CN115082656A - 纺纱过程中纱线毛羽损伤识别方法及数据处理系统 - Google Patents

纺纱过程中纱线毛羽损伤识别方法及数据处理系统 Download PDF

Info

Publication number
CN115082656A
CN115082656A CN202211009315.3A CN202211009315A CN115082656A CN 115082656 A CN115082656 A CN 115082656A CN 202211009315 A CN202211009315 A CN 202211009315A CN 115082656 A CN115082656 A CN 115082656A
Authority
CN
China
Prior art keywords
hairiness
local area
local
yarn
pixel point
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
CN202211009315.3A
Other languages
English (en)
Other versions
CN115082656B (zh
Inventor
刘盛帆
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 Wanxideng Home Technology Co ltd
Original Assignee
Jiangsu Wanxideng Home 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 Wanxideng Home Technology Co ltd filed Critical Jiangsu Wanxideng Home Technology Co ltd
Priority to CN202211009315.3A priority Critical patent/CN115082656B/zh
Publication of CN115082656A publication Critical patent/CN115082656A/zh
Application granted granted Critical
Publication of CN115082656B publication Critical patent/CN115082656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理与识别技术领域，具体公开了一种纺纱过程中纱线毛羽损伤识别方法及数据处理系统，包括：获取待检测纱线图像并进行预处理，得到毛羽区域图像；根据毛羽区域图像，得到各个毛羽以及每个毛羽的各个毛羽像素点；根据各个毛羽像素点，将毛羽区域图像划分为各个局部区域；根据各个局部区域内的每个毛羽的各个毛羽像素点，计算出各个局部区域的局部不均匀度；根据各个局部区域的局部不均匀度，得到待检测纱线上的毛羽的损伤程度。本发明将毛羽区域图像划分为各个局部区域，根据各个局部区域的局部不均匀度得到待检测纱线上的毛羽的损伤程度，考虑毛羽的均匀程度对纱线上的毛羽的影响，使毛羽检测的准确性更高。

Description

纺纱过程中纱线毛羽损伤识别方法及数据处理系统
技术领域
本申请涉及数据处理与识别技术领域，具体涉及一种纺纱过程中纱线毛羽损伤识别方法及数据处理系统。
背景技术
纱线毛羽是影响纱线质量、织物外观以及织机效率的重要指标之一。过多过长的毛羽会影响纱线上浆效果；而毛羽分布不均匀会造成织物产生横档；毛羽分布不均匀也会导致染色不均匀，形成色差，影响织物质量。
常见的纱线毛羽检测方法包括多种，例如人工目测法、光电法、静电法和图像法等。人工目测法取样少，检测效率低，且由于人员主观性其检测误差较大；光电法虽可以测量毛羽的真实长度，但是需要在镜头前安装显微镜进行毛羽测量，且对于弯曲的毛羽测量误差较大；静电法下的毛羽在静电作用下伸展，用投影计数法计算其长度，可以解决弯曲对毛羽的影响，但是破坏了毛羽最初的形态。人工目测法、光电法、静电法均不适用于工业检测环境。
图像法采集毛羽图像，是利用图像处理技术提取出清晰的毛羽图像以进行毛羽统计，具有简单易操作、误差小、没有破坏毛羽最初的形态以及可避免因人员主观性带来的误差的优点，因此利用图像处理技术进一步研究毛羽的各项指标，对研究毛羽损伤程度具有重要意义。现有的基于图像法进行毛羽检测的方法中，主要根据毛羽的长度和根数进行纱线毛羽的损伤程度的检测，然而只考虑毛羽的长度和根数，会使得毛羽检测的准确性较差。
发明内容
本发明的目的在于提出一种纺纱过程中纱线毛羽损伤识别方法及数据处理系统，用于解决现有毛羽损伤程度的检测准确性较差的问题。
为解决上述技术问题，本发明提供了一种纺纱过程中纱线毛羽损伤识别方法，包括以下步骤：
获取待检测纱线图像，并对待检测纱线图像进行预处理，根据预处理后的待检测纱线图像，得到待检测纱线图像上的毛羽区域图像；
根据待检测纱线图像上的毛羽区域图像，得到各个毛羽以及每个毛羽所对应的各个毛羽像素点；
根据每个毛羽所对应的各个毛羽像素点，将毛羽区域图像划分为各个局部区域；
根据各个局部区域内的每个毛羽所对应的各个毛羽像素点，确定各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度；
根据各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度，计算出各个局部区域的局部不均匀度；
根据计算出的各个局部区域的局部不均匀度，得到该待检测纱线上的毛羽的损伤程度；
根据该待检测纱线上的毛羽的损伤程度，确定该待检测纱线上的毛羽损伤等级。
进一步的，计算出各个局部区域的局部不均匀度的步骤包括：
根据各个局部区域内的各个毛羽像素点的灰度梯度方向，得到各个局部区域内的各个毛羽的本身不均匀度，进而根据各个局部区域内的各个毛羽的本身不均匀度得到各个局部区域的本身不均匀度；
根据各个局部区域内的各个毛羽的各个特征像素点，得到各个局部区域的分布不均匀度；
根据各个局部区域内的各个毛羽的各个特征像素点所对应的灰度梯度大小和灰度梯度方向以及各个毛羽的长度，确定各个局部区域的混乱程度；
根据得到的各个局部区域的本身不均匀度、各个局部区域的分布不均匀度以及各个局部区域的混乱程度，计算出各个局部区域的局部不均匀度。
进一步的，得到各个局部区域的分布不均匀度的步骤包括：
根据各个局部区域内的各个毛羽的各个特征像素点的位置，确定各个局部区域内的各个毛羽的位置；
根据各个局部区域内的各个毛羽的位置，确定各个局部区域内的任意两个相邻毛羽的距离；
根据各个局部区域内的任意两个相邻毛羽的距离，确定各个局部区域的分布不均匀度。
进一步的，确定各个局部区域的混乱程度的步骤包括：
根据各个局部区域内的各个毛羽的各个特征像素点所对应的灰度梯度大小和灰度梯度方向，确定各个局部区域内的各个毛羽的各个特征像素点所对应的二元组；
对各个局部区域内的各个毛羽的各个特征像素点所对应的二元组进行统计，并根据统计结果以及各个局部区域内的各个毛羽的长度，确定各个局部区域的混乱程度。
进一步的，各个局部区域内的毛羽的本身不均匀度的表达式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为局部区域内的毛羽的本身不均匀度，
Figure DEST_PATH_IMAGE006
为局部区域内的毛羽的像素点总数量，
Figure DEST_PATH_IMAGE008
为局部区域内的毛羽的第
Figure DEST_PATH_IMAGE010
个像素点的灰度梯度方向，
Figure DEST_PATH_IMAGE012
为局部区域内的毛羽的
Figure 496695DEST_PATH_IMAGE006
个像素点的灰度梯度方向的平均值。
进一步的，各个局部区域的本身不均匀度的表达式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为局部区域的本身不均匀度，
Figure DEST_PATH_IMAGE018
为局部区域内的毛羽的总数量，
Figure DEST_PATH_IMAGE020
为局部区域内的第
Figure 407144DEST_PATH_IMAGE010
个毛羽的本身不均匀度。
进一步的，各个局部区域的分布不均匀度的表达式为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为局部区域的分布不均匀度，
Figure DEST_PATH_IMAGE026
为局部区域内的毛羽的总数量，
Figure DEST_PATH_IMAGE028
为局部区域内的两个相邻的第
Figure DEST_PATH_IMAGE030
个毛羽和第
Figure DEST_PATH_IMAGE032
个毛羽之间的距离，
Figure DEST_PATH_IMAGE034
为局部区域内的
Figure DEST_PATH_IMAGE036
个毛羽之间的距离的平均值。
进一步的，各个局部区域的混乱程度的表达式为：
Figure DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE040
为局部区域的混乱程度，
Figure DEST_PATH_IMAGE042
为局部区域内的毛羽的总数量，
Figure DEST_PATH_IMAGE044
为局部区域内的第
Figure 760284DEST_PATH_IMAGE010
个毛羽的长度，
Figure DEST_PATH_IMAGE046
为局部区域内的
Figure 412718DEST_PATH_IMAGE042
个毛羽的长度的平均值，
Figure DEST_PATH_IMAGE048
为根据局部区域内的各个毛羽的长度所得到的方差所确定的系数值，
Figure DEST_PATH_IMAGE050
为局部区域内的梯度二元组的类别数量，
Figure DEST_PATH_IMAGE052
为局部区域内的毛羽所对应的特征像素点的灰度梯度大小，
Figure DEST_PATH_IMAGE054
为局部区域内的毛羽所对应的特征像素点的灰度梯度方向，
Figure DEST_PATH_IMAGE056
为局部区域内的毛羽的特征像素点所对应的梯度二元组，
Figure DEST_PATH_IMAGE058
为第
Figure DEST_PATH_IMAGE060
类梯度二元组的频数，
Figure DEST_PATH_IMAGE062
为归一化函数的分子，
Figure DEST_PATH_IMAGE064
为局部区域内每个毛羽所对应的特征像素点数量。
进一步的，待检测纱线上的毛羽的损伤程度的表达式为：
Figure DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE068
为待检测纱线上的毛羽的损伤程度，
Figure DEST_PATH_IMAGE070
为划分的局部区域的数量，
Figure DEST_PATH_IMAGE072
为第
Figure 128389DEST_PATH_IMAGE010
个局部区域所对应的局部不均匀度，
Figure DEST_PATH_IMAGE074
为划分的
Figure 459007DEST_PATH_IMAGE070
个局部区域的局部不均匀度的平均值，
Figure DEST_PATH_IMAGE076
为根据局部区域内的局部不均匀度所得到的方差所确定的系数值，
Figure DEST_PATH_IMAGE078
为归一化函数的分子。
为解决上述技术问题，本发明还提供了一种基于人工智能的纱线毛羽损伤程度检测系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的纺纱过程中纱线毛羽损伤识别方法。
本发明和现有技术相比有如下有益效果：
本发明通过获取待检测纱线图像并对待检测纱线图像进行预处理，得到待检测纱线图像上的毛羽区域图像，进而得到各个毛羽以及每个毛羽所对应的各个毛羽像素点，然后将毛羽区域图像划分为各个局部区域，根据各个局部区域内的每个毛羽所对应的各个毛羽像素点，确定各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度，并得到各个局部区域的局部不均匀度，根据计算出的各个局部区域的局部不均匀度，得到该待检测纱线上的毛羽的损伤程度。本发明通过将毛羽区域图像划分为各个局部区域，根据各个局部区域的局部不均匀度得到待检测纱线上的毛羽的损伤程度，综合考虑毛羽的均匀程度以及长度对纱线上毛羽的影响，使毛羽的检测的准确性更高。
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为本发明实施例提供的纺纱过程中纱线毛羽损伤识别方法的流程图。
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技术方案的具体实施方式、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。
为了让本领域技术人员更好的理解本发明，下面结合实施例和附图对本发明展开描述。
本实施例提供了一种纺纱过程中纱线毛羽损伤识别方法，其对应的流程图如图1所示，具体包括以下步骤：
（1）获取待检测纱线图像，并对待检测纱线图像进行预处理，根据预处理后的待检测纱线图像，得到待检测纱线图像上的毛羽区域图像。
设置相机与待检测纱线平行，通过相机拍摄待检测纱线清晰图像，并对待检测纱线图像进行一系列预处理。对待检测纱线图像进行预处理的具体步骤为：首先对拍摄到的待检测纱线图像进行灰度化处理，得到待检测纱线灰度图像。然后基于拉普拉斯算法对待检测纱线灰度图像进行锐化处理，以补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，在保留图像背景信息的前提下突出细节信息，从而得到待检测纱线锐化图像。
在对待检测纱线图像进行预处理后，进一步采用深度神经网络DNN对待检测纱线锐化图像的像素点进行语义分割，将待检测纱线锐化图像输入到计算机内部的深度神经网络DNN中，从而得到待检测纱线锐化图像的二值图像，将该待检测纱线锐化图像中的所有像素点标记为1或者0。其中，深度神经网络DNN的训练过程如下：
构建深度神经网络DNN，该深度神经网络DNN为Encoder-Decoder编码解码的结构，所采用的loss函数为交叉熵损失函数。在构建好深度神经网络DNN后，通过收集大量的纱线锐化图像，获取训练数据集，该训练数据集分为训练集和验证集。按照纱线区域与背景区域将所有像素点分为2类，即纱线区域像素点以及背景区域像素点。将训练数据集中的纱线锐化图像的纱线区域像素点值人工标注为1，将背景区域像素点值人工标注为0。在对训练数据集标注完成之后，采用该训练数据集对构建的深度神经网络DNN进行训练，从而得到训练好的深度神经网络DNN。由于构建深度神经网络DNN以及其对应的训练过程均属于现有技术，此处不再赘述。
将待检测纱线锐化图像输入到训练完成的深度神经网络DNN中，即可把待检测纱线锐化图像中所有像素点分为纱线区域像素点以及背景区域像素点两类，其中纱线区域像素点标记为1，背景区域像素点标记为0，由此即可获得对应的待检测纱线锐化图像的二值图像。并将纱线区域作为遮罩与对应的待检测纱线锐化图像进行相乘，得到纱线图像，其中，得到的纱线图像包括毛羽部分和纱线主干部分。
进而基于Sobel算子对纱线图像进行边缘检测，检测到的边缘包括两类：一类为纱线主干的边缘线，一类为各条毛羽边缘线。由于纱线主干部分具有一定的宽度，而毛羽的宽度较小，因此一条毛羽仅对应一条毛羽边缘线，而纱线主干则包括两条最长的边缘线，其中两条最长的边缘线即为纱线主干的两个边缘，根据这两个边缘得到纱线主干在纱线图像中的四个边缘端点，并根据这四个边缘端点得到纱线主干在纱线图像中对应的四边形区域。利用得到的纱线图像减去纱线主干的四边形区域，即可获得相应的待检测纱线上的毛羽区域图像。基于得到的待检测纱线上的毛羽区域图像，获得包括所有毛羽在内的最小外接矩阵，来作为后续检测的ROI区域。
（2）根据待检测纱线图像上的毛羽区域图像，得到各个毛羽以及每个毛羽所对应的各个毛羽像素点。
由于毛羽呈弯曲状态，且纱线上的多个毛羽之间在图像中交叉分布，因此，首先需要对不同的毛羽边缘线进行区分匹配，完成各个毛羽的检测。首先结合所有的毛羽边缘线，获得各个毛羽边缘线之间的交叉点，则可根据交叉点，结合毛羽边缘线的趋势分析各个毛羽之间的匹配关系，完成不同毛羽之间的匹配。若毛羽边缘线上不存在交叉点，则该毛羽边缘线为一条单独的完整的毛羽；若毛羽边缘线上存在交叉点，则对于该交叉点所属的毛羽边缘线，检测毛羽的步骤具体如下：
由于毛羽长度较大时，其弯曲可能性较大，判断边缘线趋势时的误差较大，因此首先构造匹配区域：由于一条毛羽对应一条毛羽边缘线，则对于毛羽边缘线上所存在的交叉点，该交叉点将各条毛羽边缘线一分为二，即将一条毛羽边缘线分为两条子边缘线。本实施例定义一个交叉点连接2n条子边缘线，基于像素点数量分别获得2n条子边缘线的长度，将这2n条子边缘线的长度分别用
Figure DEST_PATH_IMAGE080
来表示，以
Figure DEST_PATH_IMAGE082
表征得到的子边缘线的长度
Figure DEST_PATH_IMAGE084
中的最小值，以该交叉点为圆心，以子边缘线的长度最小值
Figure 513157DEST_PATH_IMAGE082
为半径构造匹配区域。
进而对于匹配区域中的2n条子边缘线，基于每条子边缘线的像素点坐标拟合对应的曲线方程，进而获得每条子边缘线上的每个像素点的斜率，并将每条子边缘线上的所有像素点的斜率均值作为该子边缘线的斜率指标。分别获得2n条子边缘线的斜率指标，将斜率指标差异值最小的两个子边缘线作为相匹配的一条毛羽边缘线，即可完成2n条子边缘线的两两匹配，确定n条毛羽边缘线。至此，完成所有毛羽的检测和区分，可得到各个毛羽以及每个毛羽所对应的各个毛羽像素点。
需要说明的是，步骤（2）仅是给出了一个识别毛羽区域图像中各个毛羽的一种具体实施方式，作为其他的实施方式，也可以采用现有技术中的其他合适的方法，来对毛羽区域图像中各个毛羽进行识别区分。
（3）根据每个毛羽所对应的各个毛羽像素点，将毛羽区域图像划分为各个局部区域。
需要说明的是，由于毛羽在纱线上的位置分布以及形态表征均较为无序和复杂，则毛羽会出现不同程度的聚集现象，若直接对整条纱线上的毛羽进行分析，则需要考虑每条毛羽与其他所有的毛羽的相关情况，降低了检测精度和运算速度。因此，本实施例通过聚类算法对毛羽进行聚类，根据毛羽位置信息的亲疏程度，将毛羽进行分型划类，得到一个反映每条毛羽之间位置亲疏的分类系统，完成整条纱线不同局部区域的划分，然后对每个局部区域内的毛羽进行单独的分析计算，从而减少其他局部区域内无关毛羽的干扰，提高检测精度，大幅提高运算速度。将毛羽区域图像划分为各个局部区域的步骤如下：
对于每条毛羽，可基于Sobel梯度模板计算其中每个毛羽像素点的灰度梯度大小G和灰度梯度方向
Figure 220213DEST_PATH_IMAGE054
。由于毛羽的形状特征多样，所以利用单条毛羽的各像素点的灰度梯度方向对毛羽的弯曲度进行度量，有利于后续聚类得到较好的关联区域。首先根据毛羽上的各像素点的灰度梯度方向得到该毛羽的灰度梯度方向均值，再计算毛羽上的各像素点的灰度梯度方向与该毛羽的灰度梯度方向均值之间的差异，将差异值最大的毛羽像素点作为该条毛羽的弯曲特征像素点，同时将该条毛羽的起始点和终止点作为该条毛羽的起始特征像素点和终止特征像素点。弯曲特征像素点代表了毛羽的弯曲程度最大的点，起始特征像素点代表了毛羽在主干上的位置的点，终止特征像素点代表了毛羽的终止位置的点，将起始特征像素点、终止特征像素点与弯曲特征像素点共同作为表征整条毛羽的特征像素点，综合考虑这三个特征像素点，可以表征该毛羽的不均匀程度。在本实施例中，利用上述方法选取每个毛羽的三个特征像素点，而具体选取特征像素点的数量和方法可根据实际情况进行选取。这三个特征像素点可以作为后续密度聚类和梯度计算的基础，以在简化计算的同时保证后续分析的准确性。
至此，对于每条毛羽，均可获得每条毛羽上的三个特征像素点，基于获得的每条毛羽上的三个特征像素点，使用DBSCAN算法进行密度聚类，可获得多个聚类簇。若毛羽上的三个特征像素点均属于同一类聚类簇，则判断该毛羽同样属于该聚类簇；而若毛羽上的三个特征像素点不属于同一类聚类簇，则判断该毛羽的长度较长或弯曲情况较为复杂，对应的毛羽损伤程度也较高。因此，对于三个特征像素点不属于同一类聚类簇的毛羽，得到该条毛羽上的所有毛羽像素点，并且由于密度聚类后的各个聚类簇的形状唯一，可得到各个聚类簇在毛羽图像中的各个聚类簇区域，此时可得到该条毛羽上的毛羽像素点在各个聚类簇区域的数量，将毛羽像素点在各个聚类簇区域的数量最多的所对应的聚类簇作为该条毛羽所属的聚类簇。至此，即可完成对于其中的所有毛羽均找到相应的聚类簇，即可完成最终的密度聚类。由于利用DBSCAN算法进行密度聚类过程为现有技术，此处不再赘述。
将属于同一个聚类簇的毛羽归为一类，将属于同一类的毛羽所对应的外接矩阵作为一个初始局部区域。由于毛羽具有一定的长度，且相互之间可能重叠分布，则以最小外接矩阵为基础的初始局部区域内可能包含其他类别的毛羽像素点。本实施例将初始局部区域中其他类别毛羽的毛羽像素点的值置0，将其修正为背景像素点，获得只包含对应类别毛羽像素点和背景像素点的局部区域。至此，完成局部区域的划分，将毛羽区域图像中的局部区域的数量记为N。
需要说明的是，上述仅仅是给出了一个根据每个毛羽所对应的各个毛羽像素点，将毛羽区域图像划分为各个局部区域的具体实施方式，作为其他的实施方式，也可以采用现有技术中的其他合理的方式，将毛羽区域图像划分为各个局部区域，以减少各个毛羽相互之间的干扰，提高后续检测的精度。
（4）根据各个局部区域内的每个毛羽所对应的各个毛羽像素点，确定各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度，根据各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度，计算出各个局部区域的局部不均匀度。
对于每个局部区域，当局部区域内部各毛羽的弯曲程度越大，且毛羽相互之间的分布情况越复杂和混乱时，说明当前聚类区域位置处的纱线的并捻质量就越差。因此，可根据局部区域内的各个毛羽的本身弯曲程度获得各个局部区域的本身不均匀度；并根据局部区域内的各个毛羽之间的距离差异获得各个局部区域的分布不均匀度；结合局部区域内的各个毛羽梯度的类别数量表征各个局部区域的混乱程度；进而获得整个局部区域的局部不均匀度。具体实现步骤如下：
（4.1）根据各个局部区域内的各个毛羽的像素点的灰度梯度方向，得到各个局部区域内的各个毛羽的本身不均匀度，进而根据各个局部区域内的各个毛羽的本身不均匀度得到各个局部区域的本身不均匀度。
首先根据毛羽的弯曲程度表征局部区域内每个毛羽的本身不均匀度，再根据局部区域内每个毛羽的本身不均匀度得到该局部区域的本身不均匀度。由于毛羽的弯曲程度越高，整条毛羽上像素点的灰度梯度方向越复杂，梯度之间的差异也越大，因此，可根据该条毛羽上所有像素点灰度梯度方向的方差，来表征该条毛羽的本身不均匀度。毛羽的本身不均匀度的表达式为：
Figure DEST_PATH_IMAGE086
其中，
Figure 76874DEST_PATH_IMAGE004
为局部区域内的毛羽的本身不均匀度，
Figure 765345DEST_PATH_IMAGE006
为局部区域内的毛羽的像素点总数量，
Figure 621305DEST_PATH_IMAGE008
为局部区域内的毛羽的第
Figure 804156DEST_PATH_IMAGE010
个像素点的灰度梯度方向，
Figure 491489DEST_PATH_IMAGE012
为局部区域内的毛羽的
Figure 898331DEST_PATH_IMAGE006
个像素点的灰度梯度方向的平均值。
将局部区域内毛羽的总数量用
Figure 303905DEST_PATH_IMAGE018
来表示，则可基于局部区域内
Figure 290446DEST_PATH_IMAGE018
个毛羽的本身不均匀度均值得到该局部区域的本身不均匀度。局部区域的本身不均匀度的表达式为：
Figure DEST_PATH_IMAGE014A
其中，
Figure 235881DEST_PATH_IMAGE016
为局部区域的本身不均匀度，
Figure 938258DEST_PATH_IMAGE018
为局部区域内的毛羽的总数量，
Figure 378598DEST_PATH_IMAGE020
为局部区域内的第
Figure 886939DEST_PATH_IMAGE010
个毛羽的本身不均匀度。该局部区域的本身不均匀度
Figure 830756DEST_PATH_IMAGE016
越大，该局部区域内的毛羽的不均匀程度越高。
（4.2）根据各个局部区域内的各个毛羽的各个特征像素点，得到各个局部区域的分布不均匀度。
根据局部区域内毛羽之间的距离差异表征局部区域的分布不均匀度。由于毛羽相互之间的距离差异越大，毛羽的分布不均匀度越高，则对于每个局部区域，用局部区域内的每个毛羽的三个特征像素点的位置，来确定各个局部区域内的各个毛羽的位置，即根据各个毛羽的三个特征像素点的坐标均值的位置来表征各个毛羽的位置，将毛羽上的这三个特征像素点的坐标均值用
Figure DEST_PATH_IMAGE088
来表示，则各个毛羽的位置坐标也用
Figure 500771DEST_PATH_IMAGE088
来表示。将局部区域内毛羽的总数量用
Figure 897249DEST_PATH_IMAGE026
来表示，进而根据各个毛羽的横坐标
Figure DEST_PATH_IMAGE090
由小到大的顺序，对局部区域内的
Figure 556419DEST_PATH_IMAGE026
个毛羽进行标号，分别标号为
Figure DEST_PATH_IMAGE092
，得到局部区域内两个相邻的标号为
Figure 151479DEST_PATH_IMAGE030
的毛羽与标号为
Figure 195659DEST_PATH_IMAGE032
的毛羽之间的距离
Figure 63121DEST_PATH_IMAGE028
，则有
Figure DEST_PATH_IMAGE094
，其中，
Figure DEST_PATH_IMAGE096
和
Figure DEST_PATH_IMAGE098
分别为标号为
Figure 398418DEST_PATH_IMAGE032
和标号为
Figure 48318DEST_PATH_IMAGE030
的毛羽的横坐标，
Figure DEST_PATH_IMAGE100
和
Figure DEST_PATH_IMAGE102
分别为标号为
Figure 466661DEST_PATH_IMAGE032
和标号为
Figure 572151DEST_PATH_IMAGE030
的毛羽的纵坐标。并基于距离之间的差异衡量局部区域的分布不均匀度，得到的局部区域的分布不均匀度的表达式为：
Figure DEST_PATH_IMAGE022A
其中，
Figure 835773DEST_PATH_IMAGE024
为局部区域的分布不均匀度，
Figure 154495DEST_PATH_IMAGE026
为局部区域内的毛羽的总数量，
Figure 868374DEST_PATH_IMAGE028
为局部区域内的两个相邻的第
Figure 461160DEST_PATH_IMAGE030
个毛羽和第
Figure 918686DEST_PATH_IMAGE032
个毛羽之间的距离，
Figure 280528DEST_PATH_IMAGE034
为局部区域内的
Figure 102991DEST_PATH_IMAGE036
个毛羽之间的距离的平均值。该局部区域的分布不均匀度
Figure 432341DEST_PATH_IMAGE024
越大，该局部区域内的毛羽的不均匀程度越高。
（4.3）根据各个局部区域内的各个毛羽的各个特征像素点所对应的灰度梯度大小和灰度梯度方向以及各个毛羽的长度，确定各个局部区域的混乱程度。
将局部区域内的毛羽上的特征像素点的灰度梯度大小
Figure 444291DEST_PATH_IMAGE052
和灰度梯度方向
Figure 909907DEST_PATH_IMAGE054
组成一个梯度二元组
Figure DEST_PATH_IMAGE104
，可基于局部区域内各个毛羽的特征像素点，均获得每个特征像素点所对应的梯度二元组，则局部区域内每个毛羽均对应三个梯度二元组，将这三个梯度二元组分别定义为：
Figure DEST_PATH_IMAGE106
，
Figure DEST_PATH_IMAGE108
，
Figure DEST_PATH_IMAGE110
。将局部区域内的毛羽的总数量用
Figure 464123DEST_PATH_IMAGE018
来表示，则得到局部区域内的
Figure DEST_PATH_IMAGE112
个梯度二元组，对于其中的每个梯度二元组，将相同的灰度梯度大小和灰度梯度方向作为一类梯度二元组，将梯度二元组的类别数定义为
Figure 890556DEST_PATH_IMAGE050
，有
Figure DEST_PATH_IMAGE114
，并得到每类梯度二元组出现的频数
Figure DEST_PATH_IMAGE116
。并对局部区域内的
Figure 974705DEST_PATH_IMAGE018
个毛羽进行标号为
Figure DEST_PATH_IMAGE118
，根据步骤（2）可知每条毛羽所含的毛羽像素点，则基于每条毛羽的毛羽像素点数量获得毛羽长度
Figure DEST_PATH_IMAGE120
，从而得到对应的局部区域内的每条毛羽的长度分别为
Figure DEST_PATH_IMAGE122
。
由于局部区域中各毛羽之间的长度差异越大，该局部区域内部的毛羽的混乱程度越高。且局部区域内毛羽的梯度二元组的类别数量越大，该局部区域内部的毛羽的混乱程度也越高。因此，综合考虑局部区域中各条毛羽之间的长度差异和局部区域内毛羽的梯度二元组的类别数量，可表征该局部区域的混乱程度。基于毛羽之间的长度差异表征该局部区域的混乱程度用
Figure DEST_PATH_IMAGE124
来表示，则
Figure 389769DEST_PATH_IMAGE124
的计算表达式为：
Figure DEST_PATH_IMAGE126
基于毛羽的梯度二元组的类别数量表征该局部区域的混乱程度用
Figure DEST_PATH_IMAGE128
来表示，则
Figure 36257DEST_PATH_IMAGE128
的计算表达式为：
Figure DEST_PATH_IMAGE130
需要说明的是，在
Figure 559774DEST_PATH_IMAGE124
中，将局部区域中所有毛羽长度C的方差的值作为归一化sigmod函数中的自变量，由于方差的取值范围在
Figure DEST_PATH_IMAGE132
之间，并且归一化sigmod函数的分子设置为
Figure DEST_PATH_IMAGE134
，在本实施例中取
Figure DEST_PATH_IMAGE136
，则
Figure 576840DEST_PATH_IMAGE124
的取值范围为
Figure DEST_PATH_IMAGE138
。本实施例将毛羽之间的长度差异指标作为
Figure 95678DEST_PATH_IMAGE128
的调节因子，控制调节范围为
Figure 493161DEST_PATH_IMAGE138
，且毛羽之间的长度差异越大，对
Figure 35132DEST_PATH_IMAGE128
的调节程度越大，局部区域的混乱程度越大。但是，由于归一化sigmod函数为单调递增函数，基于经验值，当自变量超过固定值5之后，随自变量的增大，函数值的变化非常小，使得后续自变量的取值效果极小，从而影响对
Figure 848367DEST_PATH_IMAGE128
的调节效果。因此，本实施例用常数项
Figure DEST_PATH_IMAGE140
对归一化sigmod函数的自变量进行控制，来调节自变量的有效取值范围，
Figure 218781DEST_PATH_IMAGE140
的具体数值可由实施者根据具体情况自行确定，
Figure 521586DEST_PATH_IMAGE140
越小，自变量的有效取值范围越大，根据经验值在本实施例中取
Figure DEST_PATH_IMAGE142
。
将该局部区域的混乱程度用
Figure DEST_PATH_IMAGE144
来表示，则有
Figure DEST_PATH_IMAGE146
。则该局部区域的混乱程度
Figure 488536DEST_PATH_IMAGE144
的表达式为：
Figure DEST_PATH_IMAGE038A
其中，
Figure 655862DEST_PATH_IMAGE040
为局部区域的混乱程度，
Figure 821396DEST_PATH_IMAGE042
为局部区域内的毛羽的总数量，
Figure 826261DEST_PATH_IMAGE044
为局部区域内的第
Figure 77245DEST_PATH_IMAGE010
个毛羽的长度，
Figure 560179DEST_PATH_IMAGE046
为局部区域内的
Figure 845797DEST_PATH_IMAGE042
个毛羽的长度的平均值，
Figure 755985DEST_PATH_IMAGE048
为根据局部区域内的各个毛羽的长度所得到的方差所确定的系数值，
Figure 491335DEST_PATH_IMAGE050
为局部区域内的梯度二元组的类别数量，
Figure 777960DEST_PATH_IMAGE052
为局部区域内的毛羽所对应的特征像素点的灰度梯度大小，
Figure 183665DEST_PATH_IMAGE054
为局部区域内的毛羽所对应的特征像素点的灰度梯度方向，
Figure 264753DEST_PATH_IMAGE056
为局部区域内的毛羽的特征像素点所对应的梯度二元组，
Figure 490329DEST_PATH_IMAGE058
为第
Figure 580645DEST_PATH_IMAGE060
类梯度二元组的频数，
Figure 778539DEST_PATH_IMAGE062
为归一化函数的分子，
Figure 92846DEST_PATH_IMAGE064
为局部区域内每个毛羽所对应的特征像素点数量。在本实施例中，系数值
Figure DEST_PATH_IMAGE148
，归一化函数分子
Figure DEST_PATH_IMAGE150
，每个毛羽的特征像素点数量
Figure DEST_PATH_IMAGE152
。该局部区域的混乱程度
Figure 773812DEST_PATH_IMAGE040
越大，该局部区域内的毛羽的不均匀程度越高。
（4.4）根据得到的各个局部区域的本身不均匀度、各个局部区域的分布不均匀度以及各个局部区域的混乱程度，计算出各个局部区域的局部不均匀度。
对上述得到的局部区域的本身不均匀度、局部区域的分布不均匀度和局部区域的混乱程度均进行归一化处理，分别得到归一化后的函数值
Figure DEST_PATH_IMAGE154
、
Figure DEST_PATH_IMAGE156
和
Figure DEST_PATH_IMAGE158
，且归一化后的函数值
Figure 90655DEST_PATH_IMAGE154
、
Figure 936864DEST_PATH_IMAGE156
和
Figure 625334DEST_PATH_IMAGE158
越大，对应局部区域的局部不均匀度越高。则可获得整个局部区域的局部不均匀度的表达式为：
Figure DEST_PATH_IMAGE160
其中，
Figure DEST_PATH_IMAGE162
为局部区域的局部不均匀度，
Figure DEST_PATH_IMAGE164
、
Figure DEST_PATH_IMAGE166
和
Figure DEST_PATH_IMAGE168
分别为局部区域的本身不均匀度、局部区域的分布不均匀度和局部区域的混乱程度所对应的第一权值、第二权值和第三权值。
Figure 313585DEST_PATH_IMAGE164
、
Figure 230857DEST_PATH_IMAGE166
和
Figure 652611DEST_PATH_IMAGE168
的值可根据实际情况进行选取，在本实施例中根据经验值取
Figure DEST_PATH_IMAGE170
，
Figure DEST_PATH_IMAGE172
，
Figure DEST_PATH_IMAGE174
。至此，对于每个局部区域，均可获得其对应的局部区域的局部不均匀度
Figure 465977DEST_PATH_IMAGE162
。
（5）根据计算出的各个局部区域的局部不均匀度，得到该待检测纱线上的毛羽的损伤程度。
由于将毛羽整体划分为N个局部区域，则N个局部区域对应的局部不均匀度
Figure DEST_PATH_IMAGE176
越大，代表各个局部区域相互之间的差异越大，毛羽的损伤程度也越大。因此，得到毛羽对纱线的损伤程度
Figure 25878DEST_PATH_IMAGE068
的表达式为：
Figure DEST_PATH_IMAGE178
其中，
Figure 277999DEST_PATH_IMAGE068
为待检测纱线上的毛羽的损伤程度，
Figure 92941DEST_PATH_IMAGE070
为划分的局部区域的数量，
Figure 123213DEST_PATH_IMAGE072
为第
Figure 501236DEST_PATH_IMAGE010
个局部区域所对应的局部不均匀度，
Figure 9578DEST_PATH_IMAGE074
为划分的
Figure 953394DEST_PATH_IMAGE070
个局部区域的局部不均匀度的平均值，
Figure 764356DEST_PATH_IMAGE076
为根据局部区域内的局部不均匀度所得到的方差所确定的系数值，
Figure 157903DEST_PATH_IMAGE078
为归一化函数的分子。基于上述步骤（4.3）的经验，在本实施例中取系数值
Figure DEST_PATH_IMAGE180
，归一化函数的分子
Figure DEST_PATH_IMAGE182
。
（6）根据该待检测纱线上的毛羽的损伤程度，确定该待检测纱线上的毛羽损伤等级。
据此，对得到的待检测纱线上的毛羽的损伤程度
Figure DEST_PATH_IMAGE184
进行归一化处理，得到归一化处理后的毛羽的损伤程度
Figure DEST_PATH_IMAGE186
，并设定第一损伤程度阈值
Figure DEST_PATH_IMAGE188
和第二损伤程度阈值
Figure DEST_PATH_IMAGE190
，基于经验值取
Figure DEST_PATH_IMAGE192
和
Figure DEST_PATH_IMAGE194
，具体的损伤程度阈值
Figure 849697DEST_PATH_IMAGE188
和
Figure 444757DEST_PATH_IMAGE190
的值可根据实际情况进行选取。当
Figure DEST_PATH_IMAGE196
时，认为待检测纱线上的毛羽的损伤程度较轻；当
Figure DEST_PATH_IMAGE198
时，认为待检测纱线上的毛羽的损伤程度一般，应加强对生产纱线毛羽的设备的维修保养工作；当
Figure DEST_PATH_IMAGE200
时，认为待检测纱线上的毛羽的损伤程度较严重，应立即检测纱线毛羽设备是否出现故障，若出现故障及时进行维修，以保证后续生产出的纱线毛羽质量符合要求。
本实施例还提供了一种基于人工智能的纱线毛羽损伤程度检测系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的纺纱过程中纱线毛羽损伤识别方法。由于该纺纱过程中纱线毛羽损伤识别方法已经在上述内容中进行了详细介绍，此处不再赘述。
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 (10)

1.一种纺纱过程中纱线毛羽损伤识别方法，其特征在于，包括以下步骤：
获取待检测纱线图像，并对待检测纱线图像进行预处理，根据预处理后的待检测纱线图像，得到待检测纱线图像上的毛羽区域图像；
根据待检测纱线图像上的毛羽区域图像，得到各个毛羽以及每个毛羽所对应的各个毛羽像素点；
根据每个毛羽所对应的各个毛羽像素点，将毛羽区域图像划分为各个局部区域；
根据各个局部区域内的每个毛羽所对应的各个毛羽像素点，确定各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度；
根据各个局部区域内的各个毛羽像素点的灰度梯度大小、灰度梯度方向以及各个毛羽的各个特征像素点和长度，计算出各个局部区域的局部不均匀度；
根据计算出的各个局部区域的局部不均匀度，得到该待检测纱线上的毛羽的损伤程度；
根据该待检测纱线上的毛羽的损伤程度，确定该待检测纱线上的毛羽损伤等级。
2.根据权利要求1所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，计算出各个局部区域的局部不均匀度的步骤包括：
根据各个局部区域内的各个毛羽像素点的灰度梯度方向，得到各个局部区域内的各个毛羽的本身不均匀度，进而根据各个局部区域内的各个毛羽的本身不均匀度得到各个局部区域的本身不均匀度；
根据各个局部区域内的各个毛羽的各个特征像素点，得到各个局部区域的分布不均匀度；
根据各个局部区域内的各个毛羽的各个特征像素点所对应的灰度梯度大小和灰度梯度方向以及各个毛羽的长度，确定各个局部区域的混乱程度；
根据得到的各个局部区域的本身不均匀度、各个局部区域的分布不均匀度以及各个局部区域的混乱程度，计算出各个局部区域的局部不均匀度。
3.根据权利要求2所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，得到各个局部区域的分布不均匀度的步骤包括：
根据各个局部区域内的各个毛羽的各个特征像素点的位置，确定各个局部区域内的各个毛羽的位置；
根据各个局部区域内的各个毛羽的位置，确定各个局部区域内的任意两个相邻毛羽的距离；
根据各个局部区域内的任意两个相邻毛羽的距离，确定各个局部区域的分布不均匀度。
4.根据权利要求2所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，确定各个局部区域的混乱程度的步骤包括：
根据各个局部区域内的各个毛羽的各个特征像素点所对应的灰度梯度大小和灰度梯度方向，确定各个局部区域内的各个毛羽的各个特征像素点所对应的二元组；
对各个局部区域内的各个毛羽的各个特征像素点所对应的二元组进行统计，并根据统计结果以及各个局部区域内的各个毛羽的长度，确定各个局部区域的混乱程度。
5.根据权利要求2所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，各个局部区域内的毛羽的本身不均匀度的表达式为：
Figure 445124DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为局部区域内的毛羽的本身不均匀度，
Figure 253811DEST_PATH_IMAGE004
为局部区域内的毛羽的像素点总数量，
Figure DEST_PATH_IMAGE005
为局部区域内的毛羽的第
Figure 63636DEST_PATH_IMAGE006
个像素点的灰度梯度方向，
Figure DEST_PATH_IMAGE007
为局部区域内的毛羽的
Figure 189156DEST_PATH_IMAGE004
个像素点的灰度梯度方向的平均值。
6.根据权利要求5所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，各个局部区域的本身不均匀度的表达式为：
Figure DEST_PATH_IMAGE009
其中，
Figure 835163DEST_PATH_IMAGE010
为局部区域的本身不均匀度，
Figure DEST_PATH_IMAGE011
为局部区域内的毛羽的总数量，
Figure 447541DEST_PATH_IMAGE012
为局部区域内的第
Figure 767664DEST_PATH_IMAGE006
个毛羽的本身不均匀度。
7.根据权利要求3所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，各个局部区域的分布不均匀度的表达式为：
Figure 994246DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为局部区域的分布不均匀度，
Figure 842729DEST_PATH_IMAGE016
为局部区域内的毛羽的总数量，
Figure DEST_PATH_IMAGE017
为局部区域内的两个相邻的第
Figure 727639DEST_PATH_IMAGE018
个毛羽和第
Figure DEST_PATH_IMAGE019
个毛羽之间的距离，
Figure 980897DEST_PATH_IMAGE020
为局部区域内的
Figure DEST_PATH_IMAGE021
个毛羽之间的距离的平均值。
8.根据权利要求4所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，各个局部区域的混乱程度的表达式为：
Figure DEST_PATH_IMAGE023
其中，
Figure 988167DEST_PATH_IMAGE024
为局部区域的混乱程度，
Figure DEST_PATH_IMAGE025
为局部区域内的毛羽的总数量，
Figure 595385DEST_PATH_IMAGE026
为局部区域内的第
Figure 221669DEST_PATH_IMAGE006
个毛羽的长度，
Figure DEST_PATH_IMAGE027
为局部区域内的
Figure 595013DEST_PATH_IMAGE025
个毛羽的长度的平均值，
Figure 163398DEST_PATH_IMAGE028
为根据局部区域内的各个毛羽的长度所得到的方差所确定的系数值，
Figure DEST_PATH_IMAGE029
为局部区域内的梯度二元组的类别数量，
Figure 989402DEST_PATH_IMAGE030
为局部区域内的毛羽所对应的特征像素点的灰度梯度大小，
Figure DEST_PATH_IMAGE031
为局部区域内的毛羽所对应的特征像素点的灰度梯度方向，
Figure 744344DEST_PATH_IMAGE032
为局部区域内的毛羽的特征像素点所对应的梯度二元组，
Figure DEST_PATH_IMAGE033
为第
Figure 972194DEST_PATH_IMAGE034
类梯度二元组的频数，
Figure DEST_PATH_IMAGE035
为归一化函数的分子，
Figure 790109DEST_PATH_IMAGE036
为局部区域内每个毛羽所对应的特征像素点数量。
9.根据权利要求1所述的纺纱过程中纱线毛羽损伤识别方法，其特征在于，待检测纱线上的毛羽的损伤程度的表达式为：
Figure 41093DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
为待检测纱线上的毛羽的损伤程度，
Figure 664224DEST_PATH_IMAGE040
为划分的局部区域的数量，
Figure DEST_PATH_IMAGE041
为第
Figure 12160DEST_PATH_IMAGE006
个局部区域所对应的局部不均匀度，
Figure 922347DEST_PATH_IMAGE042
为划分的
Figure 909895DEST_PATH_IMAGE040
个局部区域的局部不均匀度的平均值,
Figure DEST_PATH_IMAGE043
为根据局部区域内的局部不均匀度所得到的方差所确定的系数值，
Figure 9569DEST_PATH_IMAGE044
为归一化函数的分子。
10.一种纺纱过程中纱线毛羽数据处理系统，其特征在于，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现如权利要求1-9中任一项所述的纺纱过程中纱线毛羽损伤识别方法。
CN202211009315.3A 2022-08-23 2022-08-23 纺纱过程中纱线毛羽损伤识别方法及数据处理系统 Active CN115082656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211009315.3A CN115082656B (zh) 2022-08-23 2022-08-23 纺纱过程中纱线毛羽损伤识别方法及数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211009315.3A CN115082656B (zh) 2022-08-23 2022-08-23 纺纱过程中纱线毛羽损伤识别方法及数据处理系统

Publications (2)

Publication Number Publication Date
CN115082656A true CN115082656A (zh) 2022-09-20
CN115082656B CN115082656B (zh) 2022-11-25

Family

ID=83244696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211009315.3A Active CN115082656B (zh) 2022-08-23 2022-08-23 纺纱过程中纱线毛羽损伤识别方法及数据处理系统

Country Status (1)

Country Link
CN (1) CN115082656B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106468666A (zh) * 2016-07-19 2017-03-01 江南大学 一种基于双斜交平面镜成像的纱线毛羽三维检测方法
CN107515220A (zh) * 2017-08-02 2017-12-26 江南大学 一种基于图像处理的纱线黑板毛羽量检测及评价方法
CN107829189A (zh) * 2017-11-17 2018-03-23 武汉纺织大学 一种多毛羽纱线羽尾固结式超光洁增强处理的方法
CN109272503A (zh) * 2018-09-29 2019-01-25 西安工程大学 一种基于最大熵与dbscan相融合的毛羽检测算法
CN113012105A (zh) * 2021-02-08 2021-06-22 武汉纺织大学 基于图像处理的纱线毛羽检测评级方法
CN114897788A (zh) * 2022-04-14 2022-08-12 江南大学 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106468666A (zh) * 2016-07-19 2017-03-01 江南大学 一种基于双斜交平面镜成像的纱线毛羽三维检测方法
CN107515220A (zh) * 2017-08-02 2017-12-26 江南大学 一种基于图像处理的纱线黑板毛羽量检测及评价方法
CN107829189A (zh) * 2017-11-17 2018-03-23 武汉纺织大学 一种多毛羽纱线羽尾固结式超光洁增强处理的方法
CN109272503A (zh) * 2018-09-29 2019-01-25 西安工程大学 一种基于最大熵与dbscan相融合的毛羽检测算法
CN113012105A (zh) * 2021-02-08 2021-06-22 武汉纺织大学 基于图像处理的纱线毛羽检测评级方法
CN114897788A (zh) * 2022-04-14 2022-08-12 江南大学 一种基于引导滤波及离散差分的纱线卷装毛羽检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙银银等: "基于数字图像处理的纱线毛羽检测", 《纺织学报》 *

Also Published As

Publication number Publication date
CN115082656B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
Rachmadi et al. Vehicle color recognition using convolutional neural network
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN105844278B (zh) 一种多特征融合的织物扫描图案识别方法
CN103034838B (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
JP2007327843A (ja) 画像処理装置および画像処理プログラム
CN105718866B (zh) 一种视觉目标检测与识别方法
CN106951899A (zh) 基于图像识别的异常检测方法
CN110021028B (zh) 一种基于服装款式图的自动制衣方法
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
Pan et al. Automatic detection of structure parameters of yarn-dyed fabric
CN115311267B (zh) 一种格纹织物异常检测方法
CN111510792B (zh) 基于自适应加权图差异分析的视频摘要生成方法及系统
CN114359190A (zh) 一种基于图像处理的塑料制品成型控制方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN111709305B (zh) 一种基于局部图像块的人脸年龄识别方法
CN111539910B (zh) 锈蚀区域检测方法及终端设备
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN103268492B (zh) 一种玉米籽粒类型识别方法
CN105069403B (zh) 一种基于分块统计特征与字典学习稀疏表示分类的三维人耳识别
CN115082656B (zh) 纺纱过程中纱线毛羽损伤识别方法及数据处理系统
Khamael et al. Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images
CN115082489B (zh) 一种有色丝评估方法
Gunawan et al. Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation

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