CN115131353B - 平网印花纺织品生产异常识别定位方法及系统 - Google Patents

平网印花纺织品生产异常识别定位方法及系统 Download PDF

Info

Publication number
CN115131353B
CN115131353B CN202211050927.7A CN202211050927A CN115131353B CN 115131353 B CN115131353 B CN 115131353B CN 202211050927 A CN202211050927 A CN 202211050927A CN 115131353 B CN115131353 B CN 115131353B
Authority
CN
China
Prior art keywords
image
printing
gray
area
images
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
CN202211050927.7A
Other languages
English (en)
Other versions
CN115131353A (zh
Inventor
杨丽
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.)
HAIMEN YUANRONG TEXTILE TECHNOLOGY CO LTD
Original Assignee
HAIMEN YUANRONG TEXTILE 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 HAIMEN YUANRONG TEXTILE TECHNOLOGY CO LTD filed Critical HAIMEN YUANRONG TEXTILE TECHNOLOGY CO LTD
Priority to CN202211050927.7A priority Critical patent/CN115131353B/zh
Publication of CN115131353A publication Critical patent/CN115131353A/zh
Application granted granted Critical
Publication of CN115131353B publication Critical patent/CN115131353B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (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，具体涉及一种平网印花纺织品生产异常识别定位方法，包括：利用电子设备采集纺织品数据；对数据进行聚类处理，得到不同颜色的印花区域；对印花区域进行划分，根据各区域内的灰度数值得到灰度变化特征，进而得到印花数据间的灰度变化相似度；根据灰度变化相似度获得无缺陷和有缺陷的印花数据；根据无缺陷印花数据中各区域的灰度差异率得到不同区域的光照影响程度；根据光照影响程度对印花数据进行光照补偿，得到无光照影响的印花数据；根据无光照影响的有缺陷印花数据中各区域的灰度进行异常生产问题的识别定位。上述方法用于定位纺织品的异常生产问题，通过上述方法可提高生产问题定位的准确度。

Description

平网印花纺织品生产异常识别定位方法及系统
技术领域
本申请涉及数据处理领域，具体涉及一种平网印花纺织品生产异常识别定位方法及系统。
背景技术
平网印花是一种用平板筛网印花的工艺。色浆受刮刀的挤压通过具有纹样的平板筛网达于织物，通过不同的色浆结合不同纹样的平板筛网，实现套色印染的效果。在平网印花的过程中，往往会因为色浆补充不及时，刮刀安装不良等生产问题导致纺织品出现印花不均缺陷。所以对平网印花纺织品缺陷的生产问题进行定位很必要。
现有的对于纺织品缺陷的生产问题进行定位的手段往往是由人工检查，根据检查到的缺陷调整出现问题的生产环节。
但上述手段由于人工检查效率低，且纺织品印花颜色复杂，单个颜色印花不均缺陷易受其他颜色干扰难以识别，使得生产问题得不到及时调整。因此亟需一种方法提高定位平网印花纺织品缺陷生产问题的效率和准确度。
发明内容
本发明提供了一种平网印花纺织品生产异常识别定位方法，包括：采集纺织品图像；对图像进行聚类，得到不同颜色的印花图像；对印花灰度图进行区域划分，根据各区域内像素的灰度得到各印花图像的灰度变化特征，进而得到各印花图像间的灰度变化相似度；根据灰度变化相似度获得无缺陷和有缺陷的印花图像；根据无缺陷印花图像各区域的灰度差异率得到不同区域的光照影响程度；根据光照影响程度对印花图像进行光照补偿，得到无光照影响的印花图像；根据无光照影响的有缺陷印花图像各区域的灰度进行生产问题定位，相比于现有技术，本发明结合计算机视觉和图像处理，对采集到的纺织品图像进行图像分割处理，分析不同颜色的印花图像的特征，获取消除光照影响后的印花不均缺陷，根据缺陷特征定位生产问题，可以有效提高定位平网印花纺织品缺陷生产问题的效率和准确度。
为达到上述目的，本发明采用以下技术方案，一种平网印花纺织品生产异常识别定位方法，包括：
采集平网印花纺织品表面图像。
对表面图像进行聚类颜色分割，得到不同颜色的印花图像。
对每个印花图像灰度图进行区域划分，根据各区域内像素点的灰度值计算得到各区域的灰度变化差异率、梯度幅值、梯度方向和梯度方向差异率。
分别利用每个印花图像中各区域及其它印花图像中各区域的灰度变化差异率、梯度幅值、梯度方向和梯度方向差异率计算得到每个印花图像与其它印花图像两两之间的灰度变化相似度。
根据每个印花图像与其它印花图像两两之间的灰度变化相似度对每个印花图像属于存在缺陷的印花图像和不存在缺陷的印花图像进行判断。
根据所有不存在缺陷的印花图像中各相对区域的灰度差异率得到不同区域的光照影响程度。
利用不同区域的光照影响程度获取不同区域的区域灰度对所有印花图像中相对应的区域进行补偿，得到光照补偿后的所有印花图像。
计算光照补偿后的存在缺陷的印花图像中各区域的灰度与其对应的光照补偿前的印花图像所有区域的平均灰度的差值，根据绝对值最大的差值确定出产生缺陷的工序。
进一步的，所述一种平网印花纺织品生产异常识别定位方法，所述各区域的灰度变化差异率是按照如下方式得到：
将不同颜色的印花图像转换为灰度图。
对每个印花图像灰度图进行区域划分，得到每个印花图像的所有区域。
将各个区域内非0像素点的灰度均值作为各区域的灰度，得到每个印花图像的所有区域的灰度。
根据所有区域的灰度计算得到每个印花图像的所有区域的平均灰度。
根据各个区域的灰度和所有区域的平均灰度计算得到各区域的灰度变化差异率。
进一步的，所述一种平网印花纺织品生产异常识别定位方法，所述各区域的梯度方向差异率是按照如下方式得到：
利用Sobel算子获取所有区域的梯度幅值及梯度方向。
根据各区域及其相邻的八个区域的梯度方向计算得到各区域与其相邻区域的梯度方向差异。
根据所有区域与其相邻区域的梯度方向差异计算得到各区域的梯度方向差异率。
进一步的，所述一种平网印花纺织品生产异常识别定位方法，所述每个印花图像与其它印花图像两两之间的灰度变化相似度的表达式如下：
Figure 389955DEST_PATH_IMAGE001
式中，
Figure 981605DEST_PATH_IMAGE002
为图像
Figure 911383DEST_PATH_IMAGE003
与图像
Figure 992821DEST_PATH_IMAGE004
的灰度变化相似度；
Figure 691655DEST_PATH_IMAGE005
为图像
Figure 985364DEST_PATH_IMAGE003
中第
Figure 340122DEST_PATH_IMAGE006
个区域的梯度方向差异率；
Figure 744690DEST_PATH_IMAGE007
为图像
Figure 173397DEST_PATH_IMAGE004
中第
Figure 152855DEST_PATH_IMAGE006
个区域的梯度方向差异率；
Figure 480062DEST_PATH_IMAGE008
为图像
Figure 734326DEST_PATH_IMAGE003
中第
Figure 361747DEST_PATH_IMAGE006
个区域的梯度方向；
Figure 980947DEST_PATH_IMAGE009
为图像
Figure 61030DEST_PATH_IMAGE004
中第
Figure 322247DEST_PATH_IMAGE006
个区域的梯度方向；
Figure 804175DEST_PATH_IMAGE010
为
Figure 859856DEST_PATH_IMAGE008
、
Figure 427234DEST_PATH_IMAGE009
两个梯度方向的夹角；
Figure 226563DEST_PATH_IMAGE011
为每个图像中的区域个数；
Figure 828577DEST_PATH_IMAGE012
为图像
Figure 320738DEST_PATH_IMAGE003
中第
Figure 375413DEST_PATH_IMAGE013
个区域的灰度差异率；
Figure 712853DEST_PATH_IMAGE014
为图像
Figure 169374DEST_PATH_IMAGE004
中第
Figure 770119DEST_PATH_IMAGE013
个区域的灰度差异率；
Figure 108828DEST_PATH_IMAGE015
为图像
Figure 453222DEST_PATH_IMAGE003
中第
Figure 764248DEST_PATH_IMAGE013
个区域的梯度幅值；
Figure 598212DEST_PATH_IMAGE016
为图像
Figure 361900DEST_PATH_IMAGE004
中第
Figure 306722DEST_PATH_IMAGE013
个区域的梯度幅值。
进一步的，所述一种平网印花纺织品生产异常识别定位方法，所述对每个印花图像属于存在缺陷的印花图像和不存在缺陷的印花图像进行判断的过程具体如下：
设置阈值，根据每个印花图像与其它印花图像两两之间的灰度变化相似度对每个印花图像进行判断。
当印花图像与其它印花图像两两之间的灰度变化相似度中：超过一半的灰度变化相似度均大于设置阈值，则该印花图像不存在缺陷。
当印花图像与其它印花图像两两之间的灰度变化相似度中：未超过一半的灰度变化相似度大于设置阈值，则该印花图像存在缺陷，获得所有不存在缺陷的印花图像及存在缺陷的印花图像。
进一步的，所述一种平网印花纺织品生产异常识别定位方法，所述光照补偿后的所有印花图像是按照如下方式得到：
根据不同区域的光照影响程度对所有印花图像中的各个区域进行光照补偿，获取无光照影响的所有区域的灰度。
将无光照影响的各个区域的灰度作为对应区域内像素点的灰度值，得到光照补偿后的所有印花图像。
进一步的，所述一种平网印花纺织品生产异常识别定位方法，所述产生缺陷的工序是按照如下方式确定：
计算光照补偿后的存在缺陷的印花图像中各区域的灰度与其对应的光照补偿前的印花图像所有区域的平均灰度的差值，获取绝对值最大的差值。
对绝对值最大的差值进行判断。
当绝对值最大的差值大于0，则该存在缺陷的印花图像印花色浆过多，需要对刮刀的安装进行调节。
当绝对值最大的差值小于0，则该存在缺陷的印花图像印花色浆过少，需要对色浆补充工艺进行调节。
本发明的有益效果在于：
本发明结合计算机视觉和图像处理，对采集到的纺织品图像进行图像分割处理，分析不同颜色的印花图像的特征，获取消除光照影响后的印花不均缺陷，根据缺陷特征定位生产问题，可以有效提高定位平网印花纺织品缺陷生产问题的效率和准确度。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种平网印花纺织品生产异常识别定位方法流程示意图；
图2为本发明实施例2提供的一种平网印花纺织品生产异常识别定位方法流程示意图；
图3为本发明实施例2提供的一种平网印花纺织品图像；
图4为本发明实施例2提供的一种图像分割后获得的印花图像；
图5为本发明实施例2提供的一种图像分割后获得的印花图像；
图6为本发明实施例2提供的一种图像分割后获得的印花图像；
图7为本发明实施例2提供的一种图像分割后获得的印花图像；
图8为本发明实施例3提供的一种平网印花纺织品缺陷的生产问题定位系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例提供一种平网印花纺织品生产异常识别定位方法，如图1所示，包括：
S101、采集平网印花纺织品表面图像。
其中，图像只包含纺织品，不包含其他区域。
S102、对表面图像进行聚类颜色分割，得到不同颜色的印花图像。
其中，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
S103、对每个印花图像灰度图进行区域划分，根据各区域内像素点的灰度值计算得到各区域的灰度变化差异率、梯度幅值、梯度方向和梯度方向差异率。
其中，灰度差异率反应了该区域在图像中的灰度分布。
S104、分别利用每个印花图像中各区域及其它印花图像中各区域的灰度变化差异率、梯度幅值、梯度方向和梯度方向差异率计算得到每个印花图像与其它印花图像两两之间的灰度变化相似度。
其中，梯度幅值、梯度方向反应了区域灰度在局部范围内的变化情况；梯度方向差异率反应了区域灰度变化与相邻区域灰度变化情况的差异。
S105、根据每个印花图像与其它印花图像两两之间的灰度变化相似度对每个印花图像属于存在缺陷的印花图像和不存在缺陷的印花图像进行判断。
其中，若图像内存在印花不均的情况，则该图像与其他图像灰度变化相似度较小。
S106、根据所有不存在缺陷的印花图像中各相对区域的灰度差异率得到不同区域的光照影响程度。
其中，若图像与
Figure 472255DEST_PATH_IMAGE017
以上的图像灰度变化相似度大于
Figure 477121DEST_PATH_IMAGE018
，则图像中不存在印花不均缺陷。
S107、利用不同区域的光照影响程度获取不同区域的区域灰度对所有印花图像中相对应的区域进行补偿，得到光照补偿后的所有印花图像。
其中，不存在印花不均缺陷的图像，经过光照补偿后，所有区域的灰度都近似各区域的平均灰度。
S108、计算光照补偿后的存在缺陷的印花图像中各区域的灰度与其对应的光照补偿前的印花图像所有区域的平均灰度的差值，根据绝对值最大的差值确定出产生缺陷的工序。
其中，根据绝对值最大的差值和0的关系对生产问题进行定位。
本实施例的有益效果在于：
本实施例结合计算机视觉和图像处理，对采集到的纺织品图像进行图像分割处理，分析不同颜色的印花图像的特征，获取消除光照影响后的印花不均缺陷，根据缺陷特征定位生产问题，可以有效提高定位平网印花纺织品缺陷生产问题的效率和准确度。
实施例2
平网印花过程中，往往会由于色浆补充不及时，刮刀安装不良等生产问题造成纺织品印花不均缺陷。需要对缺陷进行检测，根据缺陷特征对生产工艺进行调整，以提高生产合格率。
本发明的主要目的是：利用计算机视觉，对采集到的纺织品图像进行图像分割处理，分析不同颜色的印花图像的特征，获取消除光照影响后的印花不均缺陷，根据缺陷特征定位生产问题。
本发明实施例提供一种平网印花纺织品生产异常识别定位方法，如图2所示，包括：
步骤一：拍摄纺织品图像，进行图像分割处理。
在印花完成的纺织品正上方放置相机，拍摄纺织品图像。如图3所示，图像只包含纺织品，不包含其他区域。
平网印花时，色浆受刮刀的挤压通过具有纹样的平板筛网达于纺织品，纺织品每经过一个平板筛网，就在纺织品上完成一个颜色的印花。经过
Figure 728104DEST_PATH_IMAGE019
个平板筛网，最终完成
Figure 476618DEST_PATH_IMAGE019
个颜色的套色。对纺织品图像进行
Figure 750518DEST_PATH_IMAGE020
聚类颜色分割，得到
Figure 926284DEST_PATH_IMAGE019
个颜色的印花图像，分别对应平网印花过程中
Figure 664564DEST_PATH_IMAGE019
个平板筛网的印花图像。通过
Figure 951189DEST_PATH_IMAGE020
聚类颜色分割为现有技术，本实施例不具体阐述。
至此完成了纺织品图像分割，获得了
Figure 560156DEST_PATH_IMAGE019
个不同颜色的印花图像，如图4，图5，图6，图7所示。
步骤二：分析印花图像特征，获取消除光照影响后的印花不均缺陷图像。
色浆补充不及时可能造成当前颜色的印花不均，印花图像中部分区域颜色较深，部分区域颜色较浅。纺织品受光照影响，纺织品图像也可能呈现部分区域亮，部分区域暗的特征。因此通过阈值分割无法直接将印花不均的缺陷直接分割出来。步骤一得到了
Figure 172403DEST_PATH_IMAGE019
个不同颜色的印花图像，本实施例通过分析
Figure 725875DEST_PATH_IMAGE019
个不同颜色的印花图像的特征，分析不同区域光照影响的程度，进行光照补偿，排除光照对图像的影响。以便后续对光照补偿后的印花不均缺陷图像进行分析，获取产生印花不均缺陷的生产问题。
为便于分析，首先将
Figure 488295DEST_PATH_IMAGE019
个不同颜色的印花图像分别转换为灰度图像，分别记做图像
Figure 482927DEST_PATH_IMAGE021
、图像
Figure 813545DEST_PATH_IMAGE022
、…、图像
Figure 41264DEST_PATH_IMAGE019
。
a.计算不同图像灰度变化相似度：
受光照影响，纺织品图像可能呈现部分区域亮，部分区域暗的特征，步骤一图像分割得到的
Figure 420424DEST_PATH_IMAGE019
个不同颜色的印花图像受到的光照影响一致，若无印花不均缺陷，则这
Figure 784409DEST_PATH_IMAGE019
个不同颜色的印花图像亮的区域一致，暗的区域也一致。为获得不同光照的影响程度，需分析比较不同印花图像上各区域的灰度变化。
首先分别对
Figure 958033DEST_PATH_IMAGE019
个不同颜色的印花图像进行区域划分，以
Figure 407469DEST_PATH_IMAGE023
大小的窗口对图像进行步长为
Figure 793582DEST_PATH_IMAGE024
的滑窗操作，将图像分割成
Figure 746494DEST_PATH_IMAGE025
个区域。局部区域内光照强度不变，印花图像局部区域内非
Figure 356598DEST_PATH_IMAGE026
像素点灰度一致。
对于图像
Figure 27751DEST_PATH_IMAGE027
，计算第
Figure 14293DEST_PATH_IMAGE028
个区域内非
Figure 352870DEST_PATH_IMAGE026
像素点的灰度均值作为该区域的灰度
Figure 868296DEST_PATH_IMAGE029
，同理，得到图像
Figure 292324DEST_PATH_IMAGE027
所有区域的灰度
Figure 816978DEST_PATH_IMAGE030
。光照影响下，各个区域的灰度存在差异。计算第
Figure 744482DEST_PATH_IMAGE028
个区域与图像
Figure 24285DEST_PATH_IMAGE027
中各区域的平均灰度的灰度差异率
Figure 420763DEST_PATH_IMAGE031
：
Figure 404899DEST_PATH_IMAGE032
其中
Figure 531118DEST_PATH_IMAGE033
为图像
Figure 168773DEST_PATH_IMAGE027
所有区域灰度的平均值，即所有区域的平均灰度；
Figure 267527DEST_PATH_IMAGE034
为图像
Figure 383251DEST_PATH_IMAGE027
第
Figure 36080DEST_PATH_IMAGE028
个区域的灰度与所有区域平均灰度的差异；
Figure 579057DEST_PATH_IMAGE029
为图像
Figure 684547DEST_PATH_IMAGE027
第
Figure 603962DEST_PATH_IMAGE028
个区域的灰度；
Figure 111298DEST_PATH_IMAGE035
为图像
Figure 621914DEST_PATH_IMAGE027
第
Figure 480279DEST_PATH_IMAGE036
个区域的灰度；
Figure 672226DEST_PATH_IMAGE037
为各区域与所有区域平均灰度的差异之和；
Figure 34069DEST_PATH_IMAGE031
一定程度上反应了第
Figure 184427DEST_PATH_IMAGE028
个区域灰度在图像
Figure 185881DEST_PATH_IMAGE027
中的灰度分布；
Figure 197831DEST_PATH_IMAGE025
为区域个数。计算得到图像
Figure 397868DEST_PATH_IMAGE027
中所有区域的灰度差异率
Figure 469860DEST_PATH_IMAGE038
。
将每个区域看做一个像素点，区域灰度为该像素点的灰度值，利用Sobel算子获取所有区域的梯度幅值
Figure 83244DEST_PATH_IMAGE039
及梯度方向
Figure 633305DEST_PATH_IMAGE040
。局部区域内光照一致，相邻区域之间光照变化一致，即光照方向一致。根据图像
Figure 219007DEST_PATH_IMAGE027
第
Figure 196322DEST_PATH_IMAGE028
个区域的梯度方向与其相邻的八个区域的梯度方向计算第
Figure 234685DEST_PATH_IMAGE028
个区域与第
Figure 509809DEST_PATH_IMAGE028
个区域相邻八个区域的梯度方向差异
Figure 966329DEST_PATH_IMAGE041
：
Figure 98233DEST_PATH_IMAGE042
其中
Figure 640204DEST_PATH_IMAGE043
为图像
Figure 578073DEST_PATH_IMAGE027
中第
Figure 889100DEST_PATH_IMAGE028
个区域相邻的第
Figure 191905DEST_PATH_IMAGE044
个区域的梯度方向。
Figure 221172DEST_PATH_IMAGE045
为图像
Figure 431573DEST_PATH_IMAGE027
中第
Figure 331527DEST_PATH_IMAGE028
个区域的梯度方向。
Figure 336393DEST_PATH_IMAGE046
为关于两梯度方向
Figure 587376DEST_PATH_IMAGE047
，
Figure 335890DEST_PATH_IMAGE048
的函数，用作计算两个梯度方向的夹角。具体为：
Figure 609790DEST_PATH_IMAGE049
。
Figure 254398DEST_PATH_IMAGE050
为图像
Figure 258257DEST_PATH_IMAGE027
中第
Figure 544882DEST_PATH_IMAGE028
个区域相邻的第
Figure 419428DEST_PATH_IMAGE044
个区域与图像
Figure 766096DEST_PATH_IMAGE027
中第
Figure 991672DEST_PATH_IMAGE028
个区域的梯度方向的夹角。梯度方向差异越大，则该区域与相邻区域灰度变化方向越不一致。
根据所有区域的梯度方向差异
Figure 488512DEST_PATH_IMAGE051
，计算第
Figure 732412DEST_PATH_IMAGE028
个区域的在图像
Figure 713DEST_PATH_IMAGE027
中梯度方向差异率
Figure 697274DEST_PATH_IMAGE052
：
Figure 76434DEST_PATH_IMAGE053
灰度差异率反应了该区域在图像中的灰度分布；梯度幅值、梯度方向反应了区域灰度在局部范围内的变化情况；梯度方向差异率反应了区域灰度变化与相邻区域灰度变化情况的差异。图像
Figure 174840DEST_PATH_IMAGE027
中各区域的灰度差异率、梯度幅值、梯度方向、梯度方向差异率，组成图像
Figure 410780DEST_PATH_IMAGE027
的灰度变化特征序列
Figure 594637DEST_PATH_IMAGE054
。
同理，计算
Figure 511908DEST_PATH_IMAGE019
个不同颜色的印花图像的灰度变化特征序列
Figure 402504DEST_PATH_IMAGE055
。
Figure 261876DEST_PATH_IMAGE019
个不同颜色的印花图像受到的光照影响一致，若不存在印花不均的缺陷，则
Figure 683761DEST_PATH_IMAGE019
个不同颜色的印花图像的灰度变化特征序列均相似。根据各个图像的灰度变化特征序列，计算
Figure 653991DEST_PATH_IMAGE019
个不同颜色的印花图像两两之间的灰度变化相似度，图像
Figure 274459DEST_PATH_IMAGE027
与图像
Figure 304732DEST_PATH_IMAGE056
的灰度变化相似度
Figure 213913DEST_PATH_IMAGE057
为:
Figure 456676DEST_PATH_IMAGE058
公式解释：
①
Figure 400492DEST_PATH_IMAGE059
为图像
Figure 601666DEST_PATH_IMAGE027
中第
Figure 998144DEST_PATH_IMAGE060
个区域的梯度方向差异率；
Figure 310176DEST_PATH_IMAGE061
为图像
Figure 29871DEST_PATH_IMAGE056
中第
Figure 152679DEST_PATH_IMAGE060
个区域的梯度方向差异率；
Figure 285720DEST_PATH_IMAGE062
为图像
Figure 886596DEST_PATH_IMAGE027
中第
Figure 788693DEST_PATH_IMAGE060
个区域的梯度方向；
Figure 879140DEST_PATH_IMAGE063
为图像
Figure 233898DEST_PATH_IMAGE056
中第
Figure 915764DEST_PATH_IMAGE060
个区域的梯度方向；
Figure 672367DEST_PATH_IMAGE064
为
Figure 871399DEST_PATH_IMAGE062
、
Figure 979032DEST_PATH_IMAGE063
两个梯度方向的夹角；
Figure 187290DEST_PATH_IMAGE065
为每个图像中的区域个数；
②
Figure 798400DEST_PATH_IMAGE066
表示
Figure 699491DEST_PATH_IMAGE062
、
Figure 28842DEST_PATH_IMAGE063
之间差异度；
Figure 696583DEST_PATH_IMAGE067
表示以图像
Figure 178511DEST_PATH_IMAGE027
中第
Figure 234192DEST_PATH_IMAGE060
个区域的梯度方向差异率
Figure 332729DEST_PATH_IMAGE059
结合图像
Figure 397637DEST_PATH_IMAGE056
中第
Figure 468492DEST_PATH_IMAGE060
个区域的梯度方向差异率
Figure 695074DEST_PATH_IMAGE061
作为
Figure 749749DEST_PATH_IMAGE062
和
Figure 24873DEST_PATH_IMAGE063
之间差异度的权重，若
Figure 199502DEST_PATH_IMAGE059
较大，则图像
Figure 613297DEST_PATH_IMAGE027
中第
Figure 138956DEST_PATH_IMAGE060
个区域与相邻区域的梯度方向差异较大，则在相似度计算中更关注
Figure 93137DEST_PATH_IMAGE062
、
Figure 653431DEST_PATH_IMAGE063
之间差异度。同理若
Figure 972548DEST_PATH_IMAGE059
较大，在相似度计算中也更关注
Figure 985504DEST_PATH_IMAGE062
、
Figure 681058DEST_PATH_IMAGE063
之间差异度。
Figure 95859DEST_PATH_IMAGE068
为图像
Figure 585878DEST_PATH_IMAGE027
与图像
Figure 758233DEST_PATH_IMAGE056
中所有对应区域的梯度方向差异度加权之和。
③
Figure 506746DEST_PATH_IMAGE031
为图像
Figure 261207DEST_PATH_IMAGE027
中第
Figure 436973DEST_PATH_IMAGE028
个区域的灰度差异率；
Figure 971991DEST_PATH_IMAGE069
为图像
Figure 258615DEST_PATH_IMAGE056
中第
Figure 398741DEST_PATH_IMAGE028
个区域的灰度差异率；
Figure 479829DEST_PATH_IMAGE070
为图像
Figure 428108DEST_PATH_IMAGE027
中第
Figure 518423DEST_PATH_IMAGE028
个区域的梯度幅值；
Figure 434427DEST_PATH_IMAGE071
为图像
Figure 437149DEST_PATH_IMAGE056
中第
Figure 399289DEST_PATH_IMAGE028
个区域的梯度幅值。
Figure 575186DEST_PATH_IMAGE072
为图像
Figure 673592DEST_PATH_IMAGE027
与图像
Figure 112795DEST_PATH_IMAGE056
中所有对应区域的灰度差异率之间的差异及梯度幅值之间的差异均值。
④若图像
Figure 296652DEST_PATH_IMAGE027
及图像
Figure 479502DEST_PATH_IMAGE056
中均不存在印花不均的缺陷，则图像
Figure 432415DEST_PATH_IMAGE027
与图像
Figure 42519DEST_PATH_IMAGE056
的灰度变化相似度
Figure 713672DEST_PATH_IMAGE057
较高，此时图像
Figure 356006DEST_PATH_IMAGE027
、图像
Figure 179736DEST_PATH_IMAGE056
中灰度变化仅受光照影响。
同理得到
Figure 944430DEST_PATH_IMAGE019
个不同颜色的印花图像两两之间的灰度变化相似度。若图像内存在印花不均的情况，则该图像与其他图像灰度变化相似度较小。若区域内不存在印花不均的情况，则该图像与其他不存在印花不均缺陷的图像灰度变化相似度较大。
b.获取印花不均缺陷：
根据图像
Figure 853611DEST_PATH_IMAGE027
与其余图像的灰度变化相似度
Figure 424270DEST_PATH_IMAGE073
，判断图像
Figure 368086DEST_PATH_IMAGE027
是否存在印花不均缺陷：
若图像
Figure 303681DEST_PATH_IMAGE027
与
Figure 355951DEST_PATH_IMAGE017
以上的图像灰度变化相似度大于
Figure 684295DEST_PATH_IMAGE018
，即
Figure 466306DEST_PATH_IMAGE074
中超过
Figure 589114DEST_PATH_IMAGE017
的数据大于
Figure 456576DEST_PATH_IMAGE018
，则图像
Figure 119770DEST_PATH_IMAGE027
中不存在印花不均缺陷。反之，图像
Figure 21867DEST_PATH_IMAGE027
中存在印花不均缺陷。
对
Figure 315576DEST_PATH_IMAGE019
个不同颜色的印花图像进行印花不均判断，得到所有不存在印花不均缺陷的图像集合
Figure 670334DEST_PATH_IMAGE075
及所有存在印花不均缺陷的图像集合
Figure 340481DEST_PATH_IMAGE076
。
c.获取不同区域光照影响程度：
步骤
Figure 362663DEST_PATH_IMAGE077
获得了所有不存在印花不均缺陷的图像集合
Figure 827274DEST_PATH_IMAGE075
，此些图像灰度仅受光照影响。获取集合
Figure 403749DEST_PATH_IMAGE075
中所有图像第
Figure 877587DEST_PATH_IMAGE028
个区域的灰度差异率(灰度差异率见步骤一)，计算第
Figure 488697DEST_PATH_IMAGE028
个区域的灰度差异率均值，作为第
Figure 135927DEST_PATH_IMAGE028
个区域的光照影响程度
Figure 465277DEST_PATH_IMAGE078
。同理得到每个区域的光照影响程度
Figure 477227DEST_PATH_IMAGE079
。
d.对图像进行光照补偿：
对图像
Figure 208422DEST_PATH_IMAGE027
第
Figure 280415DEST_PATH_IMAGE028
个区域的灰度按照第
Figure 831482DEST_PATH_IMAGE028
个区域的光照影响程度
Figure 647122DEST_PATH_IMAGE078
进行光照补偿，获取无光照影响的区域灰度
Figure 232824DEST_PATH_IMAGE080
：
Figure 475718DEST_PATH_IMAGE081
其中
Figure 514081DEST_PATH_IMAGE029
为图像
Figure 867833DEST_PATH_IMAGE027
第
Figure 980146DEST_PATH_IMAGE028
个区域的灰度；
Figure 643208DEST_PATH_IMAGE078
为第
Figure 919600DEST_PATH_IMAGE028
个区域的光照影响程度；
Figure 326310DEST_PATH_IMAGE033
为图像
Figure 106179DEST_PATH_IMAGE027
中各区域的平均灰度；
Figure 940143DEST_PATH_IMAGE035
为图像
Figure 500568DEST_PATH_IMAGE027
第
Figure 179811DEST_PATH_IMAGE036
个区域的灰度；
Figure 345344DEST_PATH_IMAGE037
为各区域与所有区域平均灰度的差异之和。
Figure 350209DEST_PATH_IMAGE025
为每个图像中的区域个数。同理，得到图像
Figure 601193DEST_PATH_IMAGE027
每个区域无光照影响的区域灰度。以区域灰度作为区域内像素点的灰度值，得到图像记为图像
Figure 21810DEST_PATH_IMAGE082
。
每个图像灰度变化均受光照影响，因此对
Figure 291118DEST_PATH_IMAGE019
个不同颜色的印花图像灰度图均进行光照补偿，消除光照的影响，得到图像
Figure 217616DEST_PATH_IMAGE083
、图像2
Figure 939585DEST_PATH_IMAGE084
、…、图像
Figure 976942DEST_PATH_IMAGE085
。
步骤三：根据缺陷特征，进行生产问题定位。
步骤二对
Figure 366335DEST_PATH_IMAGE019
个不同颜色的印花图像灰度图进行了光照补偿。不存在印花不均缺陷的图像，经过光照补偿后，所有区域的灰度都近似各区域的平均灰度。
Figure 994894DEST_PATH_IMAGE076
为所有存在印花不均缺陷的图像集合，若图像
Figure 469737DEST_PATH_IMAGE086
，则图像
Figure 310786DEST_PATH_IMAGE087
存在印花不均缺陷。计算消除光照影响后的图像
Figure 554685DEST_PATH_IMAGE088
各区域灰度
Figure 822986DEST_PATH_IMAGE089
与图像
Figure 519547DEST_PATH_IMAGE087
所有区域平均灰度
Figure 886988DEST_PATH_IMAGE090
的差值，得到差值序列
Figure 985394DEST_PATH_IMAGE091
。取差值序列中绝对值最大的差值记做
Figure 424597DEST_PATH_IMAGE092
，判断造成图像
Figure 608454DEST_PATH_IMAGE087
印花不均的生产问题：
若
Figure 791304DEST_PATH_IMAGE093
，则图像
Figure 9796DEST_PATH_IMAGE087
部分区域印花色浆过多，为该颜色印染的环节刮刀安装不当导致部分区域多余色浆未刮走。
若
Figure 619900DEST_PATH_IMAGE094
，则图像
Figure 291053DEST_PATH_IMAGE087
部分区域印花色浆过少，为该颜色印染的环节色浆补充不及时导致。
对集合
Figure 74332DEST_PATH_IMAGE076
中每个图像进行生产问题定位，得到该生产线上一系列生产问题。
本实施例的有益效果在于：
本实施例结合计算机视觉和图像处理，对采集到的纺织品图像进行图像分割处理，分析不同颜色的印花图像的特征，获取消除光照影响后的印花不均缺陷，根据缺陷特征定位生产问题，可以有效提高定位平网印花纺织品缺陷生产问题的效率和准确度。
实施例3
本发明实施例提供了一种平网印花纺织品缺陷的生产问题定位系统，如图8所示，包括采集单元、特征提取单元、分析处理单元和控制单元：
所述采集单元，将相机放置在印花完成的纺织品正上方，用于采集纺织品表面图像；
所述特征提取单元，将采集单元采集到的图像输入数据主控器，运用数据主控器对图像进行分割得到不同颜色的印花图像，通过对不同颜色的印花图像进行分析提取各图像的灰度变化特征；
所述分析处理单元，数据主控器根据特征提取单元得到的各图像的灰度变化特征计算各图像间的灰度变化相似度；根据灰度变化相似度得到有缺陷和无缺陷的印花图像；进一步根据无缺陷印花图像的灰度情况得到光照影响程度；根据光照影响程度对有缺陷的印花图像进行光照补偿，获取消除光照影响后的有缺陷的印花图像；
所述控制单元，数据主控器对消除光照影响后的有缺陷的印花图像进行生产问题判断和定位；进一步数据主控器根据生产问题的定位情况对生产线上的环节和工艺进行调控。
本实施例的有益效果在于：
本实施例结合计算机视觉和图像处理，对采集到的纺织品图像进行图像分割处理，分析不同颜色的印花图像的特征，获取消除光照影响后的印花不均缺陷，根据缺陷特征定位生产问题，可以有效提高定位平网印花纺织品缺陷生产问题的效率和准确度。
以上所述仅为本发明的较佳实施例而已，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 (2)

1.一种平网印花纺织品生产异常识别定位方法，其特征在于，包括：
采集平网印花纺织品表面图像；
对表面图像进行聚类颜色分割，得到不同颜色的印花图像；
对每个印花图像灰度图进行区域划分，根据各区域内像素点的灰度值计算得到各区域的灰度差异率、梯度幅值、梯度方向和梯度方向差异率；
所述各区域的灰度差异率是按照如下方式得到：
将不同颜色的印花图像转换为灰度图；
对每个印花图像灰度图进行区域划分，得到每个印花图像的所有区域；
将各个区域内非0像素点的灰度均值作为各区域的灰度，得到每个印花图像的所有区域的灰度；
根据所有区域的灰度计算得到每个印花图像的所有区域的平均灰度；
根据各个区域的灰度和所有区域的平均灰度计算得到各区域的灰度差异率，具体表达式为：
Figure 451625DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE003
为图像
Figure 423123DEST_PATH_IMAGE004
所有区域灰度的平均值，即所有区域的平均灰度；
Figure DEST_PATH_IMAGE005
为图像
Figure 275672DEST_PATH_IMAGE004
第
Figure 344122DEST_PATH_IMAGE006
个区域的灰度与所有区域平均灰度的差异；
Figure DEST_PATH_IMAGE007
为图像
Figure 358346DEST_PATH_IMAGE004
第
Figure 145036DEST_PATH_IMAGE006
个区域的灰度；
Figure 598014DEST_PATH_IMAGE008
为图像
Figure 520971DEST_PATH_IMAGE004
第
Figure DEST_PATH_IMAGE009
个区域的灰度；
Figure 971675DEST_PATH_IMAGE010
为各区域与所有区域平均灰度的差异之和；
Figure DEST_PATH_IMAGE011
一定程度上反应了第
Figure 183345DEST_PATH_IMAGE006
个区域灰度在图像
Figure 174434DEST_PATH_IMAGE004
中的灰度分布；
Figure 217477DEST_PATH_IMAGE012
为区域个数；计算得到图像
Figure 635820DEST_PATH_IMAGE004
中所有区域的灰度差异率
Figure DEST_PATH_IMAGE013
；
所述梯度方向差异率是按照如下方式得到：
利用Sobel算子获取所有区域的梯度幅值及梯度方向；
根据各区域及其相邻的八个区域的梯度方向计算得到各区域与其相邻区域的梯度方向差异，具体表达式为：
Figure DEST_PATH_IMAGE015
其中
Figure 6889DEST_PATH_IMAGE016
为图像
Figure 801670DEST_PATH_IMAGE004
中第
Figure 699219DEST_PATH_IMAGE006
个区域相邻的第
Figure DEST_PATH_IMAGE017
个区域的梯度方向；
Figure 491726DEST_PATH_IMAGE018
为图像
Figure 740304DEST_PATH_IMAGE004
中第
Figure 897415DEST_PATH_IMAGE006
个区域的梯度方向；
Figure DEST_PATH_IMAGE019
为关于两梯度方向
Figure 587154DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
的函数，用作计算两个梯度方向的夹角；具体为：
Figure 284983DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE023
为图像
Figure 161803DEST_PATH_IMAGE004
中第
Figure 563965DEST_PATH_IMAGE006
个区域相邻的第
Figure 904948DEST_PATH_IMAGE017
个区域与图像
Figure 101574DEST_PATH_IMAGE004
中第
Figure 793587DEST_PATH_IMAGE006
个区域的梯度方向的夹角；
Figure 468282DEST_PATH_IMAGE024
表示图像
Figure 929350DEST_PATH_IMAGE004
中第
Figure 296877DEST_PATH_IMAGE006
个区域与其相邻区域的梯度方向差异；
Figure 210607DEST_PATH_IMAGE012
为区域个数，计算得到图像
Figure 688993DEST_PATH_IMAGE004
中所有区域与其相邻区域的梯度方向差异
Figure DEST_PATH_IMAGE025
；
根据所有区域与其相邻区域的梯度方向差异计算得到各区域的梯度方向差异率，具体表达式为：
Figure DEST_PATH_IMAGE027
灰度差异率反应了该区域在图像中的灰度分布；梯度幅值、梯度方向反应了区域灰度在局部范围内的变化情况；梯度方向差异率反应了区域灰度变化与相邻区域灰度变化情况的差异；
分别利用每个印花图像中各区域及其它印花图像中各区域的灰度差异率、梯度幅值、梯度方向和梯度方向差异率计算得到每个印花图像与其它印花图像两两之间的灰度变化相似度；
所述每个印花图像与其它印花图像两两之间的灰度变化相似度的表达式如下：
Figure 614354DEST_PATH_IMAGE028
式中，
Figure DEST_PATH_IMAGE029
为图像
Figure DEST_PATH_IMAGE031
与图像
Figure DEST_PATH_IMAGE033
的灰度变化相似度；
Figure 434674DEST_PATH_IMAGE034
为图像
Figure 101279DEST_PATH_IMAGE031
中第
Figure DEST_PATH_IMAGE035
个区域的梯度方向差异率；
Figure 55459DEST_PATH_IMAGE036
为图像
Figure 491120DEST_PATH_IMAGE033
中第
Figure 200450DEST_PATH_IMAGE035
个区域的梯度方向差异率；
Figure DEST_PATH_IMAGE037
为图像
Figure 292034DEST_PATH_IMAGE038
中第
Figure 112222DEST_PATH_IMAGE035
个区域的梯度方向；
Figure DEST_PATH_IMAGE039
为图像
Figure 593933DEST_PATH_IMAGE040
中第
Figure 474164DEST_PATH_IMAGE035
个区域的梯度方向；
Figure DEST_PATH_IMAGE041
为
Figure 53044DEST_PATH_IMAGE037
、
Figure 676924DEST_PATH_IMAGE039
两个梯度方向的夹角；
Figure 87176DEST_PATH_IMAGE042
为每个图像中的区域个数；
Figure DEST_PATH_IMAGE043
为图像
Figure 810413DEST_PATH_IMAGE038
中第
Figure DEST_PATH_IMAGE045
个区域的灰度差异率；
Figure 611010DEST_PATH_IMAGE046
为图像
Figure 773001DEST_PATH_IMAGE040
中第
Figure 37760DEST_PATH_IMAGE045
个区域的灰度差异率；
Figure DEST_PATH_IMAGE047
为图像
Figure 197477DEST_PATH_IMAGE038
中第
Figure 547687DEST_PATH_IMAGE045
个区域的梯度幅值；
Figure 247790DEST_PATH_IMAGE048
为图像
Figure 367055DEST_PATH_IMAGE040
中第
Figure 759991DEST_PATH_IMAGE045
个区域的梯度幅值；
根据每个印花图像与其它印花图像两两之间的灰度变化相似度对每个印花图像属于存在缺陷的印花图像和不存在缺陷的印花图像进行判断；
根据所有不存在缺陷的印花图像中各相对区域的灰度差异率得到不同区域的光照影响程度；
所述得到不同区域的光照影响程度的方法是：
将所有不存在缺陷的印花图像中每个区域的灰度差异率的均值作为对应区域的光照影响程度；利用不同区域的光照影响程度获取不同区域的区域灰度对所有印花图像中相对应的区域进行补偿，得到光照补偿后的所有印花图像；
所述光照补偿后的所有印花图像是按照如下方式得到：
根据不同区域的光照影响程度对所有印花图像中的各个区域进行光照补偿，获取无光照影响的所有区域的灰度；
所述无光照影响的所有区域的灰度的具体表达式为：
Figure 597497DEST_PATH_IMAGE050
其中
Figure 101290DEST_PATH_IMAGE007
为图像
Figure 75062DEST_PATH_IMAGE004
第
Figure 638899DEST_PATH_IMAGE006
个区域的灰度；
Figure DEST_PATH_IMAGE051
为第
Figure 166963DEST_PATH_IMAGE006
个区域的光照影响程度；
Figure 208869DEST_PATH_IMAGE003
为图像
Figure 302727DEST_PATH_IMAGE004
中各区域的平均灰度；
Figure 37464DEST_PATH_IMAGE008
为图像
Figure 583983DEST_PATH_IMAGE004
第
Figure 695159DEST_PATH_IMAGE009
个区域的灰度；
Figure 643523DEST_PATH_IMAGE010
为各区域与所有区域平均灰度的差异之和；
Figure 549163DEST_PATH_IMAGE012
为每个图像中的区域个数；
Figure 848557DEST_PATH_IMAGE052
为图像
Figure 243984DEST_PATH_IMAGE004
第
Figure 312434DEST_PATH_IMAGE006
个无光照影响的区域灰度；
将无光照影响的各个区域的灰度作为对应区域内像素点的灰度值，得到光照补偿后的所有印花图像；计算光照补偿后的存在缺陷的印花图像中各区域的灰度与其对应的光照补偿前的印花图像所有区域的平均灰度的差值，根据绝对值最大的差值确定出产生缺陷的工序；
所述产生缺陷的工序是按照如下方式确定：
计算光照补偿后的存在缺陷的印花图像中各区域的灰度与其对应的光照补偿前的印花图像所有区域的平均灰度的差值，获取绝对值最大的差值；
对绝对值最大的差值进行判断；
当绝对值最大的差值大于0，则该存在缺陷的印花图像印花色浆过多，需要对刮刀的安装进行调节；
当绝对值最大的差值小于0，则该存在缺陷的印花图像印花色浆过少，需要对色浆补充工艺进行调节。
2.根据权利要求1所述的一种平网印花纺织品生产异常识别定位方法，其特征在于，所述对每个印花图像属于存在缺陷的印花图像和不存在缺陷的印花图像进行判断的过程具体如下：
设置阈值，根据每个印花图像与其它印花图像两两之间的灰度变化相似度对每个印花图像进行判断；
当印花图像与其它印花图像两两之间的灰度变化相似度中：超过一半的灰度变化相似度均大于设置阈值，则该印花图像不存在缺陷；
当印花图像与其它印花图像两两之间的灰度变化相似度中：未超过一半的灰度变化相似度大于设置阈值，则该印花图像存在缺陷，获得所有不存在缺陷的印花图像及存在缺陷的印花图像。
CN202211050927.7A 2022-08-30 2022-08-30 平网印花纺织品生产异常识别定位方法及系统 Active CN115131353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211050927.7A CN115131353B (zh) 2022-08-30 2022-08-30 平网印花纺织品生产异常识别定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211050927.7A CN115131353B (zh) 2022-08-30 2022-08-30 平网印花纺织品生产异常识别定位方法及系统

Publications (2)

Publication Number Publication Date
CN115131353A CN115131353A (zh) 2022-09-30
CN115131353B true CN115131353B (zh) 2022-12-02

Family

ID=83387360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211050927.7A Active CN115131353B (zh) 2022-08-30 2022-08-30 平网印花纺织品生产异常识别定位方法及系统

Country Status (1)

Country Link
CN (1) CN115131353B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311263B (zh) * 2022-10-09 2022-12-20 南通市通州区顺行纺织有限公司 一种纺织印花缺陷的检测方法及系统
CN116580031B (zh) * 2023-07-13 2023-09-29 山东勇嘉包装科技股份有限公司 一种无溶剂复合印刷异常检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113172989B (zh) * 2021-04-02 2022-08-19 广州诚鼎机器人有限公司 一种胶体识别方法、网框套位方法和椭圆印花机
CN114494210B (zh) * 2022-01-28 2023-03-24 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN114821284B (zh) * 2022-06-30 2022-09-02 南通捷茜纺织科技有限公司 一种纺织品生产用码布机智能调节方法
CN114820627B (zh) * 2022-06-30 2022-09-09 南通盈赛纺织品有限公司 一种基于光学手段的纺织品质量检测方法
CN114842007B (zh) * 2022-07-04 2022-09-06 南通东德纺织科技有限公司 一种基于图像处理的纺织品磨损缺陷检测方法

Also Published As

Publication number Publication date
CN115131353A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN115131353B (zh) 平网印花纺织品生产异常识别定位方法及系统
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN111127383A (zh) 一种数码印花在线缺陷检测系统及其实现方法
CN111861996A (zh) 一种印花织物疵点检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
Samarawickrama et al. Matlab based automated surface defect detection system for ceremic tiles using image processing
CN117541588B (zh) 一种纸制品的印刷缺陷检测方法
CN118196068B (zh) 一种基于人工智能的纺织品印染质量监控系统
CN106296691B (zh) 基于图像分析的路面病害识别方法
CN113034464B (zh) 一种多背景下的液晶显示器缺陷视觉实时检测方法
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN111724375B (zh) 一种屏幕检测方法及系统
CN112819844B (zh) 一种图像边缘检测方法及装置
CN111739012A (zh) 基于转盘的摄像头模组白斑检测系统
CN110084246A (zh) 一种色织物疵点自动识别方法
CN113034488A (zh) 一种喷墨印刷品的视觉检测方法
CN117333467B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统
CN116309191A (zh) 基于图像增强的瓦斯巡检智能显示方法
CN110097538A (zh) 一种织机在线验布装置及疵点识别方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN114332081A (zh) 基于图像处理的纺织品表面异常判定方法
CN105787955A (zh) 一种带钢缺陷的稀疏分割方法及其分割装置
CN107705284B (zh) 一种基于贝叶斯小样本学习的表面缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant