CN113139939A - 一种基于视觉识别技术的纺织质量检测算法及设备 - Google Patents
一种基于视觉识别技术的纺织质量检测算法及设备 Download PDFInfo
- Publication number
- CN113139939A CN113139939A CN202110430225.0A CN202110430225A CN113139939A CN 113139939 A CN113139939 A CN 113139939A CN 202110430225 A CN202110430225 A CN 202110430225A CN 113139939 A CN113139939 A CN 113139939A
- Authority
- CN
- China
- Prior art keywords
- defect
- quality detection
- textile
- motor
- gear
- 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.)
- Withdrawn
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
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G06T2207/10004—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Textile Engineering (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Treatment Of Fiber Materials (AREA)
- Multimedia (AREA)
- Wood Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种基于视觉识别技术的纺织质量检测算法及设备,该基于视觉识别技术的纺织质量检测算法采用的是区域卷积神经网络,包括输入层、卷积层、下采样层、全连接层、输出层,在工作时,需要将待检测的图像传入卷积神经网络,图像处理过程包括生成目标候选区域、缺陷特征提取、缺陷特定识别与定位、确定最佳缺陷位置,该基于区域卷积神经网络的缺陷检测是一个端到端的检测模型,无需图像预处理,识别缺陷的同时还能精确给出缺陷位置,具有高效精确的特点。
Description
技术领域
本发明涉及视觉识别技术领域,特别涉及一种基于视觉识别技术的纺织质量检测算法及设备。
背景技术
随着我国工业化的飞速发展,各种工业产品的生产速度得到了极大的提高,由于工业产品的缺陷类型多种多样,传统工业上对于产品的缺陷识别工作一直是由人工完成,但是人工识别缺陷会受到很多因素的影响,漏检率很高,对商品质量和企业信誉都产生了不良的影响,因此本发明提供一种基于视觉识别技术的纺织质量检测算法及设备,能够自动学习识别多种缺陷,准确率高,节省了大量的人力物力。
发明内容
针对上述技术问题,本发明提供一种基于视觉识别技术的纺织质量检测算法及设备,能够有效解决上述技术问题,具有精确度高,响应迅速的优点。
为解决上述技术问题,本发明采用的技术方案为:一种基于视觉识别技术的纺织质量检测算法,该基于视觉识别技术的纺织质量检测算法采用的是区域卷积神经网络,包括输入层、卷积层、下采样层、全连接层、输出层,该基于视觉识别技术的纺织质量检测算法包括以下步骤:
步骤一:待检测纺织物图像获取;
步骤二:生成目标候选区域;
步骤三:缺陷特征提取;
步骤四:缺陷特征的识别与定位;
步骤五:寻找最佳位置信息。
所述的获取纺织物图像的方式是将图像输入区域卷积神经网络,区域卷积神经网络提取的特征包括缺陷类别、缺陷位置,缺陷位置坐标以及用于标出缺陷目标的矩形框尺寸。
进一步的,所述的生成目标候选区域的方式是根据获取的图像信息输出所有可能出现目标的位置坐标。
进一步的,所述的缺陷特征提取利用GoogleNet深度神经网络,利用其自主学习缺陷目标特征识别纺织物质量缺陷。
进一步的,所述的缺陷特征的识别与定位是通过分类与边界回归完成的,分类器根据候选区域的CNN特征进行分类,利用边界回归获取精确的区域信息,采用Faster R-CNN网络模型,该模型由用于提取候选区域的区域建议网络RPN和用于目标检测的卷积神经网络Fast R-CNN构成。
进一步的,所述的寻找最佳的位置信息采用非极大值抑制算法,包括以下步骤:
(1)计算检测框集合中所有检测框的面积;
(2)将检测框根据其置信度分数进行排序,将置信度最高的检测框放到输出序列;
(3)计算其余检测框与(2)中所述的置信度最高的检测框的重叠面积比例,如果重叠比例大于设定的阈值,则去除该检测框;
(4)选取其他未处理的检测框,重复(2)、(3)的步骤。
一种基于视觉识别技术的纺织质量检测设备,使用如上所述的基于视觉识别技术的纺织质量检测算法,其结构包括摄像头、特征提取模块、分类与边界回归模块、报警模块、送料装置、显示模块、缺陷显示装置,其特征在于:显示模块为显示器,特征提取模块与摄像头连接,分类与边界回归模块与特征提取模块连接,显示器与特征提取模块连接,缺陷显示装置与分类与边界回归模块连接,报警模块与特征提取模块连接。
一种基于视觉识别技术的纺织质量检测设备还包括支架、卷布机构、脱离机构,所述的支架包括立板、底座,所述的卷布机构包括电机座、转盘,所述的脱离机构包括滑座、不完全大齿轮、凸轮,所述的电机座固定安装在立板上,转盘转动安装在立板上,滑座滑动安装在底座上,凸轮转动安装在底座上,不完全大齿轮转动安装在底座上。
所述的支架还包括门形立板、支撑辊,所述的门形立板固定安装在底座上,立板固定安装在底座上,支撑辊转动安装在门形立板和立板上。
所述的卷布机构还包括卷布电机、收紧电机、滑块、丝杠、弧形板、从动齿轮、主动齿轮、轨道板、驱动电机、转轴,所述的卷布电机的输出轴与转盘同轴固定连接,卷布电机固定安装在电机座上,丝杠转动安装在转盘上,收紧电机的输出轴与丝杠固定连接,滑块与丝杠形成螺纹配合,滑块滑动安装在转盘上,转轴固定安装在滑块上,轨道板同轴固定安装在转轴上,轨道板上设有滑轨,弧形板滑动安装在轨道板上,从动齿轮同轴转动安装在转轴上,从动齿轮上设有长槽,弧形板上设有短柱,弧形板的短柱设置在从动齿轮的长槽内,主动齿轮转动安装在轨道板上,主动齿轮与从动齿轮形成齿轮配合,驱动电机的输出抽与主动齿轮的转轴固定连接,驱动电机固定安装在轨道板上。
所述的脱离机构还包括拨爪、拨爪滑板、挡板、齿条、弹簧、不完全小齿轮、齿轮、凸轮支架,所述的拨爪滑动安装在拨爪滑板上,拨爪滑板固定安装在齿条上,挡板与两个拨爪固定连接,齿条固定安装在滑座上,弹簧的两端固定安装在两个挡板上,不完全大齿轮与齿条形成齿轮齿条配合,不完全小齿轮同轴固定安装在不完全大齿轮上,不完全小齿轮与齿轮形成齿轮配合,齿轮与凸轮同轴固定连接,凸轮转动安装在凸轮支架上。
所述的不完全大齿轮与固定安装在底座上的电机的输出轴同轴固定连接。
进一步的,所述的支架长度方向两侧分别设置有一套视觉检测装置。
本发明与现有技术相比的有益效果是:
(1)运用区域卷积神经网络,实现待检测图像到检测结果的直接输出,无需对图像进行预处理,提高了缺陷检测精度;
(2)实现了缺陷定位,保证了高速生产过程;
(3)检测设备实现了纺织品的传送和检测,配合巧妙,效率高。
附图说明
图1为本发明整体结构示意图。
图2、3、4为本发明局部结构示意图。
附图标号:1-支架;2-卷布机构;3-脱离机构;101-门形立板;102-支撑辊;103-立板;104-底座;201-卷布电机;202-电机座;203-转盘;204-收紧电机;205-滑块;206-丝杠;207-弧形板;208-从动齿轮;209-主动齿轮;210-轨道板;211-驱动电机;212-转轴;301-拨爪;302-拨爪滑板;303-挡板;304-齿条;305-滑座;306-弹簧;307-不完全大齿轮;308-不完全小齿轮;309-齿轮;310-凸轮;311-凸轮支架。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件:在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例:
一种基于视觉识别技术的纺织质量检测算法,该基于视觉识别技术的纺织质量检测算法采用的是区域卷积神经网络,包括输入层、卷积层、下采样层、全连接层、输出层,该基于视觉识别技术的纺织质量检测算法包括以下步骤:
步骤一:待检测纺织物图像获取;
步骤二:生成目标候选区域;
步骤三:缺陷特征提取;
步骤四:缺陷特征的识别与定位;
步骤五:寻找最佳位置信息。
获取纺织物图像的方式是将图像输入区域卷积神经网络,区域卷积神经网络提取的特征包括缺陷类别、缺陷位置,缺陷位置坐标以及用于标出缺陷目标的矩形框尺寸。
生成目标候选区域的方式是根据获取的图像信息输出所有可能出现目标的位置坐标。
缺陷特征提取利用GoogleNet深度神经网络,利用其自主学习缺陷目标特征识别纺织物质量缺陷。
缺陷特征的识别与定位是通过分类与边界回归完成的,分类器根据候选区域的CNN特征进行分类,利用边界回归获取精确的区域信息,采用Faster R-CNN网络模型,该模型由用于提取候选区域的区域建议网络RPN和用于目标检测的卷积神经网络Fast R-CNN构成。
寻找最佳的位置信息采用非极大值抑制算法,包括以下步骤:
(1)计算检测框集合中所有检测框的面积;
(2)将检测框根据其置信度分数进行排序,将置信度最高的检测框放到输出序列;
(3)计算其余检测框与(2)中置信度最高的检测框的重叠面积比例,如果重叠比例大于设定的阈值,则去除该检测框;
(4)选取其他未处理的检测框,重复(2)、(3)的步骤。
一种基于视觉识别技术的纺织质量检测设备,使用如上基于视觉识别技术的纺织质量检测算法,其结构包括摄像头、特征提取模块、分类与边界回归模块、报警模块、送料装置、显示模块、缺陷显示装置,其特征在于:显示模块为显示器,特征提取模块与摄像头连接,分类与边界回归模块与特征提取模块连接,显示器与特征提取模块连接,缺陷显示装置与分类与边界回归模块连接,报警模块与特征提取模块连接。
在工作时,首先由摄像头采集图像信息,输入卷积神经网络,卷积神将网络生成所有可能出现缺陷的候选区域,接下来由特征提取模块对输入图像中的缺陷特征进行提取,当检测到缺陷后由分类与边界回归模块进行定位和实行识别,同时将缺陷信息显示在显示模块中,缺陷显示装置的作用是在纺织品上标记出缺陷位置,同时报警模块发出报警。
一种基于视觉识别技术的纺织质量检测设备还包括支架1、卷布机构2、脱离机构3,支架1包括立板103、底座104,卷布机构2包括电机座202、转盘203,脱离机构3包括滑座305、不完全大齿轮307、凸轮310,电机座202固定安装在立板103上,转盘203转动安装在立板103上,滑座305滑动安装在底座104上,凸轮310转动安装在底座104上,不完全大齿轮307转动安装在底座104上。
支架1还包括门形立板101、支撑辊102,门形立板101固定安装在底座104上,立板103固定安装在底座104上,支撑辊102转动安装在门形立板101和立板103上。
卷布机构2还包括卷布电机201、收紧电机204、滑块205、丝杠206、弧形板207、从动齿轮208、主动齿轮209、轨道板210、驱动电机211、转轴212,卷布电机201的输出轴与转盘203同轴固定连接,卷布电机201固定安装在电机座202上,丝杠206转动安装在转盘203上,收紧电机204的输出轴与丝杠206固定连接,滑块205与丝杠206形成螺纹配合,滑块205滑动安装在转盘203上,转轴212固定安装在滑块205上,轨道板210同轴固定安装在转轴212上,轨道板210上设有滑轨,弧形板207滑动安装在轨道板210上,从动齿轮208同轴转动安装在转轴212上,从动齿轮208上设有长槽,弧形板207上设有短柱,弧形板207的短柱设置在从动齿轮208的长槽内,主动齿轮209转动安装在轨道板210上,主动齿轮209与从动齿轮208形成齿轮配合,驱动电机211的输出抽与主动齿轮209的转轴固定连接,驱动电机211固定安装在轨道板210上。
脱离机构3还包括拨爪301、拨爪滑板302、挡板303、齿条304、弹簧306、不完全小齿轮308、齿轮309、凸轮支架311,拨爪301滑动安装在拨爪滑板302上,拨爪滑板302固定安装在齿条304上,挡板303与两个拨爪301固定连接,齿条304固定安装在滑座305上,弹簧306的两端固定安装在两个挡板303上,不完全大齿轮307与齿条304形成齿轮齿条配合,不完全小齿轮308同轴固定安装在不完全大齿轮307上,不完全小齿轮308与齿轮309形成齿轮配合,齿轮309与凸轮310同轴固定连接,凸轮310转动安装在凸轮支架311上,不完全大齿轮307与固定安装在底座104上的电机的输出轴同轴固定连接,支架长度方向两侧分别设置有一套视觉检测装置。
该设备与上料模块配合使用,设置在两个视觉检测设备之间,保证纺织品的两面都可以被检测到,工作时首先收紧电机204启动,丝杠206上的两段螺纹的方向相反,调整两个滑块205之间的距离在合适的位置,待纺织品落在两个滑块205之间时,驱动电机211启动,控制弧形板207在轨道板210上滑动,使两个弧形板207将纺织品夹住,接下来卷布电机201启动,将检测完的纺织品卷在两个弧形板207组件的外侧,待达到规定的圈数时,不完全大齿轮307启动,带动拨爪301在滑座305上做往复滑动,同时驱动凸轮310转动,使拨爪301在转轴212的径向往复滑动,当拨爪301向远离卷布电机201方向滑动时,拨爪301向靠近弧形板207组件的位置滑动,当拨爪301向靠近卷布电机201方向滑动的过程中,拨爪301向远离弧形板207组件滑动,如此重复,实现了通过检测纺织品的脱离。
Claims (10)
1.一种基于视觉识别技术的纺织质量检测算法,其特征在于:该基于视觉识别技术的纺织质量检测算法采用的是区域卷积神经网络,包括输入层、卷积层、下采样层、全连接层、输出层,该基于视觉识别技术的纺织质量检测算法包括以下步骤:
步骤一:待检测纺织物图像获取;
步骤二:生成目标候选区域;
步骤三:缺陷特征提取;
步骤四:缺陷特征的识别与定位;
步骤五:寻找最佳位置信息。
2.根据权利要求1所述的一种基于视觉识别技术的纺织质量检测算法,其特征在于:所述的获取纺织物图像的方式是将图像输入区域卷积神经网络,区域卷积神经网络提取的特征包括缺陷类别、缺陷位置,缺陷位置坐标以及用于标出缺陷目标的矩形框尺寸。
3.根据权利要求1所述的一种基于视觉识别技术的纺织质量检测算法,其特征在于:所述的生成目标候选区域的方式是根据获取的图像信息输出所有可能出现目标的位置坐标。
4.根据权利要求1所述的一种基于视觉识别技术的纺织质量检测算法,其特征在于:所述的缺陷特征提取利用GoogleNet深度神经网络,利用其自主学习缺陷目标特征识别纺织物质量缺陷。
5.根据权利要求1所述的一种基于视觉识别技术的纺织质量检测算法,其特征在于:所述的缺陷特征的识别与定位是通过分类与边界回归完成的,分类器根据候选区域的CNN特征进行分类,利用边界回归获取精确的区域信息,采用Faster R-CNN网络模型,该模型由用于提取候选区域的区域建议网络RPN和用于目标检测的卷积神经网络Fast R-CNN构成。
6.根据权利要求1所述的一种基于视觉识别技术的纺织质量检测算法,其特征在于:所述的寻找最佳的位置信息采用非极大值抑制算法,包括以下步骤:
(1)计算检测框集合中所有检测框的面积;
(2)将检测框根据其置信度分数进行排序,将置信度最高的检测框放到输出序列;
(3)计算其余检测框与(2)中所述的置信度最高的检测框的重叠面积比例,如果重叠比例大于设定的阈值,则去除该检测框;
(4)选取其他未处理的检测框,重复(2)、(3)的步骤。
7.应用如权利要求1-6任一项所述算法的一种基于视觉识别技术算法的纺织质量检测设备,其特征在于:包括摄像头、特征提取模块、分类与边界回归模块、报警模块、送料装置、显示模块、缺陷显示装置,其特征在于:显示模块为显示器,特征提取模块与摄像头连接,分类与边界回归模块与特征提取模块连接,显示器与特征提取模块连接,缺陷显示装置与分类与边界回归模块连接,报警模块与特征提取模块连接。
8.如权利要求7所述的一种基于视觉识别技术的纺织质量检测设备,包括支架(1)、卷布机构(2)、脱离机构(3),其特征在于:
所述的支架(1)包括立板(103)、底座(104);
所述的卷布机构(2)包括电机座(202)、转盘(203);
所述的脱离机构(3)包括滑座(305)、不完全大齿轮(307)、凸轮(310);
所述的电机座(202)固定安装在立板(103)上,转盘(203)转动安装在立板(103)上,滑座(305)滑动安装在底座(104)上,凸轮(310)转动安装在底座(104)上,不完全大齿轮(307)转动安装在底座(104)上。
9.根据权利要求8所述的一种基于视觉识别技术的纺织质量检测设备,其特征在于:所述的支架(1)还包括门形立板(101)、支撑辊(102),所述的门形立板(101)固定安装在底座(104)上,立板(103)固定安装在底座(104)上,支撑辊(102)转动安装在门形立板(101)和立板(103)上。
10.根据权利要求8所述的一种基于视觉识别技术的纺织质量检测设备,其特征在于:所述的卷布机构(2)还包括卷布电机(201)、收紧电机(204)、滑块(205)、丝杠(206)、弧形板(207)、从动齿轮(208)、主动齿轮(209)、轨道板(210)、驱动电机(211)、转轴(212),所述的卷布电机(201)的输出轴与转盘(203)同轴固定连接,卷布电机(201)固定安装在电机座(202)上,丝杠(206)转动安装在转盘(203)上,收紧电机(204)的输出轴与丝杠(206)固定连接,滑块(205)与丝杠(206)形成螺纹配合,滑块(205)滑动安装在转盘(203)上,转轴(212)固定安装在滑块(205)上,轨道板(210)同轴固定安装在转轴(212)上,轨道板(210)上设有滑轨,弧形板(207)滑动安装在轨道板(210)上,从动齿轮(208)同轴转动安装在转轴(212)上,从动齿轮(208)上设有长槽,弧形板(207)上设有短柱,弧形板(207)的短柱设置在从动齿轮(208)的长槽内,主动齿轮(209)转动安装在轨道板(210)上,主动齿轮(209)与从动齿轮(208)形成齿轮配合,驱动电机(211)的输出抽与主动齿轮(209)的转轴固定连接,驱动电机(211)固定安装在轨道板(210)上;
所述的脱离机构(3)还包括拨爪(301)、拨爪滑板(302)、挡板(303)、齿条(304)、弹簧(306)、不完全小齿轮(308)、齿轮(309)、凸轮支架(311),所述的拨爪(301)滑动安装在拨爪滑板(302)上,拨爪滑板(302)固定安装在齿条(304)上,挡板(303)与两个拨爪(301)固定连接,齿条(304)固定安装在滑座(305)上,弹簧(306)的两端固定安装在两个挡板(303)上,不完全大齿轮(307)与齿条(304)形成齿轮齿条配合,不完全小齿轮(308)同轴固定安装在不完全大齿轮(307)上,不完全小齿轮(308)与齿轮(309)形成齿轮配合,齿轮(309)与凸轮(310)同轴固定连接,凸轮(310)转动安装在凸轮支架(311)上;
所述的不完全大齿轮(307)与固定安装在底座(104)上的电机的输出轴同轴固定连接;
所述的支架(1)长度方向两侧分别设置有一套如权利要求7所述的检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430225.0A CN113139939A (zh) | 2021-04-21 | 2021-04-21 | 一种基于视觉识别技术的纺织质量检测算法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430225.0A CN113139939A (zh) | 2021-04-21 | 2021-04-21 | 一种基于视觉识别技术的纺织质量检测算法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139939A true CN113139939A (zh) | 2021-07-20 |
Family
ID=76813388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110430225.0A Withdrawn CN113139939A (zh) | 2021-04-21 | 2021-04-21 | 一种基于视觉识别技术的纺织质量检测算法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139939A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455918A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
-
2021
- 2021-04-21 CN CN202110430225.0A patent/CN113139939A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455918A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
CN117455918B (zh) * | 2023-12-25 | 2024-03-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021179679A1 (zh) | 一种基于机器视觉的汽车仪表盘检测系统和检测方法 | |
CN111014079B (zh) | 一种轴承缺陷检测装置及轴承缺陷检测方法 | |
CN203209331U (zh) | 滚子侧面缺陷检测系统 | |
CN102680478A (zh) | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 | |
CN204453789U (zh) | 一种自动贴标和发放真空采血管装置 | |
CN105548212A (zh) | 一种触摸屏玻璃表面瑕疵在线自动化检测系统及方法 | |
CN205384134U (zh) | 多工位手机摄像头模组检测机 | |
CN105548217B (zh) | 平面玻璃镀膜制品的外观检测装置及检测方法 | |
CN101576509A (zh) | 一种基于机器视觉的小球表面缺陷自动检测方法及设备 | |
CN103323457A (zh) | 水果外观缺陷实时在线检测系统及检测方法 | |
CN107449782A (zh) | 手机外壳侧边表面缺陷数字化定量检测系统 | |
CN113421230B (zh) | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 | |
CN102183528A (zh) | 一种双联齿轮的缺陷检测装置及检测方法 | |
JP2018510338A (ja) | ガラス板取得及び位置決めシステム | |
CN106018422B (zh) | 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法 | |
CN205377994U (zh) | 多工位手机摄像头模组检测机 | |
CN103341451A (zh) | 一种类镜面小型工件表面平整度自动检测装置及其方法 | |
CN112881427B (zh) | 可见光和红外热成像的电子元器件缺陷检测装置及方法 | |
CN109142509A (zh) | 圆钢磁粉探伤方法与装置 | |
CN113139939A (zh) | 一种基于视觉识别技术的纺织质量检测算法及设备 | |
CN102890093A (zh) | 汽车刹车主缸活塞表面质量机器视觉检测装置 | |
CN204440490U (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测装置 | |
CN113058875B (zh) | 工件表面瑕疵自动检测系统 | |
CN206178859U (zh) | 一种喷码检测识别装置 | |
CN114677597B (zh) | 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210720 |