CN113129305B - 丝锭状态的确定方法、装置、存储介质及电子装置 - Google Patents

Abstract

本发明实施例提供了一种丝锭状态的确定方法、装置、存储介质及电子装置，其中，该方法包括：获取对目标丝锭进行拍摄所得到的目标图像；对目标图像进行分析，以得到分析结果；在基于分析结果确定目标丝锭中存在尾丝的情况下，对目标图像中包括的目标区域图像进行检测以确定尾丝的状态，其中，目标区域图像为包括尾丝所在的第一区域的第二区域的图像；基于尾丝的状态确定目标丝锭的状态。通过本发明，解决了相关技术中存在的确定丝锭状态不准确的问题，提高了确定丝锭状态的准确率。

Description

丝锭状态的确定方法、装置、存储介质及电子装置

技术领域

本发明实施例涉及通信领域，具体而言，涉及一种丝锭状态的确定方法、装置、存储介质及电子装置。

背景技术

在相关技术中，在根据尾丝判断丝锭的状态时，通常是确定丝锭有无尾丝做判断，在存在尾丝的情况下，认为丝锭的状态正常，在不存在尾丝的情况下，则认为丝锭的状态异常。然而，在丝锭存在尾丝的情况下，也存在尾丝异常而导致丝锭异常的情况。

由此可知，相关技术中存在确定丝锭状态不准确的问题。

针对相关技术中存在的上述问题，目前尚未提出有效的技术方案。

发明内容

本发明实施例提供了一种丝锭状态的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的确定丝锭状态不准确的问题。

根据本发明的一个实施例，提供了一种丝锭状态的确定方法，包括：获取对目标丝锭进行拍摄所得到的目标图像；对所述目标图像进行分析，以得到分析结果；在基于所述分析结果确定所述目标丝锭中存在尾丝的情况下，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态，其中，所述目标区域图像为包括所述尾丝所在的第一区域的第二区域的图像；基于所述尾丝的状态确定所述目标丝锭的状态。

根据本发明的另一个实施例，提供了一种丝锭状态的确定装置，包括：获取模块，用于获取对目标丝锭进行拍摄所得到的目标图像；分析模块，用于对所述目标图像进行分析，以得到分析结果；第一确定模块，用于在基于所述分析结果确定所述目标丝锭中存在尾丝的情况下，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态，其中，所述目标区域图像为包括所述尾丝所在的第一区域的第二区域的图像；第二确定模块，用于基于所述尾丝的状态确定所述目标丝锭的状态。

根据本发明的又一个实施例，还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，获取对目标丝锭进行拍摄所得到的目标图像；对目标图像进行分析，以得到分析结果，在根据分析结果确定目标丝锭中存在尾丝的情况下，对目标图像中包括的目标区域图像进行检测以确定尾丝的状态，再根据尾丝的状态确定目标丝锭的状态。由于可以通过尾丝的状态来确定丝锭的状态，避免了只检测尾丝是否存在而确定丝锭是否正常导致检测异常的情况发生，因此，可以解决相关技术中存在的确定丝锭状态不准确的问题，提高了确定丝锭状态的准确率。

附图说明

图1是本发明实施例的一种丝锭状态的确定方法的移动终端的硬件结构框图；

图2是根据本发明实施例的丝锭状态的确定方法的流程图；

图3是根据本发明示例性实施例的yolov3-tiny网络结构图；

图4是根据本发明示例性实施例的对目标区域图像进行划分示意图；

图5是根据本发明示例性实施例的检测区域图像示意图；

图6是根据本发明示例性实施例的分割二值图示意图；

图7是根据本发明示例性实施例的对分割二值图进行第一处理后得到的包括直线的示意图；

图8是根据本发明示例性实施例的对连通域和直线进行融合得到的图像的示意图；

图9是根据本发明具体实施例的丝锭状态的确定方法流程图；

图10是根据本发明实施例的丝锭状态的确定装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种丝锭状态的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的丝锭状态的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种丝锭状态的确定方法，图2是根据本发明实施例的丝锭状态的确定方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，获取对目标丝锭进行拍摄所得到的目标图像；

步骤S204，对所述目标图像进行分析，以得到分析结果；

步骤S206，在基于所述分析结果确定所述目标丝锭中存在尾丝的情况下，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态，其中，所述目标区域图像为包括所述尾丝所在的第一区域的第二区域的图像；

步骤S208，基于所述尾丝的状态确定所述目标丝锭的状态。

在上述实施例中，目标丝锭可以为化纤丝锭，目标图像可以是对目标丝锭进行拍摄所得到的图像。目标丝锭可以是将化纤丝在纸筒上缠绕得到的丝锭，在缠绕完成后，可以将目标丝锭看成两部分，一部分是包含化纤丝的部分，另一部分是包含尾丝的部分。包含化纤丝的部分是将化纤丝一圈一圈的缠绕在一起的部分，因此，此部分的直径较大。而包含尾丝的部分则是在缠绕即将完成后，将尾丝在纸筒上缠绕若干圈而得到的部分，因此，包含尾丝的部分的直径较小。

在上述实施例中，第二区域可以为将目标图像划分为两部分中的包括尾丝的部分。第二区域的宽度与目标图像的宽度相同。由于尾丝部分的缠绕圈数较小，因此，第二区域中包括的空白区域，第一区域则为将第二区域中去除空白区域的区域。第一区域中仅包括尾丝部分。

在上述实施例中，在分析目标丝锭的尾丝状态时，可以对目标推向中包括的目标区域图像进行检测，目标区域图像中仅包括尾丝部分，减少了运算量，提高了检测速度。

可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有图像获取设备以及数据处理设备的机器，其中，图像获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。

通过本发明，获取对目标丝锭进行拍摄所得到的目标图像；对目标图像进行分析，以得到分析结果，在根据分析结果确定目标丝锭中存在尾丝的情况下，对目标图像中包括的目标区域图像进行检测以确定尾丝的状态，再根据尾丝的状态确定目标丝锭的状态。由于可以通过尾丝的状态来确定丝锭的状态，避免了只检测尾丝是否存在而确定丝锭是否正常导致检测异常的情况发生，因此，可以解决存在的确定丝锭状态不准确的问题，提高了确定丝锭状态的准确率。

在一个示例性实施例中，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态包括：使用目标模型对所述目标图像分析，以确定所述目标图像中包括的所述目标区域图像，其中，所述目标模型为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据包括：丝锭的图像和丝锭中的尾丝区域；对所述目标区域图像进行检测以确定所述尾丝的状态。在本实施例中，使用深度学习网络检测尾丝和定位丝锭尾丝部分；判断是否存在尾丝，如果尾丝不存在则不做多尾检测。如果存在尾丝，则根据目标模型对目标图像进行分析，确定出目标区域图像。其中，尾丝区域可以为尾丝区域的图像，也可以为尾丝区域的标识参数。

在上述实施例中，尾丝检测主要区域是在纸管尾部，没有尾丝的丝锭则不存在多尾的情况，因此，可以先进行尾丝的检测，如果存在尾丝则进行后续操作。尾丝的检测可以使用yolov3-tiny模型，yolov3-tiny具有两个尺度的独立输出分支，为的是输出尺度不同的物体。尾丝的尺度大小相对固定，因此，可以直接使用一个输出分支。其中，yolov3-tiny网络结构图可参见附图3。如果存在尾丝，需要对尾丝区域进行定位，即确定目标区域图像。确定目标区域图像也可以使用yolov3-tiny网络，因此，可以直接使用yolov3-tiny输出尾丝和区域两个类型。

在一个示例性实施例中，对所述目标区域图像进行检测以确定所述尾丝的状态包括：确定所述目标区域图像中包括的检测区域图像，其中，所述检测区域图像为所述第一区域的图像；对所述检测区域图像进行检测以确定所述尾丝的状态。在本实施例中，在确定尾丝的状态时，可以对目标区域图像再进行划分，确定出检测区域图像，对检测区域图像进行检测，以确定出尾丝的状态。

在一个示例性实施例中，确定所述目标区域图像中包括的检测区域图像包括：分别确定所述目标区域图像中的每一行像素点中包括的第一像素点以及第二像素点，以得到多个所述第一像素点和多个所述第二像素点，其中，所述第一像素点为按照第一方向依次获取的同一行像素点中包括的第一相邻像素点中的后一个像素点，所述第一相邻像素点之间的第一灰度值变化量大于预定阈值，所述第二像素点为按照第二方向依次获取同一行像素点中包括的第二相邻像素点中的后一个像素点，所述第二相邻两个像素点之间的第二灰度值变化量大于所述预定阈值，所述第一方向和所述第二方向的方向相反；基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像。在本实施例中，第一方向可以为从左到右的方向，第二方向可以为从右到左的方向，对每一行像素点，分别从外到内确定相邻两个像素点之间的灰度值变化量，当出现灰度值变化量大于预定阈值的像素点后，将相邻两个像素点中的后一个像素点确定为第一像素点或第二像素点。在确定出第一像素点后，则再确定下一行像素点中的第一像素点，在确定出第二像素点后，再确定下一行像素点中的第二像素点，重复到最后一行，得到多个第一像素点和第二像素点。再根据多个第一像素点和多个第二像素点确定出检测区域。即可以根据第一像素点和第二像素点确定出检测区域的左右边界。再按照上述方法，逐列遍历，确定出检测区域的上下边界，即可确定出检测区域的上下边界。

在上述实施例中，确定检测区域的上下边界包括：分别确定所述目标区域图像中的每一列像素点中包括的第三像素点以及第四像素点，以得到多个所述第三像素点和多个所述第四像素点，其中，所述第三像素点为按照第三方向依次获取的同一列像素点中包括的第三相邻像素点中的后一个像素点，所述第三相邻像素点之间的第三灰度值变化量大于设定的阈值，所述第四像素点为按照第四方向依次获取同一列像素点中包括的第四相邻像素点中的后一个像素点，所述第四相邻两个像素点之间的第四灰度值变化量大于设定的阈值，所述第三方向和所述第四方向的方向相反。

在一个示例性实施例中，基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像包括：将所述目标区域图像划分为多个列单元；确定多个所述列单元中包括的每个所述列单元中包括的第一像素点的数量或者第二像素点的数量；将包括所述第一像素点的数量最多的所述列单元确定为所述检测区域图像的第一边界；将包括所述第二像素点的数量最多的所述列单元确定为所述检测区域图像的第二边界；基于所述第一边界和所述第二边界确定所述检测区域图像。在本实施例中，在上述实施例中，使用网络提取的尾丝区域(即目标区域图像)比较粗糙，因此，可以对目标区域图像进行精细化，以得到检测区域图像。尾丝部分两侧边缘均接近垂直，可以拟合为直线。步骤如下：

i.从一端开始向内做遍历；如果遇到梯度大的灰度值，则保存该点，进行下一行的判断；重复到最后一行。

ii.将保存的点集按照x轴方向，间隔5像素(该取值仅是一种示例性说明，本发明对划分间隔不做限制)，划分成若干个点集。

iii.取出个数最多的点集，使用最小二乘法拟合直线，作为纸筒一侧边缘。

两侧边缘以及上侧边缘均按照如上方法提取出边缘直线。如此可以提取出三个区域，其中，对目标区域图像进行划分示意图可参见附图4，如图4所示，目标区域图像可以包括纸筒量测的区域a图像、区域c图像，尾丝缠绕纸筒区域b图像，其中，区域b图像即为检测区域图像。

在一个示例性实施例中，对所述检测区域图像进行检测以确定所述尾丝的状态包括：对所述检测区域图像进行分割处理，以得到分割二值图，其中，所述分割二值图用于标识包括丝线的区域和除包括丝线的区域之外的区域；对所述分割二值图进行第一处理，以确定出所述分割二值图中包括的直线；对所述分割二值图进行第二处理，以确定出所述分割二值图中包括的连通域；将所述连通域与所述直线进行融合，以确定出目标直线；基于所述目标直线确定所述尾丝的状态。在本实施例中，将尾丝所在部位提出出来后，即确定出检测区域后，可以使用自动阈值算法分割尾丝部分，例如，使用大津算法自动获得灰度阈值，针对每张尾丝图像都能够判断最合适的阈值来分割尾丝，得到分割二值图。由于丝线基本形状呈现直线，因此，可以对图像做直线提取，提取出丝线的直线表达形式。即第一处理可以为直线提取处理。还可以对分割二值图进行膨胀腐蚀处理，以确定分割二值图中包括的连通域。将连通域与提取出的直线做融合处理，得到既属于直线又属于连通域的目标直线。根据目标直线确定尾丝的状态。其中，检测区域图像示意图可参见附图5，分割二值图示意图可参见附图6，对分割二值图进行第一处理后得到的包括直线的示意图可参见附图7，对连通域和直线进行融合得到的图像的示意图可参见附图8。

在一个示例性实施例中，基于所述目标直线确定所述尾丝的状态：确定所述目标直线中包括的每条直线的标识信息；将所述检测区域划分为多个行单元；基于所述标识信息以及多个所述行单元确定所述尾丝的状态。在本实施例中，可以对分割二值图使用连通域区域判断，拆分每个候选丝线掩码，并区分个体。即可以为每条丝线分配标识信息，将提取出的直线和连通域区域做并操作，提取出既属于直线又属于连通域的掩码ID，并且过滤非丝线区域。将既属于直线又属于连通域的丝线作为目标直线。确定出目标直线中包括的每条直线的标识信息，根据每个直线的标识信息确定直线在检测区域的位置，根据标识信息在检测区域的位置确定出尾丝的状态。

在一个示例性实施例中，基于所述标识信息以及多个所述行单元确定所述尾丝的状态包括以下至少之一：在同一行单元中包括多个不同的所述标识信息的情况下，确定包括多个不同的所述标识信息的行单元的第一数量，在所述第一数量大于预设数量的情况下，确定所述尾丝状态为异常状态；在同一行单元中包括多个相同的所述标识信息的情况下，确定所述标识信息的对应的第一直线的第一位置信息，在所述第一位置信息与所述尾丝的位置相交的情况下，确定所述尾丝状态为异常状态；在同一行单元中包括一个所述标识信息的情况下，确定所述标识信息对应的第二直线的横向跨度以及第二位置信息，在所述横向跨度大于预定跨度且所述第二位置信息与所述尾丝的位置相交的情况下，确定所述尾丝状态为异常状态。在本实施例中，多尾的表现形式为一个丝锭上有多根丝线缠绕到尾丝上。按照这一个特性，判断尾丝的状态的依据可以为：

a)若同一行有超过一根以上不同ID的丝线，并且行数超过一定阈值。

b)若同一行有同一ID丝线超过两次，并且该ID丝线最下端掩码到尾丝部分。

c)若同一行有同一ID丝线，最大相连跨距超过阈值，并且该ID丝线最下端掩码到尾丝部分。

在上述实施例中，在确定出尾丝状态为异常状态的情况下，则可以确定目标丝锭的状态为异常状态。其中，异常状态可以包括多尾、尾丝缠绕松散、尾丝中存在尾结等。

在一个示例性实施例中，在对所述目标图像进行分析，以得到分析结果之后，所述方法还包括：在基于所述分析结果确定所述目标丝锭中不存在尾丝的情况下，确定所述尾丝状态为异常状态。在本实施例中，在根据对目标图像进行分析得到的分析结果确定出目标丝锭中不存在尾丝的情况下，则可以确定尾丝状态为异常状态。

下面结合具体实施方式对丝锭状态的确定方法进行说明：

图9是根据本发明具体实施例的丝锭状态的确定方法流程图，如图9所示，首先使用深度学习网络检测尾丝和定位丝锭尾丝部分；判断是否存在尾丝，如果尾丝不存在则不做多尾检测；如果存在尾丝，则定位尾丝两侧纸筒位置，确定丝锭与尾丝之间的区域；判断尾丝区域是否存在尾节，如果存在则报警；如果不存在，则对尾丝区域进行阈值分割；对分割图进行连通域提取以及直线检测；使用直线检测结果过滤连通域区域；统计尾丝下垂的根数，如果丝线根数超过阈值则报警。

在前述实施例中，精细定位检测区域，提高尾丝区域的定位；并且使用多种条件判断尾丝缺陷，保证检测的结果的精准度。使用大津算法自动计算灰度阈值进行传统的阈值分割，提高丝线的检测效率和精度。使用深度学习和传统方案结合的方法，能够更加准确的判断尾丝的状态，从而检测多尾缺陷，使用多个条件判断多尾，保证了多尾检测的可靠性，降低误检率。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种丝锭状态的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图10是根据本发明实施例的丝锭状态的确定装置的结构框图，如图10所示，该装置包括：

获取模块1002，用于获取对目标丝锭进行拍摄所得到的目标图像；

分析模块1004，用于对所述目标图像进行分析，以得到分析结果；

第一确定模块1006，用于在基于所述分析结果确定所述目标丝锭中存在尾丝的情况下，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态，其中，所述目标区域图像为包括所述尾丝所在的第一区域的第二区域的图像；

第二确定模块1008，用于基于所述尾丝的状态确定所述目标丝锭的状态。

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式实现对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态包括：使用目标模型对所述目标图像分析，以确定所述目标图像中包括的所述目标区域图像，其中，所述目标模型为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据包括：丝锭的图像和丝锭中的尾丝区域；对所述目标区域图像进行检测以确定所述尾丝的状态。在本实施例中，

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式实现对所述目标区域图像进行检测以确定所述尾丝的状态：确定所述目标区域图像中包括的检测区域图像，其中，所述检测区域图像为所述第一区域的图像；对所述检测区域图像进行检测以确定所述尾丝的状态。在本实施例中，

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式实现确定所述目标区域图像中包括的检测区域图像：分别确定所述目标区域图像中的每一行像素点中包括的第一像素点以及第二像素点，以得到多个所述第一像素点和多个所述第二像素点，其中，所述第一像素点为按照第一方向依次获取的同一行像素点中包括的第一相邻像素点中的后一个像素点，所述第一相邻像素点之间的第一灰度值变化量大于预定阈值，所述第二像素点为按照第二方向依次获取同一行像素点中包括的第二相邻像素点中的后一个像素点，所述第二相邻两个像素点之间的第二灰度值变化量大于所述预定阈值，所述第一方向和所述第二方向的方向相反；基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像。在本实施例中，

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式实现基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像：将所述目标区域图像划分为多个列单元；确定多个所述列单元中包括的每个所述列单元中包括的第一像素点的数量或者第二像素点的数量；将包括所述第一像素点的数量最多的所述列单元确定为所述检测区域图像的第一边界；将包括所述第二像素点的数量最多的所述列单元确定为所述检测区域图像的第二边界；基于所述第一边界和所述第二边界确定所述检测区域图像。在本实施例中，

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式实现对所述检测区域图像进行检测以确定所述尾丝的状态：对所述检测区域图像进行分割处理，以得到分割二值图，其中，所述分割二值图用于标识包括丝线的区域和除包括丝线的区域之外的区域；对所述分割二值图进行第一处理，以确定出所述分割二值图中包括的直线；对所述分割二值图进行第二处理，以确定出所述分割二值图中包括的连通域；将所述连通域与所述直线进行融合，以确定出目标直线；基于所述目标直线确定所述尾丝的状态。在本实施例中，

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式实现基于所述目标直线确定所述尾丝的状态：确定所述目标直线中包括的每条直线的标识信息；将所述检测区域划分为多个行单元；基于所述标识信息以及多个所述行单元确定所述尾丝的状态。在本实施例中，

在一个示例性实施例中，所述第一确定模块1006可以通过如下方式至少之一实现基于所述标识信息以及多个所述行单元确定所述尾丝的状态：在同一行单元中包括多个不同的所述标识信息的情况下，确定包括多个不同的所述标识信息的行单元的第一数量，在所述第一数量大于预设数量的情况下，确定所述尾丝状态为异常状态；在同一行单元中包括多个相同的所述标识信息的情况下，确定所述标识信息的对应的第一直线的第一位置信息，在所述第一位置信息与所述尾丝的位置相交的情况下，确定所述尾丝状态为异常状态；在同一行单元中包括一个所述标识信息的情况下，确定所述标识信息对应的第二直线的横向跨度以及第二位置信息，在所述横向跨度大于预定跨度且所述第二位置信息与所述尾丝的位置相交的情况下，确定所述尾丝状态为异常状态。

在一个示例性实施例中，所述装置可以用于在对所述目标图像进行分析，以得到分析结果之后，在基于所述分析结果确定所述目标丝锭中不存在尾丝的情况下，确定所述尾丝状态为异常状态。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种丝锭状态的确定方法，其特征在于，包括：

获取对目标丝锭进行拍摄所得到的目标图像；

对所述目标图像进行分析，以得到分析结果；

在基于所述分析结果确定所述目标丝锭中存在尾丝的情况下，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态，其中，所述目标区域图像为包括所述尾丝所在的第一区域的第二区域的图像；

基于所述尾丝的状态确定所述目标丝锭的状态；

对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态包括：使用目标模型对所述目标图像分析，以确定所述目标图像中包括的所述目标区域图像；确定所述目标区域图像中包括的检测区域图像，其中，所述检测区域图像为所述第一区域的图像；对所述检测区域图像进行分割处理，以得到分割二值图，其中，所述分割二值图用于标识包括丝线的区域和除包括丝线的区域之外的区域；对所述分割二值图进行第一处理，以确定出所述分割二值图中包括的直线；对所述分割二值图进行第二处理，以确定出所述分割二值图中包括的连通域；将所述连通域与所述直线进行融合，以确定出目标直线，所述目标直线为既属于所述直线又属于所述连通域的丝线；基于所述目标直线确定所述尾丝的状态；

确定所述目标区域图像中包括的检测区域图像包括：分别确定所述目标区域图像中的每一行像素点中包括的第一像素点以及第二像素点，以得到多个所述第一像素点和多个所述第二像素点，其中，所述第一像素点为按照第一方向依次获取的同一行像素点中包括的第一相邻像素点中的后一个像素点，所述第一相邻像素点之间的第一灰度值变化量大于预定阈值，所述第二像素点为按照第二方向依次获取同一行像素点中包括的第二相邻像素点中的后一个像素点，所述第二相邻两个像素点之间的第二灰度值变化量大于所述预定阈值，所述第一方向和所述第二方向的方向相反；基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像。

2.根据权利要求1所述的方法，其特征在于，

所述目标模型为使用多组训练数据通过机器学习训练出的，所述多组训练数据中的每组数据包括：丝锭的图像和丝锭中的尾丝区域。

3.根据权利要求1所述的方法，其特征在于，基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像包括：

将所述目标区域图像划分为多个列单元；

确定多个所述列单元中包括的每个所述列单元中包括的第一像素点的数量或者第二像素点的数量；

将包括所述第一像素点的数量最多的所述列单元确定为所述检测区域图像的第一边界；

将包括所述第二像素点的数量最多的所述列单元确定为所述检测区域图像的第二边界；

基于所述第一边界和所述第二边界确定所述检测区域图像。

4.根据权利要求1所述的方法，其特征在于，基于所述目标直线确定所述尾丝的状态：

确定所述目标直线中包括的每条直线的标识信息；

将所述检测区域划分为多个行单元；

基于所述标识信息以及多个所述行单元确定所述尾丝的状态。

5.根据权利要求4所述的方法，其特征在于，基于所述标识信息以及多个所述行单元确定所述尾丝的状态包括以下至少之一：

在同一行单元中包括多个不同的所述标识信息的情况下，确定包括多个不同的所述标识信息的行单元的第一数量，在所述第一数量大于预设数量的情况下，确定所述尾丝状态为异常状态；

在同一行单元中包括多个相同的所述标识信息的情况下，确定所述标识信息的对应的第一直线的第一位置信息，在所述第一位置信息与所述尾丝的位置相交的情况下，确定所述尾丝状态为异常状态；

在同一行单元中包括一个所述标识信息的情况下，确定所述标识信息对应的第二直线的横向跨度以及第二位置信息，在所述横向跨度大于预定跨度且所述第二位置信息与所述尾丝的位置相交的情况下，确定所述尾丝状态为异常状态。

6.根据权利要求1所述的方法，其特征在于，在对所述目标图像进行分析，以得到分析结果之后，所述方法还包括：

在基于所述分析结果确定所述目标丝锭中不存在尾丝的情况下，确定所述尾丝状态为异常状态。

7.一种丝锭状态的确定装置，其特征在于，包括：

获取模块，用于获取对目标丝锭进行拍摄所得到的目标图像；

分析模块，用于对所述目标图像进行分析，以得到分析结果；

第一确定模块，用于在基于所述分析结果确定所述目标丝锭中存在尾丝的情况下，对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态，其中，所述目标区域图像为包括所述尾丝所在的第一区域的第二区域的图像；

第二确定模块，用于基于所述尾丝的状态确定所述目标丝锭的状态；

所述第一确定模块通过如下方式实现对所述目标图像中包括的目标区域图像进行检测以确定所述尾丝的状态：使用目标模型对所述目标图像分析，以确定所述目标图像中包括的所述目标区域图像；确定所述目标区域图像中包括的检测区域图像，其中，所述检测区域图像为所述第一区域的图像；对所述检测区域图像进行分割处理，以得到分割二值图，其中，所述分割二值图用于标识包括丝线的区域和除包括丝线的区域之外的区域；对所述分割二值图进行第一处理，以确定出所述分割二值图中包括的直线；对所述分割二值图进行第二处理，以确定出所述分割二值图中包括的连通域；将所述连通域与所述直线进行融合，以确定出目标直线，所述目标直线为既属于所述直线又属于所述连通域的丝线；基于所述目标直线确定所述尾丝的状态；

所述第一确定模块通过如下方式实现确定所述目标区域图像中包括的检测区域图像：分别确定所述目标区域图像中的每一行像素点中包括的第一像素点以及第二像素点，以得到多个所述第一像素点和多个所述第二像素点，其中，所述第一像素点为按照第一方向依次获取的同一行像素点中包括的第一相邻像素点中的后一个像素点，所述第一相邻像素点之间的第一灰度值变化量大于预定阈值，所述第二像素点为按照第二方向依次获取同一行像素点中包括的第二相邻像素点中的后一个像素点，所述第二相邻两个像素点之间的第二灰度值变化量大于所述预定阈值，所述第一方向和所述第二方向的方向相反；基于多个所述第一像素点和多个所述第二像素点确定所述目标区域图像中包括的所述检测区域图像。

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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至6任一项中所述的方法的步骤。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。

Images