000005260 corrosion Methods 0.000 claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000003628 erosive effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 230000007547 defect Effects 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种绊丝检测方法、装置、电子设备及存储介质，所述方法包括：获取丝锭区域的第一图像；确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；对所述第二图像进行形态学腐蚀处理，得到第三图像；将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。通过形态学腐蚀处理，可以使绊丝变得更宽，也就是增强了绊丝的表现效果，然后再将第三图像输入预先训练完成的绊丝检测模型进行绊丝检测，一方面降低了绊丝检测的难度，另一方面因为第三图像中的绊丝变得更宽，更利于绊丝的检测，提高绊丝检测的准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种绊丝检测方法、装置、电子设备及存储介质。
背景技术
随着我国制造业的飞速发展，工业生产的产品数量和种类也日益增多。人们对产品的质量要求也越来越高，产品表面的质量不仅会影响产品的外观，更严重的功能性瑕疵会直接导致产品商业价值贬值。在化纤产品的生产中由于设备和工艺的影响，化纤产品中经常出现特别细小的绊丝。其中，绊丝(又称蛛网丝)是出现在卷绕筒子端面，部分丝脱离了正常的卷绕轨迹，由弧变成弦的丝。
现有技术中，一般依靠人工观察检测出存在绊丝的产品，人工检测一方面检测效率低，人工资源消耗大，另一方面，因为绊丝属于细小的缺陷，人眼无法很好的辨别甚至无法观察到绊丝，导致绊丝检测的准确率较低。
随着深度学习技术的快速发展，现有技术中出现了基于深度学习模型检测绊丝的技术方案，将卷绕筒子端面作为丝锭区域，采集丝锭区域的图像，将丝锭区域的图像输入深度学习模型中进行绊丝检测，但是因为绊丝属于细小的缺陷，在丝锭区域的图像中提现的也很细微，即使使用深度学习模型，也很容易造成误检或漏检，因此也存在绊丝检测不准确的问题。
发明内容
本发明实施例提供了一种绊丝检测方法、装置、电子设备及存储介质，用以解决现有技术中绊丝检测准确率较低的问题。
本发明实施例提供了一种绊丝检测方法，所述方法包括：
获取丝锭区域的第一图像；
确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
对所述第二图像进行形态学腐蚀处理，得到第三图像；
将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
进一步地，所述获取丝锭区域的第一图像之后，确定所述第一图像的圆心坐标和半径之前，所述方法还包括：
在所述第一图像的圆周处等间隔设置预设数量的矩形卡尺；
基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；
采用所述第四图像对所述第一图像进行更新。
进一步地，所述对所述第二图像进行形态学腐蚀处理，得到第三图像包括：
对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
进一步地，所述对所述第二图像进行形态学腐蚀处理，得到第三图像之后，将所述第三图像输入预先训练完成的绊丝检测模型之前，所述方法还包括：
对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新。
进一步地，所述绊丝检测模型的训练过程包括：
针对训练集中的每个第六图像，将该第六图像和该第六图像的绊丝标签信息输入绊丝检测模型，对所述绊丝检测模型进行训练。
另一方面，本发明实施例提供了一种绊丝检测装置，所述装置包括：
获取模块，用于获取丝锭区域的第一图像；
第一确定模块，用于确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
第二确定模块，用于对所述第二图像进行形态学腐蚀处理，得到第三图像；
检测模块，用于将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
进一步地，所述装置还包括：
第一更新模块，用于在所述第一图像的圆周处等间隔设置预设数量的矩形卡尺；基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；采用所述第四图像对所述第一图像进行更新。
进一步地，所述第二确定模块，具体用于对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
进一步地，所述装置还包括：
第二更新模块，用于对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新。
进一步地，所述装置还包括：
训练模块，用于针对训练集中的每个第六图像，将该第六图像和该第六图像的绊丝标签信息输入绊丝检测模型，对所述绊丝检测模型进行训练。
再一方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
再一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
本发明实施例提供了一种绊丝检测方法、装置、电子设备及存储介质，所述方法包括：获取丝锭区域的第一图像；确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；对所述第二图像进行形态学腐蚀处理，得到第三图像；将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
上述的技术方案具有如下优点或有益效果：
由于在本发明实施例中，获取到丝锭区域的第一图像之后，对第一图像进行极化变换处理，得到丝锭区域的第二图像，第二图像为矩形区域的图像，然后在对矩形区域的第二图像进行形态学腐蚀处理，得到第三图像。通过形态学腐蚀处理，可以使绊丝变得更宽，也就是增强了绊丝的表现效果，然后再将第三图像输入预先训练完成的绊丝检测模型进行绊丝检测，一方面降低了绊丝检测的难度，另一方面因为第三图像中的绊丝变得更宽，更利于绊丝的检测，提高绊丝检测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的绊丝检测过程示意图；
图2为本发明实施例2提供的基于找圆工具对第一图像进行更新示意图；
图3为本发明实施例提供的一幅经过极化变换处理和形态学腐蚀处理得到的示意图；
图4为本发明实施例提供的另一幅经过极化变换处理和形态学腐蚀处理得到的示意图；
图5为本发明实施例提供的绊丝检测结果示意图；
图6为本发明实施例5提供的绊丝检测装置结构示意图；
图7为本发明实施例6提供的电子设备结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的绊丝检测过程示意图，包括以下步骤：
S101：获取丝锭区域的第一图像。
S102：确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像。
S103：对所述第二图像进行形态学腐蚀处理，得到第三图像。
S104：将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
本发明实施例提供的绊丝检测方法应用于电子设备，该电子设备可以是PC、平板电脑等设备。
在绊丝检测流程中，首先需要定位出待检测的丝锭区域，然后在此区域上完成绊丝检测。在实际流水线生产中，丝锭在相机下方的位置基本固定，通过该相机可以获取丝锭区域的第一图像，然后将第一图像发送至电子设备。
由于丝锭在相机下方的位置基本固定，因此相机获取的丝锭区域的第一图像中圆心坐标和半径也是可以确定的，电子设备确定出第一图像中圆心坐标和半径之后，根据圆心坐标和半径对第一图像进行极化变换处理，得到丝锭区域的第二图像。其中，第一图像中的丝锭区域为圆形区域，经过极化变换处理得到的第二图像中丝锭区域为矩形区域。
具体的，通过丝锭定位，可以确定丝锭的圆心坐标和半径(Cx，Cy,R)。通过极化变化将圆形的丝锭变换到矩形，可以理解为将丝锭的圆形展开。具体公式如下：
正向变换：dst(θ,ρ)＝src(x,y)；
反向变换：dst(x,y)＝src(θ,ρ)；
其中：
为了使绊丝缺陷变得更为明显，具体表现为绊丝缺陷变得更加宽。在本发明实施例中可以对第二图像进行形态学腐蚀处理，得到第三图像，腐蚀处理可以增强缺陷，因此第三图像中的绊丝缺陷表现更为明显，将第三图像输入预先训练完成的绊丝检测模型，基于绊丝检测模型进行绊丝检测，大大降低了检测的难度。
由于在本发明实施例中，获取到丝锭区域的第一图像之后，对第一图像进行极化变换处理，得到丝锭区域的第二图像，第二图像为矩形区域的图像，然后在对矩形区域的第二图像进行形态学腐蚀处理，得到第三图像。通过形态学腐蚀处理，可以使绊丝变得更宽，也就是增强了绊丝的表现效果，然后再将第三图像输入预先训练完成的绊丝检测模型进行绊丝检测，一方面降低了绊丝检测的难度，另一方面因为第三图像中的绊丝变得更宽，更利于绊丝的检测，提高绊丝检测的准确率。
实施例2：
为了使确定丝锭区域的图像更加准确，在上述实施例的基础上，在本发明实施例中，所述获取丝锭区域的第一图像之后，确定所述第一图像的圆心坐标和半径之前，所述方法还包括：
在所述第一图像的圆周处等间隔设置预设数量的矩形卡尺；
基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；
采用所述第四图像对所述第一图像进行更新。
如图2所示，在第一图像的圆周处等间隔设置预设数量的矩形卡尺，矩形卡尺的中心为圆周上的点，且保证矩形卡尺的角度为圆周上点与第一图像的圆心所形成的角度。矩形卡尺的长边作为搜索长度，搜索长度决定了丝锭在参考圆位置可以移动的范围；短边作为投影长度，投影长度会影响查找边缘点的准确度。每一个矩形卡尺都会查找到一个丝锭边界上的边缘点，通过对预设数量个点拟合圆，即可计算出丝锭实际的位置。图2中圆周上的小十字即为边缘点。基于找圆工具确定每个矩形卡尺中的边缘点之后，为了保证计算结果更稳定可靠，考虑其中部分点会是噪声干扰，会忽略这些点，使其不参与拟合圆的计算，因此需要对边缘点进行筛选处理，然后采用保留的边缘点拟合圆形区域得到第四图像；采用所述第四图像对所述第一图像进行更新。
找圆工具的相关介绍如下：
找圆工具通过在图像中预设的位置放置多个卡尺，根据卡尺工具定位边缘特征点位置，再通过圆拟合输出圆或者圆弧，可用于测量和定位。
卡尺数目：卡尺数目用于设置要放置多少个卡尺用来定位边缘特征点，每个卡尺的结果取决于卡尺工具的参数配置，卡尺工具的参数为全局参数，即所有的卡尺使用同样的配置参数。
搜索长度：搜索长度对应卡尺工具中投影区域的宽度，影响卡尺对边缘点的定位。
投影长度：投影长度对应卡尺工具中投影区域的高度，影响卡尺对边缘点的定位。
搜索方向：搜索方向默认为由内向外，反方向为由外向内。
忽略点数目：找边工具主要是使用卡尺边缘点拟合直线，拟合数据的好坏会直接影响最终的拟合结果。通过设置忽略点的数目剔除异常数据点，保证拟合结果更加准确。
在本发明实施例中，获取丝锭区域的第一图像之后，基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；采用所述第四图像对所述第一图像进行更新。从而使得确定的丝锭区域的第一图像更加准确。
实施例3：
为了使绊丝缺陷更为明显，在上述各实施例的基础上，在本发明实施例中，所述对所述第二图像进行形态学腐蚀处理，得到第三图像包括：
对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
考虑到绊丝的缺陷特性，正常的丝线为圆弧形态，且以丝锭中心为圆心，当丝线变为直线形态，即为绊丝缺陷。在极化图像也就是第二图像上，正常的丝线为水平形态，绊丝缺陷在极化图像上表现为曲线。此时，为了使绊丝缺陷更为明显，对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
需要说明的是，第二图像在图像坐标系，一般以左上角像素点为原点，向下y轴为垂直方向，向右x轴为水平方向。对第二图像进行垂直方向的形态学腐蚀处理，也就是在y轴方向上进行形态学腐蚀处理。达到的效果是，原有的水平丝线不受形态学处理的影响，非水平的丝线会受到形态学处理的增强，具体表现为绊丝缺陷变得更加宽。因此，对第二图像进行形态学腐蚀处理，得到第三图像，第三图像中的绊丝缺陷表现更为明显，将第三图像输入预先训练完成的绊丝检测模型，基于绊丝检测模型进行绊丝检测，大大降低了检测的难度。其中，形态学核大小例如可以是[1,15]。
图3和图4为本发明实施例提供的两幅经过极化变换处理和形态学腐蚀处理得到的示意图，可以看出，绊丝缺陷(曲线部分)明显增强。
实施例4：
在上述各实施例的基础上，在本发明实施例中，所述对所述第二图像进行形态学腐蚀处理，得到第三图像之后，将所述第三图像输入预先训练完成的绊丝检测模型之前，所述方法还包括：
对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新。
在本发明实施例中，对所述第二图像进行形态学腐蚀处理，得到第三图像之后，直接将第三图像输入到绊丝检测模型，还是对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新之后，再将第三图像输入到绊丝检测模型，这是根据绊丝检测模型训练的过程决定的。
所述绊丝检测模型的训练过程包括：
针对训练集中的每个第六图像，将该第六图像和该第六图像的绊丝标签信息输入绊丝检测模型，对所述绊丝检测模型进行训练。
电子设备中预先保存有用于训练绊丝检测模型的训练集，如果训练集中的第六图像为经过极化变换处理和形态学腐蚀处理后的图像，那么根据每个第六图像和对应的绊丝标签信息对绊丝检测模型训练完成之后，只需将对第二图像进行形态学腐蚀处理，得到第三图像输入至绊丝检测模型，即可完成绊丝检测。如果训练集中的第六图像为经过极化变换处理和形态学腐蚀处理后，再经过极化反变换处理得到的图像，那么根据每个第六图像和对应的绊丝标签信息对绊丝检测模型训练完成之后，将对第二图像进行形态学腐蚀处理，得到第三图像之后，需要对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新，然后将第三图像输入至绊丝检测模型，即可完成绊丝检测。
需要说明的是，极化反变换处理是极化变换处理的逆过程，目的是把通过形态学腐蚀处理进行缺陷增强后的极化变换图像，变换为原有的圆形丝锭图像。
图5为对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新之后，将第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测，得到的绊丝检测结果示意图。
实施例5：
图6为本发明实施例提供的绊丝检测装置结构示意图，该装置包括：
获取模块51，用于获取丝锭区域的第一图像；
第一确定模块52，用于确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
第二确定模块53，用于对所述第二图像进行形态学腐蚀处理，得到第三图像；
检测模块54，用于将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
所述装置还包括：
第一更新模块55，用于在所述第一图像的圆周处等间隔设置预设数量的矩形卡尺；基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；采用所述第四图像对所述第一图像进行更新。
所述第二确定模块53，具体用于对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
所述装置还包括：
第二更新模块56，用于对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新。
所述装置还包括：
训练模块57，用于针对训练集中的每个第六图像，将该第六图像和该第六图像的绊丝标签信息输入绊丝检测模型，对所述绊丝检测模型进行训练。
实施例6：
在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，如图7所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行如下步骤：
获取丝锭区域的第一图像；
确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
对所述第二图像进行形态学腐蚀处理，得到第三图像；
将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
基于同一发明构思，本发明实施例中还提供了一种电子设备，由于上述电子设备解决问题的原理与绊丝检测方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、网络侧设备等。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在本发明实施例中处理器执行存储器上所存放的程序时，实现获取丝锭区域的第一图像；确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；对所述第二图像进行形态学腐蚀处理，得到第三图像；将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
由于在本发明实施例中，获取到丝锭区域的第一图像之后，对第一图像进行极化变换处理，得到丝锭区域的第二图像，第二图像为矩形区域的图像，然后在对矩形区域的第二图像进行形态学腐蚀处理，得到第三图像。通过形态学腐蚀处理，可以使绊丝变得更宽，也就是增强了绊丝的表现效果，然后再将第三图像输入预先训练完成的绊丝检测模型进行绊丝检测，一方面降低了绊丝检测的难度，另一方面因为第三图像中的绊丝变得更宽，更利于绊丝的检测，提高绊丝检测的准确率。
实施例7：
在上述各实施例的基础上，本发明实施例还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
获取丝锭区域的第一图像；
确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
对所述第二图像进行形态学腐蚀处理，得到第三图像；
将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与绊丝检测方法相似，因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施，重复之处不再赘述。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
在本发明实施例中提供的计算机可读存储介质内存储计算机程序，计算机程序被处理器执行时实现获取丝锭区域的第一图像；确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；对所述第二图像进行形态学腐蚀处理，得到第三图像；将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测。
由于在本发明实施例中，获取到丝锭区域的第一图像之后，对第一图像进行极化变换处理，得到丝锭区域的第二图像，第二图像为矩形区域的图像，然后在对矩形区域的第二图像进行形态学腐蚀处理，得到第三图像。通过形态学腐蚀处理，可以使绊丝变得更宽，也就是增强了绊丝的表现效果，然后再将第三图像输入预先训练完成的绊丝检测模型进行绊丝检测，一方面降低了绊丝检测的难度，另一方面因为第三图像中的绊丝变得更宽，更利于绊丝的检测，提高绊丝检测的准确率。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种绊丝检测方法，其特征在于，所述方法包括：
获取丝锭区域的第一图像；
确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
对所述第二图像进行形态学腐蚀处理，得到第三图像；
将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测；
所述绊丝检测模型的训练过程包括：
针对训练集中的每个第六图像，将该第六图像和该第六图像的绊丝标签信息输入绊丝检测模型，对所述绊丝检测模型进行训练；
所述对所述第二图像进行形态学腐蚀处理，得到第三图像之后，将所述第三图像输入预先训练完成的绊丝检测模型之前，所述方法还包括：
对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新。
2.如权利要求1所述的方法，其特征在于，所述获取丝锭区域的第一图像之后，确定所述第一图像的圆心坐标和半径之前，所述方法还包括：
在所述第一图像的圆周处等间隔设置预设数量的矩形卡尺；
基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；
采用所述第四图像对所述第一图像进行更新。
3.如权利要求1所述的方法，其特征在于，所述对所述第二图像进行形态学腐蚀处理，得到第三图像包括：
对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
4.一种绊丝检测装置，其特征在于，所述装置包括：
获取模块，用于获取丝锭区域的第一图像；
第一确定模块，用于确定所述第一图像的圆心坐标和半径，根据所述圆心坐标和半径对所述第一图像进行极化变换处理，得到丝锭区域的第二图像；
第二确定模块，用于对所述第二图像进行形态学腐蚀处理，得到第三图像；
检测模块，用于将所述第三图像输入预先训练完成的绊丝检测模型，基于所述绊丝检测模型进行绊丝检测；
所述装置还包括：
训练模块，用于针对训练集中的每个第六图像，将该第六图像和该第六图像的绊丝标签信息输入绊丝检测模型，对所述绊丝检测模型进行训练；
所述装置还包括：
第二更新模块，用于对所述第三图像进行极化反变换处理，得到第五图像，采用所述第五图像对所述第三图像进行更新。
5.如权利要求4所述的装置，其特征在于，所述装置还包括：
第一更新模块，用于在所述第一图像的圆周处等间隔设置预设数量的矩形卡尺；基于找圆工具确定每个矩形卡尺中的边缘点，并对边缘点进行筛选处理，采用保留的边缘点拟合圆形区域得到第四图像；采用所述第四图像对所述第一图像进行更新。
6.如权利要求4所述的装置，其特征在于，所述第二确定模块，具体用于对所述第二图像进行垂直方向的形态学腐蚀处理，得到第三图像。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-3任一项所述的方法步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011091228.8A CN112330595B (zh) | 2020-10-13 | 2020-10-13 | 一种绊丝检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011091228.8A CN112330595B (zh) | 2020-10-13 | 2020-10-13 | 一种绊丝检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330595A CN112330595A (zh) | 2021-02-05 |
| CN112330595B true CN112330595B (zh) | 2024-04-02 |
Family
ID=74313096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011091228.8A Active CN112330595B (zh) | 2020-10-13 | 2020-10-13 | 一种绊丝检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330595B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129305B (zh) * | 2021-05-18 | 2023-06-16 | 浙江大华技术股份有限公司 | 丝锭状态的确定方法、装置、存储介质及电子装置 |
| CN113344923B (zh) * | 2021-08-05 | 2021-11-23 | 浙江华睿科技股份有限公司 | 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369149A (zh) * | 2016-05-11 | 2017-11-21 | 富士通株式会社 | 目标物体的检测装置及方法 |
| CN108288272A (zh) * | 2018-02-08 | 2018-07-17 | 首都师范大学 | 纱线识别方法及装置 |
| CN109255787A (zh) * | 2018-10-15 | 2019-01-22 | 杭州慧知连科技有限公司 | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 |
| CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
| CN109550712A (zh) * | 2018-12-29 | 2019-04-02 | 杭州慧知连科技有限公司 | 一种化纤丝尾丝外观缺陷检测系统及方法 |
| WO2019236328A1 (en) * | 2018-06-07 | 2019-12-12 | Invensense, Inc. | Correcting a fingerprint image |
| CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN110895803A (zh) * | 2018-08-24 | 2020-03-20 | 东华大学 | 一种卷装长丝的网丝缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011029203A1 (en) * | 2009-09-14 | 2011-03-17 | Viion Systems Inc. | Saccadic dual-resolution video analytics camera |
-
2020
- 2020-10-13 CN CN202011091228.8A patent/CN112330595B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369149A (zh) * | 2016-05-11 | 2017-11-21 | 富士通株式会社 | 目标物体的检测装置及方法 |
| CN108288272A (zh) * | 2018-02-08 | 2018-07-17 | 首都师范大学 | 纱线识别方法及装置 |
| CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| WO2019236328A1 (en) * | 2018-06-07 | 2019-12-12 | Invensense, Inc. | Correcting a fingerprint image |
| CN110895803A (zh) * | 2018-08-24 | 2020-03-20 | 东华大学 | 一种卷装长丝的网丝缺陷检测方法 |
| CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
| CN109255787A (zh) * | 2018-10-15 | 2019-01-22 | 杭州慧知连科技有限公司 | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 |
| CN109550712A (zh) * | 2018-12-29 | 2019-04-02 | 杭州慧知连科技有限公司 | 一种化纤丝尾丝外观缺陷检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330595A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330595B (zh) | 一种绊丝检测方法、装置、电子设备及存储介质 | |
| CN107274442B (zh) | 一种图像识别方法和装置 | |
| CN112085033B (zh) | 一种模板匹配方法、装置、电子设备及存储介质 | |
| CN110348460B (zh) | 一种基于角度的目标检测训练方法、目标检测方法及装置 | |
| TW201915816A (zh) | 二維碼定位方法及裝置 | |
| EP3436950B1 (en) | Performance analysis using performance counters and trace logic | |
| CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
| CN109685764B (zh) | 产品定位方法、装置及终端设备 | |
| US20160171761A1 (en) | Computing device and method for patching point clouds of object | |
| US9552662B2 (en) | Method and apparatus for removing false intersection in ray tracing | |
| CN111915549A (zh) | 瑕疵检测方法、电子装置及计算机可读存储介质 | |
| US11094049B2 (en) | Computing device and non-transitory storage medium implementing target object identification method | |
| CN111382738A (zh) | 一种指针式仪表的读数方法及装置 | |
| WO2021017000A1 (zh) | 获取仪表读数的方法、装置、存储器、处理器和终端 | |
| CN111524139B (zh) | 一种基于双边滤波器的角点检测方法和检测系统 | |
| CN112634201B (zh) | 目标检测方法、装置和电子设备 | |
| CN106391728A (zh) | 带钢位置测量装置、带钢跑偏控制装置及计算方法 | |
| Liu et al. | Research on surface defect detection based on semantic segmentation | |
| CN113902742B (zh) | 一种基于tft-lcd检测缺陷真假判定方法和系统 | |
| US8855401B2 (en) | Methods and systems involving measuring complex dimensions of silicon devices | |
| CN109145821B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
| CN115393172B (zh) | 基于gpu实时提取光条纹中心的方法及设备 | |
| CN116977783A (zh) | 一种目标检测模型的训练方法、装置、设备及介质 | |
| JP2010003165A5 (zh) | ||
| US9207076B2 (en) | Computing device and method for determining ricochet vectors of a probe of a coordinate measuring machine |
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 | ||
| CB02 | Change of applicant information |
Address after: C10, No. 1199 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Huarui Technology Co.,Ltd. Address before: C10, No. 1199 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG HUARAY TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |