CN114742892A - 基于图像处理的纺织混棉机控制方法 - Google Patents

基于图像处理的纺织混棉机控制方法 Download PDF

Info

Publication number
CN114742892A
CN114742892A CN202210346889.3A CN202210346889A CN114742892A CN 114742892 A CN114742892 A CN 114742892A CN 202210346889 A CN202210346889 A CN 202210346889A CN 114742892 A CN114742892 A CN 114742892A
Authority
CN
China
Prior art keywords
pixel point
cotton
gray level
linear velocity
finished product
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
Application number
CN202210346889.3A
Other languages
English (en)
Other versions
CN114742892B (zh
Inventor
韩鹏
庄远航
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.)
Shaanxi Hezhimei Animation Industry Development Co ltd
Original Assignee
Nantong Bona 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 Nantong Bona Textile Co ltd filed Critical Nantong Bona Textile Co ltd
Priority to CN202210346889.3A priority Critical patent/CN114742892B/zh
Publication of CN114742892A publication Critical patent/CN114742892A/zh
Application granted granted Critical
Publication of CN114742892B publication Critical patent/CN114742892B/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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01G—PRELIMINARY TREATMENT OF FIBRES, e.g. FOR SPINNING
    • D01G13/00—Mixing, e.g. blending, fibres; Mixing non-fibrous materials with fibres
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Textile Engineering (AREA)
  • Preliminary Treatment Of Fibers (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及纺织混棉机控制领域，具体涉及基于图像处理的纺织混棉机控制方法。方法包括：根据混棉机试机状态时各线速度对应的混棉成品灰度图像，得到各线速度对应的混合高斯模型；根据混合高斯模型计算各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差；根据各像素点的位置计算各像素点的分布状态系数；根据各像素点的灰度级标准差和各像素点的分布状态系数，构建各线速度的混棉成品灰度图像的标准差‑分布状态矩阵；根据所述各线速度对应的混棉成品灰度图像的标准差‑分布状态矩阵，计算各线速度下的混合均匀度；根据各线速度下的混合均匀度，调节混棉机输棉帘的线速度。本发明实现了纺织混棉机的自动控制，同时也保证了生产效率。

Description

基于图像处理的纺织混棉机控制方法
技术领域
本发明涉及纺织混棉机控制领域，具体涉及基于图像处理的纺织混棉机控制方法。
背景技术
在纺织行业中，原棉作为纺纱的主要原料，占纺纱成本的65％-85％，为了满足不同纺纱产品的纤维构成，需要根据原料的品种、颜色、强度等不同的特性制定合理的配棉方案，通过自动混棉机等设备将不同原料按照配棉方案混合，因此在生产中对各种颜色、强度的原料棉纤维进行充分均匀的混合是保障纺纱产品质量的重要环节。
在混棉环节中，棉箱自动混棉机是重要的纺织机械，其采用“横铺直取，夹层混合”的方式进行混合，其凝棉器输出的棉层经摆斗逐层“横铺”在输棉帘上，角钉帘“直取”不同棉层中的纤维，这种“横铺直取”可使角钉帘在同一时间内抓取的棉堆包含各种成分的原料，其混合作用的程度取决于棉堆的铺层数和每层棉堆所包含的原料成分数，这就说明自动混棉机的摆斗摆动越快、输棉帘线速度越慢，混合作用越好。而在实际生产当中，为了提高生产效率，输棉帘的线速度越快越好。这就需要通过对混棉效果的评价来实现自动控制混棉机输棉帘的线速度。现有技术中，一般利用图像的二维熵来评价图像的复杂特性，若图像越复杂，说明其混合效果越差，但这种方式丢失了像素相互间的位置信息，多颜色纤维复合产品需要根据各种纤维的位置分布情况判断各种纤维的混合均匀度，因此现有方法无法适应多颜色纤维复合产品的混合效果评价，因此需要一种可以适应复杂混合条件的混合效果评价方式，进而实现混棉机输棉帘线速度参数的自动控制。
发明内容
为了解决现有方法无法对多颜色纤维复合产品的混合效果进行评价的问题，本发明的目的在于提供一种基于图像处理的纺织混棉机控制方法，所采用的技术方案具体如下：
本发明提供了一种基于图像处理的纺织混棉机控制方法,该方法包括以下步骤：
获取混棉机试机状态时不同线速度下的混棉成品灰度图像；根据各线速度对应的混棉成品灰度图像，得到各线速度下混棉成品灰度图像对应的混合高斯模型；
根据所述各线速度下混棉成品灰度图像对应的混合高斯模型，计算各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差；根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数；
根据所述各像素点的灰度级标准差和各像素点的分布状态系数，构建各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵；根据所述各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵，计算各线速度下混棉成品的混合均匀度；
根据各线速度下混棉成品的混合均匀度的大小，调节混棉机输棉帘的线速度参数。
优选的，采用如下公式计算各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差：
Figure BDA0003576802910000021
其中，
Figure BDA0003576802910000022
为某线速度对应的混棉成品灰度图像中第i个像素点的灰度级标准差，K为子高斯模型的数量，wk为第k个子高斯模型的权重，Ii为第i个像素点的灰度值，Gk(Ii)为第i个像素点在第k个子高斯模型的输出值，Pi为第i个像素点的灰度值输入到混合高斯模型中得到的输出值，σk为第k个子高斯模型的标准差。
优选的，根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数，包括：
将各线速度对应的混棉成品灰度图像中相同类别标签对应的各像素点的位置作为一个位置集合中的各元素，得到各线速度对应的混棉成品灰度图像对应的多个位置集合；
对于任一线速度对应的混棉成品灰度图像中的任一像素点：将该像素点分别加入到不同的位置集合中，分别以该像素点所在位置为原点，作两条夹角为90°或180°的射线，计算所述射线经过的位置集合中的像素点与对应原点的欧式距离，得到各线速度对应的混棉成品灰度图像中该像素点对应的两个距离集合；
根据各线速度对应的混棉成品灰度图像中各像素点对应的距离集合，得到各线速度对应的混棉成品灰度图像中各像素点的分布状态；
根据各线速度对应的混棉成品灰度图像中各像素点的分布状态，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数。
优选的，根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数，包括：
将各线速度对应的混棉成品灰度图像中相同类别标签对应的各像素点的位置作为一个位置集合中的各元素，得到各线速度对应的混棉成品灰度图像对应的多个位置集合；
对于任一线速度对应的混棉成品灰度图像中的任一像素点：将该像素点分别加入到不同的位置集合中，分别以该像素点所在位置为原点，作两条夹角为90°或180°的射线，计算所述射线经过的位置集合中的像素点与对应原点的欧式距离，得到各线速度对应的混棉成品灰度图像中该像素点对应的两个距离集合；
根据各线速度对应的混棉成品灰度图像中各像素点对应的距离集合，得到各线速度对应的混棉成品灰度图像中各像素点的分布状态；
根据各线速度对应的混棉成品灰度图像中各像素点的分布状态，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数。
优选的，采用如下公式计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数：
Figure BDA0003576802910000031
其中，Fi为第i个像素点的分布状态系数，K为子高斯模型的数量，pik为第i个像素点的灰度值Ii输入混合高斯模型中得到的第k个子高斯模型的输出值与该子高斯模型对应权重的乘积，Pi为第i个像素点的灰度值输入到混合高斯模型中得到的输出值，fik为第i个像素点的分布状态。
优选的，所述根据所述各像素点的灰度级标准差和各像素点的分布状态系数，构建各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵，包括：
对各像素点的灰度级标准差进行归一化处理，得到各像素点的归一化灰度级标准差；
将各像素点的归一化灰度级标准差和分布状态系数进行分级，根据分级结果构建各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵。
优选的，采用如下公式计算各线速度下混棉成品的混合均匀度：
Figure BDA0003576802910000032
其中，
Figure BDA0003576802910000033
为某线速度对应的混棉成品的混合均匀度，m为该线速度对应的混棉成品灰度图像中像素点的归一化灰度级标准差级别，n为该线速度对应的混棉成品灰度图像中像素点的分布状态系数级别，Y(m,n)为该线速度对应的混棉成品灰度图像中归一化灰度级标准差属于级别m且分布状态系数属于级别n的像素点在该线速度下混棉成品灰度图像中出现的概率，M为灰度级标准差级别的数量，N为分布状态系数级别，R为参数，R>M。
优选的，所述根据各线速度下混棉成品的混合均匀度的大小，调节混棉机输棉帘的线速度参数，包括：
筛除混合均匀度小于混合均匀度阈值的混棉成品灰度图像对应的线速度；
将剩余线速度中最大的线速度作为混棉机输棉帘的线速度参数。
本发明具有如下有益效果：本发明考虑到混棉成品可能是由多颜色纤维复合而成的，不同颜色的纤维的灰度级标准差不同，同种颜色的纤维在混棉成品图像中的分布越均匀越好。本发明计算了各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差；根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算了各线速度对应的混棉成品灰度图像中各像素点的分布状态系数，根据各像素点的灰度级标准差和各像素点的分布状态系数，计算了各线速度下混棉成品的混合均匀度。为了实现纺织混棉机的自动控制，本发明选取混合均匀度最大时对应的线速度作为混棉机输棉帘的线速度参数，实现了纺织混棉机的自动控制，同时也保证了生产效率。
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为本发明提供的一种基于图像处理的纺织混棉机控制方法的流程图；
图2为混棉成品灰度图像对应的标准差-分布状态矩阵的示意图。
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图像处理的纺织混棉机控制方法进行详细说明如下。
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图像处理的纺织混棉机控制方法的具体方案。
基于图像处理的纺织混棉机控制方法实施例
现有方法无法对多颜色纤维复合产品的混合效果进行评价的问题。为了解决上述问题，本实施例提出了基于图像处理的纺织混棉机控制方法，如图1所示，本实施例的基于图像处理的纺织混棉机控制方法包括以下步骤：
步骤S1，获取混棉机试机状态时不同线速度下的混棉成品灰度图像；根据各线速度对应的混棉成品灰度图像，得到各线速度下混棉成品灰度图像对应的混合高斯模型。
在混合机试机时，输棉帘的线速度有一定的范围，本实施例将混棉机按照线速度从小到大每次间隔为1/20线速度范围进行线速度递增生产，在混棉机出棉口设置工业相机，采集不同线速度下混棉成品图像，得到20张混棉成品图像。本实施例以一张混棉成品图像为例进行后续处理得到混合均匀度，其它混棉成品图像均可采用本实施例提供的方法得到混合均匀度。
本实施例将混棉成品图像进行灰度化处理，对混棉成品灰度图像进行灰度直方图统计。灰度直方图表示每个灰度值在整张混棉成品图像上出现的概率，以灰度直方图中灰度值以及灰度值出现的概率为样本数据，根据这些样本数据利用EM算法拟合混合高斯模型，混合高斯模型中子高斯模型的个数K根据不同原料纤维种类数进行设定，本实施例中以纤维种类数为10为例，混合高斯模型中子高斯模型的个数K的值为10，每个子高斯模型代表一种原料纤维种类。设该混合高斯模型中的第k个子高斯模型的权重为wk，均值为uk，标准差为σk，(k＝1,2,...,K)。EM算法为公知技术，此处不再赘述。
步骤S2，根据所述各线速度下混棉成品灰度图像对应的混合高斯模型，计算各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差；根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数。
本实施例根据混棉成品灰度图像中各像素点的混合高斯模型拟合结果，计算该混棉成品灰度图像中各像素点的灰度级标准差。对于该张混棉成品灰度图像中第i个像素点，将其记为Qi(i＝1,2,3,...,N)，将其对应的灰度值Ii输入拟合好的混合高斯模型中，输出的值为K个子高斯模型的值乘以其对应权重的累加和，即：
Figure BDA0003576802910000051
其中，Gk(Ii)为像素点Qi在第k个子高斯模型的输出值，wk为第k个子高斯模型的权重，Pi为像素点Qi的灰度值输入到混合高斯模型中得到的输出值。
对于该混棉成品灰度图像中一个像素点Qi，其对应的灰度级标准差
Figure BDA0003576802910000052
的计算方式如下：
Figure BDA0003576802910000053
其中，
Figure BDA0003576802910000054
为像素点Qi的灰度级标准差
Figure BDA0003576802910000055
至此，对于该混棉成品灰度图像中每个像素点都得到了其对应的灰度级标准差
Figure BDA0003576802910000056
本实施例对于该张混棉成品灰度图像中一个像素点Qi，衡量其分布状态的方式为评价该像素点相对于各种类的像素点的位置分布情况，具体方式如下：
将该张混棉成品灰度图像上所有像素点根据混合高斯模型进行分类。对于一个像素点Qi，其灰度值为Ii，将其输入进混合高斯模型中，设每个子高斯模型乘以其权重后的值为：
pik＝wk*Gk(Ii)
其中，pik为像素点Qi的灰度值Ii输入混合高斯模型中得到的第k个子高斯模型的输出值与该子高斯模型对应权重的乘积。对于一个像素点Qi会有pi1,pi2,...,pik,...,piK总共K个值，本实施例选择其中最大的一个，以其脚标ik中k的值作为其类别标签，记为Bi。此标签可能为1,2,...,K。对应了K个子高斯模型，此标签说明该像素点的灰度值属于哪个子高斯模型。
混棉成品灰度图像上所有像素点均采用上述处理，混棉成品灰度图像上每个像素点对应一个类别标签Bi(Bi＝1或2或...或K)。
本实施例对混棉成品灰度图像上所有像素点进行分类后，计算每个像素点的分布状态系数，具体方法如下：
获取混棉成品灰度图像中每个像素点的位置像素点的位置：以该混棉成品灰度图像左上角为原点，像素所在行数为x，列数为y；将混棉成品灰度图像中相同类别标签的像素点作为一个位置集合，共得到K个位置集合。
对于一个像素点Qi，将其位置(xi,yi)加入到不同的位置集合中，并计算新获得的K个位置集合的分布状态，即计算其位置相对于所有不同位置集合的分布状态。方法如下：对于一个新获得的位置集合，以像素点Qi位置为原点，作两条射线记为射线α和射线β，射线α和射线β的夹角为90°或180°，设为再分别计算这两条射线经过的位置集合中的像素点和像素点Qi的欧式距离，得到Dα和Dβ两个距离集合。将Dα和Dβ中的距离进行集合间做差并求绝对值，例如：对于Dα中的一个距离L1，计算L1与Dβ中所有距离差值的绝对值，取这些绝对值中最小的值作为此Dα中距离L1对应的集合间距离差，同理得到Dα中其它距离对应的集合间距离差。Dβ中的距离同理，计算其与Dα中所有距离的差值绝对值，并取最小的值，以此种方式计算Dα,Dβ中所有距离的集合间距离差，并统计这些距离差中小于距离差值容忍度的个数，计算此个数与总个数的比值，此比值即为分布状态f，分布状态f为0-1之间的数。本实施例设置距离差值容忍度为3，具体应用中，根据实际需要进行设定。
对于一个像素点Qi，将所有新获得的位置集合均按上述步骤计算其对应的分布状态，得到fi1,fi2,...,fik,...,fiK，其中，fi1为像素点Qi在第1个位置集合中的分布状态，fi2为像素点Qi在第2个位置集合中的分布状态，fik为像素点Qi在第k个位置集合中的分布状态，fiK为像素点Qi在第K个位置集合中的分布状态。本实施例根据像素点Qi在每个位置集合中的分布状态，计算像素点Qi的分布状态系数Fi，计算公式如下：
Figure BDA0003576802910000061
至此对于混棉成品灰度图像上每个像素点均对应一个分布状态系数，该分布状态系数为0-1之间的数。
步骤S3，根据所述各像素点的灰度级标准差和各像素点的分布状态系数，构建各线速度对应的混棉成品图像的标准差-分布状态矩阵；根据所述各线速度对应的混棉成品图像的标准差-分布状态矩阵，计算各线速度下混棉成品的混合均匀度。
本实施例根据混棉成品灰度图像中各像素点的分布状态系数以及各像素点对应的灰度级标准差构建混棉成品图像的标准差-分布状态矩阵，并进一步根据此矩阵计算混合均匀度。
具体的，对于一个像素点Qi，其对应一个灰度级标准差
Figure BDA0003576802910000071
以及一个分布状态系数Fi。对于像素点Qi的灰度级标准差
Figure BDA0003576802910000072
本实施例将其进行归一化处理，所述归一化公式如下：
Figure BDA0003576802910000073
其中，γ为归一化系数，归一化处理后
Figure BDA0003576802910000074
的值为0-1之间，本实施例中γ的值为0.11，具体应用中，γ的取值根据情况进行设定。
本实施例基于混棉成品图像中各像素点对应的
Figure BDA0003576802910000075
和Fi，构建混棉成品图像的标准差-分布状态矩阵，具体构建过程如下：
对
Figure BDA0003576802910000076
Fi进行分级，由于二者均为0到1之间的数，则二者均按照同样方式分级，分级方式为[0,0.1]为级别1、(0.1,0.2]级别为2、...、(0.9,1]级别为10，构建的标准差-分布状态矩阵如图2所示，其矩阵(m,n)位置元素值表示混棉成品灰度图像中归一化灰度级标准差级别为m且分布状态系数级别为n的像素点在灰度图像上出现的概率，以Y(m,n)表示。
本实施例根据标准差-分布状态矩阵，计算该线速度对应的混棉成品图像的混合均匀度，标准差-分布状态矩阵中，Y(m,n)越大，即混棉成品灰度图像中灰度级标准差级别为m且分布状态系数级别为n的像素点出现的概率越大，说明混棉成品图像中各种成分的原料分布的越均匀，即混合均匀度越大。具体计算混合均匀度的公式如下：
Figure BDA0003576802910000077
其中，
Figure BDA0003576802910000078
为混合均匀度，M为灰度级标准差级别的数量，N为分布状态系数级别，R为参数，R>M。本实施例中R的取值为11，因此
Figure BDA0003576802910000079
的取值为[1,100]。
步骤S4，根据各线速度下混棉成品的混合均匀度的大小，调节混棉机输棉帘的线速度参数。
本实施例采用上述步骤得到了20张混棉成品图像对应的混合均匀度，即一个线速度参数对应一个混合均匀度，这二者构成一个二元组，形式为
Figure BDA00035768029100000710
其中，v为输棉帘的线速度。输棉帘线速度有一定的范围，本实施例设置混合均匀度阈值为90，将所有混合均匀度小于混合均匀度阈值的二元组筛除，在剩下的二元组中挑选线速度v最大的作为最终混棉机输棉帘的线速度参数。混合均匀度阈值根据实际情况进行设定。本实施例实现了纺织混棉机的自动控制，同时也保证了生产效率。
本实施例中采集混棉成品图像的数量、分布状态系数级别数量、灰度级标准差级别数量和级别范围，实施者可根据实际情况，自行设置采集混棉成品图像的数量。
本实施例考虑到混棉成品可能是由多颜色纤维复合而成的，不同颜色的纤维的灰度级标准差不同，同种颜色的纤维在混棉成品图像中的分布越均匀越好。本实施例计算了各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差；根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算了各线速度对应的混棉成品灰度图像中各像素点的分布状态系数，根据各像素点的灰度级标准差和各像素点的分布状态系数，计算了各线速度下混棉成品的混合均匀度。为了实现纺织混棉机的自动控制，本实施例选取混合均匀度最大时对应的线速度作为混棉机输棉帘的线速度参数，实现了纺织混棉机的自动控制，同时也保证了生产效率。
需要说明的是：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 (8)

1.一种基于图像处理的纺织混棉机控制方法，其特征在于，该方法包括以下步骤：
获取混棉机试机状态时不同线速度下的混棉成品灰度图像；根据各线速度对应的混棉成品灰度图像，得到各线速度下混棉成品灰度图像对应的混合高斯模型；
根据所述各线速度下混棉成品灰度图像对应的混合高斯模型，计算各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差；根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数；
根据所述各像素点的灰度级标准差和各像素点的分布状态系数，构建各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵；根据所述各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵，计算各线速度下混棉成品的混合均匀度；
根据各线速度下混棉成品的混合均匀度的大小，调节混棉机输棉帘的线速度参数。
2.根据权利要求1所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，采用如下公式计算各线速度对应的混棉成品灰度图像中各像素点的灰度级标准差：
Figure FDA0003576802900000011
其中，
Figure FDA0003576802900000012
为某线速度对应的混棉成品灰度图像中第i个像素点的灰度级标准差，K为子高斯模型的数量，wk为第k个子高斯模型的权重，Ii为第i个像素点的灰度值，Gk(Ii)为第i个像素点在第k个子高斯模型的输出值，Pi为第i个像素点的灰度值输入到混合高斯模型中得到的输出值，σk为第k个子高斯模型的标准差。
3.根据权利要求1所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，根据各线速度对应的混棉成品灰度图像中各像素点的位置，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数，包括：
将各线速度对应的混棉成品灰度图像中相同类别标签对应的各像素点的位置作为一个位置集合中的各元素，得到各线速度对应的混棉成品灰度图像对应的多个位置集合；
对于任一线速度对应的混棉成品灰度图像中的任一像素点：将该像素点分别加入到不同的位置集合中，分别以该像素点所在位置为原点，作两条夹角为90°或180°的射线，计算所述射线经过的位置集合中的像素点与对应原点的欧式距离，得到各线速度对应的混棉成品灰度图像中该像素点对应的两个距离集合；
根据各线速度对应的混棉成品灰度图像中各像素点对应的距离集合，得到各线速度对应的混棉成品灰度图像中各像素点的分布状态；
根据各线速度对应的混棉成品灰度图像中各像素点的分布状态，计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数。
4.根据权利要求3所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，所述根据各线速度对应的混棉成品灰度图像中各像素点对应的距离集合，得到各线速度对应的混棉成品灰度图像中各像素点的分布状态，包括：
对于任一线速度对应的混棉成品灰度图像中的任一像素点：计算该像素点对应的其中一个距离集合中的各元素与该像素点对应的另一个距离集合中的各元素的差值的绝对值，将差值的绝对值的最小值作为距离集合中各元素对应的集合间距离差；统计所述集合间距离差中小于距离差值容忍度的个数，计算所述个数与集合间距离差总个数的比值，将所述比值作为该像素点在对应位置集合中的分布状态。
5.根据权利要求3所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，采用如下公式计算各线速度对应的混棉成品灰度图像中各像素点的分布状态系数：
Figure FDA0003576802900000021
其中，Fi为第i个像素点的分布状态系数，K为子高斯模型的数量，pik为第i个像素点的灰度值Ii输入混合高斯模型中得到的第k个子高斯模型的输出值与该子高斯模型对应权重的乘积，Pi为第i个像素点的灰度值输入到混合高斯模型中得到的输出值，fik为第i个像素点的分布状态。
6.根据权利要求1所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，所述根据所述各像素点的灰度级标准差和各像素点的分布状态系数，构建各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵，包括：
对各像素点的灰度级标准差进行归一化处理，得到各像素点的归一化灰度级标准差；
将各像素点的归一化灰度级标准差和分布状态系数进行分级，根据分级结果构建各线速度对应的混棉成品灰度图像的标准差-分布状态矩阵。
7.根据权利要求1所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，采用如下公式计算各线速度下混棉成品的混合均匀度：
Figure FDA0003576802900000022
其中，
Figure FDA0003576802900000023
为某线速度对应的混棉成品的混合均匀度，m为该线速度对应的混棉成品灰度图像中像素点的归一化灰度级标准差级别，n为该线速度对应的混棉成品灰度图像中像素点的分布状态系数级别，Y(m,n)为该线速度对应的混棉成品灰度图像中归一化灰度级标准差属于级别m且分布状态系数属于级别n的像素点在该线速度下混棉成品灰度图像中出现的概率，M为灰度级标准差级别的数量，N为分布状态系数级别，R为参数，R>M。
8.根据权利要求1所述的一种基于图像处理的纺织混棉机控制方法，其特征在于，所述根据各线速度下混棉成品的混合均匀度的大小，调节混棉机输棉帘的线速度参数，包括：
筛除混合均匀度小于混合均匀度阈值的混棉成品灰度图像对应的线速度；
将剩余线速度中最大的线速度作为混棉机输棉帘的线速度参数。
CN202210346889.3A 2022-04-01 2022-04-01 基于图像处理的纺织混棉机控制方法 Active CN114742892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210346889.3A CN114742892B (zh) 2022-04-01 2022-04-01 基于图像处理的纺织混棉机控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210346889.3A CN114742892B (zh) 2022-04-01 2022-04-01 基于图像处理的纺织混棉机控制方法

Publications (2)

Publication Number Publication Date
CN114742892A true CN114742892A (zh) 2022-07-12
CN114742892B CN114742892B (zh) 2023-10-27

Family

ID=82279252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210346889.3A Active CN114742892B (zh) 2022-04-01 2022-04-01 基于图像处理的纺织混棉机控制方法

Country Status (1)

Country Link
CN (1) CN114742892B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115434054A (zh) * 2022-10-28 2022-12-06 富尔美技术纺织(苏州)有限公司 一种多色纤维均匀混合加工工艺

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109612888A (zh) * 2018-12-12 2019-04-12 太原理工大学 基于图像技术的粉体混合均匀性检测方法
CN109636014A (zh) * 2018-11-28 2019-04-16 郑州轻工业学院 一种基于成纱质量预测的配棉方法
US20210224954A1 (en) * 2017-08-28 2021-07-22 Beijing Boe Display Technology Co., Ltd. Image processing method and device, storage medium and computer device
CN113393490A (zh) * 2020-03-12 2021-09-14 中国电信股份有限公司 目标检测方法及装置、计算机可存储介质
CN114120316A (zh) * 2021-10-27 2022-03-01 中国科学院金属研究所 一种评价第二相尺寸均匀度和分布均匀度的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210224954A1 (en) * 2017-08-28 2021-07-22 Beijing Boe Display Technology Co., Ltd. Image processing method and device, storage medium and computer device
CN109636014A (zh) * 2018-11-28 2019-04-16 郑州轻工业学院 一种基于成纱质量预测的配棉方法
CN109612888A (zh) * 2018-12-12 2019-04-12 太原理工大学 基于图像技术的粉体混合均匀性检测方法
CN113393490A (zh) * 2020-03-12 2021-09-14 中国电信股份有限公司 目标检测方法及装置、计算机可存储介质
CN114120316A (zh) * 2021-10-27 2022-03-01 中国科学院金属研究所 一种评价第二相尺寸均匀度和分布均匀度的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈俊琰: ""梳棉机棉网质量计算机视觉检测系统研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115434054A (zh) * 2022-10-28 2022-12-06 富尔美技术纺织(苏州)有限公司 一种多色纤维均匀混合加工工艺

Also Published As

Publication number Publication date
CN114742892B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN111650088B (zh) 一种流态混凝土拌合物流变性能实时检测方法
DE3885409T2 (de) System zur überwachung und analyse eines kontinuierlichen prozesses.
CN114742892B (zh) 基于图像处理的纺织混棉机控制方法
DE3850651T2 (de) Vorrichtung und verfahren zur schnellen detektion von bildfehlehrn.
CN110490858B (zh) 一种基于深度学习的织物缺陷像素级分类方法
CN104346818B (zh) 一种机织物密度自动测量方法
CN104282008B (zh) 对图像进行纹理分割的方法和装置
CN115294138A (zh) 一种基于高速混料机的混料均匀程度评估方法
Pawening et al. Classification of textile image using support vector machine with textural feature
CN115147421B (zh) 一种用于建筑垃圾回收的再生骨料分级评价方法
Nandi et al. Machine vision based automatic fruit grading system using fuzzy algorithm
DE102021103233A1 (de) Optimierte Herstellung eines Altpapierprodukts
CN112122175B (zh) 一种色选机的物料增强特征识别剔选方法
Suksawat et al. Pineapple quality grading using image processing and fuzzy logic based on Thai Agriculture Standards
CN110935646A (zh) 基于图像识别的全自动螃蟹分级系统
EP3468727B1 (de) Sortiervorrichtung sowie entsprechendes sortierverfahren
CN106096663A (zh) 一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法
JPH06318244A (ja) 画像処理装置およびこの装置を用いた牛枝肉格付システム
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
CN108304910A (zh) 一种基于机器视觉的空调压缩机滑片计数方法
CN111294588B (zh) 一种cmos图像传感器中白色像素分布的分析装置及方法
CN103736673A (zh) 一种用于色选机的物料循环分选方法
CN116310511B (zh) 基于自学习的实木地板颜色分类方法
CN106548497B (zh) 一种基于物联网的木地板成套调配色系统
CN114519820B (zh) 一种基于机器视觉的柑橘筛选自动修正控制方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20240806

Address after: 725000 Baimiao Village Dongba Resettlement Community, Xincheng Street Office, Hanbin District, Ankang City, Shaanxi Province

Patentee after: Shaanxi Hezhimei Animation Industry Development Co.,Ltd.

Country or region after: China

Address before: 226126 Dongshou, Sanchang Town, Haimen City, Nantong City, Jiangsu Province

Patentee before: Nantong Bona Textile Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right