CN114923912A - 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 - Google Patents
一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 Download PDFInfo
- Publication number
- CN114923912A CN114923912A CN202210444081.9A CN202210444081A CN114923912A CN 114923912 A CN114923912 A CN 114923912A CN 202210444081 A CN202210444081 A CN 202210444081A CN 114923912 A CN114923912 A CN 114923912A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- gray
- cake
- filtering
- 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.)
- Pending
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
- G01N21/8851—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
- G01N21/8851—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
-
- 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
Abstract
本发明涉及丝饼检测领域,具体是一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,包括S1:通过工业相机采集丝饼圆柱面、顶面及底面图像,并对图像进行灰度处理;S2:对灰度图像进行序贯滤波处理;S3:通过Sobel边缘检测算子识别丝饼圆柱面、顶面、底面滤波后灰度图中的边界,并测算出对应的尺寸;S4:定位出丝饼中的丝线部分;S5:根据定位出的丝线部分,从丝饼滤波后的灰度图中截取出对应部位;S6:检测丝线部分的灰度值及暗光部位面积识别丝饼油污;S7:将OTSU二值化处理后的丝线部分的滤波灰度图进行形态学开运算;S8:对开运算后二值化图片中缺陷区域的周长、面积及圆度进行计算;S9:根据周长、圆度及面积的计算结果对缺陷区域的类型进行识别。
Description
技术领域
本发明涉及丝饼检测技术领域,具体是一种基于机器视觉的锦纶丝饼外表面缺陷检测方法。
背景技术
锦纶纤维,学名聚酰氨纤维,是三大化纤之一。锦纶纤维性能优良,广泛应用于服装、医疗、国防航天等领域。
为了便于存放和运输,锦纶长丝通常卷绕在纸筒上形成丝饼。在锦纶长丝的生产过程中,由于加工工艺过程中加工速度过高、张力不均、假捻不充分、组件喷丝状态不良以及卷绕过程中纸管跳动等原因,生产出来的丝饼表面会存在一些缺陷,这些缺陷的存在不仅会影响丝饼的一等品率,而且会影响后续加工织造过程中织物的质量,严重影响企业的生产效益和竞争力。因此,对化纤锦纶丝饼的表面缺陷进行检测是整个生产过程中不可缺少的一部分。
丝饼加工过程中常见的表面缺陷包括:油污、压伤、绊丝及成型不良 (表现为丝饼上出现断层或凸起)。目前,锦纶自动化生产线上,丝饼表面缺陷检测大多都是依靠人工检测,效率低且受人为主观因素影响较大,易造成误检,此外,不同工人或者同一工人在不同的时间对表面缺陷的判断标准不能统一,检测结果的可信度不高。
发明内容
为解决上述问题,本发明提供了一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,可实现丝饼加工过程中常见表面缺陷:油污、压伤、绊丝及成型不良的自动区分识别;员工可根据丝饼表面缺陷的类别来判断是生产中的哪个环节出现了问题,及时进行相应调整,进而保证了丝饼的成品质量。
为了实现上述的技术目的,本发明所采用的技术方案为:
一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,包括:
S1:通过工业相机采集丝饼圆柱面、顶面及底面图像,并对图像进行灰度处理;
S2:对灰度图像进行序贯滤波处理,以去除图像中的噪声;
S3:通过Sobel边缘检测算子分别识别丝饼圆柱面、顶面、底面滤波后灰度图中的边界,并测算出圆柱面以平面形式展开的图中各边界间的间距及顶面、底面中各边界所对应的直径;
S4:将丝饼圆柱面、顶面及底面测算出的各边界间距及直径与输入的丝饼中丝线部分的高度值h及丝线部分的内径φ1、外径φ2进行对比,定位出丝饼中的丝线部分;
S5:根据定位出的丝线部分,从丝饼滤波后的灰度图中截取出对应部位,以获得丝饼中丝线部分的滤波灰度图;
S6:检测丝线部分的滤波灰度图中是否存在灰度值小于灰度阈值T的暗光部位,若有,则通过阈值分割法提取出暗光区域,并计算出暗光区域的面积;
对比暗光区域面积是否大于面积阈值A,若大于面积阈值A,则识别为丝饼油污;
S7:分别对丝线部分的滤波灰度图进行OTSU二值化处理,接着再将OTSU 二值化处理后的图片进行形态学开运算处理;
S8:分别对开运算处理后二值化图片中缺陷区域的周长、面积及圆度进行计算;
S9:根据周长、圆度及面积的计算结果对缺陷区域的类型进行识别。
作为一种可能的实施方式,进一步,S1具体包括如下:
S1.1:通过工业相机拍摄丝饼顶面及底面图像并进行存储;
S1.2:驱动丝饼旋转一周通过工业相机拍摄丝饼圆柱面图像,圆柱面图像以平面形式展开并进行存储;
S1.3:将各图像R、G、B三通道的通道值进加权平均运算并将运算结果赋值作为该点的灰度值。
作为一种较优的选择实施方案,优选的,S1.3中R、G、B的权值分别为0.32、0.56、0.12,即:
Gray=0.32R+0.56G+0.12B。
作为一种可能的实施方式,进一步,S2中序贯滤波包括:
分别设置水平、垂直、45度及135度的序贯滤波,四个方向序贯滤波表达式分别如下所示:
g(i,j)=K×f(i,j-1)+(1-K)×f(i,j)
g(i,j)=K×f(i-1,j)+(1-K)×f(i,j)
g(i,j)=K×f(i+1,j-1)+(1-K)×f(i,j)
g(i,j)=K×f(i-1,j-1)+(1-K)×f(i,j)
其中,f(i,j)表示为图像上第i行第j列的像素灰度值,g(i,j)表示序贯滤波之后的图像在第i行第j列的像素灰度值,K为滤波系数,其中,K∈[0,1];
对灰度图进行四个方向的贯序滤波,取四个图中每个像素位置最大灰度值作为融合后的对应像素灰度值,具体表达式如下:
t(x,y)=max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))
ga(x,y),gb(x,y),gc(x,y),gd(x,y)分别为水平、垂直、45度、135 度方向的序贯滤波结果图在坐标(x,y)处的灰度值,t(x,y)为融合后的图在坐标点(x,y)处的灰度值。
作为一种较优的选择实施方案,优选的,K=0.5。
作为一种可能的实施方式,进一步,S4具体为:
将输入的丝饼中丝线部分的高度值h与丝饼圆柱面以平面形式展开图中检测出的各边界间距进行比对,定位出与高度值h最相近的两边界;
将输入的丝饼中丝线部分的内径φ1、外径φ2与丝饼顶面及底面图像中各边界测得的直径进行比对,定位出丝饼顶面、底面中直径尺寸与内径φ1、外径φ2最相近的两圆形边界;从而确定出丝饼中的丝线部分。
作为一种可能的实施方式,进一步,S5具体为:
将Sobel边缘检测算子处理后的滤波灰度图与原丝饼滤波灰度图(即 S2获得的图像)进行重叠,从原丝饼滤波灰度图中定位出S4中定位出的各边界,然后从原丝饼滤波灰度图中截取两边界间的丝线部分,以获得丝饼中丝线部分的滤波灰度图。
作为一种可能的实施方式,进一步,S6中通过阈值分割法提取出暗光区域,并计算出暗光区域的面积,具体方式如下:
1)将图像各像素点的灰度值与灰度阈值T进行比较,将小于灰度阈值 T的象素点的灰度值赋值为255;将不小于灰度阈值T的象素点的灰度值赋值为0,表达式如下:
其中,f(x,y)表示为图像中(x,y)处象素点的原灰度值;g(x,y)表示为重新赋值后图像中同一(x,y)处象素点的灰度值,T表示为灰度阈值;
2)计算通过阈值分割法得到的图像中,灰度值为255的区域面积,即对图像内灰度值为255的像素点进行求和运算,表达式如下;
其中,S表示为暗光区域的面积,Rs表示为阈值分割法得到的图像上像素点的面积集合。
作为一种可能的实施方式,进一步,S8中缺陷区域周长的计算公式如下:
缺陷区域的周长为通过计算二值化图像中缺陷区域的边界长度获得,即对该图像内边界部分像素值为1的像素进行求和,表达式如下:
其中,C表示为缺陷区域的周长,Rl表示为二值化图像上边界处的像素点集合,f(x,y)表示为图像中(x,y)处象素点的像素值。
S8中缺陷区域面积的计算公式如下:
缺陷的面积大小是通过计算二值图像内具有缺陷部分的面积来获得,即对该图像内像素值为1的像素点数进行求和,表达式如下:
其中,S’表示为缺陷区域的面积,R’s表示为二值图像上像素点的面积集合。
S8中缺陷区域圆度的计算公式如下:
其中,Cy表示为缺陷区域的圆形度,C表示为缺陷区域的周长,S’表示为缺陷区域的面积。当Cy越接近于1时,缺陷区域的形状与圆越相近。
作为一种可能的实施方式,进一步,S9具体包括如下步骤
S9.1:通过形状及面积判断缺陷区域与S6中暗光区域是否为同一区域,若是,则将该缺陷区域识别为丝饼油污,若否,则执行S9.2;
S9.2:检测缺陷区域的圆度是否大于圆度预设值,若是,则执行S9.3,若否,则执行S9.4;
S9.3:测算缺陷区域所成圆的直径d,判断d是否满足φ1<d<φ2,若是,则将该缺陷区域识别为成型不良,若否,则将该缺陷区域识别为压伤;
S9.4:判断计算出的(面积-周长)/面积是否大于预设值,若是,则将该缺陷区域识别为压伤,若否,则将该缺陷区域识别为绊丝。
作为一种较优的选择实施方案,优选的,S9.2中圆度预设值为 0.88-0.92;S9.4中预设值为0.05-0.10。
基于上述方案,本发明进一步提供一种计算机可读的存储介质,所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述所述的基于机器视觉的锦纶丝饼外表面缺陷检测方法。
本发明的有益效果如下:
本发明提供的基于机器视觉的锦纶丝饼外表面缺陷检测方法不仅能够实现丝饼常见外观缺陷油污、压伤、绊丝及成型不良的检测,避免人工检测带来的不便,提升了检测丝饼外观的检测效率与准确度。此外,该基于机器视觉的锦纶丝饼外表面缺陷检测方法还能够实现丝饼外观各缺陷的区分识别,员工可根据丝饼表面出现的缺陷类型来判断是在丝饼生产的哪一环节中出现了问题,进而及时解决,从而确保了丝饼的产品质量,适宜推广应用。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
附图1为本发明的简要流程示意图;
附图2为正常丝饼及油污、绊丝、成型不良丝饼的示意图;
附图3为压伤丝饼的示意图;
附图4为丝饼的正视图;
附图5为丝饼的俯视图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如附图1-5所示,本方案一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,包括:
S1:通过工业相机采集丝饼圆柱面、顶面及底面图像,并对图像进行灰度处理;其中,将图像灰度处理后能够后期的运算量。
本实施例中S1具体采用如下实施方式:
S1.1:通过工业相机拍摄丝饼顶面及底面图像并进行存储;
S1.2:驱动丝饼旋转一周通过工业相机拍摄丝饼圆柱面图像,圆柱面图像以平面形式展开并进行存储;圆柱面图像以平面形式展开后得到的为一方形图。
S1.3:将各图像R、G、B三通道的通道值进加权平均运算并将运算结果赋值作为该点的灰度值。其中,R、G、B的权值分别为0.32、0.56、0.12,即:Gray=0.32R+0.56G+0.12B。
S2:对灰度图像进行序贯滤波处理,以去除图像中的噪声;
为了在提升滤波效果的同时,避免其计算量过大,本方案中,作为一种可能的实施方式,进一步,序贯滤波包括如下步骤:
分别设置水平、垂直、45度及135度的序贯滤波,四个方向序贯滤波表达式分别如下所示:
g(i,j)=K×f(i,j-1)+(1-K)×f(i,j)
g(i,j)=K×f(i-1,j)+(1-K)×f(i,j)
g(i,j)=K×f(i+1,j-1)+(1-K)×f(i,j)
g(i,j)=K×f(i-1,j-1)+(1-K)×f(i,j)
其中,f(i,j)表示为图像上第i行第j列的像素灰度值,g(i,j)表示序贯滤波之后的图像在第i行第j列的像素灰度值,K为滤波系数,K∈[0,1],本方案中滤波系数K=0.5;
由于序贯滤波与缺陷方向一致时,滤波效果较好,为提升滤波效果并避免运算量过大,本申请采用水平、垂直、45度及135度四个方向进行滤波;
对灰度图进行四个方向的贯序滤波,由于当缺陷方向与贯序滤波方向一致时,灰度值最大,因此取四个图中每个像素位置最大灰度值作为融合后的对应像素灰度值,具体表达式如下:
t(x,y)=max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))
ga(x,y),gb(x,y),gc(x,y),gd(x,y)分别为水平、垂直、45度、135 度方向的序贯滤波结果图(K=0.5)在坐标(x,y)处的灰度值,t(x,y)为融合后的图在坐标点(x,y)处的灰度值。
S3:通过Sobel边缘检测算子(其中,Sobel边缘检测算法简单,具有较高的效率,且对边缘定位比较准确,针对丝饼边缘的定位采用Sobel能够快速高效的定位出丝饼的各边界,从而快速定位出丝饼中的丝线部分) 分别识别丝饼圆柱面、顶面、底面滤波后灰度图中的边界,并测算出圆柱面以平面形式展开的图中各边界间的间距及顶面、底面中各边界所对应的直径;
其中,上述Sobel为现有算法,其算法考虑到像素的位置信息,将与中心像素距离较近的点的权值加大,与中心像素距离较远的点的权值变小,其表达式如下:
Gx(x,y)=[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]- [f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
Gy(x,y)=[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]- [f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
f(x,y)表示为图像中(x,y)点的灰度值。
Gx(x,y)、Gy(x,y)分别表示为图像中(x,y)分别在横向、纵向边缘检测的图像灰度值;
将每一个像素的横向及纵向灰度值进行结合,结合公式如下:
|G|=|Gx|+|Gy|,
当梯度G大于某一阀值时,则认为该点(x,y)为边缘点。
Sobel的卷积因子为:
S4:将丝饼圆柱面、顶面及底面测算出的各边界间距及直径与输入的丝饼中丝线部分的高度值h及丝线部分的内径φ1、外径φ2进行对比,定位出丝饼中的丝线部分;
为了定位出丝饼中的丝线部分,本方案中,作为一种可能的实施方式,进一步,S4具体包括如下步骤:
将输入的丝饼中丝线部分的高度值h与丝饼圆柱面以平面形式展开图中检测出的各边界间距进行比对,定位出与高度值h最相近的两边界;
将输入的丝饼中丝线部分的内径φ1、外径φ2与丝饼顶面及底面图像中各边界测得的直径进行比对,定位出丝饼顶面、底面中直径尺寸与内径φ1、外径φ2最相近的两圆形边界;从而确定出丝饼顶面、底面及圆柱面三幅图像中的丝线部分。通过该步骤能够避免丝饼缺陷检测过程中,中部纸筒或塑料筒对识别结果造成影响。
S5:根据定位出的丝线部分(即丝饼不含中部纸筒的丝线部分),从丝饼滤波后的灰度图中截取出对应部位;以获得丝饼中丝线部分的滤波灰度图。
为了获得丝饼中丝线部分的滤波灰度图,本方案中,作为一种可能的实施方式,进一步,S5具体包括如下步骤:
将Sobel边缘检测算子处理后的滤波灰度图与原丝饼滤波灰度图(即 S2获得的图像)进行重叠,从原丝饼滤波灰度图中定位出S4中定位出的各边界,然后从原丝饼滤波灰度图中截取两边界间的丝线部分,以获得丝饼中丝线部分的滤波灰度图。
为方便理解这边举一实例说明,以S4处理后得到的丝饼顶部图为例,将S4得到的丝饼顶部图与S2获得的丝饼顶部图重叠,在S2中定位出S4 得到的顶部图中定位出的边界,此时,S2中定位出的边界即为丝饼丝线部分的内径边界及外径边界,将两边界间的图截取出即为丝饼顶部图中丝线部分的滤波灰度图。丝饼圆柱面及底部图中丝线部分的滤波灰度图截取原理同上。
S6:检测丝线部分的滤波灰度图中是否存在灰度值小于灰度阈值T的暗光部位,若有,则通过阈值分割法提取出暗光区域,并计算出暗光区域的面积;
对比暗光区域面积是否大于面积阈值A,若大于面积阈值A,则识别为丝饼油污。其中,本发方案中的油污主要通过亮度进行识别,当丝饼上存在亮度小于灰度阈值T的部位时,则判定丝饼上存在有油污,其中,面积阈值A为人为预设值,其根据丝饼外观标准进行设定,即当油污的面积大于外观标准的面积阈值A时,此时,丝饼外观NG不合格,即将丝饼上有油污的识别结果进行输出。
为了提取并计算暗光区域的面积,本方案中,作为一种可能的实施方式,进一步,S6中通过阈值分割法提取出暗光区域,并计算出暗光区域的面积,具体方式如下:
1)将图像各像素点的灰度值与灰度阈值T进行比较,将小于灰度阈值 T的象素点的灰度值赋值为255(白色);将不小于灰度阈值T的象素点的灰度值赋值为0(黑色),表达式如下:
其中,f(x,y)表示为图像中(x,y)处象素点的原灰度值;g(x,y)表示为重新赋值后图像中同一(x,y)处象素点的灰度值,T表示为灰度阈值;
2)计算通过阈值分割法得到的图像中,灰度值为255的区域面积,即对图像内灰度值为255的像素点进行求和运算,表达式如下;
其中,S表示为暗光区域的面积,Rs表示为阈值分割法得到的图像上像素点的面积集合。
S7:分别对丝线部分的滤波灰度图进行OTSU二值化处理,接着再将OTSU 二值化处理后的图片进行形态学开运算处理;以达到消除噪声平滑图像和消除毛刺的效果。(开运算处理后的二值化图片中丝饼缺陷部位呈白色)。
其中,形态学开运算是一种首先对-幅图像进行腐蚀,然后再对其进行膨胀的形态学方法。开运算的作用不仅能够让两个狄窄的连接断开,而且可以使得轮廓边缘更加光滑,达到消除毛刺的效果,利于丝饼表面缺陷的识别。
S8:分别对开运算处理后二值化图片中缺陷区域的周长、面积及圆度进行计算;
为了计算缺陷区域的周长、面积及圆度,本方案中,作为一种可能的实施方式,进一步,S8中缺陷区域周长的计算公式如下:
缺陷区域的周长为通过计算二值化图像中缺陷区域的边界长度获得,即对该图像内边界部分像素值为1的像素进行求和,表达式如下:
其中,C表示为缺陷区域的周长,RL表示为二值化图像上边界处的像素点集合,f(x,y)表示为图像中(x,y)处象素点的像素值。
S8中缺陷区域面积的计算公式如下:
缺陷的面积大小是通过计算二值图像内具有缺陷部分的面积来获得,即对该图像内像素值为1的像素点数进行求和,表达式如下:
其中,S’表示为缺陷区域的面积,R’s表示为二值图像上像素点的面积集合。
S8中缺陷区域圆度的计算公式如下:
其中,Cy表示为缺陷区域的圆形度,C表示为缺陷区域的周长,S’表示为缺陷区域的面积。当Cy越接近于1时,缺陷区域的形状与圆越相近。
S9:根据周长、圆度及面积的计算结果对缺陷区域的类型进行识别。
为了实现缺陷区域的类型识别,本方案中,作为一种可能的实施方式,进一步,S9具体包括如下步骤:
S9.1:通过形状及面积判断缺陷区域与S6中暗光区域是否为同一区域,若是,则将该缺陷区域识别为丝饼油污,若否,则执行S9.2;
S9.2:检测缺陷区域的圆度是否大于圆度预设值(其中,圆度预设值为0.88-0.92),若是,则执行S9.3,若否,则执行S9.4;
S9.3:测算缺陷区域所成圆的直径d,判断d是否满足φ1<d<φ2,若是,则将该缺陷区域识别为成型不良,若否,则将该缺陷区域识别为压伤;
针对成型不良丝饼的丝线部分,其会表现为存在有的近似圆形的段差或凸起,因此可通过圆度进行判断,但针对压伤及油污缺陷也可能呈现出近似圆形的形状,因此为了避免误判,需进一步判断缺区域所成圆的直径d 是否落于φ1与φ2之间。
S9.4:判断计算出的(面积-周长)/面积是否大于预设值(预设值为 0.05-0.10),若是,则将该缺陷区域识别为压伤,若否,则将该缺陷区域识别为绊丝。其中,(面积-周长)/面积的表达式为:(S′-C)/S′。
针对绊丝缺陷,由于其呈条状因此采用(面积-周长)/面积的方式进行计算判定。S′为缺陷区域的面积,其是通过计算二值图像内具有缺陷部分的面积来获得,即对该图像内像素值为1的像素点数进行求和。C为缺陷区域的周长,其是通过计算二值化图像中缺陷区域的边界长度获得,即对该图像内边界部分像素值为1的像素进行求和。由于S’为缺陷区域像素点的求和,而C为缺陷区域边界像素点的求和,(面积-周长)即为缺陷区域内部像素点的个数(不含边界),故当(面积-周长)/面积越小时,即缺陷区域越呈现出细长状态,故可识别为绊丝。
在油污、压伤、绊丝及成型不良这四种常见的丝饼外观缺陷中。油污与压伤这两种缺陷在形状上没有特殊规律,因此图片在进行二值化或边缘检测算子处理后,两个区别点难以进行区分;为了避免该种情况,本方案在确定出丝饼中的丝线部分后,通过灰度阈值先检测出丝饼中的暗光区域,该区域即为丝饼中的油污部分。接着在后续二值化图片外表缺陷识别过程中,若检测到与暗光区域面积、形状相同的区域时,则可以将其识别为油污;即本发明通过油污及压伤的先、后检测避免了两者同时检测带来的误判,使识别准确度更高。
作为进一步改进的,将识别出外观缺陷在原图中的对应位置圈出标注后进行导出储存,以便于员工后续对丝饼外表缺陷的导出查看。
作为进一步改进的,当缺陷区域已识别为对应种类的外观缺陷后,不重复对缺陷区域进行后续识别操作。为便于理解,这边举一例子予以解释说明,即如果当S9.3中识别出该丝饼缺陷区域为成型不良后,该缺陷区域不再进行下个步骤S9.4的识别检测;为识别出具体缺陷种类的缺陷区域进行下个步骤的检测识别,以避免缺陷区域的重复计算,增加运算量。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,包括:
S1:通过工业相机采集丝饼圆柱面、顶面及底面图像,并对图像进行灰度处理;
S2:对灰度图像进行序贯滤波处理,以去除图像中的噪声;
S3:通过Sobel边缘检测算子分别识别丝饼圆柱面、顶面、底面滤波后灰度图中的边界,并测算出圆柱面以平面形式展开的图中各边界间的间距及顶面、底面中各边界所对应的直径;
S4:将丝饼圆柱面、顶面及底面测算出的各边界间距及直径与输入的丝饼中丝线部分的高度值h及丝线部分的内径φ1、外径φ2进行对比,定位出丝饼中的丝线部分;
S5:根据定位出的丝线部分,从丝饼滤波后的灰度图中截取出对应部位,以获得丝饼中丝线部分的滤波灰度图;
S6:检测丝线部分的滤波灰度图中是否存在灰度值小于灰度阈值T的暗光部位,若有,则通过阈值分割法提取出暗光区域,并计算出暗光区域的面积;
对比暗光区域面积是否大于面积阈值A,若大于面积阈值A,则识别为丝饼油污;
S7:分别对丝线部分的滤波灰度图进行OTSU二值化处理,接着再将OTSU二值化处理后的图片进行形态学开运算处理;
S8:分别对开运算处理后二值化图片中缺陷区域的周长、面积及圆度进行计算;
S9:根据周长、圆度及面积的计算结果对缺陷区域的类型进行识别。
2.根据权利要求1所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,S1具体包括如下:
S1.1:通过工业相机拍摄丝饼顶面及底面图像并进行存储;
S1.2:驱动丝饼旋转一周通过工业相机拍摄丝饼圆柱面图像,圆柱面图像以平面形式展开并进行存储;
S1.3:将各图像R、G、B三通道的通道值进加权平均运算并将运算结果赋值作为该点的灰度值。
3.根据权利要求2所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,S1.3中R、G、B的权值分别为0.32、0.56、0.12,即:
Gray=0.32R+0.56G+0.12B。
4.根据权利要求1所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,S2中序贯滤波包括:
分别设置水平、垂直、45度及135度的序贯滤波,四个方向序贯滤波表达式分别如下所示:
g(i,j)=K×f(i,j-1)+(1-K)×f(i,j)
g(i,j)=K×f(i-1,j)+(1-K)×f(i,j)
g(i,j)=K×f(i+1,j-1)+(1-K)×f(i,j)
g(i,j)=K×f(i-1,j-1)+(1-K)×f(i,j)
其中,f(i,j)表示为图像上第i行第j列的像素灰度值,g(i,j)表示序贯滤波之后的图像在第i行第j列的像素灰度值,K为滤波系数,其中,K∈[0,1];
对灰度图进行四个方向的贯序滤波,取四个图中每个像素位置最大灰度值作为融合后的对应像素灰度值,具体表达式如下:
t(x,y)=max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))
ga(x,y),gb(x,y),gc(x,y),gd(x,y)分别为水平、垂直、45度、135度方向的序贯滤波结果图在坐标(x,y)处的灰度值,t(x,y)为融合后的图在坐标点(x,y)处的灰度值。
5.根据权利要求1所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,S4具体为:
将输入的丝饼中丝线部分的高度值h与丝饼圆柱面以平面形式展开图中检测出的各边界间距进行比对,定位出与高度值h最相近的两边界;
将输入的丝饼中丝线部分的内径φ1、外径φ2与丝饼顶面及底面图像中各边界测得的直径进行比对,定位出丝饼顶面、底面中直径尺寸与内径φ1、外径φ2最相近的两圆形边界;从而确定出丝饼中的丝线部分。
6.根据权利要求1所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,S5具体为:
将Sobel边缘检测算子处理后的滤波灰度图与原丝饼滤波灰度图进行重叠,从原丝饼滤波灰度图中定位出S4中定位出的各边界,然后从原丝饼滤波灰度图中截取两边界间的丝线部分,以获得丝饼中丝线部分的滤波灰度图。
7.根据权利要求1所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,其特征在于,S6中通过阈值分割法提取出暗光区域,并计算出暗光区域的面积,具体方式如下:
1)将图像各像素点的灰度值与灰度阈值T进行比较,将小于灰度阈值T的象素点的灰度值赋值为255;将不小于灰度阈值T的象素点的灰度值赋值为0,表达式如下:
其中,f(x,y)表示为图像中(x,y)处象素点的原灰度值;g(x,y)表示为重新赋值后图像中同一(x,y)处象素点的灰度值,T表示为灰度阈值;
2)计算通过阈值分割法得到的图像中,灰度值为255的区域面积,即对图像内灰度值为255的像素点进行求和运算,表达式如下;
其中,S表示为暗光区域的面积,Rs表示为阈值分割法得到的图像上像素点的面积集合。
9.根据权利要求1所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,S9具体包括如下步骤
S9.1:通过形状及面积判断缺陷区域与S6中暗光区域是否为同一区域,若是,则将该缺陷区域识别为丝饼油污,若否,则执行S9.2;
S9.2:检测缺陷区域的圆度是否大于圆度预设值,若是,则执行S9.3,若否,则执行S9.4;
S9.3:测算缺陷区域所成圆的直径d,判断d是否满足φ1<d<φ2,若是,则将该缺陷区域识别为成型不良,若否,则将该缺陷区域识别为压伤;
S9.4:判断计算出的(面积-周长)/面积是否大于预设值,若是,则将该缺陷区域识别为压伤,若否,则将该缺陷区域识别为绊丝。
10.根据权利要求9所述的一种基于机器视觉的锦纶丝饼外表面缺陷检测方法,S9.2中圆度预设值为0.88-0.92;S9.4中预设值为0.05-0.10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444081.9A CN114923912A (zh) | 2022-04-26 | 2022-04-26 | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444081.9A CN114923912A (zh) | 2022-04-26 | 2022-04-26 | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114923912A true CN114923912A (zh) | 2022-08-19 |
Family
ID=82806254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210444081.9A Pending CN114923912A (zh) | 2022-04-26 | 2022-04-26 | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114923912A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563276A (zh) * | 2023-07-05 | 2023-08-08 | 菲特(天津)检测技术有限公司 | 一种化纤长丝在线缺陷检测方法及检测系统 |
CN116823924A (zh) * | 2023-08-24 | 2023-09-29 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
-
2022
- 2022-04-26 CN CN202210444081.9A patent/CN114923912A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563276A (zh) * | 2023-07-05 | 2023-08-08 | 菲特(天津)检测技术有限公司 | 一种化纤长丝在线缺陷检测方法及检测系统 |
CN116563276B (zh) * | 2023-07-05 | 2023-09-01 | 菲特(天津)检测技术有限公司 | 一种化纤长丝在线缺陷检测方法及检测系统 |
CN116823924A (zh) * | 2023-08-24 | 2023-09-29 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
CN116823924B (zh) * | 2023-08-24 | 2023-12-12 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN107256406B (zh) | 重叠纤维图像分割方法、装置、存储介质和计算机设备 | |
CN113658133B (zh) | 一种基于图像处理的齿轮表面缺陷检测方法及系统 | |
CN114923912A (zh) | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 | |
CN112330598B (zh) | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 | |
JP2009529196A (ja) | デジタル画像において目を検出する方法および装置 | |
CN113920086B (zh) | 一种碳纤维编织过程纱线状态检测方法及装置 | |
CN113344923B (zh) | 化纤丝锭表面缺陷检测方法、装置、电子设备及存储介质 | |
CN113658131A (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
CN114897894A (zh) | 一种筒纱菊花芯缺陷检测方法 | |
CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
KR102470422B1 (ko) | 합성곱 신경망 특징맵 기반 봉제 스티치 불량 자동 검출 방법 및 시스템 | |
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 | |
CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
CN114519696A (zh) | 基于光学智能化的pvc热收缩膜检测方法及系统 | |
CN114037657A (zh) | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 | |
CN111583202B (zh) | 一种毛丝检测方法及装置 | |
CN115471504B (zh) | 一种基于纺织物的线头自动识别方法 | |
CN116258703A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN111563869A (zh) | 用于摄像模组质检的污点测试方法 | |
CN111627053B (zh) | 通用喷丝孔清洗洁净度检测方法及系统 | |
CN114820453A (zh) | 一种基于深度学习的卷装长丝表面瑕疵检测方法 | |
CN112489015A (zh) | 一种用于移动机器人的化纤飘杂识别方法 | |
CN114140417A (zh) | 一种基于机器视觉的香烟滤棒识别方法及系统 | |
CN112489014A (zh) | 一种基于视觉的化纤飘杂检测方法 |
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 |