CN112365452A - 一种基于双侧图像的网络丝网络点的检测方法 - Google Patents

一种基于双侧图像的网络丝网络点的检测方法 Download PDF

Info

Publication number
CN112365452A
CN112365452A CN202011155541.3A CN202011155541A CN112365452A CN 112365452 A CN112365452 A CN 112365452A CN 202011155541 A CN202011155541 A CN 202011155541A CN 112365452 A CN112365452 A CN 112365452A
Authority
CN
China
Prior art keywords
network
row
image
total number
silk
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
CN202011155541.3A
Other languages
English (en)
Other versions
CN112365452B (zh
Inventor
周建
王丽丽
尹立新
汤方明
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 CN202011155541.3A priority Critical patent/CN112365452B/zh
Publication of CN112365452A publication Critical patent/CN112365452A/zh
Application granted granted Critical
Publication of CN112365452B publication Critical patent/CN112365452B/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
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—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
    • G06T2207/30—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)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于双侧图像的网络丝网络点的检测方法，步骤如下：(1)控制网络丝处于伸直状态，在相同的采集条件下从两个相互正交的方向获取网络丝长度段i在背光环境下的图像
Figure DDA0002742615920000011
与
Figure DDA0002742615920000012
Figure DDA0002742615920000013
与
Figure DDA0002742615920000014
中网络丝的丝条垂直且相交于图像的上下边缘；(2)将
Figure DDA0002742615920000015
与
Figure DDA0002742615920000016
分割为背景和丝条两个部分，得到分割结果图像
Figure DDA0002742615920000017
与
Figure DDA0002742615920000018
以
Figure DDA0002742615920000019
中第x行取值为1的元素(取值为1的元素表示丝条)总数表示该行对应的网络丝直径
Figure DDA00027426159200000110
x＝1，2，...h，h为
Figure DDA00027426159200000111
或
Figure DDA00027426159200000112
的总行数；(3)计算样品参考直径
Figure DDA00027426159200000113
Figure DDA00027426159200000114
Figure DDA00027426159200000115
Figure DDA00027426159200000116
式中，n为网络丝长度段总数；(4)判断网络丝长度段i是否存在网络点。本发明的方法简单，能够实现网络丝网络点的稳定、准确、自动化检测。

Description

一种基于双侧图像的网络丝网络点的检测方法
技术领域
本发明属于网络点检测技术领域，涉及一种基于双侧图像的网络丝网络点的检测方法。
背景技术
网络丝是一类重要的纺织长丝产品。在生产过程中，利用压缩空气，以一定周期对纺丝成型过程中的网络丝丝条进行空气吹捻，令丝条中的单丝之间产生抱合，在丝条中形成规律分布的网络点。每米网络丝中包含的网络点个数称为网络度，是网络丝的重要质量指标，决定了后续生产织物的手感风格及耐用性，同时影响后续织造的生产效率。
目前，网络丝生产企业主要采用人工检测的方法，统计网络丝中的网络点个数，并计算网络度。在这个问题中，人类检测者须用视觉连续观察不大于数百微米的丝束，判断观测位置是否为网络点。这种依赖于人类视觉的方法具有成本高、耗时费力、准确性差等缺点。因此，业内亟需一种无人类视觉依赖的机器检测方法，自动检测网络丝的网络点。
发明内容
本发明的目的是解决现有技术中存在的问题，提供一种基于图像分析技术的、稳定、准确、自动化的自动检测网络丝网络点的方法。
为达到上述目的，本发明采用的技术方案如下：
一种基于双侧图像的网络丝网络点的检测方法，步骤如下：
(1)控制网络丝处于伸直状态，在相同的采集条件下(采集条件包括环境参数、相机参数等)从两个相互正交的方向获取网络丝长度段i在背光环境下的清晰图像
Figure BDA0002742615900000011
与
Figure BDA0002742615900000012
i表示网络丝长度段的序号；背光环境是指光源的照射方向与图像成像设备的采集方向相对，网络丝处在光源与图像成像设备之间的位置；
Figure BDA0002742615900000013
与
Figure BDA0002742615900000014
中网络丝的丝条垂直且相交于图像的上下边缘；即两个图像成像设备的拍摄方向相互正交，同时拍摄同一段网络丝，并且网络丝处在两个图像成像设备的拍摄平面上，所采集的图像中网络丝的丝条垂直于图像的上下边缘；
(2)将
Figure BDA0002742615900000015
与
Figure BDA0002742615900000016
分割为背景和丝条两个部分，得到分割结果图像
Figure BDA0002742615900000017
与
Figure BDA0002742615900000018
其中取值为0的元素表示背景，取值为1的元素表示丝条，以
Figure BDA0002742615900000019
中第x行取值为1的元素总数表示该行对应的网络丝直径
Figure BDA00027426159000000117
，以
Figure BDA00027426159000000110
中第x行取值为1的元素总数表示该行对应的网络丝直径
Figure BDA00027426159000000111
x＝1,2,…h，h为
Figure BDA00027426159000000112
或
Figure BDA00027426159000000113
的总行数，
Figure BDA00027426159000000114
中第x行与
Figure BDA00027426159000000115
中第x行对应丝条的同一位置；
(3)计算样品参考直径
Figure BDA00027426159000000116
Figure BDA0002742615900000021
Figure BDA0002742615900000022
Figure BDA0002742615900000023
式中，n为网络丝长度段总数；
(4)判断网络丝长度段i是否存在网络点，如果图像
Figure BDA0002742615900000024
与
Figure BDA0002742615900000025
中存在某一行x满足
Figure BDA0002742615900000026
和
Figure BDA0002742615900000027
同时小于
Figure BDA0002742615900000028
的0.75倍，则存在网络点；反之，则不存在网络点；网络丝自身会因为丝束的数量而自然蓬松，在获得了长丝平均参考直径
Figure BDA0002742615900000029
的前提下，通常情况下，在整一根网络丝中，仅有网络点位置会如此显著地小于
Figure BDA00027426159000000210
(即小于
Figure BDA00027426159000000211
其余位置会自然蓬松开来，因此，网络点外的网络丝部分在两个视角下总有一个是较大的，按此方法可以准确地确定网络点；本发明不仅可以判断网络丝长度段i是否存在网络点还可以确定网络丝长度段i上网络点的个数，确定方法为：如果图像
Figure BDA00027426159000000212
与
Figure BDA00027426159000000213
中存在连续多行x满足
Figure BDA00027426159000000214
和
Figure BDA00027426159000000215
同时小于
Figure BDA00027426159000000216
的0.75倍，则记为一个网络点，如果图像
Figure BDA00027426159000000217
与
Figure BDA00027426159000000218
中还存在另外连续多行x满足
Figure BDA00027426159000000219
和
Figure BDA00027426159000000220
同时小于
Figure BDA00027426159000000221
的0.75倍，则记为另一个网络点，以此类推，即可确定网络点的总数。
作为优选的技术方案：
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(1)中，获取
Figure BDA00027426159000000222
与
Figure BDA00027426159000000223
采用CCD面阵相机，还可以采用其他可达到同等效果的图像采集设备，如CMOS面阵相机等、CCD线阵相机、CMOS线阵相机等。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(1)中，
Figure BDA00027426159000000224
与
Figure BDA00027426159000000225
为8位灰度图像，其像素灰度值取值为区间[0,255]内的整数。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(1)中，
Figure BDA00027426159000000226
与
Figure BDA00027426159000000227
为清晰图像，清晰是指网络丝处于相机成像景深范围内，网络丝边缘在图像中呈现明显的边缘梯度，明显的边缘梯度为梯度绝对值大于10灰度/(像素×255灰度)。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(1)中，各个网络丝长度段的长度相同。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(1)中，各个网络丝长度段的长度为0.5～500mm，具体的长度取值是由工程操作者采用的图像分辨率及拍摄尺度决定的。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(2)具体如下：
(2.1)计算
Figure BDA0002742615900000031
中的所有元素的均值，表示为
Figure BDA0002742615900000032
同时，计算
Figure BDA0002742615900000033
中的所有元素的均值，表示为
Figure BDA0002742615900000034
(2.2)以
Figure BDA0002742615900000035
作为阈值，对
Figure BDA0002742615900000036
进行阈值分割处理，获得
Figure BDA0002742615900000037
同时，以
Figure BDA0002742615900000038
作为阈值，对
Figure BDA0002742615900000039
进行阈值分割处理，获得
Figure BDA00027426159000000310
以0位置表示背景，1位置表示丝条，则：
Figure BDA00027426159000000311
Figure BDA00027426159000000312
其中，
Figure BDA00027426159000000313
表示
Figure BDA00027426159000000314
中第x行第y列的像素的灰度值，
Figure BDA00027426159000000315
表示
Figure BDA00027426159000000316
中第x行第y列的像素的灰度值，
Figure BDA00027426159000000317
表示
Figure BDA00027426159000000318
中第x行第y列的像素的灰度值，
Figure BDA00027426159000000319
表示
Figure BDA00027426159000000320
中第x行第y列的像素的灰度值；
(2.3)计算
Figure BDA00027426159000000321
和
Figure BDA00027426159000000322
Figure BDA00027426159000000323
Figure BDA00027426159000000324
式中，w表示
Figure BDA00027426159000000325
或
Figure BDA00027426159000000326
的总列数。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(3)中，n大于5。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，步骤(3)中，n＝100。
如上所述的一种基于双侧图像的网络丝网络点的检测方法，检测漏检率小于等于6％，检测漏检率＝(实际的网络点的总数-检测到的网络点的总数)/实际的网络点的总数，实际的网络点的总数是采用传统的手工检测方法确定的，本发明对10种网络丝品种进行了测试，测试发现检测漏检率都小于等于6％，说明本发明的测试方法准确率高，可靠性较强。
有益效果：
本发明针对依赖于人工操作的网络丝网络点检测准确性低、耗费时费力的缺点，提出一种基于双侧图像的网络丝网络点的检测方法，减少了对人工操作的依赖，满足实际应用中网络丝网络点的检测的准确、稳定、自动化等需求，应用前景十分广阔。
附图说明
图1为一种基于双侧图像的网络丝网络点的检测方法的流程图；
图2为
Figure BDA0002742615900000041
的一个示例，i取值为100，即本图为
Figure BDA0002742615900000042
图3为
Figure BDA0002742615900000043
的一个示例，i取值为100，即本图为
Figure BDA0002742615900000044
图4为
Figure BDA0002742615900000045
的一个示例，i取值为100，即本图为
Figure BDA0002742615900000046
图5为
Figure BDA0002742615900000047
的一个示例，i取值为100，即本图为
Figure BDA0002742615900000048
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。
一种基于双侧图像的网络丝网络点的检测方法，如图1所示，步骤如下：
(1)控制网络丝处于伸直状态，在相同的采集条件下(采集条件包括环境参数、相机参数等)采用CCD面阵相机从两个相互正交的方向获取网络丝长度段i在背光环境下的清晰图像
Figure BDA0002742615900000049
与
Figure BDA00027426159000000410
Figure BDA00027426159000000411
和
Figure BDA00027426159000000412
分别如图2和图3所示)；i表示网络丝长度段的序号，各个网络丝长度段的长度相同，取值为6mm；背光环境是指光源的照射方向与图像成像设备的采集方向相对，网络丝处在光源与图像成像设备之间的位置；
Figure BDA00027426159000000413
与
Figure BDA00027426159000000414
中网络丝的丝条垂直且相交于图像的上下边缘(垂直于图像的上下边缘即丝条沿图像的宽度方向排列，相交于图像的上下边缘即丝条的长度等于图像的宽度)；
Figure BDA00027426159000000415
与
Figure BDA00027426159000000416
为8位灰度图像，其像素灰度值取值为区间[0,255]内的整数；清晰是指网络丝处于相机成像景深范围内，网络丝边缘在图像中呈现明显的边缘梯度，明显的边缘梯度为梯度绝对值大于10灰度/(像素×255灰度)；
(2)将
Figure BDA00027426159000000417
与
Figure BDA00027426159000000418
分割为背景和丝条两个部分，得到分割结果图像
Figure BDA00027426159000000419
与
Figure BDA00027426159000000420
Figure BDA00027426159000000421
和
Figure BDA00027426159000000422
分别如图4和图5所示)，其中取值为0的元素表示背景，取值为1的元素表示丝条，以
Figure BDA00027426159000000423
中第x行取值为1的元素总数表示该行对应的网络丝直径
Figure BDA00027426159000000424
以
Figure BDA00027426159000000425
中第x行取值为1的元素总数表示该行对应的网络丝直径
Figure BDA00027426159000000426
x＝1,2,…h，h为
Figure BDA00027426159000000427
或
Figure BDA00027426159000000428
的总行数，
Figure BDA00027426159000000429
中第x行与
Figure BDA00027426159000000430
中第x行对应丝条的同一位置；具体如下：
(2.1)计算
Figure BDA00027426159000000431
中的所有元素的均值，表示为
Figure BDA00027426159000000432
同时，计算
Figure BDA00027426159000000433
中的所有元素的均值，表示为
Figure BDA00027426159000000434
(2.2)以0.75
Figure BDA0002742615900000051
作为阈值，对
Figure BDA0002742615900000052
进行阈值分割处理，获得
Figure BDA0002742615900000053
同时，以0.75
Figure BDA0002742615900000054
作为阈值，对
Figure BDA0002742615900000055
进行阈值分割处理，获得
Figure BDA0002742615900000056
以0位置表示背景，1位置表示丝条，则：
Figure BDA0002742615900000057
Figure BDA0002742615900000058
其中，
Figure BDA0002742615900000059
表示
Figure BDA00027426159000000510
中第x行第y列的像素的灰度值，
Figure BDA00027426159000000511
表示
Figure BDA00027426159000000512
中第x行第y列的像素的灰度值，
Figure BDA00027426159000000513
表示
Figure BDA00027426159000000514
中第x行第y列的像素的灰度值，
Figure BDA00027426159000000515
表示
Figure BDA00027426159000000516
中第x行第y列的像素的灰度值；
(2.3)计算
Figure BDA00027426159000000517
和
Figure BDA00027426159000000518
Figure BDA00027426159000000519
Figure BDA00027426159000000520
式中，w表示
Figure BDA00027426159000000521
或
Figure BDA00027426159000000522
的总列数；
(3)计算样品参考直径
Figure BDA00027426159000000523
Figure BDA00027426159000000524
Figure BDA00027426159000000525
Figure BDA00027426159000000526
式中，n为网络丝长度段总数，n大于5，优选为100；
(4)判断网络丝长度段i是否存在网络点，如果图像
Figure BDA00027426159000000527
与
Figure BDA00027426159000000528
中存在某一行x满足
Figure BDA00027426159000000529
和
Figure BDA00027426159000000530
同时小于
Figure BDA00027426159000000531
的0.75倍，则存在网络点；反之，则不存在网络点。
本发明的基于双侧图像的网络丝网络点的检测方法的检测漏检率小于等于6％，检测漏检率＝(实际的网络点的总数-检测到的网络点的总数)/实际的网络点的总数，本发明对10种网络丝品种进行了测试，测试发现检测漏检率都小于等于6％，说明本发明的测试方法准确率高，可靠性较强。

Claims (10)

1.一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤如下：
(1)控制网络丝处于伸直状态，在相同的采集条件下从两个相互正交的方向获取网络丝长度段i在背光环境下的图像
Figure FDA0002742615890000011
与
Figure FDA0002742615890000012
i表示网络丝长度段的序号；背光环境是指光源的照射方向与图像成像设备的采集方向相对，网络丝处在光源与图像成像设备之间的位置；
Figure FDA0002742615890000013
与
Figure FDA0002742615890000014
中网络丝的丝条垂直且相交于图像的上下边缘；
(2)将
Figure FDA0002742615890000015
与
Figure FDA0002742615890000016
分割为背景和丝条两个部分，得到分割结果图像
Figure FDA0002742615890000017
与
Figure FDA0002742615890000018
其中取值为0的元素表示背景，取值为1的元素表示丝条，以
Figure FDA0002742615890000019
中第x行取值为1的元素总数表示该行对应的网络丝直径
Figure FDA00027426158900000110
以
Figure FDA00027426158900000111
中第x行取值为1的元素总数表示该行对应的网络丝直径
Figure FDA00027426158900000112
x＝1,2,…h，h为
Figure FDA00027426158900000113
或
Figure FDA00027426158900000114
的总行数，
Figure FDA00027426158900000115
中第x行与
Figure FDA00027426158900000116
中第x行对应丝条的同一位置；
(3)计算样品参考直径
Figure FDA00027426158900000117
Figure FDA00027426158900000118
Figure FDA00027426158900000119
Figure FDA00027426158900000120
式中，n为网络丝长度段总数；
(4)判断网络丝长度段i是否存在网络点，如果图像
Figure FDA00027426158900000121
与
Figure FDA00027426158900000122
中存在某一行x满足
Figure FDA00027426158900000123
和
Figure FDA00027426158900000124
同时小于
Figure FDA00027426158900000125
的0.75倍，则存在网络点；反之，则不存在网络点。
2.根据权利要求1所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(1)中，获取
Figure FDA00027426158900000126
与
Figure FDA00027426158900000127
采用CCD面阵相机。
3.根据权利要求2所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(1)中，
Figure FDA00027426158900000128
与
Figure FDA00027426158900000129
为8位灰度图像，其像素灰度值取值为区间[0,255]内的整数。
4.根据权利要求3所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(1)中，
Figure FDA00027426158900000130
与
Figure FDA00027426158900000131
为清晰图像，清晰是指网络丝处于相机成像景深范围内，网络丝边缘在图像中呈现明显的边缘梯度，明显的边缘梯度为梯度绝对值大于10灰度/(像素×255灰度)。
5.根据权利要求1所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(1)中，各个网络丝长度段的长度相同。
6.根据权利要求5所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(1)中，各个网络丝长度段的长度为0.5～500mm。
7.根据权利要求3所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(2)具体如下：
(2.1)计算
Figure FDA0002742615890000021
中的所有元素的均值，表示为
Figure FDA0002742615890000022
同时，计算
Figure FDA0002742615890000023
中的所有元素的均值，表示为
Figure FDA0002742615890000024
(2.2)以
Figure FDA0002742615890000025
作为阈值，对
Figure FDA0002742615890000026
进行阈值分割处理，获得
Figure FDA0002742615890000027
同时，以
Figure FDA0002742615890000028
作为阈值，对
Figure FDA0002742615890000029
进行阈值分割处理，获得
Figure FDA00027426158900000210
以0位置表示背景，1位置表示丝条，则：
Figure FDA00027426158900000211
Figure FDA00027426158900000212
其中，
Figure FDA00027426158900000213
表示
Figure FDA00027426158900000214
中第x行第y列的像素的灰度值，
Figure FDA00027426158900000215
表示
Figure FDA00027426158900000216
中第x行第y列的像素的灰度值，
Figure FDA00027426158900000217
表示
Figure FDA00027426158900000218
中第x行第y列的像素的灰度值，
Figure FDA00027426158900000219
表示
Figure FDA00027426158900000220
中第x行第y列的像素的灰度值；
(2.3)计算
Figure FDA00027426158900000221
和
Figure FDA00027426158900000222
Figure FDA00027426158900000223
Figure FDA00027426158900000224
式中，w表示
Figure FDA00027426158900000225
或
Figure FDA00027426158900000226
的总列数。
8.根据权利要求1所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(3)中，n大于5。
9.根据权利要求8所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，步骤(3)中，n＝100。
10.根据权利要求1所述的一种基于双侧图像的网络丝网络点的检测方法，其特征在于，检测漏检率小于等于6％，检测漏检率＝(实际的网络点的总数-检测到的网络点的总数)/实际的网络点的总数。
CN202011155541.3A 2020-10-26 2020-10-26 一种基于双侧图像的网络丝网络点的检测方法 Active CN112365452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011155541.3A CN112365452B (zh) 2020-10-26 2020-10-26 一种基于双侧图像的网络丝网络点的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011155541.3A CN112365452B (zh) 2020-10-26 2020-10-26 一种基于双侧图像的网络丝网络点的检测方法

Publications (2)

Publication Number Publication Date
CN112365452A true CN112365452A (zh) 2021-02-12
CN112365452B CN112365452B (zh) 2023-06-02

Family

ID=74510391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011155541.3A Active CN112365452B (zh) 2020-10-26 2020-10-26 一种基于双侧图像的网络丝网络点的检测方法

Country Status (1)

Country Link
CN (1) CN112365452B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393444A (zh) * 2021-06-21 2021-09-14 江苏恒力化纤股份有限公司 一种基于图像处理技术的涤纶dty网络点检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1222968A (zh) * 1996-04-19 1999-07-14 联合讯号公司 用于鉴定纤维卷曲度的装置和方法
US20130064458A1 (en) * 2011-06-27 2013-03-14 The Johns Hopkins University System for Lightweight Image Processing
CN103645190A (zh) * 2013-11-27 2014-03-19 上海工程技术大学 用于纱线外观参数测量的可调节双扭镜盒及其装置
CN107369160A (zh) * 2017-06-28 2017-11-21 苏州比格威医疗科技有限公司 一种oct图像中脉络膜新生血管分割算法
CN107798672A (zh) * 2016-08-31 2018-03-13 上海创和亿电子科技发展有限公司 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器
CN109903267A (zh) * 2019-01-22 2019-06-18 江苏恒力化纤股份有限公司 一种基于图像处理技术测试网络丝网络度的方法
CN110349139A (zh) * 2019-07-02 2019-10-18 芜湖启迪睿视信息技术有限公司 一种基于神经网络分割的包装杂项检测方法
CN111415349A (zh) * 2020-03-27 2020-07-14 江苏恒力化纤股份有限公司 一种基于图像处理技术的涤纶长丝毛丝检测方法
CN111507942A (zh) * 2020-03-27 2020-08-07 江苏恒力化纤股份有限公司 一种基于多视角图像分析的化纤长丝毛丝检测装置与方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1222968A (zh) * 1996-04-19 1999-07-14 联合讯号公司 用于鉴定纤维卷曲度的装置和方法
US20130064458A1 (en) * 2011-06-27 2013-03-14 The Johns Hopkins University System for Lightweight Image Processing
CN103645190A (zh) * 2013-11-27 2014-03-19 上海工程技术大学 用于纱线外观参数测量的可调节双扭镜盒及其装置
CN107798672A (zh) * 2016-08-31 2018-03-13 上海创和亿电子科技发展有限公司 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器
CN107369160A (zh) * 2017-06-28 2017-11-21 苏州比格威医疗科技有限公司 一种oct图像中脉络膜新生血管分割算法
CN109903267A (zh) * 2019-01-22 2019-06-18 江苏恒力化纤股份有限公司 一种基于图像处理技术测试网络丝网络度的方法
CN110349139A (zh) * 2019-07-02 2019-10-18 芜湖启迪睿视信息技术有限公司 一种基于神经网络分割的包装杂项检测方法
CN111415349A (zh) * 2020-03-27 2020-07-14 江苏恒力化纤股份有限公司 一种基于图像处理技术的涤纶长丝毛丝检测方法
CN111507942A (zh) * 2020-03-27 2020-08-07 江苏恒力化纤股份有限公司 一种基于多视角图像分析的化纤长丝毛丝检测装置与方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393444A (zh) * 2021-06-21 2021-09-14 江苏恒力化纤股份有限公司 一种基于图像处理技术的涤纶dty网络点检测方法
CN113393444B (zh) * 2021-06-21 2023-06-02 江苏恒力化纤股份有限公司 一种基于图像处理技术的涤纶dty网络点检测方法

Also Published As

Publication number Publication date
CN112365452B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US11091858B2 (en) On-loom fabric inspection system and method
Cybulska Assessing yarn structure with image analysis methods1
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
CN113962962B (zh) 一种玻纤的短切纱罗拉绕丝检测方法
CN105386174B (zh) 一种基于图像技术的赛络纺断股检测装置及检测算法
CN103759662A (zh) 一种纺织纱线直径动态快速测量装置与方法
CN111507942B (zh) 一种基于多视角图像分析的化纤长丝毛丝检测装置与方法
CN116309671B (zh) 一种土工合成织物质量检测系统
CN112365452A (zh) 一种基于双侧图像的网络丝网络点的检测方法
CN114878574A (zh) 基于机器视觉的布匹缺陷检测方法、装置及系统
CN112767384A (zh) 一种弹力布克重在线检测系统的补偿方法和装置
CN101096819B (zh) 织物的组织判别方法
Robson et al. Cuticular scale measurements using image analysis techniques
CN115861310A (zh) 一种床单表面纺织缺陷检测方法
CN109903267B (zh) 一种基于图像处理技术测试网络丝网络度的方法
CN101819028A (zh) 竹节纱形状参数机器视觉检测系统
CN115205295B (zh) 一种服装面料拉伸强度检测方法
US20120125119A1 (en) Yarn entanglement strength tester
CN108733900B (zh) 一种竹节纱织物外观模拟及可视化评价方法
CN115082460B (zh) 一种织布生产线质量监控方法及系统
CN105741250B (zh) 基于二次插值法的自动验布机走布速度不匀的图像矫正方法
CN111797695B (zh) 一种股线捻度的自动识别方法及系统
CN113538489B (zh) 一种非织造布纤维直径测量方法
CN108717706B (zh) 一种基于竹节纱织物的竹节纱工艺参数半自动识别方法
Furferi et al. A novel method for ring spinning performance evaluation based on Computer Aided analysis of yarn geometry

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