CN115311297A - 一种有色丝毛丝智能识别方法 - Google Patents

一种有色丝毛丝智能识别方法 Download PDF

Info

Publication number
CN115311297A
CN115311297A CN202211246422.8A CN202211246422A CN115311297A CN 115311297 A CN115311297 A CN 115311297A CN 202211246422 A CN202211246422 A CN 202211246422A CN 115311297 A CN115311297 A CN 115311297A
Authority
CN
China
Prior art keywords
edge
candidate
probability
wool
broken
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
CN202211246422.8A
Other languages
English (en)
Inventor
李贺贺
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 Tianxiang Textile Co ltd
Original Assignee
Nantong Tianxiang 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 Tianxiang Textile Co ltd filed Critical Nantong Tianxiang Textile Co ltd
Priority to CN202211246422.8A priority Critical patent/CN115311297A/zh
Publication of CN115311297A publication Critical patent/CN115311297A/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
    • 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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及材料测试或分析领域，提出了一种有色丝毛丝智能识别方法，该方法是一种利用可见光手段采集可见光图像以此分析材料的方法，包括：获取有色丝图像；得到每条边缘的主方向；得到不同边缘所属的类别；得到边缘的候选毛丝概率；得到候选毛丝；得到实际灰度值序列；得到虚拟灰度值序列；对每条候选毛丝是否属于毛丝进行判断，利用所有毛丝对设备进行控制。因此，本发明提出的一种有色丝毛丝智能识别方法能够实现有色丝材料的检测等。

Description

一种有色丝毛丝智能识别方法
技术领域
本发明涉及材料分析或检测领域，具体涉及一种有色丝毛丝智能识别方法。
背景技术
理想情况下，有色丝是光滑且均匀的，然而丝条受伤或断裂会产生毛丝，毛丝数量的多少影响着有色丝的质量，进而影响后续产品的质量。
现有的检测方法主要是通过高精度线阵CCD图像传感器进行检测，虽然测量精度高，但较为昂贵，不适合使用在大规模的工业生产中。基于此，本发明提出了一种有色丝毛丝智能识别方法，在及时检测到毛丝的同时，可以对设备参数进行调整。
发明内容
本发明提供一种有色丝毛丝智能识别方法，以解决现有的检测成本高、不适合广范围使用的问题。
本发明的一种有色丝毛丝智能识别方法，采用如下技术方案，包括：
获取有色丝图像；
对有色丝图像进行边缘检测得到各个边缘，采用PCA算法得到每条边缘的主方向；
根据每条边缘的主方向对所有边缘进行排序，对排序后的所有边缘进行多阈值分割，得到不同边缘所属的类别；
计算每条边缘的方向链码，通过每条边缘方向链码的标准差与该边缘方向链码的平均值及该边缘所在边缘类别中的边缘数量的比值得到该边缘的候选毛丝概率；
利用各边缘的候选毛丝概率对每条边缘是否属于毛丝进行判断，得到候选毛丝；
通过每条候选毛丝边缘上像素点的灰度值得到每条候选毛丝边缘沿着链码方向的实际灰度值序列；
通过双线性插值法对每条候选毛丝上所有像素点的像素值进行虚拟填充，得到虚拟候选毛丝边缘；通过虚拟候选毛丝边缘上虚拟像素点的灰度值得到每条虚拟候选毛丝边缘沿着链码方向的虚拟灰度值序列；
通过每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的余弦相似度得到每条候选毛丝边缘的毛丝概率，通过每条候选毛丝边缘的毛丝概率对每条候选毛丝是否属于毛丝进行判断，利用获得的有色丝中的所有毛丝对设备进行控制。
进一步的，所述的一种有色丝毛丝智能识别方法，获得边缘的候选毛丝概率的方法为：
通过每个边缘类别中的边缘数量得到该边缘类别中每条边缘的疑似候选毛丝概率；
通过每条边缘方向链码的标准差和平均值得到该边缘的疑似候选毛丝概率；
通过每条边缘的疑似候选毛丝概率和对应的边缘类别中该边缘的疑似候选毛丝概率得到该边缘的候选毛丝概率。
进一步的，所述的一种有色丝毛丝智能识别方法，边缘类别中每条边缘的疑似候选毛丝概率的表达式为：
Figure 356675DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE003
表示边缘类别中每条边缘的疑似候选毛丝概率，
Figure 67011DEST_PATH_IMAGE004
表示第
Figure 100002_DEST_PATH_IMAGE005
个边缘类别中的边缘数量。
进一步的，所述的一种有色丝毛丝智能识别方法，边缘的疑似候选毛丝概率的表达式为：
Figure 100002_DEST_PATH_IMAGE007
式中：
Figure 965697DEST_PATH_IMAGE008
表示边缘的疑似候选毛丝概率，
Figure 100002_DEST_PATH_IMAGE009
表示边缘方向链码的标准差，
Figure 394273DEST_PATH_IMAGE010
表示边缘方向链码的平均值。
进一步的，所述的一种有色丝毛丝智能识别方法，得到候选毛丝的方法为：
若边缘的候选毛丝概率小于或等于候选毛丝概率阈值，判断该边缘不是候选毛丝；若边缘的候选毛丝概率大于候选毛丝概率阈值，判断该边缘为候选毛丝。
进一步的，所述的一种有色丝毛丝智能识别方法，得到每条候选毛丝边缘的毛丝概率的方法为：
通过每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的余弦相似度得到每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的相似度；
通过对每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的相似度求倒数得到每条候选毛丝边缘的毛丝概率。
进一步的，所述的一种有色丝毛丝智能识别方法，通过每条候选毛丝边缘的毛丝概率对每条候选毛丝是否属于毛丝进行判断的方法为：
若候选毛丝边缘的毛丝概率小于或等于毛丝概率阈值时，判断该候选毛丝边缘不是毛丝；
若候选毛丝边缘的毛丝概率大于毛丝概率阈值时，判断该候选毛丝边缘是毛丝。
进一步的，所述的一种有色丝毛丝智能识别方法，得到每条边缘的主方向的方法为：
根据每条边缘上的像素点坐标，采用PCA算法获取每条边缘上像素点的所有主成分方向中特征值最大的主成分方向作为每条边缘的主方向。
本发明的有益效果是：本发明提出了一种有色丝毛丝智能识别方法，该方法是一种利用光学手段，具体是利用可见光手段采集可见光图像以此测试或分析材料的方法，通过图像处理的方法，结合毛丝缺陷的特征对有色丝的毛丝进行分析、检测，该方法检测速度快，精度较高，适用范围广，可以适用于较复杂的工厂环境的检测。
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为本发明的一种有色丝毛丝智能识别方法的实施例的流程示意图；
图2为方向链码对应方向的值的示意图。
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。
实施例1
本发明的一种有色丝毛丝智能识别方法的实施例，如图1所示，包括：
101、获取有色丝图像；
设置相机，在可见光下分别采集有色丝俯视和正视的RGB图像。
采用DNN语义分割的方式来识别分割图像中的目标。该DNN网络的相关内容如下：
使用的数据集为正视和俯视采集的有色丝图像数据集，有色丝的样式为多种多样的；
需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于有色丝的标注为1；
网络的任务是分类，所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘，得到的图像中只含有有色丝的图像，去除了背景的干扰。
至此，得到了两幅语义分割后的有色丝RGB图像。
102、对有色丝图像进行边缘检测得到各个边缘，采用PCA算法得到每条边缘的主方向；
通过Canny边缘检测对有色丝图像中的边缘信息进行检测，经过检测得到的边缘信息中同时包含有色丝边缘信息和毛丝边缘信息，有色丝存在边缘纹理，同时毛丝纹理也可以通过边缘检测检测到。
获取每条边缘上像素点的坐标，利用PCA算法获得这些数据的主成分方向，可获得K个主成分方向，每个主成分方向都是一个2维的单位向量，每个主成分方向对应一个特征值。获取特征值最大的主成分方向，将其称为边缘主方向，表示这些数据投影方差最大的方向，即这些数据的主要分布方向。
103、根据每条边缘的主方向对所有边缘进行排序，对排序后的所有边缘进行多阈值分割，得到不同边缘所属的类别；
通过主成分分析计算得到了每条边缘的主方向，对得到的所有边缘的主方向序列进行顺序排列，即按照主方向从小到大的顺序进行排列，对顺序排列的数据进行多阈值分割。
对得到的顺序排列数据通过otsu多阈值分割（根据费歇尔准则，利用类间方差最大，类内方差最小的原则对数据进行多阈值分割）得到不同的类别，使得主方向相近的边缘成为同一个类别。
104、计算每条边缘的方向链码，通过每条边缘方向链码的标准差与该边缘方向链码的平均值及该边缘所在边缘类别中的边缘数量的比值得到该边缘的候选毛丝概率；
将边缘划分到不同类别后，对不同边缘类别中的边缘数量进行统计，进而得到不同类别为毛丝的概率
Figure 75921DEST_PATH_IMAGE003
。
Figure 250550DEST_PATH_IMAGE003
的计算公式如下：
Figure 975930DEST_PATH_IMAGE012
式中：
Figure 236010DEST_PATH_IMAGE003
表示边缘类别中每条边缘为疑似候选毛丝的概率，
Figure 721349DEST_PATH_IMAGE004
表示第
Figure 750485DEST_PATH_IMAGE005
个边缘类别中的边缘数量。相似性的边缘数量越少，该边缘为毛丝的概率越大。
对有色丝图像进行边缘检测得到的边缘中，一般情况下，有色丝边缘多，毛丝边缘少；同时有色丝边缘的相似性大，而毛丝相似性少；根据前述特性可以说明，相似的边缘数量越少，该边缘为毛丝的概率越大。
毛丝的方向链码序列的波动程度大，有色丝的方向链码序列的波动程度小。
计算不同边缘（线）的方向链码，方向链码对应方向的值如图2所示，图2只是一个示意图，图2中的方向值应该有360个。选择每条边缘（线）位于左上角的点作为链码的起始点。
毛丝边缘的随机性较大，毛丝的卷曲度较大，体现在方向链码上即方向链码的离散性较大，选择离散系数作为不同边缘为疑似候选毛丝的概率，离散系数即疑似候选毛丝概率p2的计算公式如下：
Figure 177924DEST_PATH_IMAGE007
式中：
Figure 659721DEST_PATH_IMAGE008
表示边缘为疑似候选毛丝的概率，
Figure 807806DEST_PATH_IMAGE009
表示边缘方向链码的标准差，
Figure 832393DEST_PATH_IMAGE010
表示边缘方向链码的平均值。
上述公式中每条边缘方向链码的标准差和平均值均是通过每条边缘方向链码中对应的所有角度得到的。例如，一条边缘的方向链码表示为607（设定0-7个方向值，0对应的是0度方向，1对应的是45度方向，6对应270度方向，7对应315度方向），方向链码607对应的角度分别为270、0、315。分别求该组数据270、0、315的标准差和平均值，即为该边缘方向链码607的标准差和平均值。
毛丝有两个特性，第一个就是方向相似性的数量越少，对应p1，p1越大，对应边缘为毛丝的概率越大。第二个就是毛丝边缘线的随机性或卷曲度，对应p2，p2越大，对应边缘为毛丝的概率越大。
计算得到候选毛丝概率p的公式如下：
Figure 40521DEST_PATH_IMAGE014
式中：
Figure DEST_PATH_IMAGE015
表示边缘为候选毛丝的概率，
Figure 665406DEST_PATH_IMAGE003
表示类别概率，
Figure 492548DEST_PATH_IMAGE008
表示边缘概率。
105、利用各边缘的候选毛丝概率对每条边缘是否属于毛丝进行判断，得到候选毛丝；
选择
Figure 496276DEST_PATH_IMAGE015
大于0.9的边缘保留下来，作为毛丝的候选边缘，至此，得到了边缘集2。
106、通过每条候选毛丝边缘上像素点的灰度值得到每条候选毛丝边缘沿着链码方向的实际灰度值序列；
逻辑：有色丝和毛丝不位于同一个曲面上，受到的光照不同。
有色丝的色调颜色是一致的，即有色丝的本质颜色值一致，导致实际看到的有色丝不同位置的像素值不同是由于光照不均匀的原因。
由于有色丝的本质颜色是一样的，在均匀光照情况下，通过摄像头得到的影像上不同位置的像素值应该是相同的。但实际上由于有色丝所在的平面是一个曲面的原因，导致落在该曲面上的光照往往不均匀。
虽然光照的不均匀导致了实际的图像像素值与原始像素值产生了较大差异，但图像像素值的大小关系与光照强度的大小关系是相同的。因此可以用现在的实际像素值的大小表示每个位置的光照强度的大小。
获取每条边缘沿着链码方向的实际灰度值序列；
107、通过双线性插值法对每条候选毛丝上所有像素点的像素值进行虚拟填充，得到虚拟候选毛丝边缘；通过虚拟候选毛丝边缘上虚拟像素点的灰度值得到每条虚拟候选毛丝边缘沿着链码方向的虚拟灰度值序列；
获得边缘集2中每条边缘的边缘坐标，然后将边缘的像素信息置空，即认为每条边缘对应位置没有像素值，然后通过双线性插值的方法对没有像素值的像素点位置的像素值进行填充，通过填充得到了每条边缘沿着链码方向的虚拟灰度值序列。
108、通过每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的余弦相似度得到每条候选毛丝边缘的毛丝概率，通过每条候选毛丝边缘的毛丝概率对每条候选毛丝是否属于毛丝进行判断，利用获得的有色丝中的所有毛丝对设备进行控制。
获得了每条边缘沿着链码方向的虚拟灰度值序列，也得到了每条边缘沿着链码方向的实际灰度值序列，计算这两个序列的相似度，相似度越大，说明边缘光照分布越符合曲面（有色丝所在的曲面）的光照分布，则该边缘为毛丝的概率越小，相似度越小，该边缘为毛丝的概率越大。
计算虚拟灰度值序列时对没有像素值的像素点位置的像素值进行填充，是选择没有像素值像素点的周围像素点进行填充，该填充的周围像素点为非毛丝候选边缘的像素点，说明填充的像素点符合有色丝所在曲面的光照分布。
将虚拟灰度值序列和实际灰度值序列的余弦相似度作为相似度，得到概率q的计算公式如下：
Figure DEST_PATH_IMAGE017
式中：s表示虚拟灰度值序列和实际灰度值序列的余弦相似度，q表示边缘为毛丝的概率。选择q大于0.9的边缘作为毛丝。
对q大于0.9的边缘数量进行统计，得到两个视角的毛丝数量，与阈值（规定的毛丝数量最大值）比较，是否大于阈值，小于阈值说明有色丝的毛丝检测这一项合格，否则这项不合格，如果连续多件有色丝不合格，需要对生产机器进行检测，检测是否出现参数设置不当或机器出现问题，进而对毛丝数量进行控制。
本发明的有益效果是：本发明提出了一种有色丝毛丝智能识别方法，该方法是一种利用光学手段，具体是利用可见光手段采集可见光图像以此测试或分析材料的方法，通过图像处理的方法，结合毛丝缺陷的特征对有色丝的毛丝进行分析、检测，该方法检测速度快，精度较高，适用范围广，可以适用于较复杂的工厂环境的检测。
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 (8)

1.一种有色丝毛丝智能识别方法，其特征在于，包括：
获取有色丝图像；
对有色丝图像进行边缘检测得到各个边缘，采用PCA算法得到每条边缘的主方向；
根据每条边缘的主方向对所有边缘进行排序，对排序后的所有边缘进行多阈值分割，得到不同边缘所属的类别；
计算每条边缘的方向链码，通过每条边缘方向链码的标准差与该边缘方向链码的平均值及该边缘所在边缘类别中的边缘数量的比值得到该边缘的候选毛丝概率；
利用各边缘的候选毛丝概率对每条边缘是否属于毛丝进行判断，得到候选毛丝；
通过每条候选毛丝边缘上像素点的灰度值得到每条候选毛丝边缘沿着链码方向的实际灰度值序列；
通过双线性插值法对每条候选毛丝上所有像素点的像素值进行虚拟填充，得到虚拟候选毛丝边缘；通过虚拟候选毛丝边缘上虚拟像素点的灰度值得到每条虚拟候选毛丝边缘沿着链码方向的虚拟灰度值序列；
通过每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的余弦相似度得到每条候选毛丝边缘的毛丝概率，通过每条候选毛丝边缘的毛丝概率对每条候选毛丝是否属于毛丝进行判断，利用获得的有色丝中的所有毛丝对设备进行控制。
2.根据权利要求1所述的一种有色丝毛丝智能识别方法，其特征在于，获得边缘的候选毛丝概率的方法为：
通过每个边缘类别中的边缘数量得到该边缘类别中每条边缘的疑似候选毛丝概率；
通过每条边缘方向链码的标准差和平均值得到该边缘的疑似候选毛丝概率；
通过每条边缘的疑似候选毛丝概率和对应的边缘类别中该边缘的疑似候选毛丝概率得到该边缘的候选毛丝概率。
3.根据权利要求2所述的一种有色丝毛丝智能识别方法，其特征在于，边缘类别中每条边缘的疑似候选毛丝概率的表达式为：
Figure 844787DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
表示边缘类别中每条边缘的疑似候选毛丝概率，
Figure 707701DEST_PATH_IMAGE004
表示第
Figure DEST_PATH_IMAGE005
个边缘类别中的边缘数量。
4.根据权利要求2所述的一种有色丝毛丝智能识别方法，其特征在于，边缘的疑似候选毛丝概率的表达式为：
Figure DEST_PATH_IMAGE007
式中：
Figure 915697DEST_PATH_IMAGE008
表示边缘的疑似候选毛丝概率，
Figure DEST_PATH_IMAGE009
表示边缘方向链码的标准差，
Figure 914877DEST_PATH_IMAGE010
表示边缘方向链码的平均值。
5.根据权利要求1所述的一种有色丝毛丝智能识别方法，其特征在于，得到候选毛丝的方法为：
若边缘的候选毛丝概率小于或等于候选毛丝概率阈值，判断该边缘不是候选毛丝；若边缘的候选毛丝概率大于候选毛丝概率阈值，判断该边缘为候选毛丝。
6.根据权利要求1所述的一种有色丝毛丝智能识别方法，其特征在于，得到每条候选毛丝边缘的毛丝概率的方法为：
通过每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的余弦相似度得到每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的相似度；
通过对每条候选毛丝边缘的实际灰度值序列和对应的虚拟灰度值序列的相似度求倒数得到每条候选毛丝边缘的毛丝概率。
7.根据权利要求1所述的一种有色丝毛丝智能识别方法，其特征在于，通过每条候选毛丝边缘的毛丝概率对每条候选毛丝是否属于毛丝进行判断的方法为：
若候选毛丝边缘的毛丝概率小于或等于毛丝概率阈值时，判断该候选毛丝边缘不是毛丝；
若候选毛丝边缘的毛丝概率大于毛丝概率阈值时，判断该候选毛丝边缘是毛丝。
8.根据权利要求1所述的一种有色丝毛丝智能识别方法，其特征在于，得到每条边缘的主方向的方法为：
根据每条边缘上的像素点坐标，采用PCA算法获取每条边缘上像素点的所有主成分方向中特征值最大的主成分方向作为每条边缘的主方向。
CN202211246422.8A 2022-10-12 2022-10-12 一种有色丝毛丝智能识别方法 Pending CN115311297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211246422.8A CN115311297A (zh) 2022-10-12 2022-10-12 一种有色丝毛丝智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211246422.8A CN115311297A (zh) 2022-10-12 2022-10-12 一种有色丝毛丝智能识别方法

Publications (1)

Publication Number Publication Date
CN115311297A true CN115311297A (zh) 2022-11-08

Family

ID=83868303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211246422.8A Pending CN115311297A (zh) 2022-10-12 2022-10-12 一种有色丝毛丝智能识别方法

Country Status (1)

Country Link
CN (1) CN115311297A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120257822A1 (en) * 2011-04-06 2012-10-11 Fuji Xerox Co., Ltd. Image processing apparatus, image processing method, and computer readable medium
CN111507942A (zh) * 2020-03-27 2020-08-07 江苏恒力化纤股份有限公司 一种基于多视角图像分析的化纤长丝毛丝检测装置与方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120257822A1 (en) * 2011-04-06 2012-10-11 Fuji Xerox Co., Ltd. Image processing apparatus, image processing method, and computer readable medium
CN111507942A (zh) * 2020-03-27 2020-08-07 江苏恒力化纤股份有限公司 一种基于多视角图像分析的化纤长丝毛丝检测装置与方法

Similar Documents

Publication Publication Date Title
CN115351598B (zh) 一种数控机床轴承检测方法
CN109829914B (zh) 检测产品缺陷的方法和装置
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN114820627B (zh) 一种基于光学手段的纺织品质量检测方法
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN116611748B (zh) 一种钛合金家具生产质量监控系统
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
Fekri-Ershad et al. A robust approach for surface defect detection based on one dimensional local binary patterns
CN115222709A (zh) 一种基于人工智能的拉链布带缺陷检测方法
CN115311503B (zh) 一种纤维分类方法、系统、计算机装置和介质
CN115294116A (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
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
CN114519696A (zh) 基于光学智能化的pvc热收缩膜检测方法及系统
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
Tajeripour et al. Defect detection in patterned fabrics using modified local binary patterns
Tolba et al. A self-organizing feature map for automated visual inspection of textile products
Shuo et al. Digital recognition of electric meter with deep learning
CN115311297A (zh) 一种有色丝毛丝智能识别方法
CN116109577A (zh) 一种印刷标签缺陷检测系统及方法
Talab et al. Fabric classification using new mapping of local binary pattern
CN102214307B (zh) 图像匹配方法

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