CN115063424A - 基于计算机视觉的纺织纱管纱线检测方法 - Google Patents

基于计算机视觉的纺织纱管纱线检测方法 Download PDF

Info

Publication number
CN115063424A
CN115063424A CN202210989653.1A CN202210989653A CN115063424A CN 115063424 A CN115063424 A CN 115063424A CN 202210989653 A CN202210989653 A CN 202210989653A CN 115063424 A CN115063424 A CN 115063424A
Authority
CN
China
Prior art keywords
yarn
pixel points
gray level
suspected
bobbin
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
CN202210989653.1A
Other languages
English (en)
Other versions
CN115063424B (zh
Inventor
刘秋秋
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.)
Nantong Yongan Textile Co ltd
Original Assignee
Nantong Yongan 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 Yongan Textile Co ltd filed Critical Nantong Yongan Textile Co ltd
Priority to CN202210989653.1A priority Critical patent/CN115063424B/zh
Publication of CN115063424A publication Critical patent/CN115063424A/zh
Application granted granted Critical
Publication of CN115063424B publication Critical patent/CN115063424B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于计算机视觉的纺织纱管纱线检测方法，本方法可以集成为生产领域的人工智能系统，可以作为一种人工智能优化操作系统、人工智能中间件等，可以用于计算机视觉软件的开发。该方法包括：捕获并识别纱管表面图像，并对图像进行预处理，获得纱管灰度图像；根据纱管灰度图像中疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似纱线像素点为纱线像素点的概率，并利用此概率获得纱线像素点的数量。本发明可以精确的区分纱管上存在少量纱线的情况，同时可以适应复杂的工况环境，避免由于光照或其他复杂工况所导致的纱管残余纱线的误检测，提高纱管上残余纱线检测的准确度，避免影响后续的分类、回流。

Description

基于计算机视觉的纺织纱管纱线检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于计算机视觉的纺织纱管纱线检测方法。
背景技术
在工业纺织领域，一般需要对绕纱的纱管进行检测，检测纱管上是否还有残余的纱线，并将存在纱线的纱管挑选出来，在分拣过程中会有一些纱管的含纱量非常少的情况，然后将存在纱线的纱管从理管机中挑选出来，送入回流装置。传统的人工检测方法已经无法满足目前的生产要求，很大程度上限制了纺织制造业的发展和进步，这是由于传统人工检测的方法效率低下，出错率高，成本大；另一方面人类眼睛的生理极限也导致了人工检测无法达到计算机检测的精度以及持久度；而计算机的快速性、可靠性和准确性使得计算机检测技术更加适合对于纱管的含纱量进行检测。
现有技术中利用机器视觉对于纱管是否含有纱线以及含纱的多少的检测已经有很多种方法了，有根据纱线的灰度值以及颜色对比法等对纱管上的纱线进行识别的，还有利用模板对比的方法将无纱线的纱管的图像与有纱线的纱管的图像进行对比来检测纱管是否有残余纱线；这些方法虽然能够识别出残余纱线较多的情况，但对于残余纱线较少的纱管的检测并不理想，并且不能排除获取图像时光照的影响以及纱管反光区域噪声的问题，会使检测的精度降低。
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计算机视觉的纺织纱管纱线检测方法，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计算机视觉的纺织纱管纱线检测方法：获取只包含纱管的图像，将图像灰度化获得纱管灰度图像；利用纱管灰度图像中像素点的最大灰度级和最小灰度级确定第一灰度级，所述第一灰度级小于最大灰度级，大于最小灰度级和最大灰度级的中间量；根据纱管灰度图像中的最大、最小灰度级和第一灰度级获得各灰度级的关注度；基于各灰度级的关注度确定疑似纱线像素点；
利用疑似纱线像素点以及邻域内像素点灰度值的变化趋势获得疑似纱线像素点的灰度波动程度；获得疑似纱线像素点和其邻域内像素点的梯度方向向量；疑似纱线像素点的梯度方向向量与邻域内其他像素点的梯度方向向量的余弦相似度的方差为疑似纱线像素点的梯度方向一致性；
基于疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似纱线像素点为纱线像素点的概率；利用疑似纱线像素点为纱线像素点的概率确定纱管灰度图像中为纱线像素点的数量，且纱线像素点的数量与像素点的总数量的比值为纱管的含纱量。
优选地，第一灰度级为：
Figure 1965DEST_PATH_IMAGE002
其中，m表示第一灰度级；
Figure DEST_PATH_IMAGE003
表示最大灰度级，
Figure 981422DEST_PATH_IMAGE004
表示最小灰度级。
优选地，获取只包含纱管的图像，将图像灰度化获得纱管灰度图像包括：采集纱管表面图像；使用交叉熵损失函数训练DNN语义分割网络，输入采集的纱管表面图像，输出纱管掩膜图像；将纱管掩膜图像与纱管表面图像相乘获得只包含纱管的图像，并将该图像灰度化。
优选地，各灰度级的关注度为：
Figure DEST_PATH_IMAGE005
其中，
Figure 322011DEST_PATH_IMAGE006
为第
Figure DEST_PATH_IMAGE007
个灰度级的关注度；
Figure 779537DEST_PATH_IMAGE003
表示最大灰度级，
Figure 328330DEST_PATH_IMAGE004
表示最大灰度级，
Figure 744268DEST_PATH_IMAGE007
表示最小灰度级和最大灰度级之间的任一灰度级，m表示第一灰度级；e为自然常数。
优选地，基于各灰度级的关注度确定疑似纱线像素点包括：设置关注度阈值，其中，属于关注度大于等于关注度阈值的灰度级的像素点为疑似纱线像素点。
优选地，获得疑似纱线像素点和其邻域内像素点的梯度方向向量包括：获得疑似纱线像素点和其邻域内像素点在水平方向和竖直方向的梯度幅值；根据所述水平方向和竖直方向的梯度幅值获得疑似纱线像素点和其邻域内像素点的梯度方向；同时获得疑似纱线像素点和其邻域内像素点的梯度方向上的单位向量，所述单位向量为疑似纱线像素点和其邻域内像素点的梯度方向向量。
优选地，在基于疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似纱线像素点为纱线像素点的概率之前还包括：将疑似纱线像素点的灰度波动程度进行归一化。
优选地，疑似纱线像素点为纱线像素点的概率包括：疑似纱线像素点的灰度波动程度和梯度方向一致性与疑似纱线像素点为纱线像素点的概率成正相关关系。
优选地，利用疑似纱线像素点为纱线像素点的概率确定纱管灰度图像中为纱线像素点的数量包括：设定概率阈值，疑似纱线像素点为纱线像素点的概率大于概率阈值的疑似纱线像素点为纱线像素点，统计纱线像素点的数量。
本发明实施例至少具有如下有益效果：本发明采用图像数据处理的技术，捕获并识别纱管表面图像，并对图像进行预处理获得纱管灰度图像，对纱管灰度图像中的数据进行处理，根据对纱管灰度图像的灰度值和灰度梯度变化等数据的分析获得纱管的含纱量。本发明可以实时监测并分类纱管，同时提高纱管分拣自动化程度，加快了工作效率，节约人工成本。通过对纱线灰度图像中疑似纱线像素点进行纱线概率计算，可以精确的区分纱管上存在少量纱线的情况，同时可以适应复杂的工况环境，避免由于光照或其他复杂工况所导致的纱管残余纱线的误检测，为后续分类、回流带来影响。同时，本发明提供的纺织纱管纱线检测方法可以集成为生产领域的人工智能系统，可以作为一种人工智能优化操作系统、人工智能中间件等，可以用于计算机视觉软件的开发以便于将检测方法进行移植，使其能够方便的进行应用。
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为一种基于计算机视觉的纺织纱管纱线检测方法流程图。
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计算机视觉的纺织纱管纱线检测方法，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计算机视觉的纺织纱管纱线检测方法的具体方案。
实施例
本发明的主要应用场景为：待检测的纱管进入传输带，相机采集待检测纱管的表面图像，通过图像数据处理技术获得纱管中疑似纱线的像素点，再根据疑似纱线像素点的灰度信息和梯度信息判断像素点是否为纱线像素点，计算纱管上纱线的残余量，并进行纱管的分类。
所谓纱管，通常为表面光滑的塑料管，通过纺纱技术生产出纱线缠绕在纱管上，使用时纱线从纱管上退绕，生产过程中由于纺织品生产完成或纱管自身原因，会导致纱管上会有或多或少残余部分的纱线，纱线通常为白色纱线，由于纱管表面光滑，在光照下产生镜面反射导致反射光线与白色纱线混淆，影响纱线判断。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的纺织纱管纱线检测方法流程图，该方法包括以下步骤：
步骤一：获取只包含纱管的图像，将图像灰度化获得纱管灰度图像；利用纱管灰度图像中像素点的最大灰度级和最小灰度级确定第一灰度级，所述第一灰度级小于最大灰度级，大于最小灰度级和最大灰度级的中间量；根据纱管灰度图像中的最大、最小灰度级和第一灰度级获得各灰度级的关注度；基于各灰度级的关注度确定疑似纱线像素点。
首先，本实施例需要识别待检测的纱管表面是否残余纱线，需要采集待检测纱管的表面图像；布置相机与光源，相机处于传送带的正上方，俯视采集待检测的纱管的表面图像，光源采用LED条形光源，光源位于待检测纱线管的斜上方，为了减少计算量，本实施例需要采用DNN技术来识别图像中的纱管。
DNN语义分割网络的相关内容如下：
神经网络训练使用的数据集为所述采集到的纱管的表面图像数据集，其中纱管的样式形态是多种多样的；
需要分割的像素点共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素点属于背景类的标注为0，属于纱管的像素点标注为1；
DNN语义分割网络的任务是分类，所以使用交叉熵损失函数训练网络。
将采集的纱管表面图像输入网络，输出纱管掩膜图像；将纱管掩膜图像与纱管表面图像相乘获得只包含纱管的图像，并将该图像灰度化，获得纱管灰度图像。
然后，由于纱线管为表面光滑的塑料管，在光照条件下会发生镜面反射，其中反光区域像素点的灰度值较大，同时光源通常为白色光源，检测的纱线通常为白色，故通过颜色与灰度值进行判断极易受到光源影响导致检测的结果不准，存在纱线的区域的像素点的灰度值也较大。
对于含有纱线的纱管，存在纱线的区域与纱管的反光区域的像素点的灰度值通常较大，故灰度级较大的像素点更有可能是残余纱线所属的像素点；又由于纱管镜面反光区域的亮度大于发生漫反射纱线的亮度，故由此计算纱管灰度图像各灰度级的关注度，其中，关注度越高的灰度级越有可能是纱线所属的像素点。
最后，获得疑似隶属纱线的灰度级的像素点，基于纱管灰度图像获取灰度直方图，获得灰度直方图中的最大灰度级和最小灰度级，根据纱管灰度图像的灰度分布区间计算各灰度级的关注度：
Figure 480143DEST_PATH_IMAGE005
其中，
Figure 272519DEST_PATH_IMAGE006
为第
Figure 410239DEST_PATH_IMAGE007
个灰度级的关注度；
Figure 200340DEST_PATH_IMAGE003
表示最大灰度级，
Figure 548145DEST_PATH_IMAGE004
表示最小灰度级，
Figure 753999DEST_PATH_IMAGE007
表示最小灰度级和最大灰度级之间的任一灰度级，m为第一灰度级，由最大灰度级和最小灰度级确定，同时要结合图像的实际情况，且m的取值通常要小于最大灰度级
Figure 870859DEST_PATH_IMAGE003
，且大于最小灰度级和最大灰度级的中间量，即大于
Figure 35124DEST_PATH_IMAGE008
，优选地，本实施例中
Figure DEST_PATH_IMAGE009
，越靠近m的灰度级关注度越高；e为自然常数，在本实施例中
Figure 339067DEST_PATH_IMAGE010
。
由于纱线表面粗糙且在光照作用下发生的是漫反射，故图像中为纱线的像素点灰度值虽然通常较大但没有固定的灰度级，设定关注度阈值M，优选地，本实施例M取值为0.8，当灰度级的关注度大于等于M时，此灰度级为疑似纱线灰度级，属于疑似纱线灰度级的像素点为疑似纱线像素点，所述疑似纱线像素点中可能含有纱管反光区域的像素点。
步骤二：利用疑似纱线像素点以及邻域内像素点灰度值的变化趋势获得疑似纱线像素点的灰度波动程度；获得疑似纱线像素点和其邻域内像素点的梯度方向向量；疑似纱线像素点的梯度方向向量与邻域内其他像素点的梯度方向向量的余弦相似度的方差为疑似纱线像素点的梯度方向一致性。
首先，通过分析可知，纱线管表面光滑，发生的反射为镜面反射，对应反光区域的灰度级相同或呈现一定规律的变化，而纱线为表面粗糙的反射面，光源作用在纱线上时，由于纱线表面绒毛与表面凹凸不平的原因，发生的反射通常为漫反射，故纱线的灰度级的变化与纱线管表面光滑反光区域灰度级变化相比存在一定的差异。因此需要根据疑似纱线像素点的灰度变化判断疑似纱线像素点是否为纱线像素点。
根据疑似纱线像素点及其邻域内的像素点的灰度值的变化趋势获得疑似纱线像素点的灰度波动程度，优选地，本实施疑似邻域像素点的邻域为8邻域：
Figure 706201DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示疑似像素点的波动程度；n表示疑似像素点与邻域像素点的个数，n的取值为9；
Figure 411988DEST_PATH_IMAGE014
表示包括疑似纱线像素点和其邻域像素点中的第i个像素点的灰度值；
Figure DEST_PATH_IMAGE015
表示疑似纱线像素点和其邻域像素点的灰度值的均值。
通常情况下，疑似纱线像素点的灰度波动程度越大，越有可能为纱线像素点，但由于纱管为柱状结构，纱管灰度图像的采集面为弧面，纱管反光区域的部分像素点也有可能存在灰度波动，导致所得到的波动程度较大的疑似纱线像素点误判为纱线像素点，因此仅根据疑似纱线像素点的灰度波动程度判断疑似纱线像素点是否为纱线像素点是不准确的。
然后，利用sobel算子计算纱管灰度图像中疑似纱线像素点的灰度梯度幅值，其中所获得的灰度梯度幅值为疑似纱线像素点水平方向上和竖直方向上的梯度幅值，分别为
Figure 29046DEST_PATH_IMAGE016
，根据水平方向和竖直方向上的灰度梯度幅值获得疑似纱线像素点的梯度方向：
Figure 554705DEST_PATH_IMAGE018
同理，获得疑似纱线像素点的邻域内的像素点的灰度梯度方向，同时获得疑似纱线像素点和其邻域内像素点在其梯度方向上的单位向量，所述单位向量为疑似纱线像素点和其邻域内像素点的梯度方向向量y；根据梯度方向向量获得疑似纱线像素点的梯度方向一致性：
Figure 725530DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示疑似纱线像素点的梯度方向一致性；n表示疑似像素点与邻域像素点的个数，n的取值为9；
Figure 158261DEST_PATH_IMAGE022
表示疑似纱线像素点的梯度方向向量，
Figure DEST_PATH_IMAGE023
表示疑似纱线像素点的邻域内第j个像素点的梯度方向向量；
Figure 490760DEST_PATH_IMAGE024
表示疑似纱线像素点的梯度方向向量与疑似纱线像素点的邻域内第j个像素点的梯度方向向量的余弦相似度。通常情况下梯度方向一致性越差的疑似纱线像素点为纱线像素点的概率越大。
步骤三：基于疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似纱线像素点为纱线像素点的概率；利用疑似纱线像素点为纱线像素点的概率确定纱管灰度图像中为纱线像素点的数量，且纱线像素点的数量与像素点的总数量的比值为纱管的含纱量。
首先，纱管为柱体，纱管反光区域的灰度梯度变化方向的一致性好；而存在纱线的区域由于纱线的缘故，光源作用在纱线上时，由于纱线表面绒毛与表面凹凸不平的原因，发生的反射通常为漫反射，因此存在纱线的区域在大尺度下灰度梯度变化方向的一致性较好，但在小尺度下由于局部较为粗糙；灰度梯度变化方向的一致性相对于光滑的纱管反光区域较差。由此根据疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似像素点为纱线像素点的概率，同时将疑似纱线像素点的灰度波动程度进行归一化，使其取值范围为[0，1]：
Figure 910240DEST_PATH_IMAGE026
其中，P表示疑似纱线像素点为纱线像素点的概率；F表示疑似纱线像素点的灰度波动程度；L表示疑似纱线像素点的梯度方向一致性；e表示自然常数。若疑似纱线像素点与其8邻域内的像素点的梯度方向一致性较好，说明疑似纱线像素点与其邻域内的像素点的梯度变化越一致，符合纱管表面反光区域像素点的梯度变化特征，在此之外灰度波动程度越小，则该疑似纱线像素点为纱线像素点的概率越低，反之为纱线像素点的概率越高。
然后，设定概率阈值Y，优选地，本实施例中概率阈值的取值为0.7，获得所有疑似纱线像素点为纱线像素点的概率，其中概率大于0.7的疑似纱线像素点为纱线像素点，统计纱管灰度图像中纱线像素点的数量，记为W，其中纱管灰度图像中所有像素点的总数量为E，获得纱管的含纱量：
Figure 58324DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为纱线管的含纱量。
最后，根据不同的纱线残余量进行分类控制，纱线残余量越多，说明该纱管上的纱线使用较少，为了避免资源浪费，此类纱管可以继续使用。
实施者可以根据纱线残余量自行制定分类规则，当纱管含纱量B=[0，0.1）时，说明纱管上残余纱线量很少或没有纱线残余，此时残余纱线再使用率低，直接进行处理；
当纱管含纱量B=[0.1，0.5）时，说明纱管上残余纱线量为少量残余，此时的纱线可进行拼接或其他处理再生使用；
当纱管含纱量B=[0.5，1）时，说明纱管上残余纱线量为大量残余，此时纱管可以继续使用，避免资源浪费。
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 (9)

1.基于计算机视觉的纺织纱管纱线检测方法，其特征在于，该方法包括：获取只包含纱管的图像，将图像灰度化获得纱管灰度图像；利用纱管灰度图像中像素点的最大灰度级和最小灰度级确定第一灰度级，所述第一灰度级小于最大灰度级，大于最小灰度级和最大灰度级的中间量；根据纱管灰度图像中的最大、最小灰度级和第一灰度级获得各灰度级的关注度；基于各灰度级的关注度确定疑似纱线像素点；
利用疑似纱线像素点以及邻域内像素点灰度值的变化趋势获得疑似纱线像素点的灰度波动程度；获得疑似纱线像素点和其邻域内像素点的梯度方向向量；疑似纱线像素点的梯度方向向量与邻域内其他像素点的梯度方向向量的余弦相似度的方差为疑似纱线像素点的梯度方向一致性；
基于疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似纱线像素点为纱线像素点的概率；利用疑似纱线像素点为纱线像素点的概率确定纱管灰度图像中为纱线像素点的数量，且纱线像素点的数量与像素点的总数量的比值为纱管的含纱量。
2.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述获取只包含纱管的图像，将图像灰度化获得纱管灰度图像包括：采集纱管表面图像；使用交叉熵损失函数训练DNN语义分割网络，输入采集的纱管表面图像，输出纱管掩膜图像；将纱管掩膜图像与纱管表面图像相乘获得只包含纱管的图像，并将该图像灰度化。
3.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述第一灰度级为：
Figure DEST_PATH_IMAGE002
其中，m表示第一灰度级；
Figure DEST_PATH_IMAGE004
表示最大灰度级，
Figure DEST_PATH_IMAGE006
表示最小灰度级。
4.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述各灰度级的关注度为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE010
为第
Figure DEST_PATH_IMAGE012
个灰度级的关注度；
Figure 257153DEST_PATH_IMAGE004
表示最大灰度级，
Figure 971031DEST_PATH_IMAGE006
表示最小灰度级，
Figure 281926DEST_PATH_IMAGE012
表示最小灰度级和最大灰度级之间的任一灰度级，m表示第一灰度级；e为自然常数。
5.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述基于各灰度级的关注度确定疑似纱线像素点包括：设置关注度阈值，其中，属于关注度大于等于关注度阈值的灰度级的像素点为疑似纱线像素点。
6.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述获得疑似纱线像素点和其邻域内像素点的梯度方向向量包括：获得疑似纱线像素点和其邻域内像素点在水平方向和竖直方向的梯度幅值；根据所述水平方向和竖直方向的梯度幅值获得疑似纱线像素点和其邻域内像素点的梯度方向；同时获得疑似纱线像素点和其邻域内像素点的梯度方向上的单位向量，所述单位向量为疑似纱线像素点和其邻域内像素点的梯度方向向量。
7.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，在基于疑似纱线像素点的灰度波动程度和梯度方向一致性获得疑似纱线像素点为纱线像素点的概率之前还包括：将疑似纱线像素点的灰度波动程度进行归一化。
8.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述疑似纱线像素点为纱线像素点的概率包括：疑似纱线像素点的灰度波动程度和梯度方向一致性与疑似纱线像素点为纱线像素点的概率成正相关关系。
9.根据权利要求1所述的基于计算机视觉的纺织纱管纱线检测方法，其特征在于，所述利用疑似纱线像素点为纱线像素点的概率确定纱管灰度图像中为纱线像素点的数量包括：设定概率阈值，疑似纱线像素点为纱线像素点的概率大于概率阈值的疑似纱线像素点为纱线像素点，统计纱线像素点的数量。
CN202210989653.1A 2022-08-18 2022-08-18 基于计算机视觉的纺织纱管纱线检测方法 Active CN115063424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210989653.1A CN115063424B (zh) 2022-08-18 2022-08-18 基于计算机视觉的纺织纱管纱线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210989653.1A CN115063424B (zh) 2022-08-18 2022-08-18 基于计算机视觉的纺织纱管纱线检测方法

Publications (2)

Publication Number Publication Date
CN115063424A true CN115063424A (zh) 2022-09-16
CN115063424B CN115063424B (zh) 2022-10-28

Family

ID=83207511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210989653.1A Active CN115063424B (zh) 2022-08-18 2022-08-18 基于计算机视觉的纺织纱管纱线检测方法

Country Status (1)

Country Link
CN (1) CN115063424B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542976A (zh) * 2023-07-06 2023-08-04 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116823822A (zh) * 2023-08-29 2023-09-29 山东航宇游艇发展有限公司 基于视觉特征的船艇钣金件焊接缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934190A (zh) * 2021-12-17 2022-01-14 武汉春田纸品包装有限公司 一种基于机器视觉的瓦楞纸板生产质量调控方法
CN114359188A (zh) * 2021-12-22 2022-04-15 杭州电子科技大学 一种纱管理管机的纱线残留检测方法、设备及存储介质
CN114693676A (zh) * 2022-05-31 2022-07-01 南通市通州翔鹏纺织品有限公司 一种新材料纺织品漂白缺陷光学检测方法及装置
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934190A (zh) * 2021-12-17 2022-01-14 武汉春田纸品包装有限公司 一种基于机器视觉的瓦楞纸板生产质量调控方法
CN114359188A (zh) * 2021-12-22 2022-04-15 杭州电子科技大学 一种纱管理管机的纱线残留检测方法、设备及存储介质
CN114913365A (zh) * 2022-04-22 2022-08-16 海门王巢家具制造有限公司 基于机器视觉的人造板质量分类方法及系统
CN114693676A (zh) * 2022-05-31 2022-07-01 南通市通州翔鹏纺织品有限公司 一种新材料纺织品漂白缺陷光学检测方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542976A (zh) * 2023-07-06 2023-08-04 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116542976B (zh) * 2023-07-06 2023-09-08 深圳市佳合丰科技有限公司 一种模切件缺陷的视觉检测系统
CN116823822A (zh) * 2023-08-29 2023-09-29 山东航宇游艇发展有限公司 基于视觉特征的船艇钣金件焊接缺陷检测方法
CN116823822B (zh) * 2023-08-29 2023-11-21 山东航宇游艇发展有限公司 基于视觉特征的船艇钣金件焊接缺陷检测方法

Also Published As

Publication number Publication date
CN115063424B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN115063424B (zh) 基于计算机视觉的纺织纱管纱线检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
US11580640B2 (en) Identifying the quality of the cell images acquired with digital holographic microscopy using convolutional neural networks
US11341648B2 (en) Colony contrast gathering
CN109550712B (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN109816644A (zh) 一种基于多角度光源影像的轴承缺陷自动检测系统
CN114842007B (zh) 一种基于图像处理的纺织品磨损缺陷检测方法
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
CN114581376B (zh) 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN115018826B (zh) 一种基于图像识别的织物瑕疵检测方法及系统
CN114862855A (zh) 基于模板匹配的纺织品缺陷检测方法及系统
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测系统
US20230053838A1 (en) Image recognition apparatus, image recognition method, and recording medium
CN112329893A (zh) 基于数据驱动的异源多目标智能检测方法及系统
TWI417437B (zh) 紗線檢測方法
CN115082449A (zh) 一种电子元器件缺陷检测方法
CN110956366A (zh) 一种装维质检中分光器施工一致性检验方法
JP2001307067A (ja) 欠陥検査装置
CN115082656B (zh) 纺纱过程中纱线毛羽损伤识别方法及数据处理系统
CN115240144B (zh) 一种纺纱捻线智能识别瑕疵方法及系统
Huxohl et al. Region Detection Rate: An Applied Measure for Surface Defect Localization

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