CN115294165B - 一种基于机器视觉的纺织品烧毛工艺智能作业方法 - Google Patents

一种基于机器视觉的纺织品烧毛工艺智能作业方法 Download PDF

Info

Publication number
CN115294165B
CN115294165B CN202211230863.9A CN202211230863A CN115294165B CN 115294165 B CN115294165 B CN 115294165B CN 202211230863 A CN202211230863 A CN 202211230863A CN 115294165 B CN115294165 B CN 115294165B
Authority
CN
China
Prior art keywords
textile
degree
plush
area
spectrogram
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
CN202211230863.9A
Other languages
English (en)
Other versions
CN115294165A (zh
Inventor
张士平
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 Ouloman Home Textiles Co ltd
Original Assignee
Jiangsu Ouloman Home Textiles 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 Ouloman Home Textiles Co ltd filed Critical Jiangsu Ouloman Home Textiles Co ltd
Priority to CN202211230863.9A priority Critical patent/CN115294165B/zh
Publication of CN115294165A publication Critical patent/CN115294165A/zh
Application granted granted Critical
Publication of CN115294165B publication Critical patent/CN115294165B/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
    • G06T7/10—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
    • G06T7/0002—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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及人工智能领域，具体涉及一种基于机器视觉的纺织品烧毛工艺智能作业方法。包括获取纺织品图像，对纺织品图像划分区域并获取各区域的频谱图；构建各区域的极坐标系；获取中心区域频谱图的灰度直方图中的数据拟合得到混合高斯模型；确定分割阈值对中心区域频谱图进行分割，提取中心区域频谱图中的高亮点并确定纺织品织线方向的角度；计算各区域的毛绒程度，根据各区域的毛绒程度计算纺织品表面毛绒程度；根据纺织品表面毛绒程度调节火焰强度，实现烧毛工艺的智能控制。本发明根据频谱图确定织线方向，并根据绒毛方向杂乱特征评估纺织品表面的毛绒程度，以此调节火焰强度的大小，实现纺织品烧毛工艺的智能作业。

Description

一种基于机器视觉的纺织品烧毛工艺智能作业方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于机器视觉的纺织品烧毛工艺智能作业方法。
背景技术
纤维在纺纱并线及织机的磨擦时，有很多短而松散的纤维露于纱线的表面，这层绒毛不仅影响织物的光洁和容易沾染灰尘，而且在印染加工中还会产生各种疵病，所以除某些特殊品种(绒布)外，一般都要烧毛。
但是烧毛过程中，如果火焰强度过低（欠烧），绒毛没有烧干净，在后续的染色环节中会出现色点。火焰温度过高（过烧），又会导致织物发生热收缩，影响纺织品的质量，因此对烧毛过程中的火焰强度的控制是非常重要的。
现有的烧毛控制是根据经验值控制火焰强度以及大小，但是不同布料在加工过程中的磨损程度不同，其摩擦产生的绒毛长度也不同，按统一的标准进行烧毛，烧毛质量难免会有所偏差，所以需要一种能够根据不同绒毛情况进行不同火焰强度调节的方法来对纺织品的烧毛工艺进行改进。
发明内容
本发明提供一种基于机器视觉的纺织品烧毛工艺智能作业方法，以解决现有的根据统一的火焰强度对所有纺织品进行烧毛工艺，但是由于不同布料不同织物在加工过程中磨损程度不同，所以产生的绒毛长度也不同，根据统一标准进行烧毛可能会出现不同程度的欠烧或过烧的问题。
本发明的一种基于机器视觉的纺织品烧毛工艺智能作业方法采用如下技术方案：包括以下步骤：
获取纺织品图像，对纺织品图像进行傅里叶变换得到频谱图；
获取频谱图的灰度直方图，提取灰度直方图中的数据进行高斯拟合得到混合高斯模型；
根据混合高斯模型的期望和方差确定分割阈值对频谱图进行分割，提取频谱图中的高亮点；
根据频谱图的高亮点确定纺织品织线方向的角度；
根据频谱图中所有像素点的位置信息、亮度和纺织品织线方向的角度计算纺织品表面的毛绒程度；
通过得到的纺织品表面毛绒程度对烧毛工艺的火焰强度进行调节。
所述频谱图包括对纺织品图像进行区域划分，对划分后的每个区域进行傅里叶变换得到多个区域的频谱图；
所述混合高斯模型是由多个区域中的中心区域频谱图的灰度直方图中的灰度值及其频数进行拟合而成；
所述纺织品表面的毛绒程度是利用各区域的毛绒程度计算得到的。
所述对纺织品图像进行傅里叶变换得到频谱图的过程为：
对纺织品图像进行傅里叶变换得到频谱图是将纺织品图像进行区域划分后，得到各区域的频谱图，将纺织品图像的长、宽分别进行
Figure 232073DEST_PATH_IMAGE001
等份划分，得到
Figure 394064DEST_PATH_IMAGE002
个区域；
以纺织品图像的中心点作为原点，水平方向为坐标系横轴建立坐标系，记录每个区域的中心坐标点
Figure 924402DEST_PATH_IMAGE003
，其中
Figure 412016DEST_PATH_IMAGE004
为区域的序号，将整个图像的中心区域即正对相机镜头的区域作为中心区域，中心区域的中心点坐标为
Figure 27805DEST_PATH_IMAGE005
。
提取频谱图中的高亮点的方法为：
提取频谱图中的高亮点是提取中心区域频谱图的高亮点，获取中心区域频谱图进行高斯拟合的混合高斯模型中的期望和方差；
由于高斯分布中大部分数据分布在
Figure 226443DEST_PATH_IMAGE006
的范围内，高亮像素点只占纺织品图像的极少数，因此以
Figure 611288DEST_PATH_IMAGE007
为阈值对中心区域频谱图进行阈值分割，提取阈值分割后得到的高亮点。
所述计算纺织品表面的毛绒程度的方法如下：
纺织品表面的毛绒程度是根据划分区域后的各区域的毛绒程度得到的，其中，各区域的毛绒程度是根据各区域中所有像素点的位置信息、亮度和纺织品织线方向的角度得到的；
纺织品表面的毛绒程度的计算公式如下：
Figure 269802DEST_PATH_IMAGE008
式中：
Figure 372887DEST_PATH_IMAGE009
为纺织品表面的毛绒程度，
Figure 142260DEST_PATH_IMAGE010
表示第
Figure 880147DEST_PATH_IMAGE004
个区域的毛绒程度，
Figure 709562DEST_PATH_IMAGE004
为纺织品图像划分区域后的区域序号，
Figure 299944DEST_PATH_IMAGE011
、
Figure 607428DEST_PATH_IMAGE012
为第
Figure 701286DEST_PATH_IMAGE004
个区域的中心点坐标，
Figure 200138DEST_PATH_IMAGE013
为中心区域的中心点坐标，
Figure 12237DEST_PATH_IMAGE002
为划分的区域数量。
各区域的毛绒程度的计算过程如下：
以各区域的中心点为极点，水平方向为极轴方向构建各区域的极坐标系，分别获取各区域中每个像素点的极坐标点；
各区域的毛绒程度的计算公式如下：
Figure 388991DEST_PATH_IMAGE014
式中：
Figure 602935DEST_PATH_IMAGE010
为第
Figure 774153DEST_PATH_IMAGE004
个区域的毛绒程度，
Figure 73548DEST_PATH_IMAGE004
为纺织品图像划分区域后的区域序号，
Figure 221370DEST_PATH_IMAGE015
为划分的区域的面积，即像素点的数量，
Figure 555399DEST_PATH_IMAGE016
为该区域的像素点序号，
Figure 897519DEST_PATH_IMAGE017
为第
Figure 684209DEST_PATH_IMAGE016
个像素点的极角，
Figure 137187DEST_PATH_IMAGE018
为第
Figure 824259DEST_PATH_IMAGE016
个像素点的极径，
Figure 71700DEST_PATH_IMAGE019
为第
Figure 345687DEST_PATH_IMAGE016
个像素点的亮度。
所述确定纺织品织线方向的角度的方法为：对提取出高亮点的中心区域频谱图，确定高亮点在极坐标系中的极坐标位置，将高亮点的极角作为纺织品织线方向的角度。
所述实现烧毛工艺的智能控制的过程为：
根据纺织品表面的毛绒程度调节火焰强度，采集若干样本，对每个样本的毛绒程度进行计算，并根据不同的毛绒程度进行火焰强度的调节，根据样本得到的毛绒程度-火焰强度的对应数据，建立毛绒程度-火焰强度数据库；
在后期的生产过程中，对纺织品进行烧毛工艺处理时，直接获取毛绒程度-火焰强度数据库中的数据控制烧毛时的火焰强度，实现烧毛工艺的智能控制。
本发明的有益效果是：本发明将图像转化为频谱图，根据频谱图确定织线方向，并根据绒毛方向杂乱特征评估纺织品表面的毛绒程度，并以此调节火焰强度的大小，进而实现纺织品烧毛工艺的智能作业。
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为本发明的方法步骤流程图；
图2为本发明中实施例中的斜纹布的示例图；
图3为本发明实施例中的中心区域及其频谱图；
图4为本发明实施例中中心区域频谱图及其阈值分割后提取的高亮点图像。
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
本发明的一种基于机器视觉的纺织品烧毛工艺智能作业方法的实施例，如图1所示，包括以下内容：
S101、获取纺织品图像
通过调节相机参数，获取只包含纺织品的纺织品图像，排除背景等其他因素对后续分析的干扰。
S102、对纺织品图像划分区域，并获取各区域的频谱图像
对纺织品图像划分多个区域，对每个区域进行分析然后根据各区域对整体纺织品图像进行评估，可以使得到的分析结果更精确。
S103、分析中心区域得到纺织品的织线方向
由于中心区域的织线具有较强的纹理周期性，所以中心区域的频谱图会在与实际纹理方向垂直的方向上，出现关于频谱图中心对称的高亮点，所以通过分析中心区域的信息得到纺织品的织线方向。
S104、计算各区域的毛绒程度
绒毛与织线纹理均属于高频信息，所以根据各区域的高频信息计算每个区域的毛绒程度，可以提高后续计算的整个纺织品的毛绒程度的精确度。
S105、计算纺织品的毛绒程度
根据各区域距离相机的不同距离，对不同的区域赋予不同程度的权重，以此得到整个图像即纺织品的毛绒程度，这样可以使纺织品的毛绒程度更精确。
S106、建立毛绒程度-火焰强度数据库
根据以上步骤得到不同毛绒程度所需要的火焰强度，通过多个样本得到毛绒程度和火焰强度的对应关系建立毛绒程度-火焰强度数据库。
S107、根据毛绒程度-火焰强度数据库实现烧毛工艺的智能作业
对实际生产过程中所获得的毛绒程度值在数据库中进行比对，将火焰强度调节为数据库中与实际毛绒程度最邻近的毛绒程度值所对应的火焰强度，实现烧毛工艺的智能作业。
实施例2
本发明的一种基于机器视觉的纺织品烧毛工艺智能作业方法的实施例，如图1所示，具体展开说明：
S201、获取纺织品图像
通过调节相机参数，获取只包含纺织品的纺织品图像，排除背景等其他因素对后续分析的干扰。
在布匹正上方放置相机，利用相机成像原理，根据辊轮的转速以及半径，计算纺织品完全移动出相机视野范围的时间用以确定相机的采样频率，确定相机的焦距。
结合纺织品的宽度调节相机的焦距，使相机的视野范围为纺织品的宽度，然后对纺织品进行图像采集获取纺织品图像。
S202、对纺织品图像划分区域，并获取各区域的频谱图像
对纺织品图像划分多个区域，对每个区域进行分析然后根据各区域对整体纺织品图像进行评估，可以使得到的分析结果更精确。
1.对相机采集的图像进行灰度化处理，将图像转化为灰度图，以图像的中心点为原点，水平向右方向为横坐标正方向建立直角坐标系。
2.将纺织品图像的长和宽分别进行
Figure 336776DEST_PATH_IMAGE001
等分，从而将图像划分为
Figure 436994DEST_PATH_IMAGE002
个区域，本实施例选择将纺织品图像的长和宽分别进行五等分，得到25个区域。
3.记录每个区域的中心点的坐标，其中，第
Figure 120916DEST_PATH_IMAGE004
个区域的中心点坐标记为
Figure 616619DEST_PATH_IMAGE003
，相机正下方所对的即为最靠近相机的区域，即纺织品图像的中心区域，该中心区域的中心点坐标记为
Figure 676979DEST_PATH_IMAGE005
。
4.利用傅里叶变换将各区域转换到频域空间下，得到各区域对应的频谱图像。
S203、分析中心区域得到纺织品的织线方向
距离相机越近，绒毛对织线的干扰程度越小，也是织线纹理最清晰的位置，所以可以从最靠近相机的区域即中心区域，提取织线的纹理方向，本实施例中以斜纹布为例进行分析，斜纹布样式如图2所示。
由于中心区域的织线具有较强的纹理周期性，所以中心区域的频谱图会在与实际纹理方向垂直的方向上，出现关于频谱图中心对称的高亮点，如图3所示，所以通过分析中心区域的信息得到纺织品的织线方向。
以频谱图像中心点为极点，水平向右方向为极轴正方向建立极坐标系，根据此方法对每个区域建立极坐标系。
获取中心区域频谱图中各像素点的灰度值，统计各灰度值的频率；以灰度中方图中所有灰度值以及灰度值对应的频率为样本数据，根据得到的额样本数据利用EM算法拟合混合高斯模型，提取混合高斯模型中的期望
Figure 308949DEST_PATH_IMAGE020
以及方差
Figure 396728DEST_PATH_IMAGE021
。
由于高斯分布中大部分的数据分布在
Figure 379728DEST_PATH_IMAGE006
范围内，而高亮像素点只占整个图像中的极少数，因此以
Figure 978199DEST_PATH_IMAGE007
（表示对
Figure 730255DEST_PATH_IMAGE022
向下取整）为阈值对频谱图像进行阈值分割，提取频谱图像高亮点，如图4所示。
根据高亮点在极坐标系的位置确定纺织品的织线方向，也就是说高亮点的极角角度即为织线方向。
S204、计算各区域的毛绒程度
绒毛与织线纹理均属于高频信息，所以根据各区域的高频信息计算每个区域的毛绒程度，可以提高后续计算的整个纺织品的毛绒程度的精确度。
绒毛与织线纹理均属于高频信息，不同的是织线是在固定方向上的，但是绒毛由于长短不一，会对织线纹理产生遮挡，再经过刷毛之后，这些绒毛就会出现周期性信息，使得在远离频谱中心点且非织线纹理方向的位置上出现较亮的像素点，即虽然均为频谱亮点，但是相对织线纹理方向的偏差越大，纺织品表面的毛绒程度就会越大。
当频谱图的高频信息中存在偏离织线纹理方向的亮点说明纺织品表面存在绒毛，角度偏移程度越大亮点为绒毛产生的概率越大，且亮点亮度越大，表示该高频信息的含量越多。
各区域的毛绒程度计算公式如下：
Figure 21559DEST_PATH_IMAGE014
式中：
Figure 990389DEST_PATH_IMAGE010
为第
Figure 126973DEST_PATH_IMAGE004
个区域的毛绒程度，
Figure 999114DEST_PATH_IMAGE004
为纺织品图像划分区域后的区域序号，
Figure 195740DEST_PATH_IMAGE015
为划分的区域的面积，即像素点的数量，
Figure 153332DEST_PATH_IMAGE016
为该区域的像素点序号，
Figure 592141DEST_PATH_IMAGE017
为第
Figure 584368DEST_PATH_IMAGE016
个像素点的极角，
Figure 951895DEST_PATH_IMAGE018
为第
Figure 396783DEST_PATH_IMAGE016
个像素点的极径，
Figure 140748DEST_PATH_IMAGE019
为第
Figure 721902DEST_PATH_IMAGE016
个像素点的亮度。
Figure 24445DEST_PATH_IMAGE023
为频谱图中亮点偏离织线方向的偏移角度，当亮点位置偏移织线纹理方向的角度越大，该点为绒毛产生的亮点的概率越大；
Figure 691050DEST_PATH_IMAGE018
频谱图像中第
Figure 238706DEST_PATH_IMAGE016
个像素点到中心像素点的距离，表征图像中的高频成分；
Figure 939946DEST_PATH_IMAGE019
表示图像中的该像素点的亮度，表示高频信息的含量。
S205、计算纺织品的毛绒程度
根据各区域距离相机的不同距离，对不同的区域赋予不同程度的权重，以此得到整个图像即纺织品的毛绒程度，这样可以使纺织品的毛绒程度更精确。
由于越靠近相机，由于绒毛较为细软，其对纺织品表面纹理的影响程度越低，而越远离相机的位置，绒毛对纺织品表面纹理的影响程度越大，因此距离中心区域越远，该区域对应的毛绒程度所分配的权重越大。
根据各个区域中心点到图像中心区域的中心点的距离，为各个区域的毛绒程度赋以权重，由此得到纺织品的毛绒程度的计算公式如下：
Figure 914855DEST_PATH_IMAGE024
式中：
Figure 567291DEST_PATH_IMAGE009
为纺织品表面的毛绒程度，
Figure 653059DEST_PATH_IMAGE010
表示第
Figure 208805DEST_PATH_IMAGE004
个区域的毛绒程度，
Figure 823457DEST_PATH_IMAGE004
为纺织品图像划分区域后的区域序号，
Figure 730233DEST_PATH_IMAGE011
、
Figure 852648DEST_PATH_IMAGE012
为第
Figure 262900DEST_PATH_IMAGE004
个区域的中心点坐标，
Figure 579612DEST_PATH_IMAGE013
为中心区域的中心点坐标，
Figure 708105DEST_PATH_IMAGE002
为划分的区域数量。
S206、建立毛绒程度-火焰强度数据库
根据以上步骤得到不同毛绒程度所需要的火焰强度，通过多个样本得到毛绒程度和火焰强度的对应关系建立毛绒程度-火焰强度数据库。
获取需要烧毛的多个纺织品样本材料，对其进行刷毛处理后，采集纺织品表面图像，使用上述方法对样品表面的毛绒程度进行评估，调节火焰强度，记录下烧毛干净时的火焰强度，由此建立毛绒程度-火焰强度数据库。
根据数据库中的信息，在以后的生产过程中，对纺织品进行烧毛工艺的处理时，可以直接根据数据库中对应的毛绒程度-火焰强度数据进行智能作业，提高生产时间，也能有效避免因统一标准对不同毛绒程度的纺织品进行烧毛造成欠烧或过烧的问题。
S207、根据毛绒程度-火焰强度数据库实现烧毛工艺的智能作业
对实际生产过程中所获得的毛绒程度值在数据库中进行比对，将火焰强度调节为数据库中与实际毛绒程度最邻近的毛绒程度值所对应的火焰强度，实现烧毛工艺的智能作业。
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 (1)

1.一种基于机器视觉的纺织品烧毛工艺智能作业方法，其特征在于：包括以下步骤：
获取纺织品图像，对纺织品图像进行傅里叶变换得到频谱图；
获取频谱图的灰度直方图，提取灰度直方图中的数据进行高斯拟合得到混合高斯模型；
根据混合高斯模型的期望和方差确定分割阈值对频谱图进行分割，提取频谱图中的高亮点；
根据频谱图的高亮点确定纺织品织线方向的角度；
根据频谱图中所有像素点的位置信息、亮度和纺织品织线方向的角度计算纺织品表面的毛绒程度；
通过得到的纺织品表面毛绒程度对烧毛工艺的火焰强度进行调节；
所述频谱图包括对纺织品图像进行区域划分，对划分后的每个区域进行傅里叶变换得到多个区域的频谱图；
所述混合高斯模型是由多个区域中的中心区域频谱图的灰度直方图中的灰度值及其频数进行拟合而成；
所述纺织品表面的毛绒程度是利用各区域的毛绒程度计算得到的；
所述对纺织品图像进行傅里叶变换得到频谱图的过程为：
对纺织品图像进行傅里叶变换得到频谱图是将纺织品图像进行区域划分后，得到各区域的频谱图，将纺织品图像的长、宽分别进行
Figure DEST_PATH_IMAGE001
等份划分，得到
Figure 977009DEST_PATH_IMAGE002
个区域；
以纺织品图像的中心点作为原点，水平方向为坐标系横轴建立坐标系，记录每个区域的中心坐标点
Figure DEST_PATH_IMAGE003
，其中
Figure 589387DEST_PATH_IMAGE004
为区域的序号，将整个图像的中心区域即正对相机镜头的区域作为中心区域，中心区域的中心点坐标为
Figure DEST_PATH_IMAGE005
；
所述提取频谱图中的高亮点的方法为：
提取频谱图中的高亮点是提取中心区域频谱图的高亮点，获取中心区域频谱图进行高斯拟合的混合高斯模型中的期望和方差；
由于高斯分布中大部分数据分布在
Figure 489603DEST_PATH_IMAGE006
的范围内，高亮像素点只占纺织品图像的极少数，因此以
Figure DEST_PATH_IMAGE007
为阈值对中心区域频谱图进行阈值分割，提取阈值分割后得到的高亮点；
所述计算纺织品表面的毛绒程度的方法如下：
纺织品表面的毛绒程度是根据划分区域后的各区域的毛绒程度得到的，其中，各区域的毛绒程度是根据各区域中所有像素点的位置信息、亮度和纺织品织线方向的角度得到的；
纺织品表面的毛绒程度的计算公式如下：
Figure DEST_PATH_IMAGE009
式中：
Figure 857130DEST_PATH_IMAGE010
为纺织品表面的毛绒程度，
Figure DEST_PATH_IMAGE011
表示第
Figure 472657DEST_PATH_IMAGE004
个区域的毛绒程度，
Figure 560830DEST_PATH_IMAGE004
为纺织品图像划分区域后的区域序号，
Figure 532197DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
为第
Figure 509774DEST_PATH_IMAGE004
个区域的中心点坐标，
Figure 317324DEST_PATH_IMAGE014
为中心区域的中心点坐标，
Figure 458455DEST_PATH_IMAGE002
为划分的区域数量；
所述各区域的毛绒程度的计算过程如下：
以各区域的中心点为极点，水平方向为极轴方向构建各区域的极坐标系，分别获取各区域中每个像素点的极坐标点；
各区域的毛绒程度的计算公式如下：
Figure 268017DEST_PATH_IMAGE016
式中：
Figure 836402DEST_PATH_IMAGE011
为第
Figure 865669DEST_PATH_IMAGE004
个区域的毛绒程度，
Figure 810491DEST_PATH_IMAGE004
为纺织品图像划分区域后的区域序号，
Figure DEST_PATH_IMAGE017
为划分的区域的面积，即像素点的数量，
Figure 934612DEST_PATH_IMAGE018
为该区域的像素点序号，
Figure DEST_PATH_IMAGE019
为第
Figure 18106DEST_PATH_IMAGE018
个像素点的极角，
Figure 518357DEST_PATH_IMAGE020
为第
Figure 250559DEST_PATH_IMAGE018
个像素点的极径，
Figure DEST_PATH_IMAGE021
为第
Figure 864074DEST_PATH_IMAGE018
个像素点的亮度；
所述确定纺织品织线方向的角度的方法为：
对提取出高亮点的中心区域频谱图，确定高亮点在极坐标系中的极坐标位置，将高亮点的极角作为纺织品织线方向的角度；
实现所述烧毛工艺的智能控制的过程为：
根据纺织品表面的毛绒程度调节火焰强度，采集若干样本，对每个样本的毛绒程度进行计算，并根据不同的毛绒程度进行火焰强度的调节，根据样本得到的毛绒程度-火焰强度的对应数据，建立毛绒程度-火焰强度数据库；
在后期的生产过程中，对纺织品进行烧毛工艺处理时，直接获取毛绒程度-火焰强度数据库中的数据控制烧毛时的火焰强度，实现烧毛工艺的智能控制。
CN202211230863.9A 2022-10-10 2022-10-10 一种基于机器视觉的纺织品烧毛工艺智能作业方法 Active CN115294165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211230863.9A CN115294165B (zh) 2022-10-10 2022-10-10 一种基于机器视觉的纺织品烧毛工艺智能作业方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211230863.9A CN115294165B (zh) 2022-10-10 2022-10-10 一种基于机器视觉的纺织品烧毛工艺智能作业方法

Publications (2)

Publication Number Publication Date
CN115294165A CN115294165A (zh) 2022-11-04
CN115294165B true CN115294165B (zh) 2022-12-30

Family

ID=83819320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211230863.9A Active CN115294165B (zh) 2022-10-10 2022-10-10 一种基于机器视觉的纺织品烧毛工艺智能作业方法

Country Status (1)

Country Link
CN (1) CN115294165B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912246B (zh) * 2023-09-13 2023-12-29 潍坊医学院 一种基于大数据的肿瘤ct数据处理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1715551B (zh) * 2004-06-28 2010-08-04 宫元九 纺织品纬斜的检测方法
CN109612874A (zh) * 2019-01-08 2019-04-12 广东溢达纺织有限公司 纺织品表面毛量的测定方法
CN111080574A (zh) * 2019-11-19 2020-04-28 天津工业大学 一种基于信息熵和视觉注意机制的织物疵点检测方法
CN113610849B (zh) * 2021-10-09 2021-12-21 海门市恒创织带有限公司 一种基于图像处理的纺织品烧毛工艺智能作业方法及系统
CN113643294B (zh) * 2021-10-14 2022-02-18 江苏祥顺布业有限公司 基于频谱分析的纺织品缺陷自适应检测方法

Also Published As

Publication number Publication date
CN115294165A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN115294165B (zh) 一种基于机器视觉的纺织品烧毛工艺智能作业方法
CN107515220B (zh) 一种基于图像处理的纱线黑板毛羽量检测及评价方法
Wood et al. Carpet texture measurement using image analysis
CN113643289A (zh) 基于图像处理的织物表面缺陷检测方法和系统
CN114998321B (zh) 一种基于光学手段的纺织材料表面毛羽程度识别方法
CN105741244B (zh) 一种室内巡检机器人弱光下去除阴影和光晕的方法
CN113610849B (zh) 一种基于图像处理的纺织品烧毛工艺智能作业方法及系统
Li et al. A new method to evaluate yarn appearance qualities based on machine vision and image processing
Wang et al. Single vision based identification of yarn hairiness using adaptive threshold and image enhancement method
CN111415349B (zh) 一种基于图像处理技术的涤纶长丝毛丝检测方法
CN112435235B (zh) 一种基于图像分析的籽棉含杂率检测方法
CN114782416B (zh) 基于图像识别的纺织品质量检测方法及系统
CN115294137A (zh) 一种布料表面渗色的缺陷检测方法
CN116309671B (zh) 一种土工合成织物质量检测系统
CN116523899A (zh) 一种基于机器视觉的纺织品瑕疵检测方法及系统
CN112150445B (zh) 基于贝叶斯阈值的纱线毛羽检测方法
CN109472779A (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
CN111257318B (zh) 一种浆纱表面被覆效果表征方法及浆纱条干影像采集装置
Wang et al. Recognition of fabric density with quadratic local extremum
CN111681181A (zh) 一种织物表面起球程度的评价方法
Robson et al. Cuticular scale measurements using image analysis techniques
CN116894840B (zh) 纺纱打样机产品质量检测方法及系统
CN110838113B (zh) 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法
Li et al. Real-time segmentation of yarn images based on an FCM algorithm and intensity gradient analysis
CN115035111B (zh) 一种基于图像处理的有色丝色差检测方法

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