CN114166858B - 基于人工智能的纺织毛刷辊划伤皮革区域检测方法 - Google Patents

基于人工智能的纺织毛刷辊划伤皮革区域检测方法 Download PDF

Info

Publication number
CN114166858B
CN114166858B CN202210126767.3A CN202210126767A CN114166858B CN 114166858 B CN114166858 B CN 114166858B CN 202210126767 A CN202210126767 A CN 202210126767A CN 114166858 B CN114166858 B CN 114166858B
Authority
CN
China
Prior art keywords
abnormal
leather
obtaining
camera
process equipment
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
CN202210126767.3A
Other languages
English (en)
Other versions
CN114166858A (zh
Inventor
陈泽斌
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.)
Haimen Fanghua Textile Co ltd
Original Assignee
Haimen Fanghua Textile 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 Haimen Fanghua Textile Co ltd filed Critical Haimen Fanghua Textile Co ltd
Priority to CN202210126767.3A priority Critical patent/CN114166858B/zh
Publication of CN114166858A publication Critical patent/CN114166858A/zh
Application granted granted Critical
Publication of CN114166858B publication Critical patent/CN114166858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/16—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring distance of clearance between spaced objects
    • 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
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法。该方法基于带有相机的磨毛工艺设备，获取其皮料移动距离下皮革纹理图像的纹理强度评价值与由电机电流变化得到的低通信号和异常擦碰特征信号序以构成样本，利用多个样本获取未带相机的磨毛工艺设备的设备参数，根据设备参数判断未带相机的磨毛工艺设备是否出现皮革划伤。基于一个带有相机的磨毛工艺设备点的样本，结合其纹理强度、毛刷辊负载和皮料移动距离得到未带相机的磨毛工艺设备实现划伤检测的方法，以提高检测灵敏度，控制生产成本、增加良品率。

Description

基于人工智能的纺织毛刷辊划伤皮革区域检测方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法。
背景技术
纺织领域中，毛刷辊主要用于皮革的磨毛、抛光工艺，在上述工艺中，一些毛刷辊在高强度运行时会出现毛刷绞缠、脱落问题，进而划伤皮革的情况。
纺织工艺中，抛光、磨毛设备一般是小型的分布式多个机器，若直接对每个机器进行划伤的校准，需要耗费较大的人力物力。目前校准的方式主要以防止电机负载过大为主，由于毛刷辊在打磨过程中毛刷辊自身制造和一些安装导致的偏心问题，使得皮革出现划伤现象，因此在运行过程做若直接判断负载是否增大会导致判断失效，因此直接给定一个负载阈值的方法会降低检测的灵敏度，降低良品率。
此外，基于图像检测的方法可以有效地检测皮革划伤的纹理，而该方法的成本较高，对于分布式多个机器来说，该方式显著提高了生产成本。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法，所采用的技术方案具体如下：
本发明实施例提供了一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法，该方法包括以下具体步骤：
基于带有相机的磨毛工艺设备，获取皮料移动距离下的皮革纹理图像和电机电流序列；对所述电机电流序列进行中值滤波得到低通信号；由所述电机电流序列得到对应的异常擦碰特征信号序列；基于Sobel算子获取所述皮革纹理图像的纹理强度评价值，将所述皮料移动距离、所述低通信号、所述异常擦碰特征信号序列和所述纹理强度评价值构成一个样本，由不同的所述皮料移动距离得到多个所述样本；
利用所述样本中的所述纹理强度评价值和所述异常擦碰特征信号序列得到每个所述样本对应的异常评价系数；基于所述异常评价系数获取所述样本中的目标样本，所述目标样本包括正常样本和异常样本；以所述皮料移动距离、所述低通信号、所述异常擦碰特征信号序列构建每个所述目标样本的特征向量；
基于所述特征向量训练孪生网络；利用所述孪生网络和未带相机的磨毛工艺设备的所述异常擦碰特征信号序列得到所述未带相机的磨毛工艺设备的设备参数，根据所述设备参数判断所述未带相机的磨毛工艺设备是否出现皮革划伤。
优选的，所述基于所述特征向量训练孪生网络的方法，包括：
基于所述特征向量中的所述皮料移动距离和所述皮料移动距离的分布区间得到所述目标样本的隶属度；
由所述隶属度得到损失权重，利用所述损失权重、所述目标样本对应所述特征向量中的所述异常擦碰特征信号序列训练所述孪生网络。
优选的，所述目标样本的隶属度的获取方法，包括：
根据每个所述目标样本的所述皮料移动距离得到距离极差值；基于所述距离极差值和所述分布区间得到每个所述目标样本的距离隶属度；
获取所述未带相机的磨毛工艺设备的多个所述低通信号，以结合所述目标样本的所述低通信号得到信号相似度；
由所述信号相似度和所述距离隶属度得到每个所述目标样本的所述隶属度。
优选的，所述利用所述孪生网络和未带相机的磨毛工艺设备的所述异常擦碰特征信号序列得到所述未带相机的磨毛工艺设备的设备参数的方法，包括：
分别将所述未带相机的磨毛工艺设备、所述正常样本和所述异常样本的所述异常擦碰特征信号序列输入所述孪生网络分别对应得到第一高维向量、第二高维向量和第三高维向量；
结合所述第一高维向量、所述第二高维向量和每个所述正常样本的所述皮料移动距离得到所述未带相机的磨毛工艺设备的预测皮料移动距离，由所述预测皮料移动距离和对应的实际皮料移动距离得到预测偏移量；
获取所述第一高维向量和所述第三高维向量之间的余弦相似度；结合所述余弦相似度、所述预测偏移量和偏移量阈值得到所述未带相机的磨毛工艺设备的异常评价指标；由所述异常评价指标获取所述设备参数。
优选的，所述由所述异常评价指标获取所述设备参数的方法，包括：
设定异常阈值，将所述异常阈值作为所述设备参数，当所述异常评价指标大于所述设备参数，则确认所述未带相机的磨毛工艺设备出现皮革划伤。
优选的，所述基于所述异常评价系数获取所述样本中的目标样本的方法，包括：
将TOP-10%的所述异常评价系数所对应的所述样本聚为第一类，剩余的所述样本聚为第二类，且将所述第一类作为所述异常样本，将所述第二类作为所述正常样本。
优选的，所述异常评价系数的获取方法，包括：
设定特征信号阈值，获取所述异常擦碰特征信号序列中每个异常擦碰特征信号与所述特征信号阈值的差值，结合所述差值和所述纹理强度评价值得到所述异常评价系数。
优选的，所述由所述电机电流序列得到对应的异常擦碰特征信号序列的方法，包括：
分别获取所述低通信号与所述电机电流序列中每个电机电流之间的比值，将所述比值作为异常擦碰特征信号以得到所述异常擦碰特征信号序列。
优选的，所述信号相似度与所述隶属度之间呈负相关，所述距离隶属度与所述隶属度之间呈正相关。
优选的，所述差值与所述异常评价系数之间呈负相关，所述纹理强度评价值与所述异常评价系数之间呈正相关。
本发明实施例至少具有如下有益效果：基于一个带有相机的磨毛工艺设备点的样本，结合其纹理强度、毛刷辊负载和皮料移动距离得到未带相机的磨毛工艺设备实现划伤检测的方法，以提高检测灵敏度，控制生产成本、增加良品率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明一个实施例提供的一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，基于带有相机的磨毛工艺设备，获取皮料移动距离下的皮革纹理图像和电机电流序列；对电机电流序列进行中值滤波得到低通信号；由电机电流序列得到对应的异常擦碰特征信号序列；基于Sobel算子获取皮革纹理图像的纹理强度评价值，将皮料移动距离、低通信号、异常擦碰特征信号序列和纹理强度评价值构成一个样本，由不同的皮料移动距离得到多个样本。
具体的，对于带有相机的磨毛工艺设备，确定步长ｓ使得每步为完整旋转ｎ圈毛刷辊，ｎ为整数。步长ｓ是指皮料相对于毛刷辊和相机的动态移动距离，也可以称为皮料移动距离
Figure DEST_PATH_IMAGE002
。每个皮料移动距离
Figure 202938DEST_PATH_IMAGE002
下可以利用线阵相机得到一个拼接的皮革纹理图像T，其中皮革纹理图像T的横向分辨率取决于线阵相机，纵向分辨率取决于皮料移动距离
Figure 713554DEST_PATH_IMAGE002
、线阵相机的刷新率和拼接参数。
优选的，本发明实施例中皮料宽度为30cm，横向分辨率为720，纵向分辨率控制在200～1000之间。
由于本发明实施例中毛刷辊是由电机带动的，电机驱动器为直流PWM驱动器，使用编码器实现定速，且视电机驱动器的PID定速为匀速运动，因此，为了得到毛刷辊的实时电机负载变化，其中一种较佳的方法为读取驱动器的电流。
电机负载可以体现皮革材质的打磨工艺中，不同皮革在相同毛刷的摩擦下毛刷所遇到的阻力。当毛刷辊因皮革材料压力过大或者毛刷辊自身固定刷毛的结构出现损伤而变得更容易划伤皮革时，电机会出现负载较大的情况。故，在一个皮料移动距离
Figure 962133DEST_PATH_IMAGE002
下不但能够得到皮料打磨后的皮革纹理图像T，而且得到皮料移动过程中毛刷驱动电机的电流，由该过程中电流的变化得到电机电流序列
Figure DEST_PATH_IMAGE004
。
需要说明的是，电流的读数取决于实施过程中的刷新率，因此本发明实施例中的刷新率为128Hz。
进一步地，对每个皮料移动距离
Figure 904812DEST_PATH_IMAGE002
下对应的电机电流序列
Figure 312660DEST_PATH_IMAGE004
做中值滤波处理，具体为：由于每个皮料移动距离
Figure 400701DEST_PATH_IMAGE002
下的电机电流序列
Figure 136576DEST_PATH_IMAGE004
的长度为不定长序列，因此规定中值滤波窗口的大小为200个，利用中值滤波窗口对电机电流序列
Figure 375622DEST_PATH_IMAGE004
进行中值滤波得到低通信号
Figure DEST_PATH_IMAGE006
，即
Figure DEST_PATH_IMAGE008
，其中该低通信号能够体现毛刷由于偏心等自身属性导致的低频规律性低频振动。
需要说明的是，中值滤波的目的是：由于毛刷辊在打磨过程中由于毛刷辊自身制造和一些安装导致的偏心问题，若在运行过程中直接判断电机电流序列
Figure 339774DEST_PATH_IMAGE004
是否增大会导致判断失效，且由于毛刷的脱毛等异常现象是局部的而不是全局的，因此低通信号可以作为一种振动信号的基准，从而与原始信号对比得到异常振动的特征，而且还可以克服使用者需要考虑量纲和值域区间的问题，简化调参步骤。
为了得到毛刷辊异常导致电机发生瞬时异常负载的信号，分别获取低通信号
Figure 536400DEST_PATH_IMAGE006
与电机电流序列
Figure 884205DEST_PATH_IMAGE004
中每个电机电流之间的比值，即将电机电流与低通信号进行负载值相除，将比值作为异常擦碰特征信号以得到异常擦碰特征信号序列
Figure DEST_PATH_IMAGE010
，即
Figure DEST_PATH_IMAGE012
，其中，
Figure DEST_PATH_IMAGE014
为电机电流序列
Figure 168687DEST_PATH_IMAGE004
中第
Figure DEST_PATH_IMAGE016
个电机电流；
Figure DEST_PATH_IMAGE018
为第
Figure 331552DEST_PATH_IMAGE016
个电机电流对应的异常擦碰特征信号。
这样做的原因是：由于电机及毛刷辊自身的转动惯量的因素，中值滤波的结果能够代表足够平滑的周期性震动，而原数据与滤波后的数据可以表示电机在时间窗口内受到短暂冲击而产生的负载增大的情况，因此异常擦碰特征信号序列
Figure 230238DEST_PATH_IMAGE010
可以作为一种归一化的、能够表示毛刷与皮革之间发生异常擦碰的特征信号。
进一步地，对每个皮料移动距离
Figure 65339DEST_PATH_IMAGE002
下得到的皮革纹理图像T进行纹理异常评价，具体过程为：
（1）基于Sobel算子得到两个卷积核，分别对X方向和Y方向进行差分以获取纹理强度。由于皮革的细小纹理是各向性的，即皮革的表面纹理的边缘强度在X方向和Y方向上大致一样，但密度不均，而毛刷辊划伤皮革的纹理主要体现在Y方向，因此对于Y方向而言，由于不同的进料速度会导致拼接的皮革纹理图像T的长度不同，对其做归一化处理，使得图像宽度不变，长度缩放至与宽度相等。
优选的，本发明实施例中图像大小为512×512。
（2）基于Sobel算子分别得到横向边缘强度图Ex和纵向边缘强度图Ey。对得到的横向边缘强度图Ex和纵向边缘强度图Ey做联合去噪处理。去噪处理方法为：首先得到全局边缘纹理图像E=Ex+Ey，对全局边缘纹理图像E做膨胀处理，具体膨胀窗口大小为3×3。此时，由于缩放长度的不同，膨胀的全局边缘纹理图像E相对于X方向的横向边缘强度图Ex会出现如下规律：A、若缩放长度Y较短，则膨胀处理的全局边缘纹理图像E基于X方向的纹理加强了Y方向的响应；B、若缩放长度Y较长，则膨胀处理基于Y方向的纹理时，Y方向的信号质量较佳，X方向的横向边缘强度图Ex不会对膨胀后的全局边缘纹理图像E的Y方向响应产生过多影响，因此，膨胀后的全局边缘纹理图像E可以作为一种归一化的进一步提高纵向边缘强度图Ey的响应准确度的特征。
（3）基于膨胀后的全局边缘纹理图像E得到噪声更小的Y方向的纵向边缘强度图
Figure DEST_PATH_IMAGE020
，进而基于Y方向的总和得到纹理强度评价值
Figure DEST_PATH_IMAGE022
。
需要说明的是，纹理强度评价值
Figure DEST_PATH_IMAGE024
有如下规律：当进料较少时，纵向边缘强度图
Figure DEST_PATH_IMAGE026
较为分散，包含更多无关响应；而进料较多时，纵向边缘强度图
Figure 347589DEST_PATH_IMAGE026
较为清晰，得到的纹理强度评价值的准确度较高。但无论皮料的移动距离为多少，纹理强度评价值D始终能够归一化地表示纹理强度，即划伤强度。
进一步地，将皮料移动距离
Figure 335267DEST_PATH_IMAGE002
、低通信号
Figure 927224DEST_PATH_IMAGE006
、异常擦碰特征信号序列
Figure 498888DEST_PATH_IMAGE010
、纹理强度评价值
Figure 46544DEST_PATH_IMAGE024
构建成一个样本[
Figure 137997DEST_PATH_IMAGE002
,
Figure 378486DEST_PATH_IMAGE006
,
Figure 673332DEST_PATH_IMAGE010
,
Figure 24679DEST_PATH_IMAGE024
]，进而根据不同的皮料移动距离
Figure 970638DEST_PATH_IMAGE002
下得到的对应样本以得到多个样本。
需要说明的是，构建样本的原因是：由于磨毛工艺设备的皮料张紧程度、毛刷辊转速等设备参数的不同，会导致皮料的进料量发生一定的变化，从而使得对应的皮料移动距离
Figure 178765DEST_PATH_IMAGE002
、低通信号
Figure 85542DEST_PATH_IMAGE006
、异常擦碰特征信号序列
Figure 83322DEST_PATH_IMAGE010
、纹理强度评价值
Figure 24733DEST_PATH_IMAGE024
都会有一定的不同。
步骤S002，利用样本中的纹理强度评价值和异常擦碰特征信号序列得到每个样本对应的异常评价系数；基于异常评价系数获取样本中的目标样本，目标样本包括正常样本和异常样本；以皮料移动距离、低通信号、异常擦碰特征信号序列构建每个目标样本的特征向量。
具体的，根据实际工况和工艺设定异常擦碰特征信号的最大值，即相对于基准功率的最大功率倍数，将最大值作为特征信号阈值
Figure DEST_PATH_IMAGE028
，当异常擦碰特征信号大于特征信号阈值时必然出现划伤，否则可能出现划伤。
优选的，本发明实施例中特征信号阈值
Figure 997238DEST_PATH_IMAGE028
=1.8。
基于设定的特征信号阈值
Figure 391310DEST_PATH_IMAGE028
，获取异常擦碰特征信号序列
Figure 959826DEST_PATH_IMAGE010
中每个异常擦碰特征信号与特征信号阈值的差值，结合差值和纹理强度评价值得到异常评价系数，则异常评价系数
Figure DEST_PATH_IMAGE030
的公式为：
Figure DEST_PATH_IMAGE032
其中，异常评价系数
Figure 162985DEST_PATH_IMAGE030
越大越表示发生了异常划伤；差值与异常评价系数之间呈负相关，纹理强度评价值与异常评价系数之间呈正相关。
根据每个样本对应的异常评价系数
Figure 916177DEST_PATH_IMAGE030
获取所有样本中的目标样本，且该目标样本包括正常样本和异常样本，具体获取方法为：将TOP-10%的异常评价系数所对应的样本聚为第一类，剩余的样本聚为第二类，其中计算每类中异常评价系数的均值，将均值相对低的一类作为正常样本，即将所述第一类作为所述异常样本，将所述第二类作为所述正常样本。
需要说明的是，实施者可自行对TOP-10%进行具体比例的调整。
进一步地，分别将每个目标样本中的皮料移动距离
Figure 177306DEST_PATH_IMAGE002
、低通信号
Figure 408568DEST_PATH_IMAGE006
、异常擦碰特征信号序列
Figure 183626DEST_PATH_IMAGE010
构建对应样本的特征向量
Figure DEST_PATH_IMAGE034
。
步骤S003，基于特征向量训练孪生网络；利用孪生网络和未带相机的磨毛工艺设备的异常擦碰特征信号序列得到未带相机的磨毛工艺设备的设备参数，根据设备参数判断未带相机的磨毛工艺设备是否出现皮革划伤。
具体的，基于特征向量
Figure DEST_PATH_IMAGE036
计算目标样本的隶属度，从而生成损失权重，用于基于损失权重训练孪生网络，其具体过程为：
（1）基于特征向量中的皮料移动距离和皮料移动距离的分布区间得到目标样本的隶属度。
i.由每个目标样本的皮料移动距离得到距离极差值；基于距离极差值和分布区间得到目标样本的距离隶属度。
作为一个示例，以皮料移动距离的分布区间[300,400]为例，根据所有目标样本对应的皮料移动距离
Figure 451927DEST_PATH_IMAGE002
的最大值和最小值得到距离极差值
Figure DEST_PATH_IMAGE038
，基于距离极差值
Figure 148488DEST_PATH_IMAGE038
和分布区间得到区间外的距离隶属度
Figure DEST_PATH_IMAGE040
，区间外的距离隶属度
Figure DEST_PATH_IMAGE042
，进而可以基于每个目标样本的皮料移动距离
Figure 291762DEST_PATH_IMAGE002
得到对应样本的距离隶属度
Figure DEST_PATH_IMAGE044
。
ii.获取未带相机的磨毛工艺设备的多个低通信号，以结合目标样本的低通信号得到信号相似度。
具体的，采集未带相机的磨毛工艺设备的N条信息，以得到N个低通信号
Figure DEST_PATH_IMAGE046
，计算每个目标样本的低通信号
Figure 273057DEST_PATH_IMAGE006
和低通信号
Figure DEST_PATH_IMAGE048
之间的平均DTW距离以得到信号相似度
Figure DEST_PATH_IMAGE050
，且计算时将
Figure DEST_PATH_IMAGE052
分别进行归一化处理，消除不同功率的误差，其中，
Figure DEST_PATH_IMAGE054
为归一化函数。
需要说明的是，信号相似度体现了目标样本对应的磨毛工艺设备和未带相机的磨毛工艺设备之间由于毛刷自身属性导致的低频规律性低频振动相似度。
iii.由信号相似度和距离隶属度得到每个目标样本的隶属度。
具体的，根据步骤i和步骤ii得到正常样本的距离隶属度
Figure 495615DEST_PATH_IMAGE044
和信号相似度
Figure DEST_PATH_IMAGE056
，计算每个正常样本的隶属度
Figure DEST_PATH_IMAGE058
，对正常样本的隶属度R进行极差标准化，使得正常样本的隶属度R的值域在[0,1]。其中，信号相似度与隶属度之间呈负相关，距离隶属度与隶属度之间呈正相关。
需要说明的是，由于异常样本数量少且多样，后续用于训练孪生网络进行异常检测，因此只需计算正常样本的隶属度，异常样本无需计算隶属度。
（2）由隶属度得到损失权重，利用损失权重、目标样本对应特征向量中的异常擦碰特征信号序列训练孪生网络，具体训练过程为：
a.训练孪生网络时，每批次输入两组数据，即正常样本的异常擦碰特征信号序列
Figure 210630DEST_PATH_IMAGE010
和异常样本的异常擦碰特征信号序列
Figure 49273DEST_PATH_IMAGE010
。
b.本发明实施例使用的孪生网络模型是5个隐含层的多层感知机（MLP），输入张量尺寸大小为2048个数据点，对应一个毛刷辊在一个皮料移动距离
Figure 533344DEST_PATH_IMAGE002
内的采样数据序列，输出高维向量的维度为16。
c.训练孪生网络时，随机将异常擦碰特征信号序列
Figure 799240DEST_PATH_IMAGE010
做镜像处理，使得异常擦碰特征信号序列
Figure 250819DEST_PATH_IMAGE010
镜像后仍能代表同一种毛刷辊的负载，以实现二倍扩增样本的效果。
d.孪生网络的训练过程中采用对比损失函数，但由于训练时每个样本对应不同的损失权重，因此基于隶属度获取孪生网络的最终损失函数。
具体的，以一个批次
Figure DEST_PATH_IMAGE060
为例，基于对比损失函数由128个子损失函数，对当前批次的所有隶属度进行归一化处理，使得隶属度之和为1，则最终损失函数为
Figure DEST_PATH_IMAGE062
，其中，
Figure DEST_PATH_IMAGE064
为第
Figure 34099DEST_PATH_IMAGE016
个子损失函数，
Figure DEST_PATH_IMAGE066
为第
Figure 107097DEST_PATH_IMAGE016
个子损失函数对应的归一化后的隶属度。
需要说明的是，基于隶属度和与未带相机的磨毛工艺设备相近的目标样本来训练孪生网络，使得目标样本所对应的正常样本的异常擦碰特征信号序列
Figure 543894DEST_PATH_IMAGE010
和异常样本的异常擦碰特征信号序列
Figure 905606DEST_PATH_IMAGE010
之间的余弦相似度趋于0。
进一步地，利用训练好的孪生网络来获取未带相机的磨毛工艺设备的设备参数，具体过程为：
（1）分别将未带相机的磨毛工艺设备、正常样本和异常样本的异常擦碰特征信号序列输入孪生网络分别对应得到第一高维向量、第二高维向量和第三高维向量。
具体的，获取未带相机的磨毛工艺设备的异常擦碰特征信号序列
Figure 459953DEST_PATH_IMAGE010
，以通过孪生网络得到对应的第一高维向量
Figure DEST_PATH_IMAGE068
；同理，根据正常样本的异常擦碰特征信号序列
Figure 121878DEST_PATH_IMAGE010
得到每个正常样本的第二高维向量
Figure DEST_PATH_IMAGE070
，根据异常样本的异常擦碰特征信号序列
Figure 73785DEST_PATH_IMAGE010
得到每个异常样本的第三高维向量
Figure DEST_PATH_IMAGE072
。
（2）结合第一高维向量、第二高维向量和每个正常样本的皮料移动距离得到未带相机的磨毛工艺设备的预测皮料移动距离，由预测皮料移动距离和对应的实际皮料移动距离得到预测偏移量。
具体的，预测皮料移动距离
Figure DEST_PATH_IMAGE074
的计算公式为：
Figure DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE078
为第
Figure 783113DEST_PATH_IMAGE016
个正常样本的皮料移动距离；
Figure DEST_PATH_IMAGE080
为第
Figure 829566DEST_PATH_IMAGE016
个正常样本的第二高维向量。
预测偏移量的计算公式为：
Figure DEST_PATH_IMAGE082
，其中
Figure DEST_PATH_IMAGE084
为预测偏移量；
Figure DEST_PATH_IMAGE086
为未带相机的磨毛工艺设备的实际皮料移动距离。
给每个磨毛工艺设备设定偏移量阈值
Figure DEST_PATH_IMAGE088
，若预测偏移量
Figure 860845DEST_PATH_IMAGE084
超过偏移量阈值
Figure 373866DEST_PATH_IMAGE088
，则认为该设备进料出现异常，因此，正常工作的磨毛工艺设备的预测偏移量
Figure 788798DEST_PATH_IMAGE084
应在偏移量阈值
Figure 311046DEST_PATH_IMAGE088
之内。
（3）获取第一高维向量和第三高维向量之间的余弦相似度；结合余弦相似度、预测偏移量和偏移量阈值得到未带相机的磨毛工艺设备的异常评价指标；由异常评价指标获取设备参数。
具体的，余弦相似度的计算公式为：
Figure DEST_PATH_IMAGE090
，其中，
Figure DEST_PATH_IMAGE092
为异常样本的数量。进而结合余弦相似度、预测偏移量和偏移量阈值得到未带相机的磨毛工艺设备的异常评价指标
Figure DEST_PATH_IMAGE094
，其中余弦相似度
Figure DEST_PATH_IMAGE096
代表了较于异常样本的相似度，且
Figure 118203DEST_PATH_IMAGE096
越大，
Figure DEST_PATH_IMAGE098
的值会更加被考虑，反之，
Figure 333284DEST_PATH_IMAGE096
较小时，由于正常样本的皮料移动距离
Figure 704353DEST_PATH_IMAGE002
范围较大，又因为孪生网络训练时损失权重的调整，使得在未带相机的磨毛工艺设备正确时，预测皮料移动距离
Figure 30293DEST_PATH_IMAGE074
不能保证绝对准确，在未带相机的磨毛工艺设备异常时，预测皮料移动距离
Figure 318054DEST_PATH_IMAGE074
的预测偏移量较大，因此更加提高异常检测的灵敏度。
设定异常阈值
Figure DEST_PATH_IMAGE100
，且将异常阈值作为设备参数，当异常评价指标
Figure DEST_PATH_IMAGE102
大于设备参数
Figure 546779DEST_PATH_IMAGE100
，则确认未带相机的磨毛工艺设备出现皮革划伤。
需要说明的是，实施者在使用后期只需要对未带相机的磨毛工艺设备进行设备参数
Figure 795358DEST_PATH_IMAGE100
的调整即可判断皮革划伤的灵敏度。
综上所述，本发明实施例提供了一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法，该方法基于带有相机的磨毛工艺设备，获取其皮料移动距离下的皮革纹理图像和电机电流序列，由电机电流序列得到对应的异常擦碰特征信号序列；基于Sobel算子获取皮革纹理图像的纹理强度评价值，将皮料移动距离、低通信号、异常擦碰特征信号序列和纹理强度评价值构成一个样本；获取每个样本的异常评价系数，基于异常评价系数获取样本中的目标样本，目标样本包括正常样本和异常样本，以皮料移动距离、低通信号、异常擦碰特征信号序列构建每个目标样本的特征向量；基于特征向量训练孪生网络；利用孪生网络和未带相机的磨毛工艺设备的异常擦碰特征信号序列得到未带相机的磨毛工艺设备的设备参数，根据设备参数判断未带相机的磨毛工艺设备是否出现皮革划伤。基于一个带有相机的磨毛工艺设备，结合纹理强度、毛刷辊负载、皮料移动距离自动调整样本的分类和权重，令未带相机的磨毛工艺设备实现划伤检测的方法，以提高检测灵敏度，控制生产成本、增加良品率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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 (8)

1.一种基于人工智能的纺织毛刷辊划伤皮革区域检测方法，其特征在于，该方法包括：
基于带有相机的磨毛工艺设备，获取皮料移动距离下的皮革纹理图像和电机电流序列；对所述电机电流序列进行中值滤波得到低通信号；由所述电机电流序列得到对应的异常擦碰特征信号序列；基于Sobel算子获取所述皮革纹理图像的纹理强度评价值，将所述皮料移动距离、所述低通信号、所述异常擦碰特征信号序列和所述纹理强度评价值构成一个样本，由不同的所述皮料移动距离得到多个所述样本；
利用所述样本中的所述纹理强度评价值和所述异常擦碰特征信号序列得到每个所述样本对应的异常评价系数；基于所述异常评价系数获取所述样本中的目标样本，所述目标样本包括正常样本和异常样本；以所述皮料移动距离、所述低通信号、所述异常擦碰特征信号序列构建每个所述目标样本的特征向量；
基于所述特征向量训练孪生网络；利用所述孪生网络和未带相机的磨毛工艺设备的所述异常擦碰特征信号序列得到所述未带相机的磨毛工艺设备的设备参数，根据所述设备参数判断所述未带相机的磨毛工艺设备是否出现皮革划伤；
所述基于所述特征向量训练孪生网络的方法，包括：
基于所述特征向量中的所述皮料移动距离和所述皮料移动距离的分布区间得到所述目标样本的隶属度；
由所述隶属度得到损失权重，利用所述损失权重、所述目标样本对应所述特征向量中的所述异常擦碰特征信号序列训练所述孪生网络；
所述利用所述孪生网络和未带相机的磨毛工艺设备的所述异常擦碰特征信号序列得到所述未带相机的磨毛工艺设备的设备参数的方法，包括：
分别将所述未带相机的磨毛工艺设备、所述正常样本和所述异常样本的所述异常擦碰特征信号序列输入所述孪生网络分别对应得到第一高维向量、第二高维向量和第三高维向量；
结合所述第一高维向量、所述第二高维向量和每个所述正常样本的所述皮料移动距离得到所述未带相机的磨毛工艺设备的预测皮料移动距离，由所述预测皮料移动距离和对应的实际皮料移动距离得到预测偏移量；
获取所述第一高维向量和所述第三高维向量之间的余弦相似度；结合所述余弦相似度、所述预测偏移量和偏移量阈值得到所述未带相机的磨毛工艺设备的异常评价指标；由所述异常评价指标获取所述设备参数。
2.如权利要求1所述的方法，其特征在于，所述目标样本的隶属度的获取方法，包括：
根据每个所述目标样本的所述皮料移动距离得到距离极差值；基于所述距离极差值和所述分布区间得到每个所述目标样本的距离隶属度；
获取所述未带相机的磨毛工艺设备的多个所述低通信号，以结合所述目标样本的所述低通信号得到信号相似度；
由所述信号相似度和所述距离隶属度得到每个所述目标样本的所述隶属度。
3.如权利要求1所述的方法，其特征在于，所述由所述异常评价指标获取所述设备参数的方法，包括：
设定异常阈值，将所述异常阈值作为所述设备参数，当所述异常评价指标大于所述设备参数，则确认所述未带相机的磨毛工艺设备出现皮革划伤。
4.如权利要求1所述的方法，其特征在于，所述基于所述异常评价系数获取所述样本中的目标样本的方法，包括：
将TOP-10%的所述异常评价系数所对应的所述样本聚为第一类，剩余的所述样本聚为第二类，且将所述第一类作为所述异常样本，将所述第二类作为所述正常样本。
5.如权利要求1所述的方法，其特征在于，所述异常评价系数的获取方法，包括：
设定特征信号阈值，获取所述异常擦碰特征信号序列中每个异常擦碰特征信号与所述特征信号阈值的差值，结合所述差值和所述纹理强度评价值得到所述异常评价系数。
6.如权利要求1所述的方法，其特征在于，所述由所述电机电流序列得到对应的异常擦碰特征信号序列的方法，包括：
分别获取所述低通信号与所述电机电流序列中每个电机电流之间的比值，将所述比值作为异常擦碰特征信号以得到所述异常擦碰特征信号序列。
7.如权利要求2所述的方法，其特征在于，所述信号相似度与所述隶属度之间呈负相关，所述距离隶属度与所述隶属度之间呈正相关。
8.如权利要求5所述的方法，其特征在于，所述差值与所述异常评价系数之间呈负相关，所述纹理强度评价值与所述异常评价系数之间呈正相关。
CN202210126767.3A 2022-02-11 2022-02-11 基于人工智能的纺织毛刷辊划伤皮革区域检测方法 Active CN114166858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210126767.3A CN114166858B (zh) 2022-02-11 2022-02-11 基于人工智能的纺织毛刷辊划伤皮革区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210126767.3A CN114166858B (zh) 2022-02-11 2022-02-11 基于人工智能的纺织毛刷辊划伤皮革区域检测方法

Publications (2)

Publication Number Publication Date
CN114166858A CN114166858A (zh) 2022-03-11
CN114166858B true CN114166858B (zh) 2022-04-12

Family

ID=80489737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210126767.3A Active CN114166858B (zh) 2022-02-11 2022-02-11 基于人工智能的纺织毛刷辊划伤皮革区域检测方法

Country Status (1)

Country Link
CN (1) CN114166858B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017156886A (ja) * 2016-02-29 2017-09-07 Kddi株式会社 画像間類似度を考慮して物体を追跡する装置、プログラム及び方法
CA2997797A1 (en) * 2017-09-11 2019-03-11 Tata Consultancy Services Limited Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof
CN111814917A (zh) * 2020-08-28 2020-10-23 成都千嘉科技有限公司 一种存在模糊态的字轮图像数字识别方法
CN112367130A (zh) * 2020-11-20 2021-02-12 河南工业大学 一种无线网络信号传输强度计算方法及计算机存储介质
CN113011153A (zh) * 2021-03-15 2021-06-22 平安科技（深圳）有限公司 文本相关性检测方法、装置、设备及存储介质
CN113570598A (zh) * 2021-09-22 2021-10-29 海门市恒昌织带有限公司 基于人工智能的纺织毛刷辊磨损分析及寿命预测方法
CN113643293A (zh) * 2021-10-14 2021-11-12 江苏祥顺布业有限公司 基于人工智能的纺织毛刷辊异常区域高速定位方法
CN113643289A (zh) * 2021-10-13 2021-11-12 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和系统
CN113638104A (zh) * 2021-10-14 2021-11-12 海门市恒昌织带有限公司 一种络筒机智能清纱控制方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017156886A (ja) * 2016-02-29 2017-09-07 Kddi株式会社 画像間類似度を考慮して物体を追跡する装置、プログラム及び方法
CA2997797A1 (en) * 2017-09-11 2019-03-11 Tata Consultancy Services Limited Bilstm-siamese network based classifier for identifying target class of queries and providing responses thereof
CN111814917A (zh) * 2020-08-28 2020-10-23 成都千嘉科技有限公司 一种存在模糊态的字轮图像数字识别方法
CN112367130A (zh) * 2020-11-20 2021-02-12 河南工业大学 一种无线网络信号传输强度计算方法及计算机存储介质
CN113011153A (zh) * 2021-03-15 2021-06-22 平安科技（深圳）有限公司 文本相关性检测方法、装置、设备及存储介质
CN113570598A (zh) * 2021-09-22 2021-10-29 海门市恒昌织带有限公司 基于人工智能的纺织毛刷辊磨损分析及寿命预测方法
CN113643289A (zh) * 2021-10-13 2021-11-12 海门市芳华纺织有限公司 基于图像处理的织物表面缺陷检测方法和系统
CN113643293A (zh) * 2021-10-14 2021-11-12 江苏祥顺布业有限公司 基于人工智能的纺织毛刷辊异常区域高速定位方法
CN113638104A (zh) * 2021-10-14 2021-11-12 海门市恒昌织带有限公司 一种络筒机智能清纱控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种新的基于纹理图像的分数阶Sobel算子;谢永芳等;《中国自动化学会控制理论专业委员会C卷》;20111231;全文 *

Also Published As

Publication number Publication date
CN114166858A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
TWI737867B (zh) 工件硏磨方法及工件硏磨裝置
CN114998322B (zh) 基于计算机视觉的轧机智能控制方法及系统
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN114842007B (zh) 一种基于图像处理的纺织品磨损缺陷检测方法
CN103761726B (zh) 基于fcm的分块自适应图像分割方法
CN114166858B (zh) 基于人工智能的纺织毛刷辊划伤皮革区域检测方法
CN113724253A (zh) 基于图像处理的纺纱梳理工序质量监测方法
CN116630329B (zh) 用于多轴多通道数控系统的在线视觉检测方法
JPWO2019208411A1 (ja) データ解析装置、精度推定装置、データ解析方法およびプログラム
CN112419278B (zh) 一种基于深度学习的实木地板分类方法
CN111563519A (zh) 基于Stacking加权集成学习的茶叶杂质识别方法及分选设备
CN116152262A (zh) 一种离子性中间膜外观缺陷检测方法
CN113689383B (zh) 一种图像处理方法、装置、设备及存储介质
CN110400319A (zh) 一种基于区域分割法的丝饼油污分割算法
CN113570598B (zh) 基于人工智能的纺织毛刷辊磨损分析及寿命预测方法
Huang et al. Partitioned abrasive belt condition monitoring based on a unified coefficient and image processing
CN117764982A (zh) 基于三维点云技术的冲压模架磨损检测方法
CN113610794A (zh) 一种基于生成式对抗网络的金属表面瑕疵检测方法
CN114923629B (zh) 一种纺织高速锭子旋转时振动幅值检测方法
CN113628225B (zh) 基于结构相似度和图像区域块的模糊c均值图像分割方法及系统
CN115797212A (zh) 一种图像降噪方法、装置及存储介质
CN115082453A (zh) 基于神经网络的床上用品生产用包边机智能控制方法
CN110910392B (zh) 一种基于多重空间信息加权的模糊聚类的图像分割方法
CN114354359A (zh) 一种抛光研磨丝的检测装置及检测方法
Jayasuriya et al. Symmetry incorporated fuzzy C-means method for image segmentation

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