CN115294100A - 一种基于数据处理的织布机停车控制方法及系统 - Google Patents

一种基于数据处理的织布机停车控制方法及系统 Download PDF

Info

Publication number
CN115294100A
CN115294100A CN202211169712.7A CN202211169712A CN115294100A CN 115294100 A CN115294100 A CN 115294100A CN 202211169712 A CN202211169712 A CN 202211169712A CN 115294100 A CN115294100 A CN 115294100A
Authority
CN
China
Prior art keywords
target image
calculating
image
gray level
weft
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
Application number
CN202211169712.7A
Other languages
English (en)
Inventor
郑秀妮
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 Nanjia Textile Machinery Co ltd
Original Assignee
Nantong Nanjia Textile Machinery 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 Nanjia Textile Machinery Co ltd filed Critical Nantong Nanjia Textile Machinery Co ltd
Priority to CN202211169712.7A priority Critical patent/CN115294100A/zh
Publication of CN115294100A publication Critical patent/CN115294100A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Looms (AREA)

Abstract

本发明涉及一种基于数据处理的织布机停车控制方法及系统，属于数据处理技术领域，该方法步骤包括：获取织布机生产过程中的布面图像，利用滑窗在布面图像上进行滑动，将滑窗内的布匹图像作为目标图像，对目标图像中全部像素点的灰度值进行分级得到分级后图像；利用由分级后图像内沿经纱延伸方向构建的第一灰度共生矩阵和沿纬纱延伸方向构建的第二灰度共生矩阵计算出纱数偏向度；利用由分级后图像内沿经纱延伸方向构建的第一灰度游程矩阵和沿纬纱延伸方向构建的第二灰度游程矩阵计算出纱径偏向度；利用纱数偏向度和纱径偏向度确定缺陷类型；本发明提供一种能准确识别出稀路、密路、连续细纬以及连续粗纬缺陷，并控制织布机停车的方法。

Description

一种基于数据处理的织布机停车控制方法及系统
技术领域
本发明属于数据处理技术领域，具体涉及一种基于数据处理的织布机停车控制方法及系统。
背景技术
纺织行业是我国的主要制造产业之一，随着国内工业化进程的发展，纺织行业生产设备的自动化已经越来越普及，产品生产的效率大大提高，随着产量的提高，生产的产品不可避免的会因各种各样的原因而产生瑕疵，而为了及时排除瑕疵，需要及时控制设备停机以进行瑕疵的排除，保证生产的布料的质量。
布料的生产可大致分为三个阶段，第一阶段是纺纱即将各类纤维纺成可用于织布的线，第二阶段为织造即将纱线织成布料，第三阶段为印染整理即对布料进行染色、印花、熨烫整理等后处理工序。而织布机作为织造阶段的主要生产设备，当织造过程中出现布面瑕疵时需要及时控制织布机停机并进行疵点的排除，而现有技术中，对织布机的停机控制大多数仅停留在对断纱，破洞等缺陷的检测后停机控制上，或由人工发现织造过程中的问题后由人工控制停机。但是在织造工序中不仅仅存在断纱，破洞等严重疵点，稀路、密路、细纬、粗纬等瑕疵也会严重影响布面质量，这些瑕疵出现后也需要对织布机进行停车操作，以便进行疵点排除。而稀密路是指纬线在布面上以较正常布面稀疏或密集排列时产生的布面疵点，而细纬、粗纬为纬线本身比正常纬线较细或较粗织成布面产生的疵点，对瑕疵种类进行准确的判断有助于疵点排除。但是现有技术中并不能准确的识别出稀路、密路、细纬、粗纬的瑕疵类型，因此，在出现稀路、密路、细纬、粗纬瑕疵时也不能准确的控制织布机停机，从而影响织造后布匹质量。
发明内容
本发明提供一种基于数据处理的织布机停车控制方法及系统，结合灰度共生矩阵和灰度游程矩阵对布面图像上各像素点灰度值进行统计学特征的构建，通过稀路缺陷、密路缺陷、连续细纬缺陷以及连续粗纬缺陷形成机理来对这四种缺陷类型进行识别，在识别到缺陷类型后控制织布机停车。
本发明的一种基于数据处理的织布机停车控制方法采用如下技术方案：该方法包括：
获取织布机生产过程中的布面图像，并根据布面图像尺寸确定滑窗尺寸；
利用确定滑窗尺寸的滑窗在布面图像中进行遍历，将滑窗内的布匹图像作为目标图像，得到所有目标图像；
对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像；
以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第一灰度共生矩阵，利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征，同理计算出目标图像中经纱纱数特征；利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度；
构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征，同理计算出目标图像中经纱纱径特征；利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度；
将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标，将目标点对应在二维坐标系中；
当目标点与二维坐标系原点之间的距离大于预设距离阈值时，根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷；
当所有目标图像中任意一目标图像存在缺陷时，控制织布机停车。
进一步地，所述利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征的步骤包括：
获取第一灰度共生矩阵中每个像素对的出现概率；
计算出第一灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第一差值，将该第一差值与分级后图像中灰度级数量的第一比值作为每个像素对的出现概率的权重；
将第一灰度共生矩阵中每个像素对出现概率对应的权重相乘，得到第一灰度共生矩阵中每个像素对的加权后出现概率；
利用第一灰度共生矩阵中全部像素对的加权后出现概率，计算出目标图像中纬纱纱数特征。
进一步地，所述同理计算出经纱纱数特征的步骤包括：
以分级后图像内沿纬纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第二灰度共生矩阵，利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征。
进一步地，所述利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征的步骤包括：
获取第二灰度共生矩阵中每个像素对的出现概率；
计算出第二灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第二差值，将该第二差值与分级后图像中灰度级数量的第二比值作为每个像素对的出现概率的权重；
将第二灰度共生矩阵中每个像素对出现概率对应的权重相乘，得到第二灰度共生矩阵中每个像素对的加权后出现概率；
利用第二灰度共生矩阵中全部像素对的加权后出现概率计算出目标图像中经纱纱数特征。
进一步地，所述利用纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度的步骤包括：
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三差值；
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三和值；
将获取的第三差值与第三和值的比值作为目标图像中纱数偏向度。
进一步地，所述利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征的计算公式为：
Figure 498410DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行第
Figure 779088DEST_PATH_IMAGE004
列上的元素值；
Figure DEST_PATH_IMAGE005
表示将
Figure 839185DEST_PATH_IMAGE003
乘以对应的游程长度
Figure 249438DEST_PATH_IMAGE004
；
Figure 34992DEST_PATH_IMAGE006
表示滑窗尺寸；
Figure DEST_PATH_IMAGE007
表示关注长度小的游程；
Figure 537386DEST_PATH_IMAGE008
表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行的灰度级；
Figure 699377DEST_PATH_IMAGE004
表示沿经纱延伸方向获取的第一灰度游程矩阵中第
Figure 964136DEST_PATH_IMAGE004
列的游程长度；
Figure DEST_PATH_IMAGE009
表示分级后图像中灰度级的数量；
Figure 887968DEST_PATH_IMAGE010
表示目标图像中纬纱纱径特征。
进一步地，所述同理计算出经纱纱径特征的步骤为：
构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵，利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征；
利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征的计算公式为：
Figure 441440DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行第
Figure 46602DEST_PATH_IMAGE004
列上的元素值；
Figure 165868DEST_PATH_IMAGE014
表示将
Figure 824383DEST_PATH_IMAGE013
乘以对应的游程长度
Figure 363686DEST_PATH_IMAGE004
；
Figure 133059DEST_PATH_IMAGE006
表示滑窗尺寸；
Figure 310094DEST_PATH_IMAGE007
表示关注长度小的游程；
Figure 139509DEST_PATH_IMAGE008
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行的灰度级；
Figure 986284DEST_PATH_IMAGE004
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第
Figure 28189DEST_PATH_IMAGE004
列的游程长度；
Figure 325310DEST_PATH_IMAGE009
表示分级后图像中灰度级的数量；
Figure DEST_PATH_IMAGE015
表示目标图像中经纱纱径特征。
进一步地，所述利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度的步骤包括：
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四差值；
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四和值；
将获取的第四差值与第四和值的比值作为目标图像中纱径偏向度。
进一步地，所述根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷的步骤包括：
分别计算出目标点与预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离；
从获取的全部距离数值中选取距离最小值，确定距离最小值对应的缺陷极限点，并将该缺陷极限点的类型作为目标图像中缺陷类型。
一种基于数据处理的织布机停车控制系统，包括：
图像获取模块，用于获取织布机生产过程中的布面图像，并根据布面图像尺寸确定滑窗尺寸；用于利用确定滑窗尺寸的滑窗在布面图像中进行遍历，将滑窗内的布匹图像作为目标图像，得到所有目标图像；用于对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像；
纱数偏向度计算模块，用于以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第一灰度共生矩阵，利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征，同理计算出目标图像中经纱纱数特征；利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度；
纱径偏向度计算模块，用于构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征，同理计算出目标图像中经纱纱径特征；利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度；
二维坐标系建立模块，用于将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标，将目标点对应在二维坐标系中；
缺陷类型识别模块，用于当目标点与二维坐标系原点之间的距离大于预设距离阈值时，根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷；
织布机停车控制模块，用于当所有目标图像中任意一目标图像存在缺陷时，控制织布机停车。
本发明的有益效果是：
本发明提供一种基于数据处理的织布机停车控制方法及系统，利用灰度共生矩阵，同时结合灰度游程矩阵对布面图像上各像素点灰度值进行统计学特征的构建，通过瑕疵点形成机理的分析来对特征进行分类识别，有效的避免了现有技术对稀路、密路、细纬、粗纬瑕疵点的识别混淆情况，使整个停车控制系统具有稀路、密路、细纬、粗纬瑕疵点排除指导的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明的一种基于数据处理的织布机停车控制方法的实施例总体步骤的流程示意图。
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。
本发明的一种基于数据处理的织布机停车控制方法的实施例，如图1所示，该方法包括：
S1、获取织布机生产过程中的布面图像，并根据布面图像尺寸确定滑窗尺寸。
本发明利用工业相机获取织布机生产过程中的布面图像并将其灰度化，布面图像尺寸为
Figure 761845DEST_PATH_IMAGE016
。根据布面图像尺寸
Figure 511626DEST_PATH_IMAGE016
确定滑窗尺寸，滑窗尺寸规格由操作人员设定，滑窗尺寸需要根据工业相机本身采集图像的大小而设定，一个推荐的比例为
Figure DEST_PATH_IMAGE017
，滑窗长宽相等即内部像素个数为
Figure 324599DEST_PATH_IMAGE006
，在确定滑窗的大小后利用滑窗内部的布面图像信息进行缺陷检测。
本发明主要是用于识别布面图像中是否存在稀路、密路、连续细纬、或连续粗纬中任一种缺陷。对于稀路瑕疵是指纬线排列密度小于经线排列密度（称为稀路），对于密路瑕疵是指纬线排列密度大于经线排列密度（称为密路），而对于连续细纬是指纬线比经线要细（称为连续细纬），而对于连续粗纬是指纬线比经线要粗（称为连续粗纬）。由于稀路、密路、连续细纬以及连续粗纬瑕疵的特殊性，仅仅根据布面图像像素点的分布密度去判断瑕疵种类就会导致连续细/粗纬瑕疵与稀/密路瑕疵混淆，而要想区分稀密路与连续细/粗纬缺陷就需要判断滑窗内布面图像上纱线的经纱与纬纱的纱数是否出现偏向，以及检测纬纱的纱径与经纱的纱径是否存在偏差，而要想识别出上述二者，就需要在不同的统计方向进行对滑窗内布面图像的灰度共生矩阵以及灰度游程矩阵进行统计。
S2、利用确定滑窗尺寸的滑窗在布面图像中进行遍历，将滑窗内的布匹图像作为目标图像，得到所有目标图像。
在确定出滑窗尺寸后，利用确定了滑窗尺寸的滑窗在获取的布面图像上进行滑动检测，滑窗每次滑动到一个位置都会获取一个滑窗内布面图像，将滑窗内的布匹图像作为目标图像，得到所有目标图像。
S3、对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像。
本发明将目标图像中全部像素点的灰度值归一化，并将0-1的归一化灰度值取值范围均分为10份，按各份范围在数轴上从小到大分别记为级别1，2，…，10，将目标图像中全部像素点的灰度值用灰度级代替后得到分级后图像。
S4、以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第一灰度共生矩阵，利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征，同理计算出目标图像中经纱纱数特征；利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度。
本发明中以经纱延伸方向作为0°方向、以纬纱延伸方向作为90°方向。以滑窗内布面图像0°方向上相邻两个像素点的灰度值级别作为该像素对出现次数在灰度共生矩阵中的位置统计灰度共生矩阵，可获取0°方向的灰度共生矩阵，将0°方向的灰度共生矩阵记作第一灰度共生矩阵。以滑窗内布面图像90°方向上相邻两个像素点的灰度值级别作为该像素对出现次数在灰度共生矩阵中的位置统计灰度共生矩阵，可获取90°方向的灰度共生矩，将90°方向的灰度共生矩记作第二灰度共生矩阵。因此，通过0°方向的灰度共生矩阵和90°方向的灰度共生矩，可以检测出作为纱线边缘的像素对的个数。
对于0°（或90°）灰度共生矩阵，其上第a行第b列上的元素值表示的是在0°（或90°）方向上（0°为从上至下，90°为从左到右）相邻的两个像素灰度值级别分别为a、b的像素对在滑窗内图像上出现的概率，而当a、b差异较大时，说明此像素对上一个点属于纱线点，另一个点属于纱线后的背景点。
因此，这些a、b差异较大的点出现的概率就表示了经纱或纬纱的纱支特征，在经纱延伸方向下获得的灰度共生矩阵中像素对灰度值级别差异较大的点的出现概率表示了纬纱的纱支特征，也即这个出现概率越大，越说明纬纱的纱书越密集。在纬纱延伸方向下获得的灰度共生矩阵中像素对灰度值级别差异较大的点的出现概率表示了经纱的纱数特征，也即这个出现概率越大，越说明经纱的纱数越密集。因此，以上述逻辑计算滑窗内的纱数偏向度
Figure 272964DEST_PATH_IMAGE018
，方式如下：
利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征的步骤包括：获取第一灰度共生矩阵中每个像素对的出现概率；计算出第一灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第一差值，将该第一差值与分级后图像中灰度级数量的第一比值作为每个像素对的出现概率的权重；将第一灰度共生矩阵中每个像素对出现概率对应的权重相乘，得到第一灰度共生矩阵中每个像素对的加权后出现概率；利用第一灰度共生矩阵中全部像素对的加权后出现概率，计算出目标图像中纬纱纱数特征。
利用第一灰度共生矩阵中全部元素值计算出纬纱纱数特征的计算公式为：
Figure 381865DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示沿经纱延伸方向的相邻两个像素点的灰度值级别分别为
Figure 851898DEST_PATH_IMAGE008
、
Figure 235606DEST_PATH_IMAGE022
的像素对在分级后图像中出现的概率；
Figure 569636DEST_PATH_IMAGE009
表示分级后图像中灰度级的数量；
Figure DEST_PATH_IMAGE023
表示
Figure 82394DEST_PATH_IMAGE021
的权重；
Figure 603506DEST_PATH_IMAGE024
表示纬纱纱数特征；
Figure 790905DEST_PATH_IMAGE008
和
Figure 415659DEST_PATH_IMAGE022
的差异越大，
Figure DEST_PATH_IMAGE025
的关注权重
Figure 600783DEST_PATH_IMAGE023
越大，说明
Figure 609191DEST_PATH_IMAGE026
为边缘特征像素对，这样的像素对出现的概率越高，说明纬纱纱数越多。
同理计算出经纱纱数特征的步骤包括：以分级后图像内沿纬纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第二灰度共生矩阵，利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征。
利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征的步骤包括：获取第二灰度共生矩阵中每个像素对的出现概率；计算出第二灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第二差值，将该第二差值与分级后图像中灰度级数量的第二比值作为每个像素对的出现概率的权重；将第二灰度共生矩阵中每个像素对出现概率对应的权重相乘，得到第二灰度共生矩阵中每个像素对的加权后出现概率；利用第二灰度共生矩阵中全部像素对的加权后出现概率计算出目标图像中经纱纱数特征。
利用第二灰度共生矩阵中全部元素值计算出经纱纱数特征的计算公式为：
Figure 364395DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示沿纬纱延伸方向的相邻两个像素点的灰度值级别分别为
Figure 282803DEST_PATH_IMAGE008
、
Figure 199682DEST_PATH_IMAGE022
的像素对在分级后图像中出现的概率；
Figure 429806DEST_PATH_IMAGE009
表示分级后图像中灰度级的数量；
Figure 224586DEST_PATH_IMAGE023
表示
Figure 856556DEST_PATH_IMAGE029
的权重；
Figure 944336DEST_PATH_IMAGE030
表示经纱纱数特征；
Figure 192914DEST_PATH_IMAGE008
和
Figure 525807DEST_PATH_IMAGE022
的差异越大，
Figure 12283DEST_PATH_IMAGE029
的关注权重
Figure 536543DEST_PATH_IMAGE023
越大，说明
Figure 741259DEST_PATH_IMAGE026
为边缘特征像素对，这样的像素对出现的概率越高，说明经纱纱数越多。
利用纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度的步骤包括：计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三差值；计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三和值；将获取的第三差值与第三和值的比值作为目标图像中纱数偏向度。
利用纬纱纱数特征和经纱纱数特征计算出纱数偏向度的计算公式为：
Figure 815526DEST_PATH_IMAGE032
其中，
Figure 687667DEST_PATH_IMAGE024
表示纬纱纱数特征；
Figure 382828DEST_PATH_IMAGE030
表示经纱纱数特征；
Figure 809261DEST_PATH_IMAGE018
表示纱数偏向度。
Figure 952798DEST_PATH_IMAGE018
的取值范围为
Figure DEST_PATH_IMAGE033
。其越趋近于-1，越说明
Figure 850084DEST_PATH_IMAGE024
远远小于
Figure 748770DEST_PATH_IMAGE030
，说明纬纱纱数远小于经纱，反之
Figure 928079DEST_PATH_IMAGE018
越趋近于1，越说明
Figure 406465DEST_PATH_IMAGE024
远远大于
Figure 423837DEST_PATH_IMAGE030
，说明纬纱纱支数远大于经纱。而趋近于0时说明二者相差不多，也即纬纱与经纱纱支数相近。
S5、构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征，同理计算出目标图像中经纱纱径特征；利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度。
本发明中以经纱延伸方向作为0°方向、以纬纱延伸方向作为90°方向。构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，也即构建0°方向的第一灰度游程矩阵。构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵，也即构建90°方向的第二灰度游程矩阵。灰度游程矩阵可检测出同级别灰度值在统计方向上连续出现的次数，因此，可以获取出经纱纬纱的纱径信息。
对于目标图像的0°方向的第一灰度游程矩阵，灰度游程矩阵上第a行第
Figure 962266DEST_PATH_IMAGE004
列上的数值表示的是目标图像灰度值级别为a的灰度值在0°方向上连续出现
Figure 363291DEST_PATH_IMAGE004
次的游程出现概率次数。则灰度值级别越高且游程长度越短的游程越能表现纬纱纱径特征。
对于目标图像的90°方向的第二灰度游程矩阵，灰度游程矩阵上第a行第
Figure 143903DEST_PATH_IMAGE004
列上的数值表示的是目标图像灰度值级别为a的灰度值在90°方向上连续出现
Figure 579564DEST_PATH_IMAGE004
次的游程出现概率次数。则灰度值级别越高且游程长度越短的游程越能表现经纱纱径特征。基于上述逻辑，计算出目标图像的纱径偏向度
Figure 23314DEST_PATH_IMAGE034
，方式如下：
利用第一灰度游程矩阵中全部元素值计算出纬纱纱径特征的计算公式为：
Figure 442794DEST_PATH_IMAGE036
其中，
Figure 964780DEST_PATH_IMAGE003
表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行第
Figure 520527DEST_PATH_IMAGE004
列上的元素值；
Figure 135179DEST_PATH_IMAGE005
表示将
Figure 510796DEST_PATH_IMAGE003
乘以对应的游程长度
Figure 633211DEST_PATH_IMAGE004
；
Figure 981147DEST_PATH_IMAGE006
表示滑窗尺寸；
Figure 32279DEST_PATH_IMAGE007
表示关注长度小的游程；
Figure 417166DEST_PATH_IMAGE008
表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行的灰度级；
Figure 844736DEST_PATH_IMAGE004
表示沿经纱延伸方向获取的第一灰度游程矩阵中第
Figure 109495DEST_PATH_IMAGE004
列的游程长度；
Figure 534792DEST_PATH_IMAGE009
表示分级后图像中灰度级的数量；
Figure 117957DEST_PATH_IMAGE010
表示目标图像中纬纱纱径特征；由于布面图像中纱线较细，而纱线之间的区域一般宽于纱经，长度越小的游程越有可能对应为纱径，对长度小的游程赋予较大的权重，因此，
Figure 83639DEST_PATH_IMAGE010
越大表示纬纱的纱径越细。
同理计算出经纱纱径特征的步骤为：构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵，利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征；
利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征的计算公式为：
Figure 468484DEST_PATH_IMAGE038
其中，
Figure 861420DEST_PATH_IMAGE013
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行第
Figure 400723DEST_PATH_IMAGE004
列上的元素值；
Figure 904517DEST_PATH_IMAGE014
表示将
Figure 878289DEST_PATH_IMAGE013
乘以对应的游程长度
Figure 206240DEST_PATH_IMAGE004
；
Figure 734304DEST_PATH_IMAGE006
表示滑窗尺寸；
Figure 41789DEST_PATH_IMAGE007
表示关注长度小的游程；
Figure 837444DEST_PATH_IMAGE008
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行的灰度级；
Figure 837761DEST_PATH_IMAGE004
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第
Figure 587543DEST_PATH_IMAGE004
列的游程长度；
Figure 698718DEST_PATH_IMAGE009
表示分级后图像中灰度级的数量；
Figure 145618DEST_PATH_IMAGE015
表示目标图像中经纱纱径特征；由于布面图像中纱线较细，而纱线之间的区域一般宽于纱经，长度越小的游程越有可能对应为纱径，对长度小的游程赋予较大的权重，因此，
Figure 254519DEST_PATH_IMAGE015
越大表示经纱的纱径越细。
其中，利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度的步骤包括：计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四差值；计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四和值；将获取的第四差值与第四和值的比值作为目标图像中纱径偏向度。
利用纬纱纱径特征和经纱纱径特征计算出纱径偏向度的计算公式为：
Figure 553913DEST_PATH_IMAGE040
其中，
Figure 904998DEST_PATH_IMAGE010
表示纬纱纱径特征；
Figure 239027DEST_PATH_IMAGE015
表示经纱纱径特征；
Figure 315568DEST_PATH_IMAGE034
表示纱径偏向度对于灰度游程矩阵。
Figure 272897DEST_PATH_IMAGE034
的取值范围为
Figure 725875DEST_PATH_IMAGE033
。其越趋近于-1，越说明
Figure 914411DEST_PATH_IMAGE010
远远小于
Figure 161853DEST_PATH_IMAGE015
，说明纬纱纱径远大于经纱，反之
Figure 606479DEST_PATH_IMAGE018
越趋近于1，越说明
Figure 863147DEST_PATH_IMAGE010
远远大于
Figure 640611DEST_PATH_IMAGE015
，说明纬纱纱径远小于经纱。而趋近于0时说明二者相差不多，也即纬纱纱径与经纱纱径相近。
S6、将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标，将目标点对应在二维坐标系中。
在计算出目标图像对应的纱数偏向度和纱径偏向度后，将纱数偏向度作为横坐标、将纱径偏向度作为纵坐标对应在二维坐标系中，因此，每个滑窗内布面图像对应的纱数偏向度和纱径偏向度都会在二维坐标系中对应一个点。
S7、当目标点与二维坐标系原点之间的距离大于预设距离阈值时，根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷。
以目标图像为例，将目标图像对应的纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标。计算出目标点的坐标与二维坐标系原点之间的距离记为
Figure DEST_PATH_IMAGE041
，则
Figure 698434DEST_PATH_IMAGE041
值越趋近于
Figure 459717DEST_PATH_IMAGE042
，越说明瑕疵明显。设置预设距离阈值，当D大于预设距离阈值时，说明识别到目标图像存在稀路、密路、连续细纬、或连续粗纬中任一种缺陷，同时控制织布机停车。
根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷的步骤包括：分别计算出目标点与预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离；从获取的全部距离数值中选取距离最小值，确定距离最小值对应的缺陷极限点，并将该缺陷极限点的类型作为目标图像中缺陷类型。
对于稀路缺陷，其表现为纬纱密度小于经纱密度，也即纱数偏向度趋近于-1，而纬纱纱径与经纱纱径应一致，也即纱径偏向度趋近于0。
对于密路缺陷，其表现为纬纱密度大于经纱密度，也即纱数偏向度趋近于1，而纬纱纱径与经纱纱径应一致，也即纱径偏向度趋近于0。
对于连续细纬缺陷，其表现为纬纱密度与经纱密度相似，也即纱数偏向度趋近于0，而纬纱纱径应小于经纱纱径，也即纱径偏向度趋近于1。
对于连续粗纬缺陷，其表现为纬纱密度与经纱密度相似，也即纱数偏向度趋近于0，而纬纱纱径应大于经纱纱径，也即纱径偏向度趋近于-1。
因此，预设稀路缺陷极限点的坐标为
Figure DEST_PATH_IMAGE043
、预设密路缺陷极限点的坐标为
Figure 628399DEST_PATH_IMAGE044
、预设连续细纬缺陷极限点的坐标为
Figure DEST_PATH_IMAGE045
、预设连续粗纬缺陷极限点的坐标为
Figure 729210DEST_PATH_IMAGE046
。
计算出目标点（
Figure DEST_PATH_IMAGE047
）与点
Figure 223514DEST_PATH_IMAGE046
、
Figure 940934DEST_PATH_IMAGE043
、
Figure 477089DEST_PATH_IMAGE045
、
Figure 993259DEST_PATH_IMAGE044
之间的距离（记为
Figure 753404DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
、
Figure 863181DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
），从
Figure 140709DEST_PATH_IMAGE048
、
Figure 747271DEST_PATH_IMAGE049
、
Figure DEST_PATH_IMAGE053
、
Figure DEST_PATH_IMAGE055
中选取最小值，确定距离最小值对应的缺陷极限点，并将该缺陷极限点的类型作为目标图像中缺陷类型。
例如：若选取出的最小值为
Figure 521061DEST_PATH_IMAGE048
，而
Figure 977188DEST_PATH_IMAGE048
对应预设连续粗纬缺陷极限点，将该缺陷极限点的类型连续粗纬缺陷作为目标图像中缺陷类型。
S8、当所有目标图像中任意一目标图像存在缺陷时，控制织布机停车。
一种基于数据处理的织布机停车控制系统，包括：
图像获取模块，用于获取织布机生产过程中的布面图像，并根据布面图像尺寸确定滑窗尺寸；用于利用确定滑窗尺寸的滑窗在布面图像中进行遍历，将滑窗内的布匹图像作为目标图像，得到所有目标图像；用于对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像；
纱数偏向度计算模块，用于以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第一灰度共生矩阵，利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征，同理计算出目标图像中经纱纱数特征；利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度；
纱径偏向度计算模块，用于构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征，同理计算出目标图像中经纱纱径特征；利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度；
二维坐标系建立模块，用于将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标，将目标点对应在二维坐标系中；
缺陷类型识别模块，用于当目标点与二维坐标系原点之间的距离大于预设距离阈值时，根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷；
织布机停车控制模块，用于当所有目标图像中任意一目标图像存在缺陷时，控制织布机停车。
综上所述，本发明提供一种基于数据处理的织布机停车控制方法及系统，结合灰度共生矩阵和灰度游程矩阵对布面图像上各像素点灰度值进行统计学特征的构建。通过稀路缺陷、密路缺陷、连续细纬缺陷以及连续粗纬缺陷形成机理来对特征进行分类识别，有效的避免了现有技术中对于上述四种缺陷类型识别混淆情况，在识别到缺陷类型后控制织布机停车，使整个停车控制系统具有疵点排除指导的作用。

Claims (10)

1.一种基于数据处理的织布机停车控制方法，其特征在于，该方法包括：
获取织布机生产过程中的布面图像，并根据布面图像尺寸确定滑窗尺寸；
利用确定滑窗尺寸的滑窗在布面图像中进行遍历，将滑窗内的布匹图像作为目标图像，得到所有目标图像；
对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像；
以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第一灰度共生矩阵，利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征，同理计算出目标图像中经纱纱数特征；利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度；
构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征，同理计算出目标图像中经纱纱径特征；利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度；
将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标，将目标点对应在二维坐标系中；
当目标点与二维坐标系原点之间的距离大于预设距离阈值时，根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷；
当所有目标图像中任意一目标图像存在缺陷时，控制织布机停车。
2.根据权利要求1所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征的步骤包括：
获取第一灰度共生矩阵中每个像素对的出现概率；
计算出第一灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第一差值，将该第一差值与分级后图像中灰度级数量的第一比值作为每个像素对的出现概率的权重；
将第一灰度共生矩阵中每个像素对出现概率对应的权重相乘，得到第一灰度共生矩阵中每个像素对的加权后出现概率；
利用第一灰度共生矩阵中全部像素对的加权后出现概率，计算出目标图像中纬纱纱数特征。
3.根据权利要求1所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述同理计算出目标图像中经纱纱数特征的步骤包括：
以分级后图像内沿纬纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第二灰度共生矩阵，利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征。
4.根据权利要求3所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述利用第二灰度共生矩阵中全部元素值计算出目标图像中经纱纱数特征的步骤包括：
获取第二灰度共生矩阵中每个像素对的出现概率；
计算出第二灰度共生矩阵中每个像素对内包含的两个像素点的灰度值级别的第二差值，将该第二差值与分级后图像中灰度级数量的第二比值作为每个像素对的出现概率的权重；
将第二灰度共生矩阵中每个像素对出现概率对应的权重相乘，得到第二灰度共生矩阵中每个像素对的加权后出现概率；
利用第二灰度共生矩阵中全部像素对的加权后出现概率计算出目标图像中经纱纱数特征。
5.根据权利要求4所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度的步骤包括：
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三差值；
计算出目标图像中纬纱纱数特征与目标图像中经纱纱数特征的第三和值；
将获取的第三差值与第三和值的比值作为目标图像中纱数偏向度。
6.根据权利要求1所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示沿经纱延伸方向获取的第一灰度游程矩阵中第a行第
Figure DEST_PATH_IMAGE006
列上的元素值；
Figure DEST_PATH_IMAGE008
表示将
Figure 990185DEST_PATH_IMAGE004
乘以对应的游程长度
Figure 949789DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE010
表示滑窗尺寸；
Figure DEST_PATH_IMAGE012
表示关注长度小的游程；表示沿经纱延伸方向获取的第一灰度游程矩阵中第
Figure DEST_PATH_IMAGE014
行的灰度级；
Figure 661524DEST_PATH_IMAGE006
表示沿经纱延伸方向获取的第一灰度游程矩阵中第
Figure 339368DEST_PATH_IMAGE006
列的游程长度；
Figure DEST_PATH_IMAGE016
表示分级后图像中灰度级的数量；
Figure DEST_PATH_IMAGE018
表示目标图像中纬纱纱径特征。
7.根据权利要求6所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述同理计算出经纱纱径特征的步骤为：
构建分级后图像内沿纬纱延伸方向的第二灰度游程矩阵，利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征；
利用第二灰度游程矩阵中全部元素值计算出经纱纱径特征的计算公式为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行第
Figure 535863DEST_PATH_IMAGE006
列上的元素值；
Figure DEST_PATH_IMAGE024
表示将
Figure 320279DEST_PATH_IMAGE022
乘以对应的游程长度
Figure 622822DEST_PATH_IMAGE006
；
Figure 289427DEST_PATH_IMAGE010
表示滑窗尺寸；
Figure 837083DEST_PATH_IMAGE012
表示关注长度小的游程；
Figure 538323DEST_PATH_IMAGE014
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第a行的灰度级；
Figure 513232DEST_PATH_IMAGE006
表示沿纬纱延伸方向获取的第二灰度游程矩阵中第
Figure 900089DEST_PATH_IMAGE006
列的游程长度；
Figure 985857DEST_PATH_IMAGE016
表示分级后图像中灰度级的数量；
Figure DEST_PATH_IMAGE026
表示目标图像中经纱纱径特征。
8.根据权利要求1所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度的步骤包括：
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四差值；
计算出目标图像中纬纱纱径特征与目标图像中经纱纱径特征的第四和值；
将获取的第四差值与第四和值的比值作为目标图像中纱径偏向度。
9.根据权利要求1所述的一种基于数据处理的织布机停车控制方法，其特征在于，所述根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷的步骤包括：
分别计算出目标点与预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离；
从获取的全部距离数值中选取距离最小值，确定距离最小值对应的缺陷极限点，并将该缺陷极限点的类型作为目标图像中缺陷类型。
10.一种基于数据处理的织布机停车控制系统，其特征在于，包括：
图像获取模块，用于获取织布机生产过程中的布面图像，并根据布面图像尺寸确定滑窗尺寸；用于利用确定滑窗尺寸的滑窗在布面图像中进行遍历，将滑窗内的布匹图像作为目标图像，得到所有目标图像；用于对每一个目标图像中全部像素点的灰度值进行分级得到分级后图像；
纱数偏向度计算模块，用于以分级后图像内沿经纱延伸方向的相邻两个像素点的灰度值级别作为像素对，按照像素对出现的次数构建出第一灰度共生矩阵，利用第一灰度共生矩阵中全部元素值计算出目标图像中纬纱纱数特征，同理计算出目标图像中经纱纱数特征；利用目标图像中纬纱纱数特征和经纱纱数特征计算出目标图像中纱数偏向度；
纱径偏向度计算模块，用于构建分级后图像内沿经纱延伸方向的第一灰度游程矩阵，利用第一灰度游程矩阵中全部元素值和滑窗尺寸计算出目标图像中纬纱纱径特征，同理计算出目标图像中经纱纱径特征；利用目标图像中纬纱纱径特征和经纱纱径特征计算出目标图像中纱径偏向度；
二维坐标系建立模块，用于将纱数偏向度和纱径偏向度分别作为横坐标和纵坐标确定出目标点的坐标，将目标点对应在二维坐标系中；
缺陷类型识别模块，用于当目标点与二维坐标系原点之间的距离大于预设距离阈值时，根据目标点与二维坐标系中预设稀路缺陷极限点、预设密路缺陷极限点、预设连续细纬缺陷极限点以及预设连续粗纬缺陷极限点之间的距离，确定目标图像中是否存在缺陷；
织布机停车控制模块，用于当所有目标图像中任意一目标图像存在缺陷时，控制织布机停车。
CN202211169712.7A 2022-09-26 2022-09-26 一种基于数据处理的织布机停车控制方法及系统 Pending CN115294100A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169712.7A CN115294100A (zh) 2022-09-26 2022-09-26 一种基于数据处理的织布机停车控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169712.7A CN115294100A (zh) 2022-09-26 2022-09-26 一种基于数据处理的织布机停车控制方法及系统

Publications (1)

Publication Number Publication Date
CN115294100A true CN115294100A (zh) 2022-11-04

Family

ID=83834613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169712.7A Pending CN115294100A (zh) 2022-09-26 2022-09-26 一种基于数据处理的织布机停车控制方法及系统

Country Status (1)

Country Link
CN (1) CN115294100A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116949732A (zh) * 2023-09-20 2023-10-27 济宁华晟服装股份有限公司 一种用于服装生产的高效熨烫方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210343002A1 (en) * 2020-07-28 2021-11-04 Jiangnan University Online Detection Method of Circular Weft Knitting Stripe Defects Based on Gray Gradient Method
CN114842027A (zh) * 2022-04-24 2022-08-02 南通真馨家纺有限公司 基于灰度共生矩阵的织物疵点分割方法和系统
CN115082458A (zh) * 2022-08-18 2022-09-20 南通睿谷纺织科技有限公司 一种基于灰度游程矩阵的纺织材料疵点分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210343002A1 (en) * 2020-07-28 2021-11-04 Jiangnan University Online Detection Method of Circular Weft Knitting Stripe Defects Based on Gray Gradient Method
CN114842027A (zh) * 2022-04-24 2022-08-02 南通真馨家纺有限公司 基于灰度共生矩阵的织物疵点分割方法和系统
CN115082458A (zh) * 2022-08-18 2022-09-20 南通睿谷纺织科技有限公司 一种基于灰度游程矩阵的纺织材料疵点分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116949732A (zh) * 2023-09-20 2023-10-27 济宁华晟服装股份有限公司 一种用于服装生产的高效熨烫方法
CN116949732B (zh) * 2023-09-20 2023-12-08 济宁华晟服装股份有限公司 一种用于服装生产的高效熨烫方法

Similar Documents

Publication Publication Date Title
CN115115615B (zh) 一种基于图像识别的纺织面料质量评估方法及系统
Zhu et al. Yarn-dyed fabric defect detection based on autocorrelation function and GLCM
CN108364291A (zh) 基于计算机视觉技术的原坯布快速检测方法
CN115131348B (zh) 一种纺织品表面缺陷的检测方法及系统
CN115311267B (zh) 一种格纹织物异常检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN114677376B (zh) 一种基于光照预处理的织带生产瑕疵测试方法及系统
CN116309671B (zh) 一种土工合成织物质量检测系统
CN114693677B (zh) 一种针织面料轧染工艺异常检测方法
CN111861996A (zh) 一种印花织物疵点检测方法
CN115311298B (zh) 一种纺织品质量检测方法
CN115082458B (zh) 一种基于灰度游程矩阵的纺织材料疵点分析方法
CN115861310A (zh) 一种床单表面纺织缺陷检测方法
CN115294100A (zh) 一种基于数据处理的织布机停车控制方法及系统
CN115049671A (zh) 基于计算机视觉的布匹表面缺陷检测方法及系统
CN115187597B (zh) 一种纺织品缺陷检测方法
CN115311279A (zh) 一种织物经纬瑕疵的机器视觉识别方法
CN116523899A (zh) 一种基于机器视觉的纺织品瑕疵检测方法及系统
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN113936001B (zh) 一种基于图像处理技术的纺织品表面瑕疵点检测方法
Anila et al. Fabric texture analysis and weave pattern recognition by intelligent processing
Vladimir et al. Automatic detection and classification of weaving fabric defects based on digital image processing
CN111402225B (zh) 一种布匹折叠误检疵点判别方法
CN116894840B (zh) 纺纱打样机产品质量检测方法及系统
CN115082460B (zh) 一种织布生产线质量监控方法及系统

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