CN115115633B - 一种纺纱选茧智能拣选方法及系统 - Google Patents

一种纺纱选茧智能拣选方法及系统 Download PDF

Info

Publication number
CN115115633B
CN115115633B CN202211038986.2A CN202211038986A CN115115633B CN 115115633 B CN115115633 B CN 115115633B CN 202211038986 A CN202211038986 A CN 202211038986A CN 115115633 B CN115115633 B CN 115115633B
Authority
CN
China
Prior art keywords
silkworm cocoon
cocoon
silkworm
judgment
image
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
CN202211038986.2A
Other languages
English (en)
Other versions
CN115115633A (zh
Inventor
龙婷霞
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 Mumuxingchen Textile Co ltd
Original Assignee
Nantong Mumuxingchen 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 Mumuxingchen Textile Co ltd filed Critical Nantong Mumuxingchen Textile Co ltd
Priority to CN202211038986.2A priority Critical patent/CN115115633B/zh
Publication of CN115115633A publication Critical patent/CN115115633A/zh
Application granted granted Critical
Publication of CN115115633B publication Critical patent/CN115115633B/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
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20004—Adaptive 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及数据处理领域，具体涉及一种纺纱选茧智能拣选方法及系统；其获取蚕茧图像得到单个蚕茧图像的蚕茧连通域；根据蚕茧连通域构建模板集，模板集包括n个模板，利用n个模板分别对蚕茧连通域进行开运算得到n个蚕茧内部连通域；根据对n个蚕茧内部连通域进行膨胀运算，得到n个蚕茧内部连通域的所有判断连通域，进而得到各蚕茧内部连通域的判断图像，通过对各蚕茧判断图像进行分析计算建立蚕茧边缘曲线，进而得到n个蚕茧边缘曲线；根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估，确定该蚕茧的质量，进而确定各蚕茧的质量并对蚕茧进行分类。即本发明的方案能够准确地获取蚕茧的质量情况，并通过各蚕茧的质量情况对其进行准确分类。

Description

一种纺纱选茧智能拣选方法及系统
技术领域
本发明涉及数据处理领域，具体涉及一种纺纱选茧智能拣选方法及系统。
背景技术
现有缫丝厂缫丝前的工艺流程包括选茧步骤，选茧的目的是剔除不能缫丝的下茧或者难以缫丝的次茧。一般正常茧为上茧，而穿头茧、黄斑茧、柴印茧、烂茧、薄皮茧等属于次茧或下茧；其中，上茧也可根据茧型大小、茧层厚薄等因素进行进一步分类；选茧要根据工艺要求在上茧中选出大型茧或小型茧，选择茧质相近的按照工艺要求的比例进行混合，这样能够做到扩大茧批次、平衡茧质、以好带次、稳定生产、统一丝色，进而生产出缫制品质一致的生丝。
目前的选茧，采用以下方法：
1.采用抽检的检测方法对蚕茧检测，即在一批蚕茧中出样品进行检测，检测的结果用来评定整批蚕茧的质量，此种方法不能准确地分离出每个合格的蚕茧和不同瑕疵的蚕茧，以便分别进行处理，造成合格品内仍然有很多不良品存在的现象；
2.通过分析蚕茧颜色的方法区分不同蚕茧的品质，但是由于光照、拍摄角度等多种因素的影响会造成蚕茧成像效果失真，那么在挑选过程中，由于拍摄的蚕茧颜色失真的原因，出现挑选不准确的问题。
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纺纱选茧智能拣选方法及系统，所采用的技术方案具体如下：
本发明提供了一种纺纱选茧智能拣选方法的技术方案，包括如下步骤：
获取蚕茧图像，对所述蚕茧图像进行图像分割，得到单个蚕茧图像；
对所述单个蚕茧图像进行阈值分割，得到蚕茧连通域；
根据所述蚕茧连通域构建模板集，所述模板集包括n个模板，所述模板为卷积核，n≥2；利用n个模板分别对所述蚕茧连通域进行开运算得到n个蚕茧内部连通域；
分别对n个蚕茧内部连通域进行第一次膨胀运算，得到蚕茧第一区域，将所述蚕茧第一区域与所述蚕茧内部连通域作差得到蚕茧第一判断连通域，并判断所述蚕茧第一区域与所述蚕茧连通域的面积大小，当所述蚕茧第一区域大于所述蚕茧连通域的面积大小，则停止膨胀运算；反之，对所述蚕茧第一区域进行第二次膨胀运算，得到蚕茧第二区域，进而得到蚕茧第二判断连通域；依次类推，对所述蚕茧内部连通域进行第j次膨胀运算，得到蚕茧第j区域，进而得到蚕茧第j判断连通域，直至所述蚕茧第j区域大于所述蚕茧连通域，则停止膨胀运算；进而得到n个蚕茧内部连通域的所有判断连通域，其中所述判断连通域均为二值图像；根据各判断连通域以及单个蚕茧图像，得到各蚕茧判断图像；
计算每个蚕茧内部连通域对应的各蚕茧判断图像的像素点灰度值的均方差以及各蚕茧判断图像所有边缘像素点到中心点的距离均值，根据各蚕茧判断图像的所述均方差和距离均值建立蚕茧边缘曲线，进而得到n个蚕茧边缘曲线；
根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估，确定该蚕茧的质量。
进一步地，所述模板集的构建过程为：
提取所述蚕茧连通域的所有边缘像素点，计算各边缘像素点到中心点的欧式距离，选取欧式距离中的最大值；
根据所述最大值，确定卷积核大小的区间，其中卷积核的大小为m×m，m为奇数，m的取值范围为
Figure 845076DEST_PATH_IMAGE001
；
其中，
Figure 209061DEST_PATH_IMAGE002
式中，
Figure 382685DEST_PATH_IMAGE003
为边缘像素点到中心点的欧式距离的最大值，K为系数，取值为10，
Figure 566541DEST_PATH_IMAGE004
表示向上取整。
进一步地，所述卷积核包括圆形核，正方形核和十字核。
进一步地，当r=5时，卷积核的大小为3×3和5×5；
当卷积核的大小为3×3时，则圆形核为：
Figure 14971DEST_PATH_IMAGE005
正方形核为：
Figure 702305DEST_PATH_IMAGE006
当卷积核的大小为5×5时，则圆形核为：
Figure 312409DEST_PATH_IMAGE007
正方形核为：
Figure 983562DEST_PATH_IMAGE008
十字形核为：
Figure 961314DEST_PATH_IMAGE009
。
进一步地，建立蚕茧边缘曲线的方法为：对各蚕茧判断图像，以蚕茧连通域的中心点为原点，以像素坐标系的
Figure 34312DEST_PATH_IMAGE010
轴方向为极轴方向，极角的取值范围为
Figure 815318DEST_PATH_IMAGE011
,建立蚕茧判断极坐标；
计算各蚕茧判断图像的像素点灰度值的均方差以及各蚕茧判断图像所有边缘像素点到中心点的距离均值；
以距离均值为横轴，以均方差为纵轴，建立蚕茧边缘曲线。
进一步地，所述膨胀运算采用3×3的卷积核。
进一步地，所述阈值分割采取自适应阈值分割方法。
进一步地，根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估的过程为：
1）获取各蚕茧边缘曲线上每一点的海森矩阵的特征值
Figure 973767DEST_PATH_IMAGE012
、
Figure 652747DEST_PATH_IMAGE013
以及对应的特征向量；
2）比较两特征值的大小，记
Figure 845831DEST_PATH_IMAGE014
、
Figure 1000DEST_PATH_IMAGE015
，将
Figure 912324DEST_PATH_IMAGE016
对应的特征向量记为
Figure 975090DEST_PATH_IMAGE017
，将
Figure 22680DEST_PATH_IMAGE018
对应的特征向量记为
Figure 148418DEST_PATH_IMAGE019
；
3）根据两特征向量，计算当前蚕茧的边缘清晰度
Figure 15879DEST_PATH_IMAGE020
：
Figure 882335DEST_PATH_IMAGE021
其中，
Figure 581170DEST_PATH_IMAGE022
为蚕茧边缘曲线中横轴的单位向量，
Figure 874879DEST_PATH_IMAGE023
为蚕茧判断连通域的个数；
4）根据各边缘清晰度，计算蚕茧的质量评分：
Figure 229637DEST_PATH_IMAGE024
其中，
Figure 899784DEST_PATH_IMAGE025
为蚕茧内部区域的个数；
5）当所述质量评分大于设定阈值，则该蚕茧质量达标，反之，不达标。
本发明还提供了一种纺纱选茧智能拣选系统，包括处理器和存储器，所述处理器执行所述存储器存储的上述一种纺纱选茧智能拣选方法的技术方案。
本发明实施例至少具有如下有益效果：
本发明通过构建模板集中的n个卷积核对蚕茧连通域进行开运算得到n个蚕茧内部连通域，能够得到对应的不同的蚕茧内部连通域，然后通过对各个蚕茧内部连通域进行多次膨胀运算，得到对应的判断图像；用以分别衡量同一蚕茧连通域下的蚕茧内部连通域边缘信息，达到对边缘上不同形状大小的毛刺都鲁棒的效果，进而得到对应的各判断图像，根据各判断图像建立对应蚕茧边缘曲线，能够获取蚕茧连通域边缘的不同信息，进而通过对蚕茧边缘进行分析，区分出不同质量的蚕茧。
本发明利用不同卷积核对蚕茧连通域进行开运算得到多个蚕茧内部连通域，并对多个蚕茧内部连通域分析计算的结果求平均，提高了获取的边缘清晰度的准确性，减少了误差。
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为本发明的一种纺纱选茧智能拣选方法实施例的方法流程图；
图2为带茧衣的茧的示意图；
图3为上茧的示意图；
图4为蚕茧连通域示意图；
图5为本发明中的利用卷积核对蚕茧连通域进行开运算得到的蚕茧内部连通域示意图；
图6为本发明进行多次膨胀运算得到的蚕茧判断图像示意图；
附图标记：1-蚕茧内部连通域，2-蚕茧连通域，3-蚕茧第一判断连通域，4-蚕茧第二判断连通域，5-蚕茧第三判断连通域，6-蚕茧第四判断连通域。
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纺纱选茧智能拣选方法及系统，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。
方法实施例
下面结合附图具体的说明本发明所提供的一种纺纱选茧智能拣选方法的具体方案。
本发明针对的是不同质量的蚕茧的拣选，如带茧衣的茧，为下茧；一般的正常的茧，为上茧；而在蚕茧的边缘区域，蚕茧边界的明显程度；没有被剥离茧衣的蚕茧或者烂茧，在边缘区域都是无法确定出一条明显边界线；而上茧都可以确定出一条明显的边界线。因此，通过本发明的方法对蚕茧进行分析，能够更准确地区分出带茧衣的茧（见图2）和正常茧（图3）。
请参阅图1，其示出了本发明一个实施例提供的一种纺纱选茧智能拣选方法的步骤流程图，该方法包括以下步骤：
步骤1，获取蚕茧图像，对蚕茧图像进行图像分割，得到单个蚕茧图像。
具体地，在蚕茧传送带上方架设相机，利用相机获取传送带上的蚕茧图像，采用神经网络对蚕茧图像进行图像分割；
其中，神经网络的模型为Encoder-Decoder结构，神经网络的标签分为蚕茧和传送带，蚕茧标记为1，传送带标记为0；神经网络中的损失函数采用交叉熵函数。神经网络的训练过程为公知技术，不是本发明的重点，在此不作阐述。
上述相机的设置为使相机光轴垂直于传动带平面；传送带颜色与蚕茧的颜色差异越大越好，最好能是黑色、蓝黑色也可，因为蚕茧是白色，部分蚕茧颜色稍微偏黄色，这样设置可以突出蚕茧，有助于后续蚕茧分类。
步骤2，对单个蚕茧图像进行阈值分割，得到蚕茧连通域2，如图4所示。
具体地，阈值分割采用自适应阈值分割方法。
上述步骤中采用自适应阈值分割获取蚕茧连通域2的原因是：神经网络虽然能够分割出单个蚕茧图像，但是神经网络难以处理高频信息，即导致分割出来的单个蚕茧图像的边缘不能完全体现，所以为了更好地呈现单个蚕茧图像的边缘信息，采用了自适应阈值分割的方法获取蚕茧连通域。
步骤3，根据蚕茧连通域2构建模板集，模板集包括n个模板，所述模板为卷积核，n≥2；利用n个模板分别对所述蚕茧连通域进行开运算得到n个蚕茧内部连通域。
上述步骤中所述n个模板包括不同卷积核大小下对应的不同卷积核。
本实施例中的模板集的构建过程为：
提取所述蚕茧连通域2的所有边缘像素点，计算各边缘像素点到中心点的欧式距离，选取欧式距离中的最大值；
根据所述最大值，确定卷积核大小的区间，其中卷积核的大小为m×m，m为奇数，m的取值范围为
Figure 656388DEST_PATH_IMAGE001
；
其中，
Figure 852489DEST_PATH_IMAGE026
式中，
Figure 960122DEST_PATH_IMAGE003
为边缘像素点到中心点的欧式距离的最大值，K为系数，实施者可根据实际情况而定，本实施例中K的取值为10，
Figure 89752DEST_PATH_IMAGE004
表示向上取整。
本实施例中，卷积核包括圆形核，正方形核和十字形核。
例如，当r=5时，构建的卷积核的大小为3×3和5×5；
当卷积核的大小为3×3时，则圆形核为：
Figure 186016DEST_PATH_IMAGE005
，正方形核为：
Figure 336374DEST_PATH_IMAGE006
，十字形核为：
Figure 947615DEST_PATH_IMAGE005
。
需要说明的是，当卷积核的大小为3×3时，圆形核和十字形核是相同的，因此，两个卷积核只需要选择其中一个（圆形核或十字形核）对所述蚕茧连通域进行开运算即可。
当卷积核的大小为5×5时，则圆形核为：
Figure 208832DEST_PATH_IMAGE007
，正方形核为：
Figure 346553DEST_PATH_IMAGE008
，十字形核为：
Figure 418545DEST_PATH_IMAGE009
。
由此可知，当r=5时的模板集包括5个模板，类似地，可得到r为不同值时的模板集。
上述实施例中的卷积核的大小的确定，是由于蚕茧的大小不一，相机与传动带的相对位置也不相同，同样尺寸的蚕茧在图像中的大小也不一样，所以需要确定一个合适的尺度，这样才能确保后续处理有效。
基于上述获取的模板集，可以对蚕茧连通域进行开运算，得到不同模板下的蚕茧内部连通域。具体地，如图5所示，为一个模板对蚕茧连通域进行开运算后得到的蚕茧内部连通域，不同的模板对应的蚕茧内部连通域与图4中标注的蚕茧内部连通域1基本相似，仅是边缘有所不同。
需要说明的是，在利用模板进行开运算时，因为不同大小的卷积核对蚕茧连通域边缘图像的毛刺有不同的作用，即大的卷积核对粗大的毛刺效果好，但是可能损失一些细微的区域；小的卷积核对细微的毛刺效果好，但是对粗大的毛刺会误识别，同时不同的卷积核对不同形状的毛刺有不同的作用。因此，本方案通过不同卷积核得到不同的区域，用以分别衡量同一蚕茧连通域下的蚕茧内部连通域边缘信息，即达到对边缘上不同形状大小的毛刺都鲁棒的效果，进而为后续的蚕茧的质量提供了支撑。
步骤4，分别对n个蚕茧内部连通域进行第一次膨胀运算，得到蚕茧第一区域，将所述蚕茧第一区域与所述蚕茧内部连通域作差得到蚕茧第一判断连通域，并判断所述蚕茧第一区域与所述蚕茧连通域的面积大小，当所述蚕茧第一区域大于所述蚕茧连通域的面积大小，则停止膨胀运算；反之，对所述蚕茧第一区域进行第二次膨胀运算，得到蚕茧第二区域，进而得到蚕茧第二判断连通域；依次类推，对所述蚕茧内部连通域进行第j次膨胀运算，得到蚕茧第j区域，进而得到蚕茧第j判断连通域，直至所述蚕茧第j区域大于所述蚕茧连通域，则停止膨胀运算；进而得到n个蚕茧内部连通域的所有判断连通域，其中所述判断连通域均为二值图像；根据各判断连通域以及单个蚕茧图像，得到各蚕茧判断图像。
如图6所示，当膨胀运算为四次时，则获得对应的4个判断区域，即蚕茧第一判断区域3、蚕茧第二判断区域4、蚕茧第三判断区域5和蚕茧第四判断区域6。
其中，各蚕茧判断连通域的计算公式如下：
Figure 969612DEST_PATH_IMAGE027
式中，
Figure 331059DEST_PATH_IMAGE028
为蚕茧第
Figure 120024DEST_PATH_IMAGE029
区域，
Figure 159655DEST_PATH_IMAGE030
为蚕茧第
Figure 401280DEST_PATH_IMAGE031
区域后的，其中，j=0,1,2，…，j，当j=0时，
Figure 551770DEST_PATH_IMAGE032
为蚕茧内部连通域。
需要说明的是：不同蚕茧的内部区域的外形都不同，不保证蚕茧内部区域的外形轮廓是规则的，使用膨胀运算的方式获得判断区域就不需要考虑蚕茧内部区域的外形轮廓是什么样子，始终可以保证每个判断区域的厚度都为1个像素，膨胀运算采用3×3的卷积核。
上述步骤中所述判断连通域均为二值图像；各蚕茧判断图像的获取方法为利用单个蚕茧图像乘以各判断连通域。
步骤5，计算每个蚕茧内部连通域对应的各蚕茧判断图像的像素点灰度值的均方差以及各蚕茧判断图像所有边缘像素点到中心点的距离均值，根据各蚕茧判断图像的所述均方差和距离均值建立蚕茧边缘曲线，进而得到n个蚕茧边缘曲线。
具体地，建立蚕茧边缘曲线的方法为：对各蚕茧判断图像，以蚕茧连通域的中心点为原点，以像素坐标系的
Figure 460820DEST_PATH_IMAGE010
轴方向为极轴方向，极角的取值范围为
Figure 468091DEST_PATH_IMAGE011
,建立蚕茧判断极坐标；
计算各蚕茧判断图像的像素点灰度值的均方差以及各蚕茧判断图像所有边缘像素点到中心点的距离均值；
以距离均值为横轴，以均方差为纵轴，建立蚕茧边缘曲线。
需要说明的是，各蚕茧判断图像中的每一个判断连通域对应一个像素点灰度值的均方差和一个距离均值。
步骤6，根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估，确定该蚕茧的质量。
具体地，根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估的过程为：
1）获取各蚕茧边缘曲线上每一点的海森矩阵的特征值
Figure 210394DEST_PATH_IMAGE012
、
Figure 961313DEST_PATH_IMAGE013
以及对应的特征向量；
2）比较两特征值的大小，记
Figure 724869DEST_PATH_IMAGE014
、
Figure 309565DEST_PATH_IMAGE015
，将
Figure 932308DEST_PATH_IMAGE016
对应的特征向量记为
Figure 877130DEST_PATH_IMAGE017
，将
Figure 514435DEST_PATH_IMAGE018
对应的特征向量记为
Figure 597928DEST_PATH_IMAGE019
；
3）根据两特征向量，计算当前蚕茧的边缘清晰度
Figure 363759DEST_PATH_IMAGE033
：
Figure 66267DEST_PATH_IMAGE034
其中，
Figure 414203DEST_PATH_IMAGE022
为蚕茧边缘曲线中横轴的单位向量，
Figure 400089DEST_PATH_IMAGE023
为蚕茧判断连通域的个数；
4）根据各边缘清晰度，计算蚕茧的质量评分：
Figure 856478DEST_PATH_IMAGE035
其中，
Figure 159414DEST_PATH_IMAGE025
为蚕茧内部区域的个数；
5）当所述质量评分大于设定阈值，则该蚕茧质量达标，反之，不达标。
本实施例中，判定蚕茧质量是否达标的阈值设置为45。
其中，质量达标的蚕茧又可分为一级、二级、三级。
具体地，若蚕茧的质量评分大于
Figure 283228DEST_PATH_IMAGE036
,判定该蚕茧的质量为一级；若蚕茧的质量评分大于
Figure 646207DEST_PATH_IMAGE037
、小于
Figure 121051DEST_PATH_IMAGE036
，判定该蚕茧的质量为二级；若蚕茧的质量评分大于
Figure 696520DEST_PATH_IMAGE038
、小于
Figure 940420DEST_PATH_IMAGE037
，判定该蚕茧的质量为三级；一般
Figure 199932DEST_PATH_IMAGE038
取45、
Figure 240700DEST_PATH_IMAGE037
取55、
Figure 869128DEST_PATH_IMAGE036
取75。
装置实施例
本发明还提供了一种纺纱选茧智能拣选系统，包括存储器和处理器，处理器执行存储器存储的上述一种纺纱选茧智能拣选方法的程序，由于一种纺纱选茧智能拣选方法已在上述实施例中进行详细介绍，此处不再过多赘述。
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 (9)

1.一种纺纱选茧智能拣选方法，其特征在于，该方法包括以下步骤：
获取蚕茧图像，对所述蚕茧图像进行图像分割，得到单个蚕茧图像；
对所述单个蚕茧图像进行阈值分割，得到蚕茧连通域；
根据所述蚕茧连通域构建模板集，所述模板集包括n个模板，所述模板为卷积核，n≥2；利用n个模板分别对所述蚕茧连通域进行开运算得到n个蚕茧内部连通域；
分别对n个蚕茧内部连通域进行第一次膨胀运算，得到蚕茧第一区域，将所述蚕茧第一区域与所述蚕茧内部连通域作差得到蚕茧第一判断连通域，并判断所述蚕茧第一区域与所述蚕茧连通域的面积大小，当所述蚕茧第一区域大于所述蚕茧连通域的面积大小，则停止膨胀运算；反之，对所述蚕茧第一区域进行第二次膨胀运算，得到蚕茧第二区域，进而得到蚕茧第二判断连通域；依次类推，对所述蚕茧内部连通域进行第j次膨胀运算，得到蚕茧第j区域，进而得到蚕茧第j判断连通域，直至所述蚕茧第j区域大于所述蚕茧连通域，则停止膨胀运算；进而得到n个蚕茧内部连通域的所有判断连通域，其中所述判断连通域均为二值图像；根据各判断连通域以及单个蚕茧图像，得到各蚕茧判断图像；
计算每个蚕茧内部连通域对应的各蚕茧判断图像的像素点灰度值的均方差以及各蚕茧判断图像所有边缘像素点到中心点的距离均值，根据各蚕茧判断图像的所述均方差和距离均值建立蚕茧边缘曲线，进而得到n个蚕茧边缘曲线；
根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估，确定该蚕茧的质量。
2.根据权利要求1所述的一种纺纱选茧智能拣选方法，其特征在于，所述模板集的构建过程为：
提取所述蚕茧连通域的所有边缘像素点，计算各边缘像素点到所述中心点的欧式距离，选取欧式距离中的最大值；
根据所述最大值，确定卷积核大小的区间，其中卷积核的大小为m×m，m为奇数，m的取值范围为
Figure 740483DEST_PATH_IMAGE001
；
其中，
Figure 694533DEST_PATH_IMAGE002
式中，
Figure 894701DEST_PATH_IMAGE003
为边缘像素点到中心点的欧式距离的最大值，K为系数，取值为10，
Figure 61240DEST_PATH_IMAGE004
表示向上取整。
3.根据权利要求2所述的一种纺纱选茧智能拣选方法，其特征在于，所述卷积核包括圆形核，正方形核和十字核。
4.根据权利要求3所述的一种纺纱选茧智能拣选方法，其特征在于，当r=5时，卷积核的大小为3×3和5×5；
当卷积核的大小为3×3时，则圆形核为：
Figure 30464DEST_PATH_IMAGE005
正方形核为：
Figure 889836DEST_PATH_IMAGE006
当卷积核的大小为5×5时，则圆形核为：
Figure 311721DEST_PATH_IMAGE007
正方形核为：
Figure 547530DEST_PATH_IMAGE008
十字形核为：
Figure 362472DEST_PATH_IMAGE009
。
5.根据权利要求1所述的一种纺纱选茧智能拣选方法，其特征在于，建立蚕茧边缘曲线的方法为：对各蚕茧判断图像，以蚕茧连通域的中心点为原点，以像素坐标系的
Figure 392745DEST_PATH_IMAGE010
轴方向为极轴方向，极角的取值范围为
Figure 36347DEST_PATH_IMAGE011
,建立蚕茧判断极坐标；
计算各蚕茧判断图像的像素点灰度值的均方差以及各蚕茧判断图像所有边缘像素点到所述中心点的距离均值；
以距离均值为横轴，以均方差为纵轴，建立蚕茧边缘曲线。
6.根据权利要求1所述的一种纺纱选茧智能拣选方法，其特征在于，所述膨胀运算采用3×3的卷积核。
7.根据权利要求1所述的一种纺纱选茧智能拣选方法，其特征在于，所述阈值分割采取自适应阈值分割方法。
8.根据权利要求1所述的一种纺纱选茧智能拣选方法，其特征在于，根据n个蚕茧边缘曲线的特征对单个蚕茧进行评估的过程为：
1）获取各蚕茧边缘曲线上每一点的海森矩阵的特征值
Figure 810268DEST_PATH_IMAGE012
、
Figure 754084DEST_PATH_IMAGE013
以及对应的特征向量；
2）比较两特征值的大小，记
Figure 955258DEST_PATH_IMAGE014
、
Figure 351736DEST_PATH_IMAGE015
，将
Figure 663768DEST_PATH_IMAGE016
对应的特征向量记为
Figure 662424DEST_PATH_IMAGE017
，将
Figure 34499DEST_PATH_IMAGE018
对应的特征向量记为
Figure 715010DEST_PATH_IMAGE019
；
3）根据两特征向量，计算当前蚕茧的边缘清晰度
Figure 33996DEST_PATH_IMAGE020
：
Figure 686826DEST_PATH_IMAGE021
其中，
Figure 229802DEST_PATH_IMAGE022
为蚕茧边缘曲线中横轴的单位向量，
Figure 335293DEST_PATH_IMAGE023
为蚕茧判断连通域的个数；
4）根据各边缘清晰度，计算蚕茧的质量评分：
Figure 254707DEST_PATH_IMAGE024
其中，
Figure 764973DEST_PATH_IMAGE025
为蚕茧内部区域的个数；
5）当所述质量评分大于设定阈值，则该蚕茧质量达标，反之，不达标。
9.一种纺纱选茧智能拣选系统，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的如权利要求1-8中任一项所述的一种纺纱选茧智能拣选方法的程序。
CN202211038986.2A 2022-08-29 2022-08-29 一种纺纱选茧智能拣选方法及系统 Active CN115115633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211038986.2A CN115115633B (zh) 2022-08-29 2022-08-29 一种纺纱选茧智能拣选方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211038986.2A CN115115633B (zh) 2022-08-29 2022-08-29 一种纺纱选茧智能拣选方法及系统

Publications (2)

Publication Number Publication Date
CN115115633A CN115115633A (zh) 2022-09-27
CN115115633B true CN115115633B (zh) 2022-11-22

Family

ID=83335867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211038986.2A Active CN115115633B (zh) 2022-08-29 2022-08-29 一种纺纱选茧智能拣选方法及系统

Country Status (1)

Country Link
CN (1) CN115115633B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389616A (zh) * 2018-11-09 2019-02-26 中国计量大学 一种蚕茧图像背景分割方法
CN110252688A (zh) * 2019-04-18 2019-09-20 中国计量大学 一种蚕茧品质鉴定装置及鉴定方法
CN114581376B (zh) * 2022-01-31 2023-03-24 南通摩瑞纺织有限公司 基于图像识别的纺织用蚕茧自动拣选方法及系统

Also Published As

Publication number Publication date
CN115115633A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN114170228B (zh) 一种计算机图像边缘检测方法
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN113808138B (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN114494256B (zh) 基于图像处理的电线生产缺陷检测方法
CN113496490B (zh) 一种基于计算机视觉的木板表面缺陷检测方法及系统
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
CN115330772B (zh) 一种在线焊点质量检测方法
CN114581376B (zh) 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN111582359B (zh) 一种图像识别方法、装置、电子设备及介质
US7680357B2 (en) Method and apparatus for detecting positions of center points of circular patterns
CN115082719B (zh) 一种木材质量分级方法
CN116468728B (zh) 一种五金冲压件模具生产质量检测方法
CN114299065B (zh) 丝锭外观成型不良缺陷检测与分级方法、存储介质及设备
CN114897773A (zh) 一种基于图像处理的扭曲木材检测方法及系统
CN115082451A (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN115953409A (zh) 基于图像处理的注塑件表面缺陷检测方法
CN115018826A (zh) 一种基于图像识别的织物瑕疵检测方法及系统
CN114937006A (zh) 一种基于图像增强的锤头精细化缺陷检测方法
CN117745715A (zh) 基于人工智能的大口径望远镜镜片缺陷检测方法
CN115115633B (zh) 一种纺纱选茧智能拣选方法及系统

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
GR01 Patent grant
GR01 Patent grant