CN114782426B - 基于人工智能系统的针织布料断纱缺陷检测方法 - Google Patents

基于人工智能系统的针织布料断纱缺陷检测方法 Download PDF

Info

Publication number
CN114782426B
CN114782426B CN202210685473.4A CN202210685473A CN114782426B CN 114782426 B CN114782426 B CN 114782426B CN 202210685473 A CN202210685473 A CN 202210685473A CN 114782426 B CN114782426 B CN 114782426B
Authority
CN
China
Prior art keywords
holes
hole
knitted
image
knitted fabric
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
CN202210685473.4A
Other languages
English (en)
Other versions
CN114782426A (zh
Inventor
秦伟
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.)
Jiangsu Yizhen Textile Technology Co ltd
Original Assignee
Jiangsu Yizhen Textile Technology 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 Jiangsu Yizhen Textile Technology Co ltd filed Critical Jiangsu Yizhen Textile Technology Co ltd
Priority to CN202210685473.4A priority Critical patent/CN114782426B/zh
Publication of CN114782426A publication Critical patent/CN114782426A/zh
Application granted granted Critical
Publication of CN114782426B publication Critical patent/CN114782426B/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
    • G06T7/0002—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20036—Morphological 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及测试缺陷的存在技术领域，具体涉及基于人工智能系统的针织布料断纱缺陷检测方法。该方法包括以下步骤：对针织布料进行图像采集；对采集到的针织图像进行分析，识别出针织布料图像所有的孔洞区域，并分析其中的正常孔洞与断纱缺陷引起的孔洞的不同特征判断出缺陷；对具有断纱缺陷而引起的异常孔洞的针织布料进行回收返工。本发明利用图像处理技术检测针织布料的断纱情况，能高效准确的检测出针织布料的缺陷同时节省了检测人员的时间与精力。

Description

基于人工智能系统的针织布料断纱缺陷检测方法
技术领域
本发明涉及测试缺陷的存在技术领域，具体涉及基于人工智能系统的针织布料断纱缺陷检测方法。
背景技术
在针织布料制作过程中，针织布料由每根纱线有规律的串套而成，其编结密度较小且用的纱一般只加少许捻度，故而针织布料的成品质地柔软舒适。针织布料纱线间空隙较大，受力时布料易变形伸展，使得布料伸长，消除外力之后又能恢复原形状，具有良好的弹性，其针织布料由纱线串套而成，所以针织布料的每处地方的纱线都需要保持完好，若出现纱线断裂，则会影响断裂部分的周围纱线失去串套联系，进而导致布料出现连续的不正常孔洞或者破洞等，严重影响了针织布料的性能。因此对针织布料的断纱情况进行检测是至关重要的步骤。现有对针织布料断纱缺陷的检测方法主要依靠人工检测，通过工人逐个区域检查看是否具有缺陷，此方法效率不仅低下且比较枯燥，很容易出现漏检以及没注意到缺陷的情况而导致瑕疵品过检导致不必要的售后，虽然也有不少机器检测断纱带来的缺陷，但是因断纱缺陷引起的孔洞与正常孔洞有许多相似的特征，易与针织布料本身的孔洞混淆，不易区分造成误判。
发明内容
为了解决现有依靠人工进行针织布料断纱缺陷检测时存在的检测效率较低的问题，本发明的目的在于提供一种基于人工智能系统的针织布料断纱缺陷检测方法。
本发明的一种基于人工智能系统的针织布料断纱缺陷检测方法，包括以下步骤：
对针织布料进行图像采集；
对采集到的针织图像进行分析，识别出针织布料图像所有的孔洞区域，并分析其中的正常孔洞与断纱缺陷引起的孔洞的不同特征判断出缺陷；
对具有断纱缺陷而引起的异常孔洞的针织布料进行回收返工。
进一步的，所述对采集到的针织图像进行分析，识别出针织布料图像所有的孔洞区域，并分析其中的正常孔洞与断纱缺陷引起的孔洞的不同特征判断出缺陷，包括：
将采集到的针织布料图像进行预处理；
初步筛选出与正常针织孔洞具有明显差异的缺陷；
通过每种类型孔洞的分布特征检测剩下的针织孔洞是否符合分布规律。
进一步的，所述将采集到的针织布料图像进行预处理，包括：首先对采集到的图像进行灰度化处理获得针织布料的灰度图像；通过灰度图像采取合适的阈值将图像进行二值化获得二值图像，将针织图像分为表面的纱线部分与纱线串套后留下的间隙部分，同时利用形态学开运算对二值图像进行处理，将空隙中可能存在纱线存在毛边的情况而形成的图像上的一些小突刺进行消除。
进一步的，所述初步筛选出与正常针织孔洞具有明显差异的缺陷，包括：
通过灰度图像计算出水平方向与竖直方向上的灰度梯度值，对于每一个像素点对应的数据记为
Figure 839997DEST_PATH_IMAGE001
，通过分析
Figure 768639DEST_PATH_IMAGE002
的数据判断出该像素点的类型以及是否处于边缘；由此获得了由
Figure 966402DEST_PATH_IMAGE002
组成的数据矩阵；
Figure 638692DEST_PATH_IMAGE003
为像素点的灰度值，
Figure 605511DEST_PATH_IMAGE004
为像素点的水平方向的梯度值，
Figure 970633DEST_PATH_IMAGE005
为像素点的竖直方向的梯度值；
从二值图像中左上角开始自左而右，自上而下选取一个数据为白色像素点即灰度值为1的像素点，通过对应的梯度信息判断该点是否位于纱线的边缘位置来确定是否为需要选择的点，对于两个方向上的梯度信息不全为0的白色像素点，则该点就是需要寻找的像素点，通过遍历该点相邻的像素点存在同类型的像素点，再以相邻的同类型点为基础遍历另外的同类型点，对于每一个针织孔洞最终能够回到初始像素点；统计出每一个孔洞的数量以及对应的该类像素点的个数；
以像素点个数为横坐标，对应像素点个数的孔洞数量为纵坐标，获得像素-孔洞直方图；通过像素-孔洞直方图的峰值情况可以判断出多少种不同类型的孔洞，获得不同类型的孔洞i所对应的峰值si；
利用公式：
Figure 741447DEST_PATH_IMAGE006
式中为第j个孔洞对应的边缘像素点个数，si为第i种类型的孔洞的边缘像素点个数，
Figure 92794DEST_PATH_IMAGE007
为可允许的误差范围；对于全部的孔洞类型，若上述式中第j个孔洞与某种类型的孔洞满足此关系，则该孔洞就属于该类型。
进一步的，所述通过灰度图像计算出水平方向与竖直方向上的灰度梯度值，包括：
设相机采集到的针织图像的尺寸为m*n，通过二值图像来计算梯度情况，对于水平方向上的梯度则有：
Figure 366649DEST_PATH_IMAGE008
式中，
Figure DEST_PATH_IMAGE009
为坐标点为(x,y)的像素点的水平方向的梯度值，
Figure 840356DEST_PATH_IMAGE010
则为坐标点为(x,y)的像素点的灰度值；
对于竖直方向上的梯度则有：
Figure 934083DEST_PATH_IMAGE011
式中，
Figure 557962DEST_PATH_IMAGE012
为坐标点为(x,y)的像素点的水平方向的梯度值。
进一步的，所述通过每种类型孔洞的分布特征检测剩下的针织孔洞是否符合分布规律，包括：
通过像素-孔洞直方图，统计出每一种类型孔洞的个数：n1、n2…nn，对于针织布料可以分割成若干个由固定数量的每种类型针织孔洞组成的小区域，计算出每一种类型的孔洞的最大公约数z，则每种类型的针织孔洞在小区域的个数为：
Figure DEST_PATH_IMAGE013
式中将计算的每个值都进行四舍五入取整，计算每种类型的针织孔洞与同类型之间的投影距离；
利用距离公式：
Figure 92849DEST_PATH_IMAGE014
则其投影长度为：
Figure 534194DEST_PATH_IMAGE015
式中，
Figure 52900DEST_PATH_IMAGE016
为两孔洞中心点与水平方向上的夹角；
通过计算每个针织孔洞与周围同类型针织孔洞的距离获取其特征值：
Figure 746050DEST_PATH_IMAGE017
式中，
Figure 869864DEST_PATH_IMAGE018
为i类型的针织孔洞，
Figure 810007DEST_PATH_IMAGE019
为i类型的该点与周围同类型针织孔洞的投影距离，ki为该点针织孔洞与周围ki个同类型的针织孔洞距离；计算出同一类针织孔洞的特征值，以孔洞类型为横坐标，特征值为纵坐标获得针织孔洞离群特征直方图；其中每一种类型的正常针织孔洞计算得到的特征值都处于一定的区域，而异常的孔洞特征值则表现为离群性，即不在正常的区域范围内；
通过计算每一个针织孔洞对应的离群值来判断是否存在异常，将同种类的特征值进行从小到大排序：
Figure 691375DEST_PATH_IMAGE020
，利用公式：
Figure 437483DEST_PATH_IMAGE021
通过计算t的值来确定群落范围，对于聚集的数据，其t的值接近1，当
Figure 681383DEST_PATH_IMAGE022
，则认为满足上式的一些列
Figure DEST_PATH_IMAGE023
处于一个群落，而不在此范围内的则为缺陷的数据或者与另一个群落分界点，因此将每种类型的孔洞分为若干区域，计算每个区域的离群特征值；
Figure 402214DEST_PATH_IMAGE024
式中，Qi为区域的离群特征值，a，b为该区域内的边界，由此获得同一类型针织孔洞的区域离群特征值Qi1,Qi2…Qim，分别计算同类型孔洞每一个数据与每个区域离群特征值的归属情况；
Figure 629933DEST_PATH_IMAGE025
式中，
Figure 55098DEST_PATH_IMAGE026
为第n个针织孔洞的对第m个区域的归属值，该值越小则就越属于该区域；获得针织孔洞最接近的归属区域：
对于该孔洞的m个区域的数据
Figure 746979DEST_PATH_IMAGE027
中的最小值
Figure 435450DEST_PATH_IMAGE028
，判断有无缺陷：
Figure 619306DEST_PATH_IMAGE029
若为异常，则该孔洞或其周围邻近孔洞存在断纱缺陷。
进一步的，利用相机固定于针织布料的正上方对针织布料进行图像采集。
有益效果：本发明利用图像处理技术检测针织布料中断纱引起的缺陷，断纱引起的缺陷对产品的质量及使用时有着严重的影响，通过识别出该类缺陷的布料将其进行回收返工，确保产品的合格率以保证客户的使用体验。本发明利用图像处理技术检测针织布料的断纱情况，能高效准确的检测出针织布料的缺陷同时节省了检测人员的时间与精力。
附图说明
图1是本发明的一种基于人工智能系统的针织布料断纱缺陷检测方法的流程图；
图2是本发明的针织布料断纱缺陷导致的孔洞变化示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
在针织布料制作过程中，每根纱线有规律的串套编制出针织布料，其中每一根纱线的质量影响着整个针织布料的质量，其中断纱引起的缺陷最为严重，因断纱可能会导致后面一系列的缺陷，所以本发明通过利用图像处理技术对针织布料的断纱缺陷进行检测并对具有断纱缺陷的针织布料进行回收返工。本实施例的竹席切割装置的控制方法的整体逻辑是：通过相机采集针织布料图像，并对采集到的图像进行一系列预处理；对针织布料预处理后的图像进行分析识别图像所有可能会出现缺陷的区域；判断该区域是否是由针织布料断纱而引起的，并对断纱的布料进行回收。如图1所示为本实施例的基于人工智能系统的针织布料断纱缺陷检测方法的流程图。
具体的，本实施例的基于人工智能系统的针织布料断纱缺陷检测方法包括以下步骤：
（1）对针织布料进行图像采集；
本发明需要实现针织布料的断纱缺陷的检测，所以需要添加相应的装置即采样相机。利用相机采集图像，并分析图像采集到的针织图像，最后检测出是否具有断纱缺陷以进行后续的处理。
针织布料因纱线断裂而形成的连续的孔洞或是破洞。本实施例采用相机进行图像的采集，其中相机的布置要求为：相机固定于待检测针织布料的正上方，通过采集下方平台的针织布料图像进行断纱缺陷检测。
（2）对采集到的针织图像进行分析，识别出针织布料图像所有的孔洞区域，并分析其中的正常孔洞与断纱缺陷引起的孔洞的不同特征判断出缺陷；
基于人工智能系统的针织布料断纱缺陷检测的基础理论是：合格的针织布料其表面针织纹路具有一定的规律，通过对针织布料图像进行检测，首先判断出具有异常的区域，通过对异常区域的进一步分析判断该异常是否由断纱引起的异常，从而筛选出具有断纱缺陷的布料并对其回收加工。
本步骤包括以下几个小步骤：
①将采集到的针织布料图像进行预处理；
将相机采集到的图像先进行灰度化处理，因为该布料是由若干纱线根据一定规律串套编织而成，所以其灰度图像中针织布料图案呈现出一定的规律，首先对采集到的图像进行灰度化处理获得针织布料的灰度图像。通过灰度图像采取合适的阈值将图像进行二值化获得二值图像，将针织图像分为表面的纱线部分与纱线串套后留下的间隙部分，同时利用形态学开运算对二值图像进行处理，将空隙中可能存在纱线存在毛边的情况而形成的图像上的一些小突刺进行消除。
②初步筛选出与正常针织孔洞具有明显差异的缺陷；
完好的针织布料其灰度值分布情况具有一定规律，对于出现异常的区域其灰度值分布情况会发生变化，通过灰度图像计算出水平方向与竖直方向上的灰度梯度值，设相机采集到的针织图像的尺寸为m*n，通过上述获得的二值图像来计算梯度情况，对于水平方向上的梯度则有：
Figure 520266DEST_PATH_IMAGE030
式中，
Figure 4337DEST_PATH_IMAGE009
为坐标点为(x,y)的像素点的水平方向的梯度值，则为坐标点为(x,y)的像素点的灰度值。
同理对于竖直方向上的梯度则有：
Figure 191605DEST_PATH_IMAGE011
式中，
Figure 269282DEST_PATH_IMAGE012
为坐标点为(x,y)的像素点的水平方向的梯度值，
Figure 770671DEST_PATH_IMAGE010
则为坐标点为(x,y)的像素点的灰度值。
通过上述方法获得了两幅不同方向上的梯度图像，结合开运算处理后的二值图像，对于每一个像素点对应的数据此时记为
Figure 250194DEST_PATH_IMAGE001
，通过分析
Figure 546046DEST_PATH_IMAGE002
的数据可以判断出该像素点的类型以及是否处于边缘。如某个像素点对应的数据
Figure 970074DEST_PATH_IMAGE031
即表示该点位于纱线上且非边缘区域。由此获得了由
Figure 150520DEST_PATH_IMAGE002
组成的数据矩阵。
从二值图像中左上角开始自左而右，自上而下选取一个数据为白色像素点即灰度值为1的像素点，通过对应的梯度信息判断该点是否位于纱线的边缘位置来确定是否为我们需要选择的点，对于两个方向上的梯度信息不全为0的白色像素点，则该点就是我们需要寻找的像素点，通过遍历该点相邻的像素点存在同类型的像素点，再以相邻的同类型点为基础遍历另外的同类型点，对于每一个针织孔洞最终能够回到初始像素点。统计出每一个孔洞的数量以及对应的该类像素点的个数。
以像素点个数为横坐标，对应像素点个数的孔洞数量为纵坐标，获得像素-孔洞直方图。因为针织图像可能存在不同类型的孔洞，通过像素-孔洞直方图的峰值情况可以判断出多少种不同类型的孔洞，获得不同类型的孔洞i所对应的峰值si。
利用公式：
Figure 609183DEST_PATH_IMAGE006
式中
Figure 590783DEST_PATH_IMAGE032
为第j个孔洞对应的边缘像素点个数，si为第i种类型的孔洞的边缘像素点个数，
Figure 502107DEST_PATH_IMAGE007
为可允许的误差范围。对于全部的孔洞类型，若上述式中第j个孔洞与某种类型的孔洞满足此关系，则该孔洞就属于该类型。
由此初步筛选出一些较为明显的针织布料因断纱而引起的异常孔洞，可将此类针织布匹进行回收返工处理。
③通过每种类型孔洞的分布特征检测剩下的针织孔洞是否符合分布规律。
通过上述方法可以筛选出部分存在缺陷的针织孔洞，对于其针织布料中仍可能存在缺陷的针织孔洞，如一些较小的孔洞因纱线断裂导致孔洞变大，但是却又符合另一种类型的针织孔洞的特征，在检测时就很容易出现误判。因此在初步筛选出一些缺陷的针织孔洞之后需要进一步检测其中是否还存在具有缺陷的孔洞，因此通过每种类型的针织孔洞的分布情况来判断剩下的针织孔洞是否存在断纱情况。
对于针织布料来说是由若干纱线经过一定规律串套编织而成，所以每种类型的针织孔洞出现的位置是确定的且分布情况呈现出一定的规律。计算每一个针织孔洞的特征值，对于正常的针织孔洞，其计算得到的特征值符合一定规律，而异常的针织孔洞的特征值则具有离群特性。
通过像素-孔洞直方图，统计出每一种类型孔洞的个数：n1、n2…nn，对于针织布料可以分割成若干个由固定数量的每种类型针织孔洞组成的小区域，计算出每一种类型的孔洞的最大公约数z，则每种类型的针织孔洞在小区域的个数为：
Figure 345298DEST_PATH_IMAGE013
式中将计算的每个值都进行四舍五入取整，如：
Figure 799413DEST_PATH_IMAGE033
，则计算类型1孔洞与其邻近两个孔洞的投影距离，计算每种类型的针织孔洞与同类型之间的投影距离，使用投影距离可以消除缺陷孔洞可能会存在和正常孔洞距离相同的情况，如图2所示。
图2中右下角的孔洞本应为较小的孔洞，因断纱缺陷导致变为了另一种类型的，此时虚线框内的两孔洞距离相同，但是因为分布位置不同在水平方向上的投影距离却是不同的，这里的投影方向为水平向右。
利用距离公式：
Figure 905910DEST_PATH_IMAGE034
则其投影长度为：
Figure 570109DEST_PATH_IMAGE035
式中，
Figure 154674DEST_PATH_IMAGE016
为两孔洞中心点与水平方向上的夹角。
通过计算每个针织孔洞与周围同类型针织孔洞的距离获取其特征值。
Figure 915826DEST_PATH_IMAGE036
式中，
Figure 865327DEST_PATH_IMAGE018
为i类型的针织孔洞，
Figure 751244DEST_PATH_IMAGE019
为i类型的该点与周围同类型针织孔洞的投影距离，ki为该点针织孔洞与周围ki个同类型的针织孔洞距离。计算出同一类针织孔洞的特征值，以孔洞类型为横坐标，特征值为纵坐标获得针织孔洞离群特征直方图。其中每一种类型的正常针织孔洞计算得到的特征值都处于一定的区域，而异常的孔洞特征值则表现为离群性，即不在正常的区域范围内。
通过计算每一个针织孔洞对应的离群值来判断是否存在异常，将同种类的特征值进行从小到大排序：
Figure 467396DEST_PATH_IMAGE020
，利用公式：
Figure 630524DEST_PATH_IMAGE021
通过计算t的值来确定群落范围，对于聚集的数据，其t的值接近1，当
Figure 265773DEST_PATH_IMAGE022
，则认为满足上式的一些列
Figure 514352DEST_PATH_IMAGE023
处于一个群落，而不在此范围内的则为缺陷的数据或者与另一个群落分界点，因此将每种类型的孔洞分为若干区域，计算每个区域的离群特征值。
Figure 158829DEST_PATH_IMAGE024
式中，Qi为区域的离群特征值，a，b为该区域内的边界，由此获得同一类型针织孔洞的区域离群特征值Qi1,Qi2…Qim，分别计算同类型孔洞每一个数据与每个区域离群特征值的归属情况。
Figure 35518DEST_PATH_IMAGE037
式中，
Figure 451456DEST_PATH_IMAGE026
为第n个针织孔洞的对第m个区域的归属值，该值越小则就越属于该区域。获得针织孔洞最接近的归属区域：
对于该孔洞的m个区域的数据
Figure 187331DEST_PATH_IMAGE027
中的最小值
Figure 979706DEST_PATH_IMAGE028
，判断有无缺陷：
Figure 179743DEST_PATH_IMAGE038
若为异常，则该孔洞或其周围邻近孔洞存在断纱缺陷。
（3）对具有断纱缺陷而引起的异常孔洞的针织布料进行回收返工。
通过上述步骤，筛选出具有因断纱缺陷引起的异常孔洞的针织布料，对该布料进行回收，防止缺陷物品流入市场带来的不必要的售后。
本实施例利用图像处理技术检测针织布料中断纱引起的缺陷，断纱引起的缺陷对产品的质量及使用时有着严重的影响，通过识别出该类缺陷的布料将其进行回收返工，确保产品的合格率以保证客户的使用体验。本实施例利用图像处理技术检测针织布料的断纱情况，能高效准确的检测出针织布料的缺陷同时节省了检测人员的时间与精力。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于人工智能系统的针织布料断纱缺陷检测方法，其特征在于，包括以下步骤：
对针织布料进行图像采集；
对采集到的针织图像进行分析，识别出针织布料图像所有的孔洞区域，并分析其中的正常孔洞与断纱缺陷引起的孔洞的不同特征判断出缺陷；
对具有断纱缺陷而引起的异常孔洞的针织布料进行回收返工；所述对采集到的针织图像进行分析，识别出针织布料图像所有的孔洞区域，并分析其中的正常孔洞与断纱缺陷引起的孔洞的不同特征判断出缺陷，包括：
将采集到的针织布料图像进行预处理；
初步筛选出与正常针织孔洞具有明显差异的缺陷；
通过每种类型孔洞的分布特征检测剩下的针织孔洞是否符合分布规律；
所述初步筛选出与正常针织孔洞具有明显差异的缺陷，包括：
通过灰度图像计算出水平方向与竖直方向上的灰度梯度值，对于每一个像素点对应的数据记为
Figure DEST_PATH_IMAGE002
，通过分析
Figure DEST_PATH_IMAGE004
的数据判断出该像素点的类型以及是否处于边缘；由此获得了由
Figure 315579DEST_PATH_IMAGE004
组成的数据矩阵；
Figure DEST_PATH_IMAGE006
为像素点的灰度值，
Figure DEST_PATH_IMAGE008
为像素点的水平方向的梯度值，
Figure DEST_PATH_IMAGE010
为像素点的竖直方向的梯度值；
从二值图像中左上角开始自左而右，自上而下选取一个数据为白色像素点即灰度值为1的像素点，通过对应的梯度信息判断该点是否位于纱线的边缘位置来确定是否为需要选择的点，对于两个方向上的梯度信息不全为0的白色像素点，则该点就是需要寻找的像素点，通过遍历该点相邻的像素点存在同类型的像素点，再以相邻的同类型点为基础遍历另外的同类型点，对于每一个针织孔洞最终能够回到初始像素点；统计出每一个孔洞的数量以及对应的该类像素点的个数；
以像素点个数为横坐标，对应像素点个数的孔洞数量为纵坐标，获得像素-孔洞直方图；通过像素-孔洞直方图的峰值情况可以判断出多少种不同类型的孔洞，获得不同类型的孔洞i所对应的峰值si；
利用公式：
Figure DEST_PATH_IMAGE012
式中
Figure DEST_PATH_IMAGE014
为第j个孔洞对应的边缘像素点个数，
Figure DEST_PATH_IMAGE016
为可允许的误差范围；对于全部的孔洞类型，若上述式中第j个孔洞与某种类型的孔洞满足此关系，则该孔洞就属于该类型。
2.根据权利要求1所述的基于人工智能系统的针织布料断纱缺陷检测方法，其特征在于，所述将采集到的针织布料图像进行预处理，包括：首先对采集到的图像进行灰度化处理获得针织布料的灰度图像；通过灰度图像采取合适的阈值将图像进行二值化获得二值图像，将针织图像分为表面的纱线部分与纱线串套后留下的间隙部分，同时利用形态学开运算对二值图像进行处理，将空隙中可能存在纱线存在毛边的情况而形成的图像上的一些小突刺进行消除。
3.根据权利要求1所述的基于人工智能系统的针织布料断纱缺陷检测方法，其特征在于，所述通过灰度图像计算出水平方向与竖直方向上的灰度梯度值，包括：
设相机采集到的针织图像的尺寸为m*n，通过二值图像来计算梯度情况，对于水平方向上的梯度则有：
Figure DEST_PATH_IMAGE018
式中，
Figure DEST_PATH_IMAGE020
为坐标点为(x,y)的像素点的水平方向的梯度值，
Figure DEST_PATH_IMAGE022
则为坐标点为(x,y)的像素点的灰度值；
对于竖直方向上的梯度则有：
Figure DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE026
为坐标点为(x,y)的像素点的水平方向的梯度值。
4.根据权利要求1所述的基于人工智能系统的针织布料断纱缺陷检测方法，其特征在于，所述通过每种类型孔洞的分布特征检测剩下的针织孔洞是否符合分布规律，包括：
通过像素-孔洞直方图，统计出每一种类型孔洞的个数：n1、n2…nn，对于针织布料可以分割成若干个由固定数量的每种类型针织孔洞组成的小区域，计算出每一种类型的孔洞的最大公约数z，则每种类型的针织孔洞在小区域的个数为：
Figure DEST_PATH_IMAGE028
式中将计算的每个值都进行四舍五入取整，计算每种类型的针织孔洞与同类型之间的投影距离；
利用距离公式：
Figure DEST_PATH_IMAGE030
则其投影长度为：
Figure DEST_PATH_IMAGE032
式中，
Figure DEST_PATH_IMAGE034
为两孔洞中心点与水平方向上的夹角；
通过计算每个针织孔洞与周围同类型针织孔洞的距离获取其特征值：
Figure DEST_PATH_IMAGE036
式中，
Figure DEST_PATH_IMAGE038
为i类型的针织孔洞，
Figure DEST_PATH_IMAGE040
为i类型的该点与周围同类型针织孔洞的投影距离，ki为该点针织孔洞与周围ki个同类型的针织孔洞距离；计算出同一类针织孔洞的特征值，以孔洞类型为横坐标，特征值为纵坐标获得针织孔洞离群特征直方图；其中每一种类型的正常针织孔洞计算得到的特征值都处于一定的区域，而异常的孔洞特征值则表现为离群性，即不在正常的区域范围内；
通过计算每一个针织孔洞对应的离群值来判断是否存在异常，将同种类的特征值进行从小到大排序：
Figure DEST_PATH_IMAGE042
，利用公式：
Figure DEST_PATH_IMAGE044
通过计算t的值来确定群落范围，对于聚集的数据，其t的值接近1，当
Figure DEST_PATH_IMAGE046
，则认为满足上式的一些列
Figure DEST_PATH_IMAGE048
处于一个群落，而不在此范围内的则为缺陷的数据或者与另一个群落分界点，因此将每种类型的孔洞分为若干区域，计算每个区域的离群特征值；
Figure DEST_PATH_IMAGE050
式中，Qi为区域的离群特征值，a，b为该区域内的边界，由此获得同一类型针织孔洞的区域离群特征值Qi1,Qi2…Qim，分别计算同类型孔洞每一个数据与每个区域离群特征值的归属情况；
Figure DEST_PATH_IMAGE052
式中，
Figure DEST_PATH_IMAGE054
为第n个针织孔洞的对第m个区域的归属值，该值越小则就越属于该区域；获得针织孔洞最接近的归属区域：
对于该孔洞的m个区域的数据
Figure DEST_PATH_IMAGE056
中的最小值
Figure DEST_PATH_IMAGE058
，判断有无缺陷：
Figure DEST_PATH_IMAGE060
若为异常，则该孔洞或其周围邻近孔洞存在断纱缺陷。
5.根据权利要求1所述的基于人工智能系统的针织布料断纱缺陷检测方法，其特征在于，利用相机固定于针织布料的正上方对针织布料进行图像采集。
CN202210685473.4A 2022-06-17 2022-06-17 基于人工智能系统的针织布料断纱缺陷检测方法 Active CN114782426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210685473.4A CN114782426B (zh) 2022-06-17 2022-06-17 基于人工智能系统的针织布料断纱缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210685473.4A CN114782426B (zh) 2022-06-17 2022-06-17 基于人工智能系统的针织布料断纱缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114782426A CN114782426A (zh) 2022-07-22
CN114782426B true CN114782426B (zh) 2022-09-02

Family

ID=82420237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210685473.4A Active CN114782426B (zh) 2022-06-17 2022-06-17 基于人工智能系统的针织布料断纱缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114782426B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082462B (zh) * 2022-08-22 2022-11-08 山东海鑫达石油机械有限公司 一种流体输送管外观质量检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9008632D0 (en) * 1990-04-17 1990-06-13 Leicester Polytechnic Inspecting garments
CN105158258B (zh) * 2015-07-15 2017-09-01 广西师范大学 一种基于计算机视觉的竹条表面缺陷检测方法
CN113643276B (zh) * 2021-08-29 2024-02-02 浙江工业大学 一种基于统计分析的纺织物纹理缺陷自动检测方法
CN113643289B (zh) * 2021-10-13 2022-02-11 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

Also Published As

Publication number Publication date
CN114782426A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
Çelik et al. Development of a machine vision system: real-time fabric defect detection and classification with neural networks
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN115311303B (zh) 一种纺织品经纬缺陷检测方法
CN114782426B (zh) 基于人工智能系统的针织布料断纱缺陷检测方法
CN110189297B (zh) 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法
CN113592867B (zh) 一种基于碳纤维布面残留捆绑纱的检测方法
CN115187597B (zh) 一种纺织品缺陷检测方法
CN110659645B (zh) 一种数字仪表字符识别方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
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
CN109030499B (zh) 一种适用于目标缺陷连续在线检测防止缺陷数目重复计数的装置及方法
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
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
CN115311265A (zh) 基于纺织质量的织布机智能控制系统
KR102470422B1 (ko) 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템
CN113610843A (zh) 一种光纤编织层的实时缺陷识别系统及其方法
CN117333467A (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
CN115311264B (zh) 用于纺织生产的织物瑕疵线条缺陷识别方法
CN115082460B (zh) 一种织布生产线质量监控方法及系统
CN114693652B (zh) 基于高斯混合模型的织物缺陷检测方法
CN113283339B (zh) 基于机器视觉的工业矿料运输皮带少料异常监测方法
CN115294100A (zh) 一种基于数据处理的织布机停车控制方法及系统
CN116156157B (zh) 一种摄像头遮挡异常的检测方法及电子设备

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