CN113096073B - 化纤丝锭表面平整度检测方法及装置 - Google Patents

化纤丝锭表面平整度检测方法及装置 Download PDF

Info

Publication number
CN113096073B
CN113096073B CN202110293675.XA CN202110293675A CN113096073B CN 113096073 B CN113096073 B CN 113096073B CN 202110293675 A CN202110293675 A CN 202110293675A CN 113096073 B CN113096073 B CN 113096073B
Authority
CN
China
Prior art keywords
ingot
slope surface
contour
silk
slope
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
Application number
CN202110293675.XA
Other languages
English (en)
Other versions
CN113096073A (zh
Inventor
孙琪
黄虎
周璐
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.)
Zhejiang Huaray Technology Co Ltd
Original Assignee
Zhejiang Huaray Technology 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 Zhejiang Huaray Technology Co Ltd filed Critical Zhejiang Huaray Technology Co Ltd
Priority to CN202110293675.XA priority Critical patent/CN113096073B/zh
Publication of CN113096073A publication Critical patent/CN113096073A/zh
Application granted granted Critical
Publication of CN113096073B publication Critical patent/CN113096073B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请公开了化纤丝锭表面平整度检测方法及装置，用以更加准确地提取丝锭轮廓，并快速的进行化纤丝锭表面平整度分级判定，解决现有技术中存在的人工检测丝锭表面成形缺陷费时、费力、漏检高的问题。本申请实施例提供的一种化纤丝锭表面平整度检测方法，包括：通过定位丝锭坡面端点，确定丝锭坡面轮廓，并进一步确定丝锭坡面轮廓特征；根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级。

Description

化纤丝锭表面平整度检测方法及装置
技术领域
本申请涉及电学技术领域，尤其涉及化纤丝锭表面平整度检测方法及装置。
背景技术
成形缺陷俗称化纤丝锭样品成形不良，是化纤丝锭样品表面众多缺陷中的一种。在理想情况下，化纤丝锭顶部和底部丝线缠绕形成的坡面，应该是具有一定高度且坡度恒定，然而受到生产工艺的影响，使得丝锭顶部和底部的坡面高度过低或者出现起起伏伏的情况，就会形成成形缺陷。当产品出现成形缺陷时，直接影响产品的外观质量，进而影响下游厂商的生产。
为减少成形缺陷对企业生产造成的影响，化纤厂商采用工人肉眼质检的方式检测成形缺陷。传统的采用人工质检的方法检测成形缺陷产品，不仅耗时耗力，而且可能会造成漏检和误检。这一系列的问题必然引起企业经营成本的增加。
发明内容
本申请实施例提供了化纤丝锭表面平整度检测方法及装置，用以更加准确地提取丝锭轮廓，并快速的进行化纤丝锭表面平整度分级判定，解决现有技术中存在的人工检测丝锭表面成形缺陷费时、费力、漏检高的问题。
本申请实施例提供的一种化纤丝锭表面平整度检测方法，包括：
通过定位丝锭坡面端点，确定丝锭坡面轮廓，并进一步确定丝锭坡面轮廓特征；
根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级。
该方法通过定位丝锭坡面端点，确定丝锭坡面轮廓，并进一步确定丝锭坡面轮廓特征；根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级，克服了现有技术中存在的工人检测丝锭表面成形缺陷费时、费力、漏检高以及现有方法检测效率低、细微缺陷漏检和鲁棒性差等问题，本申请实施例提供了化纤丝锭表面成形缺陷坡面平整度检测方法，能够准确的提取丝锭轮廓，并快速的进行成形缺陷坡面平整度分级判定。通过该方法分析处理成形缺陷，调整产线的工艺和设备运行状态，减少了成形缺陷的出现。进而提高了产品的质量和产线的效率。
可选地，定位所述丝锭坡面端点，具体包括：
对丝锭坡面的第一预设区域进行二值化处理与形态学处理；
按照从丝锭坡面预设的轮廓起点到轮廓终点的顺序，进行行遍历，计算每一行的连续白色像素个数，将白色像素个数最多的行作为轮廓终点行，取该白色像素个数最多的行的首尾白色像素作为丝锭坡面终点；
从所述丝锭坡面的第一预设区域中选取直筒区域的第二预设区域，从第二预设区域中间进行依次向左向右遍历，针对每一列，计算该列与相邻n列的灰度梯度，找到灰度梯度最大的列，将该灰度梯度最大的列的从上到下第一个黑色像素位置，作为丝锭坡面起点，其中，n为大于或等于1的整数。
可选地，所述确定丝锭坡面轮廓，具体包括：
按照丝锭坡面起点向丝锭坡面终点的顺序进行搜索，对于每一当前像素位置：
若当前像素位置为黑色像素，则向上搜索到第一个白色像素时，确定该第一个白色像素的前一黑色像素为丝锭坡面轮廓点；
若当前像素位置为白色像素，则将向下搜索到的第一个黑色像素确定为丝锭坡面轮廓点。
可选地，所述确定丝锭坡面轮廓特征，具体包括：
确定丝锭坡面轮廓的轮廓点之间的矢量角，将矢量角组成的一维向量作为丝锭坡面轮廓特征。
可选地，确定丝锭坡面轮廓特征时所采用的轮廓点是采用如下方式进行数据对齐后的轮廓点：
针对丝锭的每一坡面：
当轮廓点数量少于256时，分别按照丝锭坡面起点和丝锭坡面终点的斜率扩展轮廓点，使得扩展后的轮廓点数量为256；
当轮廓点数量多于256时，从丝锭坡面起点和丝锭坡面终点分别舍弃相同数量的轮廓点，使得剩余的总的轮廓点数量为256。
可选地，采用如下的公式计算所述矢量角：
Angle(i)＝(yi-yi-1)/(xi-xi-1)
其中，(xi,yi)表示第i个轮廓点坐标，(xi-1,yi-1)表示第i-1个轮廓点坐标。
可选地，根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，具体包括：
针对提取的丝锭的每一坡面的轮廓特征：
将该坡面的轮廓特征输入预设分类器，通过该分类器输出特征向量；所述特征向量中的每一向量值分别对应一缺陷等级的置信度；
确定所述分类器输出的特征向量中最大向量值所对应的置信度，将该置信度对应的缺陷等级作为当前丝锭坡面的缺陷等级。
本申请实施例提供的一种化纤丝锭表面平整度检测装置，包括：
丝锭坡面端点定位模块，用于定位丝锭坡面端点；
丝锭坡面轮廓提取模块，用于通过丝锭坡面端点，确定丝锭坡面轮廓；
丝锭坡面轮廓特征提取模块，用于确定丝锭坡面轮廓特征；
成形缺陷坡面平整度分级模块，用于根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级。
本申请另一实施例提供了一种计算设备，其包括存储器和处理器，其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，按照获得的程序执行上述任一种方法。
本申请另一实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。
附图说明
为了更清楚地说明本申请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是本申请的一些实施例，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为本申请实施例提供的丝锭结构示意图；
图2为本申请实施例提供的二值化处理与形态学处理示意图；
图3为本申请实施例提供的坡面终点定位示意图；
图4为本申请实施例提供的坡面起点定位示意图；
图5为本申请实施例提供的轮廓跟踪示意图；
图6为本申请实施例提供的轮廓调整示意图；
图7为本申请实施例提供的一种化纤丝锭表面平整度检测方法的具体流程示意图；
图8为本申请实施例提供的一种化纤丝锭表面平整度检测方法的总体流程示意图；
图9为本申请实施例提供的一种计算设备的结构示意图；
图10为本申请实施例提供的一种化纤丝锭表面平整度检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本申请实施例提供了化纤丝锭表面平整度检测方法及装置，用以更加准确地提取丝锭轮廓，并快速的进行化纤丝锭表面平整度分级判定，解决现有技术中存在的人工检测丝锭表面成形缺陷费时、费力、漏检高的问题。
其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
丝锭结构如图1所示，其中标号1表示直筒，2表示丝锭侧面，4表示丝锭坡面，3和5表示坡面的两个端点。
本申请实施例提供的化纤丝锭表面成形缺陷坡面平整度分级检测技术方案，总体包括如下内容：
A1、丝锭坡面端点定位模块：采用传统图像处理检测模块对丝锭的轮廓点进行检测，然后对端点进行微调，达到精确定位丝锭端点的目的。其中，所述端点指图1中的端点3和端点5。
A2、丝锭坡面轮廓提取模块：采用逐行遍历、像素分割的方式，通过丝锭的端点，提取丝锭坡面的轮廓。
A3、丝锭坡面特征提取模块：由于丝锭轮廓的细小的特征，逐个计算轮廓点之间的矢量角，将矢量角组成的一维向量作为丝锭轮廓的特征，用于判定成形缺陷。
A4、成形缺陷坡面平整度分级模块：采用预设的分类器(深度学习分级模块)对丝锭坡面轮廓的特征进行分级判定，输出缺陷等级。
作为上述A1步骤的优选方案，丝锭坡面端点定位的方法，其技术方案步骤如下：
B1、对丝锭坡面感兴趣区域(ROI：Region Of Interest)(即第一预设区域)进行二值化处理与形态学处理，形态学处理采用开运算，能够除去孤立的小点、毛刺和小桥(连通两块区域的小点)，而总的位置不变，其中所述总的位置指的是坡面位置，如图2二值化处理与形态学处理所示：其中黑色区域为背景，白色区域是对丝锭坡面及坡面以下的区域进行二值化与形态学处理后的效果，面积最大的白色区域是丝锭的坡面，丝锭坡面以下的白色区域是直筒和运动机构进行二值化处理和形态学处理后的效果。
B2、将丝锭坡面的端点5定义为轮廓起点，端点3定义为轮廓终点，按照行遍历的方式，在步骤B1的基础上，将图像从ROI(第一预设区域)的起始行开始，进行行遍历，计算每一行的连续白色像素个数，将白色像素个数最多的那一行作为轮廓终点行，取该行的首尾白色像素作为丝锭坡面终点，如图3坡面终点定位所示，所述丝锭坡面终点为图3中最长的线段的两个端点。
B3、对丝锭坡面ROI(即第一预设区域)中进一步选取直筒区域的ROI(即第二预设区域)，从该ROI区域(即第二预设区域)中间进行依次向左向右遍历，针对每一列，计算该列与相邻n(n大于或等于1)列的灰度梯度，找到灰度梯度最大的那1列，计算该列的从上到下第一个黑色像素位置，作为丝锭坡面起点，即选取连续梯度变化最大的点为左右坡面的起点，如图4坡面起点定位，图4中间的矩形区域为定位坡面起点的搜索区域，该区域中的曲线表示在丝锭坡面上存在灰度梯度变化的轮廓，梯度变化最大的那一列就是图中曲线上最竖直的部分。上述丝锭坡面终点和丝锭坡面起点，即丝锭坡面端点。
作为步骤A2的优选方案，获取丝锭左右坡面的端点后，沿着丝锭的起点向终点进行搜索，获取丝锭坡面轮廓点，其技术方案步骤如下：
C1、根据轮廓起点在黑色像素位置上，向左搜索一个像素位置。
C2、判断该位置像素是否为黑色，如果是，则转到步骤C3，否则转到步骤C4。
C3、向上依次搜索，直到遇到第一个白色像素，则定义该白色像素的下一行黑色像素为轮廓点位置。
C4、向下依次搜索，直到遇到第一个黑色像素，则定义该黑色像素为轮廓点。
C5、对新的轮廓再执行步骤C1操作，得到下一个轮廓点。
C6、遍历遇到轮廓终点或者其他定义停止条件，则终止遍历过程，如图5轮廓跟踪所示，其中白色区域如上文所述的丝锭坡面，黑色区域为上文所述背景，深灰色0表示该丝锭坡面的起点，遍历像素点的过程为：从深灰色0按照箭头移动到达浅灰色0的位置，进行步骤C2判断出浅灰色0点的像素为黑色，则进行步骤C3由浅灰色0向上移动去判断深灰色1，判断深灰色1符合C3、C4的条件，则从深灰色1向左到达深灰色2，即重复C1步骤，图中数字表示遍历像素点的过程。
C7、通过对轮廓点进行隔行采样，即每1行在边缘突变位置只取1个轮廓点，实现对轮廓点的调整，所述边缘突变指的是步骤C3、C4确定的第一个黑色像素点，如图6轮廓调整所示，其中深灰色0点为起点，深灰色1、2、3、4点分别为所述边缘突变点。
作为上述步骤A3的优选方案，丝锭坡面特征提取的方法，其技术方案步骤如下：
D1数据对齐：每个坡面需要256个轮廓点，需要对轮廓点数量进行数据对齐，这里采用“多裁少补”的方式，即当轮廓点数量少于256时，分别按照起点和终点的斜率延伸轮廓点，在起点进行延伸的方法，图5中深灰色0点与深灰色1点，由这两个点计算深灰色0点即起点的斜率α，记深灰色0点的坐标为(x0,y0)，延伸一个点的坐标记为(x-1,y-1)，其中x-1＝x0+1，y-1＝(x-1-x1)*α+y1；当轮廓点数量多于256时，从起点和终点舍弃相同数量的轮廓点，使总的轮廓点维持在256个。
D2特征提取：对丝锭坡面左右两部分轮廓点进行矢量角计算得到左右两个坡面的矢量角数组，将左右两个轮廓的矢量角数组合并，得到一个全新的数组，所述全新的数组记为S，长度为512，前256个值为左矢量角数组，后256个值为右矢量角数组。
采用如下公式计算第i个轮廓点坐标为(xi,yi)的矢量角：
Angle(i)＝(yi-yi-1)/(xi-xi-1)
其中，(xi-1,yi-1)表示第i-1个轮廓点坐标，其中Angle(i)表示第i个轮廓点的矢量角。
作为步骤A4实施例中的优选方案，成形缺陷坡面平整度分级模块的方法，其技术方案步骤如下：
E1构建检测模型：采用3层全连接层作为网络的主体结构分别为全连接层1、全连接层2、全连接层3，全连接层之间以Relu函数为激活函数，网络结构的输入为左坡面256个轮廓点与右坡面256个轮廓点拼接组成的1维数组，长度为1*512。全连接层1的输入特征长度为512，输出特征长度为256；全连接层2的输入特征长度为256，输出特征长度为128；全连接层3的输入特征长度为128，输出特征长度为4，网络最终输出长度为4的特征向量，记为F。
也就是说，本申请实施例中预设的分类器为具有三层全连接层的网络结构，分别为第一全连接层、第二全连接层、第三全连接层，全连接层之间以Relu函数为激活函数，网络结构的输入为丝锭的左坡面256个轮廓点与右坡面256个轮廓点拼接组成长度为1*512的1维数组，其中，第一全连接层的输入为该长度为512的数组，输出为长度为256的特征向量；第二全连接层的输入为该长度为256的特征向量，输出为长度为128的特征向量；第三全连接层的输入为该长度为128的特征向量，输出为长度为4的特征向量，作为该分类器的最终输出，其中，所述4个特征向量的作为预设的4个缺陷等级的置信度。
(E2)对提取的所有坡面轮廓经过网络得到输出长度为4的特征向量为(f0,f1,f2,f3)，记为F，分别是缺陷等级的4个置信度(4个置信度的和为1)，分别对应缺陷等级ok、ng2、ng3和ng4(平整度依次变差)，取最大的置信度对应的缺陷等级作为当前轮廓判定的缺陷等级，并输出。其中，f0对应ok的置信度，f1对应ng2的置信度，f2对应ng3的置信度，f3对应ng4的置信度。例如：有F为(0.6,0.2,0.1,0.1)，最大的值为0.6，代表着当前丝锭坡面ok的置信度最大，则认定当前丝锭坡面等级为ok。
综上所述，本申请实施例提供的化纤丝锭表面平整度检测方法的流程具体如图7所示。
本申请实施例提供的技术方案要解决的问题主要有以下三点：
1)通过上述步骤A1、A2、A3、A4解决丝锭顶部和底部辨识成形缺陷、坡面平整度检测费时费力和漏检的问题；
2)通过上述步骤A2解决连通域提取轮廓方法的不准确问题；
3)通过上述步骤A3、A4解决丝锭成形缺陷坡面平整度检测过程中的分级降等处理的问题。
参见图8，本申请实施例提供的一种化纤丝锭表面平整度检测方法，包括：
S101、通过定位丝锭坡面端点，确定丝锭坡面轮廓，并进一步确定丝锭坡面轮廓特征；
S102、根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级。
该方法通过定位丝锭坡面端点，确定丝锭坡面轮廓，并进一步确定丝锭坡面轮廓特征；根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级，克服了现有技术中存在的工人检测丝锭表面成形缺陷费时、费力、漏检高以及现有方法检测效率低、细微缺陷漏检和鲁棒性差等问题，本申请实施例提供了化纤丝锭表面成形缺陷坡面平整度检测方法，能够准确的提取丝锭轮廓，并快速的进行成形缺陷坡面平整度分级判定。通过该方法分析处理成形缺陷，调整产线的工艺和设备运行状态，减少了成形缺陷的出现。进而提高了产品的质量和产线的效率。
可选地，定位所述丝锭坡面端点，具体包括：
对丝锭坡面的第一预设区域(即ROI区域)进行二值化处理与形态学处理；
按照从丝锭坡面预设的轮廓起点到轮廓终点的顺序，进行行遍历，计算每一行的连续白色像素个数，将白色像素个数最多的行作为轮廓终点行，取该白色像素个数最多的行的首尾白色像素作为丝锭坡面终点；
从所述丝锭坡面的第一预设区域中选取直筒区域的第二预设区域(即ROI区域)，从第二预设区域中间进行依次向左向右遍历，针对每一列，计算该列与相邻n列的灰度梯度，找到灰度梯度最大的列，将该灰度梯度最大的列的从上到下第一个黑色像素位置，作为丝锭坡面起点，其中，n为大于或等于1的整数。
可选地，所述确定丝锭坡面轮廓，具体包括：
按照丝锭坡面起点向丝锭坡面终点的顺序进行搜索，对于每一当前像素位置：
若当前像素位置为黑色像素，则向上搜索到第一个白色像素时，确定该第一个白色像素的前一黑色像素为丝锭坡面轮廓点；
若当前像素位置为白色像素，则将向下搜索到的第一个黑色像素确定为丝锭坡面轮廓点。
可选地，所述确定丝锭坡面轮廓特征，具体包括：
确定丝锭坡面轮廓的轮廓点之间的矢量角，将矢量角组成的一维向量作为丝锭坡面轮廓特征。
可选地，确定丝锭坡面轮廓特征时所采用的轮廓点是采用如下方式进行数据对齐后的轮廓点：
针对丝锭的每一坡面：
当轮廓点数量少于256时，分别按照丝锭坡面起点和丝锭坡面终点的斜率扩展轮廓点，使得扩展后的轮廓点数量为256；
当轮廓点数量多于256时，从丝锭坡面起点和丝锭坡面终点分别舍弃相同数量的轮廓点，使得剩余的总的轮廓点数量为256。
可选地，采用如下的公式计算所述矢量角：
Angle(i)＝(yi-yi-1)/(xi-xi-1)
其中，(xi,yi)表示第i个轮廓点坐标，(xi-1,yi-1)表示第i-1个轮廓点坐标。
可选地，根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，具体包括：
针对提取的丝锭的每一坡面的轮廓特征：
将该坡面的轮廓特征输入预设分类器，通过该分类器输出特征向量；所述特征向量中的每一向量值分别对应一缺陷等级的置信度；
确定所述分类器输出的特征向量中最大向量值所对应的置信度，将该置信度对应的缺陷等级作为当前丝锭坡面的缺陷等级。
相应地，参见图9，本申请实施例提供的一种化纤丝锭表面平整度检测装置，包括：
丝锭坡面端点定位模块21，用于定位丝锭坡面端点；
丝锭坡面轮廓提取模块22，用于通过丝锭坡面端点，确定丝锭坡面轮廓；
丝锭坡面轮廓特征提取模块23，用于确定丝锭坡面轮廓特征；
成形缺陷坡面平整度分级模块24，用于根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级。
上述各模块执行的具体功能或优选实施例，通上述方法部分中的描述，此处不再赘述。
需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
参见图10，本申请实施例提供了一种计算设备，该计算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)等。该计算设备可以包括中央处理器(Center Processing Unit，CPU)12、存储器11、输入/输出设备等(图中未示出)，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode RayTube，CRT)等。
存储器11可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中，存储器可以用于存储本申请实施例提供的任一所述方法的程序。
处理器12通过调用存储器存储的程序指令，处理器用于按照获得的程序指令执行本申请实施例提供的任一所述方法。
本申请实施例提供了一种计算机存储介质，用于储存为上述本申请实施例提供的装置所用的计算机程序指令，其包含用于执行上述本申请实施例提供的任一方法的程序。
所述计算机存储介质可以是计算机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(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
上述方法处理流程可以用软件程序实现，该软件程序可以存储在存储介质中，当存储的软件程序被调用时，执行上述方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种化纤丝锭表面平整度检测方法，其特征在于，该方法包括：
通过定位丝锭坡面端点，确定丝锭坡面轮廓，并进一步确定丝锭坡面轮廓特征；
根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级；
其中，所述定位丝锭坡面端点，具体包括：
对丝锭坡面的第一预设区域进行二值化处理与形态学处理；其中，所述第一预设区域指的是丝锭坡面感兴趣区域；其中，黑色区域为背景，白色区域是丝锭坡面及坡面以下的区域，丝锭坡面以下的白色区域是直筒和运动机构；
按照从丝锭坡面预设的轮廓起点到轮廓终点的顺序，进行行遍历，计算每一行的连续白色像素个数，将白色像素个数最多的行作为轮廓终点行，取该白色像素个数最多的行的首尾白色像素作为丝锭坡面终点；
从所述丝锭坡面的第一预设区域中选取直筒区域的第二预设区域，从第二预设区域中间进行依次向左向右遍历，针对每一列，计算该列与相邻n列的灰度梯度，找到灰度梯度最大的列，将该灰度梯度最大的列的从上到下第一个黑色像素位置，作为丝锭坡面起点，其中，n为大于或等于1的整数；
其中，所述通过定位丝锭坡面端点，确定丝锭坡面轮廓，包括：
获取丝锭左坡面的端点后，沿着丝锭的起点向终点进行搜索，获取丝锭坡面轮廓点，步骤包括：
C1、根据轮廓起点在黑色像素位置上，向左搜索一个像素位置；
C2、判断该位置像素是否为黑色，如果是，则转到步骤C3，否则转到步骤C 4；
C3、向上依次搜索，直到遇到第一个白色像素，则定义该白色像素的下一行黑色像素为轮廓点位置；
C4、向下依次搜索，直到遇到第一个黑色像素，则定义该黑色像素为轮廓点；
C5、对新的轮廓再执行步骤C1～C4操作，得到下一个轮廓点；
C6、遍历遇到轮廓终点，则终止遍历过程；
C7、对于每一行轮廓点，在边缘突变位置只取1个轮廓点，其中所述边缘突变指的是步骤C3、C4确定的第一个黑色像素点。
2.根据权利要求1所述的方法，其特征在于，所述确定丝锭坡面轮廓特征，具体包括：
确定丝锭坡面轮廓的轮廓点之间的矢量角，将矢量角组成的一维向量作为丝锭坡面轮廓特征。
3.根据权利要求2所述的方法，其特征在于，采用如下的公式计算所述矢量角：
Angle(i)＝(yi-yi-1)/(xi-xi-1)
其中，(xi,yi)表示第i个轮廓点坐标，(xi-1,yi-1)表示第i-1个轮廓点坐标。
4.根据权利要求1所述的方法，其特征在于，根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，具体包括：
针对提取的丝锭的每一坡面的轮廓特征：
将该坡面的轮廓特征输入预设分类器，通过该分类器输出特征向量；所述特征向量中的每一向量值分别对应一缺陷等级的置信度；
确定所述分类器输出的特征向量中最大向量值所对应的置信度，将该置信度对应的缺陷等级作为当前丝锭坡面的缺陷等级。
5.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至4任一项所述的方法。
6.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行权利要求1至4任一项所述的方法。
7.一种化纤丝锭表面平整度检测装置，其特征在于，包括：
丝锭坡面端点定位模块，用于定位丝锭坡面端点；
丝锭坡面轮廓提取模块，用于通过丝锭坡面端点，确定丝锭坡面轮廓；
丝锭坡面轮廓特征提取模块，用于确定丝锭坡面轮廓特征；
成形缺陷坡面平整度分级模块，用于根据所述丝锭坡面轮廓特征，进行丝锭坡面成形缺陷分级检测，输出丝锭坡面缺陷等级；
其中，所述定位丝锭坡面端点，具体包括：
对丝锭坡面的第一预设区域进行二值化处理与形态学处理；其中，所述第一预设区域指的是丝锭坡面感兴趣区域；其中，黑色区域为背景，白色区域是丝锭坡面及坡面以下的区域，丝锭坡面以下的白色区域是直筒和运动机构；
按照从丝锭坡面预设的轮廓起点到轮廓终点的顺序，进行行遍历，计算每一行的连续白色像素个数，将白色像素个数最多的行作为轮廓终点行，取该白色像素个数最多的行的首尾白色像素作为丝锭坡面终点；
从所述丝锭坡面的第一预设区域中选取直筒区域的第二预设区域，从第二预设区域中间进行依次向左向右遍历，针对每一列，计算该列与相邻n列的灰度梯度，找到灰度梯度最大的列，将该灰度梯度最大的列的从上到下第一个黑色像素位置，作为丝锭坡面起点，其中，n为大于或等于1的整数；
其中，所述通过定位丝锭坡面端点，确定丝锭坡面轮廓，包括：
获取丝锭左坡面的端点后，沿着丝锭的起点向终点进行搜索，获取丝锭坡面轮廓点，步骤包括：
C1、根据轮廓起点在黑色像素位置上，向左搜索一个像素位置；
C2、判断该位置像素是否为黑色，如果是，则转到步骤C3，否则转到步骤C 4；
C3、向上依次搜索，直到遇到第一个白色像素，则定义该白色像素的下一行黑色像素为轮廓点位置；
C4、向下依次搜索，直到遇到第一个黑色像素，则定义该黑色像素为轮廓点；
C5、对新的轮廓再执行步骤C1～C4操作，得到下一个轮廓点；
C6、遍历遇到轮廓终点，则终止遍历过程；
C7、对于每一行轮廓点，在边缘突变位置只取1个轮廓点，其中所述边缘突变指的是步骤C3、C4确定的第一个黑色像素点。
CN202110293675.XA 2021-03-19 2021-03-19 化纤丝锭表面平整度检测方法及装置 Active CN113096073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110293675.XA CN113096073B (zh) 2021-03-19 2021-03-19 化纤丝锭表面平整度检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110293675.XA CN113096073B (zh) 2021-03-19 2021-03-19 化纤丝锭表面平整度检测方法及装置

Publications (2)

Publication Number Publication Date
CN113096073A CN113096073A (zh) 2021-07-09
CN113096073B true CN113096073B (zh) 2022-10-18

Family

ID=76668685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110293675.XA Active CN113096073B (zh) 2021-03-19 2021-03-19 化纤丝锭表面平整度检测方法及装置

Country Status (1)

Country Link
CN (1) CN113096073B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343185A (ja) * 2005-06-08 2006-12-21 Daihatsu Motor Co Ltd 表面欠陥検査装置
CN101706443A (zh) * 2009-03-27 2010-05-12 上海工程技术大学 一种服装面料接缝平整度评定方法
CN107808378A (zh) * 2017-11-20 2018-03-16 浙江大学 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN108090896A (zh) * 2017-12-14 2018-05-29 北京木业邦科技有限公司 木板平整度检测及其机器学习方法、装置及电子设备
CN108171707A (zh) * 2018-01-23 2018-06-15 武汉精测电子集团股份有限公司 一种基于深度学习的Mura缺陷等级评判方法及装置
CN109085181A (zh) * 2018-09-14 2018-12-25 河北工业大学 一种用于管路连接件的表面缺陷检测装置及检测方法
CN109359703A (zh) * 2018-12-19 2019-02-19 佛山科学技术学院 一种基于决策树的瓷砖等级分类方法
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
CN109934817A (zh) * 2019-03-21 2019-06-25 大连大学 一种果体外部轮廓畸形检测方法
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN110264448A (zh) * 2019-06-06 2019-09-20 中南大学 一种基于机器视觉的绝缘子故障检测方法
CN112170762A (zh) * 2020-09-22 2021-01-05 高密三江机械制造有限公司 一种新型平锻机用电气控制系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152780B2 (en) * 2015-11-02 2018-12-11 Cognex Corporation System and method for finding lines in an image with a vision system
CN108021938A (zh) * 2017-11-29 2018-05-11 中冶南方工程技术有限公司 一种冷轧带钢表面缺陷在线检测方法以及检测系统
CN108830848B (zh) * 2018-05-25 2022-07-05 深圳科亚医疗科技有限公司 利用计算机确定血管上的血管状况参数的序列的装置和系统
CN110415241A (zh) * 2019-08-02 2019-11-05 同济大学 一种基于计算机视觉的混凝土构件表面质量检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343185A (ja) * 2005-06-08 2006-12-21 Daihatsu Motor Co Ltd 表面欠陥検査装置
CN101706443A (zh) * 2009-03-27 2010-05-12 上海工程技术大学 一种服装面料接缝平整度评定方法
CN107808378A (zh) * 2017-11-20 2018-03-16 浙江大学 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN108090896A (zh) * 2017-12-14 2018-05-29 北京木业邦科技有限公司 木板平整度检测及其机器学习方法、装置及电子设备
CN108171707A (zh) * 2018-01-23 2018-06-15 武汉精测电子集团股份有限公司 一种基于深度学习的Mura缺陷等级评判方法及装置
CN109085181A (zh) * 2018-09-14 2018-12-25 河北工业大学 一种用于管路连接件的表面缺陷检测装置及检测方法
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
CN109359703A (zh) * 2018-12-19 2019-02-19 佛山科学技术学院 一种基于决策树的瓷砖等级分类方法
CN109934817A (zh) * 2019-03-21 2019-06-25 大连大学 一种果体外部轮廓畸形检测方法
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN110264448A (zh) * 2019-06-06 2019-09-20 中南大学 一种基于机器视觉的绝缘子故障检测方法
CN112170762A (zh) * 2020-09-22 2021-01-05 高密三江机械制造有限公司 一种新型平锻机用电气控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王泽霞 等.基于改进卷积神经网络的化纤丝饼表面缺陷识别.《纺织学报》.2020,第41卷(第04期),第39-44页. *

Also Published As

Publication number Publication date
CN113096073A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN110659644B (zh) 书法单字的笔画自动提取方法
CN110188778B (zh) 基于影像提取结果的居民区要素轮廓规则化方法
Li et al. Application of multi-scale feature fusion and deep learning in detection of steel strip surface defect
CN111507971A (zh) 一种隧道表面缺陷检测方法
CN114187289B (zh) 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN101106716A (zh) 一种分水岭图象分割处理方法
Shi et al. An improved faster R-CNN for steel surface defect detection
CN110738106A (zh) 一种基于fpga的光学遥感图像船舶检测方法
CN114219805A (zh) 一种玻璃缺陷智能检测方法
CN110598581B (zh) 基于卷积神经网络的光学乐谱识别方法
CN109724988B (zh) 一种基于多模板匹配的pcb板缺陷定位方法
CN109850518B (zh) 一种基于红外图像的实时矿用胶带预警撕裂检测方法
CN116539619B (zh) 产品缺陷检测方法、系统、装置及存储介质
CN113240623A (zh) 一种路面病害检测方法及装置
TW202127371A (zh) 基於圖像的瑕疵檢測方法及電腦可讀存儲介質
CN104778458A (zh) 一种基于纹理特征的纺织品花纹检索方法
US20130064468A1 (en) Methods and Apparatus for Image Analysis and Modification Using Fast Sliding Parabola Erosian
CN115147416A (zh) 一种倒绳机乱绳检测方法、装置和计算机设备
CN115439866A (zh) 一种针对三线表的表格结构识别的方法、设备和存储介质
CN105069766B (zh) 一种基于汉字图像轮廓特征描述的碑文修复方法
CN113096073B (zh) 化纤丝锭表面平整度检测方法及装置
CN108492345B (zh) 一种基于尺度变换的数据块划分方法
CN109242819B (zh) 一种基于图像处理的表面擦伤缺陷联通的算法

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
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