CN114693677A - 一种针织面料轧染工艺异常检测方法 - Google Patents
一种针织面料轧染工艺异常检测方法 Download PDFInfo
- Publication number
- CN114693677A CN114693677A CN202210603454.2A CN202210603454A CN114693677A CN 114693677 A CN114693677 A CN 114693677A CN 202210603454 A CN202210603454 A CN 202210603454A CN 114693677 A CN114693677 A CN 114693677A
- Authority
- CN
- China
- Prior art keywords
- image
- abnormal
- gray
- gradient amplitude
- pixel point
- 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
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及识别图形技术领域,具体涉及一种针织面料轧染工艺异常检测方法,该方法为人工智能系统、人工智能优化操作系统或人工智能中间件可实现的方法,包括:获取轧染后的针织面料图像的灰度图像中各个像素点的梯度幅值,确定各个像素点的梯度幅值级别,进而确定梯度异常值;根据各个像素点的梯度幅值级别和位置,确定全局异常系数和局部异常系数;根据梯度异常值、全局异常系数和局部异常系数,实现针织面料轧染工艺异常检测。本发明利用图形识别技术,通过数据处理和计算,对针织面料的轧染异常情况进行准确检测,进而实现了轧染工艺异常原因的可靠检测,可以用于计算机视听觉软件等应用软件开发。
Description
技术领域
本发明涉及识别图形技术领域,具体涉及一种针织面料轧染工艺异常检测方法。
背景技术
在纺织行业中,针织面料由于其孔眼大,纤维较粗的特点,其染色工序一般采用轧染工艺,而连续轧染因其生产效率较高、适应品种较广、工艺控制相对简单而被众多染厂采用。连续轧染时的色差问题一直是印染企业稳定提高产品质量的难题,而色差的类型由于其产生的原因的不同又多种多样,因此需要一种可以根据染色成品的表面特征来判定轧染工艺是否出现异常的方法,且此种方法可准确归因,提高生产缺陷的排除效率。
针织面料成品的特征是纱线稀疏,面料表面孔洞相较其他面料较大,其表面的面料像素值特征较少但像素位置特征较为明显,这就导致现有的利用灰度直方图、阈值分割、灰度共生矩阵等识别图形技术来检测针织面料染色色差的方法均会丢失像素间位置信息或容易错误评价像素间的位置信息,进而导致在对针织面料进行轧染工艺异常的检测时容易出现误检现象,同时也无法对异常进行进一步分析,对企业生产效率的提高无法提供帮助。
发明内容
本发明的目的在于提供一种针织面料轧染工艺异常检测方法,用于解决现有对针织面料进行轧染工艺异常检测准确率低的问题。
为解决上述技术问题,本发明提供了一种针织面料轧染工艺异常检测方法,包括以下步骤:
实时获取轧染后的针织面料图像,并获取该针织面料图像的灰度图像,进而确定灰度图像中各个像素点的梯度幅值;
根据灰度图像中各个像素点的梯度幅值,确定灰度图像中各个像素点的梯度幅值级别;
根据灰度图像中各个像素点的梯度幅值级别,确定灰度图像的梯度异常值;
根据灰度图像中各个像素点的梯度幅值级别以及灰度图像中各个像素点的位置,确定灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数;
根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,确定灰度图像中各个像素点在不同复现方向上的方向异常系数;
根据灰度图像中各个像素点在不同复现方向上的方向异常系数,确定灰度图像的全局异常系数和局部异常系数;
根据灰度图像的梯度异常值、全局异常系数和局部异常系数,判断针织面料轧染工艺是否发生异常以及发生异常时的异常种类。
进一步的,确定灰度图像中各个像素点的梯度幅值级别的步骤包括:
根据灰度图像中各个像素点的梯度幅值,进行梯度幅值直方图统计,得到梯度幅值直方图;
根据梯度幅值直方图,进行混合高斯模型拟合,得到混合高斯模型中的各个子高斯模型及其对应的均值;
根据灰度图像中各个像素点的梯度幅值、各个子高斯模型及其对应的均值,从而确定灰度图像中各个像素点的梯度幅值级别。
进一步的,从而确定灰度图像中各个像素点的梯度幅值级别的步骤包括:
按照各个子高斯模型对应的均值从小到大的顺序,对各个子高斯模型进行排序,并将该序号作为对应子高斯模型的梯度幅值级别;
将灰度图像中各个像素点的梯度幅值依次输入到各个子高斯模型中,得到灰度图像中每个像素点的梯度幅值属于各个子高斯模型的概率值,并将每个像素点的最大概率值所对应的子高斯模型的梯度幅值级别作为该像素点的梯度幅值级别。
进一步的,确定灰度图像的梯度异常值对应的计算公式为:
进一步的,确定灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数的步骤包括:
根据灰度图像中各个像素点的梯度幅值级别,确定每个梯度幅值级别所对应的各个像素点;
根据每个梯度幅值级别所对应的各个像素点的位置,确定每个梯度幅值级别所对应的各个像素点在不同复现方向上所对应的任意两个最接近像素点之间的像素数目,并将该像素数目作为灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度;
对灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度的出现次数进行统计,从而得到灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度对应的次数。
进一步的,确定灰度图像中各个像素点在不同复现方向上的方向异常系数的步骤包括:
根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,确定灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度所对应的概率值;
根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度以及各个间隔长度所对应的概率值,确定灰度图像中各个像素点在不同复现方向上的方向异常系数。
进一步的,确定每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度所对应的概率值对应的计算公式为:
其中,为梯度幅值级别k的像素点在复现方向上重复出现的间隔长度所对应的概率值,为梯度幅值级别k的像素点在复现方向上重复出现的间隔长度对应的次数,为灰度图像中像素点重复出现的间隔长度的最大值,为梯度幅值级别k的像素点的数目,K为灰度图像中像素点的梯度幅值级别的最大值。
进一步的,确定灰度图像中各个像素点在不同复现方向上的方向异常系数对应的计算公式为:
其中,为灰度图像中各个像素点在复现方向上的方向异常系数,为梯度幅值级别k的像素点在复现方向上重复出现的间隔长度所对应的概率值,K为灰度图像中像素点的梯度幅值级别的最大值,为灰度图像中像素点重复出现的间隔长度的最大值。
进一步的,确定灰度图像的全局异常系数和局部异常系数的步骤包括:
根据灰度图像中各个像素点在不同复现方向上的方向异常系数,计算所有的方向异常系数的方差,对该方差进行归一化处理,将归一化处理后的方差作为灰度图像的全局异常系数;
根据灰度图像中各个像素点在不同复现方向上的方向异常系数,确定灰度图像中各个像素点在经线方向上的方向异常系数和在纬线方向上的方向异常系数;
根据灰度图像中各个像素点在经线方向上的方向异常系数和在纬线方向上的方向异常系数,确定灰度图像的局部异常系数。
进一步的,判断针织面料轧染工艺是否发生异常以及发生异常时的异常种类的步骤包括:
判断灰度图像的梯度异常值是否大于设定梯度异常值阈值,若不大于,则判定针织面料轧染工艺没有发生异常,否则判定针织面料轧染工艺发生异常;
若针织面料轧染工艺发生异常,则判断灰度图像的全局异常系数是否大于设定全局异常系数阈值,若大于,则判定针织面料本身纤维存在缺陷,否则判断灰度图像的局部异常系数是否位于第一局部异常系数范围内、第二局部异常系数范围内或第三局部异常系数范围内;
若灰度图像的局部异常系数位于第一局部异常系数范围内,则判定轧染机器异常,若灰度图像的局部异常系数位于第二局部异常系数范围内,则判定轧槽容积过大,若灰度图像的局部异常系数位于第三局部异常系数范围内,则判定轧染机器异常和轧槽容积过大至少存在其中的一种。
本发明具有如下有益效果: 本发明提供了一种针织面料轧染工艺异常检测方法,该方法可由人工智能系统或人工智能优化操作系统来实现,具体是利用识别图形技术,通过结合实时获取的轧染后的针织面料图像的灰度图像中像素点的灰度值以及像素点的位置关系,并通过数据处理和计算,对针织面料轧染结果进行准确检测,从了实现了轧染异常时对引起轧染异常的轧染工艺异常原因的可靠检测,提高了轧染工艺异常原因的排除效率,保证了整条生产线的生产效率。本发明所提供的针织面料轧染工艺异常检测方法可以用于计算机视听觉软件等应用软件开发。
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为本发明的针织面料轧染工艺异常检测方法的流程图。
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技术方案的具体实施方式、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。
针织布料存在着纱线稀疏,面料孔洞大的特点,现有的图像处理技术无法避免这种影响,其会导致对应的处理方法对染色效果的评价产生误判。因此,需要综合考虑布料表面像素点的相对位置关系以及像素值的大小来对染色效果进行综合的评价。
基于上述分析,本实施例提供了一种能结合像素值以及像素位置关系、并同时可对异常原因进行分析的针织面料轧染工艺异常检测方法,该方法的整体逻辑为:获得轧染后的针织面料图像并将其灰度化,利用sobel算子计算灰度图像上各点的梯度进而获得梯度图;对获得的梯度图进行直方图统计并根据直方图对梯度进行分级,计算梯度异常值;根据梯度图像构建梯度复现方向-梯度级-复现间隔矩阵,并计算全局异常系数以及局部异常系数;根据梯度异常值和两个异常系数进行轧染工艺异常及异常原因的判定。
具体的,上述的针织面料轧染工艺异常检测方法对应的流程图如图1所示,包括以下步骤:
(1)实时获取轧染后的针织面料图像,并获取该针织面料图像的灰度图像,进而确定灰度图像中各个像素点的梯度幅值。
在针织面料轧染过程中,利用工业相机实时获取轧染后的针织面料图像并将其灰度化,获得灰度图。然后利用sobel算子对灰度图像进行处理,得到灰度图像中各个像素点的梯度幅值,从而获得梯度图像。在灰度图像或梯度图像中,任意一个像素点对应的梯度幅值为:
(2)根据灰度图像中各个像素点的梯度幅值,确定灰度图像中各个像素点的梯度幅值级别,具体实现步骤包括:
(2-1)根据灰度图像中各个像素点的梯度幅值,进行梯度幅值直方图统计,得到梯度幅值直方图。
对灰度图像中各个像素点的梯度幅值进行梯度幅值直方图统计,也就是对梯度图像进行梯度幅值直方图统计,得到梯度幅值直方图,由于其具体实现过程属于现有技术,此处不再赘述。
(2-2)根据梯度幅值直方图,进行混合高斯模型拟合,得到混合高斯模型中的各个子高斯模型及其对应的均值。
利用混合高斯模型拟合梯度幅值直方图,即以梯度幅值直方图中所有梯度幅值和梯度幅值对应的概率为样本数据,根据这些样本数据利用EM算法拟合混合高斯模型。混合高斯模型中的子高斯模型个数为K,子高斯模型个数K为自设参数,一个推荐值为5。利用混合高斯模型可以描述每个梯度幅值在梯度图像上出现的概率。由于进行混合高斯模型拟合的具体实现过程属于现有技术,此处不再赘述。
(2-3)根据灰度图像中各个像素点的梯度幅值、各个子高斯模型及其对应的均值,从而确定灰度图像中各个像素点的梯度幅值级别,具体实现步骤包括:
(2-3-1)按照各个子高斯模型对应的均值从小到大的顺序,对各个子高斯模型进行排序,并将该序号作为对应子高斯模型的梯度幅值级别。
在上述步骤(2-2)的基础上,将拟合出的混合高斯模型中的各个子高斯模型对应的均值按照从小到大进行排列,并按照排列顺序依次为各个子高斯模型进行编号,其中第一个子高斯模型(均值最小的子高斯模型)的编号为1,第二个子高斯模型(均值第二小的子高斯模型)的编号为2,以此类推,第K个子高斯模型(均值最大的子高斯模型)的编号为K,然后将每个子高斯模型的编号作为其对应的梯度幅值级别。
(2-3-2)将灰度图像中各个像素点的梯度幅值依次输入到各个子高斯模型中,得到灰度图像中每个像素点的梯度幅值属于各个子高斯模型的概率值,并将每个像素点的最大概率值所对应的子高斯模型的梯度幅值级别作为该像素点的梯度幅值级别。
将灰度图像中各个像素点的梯度幅值输入混合高斯模型中,可获得其属于各个子高斯模型的概率,并选择概率最大的那个子高斯模型的梯度幅值级别作为像素点的梯度幅值所属级别。至此,可以将灰度图像(梯度图像)上所有像素点对应的梯度幅值进行分级,级别为。
(3)根据灰度图像中各个像素点的梯度幅值级别,确定灰度图像的梯度异常值,对应的计算公式为:
(4)根据灰度图像中各个像素点的梯度幅值级别以及灰度图像中各个像素点的位置,确定灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,具体实现步骤包括:
(4-1)根据灰度图像中各个像素点的梯度幅值级别,确定每个梯度幅值级别所对应的各个像素点。
(4-2)根据每个梯度幅值级别所对应的各个像素点的位置,确定每个梯度幅值级别所对应的各个像素点在不同复现方向上所对应的任意两个最接近像素点之间的像素数目,并将该像素数目作为灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度。
对于一个灰度图像或梯度图像,像素点之间的位置关系可以简化为0°、45°、90°和135°四种:如果一个像素点位于另外一个像素点的正左侧或右侧,那么这两个像素点的位置关系为0°;如果一个像素点位于另外一个像素点的右上方45°或左下方45°,那么这两个像素点的位置关系为45°;如果一个像素点位于另外一个像素点的正上侧或下侧,那么这两个像素点的位置关系为90°;如果一个像素点位于另外一个像素点的左上方45°或右下方45°,那么这两个像素点的位置关系为135°。
以上述0°、45°、90°和135°四种位置关系为复现方向,统计分别在以上四种复现方向上,相同梯度幅值级别所对应的各个像素点重复出现的间隔长度和次数。为了便于说明,以复现方向0°为例,对于任意一个梯度幅值级别的各个像素点,将这些像素点划分成多个像素点组,每个像素点组中的各个像素点均位于同一条水平线上,即每个像素点组中任意两个像素点的位置关系为复现方向0°,然后统计每个像素点组中任意两个距离最近(邻近)的像素点之间间隔的像素数目,并将该像素数目作为像素点在复现方向0°上重复出现的间隔长度,也称为复现间隔。至此,可以得到灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度,也就是灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上的复现间隔。
(4-3)对灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度的出现次数进行统计,从而得到灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度对应的次数。
在上述步骤(4-2)的基础上,统计分别在以上四种复现方向下,灰度图像中每个梯度幅值级别的各个像素点所对应的间隔长度出现的次数,从而得到灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度对应的次数。并构建三维统计矩阵即梯度复现方向-梯度级-复现间隔矩阵,在该矩阵中,位置为()的元素值表示的是复现方向为时,级别为的像素点以复现间隔出现的次数,以表示。
需要指出的是,由于通过上述步骤(4-2)所获得的灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度(复现间隔)可能并不相同,那么在构建三维统计矩阵时,取所有复现间隔的并集作为矩阵中的复现间隔,设定最大复现间隔为D,最小复现间隔为0,此时矩阵中部分位置的元素值为0。
(5)根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,确定灰度图像中各个像素点在不同复现方向上的方向异常系数,具体实现步骤包括:
(5-1)根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,确定灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度所对应的概率值。
在上述步骤(4)所获得的三维统计矩阵的基础上,计算灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度所对应的概率值,对应的计算公式为:
其中,为梯度幅值级别k的像素点在复现方向上重复出现的间隔长度所对应的概率值,即在复现方向为时,以复现间隔出现的梯度幅值级别为k的像素点占总像素点个数的概率,为梯度幅值级别k的像素点在复现方向上重复出现的间隔长度对应的次数,为灰度图像中像素点重复出现的间隔长度的最大值,为梯度幅值级别k的像素点的数目,K为灰度图像中像素点的梯度幅值级别的最大值。
(5-2)根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度以及各个间隔长度所对应的概率值,确定灰度图像中各个像素点在不同复现方向上的方向异常系数。
在上述步骤(4)所获得的三维统计矩阵以及步骤(5-1)所获得的概率值的基础上,计算灰度图像中各个像素点在不同复现方向上的方向异常系数,对应的计算公式为:
其中,为灰度图像中各个像素点在复现方向上的方向异常系数,为梯度幅值级别k的像素点在复现方向上重复出现的间隔长度所对应的概率值,K为灰度图像中像素点的梯度幅值级别的最大值,为灰度图像中像素点重复出现的间隔长度的最大值。
(6)根据灰度图像中各个像素点在不同复现方向上的方向异常系数,确定灰度图像的全局异常系数和局部异常系数,具体实现步骤包括:
(6-1)根据灰度图像中各个像素点在不同复现方向上的方向异常系数,计算所有的方向异常系数的方差,对该方差进行归一化处理,将归一化处理后的方差作为灰度图像的全局异常系数。
通过上述步骤(5),可以得到在四个复现方向0°、45°、90°和135°上的方向异常系数、、和,计算这个四个方向异常系数的方差,记为。由于、、和为0-1之间的数,一组0-1之间的数求其方差,其最大值就是0.25,因此的最小值为0,最大值为0.25。此时根据的取值范围,对进行归一化处理,使其取值到0-1之间,并将归一化处理后的作为灰度图像的全局异常系数。
(6-2)根据灰度图像中各个像素点在不同复现方向上的方向异常系数,确定灰度图像中各个像素点在经线方向上的方向异常系数和在纬线方向上的方向异常系数,对应的计算公式为:
其中,为灰度图像中各个像素点在经线方向上的方向异常系数,为灰度图像中各个像素点在纬线方向上的方向异常系数,为灰度图像中各个像素点在复现方向0°上的方向异常系数,为灰度图像中各个像素点在复现方向45°上的方向异常系数,为灰度图像中各个像素点在复现方向90°上的方向异常系数,为灰度图像中各个像素点在复现方向135°上的方向异常系数。
(6-3)根据灰度图像中各个像素点在经线方向上的方向异常系数和在纬线方向上的方向异常系数,确定灰度图像的局部异常系数,对应的计算公式为:
(7)根据灰度图像的梯度异常值、全局异常系数和局部异常系数,判断针织面料轧染工艺是否发生异常以及发生异常时的异常种类。
(7-1)判断灰度图像的梯度异常值是否大于设定梯度异常值阈值,若不大于,则判定针织面料轧染工艺没有发生异常,否则判定针织面料轧染工艺发生异常。
根据实际染色情况,预先设置灰度图像的梯度异常值的阈值,即预先设置设定梯度异常值阈值,当≤时,则说明针织面料没有出现染色异常,那么此时判定针织面料轧染工艺没有发生异常。当>时,则说明针织面料出现染色异常,那么此时判定针织面料轧染工艺发生异常,需要进行下面步骤(7-2)和(7-3)进行针织面料轧染工艺异常种类的判断。
(7-2)若针织面料轧染工艺发生异常,则判断灰度图像的全局异常系数是否大于设定全局异常系数阈值,若大于,则判定针织面料本身纤维存在缺陷,否则判断灰度图像的局部异常系数是否位于第一局部异常系数范围内、第二局部异常系数范围内或第三局部异常系数范围内。
根据实际染色情况,预先设置灰度图像的全局异常系数的阈值,即预先设置设定全局异常系数阈值,当>,则说明轧染工艺发生了全局性异常,即属于针织面料本身纤维的缺陷,例如纤维中杂质较多,导致整面面料普遍存在纤维对染料的吸附出现不均,导致面料发生轧染异常,此时则判定面料本身纤维存在缺陷。当,则说明轧染工艺发生了局部异常,此时需要进行局部异常判定。
在进行局部异常判定时,预先设置灰度图像的局部异常系数的阈值,即预先设置设定局部异常系数阈值。然后根据设定局部异常系数阈值及局部异常系数的取值范围,确定第一局部异常系数范围、第二局部异常系数范围和第三局部异常系数范围。将局部异常系数与这三个局部异常系数范围进行比较,并根据比较结果实现轧染工艺局部异常判定,具体判定结果参见步骤(7-3)。
(7-3)若灰度图像的局部异常系数位于第一局部异常系数范围内,则判定轧染机器异常,若灰度图像的局部异常系数位于第二局部异常系数范围内,则判定轧槽容积过大,若灰度图像的局部异常系数位于第三局部异常系数范围内,则判定轧染机器异常和轧槽容积过大至少存在其中的一种。
其中,当灰度图像的局部异常系数位于第一局部异常系数范围内,即时,说明轧染异常表现为左中右色差,其可能是由于轧车轧辊对布料施加压力不均匀,或轧辊出现变形等机器缺陷造成轧染异常,应停机对机器进行检修,此时判定轧染机器异常。
本发明通过图形识别技术,可对针织面料的轧染异常情况进行准确检测,且可对整批产品进行持续检测,保证了整批产品的质量,并在检测出轧染异常时可对导致异常的原因进行准确分析,提高了轧染工艺异常的排除效率,保证了整条生产线的生产效率。
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。
以上所述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 (10)
1.一种针织面料轧染工艺异常检测方法,其特征在于,包括以下步骤:
实时获取轧染后的针织面料图像,并获取该针织面料图像的灰度图像,进而确定灰度图像中各个像素点的梯度幅值;
根据灰度图像中各个像素点的梯度幅值,确定灰度图像中各个像素点的梯度幅值级别;
根据灰度图像中各个像素点的梯度幅值级别,确定灰度图像的梯度异常值;
根据灰度图像中各个像素点的梯度幅值级别以及灰度图像中各个像素点的位置,确定灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数;
根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,确定灰度图像中各个像素点在不同复现方向上的方向异常系数;
根据灰度图像中各个像素点在不同复现方向上的方向异常系数,确定灰度图像的全局异常系数和局部异常系数;
根据灰度图像的梯度异常值、全局异常系数和局部异常系数,判断针织面料轧染工艺是否发生异常以及发生异常时的异常种类。
2.根据权利要求1所述的针织面料轧染工艺异常检测方法,其特征在于,确定灰度图像中各个像素点的梯度幅值级别的步骤包括:
根据灰度图像中各个像素点的梯度幅值,进行梯度幅值直方图统计,得到梯度幅值直方图;
根据梯度幅值直方图,进行混合高斯模型拟合,得到混合高斯模型中的各个子高斯模型及其对应的均值;
根据灰度图像中各个像素点的梯度幅值、各个子高斯模型及其对应的均值,从而确定灰度图像中各个像素点的梯度幅值级别。
3.根据权利要求2所述的针织面料轧染工艺异常检测方法,其特征在于,从而确定灰度图像中各个像素点的梯度幅值级别的步骤包括:
按照各个子高斯模型对应的均值从小到大的顺序,对各个子高斯模型进行排序,并将该序号作为对应子高斯模型的梯度幅值级别;
将灰度图像中各个像素点的梯度幅值依次输入到各个子高斯模型中,得到灰度图像中每个像素点的梯度幅值属于各个子高斯模型的概率值,并将每个像素点的最大概率值所对应的子高斯模型的梯度幅值级别作为该像素点的梯度幅值级别。
5.根据权利要求1所述的针织面料轧染工艺异常检测方法,其特征在于,确定灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数的步骤包括:
根据灰度图像中各个像素点的梯度幅值级别,确定每个梯度幅值级别所对应的各个像素点;
根据每个梯度幅值级别所对应的各个像素点的位置,确定每个梯度幅值级别所对应的各个像素点在不同复现方向上所对应的任意两个最接近像素点之间的像素数目,并将该像素数目作为灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度;
对灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度的出现次数进行统计,从而得到灰度图像中每个梯度幅值级别的各个像素点在不同复现方向上重复出现的各个间隔长度对应的次数。
6.根据权利要求1所述的针织面料轧染工艺异常检测方法,其特征在于,确定灰度图像中各个像素点在不同复现方向上的方向异常系数的步骤包括:
根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度及各个间隔长度对应的次数,确定灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度所对应的概率值;
根据灰度图像中每个梯度幅值级别的像素点在不同复现方向上重复出现的各个间隔长度以及各个间隔长度所对应的概率值,确定灰度图像中各个像素点在不同复现方向上的方向异常系数。
9.根据权利要求1所述的针织面料轧染工艺异常检测方法,其特征在于,确定灰度图像的全局异常系数和局部异常系数的步骤包括:
根据灰度图像中各个像素点在不同复现方向上的方向异常系数,计算所有的方向异常系数的方差,对该方差进行归一化处理,将归一化处理后的方差作为灰度图像的全局异常系数;
根据灰度图像中各个像素点在不同复现方向上的方向异常系数,确定灰度图像中各个像素点在经线方向上的方向异常系数和在纬线方向上的方向异常系数;
根据灰度图像中各个像素点在经线方向上的方向异常系数和在纬线方向上的方向异常系数,确定灰度图像的局部异常系数。
10.根据权利要求1所述的针织面料轧染工艺异常检测方法,其特征在于,判断针织面料轧染工艺是否发生异常以及发生异常时的异常种类的步骤包括:
判断灰度图像的梯度异常值是否大于设定梯度异常值阈值,若不大于,则判定针织面料轧染工艺没有发生异常,否则判定针织面料轧染工艺发生异常;
若针织面料轧染工艺发生异常,则判断灰度图像的全局异常系数是否大于设定全局异常系数阈值,若大于,则判定针织面料本身纤维存在缺陷,否则判断灰度图像的局部异常系数是否位于第一局部异常系数范围内、第二局部异常系数范围内或第三局部异常系数范围内;
若灰度图像的局部异常系数位于第一局部异常系数范围内,则判定轧染机器异常,若灰度图像的局部异常系数位于第二局部异常系数范围内,则判定轧槽容积过大,若灰度图像的局部异常系数位于第三局部异常系数范围内,则判定轧染机器异常和轧槽容积过大至少存在其中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603454.2A CN114693677B (zh) | 2022-05-31 | 2022-05-31 | 一种针织面料轧染工艺异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603454.2A CN114693677B (zh) | 2022-05-31 | 2022-05-31 | 一种针织面料轧染工艺异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693677A true CN114693677A (zh) | 2022-07-01 |
CN114693677B CN114693677B (zh) | 2022-08-23 |
Family
ID=82131073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603454.2A Active CN114693677B (zh) | 2022-05-31 | 2022-05-31 | 一种针织面料轧染工艺异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693677B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049651A (zh) * | 2022-08-15 | 2022-09-13 | 邹城市天晖软件科技有限公司 | 一种钣金冲压异常检测方法 |
CN115170507A (zh) * | 2022-07-06 | 2022-10-11 | 鄄城鑫磊交通工程材料有限公司 | 基于图像数据的注浆管表面缺陷检测方法及系统 |
CN116805312A (zh) * | 2023-08-21 | 2023-09-26 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110134A1 (en) * | 2014-10-15 | 2016-04-21 | Nec Laboratories America, Inc. | Large-Scale, Dynamic Graph Storage and Processing System |
CN111027577A (zh) * | 2019-11-13 | 2020-04-17 | 湖北省纤维检验局 | 一种织物异常纹理类型识别方法和装置 |
CN111754495A (zh) * | 2020-06-29 | 2020-10-09 | 江南大学 | 一种基于brdpso算法的织物表面瑕疵检测方法 |
CN112184615A (zh) * | 2020-07-04 | 2021-01-05 | 浙江省常山纺织有限责任公司 | 基于图像处理的织物有色纤维检测系统 |
-
2022
- 2022-05-31 CN CN202210603454.2A patent/CN114693677B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110134A1 (en) * | 2014-10-15 | 2016-04-21 | Nec Laboratories America, Inc. | Large-Scale, Dynamic Graph Storage and Processing System |
CN111027577A (zh) * | 2019-11-13 | 2020-04-17 | 湖北省纤维检验局 | 一种织物异常纹理类型识别方法和装置 |
CN111754495A (zh) * | 2020-06-29 | 2020-10-09 | 江南大学 | 一种基于brdpso算法的织物表面瑕疵检测方法 |
CN112184615A (zh) * | 2020-07-04 | 2021-01-05 | 浙江省常山纺织有限责任公司 | 基于图像处理的织物有色纤维检测系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170507A (zh) * | 2022-07-06 | 2022-10-11 | 鄄城鑫磊交通工程材料有限公司 | 基于图像数据的注浆管表面缺陷检测方法及系统 |
CN115049651A (zh) * | 2022-08-15 | 2022-09-13 | 邹城市天晖软件科技有限公司 | 一种钣金冲压异常检测方法 |
CN115049651B (zh) * | 2022-08-15 | 2022-10-28 | 邹城市天晖软件科技有限公司 | 一种钣金冲压异常检测方法 |
CN116805312A (zh) * | 2023-08-21 | 2023-09-26 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
CN116805312B (zh) * | 2023-08-21 | 2024-01-05 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114693677B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114693677B (zh) | 一种针织面料轧染工艺异常检测方法 | |
Kumar | Computer-vision-based fabric defect detection: A survey | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN109584221A (zh) | 一种基于监督式生成对抗网络的异常图像检测方法 | |
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN111861996B (zh) | 一种印花织物疵点检测方法 | |
CN114663435B (zh) | 一种纺织布料张力异常自动监测方法 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN114782562A (zh) | 基于数据识别的服装布料浸染监测方法及人工智能系统 | |
CN104475344B (zh) | 基于机器视觉实现纺织纱管分拣的方法 | |
CN115311303A (zh) | 一种纺织品经纬缺陷检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
CN115082458B (zh) | 一种基于灰度游程矩阵的纺织材料疵点分析方法 | |
Goyal | Automation in fabric inspection | |
CN116823817A (zh) | 一种基于深度学习的纺织提花缺陷检测方法及系统 | |
CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN113936001B (zh) | 一种基于图像处理技术的纺织品表面瑕疵点检测方法 | |
Tajeripour et al. | Defect detection in patterned fabrics using modified local binary patterns | |
Tolba et al. | A self-organizing feature map for automated visual inspection of textile products | |
CN111709429A (zh) | 一种基于卷积神经网络的机织物结构参数识别方法 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
CN115294100A (zh) | 一种基于数据处理的织布机停车控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |