CN115861722A - 一种面料砂洗工艺异常检测方法及系统 - Google Patents
一种面料砂洗工艺异常检测方法及系统 Download PDFInfo
- Publication number
- CN115861722A CN115861722A CN202310190880.2A CN202310190880A CN115861722A CN 115861722 A CN115861722 A CN 115861722A CN 202310190880 A CN202310190880 A CN 202310190880A CN 115861722 A CN115861722 A CN 115861722A
- Authority
- CN
- China
- Prior art keywords
- fabric
- image
- coordinate
- detected
- fluff
- 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.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 142
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 239000004576 sand Substances 0.000 title claims abstract description 37
- 238000005406 washing Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 139
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 235000019353 potassium silicate Nutrition 0.000 claims abstract description 8
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000037303 wrinkles Effects 0.000 claims abstract description 8
- 239000004902 Softening Agent Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种面料砂洗工艺异常检测方法及系统；一种面料砂洗工艺异常检测方法，包括如下步骤：S1：获取待测面料的全局图像；S2：将全局图像进行灰度化处理；S3：进行二值化处理；S4：生成异常区域坐标信息；S5：分割出异常区域图像；S6分类成砂洗痕异常、水玻璃皱异常和柔软剂渍斑异常。本系统包括：全局图像获取模块、垂直绒毛检测模块、全局图像处理模块、异常区域坐标信息生成模块、异常区域图像生成模块、分类模块。本发明可避免直接将包含大量正常区域的全局图像直接送入深度学习模型进行检测分类，减少对正常的面料区域特征提取的计算，进而减少了检测时间，提升检测效率。
Description
技术领域
本发明涉及服饰面料检测领域，更具体的说，它涉及一种面料砂洗工艺异常检测方法及系统。
背景技术
服饰砂洗工艺即起绒，在化学试剂和物理作用下将丝纤维进行膨化，表面丝纤维断裂形成绒毛，人们采用此方式来将面料进行做旧，使得制得面料具有浓重的怀旧感。在目前对面料的砂洗工艺中，对经过砂洗工艺的面料进行异常检测是非常重要的一环，包括对面料绒毛的检测、白条的检测和色相异常的检测。但是传统的工厂中，对面料进行异常检测通常是人工进行，这种检测方式及其耗费人力，且效率不高，有一些新型工厂也会采用机器视觉的方法对面料进行异常检测，但是在检测过程中，一般是将面料的整张图输入深度学习模型进行检测分类，这种方式中，由于面料的整张图中大部分还是正常面料区域，直接输入深度学习模型，正常面料区域放入特征提取会耗费大量时间，并且对检测结果是没有正向作用的。
发明内容
本发明提供一种面料砂洗工艺异常检测方法及系统，通过根据异常区域坐标信息在全局图像中分割出异常区域图像，对异常区域图像进行异常类型分类，避免直接将包含大量正常区域的全局图像直接送入深度学习模型进行检测分类，减少对正常的面料区域特征提取的计算，进而减少了检测时间，提升检测效率。
一种面料砂洗工艺异常检测方法，包括如下步骤：
S1：获取待测面料的全局图像，其中待测面料为非白色纯色面料；
S2：将全局图像进行灰度化处理，得到待测面料灰度图像；
S3：将待测面料灰度图像进行二值化处理，得到待测面料二值图像；
S4：遍历待测面料二值图像，当像素点灰度值为255时，以灰度值为255的像素点作为基准点遍历周围的像素点，生成异常区域坐标信息；
S5：将异常区域坐标信息映射至全局图像，分割出异常区域图像；
S6：将异常区域图像送入至训练好的深度学习模型，分类成砂洗痕异常、水玻璃皱异常和柔软剂渍斑异常。
作为本发明的一个优选，所述步骤S4中，以灰度值为255的像素点作为基准点遍历周围的像素点，生成异常区域坐标信息包括如下步骤：
T1：建立二值图像坐标集合，二值图像坐标集合初始为空，以待测面料二值图像左上角坐标为起点，从左至右，从上至下将待测面料二值图像中像素点坐标逐个存入二值图像坐标集合δ中；
T2：令k=1，k用于作为编号从二值图像坐标集合δ中选择像素点坐标；
T3：从二值图像坐标集合δ选择第k个元素，将第k个元素对应的像素点坐标记为(i，j)，根据坐标(i，j)从待测面料二值图像中获取坐标(i，j)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，进入T5；若“Gs=255”不成立，进入T4；
T4：获取此时二值图像坐标集合δ中元素的总个数Q，判断“k小于Q”是否成立，若“k小于Q”成立，将k+1赋值给k，回到T3；若“k小于Q”不成立，无操作；
T5：将坐标(i，j)存入异常区域坐标集合ε中，并以此坐标(i，j)作为基准点，进入T6；
T6：令m=1，m用于编号遍历坐标(i，j)周围的像素点；
T7：获取当前异常区域坐标集合ε内部的元素总个数H1，从待测面料二值图像中获取坐标(i+m，j)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，将坐标(i+m，j)存入异常区域坐标集合ε中，进入T8；若“Gs=255”不成立，进入T8；
T8：令a=1，a用于作为编号遍历坐标(i，j)周围的像素点；
T9：从待测面料二值图像中获取坐标(i+m，j+a)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，将坐标(i+m，j+a)存入异常区域坐标集合ε中，进入T10；若“Gs=255”不成立，进入T10；
T10：判断“a小于m”是否成立，若“a小于m”成立，将a+1赋值给a，回到T9；若“a小于m”不成立，进入T11；
T11：令b=1，b用于作为编号遍历坐标(i，j)周围的像素点；
T12：从待测面料二值图像中获取坐标(i+m-b，j+a)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，将坐标(i+m-b，j+a)存入异常区域坐标集合ε中，进入T13；若“Gs=255”不成立，进入T13；
T13：判断“m-b>-m”是否成立，若“m-b>-m”成立，将b+1赋值给b，回到T12；若“m-b>-m”不成立，进入T14；
T14：获取当前异常区域坐标集合ε内部的元素总个数H2，判断“H1=H2”是否成立，若“H1=H2”不成立，将m+1赋值给m，回到T7；若“H1=H2”成立，进入T15；
T15：获取异常区域坐标集合ε，遍历异常区域坐标集合ε，获取异常区域坐标集合ε中所有坐标点中x轴坐标的最大值，记为xmax，获取异常区域坐标集合ε中所有坐标点中x轴坐标的最小值，记为xmin，获取异常区域坐标集合ε中所有坐标点中y轴坐标的最大值，记为ymax，获取异常区域坐标集合ε中所有坐标点中y轴坐标的最小值，记为ymin，以左上角坐标(xmax，ymax)和右下角坐标(xmin，ymin)为矩形框，选择矩形框内部所有的坐标存入矩形框坐标集合ω中，矩形框坐标集合ω内部的坐标信息即为异常区域坐标信息，输出异常区域坐标信息；
T16：遍历二值图像坐标集合δ，将二值图像坐标集合δ内部坐标逐一和矩形框坐标集合ω内的坐标进行匹配，若匹配成功，将二值图像坐标集合δ内部匹配成功对应的坐标进行删除，否则，继续遍历二值图像坐标集合δ，当遍历完二值图像坐标集合δ内的所有坐标，进入T17；
T17：获取此时二值图像坐标集合δ中元素的总个数Q，判断“k小于Q”是否成立，若“k小于Q”成立，回到T3；若“k小于Q”不成立，无操作。
作为本发明的一个优选，所述步骤S6中，深度学习模型的训练方法包括如下步骤：获取提供做好分类标记的异常区域图像，其中分类标记为砂洗痕异常标记、水玻璃皱异常标记和柔软剂渍斑异常标记；将做好分类标记的异常区域图像送入初始化的深度学习模型进行目标分类，将分类结果与该异常区域图像对应的分类标记进行交叉熵损失函数计算，若计算出的损失函数值在预设范围内，对深度学习模型的训练完成；若计算出的损失函数值不在预设范围内，反馈调整深度学习模型内部参数，进行迭代计算。
作为本发明的一个优选，还包括位于步骤S1之后，步骤S2之前的：对待测面料的绒毛是否均匀进行检测的步骤，具体包括：
D1：获取待测面料的垂直绒毛图像，垂直绒毛图像的获取具体步骤如下：将待测面料进行铺平，并通过传送带将待测面料以固定速率进行移动，期间以与待测面料同种颜色的塑料板作为背景板，并进行光源补充，通过高清摄像头在待测面料的前进方向的侧边进行拍照，即得垂直绒毛图像；
D2：对垂直绒毛图像依次进行灰度处理和二值化处理，得到垂直绒毛二值化图像；
D3：获取垂直绒毛二值化图像，计算绒毛率μ=P1/P2，其中P1为垂直绒毛二值化图像中灰度值为255的像素点个数，P2为垂直绒毛二值化图像中像素点总个数；
D4：判断“(μ-ζ)/ζ≤f”是否成立，其中ζ为该待测面料对应的标准绒毛率, f为绒毛率波动阈值；若“(μ-ζ)/ζ≤f”成立，进入D5；若“(μ-ζ)/ζ≤f”不成立，进入D6；
D5：间隔预设时间t1再次获取待测面料的垂直绒毛图像，预设时间t1由待测面料移动的固定速率决定，回到D2；
D6：停止移动待测面料，并且上传异常信息。
作为本发明的一个优选，所述步骤D2中，对经过灰度处理的垂直绒毛图像进行二值化处理包括如下步骤：遍历经过灰度处理的垂直绒毛图像，当对应像素点对应的灰度值低于灰度值阈值，将此像素点对应的灰度值修改为255；当对应像素点对应的灰度值高于灰度值阈值时，将此像素点对应的灰度值修改为0。
作为本发明的一个优选，所述深度学习模型采用CNN算法。
一种面料砂洗工艺异常检测系统，包括：
全局图像获取模块，用于获取待测面料的全局图像；
垂直绒毛检测模块，用于检测待测面料的绒毛是否均匀;
全局图像处理模块，用于对全局图像依次进行灰度化处理和二值化处理；
异常区域坐标信息生成模块，用于根据待测面料二值图像生成异常区域坐标信息；
异常区域图像生成模块，用于将异常区域坐标信息映射至全局图像，分割出异常区域图像；
分类模块，用于将异常区域图像送入至训练好的深度学习模型，对异常区域图像进行分类。
作为本发明的一个优选，垂直绒毛检测模块包括：
垂直绒毛图像获取单元，用于获取待测面料的垂直绒毛图像；
垂直绒毛图像处理单元，用于对垂直绒毛图像进行灰度处理和二值化处理；
绒毛率检测单元，用于判断待测面料的绒毛率是否偏离标准绒毛率，并根据判断结果上传异常信息。
本发明具有以下优点：
1、本发明通过根据异常区域坐标信息在全局图像中分割出异常区域图像，对异常区域图像进行异常类型分类，避免直接将包含大量正常区域的全局图像直接送入深度学习模型进行检测分类，减少对正常的面料区域特征提取的计算，进而减少了检测时间，提升检测效率。
2、本发明通过查找二值图像坐标集合δ中灰度值为255的像素点，并以此像素点为基准点对周围像素点进行遍历查找，找到成片的白色痕迹对应的像素点，并基于此生成异常区域坐标信息，使得后续分割出的异常区域图像包含的异常区域占大部分范围，方便后续进行目标检测分析。
3、本发明通过对面料的绒毛率进行检测，当面料的绒毛率偏离标准绒毛率时，上传异常信息，提醒用户对砂洗工艺进行检查。
附图说明
图1为本发明实施例所采用的面料砂洗工艺异常检测系统的结构示意图。
图2为本发明实施例所采用的垂直绒毛检测模块的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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。
实施例1，一种面料砂洗工艺异常检测方法，包括如下步骤：
S1：获取待测面料的全局图像，待测面料为经过砂洗工艺的非白色纯色面料，并且人为将面料进行整理铺平，通过高清摄像头获取整个待测面料的全局图像。
S2：将全局图像进行灰度化处理，得到待测面料灰度图像，为了减少后续处理的计算量，需要将全局图像的三通道像素值进行统一，并且由于面料一般为同一种颜色，三通道中亮度最大的值最具有代表性，所以灰度化处理采用最大值法，对全局图像进行灰度化处理采用如下公式：
f(i，j)=max{R(i，j)，G(i，j)，B(i，j)}
其中，f(i，j)为待测面料灰度图像在坐标(i，j)的灰度值，R(i，j)为全局图像在坐标(i，j)的红色通道亮度值，G(i，j)为全局图像在坐标(i，j)的绿色通道亮度值，B(i，j)为全局图像在坐标(i，j)的蓝色通道亮度值。
S3：将待测面料灰度图像进行二值化处理，得到待测面料二值图像，当待测面料经过砂洗后，由于砂洗操作的不规范，会出现白色痕迹，称之为“灰伤”，通过对白色痕迹的判断，便能得到砂洗工艺中异常，为了方便对白色痕迹的检测，将待测面料灰度图像进行二值化处理，能够在减小计算量的同时突出白色痕迹的位置，在二值化处理过程中，当对应像素点灰度值为255时，说明此处为白色痕迹，不改变其灰度值；当对应像素点灰度值不为255时，将其灰度值替换为0。
S4：遍历待测面料二值图像，当像素点灰度值为255时，以灰度值为255的像素点作为基准点遍历周围的像素点，生成异常区域坐标信息；当面料出现白色痕迹时，往往是成块出现的，所以当出现对应灰度值为255的像素点时，可以期待的是周围必定有连续的灰度值为255的像素点，所以可以将灰度值为255的像素点作为基准点遍历周围的像素点，找到整片白色痕迹对应的坐标信息，即为异常区域坐标信息。
生成异常区域坐标信息的具体步骤如下：
T1：建立二值图像坐标集合，二值图像坐标集合初始为空，以待测面料二值图像左上角坐标为起点，从左至右，从上至下将待测面料二值图像中像素点坐标逐个存入二值图像坐标集合δ中，例如一个3×3的待测面料二值图像，这里只是作为一个举例说明，实际的待测面料二值图像比3×3大得多，其对应的二值图像坐标集合δ为{(1,1)，(1,2)，(1,3)，(2,1)，(2,2)，(2,3)，(3,1)，(3,2)，(3,3)}，其中(1,1)、(1,2)和(1,3)等都指的是像素点坐标。
T2：令k=1，k用于作为编号从二值图像坐标集合δ中选择像素点坐标。
T3：从二值图像坐标集合δ选择第k个元素，将第k个元素对应的像素点坐标记为(i，j)，根据坐标(i，j)从待测面料二值图像中获取坐标(i，j)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，说明坐标(i，j)对应的位置为白色痕迹处，坐标(i，j)对应的位置也有期望出现白色痕迹对应的坐标点，进入T5；若“Gs=255”不成立，说明坐标(i，j)对应的位置为正常区域，进入T4。
T4：获取此时二值图像坐标集合δ中元素的总个数Q，判断“k小于Q”是否成立，若“k小于Q”成立，说明还没查找完二值图像坐标集合δ内部所有的元素，将k+1赋值给k，回到T3；若“k小于Q”不成立，无操作。
T5：将坐标(i，j)存入异常区域坐标集合ε中，并以此坐标(i，j)作为基准点，进入T6。
T6：令m=1，m用于编号遍历坐标(i，j)周围的像素点。
T7：获取当前异常区域坐标集合ε内部的元素总个数H1，从待测面料二值图像中获取坐标(i+m，j)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，说明坐标(i+m，j)对应的位置为白色痕迹处，将坐标(i+m，j)存入异常区域坐标集合ε中，进入T8；若“Gs=255”不成立，说明坐标(i+m，j)对应的位置为正常区域，进入T8。
T8：令a=1，a用于作为编号遍历坐标(i，j)周围的像素点。
T9：从待测面料二值图像中获取坐标(i+m，j+a)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，说明坐标(i+m，j+a)对应的位置为白色痕迹处，将坐标(i+m，j+a)存入异常区域坐标集合ε中，进入T10；若“Gs=255”不成立，说明坐标(i+m，j+a)对应的位置为正常区域，进入T10。
T10：判断“a小于m”是否成立，若“a小于m”成立，将a+1赋值给a，回到T9；若“a小于m”不成立，进入T11。
T11：令b=1，b用于作为编号遍历坐标(i，j)周围的像素点。
T12：从待测面料二值图像中获取坐标(i+m-b，j+a)对应的灰度值Gs，判断“Gs=255”是否成立，若“Gs=255”成立，说明坐标(i+m-b，j+a)对应的位置为白色痕迹处，将坐标(i+m-b，j+a)存入异常区域坐标集合ε中，进入T13；若“Gs=255”不成立，说明坐标(i+m-b，j+a)对应的位置为正常区域，进入T13。
T13：判断“m-b>-m”是否成立，若“m-b>-m”成立，将b+1赋值给b，回到T12；若“m-b>-m”不成立，进入T14。
T14：获取当前异常区域坐标集合ε内部的元素总个数H2，判断“H1=H2”是否成立，若“H1=H2”不成立，说明以坐标(i，j)作为基准点的第m圈仍然还有白色痕迹的像素点存在，将m+1赋值给m，回到T7；若“H1=H2”成立，说明以坐标(i，j)作为基准点的第m圈无白色痕迹的像素点存在，进入T15。
T15：获取异常区域坐标集合ε，遍历异常区域坐标集合ε，获取异常区域坐标集合ε中所有坐标点中x轴坐标的最大值，记为xmax，获取异常区域坐标集合ε中所有坐标点中x轴坐标的最小值，记为xmin，获取异常区域坐标集合ε中所有坐标点中y轴坐标的最大值，记为ymax，获取异常区域坐标集合ε中所有坐标点中y轴坐标的最小值，记为ymin，以左上角坐标(xmax，ymax)和右下角坐标(xmin，ymin)为矩形框，选择矩形框内部所有的坐标存入矩形框坐标集合ω中，矩形框坐标集合ω内部的坐标信息即为异常区域坐标信息，输出异常区域坐标信息。
T16：遍历二值图像坐标集合δ，将二值图像坐标集合δ内部坐标逐一和矩形框坐标集合ω内的坐标进行匹配，若匹配成功，将二值图像坐标集合δ内部匹配成功对应的坐标进行删除，否则，继续遍历二值图像坐标集合δ，当遍历完二值图像坐标集合δ内的所有坐标，进入T17。
T17：获取此时二值图像坐标集合δ中元素的总个数Q，判断“k小于Q”是否成立，若“k小于Q”成立，说明还没查找完二值图像坐标集合δ内部所有的元素，回到T3；若“k小于Q”不成立，无操作。本发明通过查找二值图像坐标集合中灰度值为255的像素点，并以此像素点为基准点对周围像素点进行遍历查找，找到成片的白色痕迹对应的像素点，并基于此生成异常区域坐标信息，使得后续分割出的异常区域图像包含的异常区域占大部分范围，方便后续进行目标检测分析。
S5：将异常区域坐标信息映射至全局图像，分割出异常区域图像，在具体对面料的异常检测中，出现白色痕迹的区域大小占全局图像的比例是比较小的，其中大部分为正常的面料区域，如果直接将全局图像送入深度学习模型进行检测分类，其中正常的面料区域的特征提取会浪费大量算力，延长整个检测流程的时间，这在追求效率的工厂生产过程中是难以接受的，所以为了不将算力浪费在正常的面料区域上，根据异常区域坐标信息在全局图像中分割出异常区域图像，异常区域图像中白色痕迹的区域大小占比是比较大的，将异常区域图像送入深度学习模型进行检测分类，就可以减少算力的浪费。
S6：将异常区域图像送入至训练好的深度学习模型，分类成砂洗痕异常、水玻璃皱异常和柔软剂渍斑异常，其中砂洗痕异常为长短不一的白条，水玻璃皱为树枝状的白条，柔软剂渍斑为大小不一的圆斑，针对于不同的分类结果，可以说明不同的砂洗工艺异常，例如分类结果为柔软剂渍斑异常，说明此块面料经历的砂洗工艺中，柔软剂添加过量，根据异常区域图像可以说明砂洗工艺的异常。
本发明通过根据异常区域坐标信息在全局图像中分割出异常区域图像，对异常区域图像进行异常类型分类，避免直接将包含大量正常区域的全局图像直接送入深度学习模型进行检测分类，减少对正常的面料区域特征提取的计算，进而减少了检测时间，提升检测效率。
深度学习模型采用CNN算法，通过特征提取层和目标分类层实现对异常区域图像的分类，本方法采用的CNN算法为现有技术，在此不做赘述。
对深度学习模型的训练包括如下步骤：获取提供做好分类标记的异常区域图像，其中分类标记为砂洗痕异常标记、水玻璃皱异常标记和柔软剂渍斑异常标记；将做好分类标记的异常区域图像送入初始化的深度学习模型进行目标分类，将分类结果与该异常区域图像对应的分类标记进行交叉熵损失函数计算，若计算出的损失函数值在预设范围内，对深度学习模型的训练完成；若计算出的损失函数值不在预设范围内，反馈调整深度学习模型内部参数，进行迭代计算。
在对面料的砂洗工艺进行检测时，还有一个很重要的指标就是面料的绒毛是否均匀，绒毛不均匀时，说明砂洗工艺出现了异常，因此本方法还包括了对待测面料的绒毛是否均匀的检测，该步骤位于步骤S1之后，步骤S2之前，具体该骤包括如下：
D1：获取待测面料的垂直绒毛图像，垂直绒毛图像的获取具体步骤如下：将待测面料进行铺平，并通过传送带将待测面料以固定速率进行移动，固定速率由用户进行设定，期间以与待测面料同种颜色的塑料板作为背景板，并进行光源补充，通过高清摄像头在待测面料的前进方向的侧边进行拍照，即得垂直绒毛图像。
D2：对垂直绒毛图像依次进行灰度处理和二值化处理，得到垂直绒毛二值化图像，其中灰度处理仍然采用最大值法，而二值化处理采用如下方法：由用户提前设定灰度值阈值，遍历经过灰度处理的垂直绒毛图像，当对应像素点对应的灰度值低于灰度值阈值，将此像素点对应的灰度值修改为255；当对应像素点对应的灰度值高于灰度值阈值时，将此像素点对应的灰度值修改为0。
D3：获取垂直绒毛二值化图像，计算绒毛率μ=P1/P2，其中P1为垂直绒毛二值化图像中灰度值为255的像素点个数，P2为垂直绒毛二值化图像中像素点总个数。
D4：判断“(μ-ζ)/ζ≤f”是否成立，其中ζ为该待测面料对应的标准绒毛率，标准绒毛率由人工检测结果为标准的待测面料经过步骤D1-D3计算得到, f为绒毛率波动阈值，若“(μ-ζ)/ζ≤f”成立，说明垂直绒毛二值化图像对应的待测面料局部绒毛率是符合标准的，进入D5；若“(μ-ζ)/ζ≤f”不成立，说明垂直绒毛二值化图像对应的待测面料局部绒毛率是不符合标准的，待测面料的绒毛不均匀，进入D6。
D5：间隔预设时间t1再次获取待测面料的垂直绒毛图像，预设时间t1由待测面料移动的固定速率决定，并且由用户进行输入，回到D2。
D6：停止移动待测面料，并且上传异常信息。
本发明通过对面料的绒毛率进行检测，当面料的绒毛率偏离标准绒毛率时，上传异常信息，提醒用户对砂洗工艺进行检查。
实施例2，一种面料砂洗工艺异常检测系统，如图1所示，包括：
全局图像获取模块，用于获取待测面料的全局图像；
垂直绒毛检测模块，用于检测待测面料的绒毛是否均匀；
全局图像处理模块，用于对全局图像依次进行灰度化处理和二值化处理；
异常区域坐标信息生成模块，用于根据待测面料二值图像生成异常区域坐标信息；
异常区域图像生成模块，用于将异常区域坐标信息映射至全局图像，分割出异常区域图像；
分类模块，用于将异常区域图像送入至训练好的深度学习模型，对异常区域图像进行分类。
如图2所示，垂直绒毛检测模块包括：
垂直绒毛图像获取单元，用于获取待测面料的垂直绒毛图像；
垂直绒毛图像处理单元，用于对垂直绒毛图像进行灰度处理和二值化处理；
绒毛率检测单元，用于判断待测面料的绒毛率是否偏离标准绒毛率，并根据判断结果上传异常信息。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (7)
1.一种面料砂洗工艺异常检测方法，其特征在于，包括如下步骤：
S1：获取待测面料的全局图像，其中待测面料为非白色纯色面料；
S2：将全局图像进行灰度化处理，得到待测面料灰度图像；
S3：将待测面料灰度图像进行二值化处理，得到待测面料二值图像；
S4：遍历待测面料二值图像，当像素点灰度值为255时，以灰度值为255的像素点作为基准点遍历周围的像素点，生成异常区域坐标信息；包括如下步骤：
T1：建立二值图像坐标集合，二值图像坐标集合初始为空，以待测面料二值图像左上角坐标为起点，从左至右，从上至下将待测面料二值图像中像素点坐标逐个存入二值图像坐标集合δ中；
T2：令k=1，k用于作为编号从二值图像坐标集合δ中选择像素点坐标；
T3：从二值图像坐标集合δ选择第k个元素，将第k个元素对应的像素点坐标记为(i，j)，根据坐标(i，j)从待测面料二值图像中获取坐标(i，j)对应的灰度值Gs，判断“Gs=255”是否成立，若成立，进入T5，若不成立，进入T4；
T4：获取此时二值图像坐标集合δ中元素的总个数Q，判断“k小于Q”是否成立，若成立，将k+1赋值给k，回到T3；若不成立，无操作；
T5：将坐标(i，j)存入异常区域坐标集合ε中，并以此坐标(i，j)作为基准点，进入T6；
T6：令m=1，m用于编号遍历坐标(i，j)周围的像素点；
T7：获取当前异常区域坐标集合ε内部的元素总个数H1，从待测面料二值图像中获取坐标(i+m，j)对应的灰度值Gs，判断“Gs=255”是否成立，若成立，将坐标(i+m，j)存入异常区域坐标集合ε中，进入T8；若不成立，进入T8；
T8：令a=1，a用于作为编号遍历坐标(i，j)周围的像素点；
T9：从待测面料二值图像中获取坐标(i+m，j+a)对应的灰度值Gs，判断“Gs=255”是否成立，若成立，将坐标(i+m，j+a)存入异常区域坐标集合ε中，进入T10；若不成立，进入T10；
T10：判断“a小于m”是否成立，若成立，将a+1赋值给a，回到T9；若不成立，进入T11；
T11：令b=1，b用于作为编号遍历坐标(i，j)周围的像素点；
T12：从待测面料二值图像中获取坐标(i+m-b，j+a)对应的灰度值Gs，判断“Gs=255”是否成立，若成立，将坐标(i+m-b，j+a)存入异常区域坐标集合ε中，进入T13；若不成立，进入T13；
T13：判断“m-b>-m”是否成立，若成立，将b+1赋值给b，回到T12；若不成立，进入T14；
T14：获取当前异常区域坐标集合ε内部的元素总个数H2，判断“H1=H2”是否成立，若不成立，将m+1赋值给m，回到T7；若成立，进入T15；
T15：获取异常区域坐标集合ε，遍历异常区域坐标集合ε，获取异常区域坐标集合ε中所有坐标点中x轴坐标的最大值，记为xmax，获取异常区域坐标集合ε中所有坐标点中x轴坐标的最小值，记为xmin，获取异常区域坐标集合ε中所有坐标点中y轴坐标的最大值，记为ymax，获取异常区域坐标集合ε中所有坐标点中y轴坐标的最小值，记为ymin，以左上角坐标(xmax，ymax)和右下角坐标(xmin，ymin)为矩形框，选择矩形框内部所有的坐标存入矩形框坐标集合ω中，矩形框坐标集合ω内部的坐标信息即为异常区域坐标信息，输出异常区域坐标信息；
T16：遍历二值图像坐标集合δ，将二值图像坐标集合δ内部坐标逐一和矩形框坐标集合ω内的坐标进行匹配，若匹配成功，将二值图像坐标集合δ内部匹配成功对应的坐标进行删除，否则，继续遍历二值图像坐标集合δ，当遍历完二值图像坐标集合δ内的所有坐标，进入T17；
T17：获取此时二值图像坐标集合δ中元素的总个数Q，判断“k小于Q”是否成立，若成立，回到T3；若不成立，无操作；
S5：将异常区域坐标信息映射至全局图像，分割出异常区域图像；
S6：将异常区域图像送入至训练好的深度学习模型，分类成砂洗痕异常、水玻璃皱异常和柔软剂渍斑异常。
2.根据权利要求1所述的一种面料砂洗工艺异常检测方法，其特征在于，所述步骤S6中，深度学习模型的训练方法包括如下步骤：获取提供做好分类标记的异常区域图像，其中分类标记为砂洗痕异常标记、水玻璃皱异常标记和柔软剂渍斑异常标记；将做好分类标记的异常区域图像送入初始化的深度学习模型进行目标分类，将分类结果与该异常区域图像对应的分类标记进行交叉熵损失函数计算，若计算出的损失函数值在预设范围内，对深度学习模型的训练完成；若计算出的损失函数值不在预设范围内，反馈调整深度学习模型内部参数，进行迭代计算。
3.根据权利要求1所述的一种面料砂洗工艺异常检测方法，其特征在于，还包括位于步骤S1之后，步骤S2之前的：对待测面料的绒毛是否均匀进行检测的步骤，具体步骤包括：
D1：获取待测面料的垂直绒毛图像，垂直绒毛图像的获取具体步骤如下：将待测面料进行铺平，并通过传送带将待测面料以固定速率进行移动，期间以与待测面料同种颜色的塑料板作为背景板，并进行光源补充，通过高清摄像头在待测面料的前进方向的侧边进行拍照，即得垂直绒毛图像；
D2：对垂直绒毛图像依次进行灰度处理和二值化处理，得到垂直绒毛二值化图像；
D3：获取垂直绒毛二值化图像，计算绒毛率μ=P1/P2，其中P1为垂直绒毛二值化图像中灰度值为255的像素点个数，P2为垂直绒毛二值化图像中像素点总个数；
D4：判断“(μ-ζ)/ζ≤f”是否成立，其中ζ为该待测面料对应的标准绒毛率, f为绒毛率波动阈值；若“(μ-ζ)/ζ≤f”成立，进入D5；若“(μ-ζ)/ζ≤f”不成立，进入D6；
D5：间隔预设时间t1再次获取待测面料的垂直绒毛图像，预设时间t1由待测面料移动的固定速率决定，回到D2；
D6：停止移动待测面料，并且上传异常信息。
4.根据权利要求3所述的一种面料砂洗工艺异常检测方法，其特征在于，所述步骤D2中，对经过灰度处理的垂直绒毛图像进行二值化处理包括如下步骤：遍历经过灰度处理的垂直绒毛图像，当对应像素点对应的灰度值低于灰度值阈值，将此像素点对应的灰度值修改为255；当对应像素点对应的灰度值高于灰度值阈值时，将此像素点对应的灰度值修改为0。
5.根据权利要求1所述的一种面料砂洗工艺异常检测方法，其特征在于，所述深度学习模型采用CNN算法。
6.一种面料砂洗工艺异常检测系统，其特征在于，包括：
全局图像获取模块，用于获取待测面料的全局图像；
垂直绒毛检测模块，用于检测待测面料的绒毛是否均匀；
全局图像处理模块，用于对全局图像依次进行灰度化处理和二值化处理；
异常区域坐标信息生成模块，用于根据待测面料二值图像生成异常区域坐标信息；
异常区域图像生成模块，用于将异常区域坐标信息映射至全局图像，分割出异常区域图像；
分类模块，用于将异常区域图像送入至训练好的深度学习模型，对异常区域图像进行分类。
7.根据权利要求6所述的一种面料砂洗工艺异常检测系统，其特征在于，垂直绒毛检测模块包括：
垂直绒毛图像获取单元，用于获取待测面料的垂直绒毛图像；
垂直绒毛图像处理单元，用于对垂直绒毛图像进行灰度处理和二值化处理；
绒毛率检测单元，用于判断待测面料的绒毛率是否偏离标准绒毛率，并根据判断结果上传异常信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310190880.2A CN115861722B (zh) | 2023-03-02 | 2023-03-02 | 一种面料砂洗工艺异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310190880.2A CN115861722B (zh) | 2023-03-02 | 2023-03-02 | 一种面料砂洗工艺异常检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861722A true CN115861722A (zh) | 2023-03-28 |
| CN115861722B CN115861722B (zh) | 2023-07-25 |
Family
ID=85659688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310190880.2A Active CN115861722B (zh) | 2023-03-02 | 2023-03-02 | 一种面料砂洗工艺异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861722B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
| CN111578850A (zh) * | 2020-04-30 | 2020-08-25 | 西安工程大学 | 一种视觉测量起绒织物厚度的测量方法 |
| CN112330621A (zh) * | 2020-10-30 | 2021-02-05 | 康键信息技术（深圳）有限公司 | 基于人工智能的对皮肤图像进行异常分类的方法和装置 |
| CN112783442A (zh) * | 2021-01-15 | 2021-05-11 | 苏州浪潮智能科技有限公司 | 一种连续坏块的检测方法、系统、存储介质及设备 |
| CN113379703A (zh) * | 2021-06-08 | 2021-09-10 | 西安理工大学 | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 |
| CN113874571A (zh) * | 2019-06-20 | 2021-12-31 | 范德威尔公司 | 具有检测成绒变化的装置和方法的织机 |
| CN114332081A (zh) * | 2022-03-07 | 2022-04-12 | 泗水县亿佳纺织厂 | 基于图像处理的纺织品表面异常判定方法 |
| CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
| CN114757908A (zh) * | 2022-04-12 | 2022-07-15 | 平安国际智慧城市科技股份有限公司 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
| CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
-
2023
- 2023-03-02 CN CN202310190880.2A patent/CN115861722B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
| CN113874571A (zh) * | 2019-06-20 | 2021-12-31 | 范德威尔公司 | 具有检测成绒变化的装置和方法的织机 |
| CN111578850A (zh) * | 2020-04-30 | 2020-08-25 | 西安工程大学 | 一种视觉测量起绒织物厚度的测量方法 |
| CN112330621A (zh) * | 2020-10-30 | 2021-02-05 | 康键信息技术（深圳）有限公司 | 基于人工智能的对皮肤图像进行异常分类的方法和装置 |
| CN112783442A (zh) * | 2021-01-15 | 2021-05-11 | 苏州浪潮智能科技有限公司 | 一种连续坏块的检测方法、系统、存储介质及设备 |
| CN113379703A (zh) * | 2021-06-08 | 2021-09-10 | 西安理工大学 | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 |
| CN114332081A (zh) * | 2022-03-07 | 2022-04-12 | 泗水县亿佳纺织厂 | 基于图像处理的纺织品表面异常判定方法 |
| CN114757908A (zh) * | 2022-04-12 | 2022-07-15 | 平安国际智慧城市科技股份有限公司 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
| CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
| CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115861722B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN108827316B (zh) | 基于改进的Apriltag标签的移动机器人视觉定位方法 | |
| CN104239909B (zh) | 一种图像的识别方法和装置 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| CN110390677B (zh) | 一种基于滑动自匹配的缺陷定位方法及系统 | |
| CN114782562A (zh) | 基于数据识别的服装布料浸染监测方法及人工智能系统 | |
| CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
| CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
| CN109242858B (zh) | 基于自适应模板匹配的织物印花循环图案基元分割方法 | |
| CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| CN110567969B (zh) | 用于织物缺陷检测的图像识别方法及其系统 | |
| CN111062934B (zh) | 一种织物图像缺陷实时检测方法 | |
| CN113034464B (zh) | 一种多背景下的液晶显示器缺陷视觉实时检测方法 | |
| CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
| CN114581824A (zh) | 一种基于视频检测技术的分拣中心异常行为的识别方法 | |
| CN109583306B (zh) | 一种基于机器视觉的纱管残留纱线检测方法 | |
| CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及系统 | |
| CN106951902B (zh) | 一种图像二值化处理方法及装置 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231228 Address after: 102600 Daxing Industrial Development Zone, Beijing Patentee after: Tengshi industry and Trade Development Co.,Ltd. Address before: B4-2701, Hengtian Fashion Center, No. 1566 Ganjiang South Avenue, Honggutan District, Nanchang City, Jiangxi Province, 330000 Patentee before: Nanchang Zhongjia Enterprise Service Technology Co.,Ltd. Effective date of registration: 20231228 Address after: B4-2701, Hengtian Fashion Center, No. 1566 Ganjiang South Avenue, Honggutan District, Nanchang City, Jiangxi Province, 330000 Patentee after: Nanchang Zhongjia Enterprise Service Technology Co.,Ltd. Address before: No. 103, Lihuzhong Avenue, Xiangtang Economic Development Zone, Nanchang City, Jiangxi Province, 330000 Patentee before: JIANGXI INSTITUTE OF FASHION TECHNOLOGY |