CN115082453A - 基于神经网络的床上用品生产用包边机智能控制方法 - Google Patents
基于神经网络的床上用品生产用包边机智能控制方法 Download PDFInfo
- Publication number
- CN115082453A CN115082453A CN202210888178.9A CN202210888178A CN115082453A CN 115082453 A CN115082453 A CN 115082453A CN 202210888178 A CN202210888178 A CN 202210888178A CN 115082453 A CN115082453 A CN 115082453A
- Authority
- CN
- China
- Prior art keywords
- edge
- low threshold
- image
- value
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 239000004744 fabric Substances 0.000 claims abstract description 15
- 238000005452 bending Methods 0.000 claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000037303 wrinkles Effects 0.000 description 8
- 239000004753 textile Substances 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- MXWJVTOOROXGIU-UHFFFAOYSA-N atrazine Chemical compound CCNC1=NC(Cl)=NC(NC(C)C)=N1 MXWJVTOOROXGIU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于生物学模型的计算机系统以及人工智能技术领域,具体涉及基于神经网络的床上用品生产用包边机智能控制方法,该方法具体是采用神经网络模型进行数据处理,即基于计算机视觉软件获取布匹材料完成包边的图像信息,对图像进行边缘检测得到边缘图像;利用双阈值算法对边缘进行检测与连接;利用大津法获取高阈值,选取0到高阈值之间的任意值作为低阈值,通过边缘线的弯曲程度与紧密程度,得到低阈值,然后将图像输入神经网络模型,输出包边机的调整方向与包边的缺陷程度,进而对包边机进行调整。该方法能够应用于生产领域人工智能系统或人工智能优化操作系统,通过将图像信息作为人工智能中间件,实现人工智能系统的包边机的智能控制。
Description
技术领域
本发明涉及人工智能与神经网络领域,具体涉及基于神经网络的床上用品生产用包边机智能控制方法。
背景技术
随着科学技术的快速发展与突破,人工智能领域逐渐成熟,智能化产品越来越丰富,与此同时,越来越多的行业也开始涉及到人工智能领域;例如,餐饮行业利用机器人送餐吸引顾客、物流行业采取物流智能分拣系统自动完成快递分类、制造业利用机器视觉检测产品的表面缺陷以及纺织行业利用自动化设备制造家纺产品。
目前,大多数纺织行业采用包边机对一些床上用品以及织物进行包边处理,包边增加了织物的耐磨性延长了织物的使用寿命;例如,在被子的边缘采用包边可以使得被子使用的更加长久;现有的床上用品生产用包边机,以公开号为CN113186664A的一种床上用品套件生产的包边机进行说明,此包边机虽然可以尽量减少折叠幅度,提高包边的效率,但是并不能保证包边完成后的布料为完全平整状态,仍然会出现产品包边完成后因包边条与包边产品发生偏移而产生的褶皱的情况,工人无法及时察觉包边的异常并对包边机进行调整,进而造成后续包边产品继续出现同样的情况,导致包边产品缺陷,影响包边产品的质量。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于神经网络的床上用品生产用包边机智能控制方法,所采用的技术方案具体如下:
获取布匹材料完成包边的图像信息,并对所述图像信息进行预处理,得到包含包边的图像;
利用canny算子对所述图像进行边缘检测,得到边缘图像;其中,在边缘检测过程中,需要利用双阈值算法对边缘进行检测与连接边缘;双阈值包括高阈值和低阈值,所述高阈值利用大津法获取,所述低阈值从0到高阈值之间进行选取;
对于随机选取的其中一任意值作为低阈值时的当前边缘图像,提取该当前边缘图像中长度小于长度阈值的边缘线,并对其进行聚类,得到多个类别;计算各类别的紧密程度,然后计算各类别中任意一边缘线的弯曲程度;
根据所述弯曲程度与紧密程度,计算各类别的噪声值,将噪声值大于噪声阈值对应类别中的边缘线作为噪声边缘线;
获取当前边缘图像中边缘线的中心点,然后去除边缘图像的噪声边缘线,获取剩余边缘线的中心点,计算两中心点的距离,根据所述距离计算当前边缘图像的评价值;
当所述评价值大于评价阈值,则根据当前边缘图像,计算包边机的调整必要性;当所述评价值小于评价阈值,则舍弃得到的当前边缘图像,继续选取一任意的低阈值,直至评价值大于评价阈值,得到当前低阈值对应的边缘图像,计算包边机的调整必要性;
当所述调整必要性大于调整阈值时,则需要调整包边机。
进一步地,其特征在于,所述低阈值的确定方法为:在0到高阈值之间,设置数值间隔,从0开始按照数值间隔依次选取任意数值作为低阈值,对边缘进行检测与连接边缘,得到对应的边缘图像,并计算边缘图像的评价值,直至评价值大于评价阈值,停止寻找低阈值。
进一步地,还包括确定最优低阈值的步骤:当低阈值对应的评价值大于评价阈值时,减小数值间隔,并在低阈值附近继续寻找低阈值,进而得到最大评价值对应的低阈值,将其记为最优低阈值,同时,将最优低阈值对应的边缘图像记为最优边缘图像;确定对应的评价值大于评价阈值时,或者遍历所有的任意值作为低阈值,得到对应边缘图像的评价值,确定大于评价阈值对应的任意值中的最大评价值,将最大评价值对应的低阈值记为最优低阈值,并将最大评价值对应的边缘图像记为最优边缘图像。
进一步地,所述调整包边机的方法为:
将所述图像分别输入第一神经网络模型和第二神经网络模型中,所述第一神经网络模型输出包边的缺陷程度,所述第二神经网络模型输出包边机的调整方向,根据所述缺陷程度计算包边机的调整距离,进而对包边机进行调整。
进一步地,所述弯曲程度为:
进一步地,所述调整必要性的获取方法为:对所述最优边缘图像中的边缘线进行聚类,得到多个类别,根据类别中边缘线的数量,计算各类别的密集度,根据密集度最大的类别与最优边缘图像中边缘线的长度,确定调整必要性。
本发明实施例至少具有如下有益效果:
本发明涉及基于生物学模型的计算机系统以及人工智能技术领域,本发明具体是采用神经网络模型进行数据处理,即基于计算机视觉软件获取布匹材料完成包边的图像信息,对图像信息进行边缘检测得到边缘图像;利用双阈值算法对边缘进行检测与连接;利用大津法获取高阈值,选取0到高阈值之间的任意值作为低阈值,通过边缘线的弯曲程度与紧密程度,不断推算确定低阈值,进而得到准确的边缘图像,本发明通过不断计算任意低阈值对应的边缘图像,能够准确获取布料因包边而产生的边缘线,减少了噪声边缘线,提高了边缘图像的准确性,可以通过边缘图像准确反映出包边的质量;然后利用边缘图像计算包边机的调整必要性,能够通过边缘图像准确判断包边机是否需要调整。同时,本发明能够应用于生产领域人工智能系统或人工智能优化操作系统,通过将图像信息作为人工智能中间件,实现人工智能系统的包边机的智能控制。
进一步地,本发明通过将图像输入神经网络模型中,输出包边机的调整方向与包边的缺陷程度,对包边机进行调整。本发明能够通过神经网络模型得到更加准确的调整结果,实现对包边机的实时控制与调整。
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为本发明的基于神经网络的床上用品生产用包边机智能控制方法的方法流程图;
图2为其中一低阈值对应的边缘图像;
图3为最优边缘图像。
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基于神经网络的床上用品生产用包边机智能控制方法,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。
本发明针对的具体场景为:利用包边机对织物进行包边的工作场景。本发明适用的包边机为公开号为CN113186664A的一种床上用品套件生产的包边机。
请参阅图1,其示出了本发明一个实施例提供的基于神经网络的床上用品生产用包边机智能控制方法的步骤流程图,该方法包括以下步骤:
步骤1,获取布匹材料完成包边的图像信息,并对图像信息进行预处理,得到包含包边的图像。
具体地,利用工业相机获取完成包边的布匹材料的图像信息,工业相机安装在完成包边的布匹材料的正上方,采集间隔根据图像信息的大小进行设置,使工业相机采集到的布匹材料没有遗漏即可;进而保证能够实时获取完成包边的布匹材料的图像信息。
本实施例中,预处理的具体过程为:首先利用平均值法对图像信息进行灰度化处理,得到灰度图像;然后利用中值滤波算法对灰度图像进行去噪处理,减少灰度图像中的噪声干扰,保证图像的质量,同时也为后续的操作提供了便利;最后利用图像分割算法得到包含包边的图像,图像分割简化了图像的表示形式,使得图像更容易理解和分析。
步骤2,利用canny算子对所述图像进行边缘检测,得到边缘图像;其中,在边缘检测过程中,需要利用双阈值算法对边缘进行检测与连接边缘;双阈值包括高阈值和低阈值,所述高阈值利用大津法获取,所述低阈值从0到高阈值之间进行选取。
边缘检测的过程为:1.使用高斯滤波对图像进行去噪处理;2.计算图像梯度幅值和方向;3.沿着梯度方向对幅值进行非极大值抑制,得到边缘点;4.用双阈值算法检测和连接边缘。
具体地,检测和连接边缘的方法为:人为选取高阈值和低阈值,高阈值和低阈值的比率为2:1或3:1,将小于低阈值的点抛弃;将大于高阈值的点进行标记,并确定为边缘点;将小于高阈值大于低阈值的点使用8连通域确定。
通过上述描述得知,高阈值和低阈值的选取直接影响着边缘检测的结果,因此,为了保证边缘检测的准确性,本实施例不再利用比率直接确定高阈值与低阈值,而是首先利用大津阈值法确定高阈值,低阈值则从0到高阈值之间进行选取。
步骤3,对于随机选取的其中一任意值作为低阈值时的当前边缘图像,提取该当前边缘图像中长度小于长度阈值的边缘线,并对其进行聚类,得到多个类别;计算各类别的紧密程度,然后计算各类别中任意一边缘线的弯曲程度。
具体地,根据包边的特性可知,包边的缝制线展现在边缘图像中为一条贯穿边缘图像两端的边缘线,本实施例将其记为基线,并获取与基线相连的边缘线。
上述中获取与基线相连的边缘线方法具体为:首先统计各像素点8邻域内的像素点个数,并将像素点个数大于2对应的像素点进行标记,然后对边缘图像中的所有像素点进行遍历,得到边缘图像中的所有交点,进而得到边缘图像中所有有交点的边缘线;最后从基线上找出上述交点,将其标记为o,得到与基线相连的边缘线。
优选的,步骤3中进行聚类的边缘线的为与基线相连且长度小于长度阈值的边缘线,长度阈值由实施者根据经验进行设定,聚类方法采取DBSCAN算法进行聚类。DBSCAN算法为公知技术,不再过多赘述。
需要说明的是,边缘图像中的边缘线包括噪声边缘线;因包边而产生的褶皱反映在边缘检测图中不是噪声边缘线,褶皱与基线相连;褶皱越明显,说明包边的质量越不好;在边缘检测的过程中,在明显的褶皱附近会由于噪声的存在而生成一些与基线相连的长度较短的边缘线,这些边缘线为噪声边缘线,进而对边缘检测的结果产生影响;当褶皱不明显时,也会存在一些与基线相连的长度较短的边缘线,因此将这些长度较短的边缘线筛选出来,进一步判断哪些长度较短的边缘线为噪声边缘线。
根据图2可知,因噪声生成的边缘线密集分布,主要分布在褶皱附近,因此通过计算各类别的紧密程度,判断边缘线是否为噪声边缘线。
弯曲程度为:
根据包边产生的褶皱的特性可知,褶皱一般为直线或者曲率不大的弧线,而噪声边缘线大都是卷曲的,根据噪声边缘线与褶皱对应的特性,所以通过计算边缘线的弯曲程度可以得出噪声边缘线。
需要说明的是,本实施例是利用DBSCAN算法得到的多个类别,由于DBSCAN算法聚类的特性可知,同一类别中的各边缘线的弯曲程度都是相似的,所以一条边缘线的弯曲程度便可表征整个类别中各边缘线的弯曲程度,减少了计算量。
步骤4,根据弯曲程度与紧密程度,计算各类别的噪声值,将噪声值大于噪声阈值对应类别中的边缘线作为噪声边缘线。
具体地,噪声值为弯曲程度与紧密程度的乘积,类别中边缘线的弯曲程度越大,噪声值越大,该类别的边缘线越有可能为噪声边缘线,类别的紧密程度越高,则该类别的边缘线越有可能为噪声边缘线。
上述中的噪声阈值由实施者根据具体情况设定。
步骤5,获取边缘图像中边缘线的中心点,然后去除边缘图像的噪声边缘线,获取剩余边缘线的中心点,计算两中心点的距离,根据距离计算边缘图像的评价值。
步骤6,当评价值大于评价阈值,则根据当前边缘图像,计算包边机的调整必要性;当评价值小于评价阈值,则舍弃得到的当前边缘图像,继续选取一任意的低阈值,直至评价值大于评价阈值,得到当前低阈值对应的边缘图像,计算包边机的调整必要性。
低阈值的确定方法为:在0到高阈值之间,设置数值间隔,从0开始按照数值间隔依次选取任意数值作为低阈值,对边缘进行检测与连接边缘,得到对应的边缘图像,并计算边缘图像的评价值,直至评价值大于评价阈值,停止寻找低阈值;数值间隔由实施者进行设定。
在低阈值的确定过程中还包括确定最优低阈值的步骤:当低阈值对应的评价值大于评价阈值时,减小数值间隔,并在低阈值附近继续寻找低阈值,进而得到最大评价值对应的低阈值,将其记为最优低阈值,同时,将最优低阈值对应的边缘图像记为最优边缘图像;确定对应的评价值大于评价阈值时,或者遍历所有的任意值作为低阈值,得到对应边缘图像的评价值,确定大于评价阈值对应的任意值中的最大评价值,将最大评价值对应的低阈值记为最优低阈值,并将最大评价值对应的边缘图像记为最优边缘图像。
进一步地,若在0到高阈值之间的任意数值对应低阈值边缘图像的评价值均未大于评价阈值时,则选取评价值最高的低阈值作为最优低阈值,并将对应的边缘图像作为最优边缘图像,最优边缘图像如图3所示。将评价值进行归一化,本实施例将评价阈值设定为0.7,评价阈值可由实施者根据情况进行调整。
调整必要性的获取方法为:对最优边缘图像中的边缘线进行聚类,得到多个类别,根据类别中边缘线的数量,计算各类别的密集度,根据最大密集度与最优边缘图像中边缘线的长度,确定调整必要性。具体地,调整必要性为最大密集度与所有与基线相连的边缘线的总长度的乘积;基线的定义在步骤3中已给出,不再叙述。
最大密集度更能体现出包边的质量,进而直观反映出包边机是否需要调整,类别中的边缘线越密集,说明包边的质量越不好,产生的褶皱越多,对包边机的调整幅度越大,与基线相连的边缘线的长度越长,说明在包边过程中,折进包边条的布料越多,包边的质量越不好,需要对包边机进行调整。
具体地,利用k-means算法对边缘线进行聚类,本实施例将k设置为3,将每条边缘线的中点作为聚类的点,将各个中点的距离作为聚类的样本距离;其中k-means算法为公知技术,不过多赘述。本实施例中进行聚类的边缘线为所有与基线相连的边缘线,因为与基线相连的边缘线大都为因包边而产生的褶皱,这些边缘线能够直观反映出包边的质量。
上述密集度为:,其中,w为类别中最两侧边缘线的距离,e为类别中边缘线的总数量,为各边缘线之间距离的方差。类别中在一定距离内所含的边缘线的数量越多,各边缘线之间距离的方差越大,则类别中各边缘线的分布越不规律,说明该类别中的边缘线越紧密,密集度越大。
步骤7,当调整必要性大于调整阈值时,则需要调整包边机。
具体地,调整阈值由实施者根据实际情况设定,当调整必要性小于或等于调整阈值时,认为包边机的工作状态良好,包边的质量在合适的范围内,不需要对包边机进行调整。
本实施例中,调整包边机的方法为:
将步骤1中的图像分别输入第一神经网络模型和第二神经网络模型中,第一神经网络模型输出包边的缺陷程度,第二神经网络模型输出包边机的调整方向,调整方向为向上调整或者向下调整;根据缺陷程度计算包边机的调整距离,进而对包边机进行调整。调整距离为缺陷程度与比例系数的乘积,比例系数可以根据现有的先验知识推导出来,与滑块所处的空间气体质量和温度有关。
第一神经网络模型与第二神经网络模型均为DNN网络,对应的损失函数均为交叉熵损失函数,神经网络模型的具体训练过程公知技术,不再过多赘述。
具体地,根据调整方向与调整距离对包边机的活塞块进行调整。
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 (7)
1.基于神经网络的床上用品生产用包边机智能控制方法,其特征在于,该方法包括以下步骤:
获取布匹材料完成包边的图像信息,并对所述图像信息进行预处理,得到包含包边的图像;
利用canny算子对所述图像进行边缘检测,得到边缘图像;其中,在边缘检测过程中,需要利用双阈值算法对边缘进行检测与连接边缘;双阈值包括高阈值和低阈值,所述高阈值利用大津法获取,所述低阈值从0到高阈值之间进行选取;
对于随机选取的其中一任意值作为低阈值时的当前边缘图像,提取该当前边缘图像中长度小于长度阈值的边缘线,并对其进行聚类,得到多个类别;计算各类别的紧密程度,然后计算各类别中任意一边缘线的弯曲程度;
根据所述弯曲程度与紧密程度,计算各类别的噪声值,将噪声值大于噪声阈值对应类别中的边缘线作为噪声边缘线;
获取当前边缘图像中边缘线的中心点,然后去除边缘图像的噪声边缘线,获取剩余边缘线的中心点,计算两中心点的距离,根据所述距离计算当前边缘图像的评价值;
当所述评价值大于评价阈值,则根据当前边缘图像,计算包边机的调整必要性;当所述评价值小于评价阈值,则舍弃得到的当前边缘图像,继续选取一任意的低阈值,直至评价值大于评价阈值,得到当前低阈值对应的边缘图像,计算包边机的调整必要性;
当所述调整必要性大于调整阈值时,则需要调整包边机。
2.根据权利要求1所述的基于神经网络的床上用品生产用包边机智能控制方法,其特征在于,所述低阈值的确定方法为:在0到高阈值之间,设置数值间隔,从0开始按照数值间隔依次选取任意数值作为低阈值,对边缘进行检测与连接边缘,得到对应的边缘图像,并计算边缘图像的评价值,直至评价值大于评价阈值,停止寻找低阈值。
3.根据权利要求2所述的基于神经网络的床上用品生产用包边机智能控制方法,其特征在于,还包括确定最优低阈值的步骤:当低阈值对应的评价值大于评价阈值时,减小数值间隔,并在低阈值附近继续寻找低阈值,进而得到最大评价值对应的低阈值,将其记为最优低阈值;同时,将最优低阈值对应的边缘图像记为最优边缘图像;确定对应的评价值大于评价阈值时,或者遍历所有的任意值作为低阈值,得到对应边缘图像的评价值,确定大于评价阈值对应的任意值中的最大评价值,将最大评价值对应的低阈值记为最优低阈值,并将最大评价值对应的边缘图像记为最优边缘图像。
4.根据权利要求1所述的基于神经网络的床上用品生产用包边机智能控制方法,其特征在于,所述调整包边机的方法为:
将所述图像分别输入第一神经网络模型和第二神经网络模型中,所述第一神经网络模型输出包边的缺陷程度,所述第二神经网络模型输出包边机的调整方向,根据所述缺陷程度计算包边机的调整距离,进而对包边机进行调整。
7.根据权利要求1或3所述的基于神经网络的床上用品生产用包边机智能控制方法,其特征在于,
所述调整必要性的获取方法为:对所述最优边缘图像中的边缘线进行聚类,得到多个类别,根据类别中边缘线的数量,计算各类别的密集度,根据密集度最大的类别与最优边缘图像中边缘线的长度,确定调整必要性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888178.9A CN115082453A (zh) | 2022-07-27 | 2022-07-27 | 基于神经网络的床上用品生产用包边机智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888178.9A CN115082453A (zh) | 2022-07-27 | 2022-07-27 | 基于神经网络的床上用品生产用包边机智能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082453A true CN115082453A (zh) | 2022-09-20 |
Family
ID=83242088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210888178.9A Pending CN115082453A (zh) | 2022-07-27 | 2022-07-27 | 基于神经网络的床上用品生产用包边机智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082453A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130373A (zh) * | 2023-10-26 | 2023-11-28 | 超技工业(广东)股份有限公司 | 一种半成品仓中载具输送机器人的控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070223817A1 (en) * | 2006-03-24 | 2007-09-27 | Mvtec Software Gmbh | System and methods for automatic parameter determination in machine vision |
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN110241515A (zh) * | 2019-06-06 | 2019-09-17 | 吴迪 | 一种自动包边/锁边机和自动包边/锁边系统 |
CN114782475A (zh) * | 2022-06-16 | 2022-07-22 | 南通金石包装印刷有限公司 | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 |
-
2022
- 2022-07-27 CN CN202210888178.9A patent/CN115082453A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070223817A1 (en) * | 2006-03-24 | 2007-09-27 | Mvtec Software Gmbh | System and methods for automatic parameter determination in machine vision |
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN110241515A (zh) * | 2019-06-06 | 2019-09-17 | 吴迪 | 一种自动包边/锁边机和自动包边/锁边系统 |
CN114782475A (zh) * | 2022-06-16 | 2022-07-22 | 南通金石包装印刷有限公司 | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 |
Non-Patent Citations (1)
Title |
---|
张如飞等: "车门板包边机器人六关节角运动分析", 《机械设计与研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130373A (zh) * | 2023-10-26 | 2023-11-28 | 超技工业(广东)股份有限公司 | 一种半成品仓中载具输送机器人的控制方法 |
CN117130373B (zh) * | 2023-10-26 | 2024-03-08 | 超技工业(广东)股份有限公司 | 一种半成品仓中载具输送机器人的控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
US6804381B2 (en) | Method of and device for inspecting images to detect defects | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
US20020054694A1 (en) | Method and apparatus for analyzing an image to direct and identify patterns | |
CN109191459A (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
Bodmarova et al. | Suitability analysis of techniques for flaw detection in textiles using texture analysis | |
CN114529550A (zh) | 一种基于图像处理的纺织品色牢度检测方法及系统 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN115082453A (zh) | 基于神经网络的床上用品生产用包边机智能控制方法 | |
CN110021023A (zh) | 一种电子布疵点分割方法 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
CN114332086B (zh) | 基于风格迁移和人工智能的纺织品缺陷检测方法及系统 | |
CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
CN112669300A (zh) | 瑕疵检测方法及装置、计算机设备和存储介质 | |
CN115471504B (zh) | 一种基于纺织物的线头自动识别方法 | |
Niskanen et al. | Experiments with SOM based inspection of wood | |
CN114022442A (zh) | 一种基于无监督学习的织物疵点检测算法 | |
CN117670881B (zh) | 基于目标分割的橡胶手套生产质量检测方法及系统 |
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 |