CN116593486B - 一种布料瑕疵智能检测方法及其相关设备 - Google Patents
一种布料瑕疵智能检测方法及其相关设备 Download PDFInfo
- Publication number
- CN116593486B CN116593486B CN202310881554.6A CN202310881554A CN116593486B CN 116593486 B CN116593486 B CN 116593486B CN 202310881554 A CN202310881554 A CN 202310881554A CN 116593486 B CN116593486 B CN 116593486B
- Authority
- CN
- China
- Prior art keywords
- flaw
- cloth
- detection
- point
- area
- 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
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 374
- 238000001514 detection method Methods 0.000 title claims abstract description 245
- 230000002950 deficient Effects 0.000 claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000003703 image analysis method Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims description 94
- 238000009826 distribution Methods 0.000 claims description 28
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 10
- 238000004804 winding Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000013024 troubleshooting Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000003825 pressing Methods 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007648 laser printing Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
- G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Textile Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Wood Science & Technology (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请属于布料检测技术领域,公开了一种布料瑕疵智能检测方法及其相关设备,方法包括实时获取布料的表面图像;基于图像分析方法对所述表面图像进行检测,以获取所述布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为所述布料的瑕疵信息的一部分;根据所述瑕疵点的所述瑕疵点位置和对应的所述瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为所述布料的瑕疵信息的一部分;在布料收卷完成后,生成与所述瑕疵信息关联的标识码并设置在对应的布料卷上;从而有利于用户便捷地获取布料卷的瑕疵信息,无需用户自行检测获取布料卷的瑕疵信息。
Description
技术领域
本申请涉及布料检测技术领域,具体而言,涉及一种布料瑕疵智能检测方法及其相关设备。
背景技术
布料在完成生产后会收卷成布料卷进行存储和运输,在出厂前,一般需要对布料表面质量进行检测,只有当布料卷包含的瑕疵点的数量不超过允许范围,该布料卷才被认定为合格品从而允许出厂。因此,用户购买得到的布料卷有时候会有少量的瑕疵点,而生产厂家检测得到的瑕疵信息通常仅记录在厂家生产管理系统内部,用户通常需要自己再次进行检测或从厂家处请求获取才能得到所购买的布料的瑕疵信息,从而根据瑕疵信息对布料进行裁剪,以避免把有瑕疵的部分用于纺织产品的生产,因此,用户获取布料瑕疵信息不方便。有时候,当布料的某个局部片段有少量分散的瑕疵点时,通过合适的裁剪,该局部片段依然可以被利用,但当某局部片段中的瑕疵点分布过于密集则一般不可利用,然而直接从厂家得到的瑕疵信息一般仅包含各个瑕疵点的位置和瑕疵类型等信息,用户在获取到瑕疵信息后还需要自行分析瑕疵点所在位置的局部片段是否可用,不利于提高生产效率。
发明内容
本申请的目的在于提供一种布料瑕疵智能检测方法及其相关设备,有利于用户便捷地获取布料卷的瑕疵信息并有利于用户节省分析瑕疵点所在位置的局部片段是否可用的时间。
第一方面,本申请提供了一种布料瑕疵智能检测方法,用于在出厂前进行布料收卷的过程中对所述布料进行瑕疵检测,包括步骤:
A1.实时获取布料的表面图像;
A2.基于图像分析方法对所述表面图像进行检测,以获取所述布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为所述布料的瑕疵信息的一部分;
A3.根据所述瑕疵点的所述瑕疵点位置和对应的所述瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为所述布料的瑕疵信息的一部分;
A4.在布料收卷完成后,生成与所述瑕疵信息关联的标识码并设置在对应的布料卷上。
在出厂前进行布料收卷时,对布料进行瑕疵检测得到布料卷的的瑕疵点的瑕疵点位置和对应的瑕疵类型以及不良段的不良段位置等瑕疵信息,并生成与该瑕疵信息关联的标识码设置在收卷好的布料卷上,从而,当用户购买并使用该布料卷时,通过识别标识码可直接提取到该布料卷的瑕疵信息,因此,有利于用户便捷地获取布料卷的瑕疵信息,无需用户自行检测获取布料卷的瑕疵信息,用户可以直接根据瑕疵信息中的不良段位置裁掉不良段,而无需自行分析瑕疵点所在位置的局部片段是否可用,有利于用户生产效率的提高。
优选地,步骤A3包括:
A301.分别用当前时刻检测到的各所述瑕疵点作为第二参考点,并用以所述第二参考点为终点的第二预设长度的布料段作为检测段,用所述检测段内的瑕疵点作为检测点;
A302.根据各所述检测点的所述瑕疵点位置和所述瑕疵类型确定对应的影响区域;
A303.根据各所述检测段的所述影响区域的总面积在对应所述检测段的面积的占比,判断各所述检测段是否为所述不良段;
A304.若存在不良段,则提取所述不良段的位置,作为所述布料的瑕疵信息的一部分。
优选地,步骤A302包括:
根据所述检测点的所述瑕疵类型确定对应的影响区域的形状尺寸;
根据所述检测点的所述瑕疵点位置确定对应的影响区域的中心点位置。
优选地,步骤A2包括:
A201.把所述表面图像输入预先训练好的瑕疵识别模型,获取瑕疵点在所述表面图像中的第一位置信息和对应的瑕疵类型;
A202.获取所述布料的前进距离,并根据所述第一位置信息和所述前进距离计算所述瑕疵点的所述瑕疵点位置。
通过获取瑕疵点的位置和瑕疵类型,有利于用户根据瑕疵信息快速确定瑕疵点的位置和判断对应的瑕疵是否影响使用。
可选地,步骤A202之后,还包括:
A203.在所述布料上对所述瑕疵点进行自动标记。
通过识别标识码来提取瑕疵信息,是需要使用相应的识别设备进行操作的,有时候,用户可能不具有相应的设备或不便于使用对应的设备,也可以直接通过布料上的标记得到瑕疵信息。
可选地,步骤A202之后,还包括:
A204.用激光在所述布料上对所述瑕疵点进行指示,以提示对所述瑕疵点进行确认。
通过对瑕疵点进行指示,工人可根据指示的位置判断该瑕疵点的检测结果是否正确,进而可在自动识别有误时修正检测结果,另外,必要时还可由工人根据指示的位置对瑕疵点进行人工标记。
优选地,步骤A202之后,还包括:
A205.根据已检测到的所述瑕疵点的所述瑕疵点位置,判断所述布料是否存在瑕疵点过多的瑕疵段;
A206.若存在瑕疵段,则重新获取至少一次所述瑕疵段包含的所述瑕疵点的所述瑕疵点位置和所述瑕疵类型;
A207.对比各次获得的所述瑕疵段包含的所述瑕疵点的所述瑕疵点位置和所述瑕疵类型,确定所述瑕疵段包含的所述瑕疵点的所述瑕疵点位置和所述瑕疵类型的最终检测结果。
优选地,所述瑕疵信息还包括不良段的位置;
第二方面,本申请提供了一种布料瑕疵智能检测装置,用于在出厂前进行布料收卷的过程中对所述布料进行瑕疵检测,包括:
第一获取模块,用于实时获取布料的表面图像;
瑕疵点检测模块,用于基于图像分析方法对所述表面图像进行检测,以获取所述布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为所述布料的瑕疵信息的一部分;
不良段检测模块,用于根据所述瑕疵点的所述瑕疵点位置和对应的所述瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为所述布料的瑕疵信息的一部分;
标识模块,用于在布料收卷完成后,生成与所述瑕疵信息关联的标识码并设置在对应的布料卷上。
第三方面,本申请提供了一种电子设备,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如前文所述的布料瑕疵智能检测方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如前文所述的布料瑕疵智能检测方法中的步骤。
有益效果:本申请提供的布料瑕疵智能检测方法及其相关设备,在在出厂前进行布料收卷时,对布料进行瑕疵检测得到布料卷的的瑕疵点的瑕疵点位置和对应的瑕疵类型以及不良段的不良段位置等瑕疵信息,并生成与该瑕疵信息关联的标识码设置在收卷好的布料卷上,从而,当用户购买并使用该布料卷时,通过识别标识码可直接提取到该布料卷的瑕疵信息,因此,有利于用户便捷地获取布料卷的瑕疵信息,无需用户自行检测获取布料卷的瑕疵信息,用户可以直接根据瑕疵信息中的不良段位置裁掉不良段,而无需自行分析瑕疵点所在位置的局部片段是否可用,有利于用户生产效率的提高。
附图说明
图1为本申请实施例提供的布料瑕疵智能检测方法的流程图。
图2为本申请实施例提供的布料瑕疵智能检测装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
标号说明:1、第一获取模块;2、瑕疵检测模块;3、标识模块;301、处理器;302、存储器;303、通信总线。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种布料瑕疵智能检测方法,用于在出厂前进行布料收卷的过程中对布料进行瑕疵检测,包括步骤:
A1.实时获取布料的表面图像;
A2.基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分;
A3.根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分;
A4.在布料收卷完成后,生成与瑕疵信息关联的标识码并设置在对应的布料卷上。
在出厂前进行布料收卷时,对布料进行瑕疵检测得到布料卷的的瑕疵点的瑕疵点位置和对应的瑕疵类型以及不良段的不良段位置等瑕疵信息,并生成与该瑕疵信息关联的标识码设置在收卷好的布料卷上,从而,当用户购买并使用该布料卷时,通过识别标识码可直接提取到该布料卷的瑕疵信息,因此,有利于用户便捷地获取布料卷的瑕疵信息,无需用户自行检测获取布料卷的瑕疵信息,用户可以直接根据瑕疵信息中的不良段位置裁掉不良段,而无需自行分析瑕疵点所在位置的局部片段是否可用,有利于用户生产效率的提高。
步骤A1中,可在布料收卷过程中布料经过的位置上方设置图像采集装置(如摄像头),由该图像采集装置实时采集下方的布料的表面图像。
其中,在布料移动的过程中,图像采集装置按预设的采样频率进行表面图像的采集,采样频率根据布料的移动速度设置,以保证相邻两帧表面图像所拍摄的布料区域前后连续或部分重叠,避免漏检。
在一些优选实施方式中,步骤A1之后和步骤A2之前,还包括步骤:
对表面图像进行预处理,以去除背景图像。
若相邻两帧表面图像所拍摄的布料区域部分重叠,在去除背景图像后,还需要去除重叠部分。例如,可根据表面图像所包含的布料区域的实际长度(长度是布料移动方向的尺寸)、图像采集装置的采样周期(即采样频率的倒数)和布料的移动速度(可通过收卷装置上的传感器测得)计算重叠部分的长度(具体地,可根据以下公式计算该重叠部分的长度:△L=L-vT,△L为重叠部分的长度,L为表面图像所包含的布料区域的实际长度,v为布料的移动速度,T为采样周期),然后在表面图像中取出对应长度的布料图像作为预处理后的表面图像。
具体地,步骤A2包括:
A201.把表面图像输入预先训练好的瑕疵识别模型,获取瑕疵点在表面图像中的第一位置信息和对应的瑕疵类型;
A202.获取布料的前进距离,并根据第一位置信息和前进距离计算瑕疵点的瑕疵点位置。
通过获取瑕疵点的位置和瑕疵类型,有利于用户根据瑕疵信息快速确定瑕疵点的位置和判断对应的瑕疵是否影响使用。
瑕疵识别模型可以但不限于是Yolov4模型、改进Yolov4模型等,Yolov4模型、改进Yolov4模型具有较好的实时性,能够快速完成检测分析,从而有利于提高瑕疵检测效率。
通过采集不同布料的包含不同瑕疵类型的瑕疵点的图像,通过标记框对图像中的瑕疵区进行标记(其中,瑕疵点为对应瑕疵区的标记框的中心点,标记框为对应瑕疵区的最小外接矩形框)并标注对应的瑕疵类型,形成样本数据集,用该样本数据集对构建好的瑕疵识别模型进行训练以优化其模型参数,得到训练好的瑕疵识别模型。
其中,利用瑕疵识别模型获取的第一位置信息,是像素位置信息,需要换算为瑕疵点的实际位置信息才能进行记录供布料用户使用;其中,表面图像中的单位像素距离对应的实际长度可预先标定得到,以表面图像的中心点为图像坐标系原点,根据第一位置信息可知道瑕疵点在图像坐标系的第一坐标;其中,布料的前进距离是指从检测开始时刻到当前时刻布料前进了的总距离(在检测过程中,可能需要进行反复的前进和后退,前进时的移动量为正,后退时的移动量为负,前进状态的总位移量和后退状态的总位移量之和等于布料的前进距离,实际上,布料是由收卷装置驱动其前移的,从而布料的前进距离实质上是从检测开始时刻到当前时刻的布料收卷长度),可使用测量装置实测布料的前进距离(例如,测量装置包括两根上下对齐且分别压在布料上下两侧的压辊以及设置在其中一根压辊上的旋转编码器,布料移动时带动压辊旋转,由旋转编码器实时测量压辊旋转角度,结合压辊的半径可实时计算出布料的前进距离),可预先在布料前端设置起始点标识,并以该起始点标识的位置作为布料起始位置,在开始检测前使该起始点标识位于预设位置,该预设位置与摄像头的拍摄中心(即图像中心)之间在布料移动方向的距离L0可预先标定得到(一般地,该预设位置位于摄像头的下游处,即布料前移时先通过摄像头的位置再通过该预设位置,从而该L0为正值;实际上,预设位置也可以位于摄像头的上游处,即布料前移时先通过该预设位置再通过摄像头的位置,从而该L0为负值),其中,图像坐标系的原点位于图像中心点处,且y坐标轴正方向与布料移动方向相反,因此,可根据第一位置信息计算瑕疵点在图像坐标系的第一坐标(为现有技术,此处不对其计算过程进行详述),用以下公式计算对应瑕疵点的瑕疵点位置:X=x1,Y=s+L0+y1;X为瑕疵点位置的横坐标值,Y为瑕疵点位置的纵坐标值,x1为第一坐标的x坐标值,y1为第一坐标的y坐标值,s为布料的前进距离。
其中,每识别到一个瑕疵点,就记录该瑕疵点的瑕疵点位置和瑕疵类型,以便后续根据记录的瑕疵信息生成标识码。
另外,每当一帧表面图像检测出有瑕疵点,就记录瑕疵识别模型针对该表面图像输出的检测图像(检测图像中包含瑕疵点的标记框和对应的标注信息)作为瑕疵信息的一部分,以便于用户更直观地了解布料的瑕疵情况。
在一些优选实施方式中,步骤A202之后,还包括:
A203.在布料上对瑕疵点进行自动标记。
通过识别标识码来提取瑕疵信息,是需要使用相应的识别设备进行操作的,有时候,用户可能不具有相应的设备或不便于使用对应的设备,也可以直接通过布料上的标记得到瑕疵信息。
例如,可通过机械臂,利用标记笔或喷头在瑕疵点处进行自动标记或者利用粘贴标签的方式进行自动标记,针对不同类型的瑕疵点,可以用不同的颜色和/或形状的图案进行标记。
通过自动标记方式进行标记,自动化程度高,作业效率高,针对不同类型的瑕疵点用不同的颜色和/或形状的图案进行标记,用户可直接根据标记图案知道瑕疵类型,更加方便直观。
在另一些实施方式中,步骤A202之后,还包括:
A204.用激光在布料上对瑕疵点进行指示,以提示对瑕疵点进行确认。
通过对瑕疵点进行指示,工人可根据指示的位置判断该瑕疵点的检测结果是否正确,进而可在自动识别有误(例如瑕疵类型有误、把非瑕疵点判断为瑕疵点等)时修正检测结果(包括修正记录的瑕疵信息),另外,必要时还可由工人根据指示的位置对瑕疵点进行人工标记。需要说明的是,由于需要等候工人进行人工确认和人工标记,在用激光进行指示时,布料暂停移动,直到完成人工确认和人工标记(可由人工通过计算机界面进行操作以确定完成人工确认和人工标记的工作)后再继续移动和进行后续检测。
由于激光照射在布料上通常只有一个点,显著性较差,通常需要工人花费一定时间才能找到该点的位置,为此,在用激光在布料上对瑕疵点进行指示的时候,若当前检测的表面图像中仅包含一个瑕疵点,可以使激光照射点围绕瑕疵点作圆周运动,若当前检测的表面图像中包含多个瑕疵点,则可以根据该表面图像包含的各瑕疵点的瑕疵点位置生成依次连接各瑕疵点的轨迹,并使激光照射点沿该轨迹往复移动,从而更容易引起工人注意,进而有利于工人对瑕疵点快速定位。
一般地,对于生产工艺成熟的布料,即使出现瑕疵点,也只是少量且分散的瑕疵点,若集中在一段布料段内出现大量的瑕疵点,则此时可能出现了检测装置或布料生产装置故障的情况,需要进行故障排查。从而,在一些优选实施方式中,步骤A202之后,还包括:
A205.根据已检测到的瑕疵点的瑕疵点位置,判断布料是否存在瑕疵点过多的瑕疵段;
A206.若存在瑕疵段,则重新获取至少一次瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型;
A207.对比各次获得的瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型,确定瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型的最终检测结果。
步骤A205中,已检测到的瑕疵点的瑕疵点位置是指当前时刻以及当前时刻之前所有检测到的瑕疵点。
一般地,可以用当前时刻检测到的瑕疵点中离布料起始位置最远的瑕疵点作为第一参考点;若该第一参考点与布料起始位置的距离小于预设的第一段长,则暂时不判定布料是否存在瑕疵段;若该第一参考点与布料起始位置的距离不小于预设的第一段长(可根据实际需要设置),则在已检测到的瑕疵点中搜索出与第一参考点在布料移动方向上的距离不大于第一段长且不属于已检测出的瑕疵段的所有瑕疵点,记为邻近瑕疵点,若第一参考点与邻近瑕疵点的数量之和超过预设的第一数量阈值(可根据实际需要设置),则判定首个邻近瑕疵点到第一参考点之间的布料段为瑕疵段。每当一帧表面图像被检测出有瑕疵点,就执行上述的判断步骤。
步骤A206中,当检测到瑕疵段时,使布料段后移后再次对瑕疵段进行检测,根据预设的重复次数(可根据实际需要设置)重复该过程至少一次。具体地,先计算当前图像中心点到瑕疵段的首个瑕疵点之间在布料移动方向的距离L1,并用该距离L1减去摄像头在布料移动方向的拍摄范围的一半(即图像在y轴方向的半长所对应的实际长度,该实际长度可预先标定)得到第一距离L2,每次对瑕疵段进行检测时,先使布料后退第一距离L2,然后前移第一距离L2并在前移过程中进行检测。其中,在使用压辊和旋转编码器进行布料的前进距离测量的情况下,在布料前后往复移动时,压辊会随布料同步正反向转动,从而旋转编码器测得的转动角度会同步地增减,进而当布料前移时,测得的前进距离会对应增加,当布料后退时,测得的前进距离会对应减小,保证了根据该前进距离计算得到的瑕疵点位置的可靠性。
步骤A207中,可以对比瑕疵段的各次检测结果是否均相同(所有瑕疵点的瑕疵点位置和瑕疵类型在各次检测中相同),若均相同,则判定检测结果准确,并以对瑕疵段的任一次检测结果作为最终检测结果,否则,判定检测结果不准确,此时,可用对瑕疵段的任一次检测结果作为最终检测结果并为该最终检测结果添加表示结果不准确的标签。
然而,布料在往复移动的过程中,不可避免地存在一定的定位误差,从而会引起各次检测结果中各瑕疵点的瑕疵点位置发生微小变化,以各次检测结果完全相同作为判断条件,过于严苛,容易引起误判,为此,在一些优选实施方式中,可以用每次检测得到的瑕疵点的瑕疵点位置和对应的瑕疵类型组成一个瑕疵数组(例如,瑕疵数组为{p1,p2,……,pn},pn为第n个瑕疵点的瑕疵信息元胞,pn=(xn,yn,qn),xn、yn为第n个瑕疵点的瑕疵点位置中的两个坐标值,qn为第n个瑕疵点的瑕疵类型),然后,计算各瑕疵数组两两之间的相似度,若所有相似度均不小于预设的相似度阈值(可根据实际需要设置),则判定检测结果准确,并以任一次检测结果作为最终检测结果,或者以与其它瑕疵数组的相似度之和最大的瑕疵数组对应的检测结果作为最终检测结果(例如,A、B、C三个瑕疵数组,A-B相似度与A-C相似度之和为Za,A-B相似度与B-C相似度之和为Zb,A-C相似度与B-C相似度之和为Zc,若Za≥Zb且Za≥Zc,则以瑕疵数组A对应的检测结果为最终检测结果;从而可进一步提高检测结果的准确性),否则,判定检测结果不准确,此时,可用对瑕疵段的任一次检测结果作为最终检测结果并为该最终检测结果添加表示结果不准确的标签。
其中,当存在瑕疵段且判定检测结果不准确时,一般是检测装置故障,可以发出表示检测装置故障的第一提示信息,以便对检测装置进行故障排查;当存在瑕疵段且判定检测结果准确时,很可能是布料生产装置存在故障,可以发出表示布料生产装置故障的第二提示信息,以便对布料生产装置进行故障排查。
在一些实施方式中,步骤A3包括:
A301.分别用当前时刻检测到的各瑕疵点作为第二参考点,并用以第二参考点为终点的第二预设长度(可根据实际需要设置)的布料段作为检测段,用检测段内的瑕疵点作为检测点;
A302.根据各检测点的瑕疵点位置和瑕疵类型确定对应的影响区域;
A303.根据各检测段的影响区域的总面积在对应检测段的面积的占比,判断各检测段是否为不良段;
A304.若存在不良段,则提取不良段的位置,作为布料的瑕疵信息的一部分。
其中,瑕疵段通常表示在相对较长的布料段内出现数量过多的瑕疵点,与瑕疵点的分布密度无关,因此瑕疵段不一定是不可用的;不良段是在相对较短的局部片段内的瑕疵点分布密度过大,因此瑕疵段是不可用的;所以,第二预设长度一般小于第一预设长度。
步骤A301中,以第二参考点为终点的第二预设长度的布料段,是指以第二参考点所在的横断线(沿布料宽度方向延伸的直线)到该横断线前第二预设长度处的另一横断线之间的片段。
其中,步骤A302包括:
根据检测点的瑕疵类型确定对应的影响区域的形状尺寸;
根据检测点的瑕疵点位置确定对应的影响区域的中心点位置。
其中,影响区域反映了瑕疵点对布料的可利用性的影响程度,不同瑕疵类型的影响程度不同,通过影响区域的面积占比来确定不良段,与仅根据瑕疵点的数量来确定不良段相比,检测结果更加合理。
可通过大数据统计布料在使用时各种瑕疵类型的瑕疵点附近被裁掉不用的区域的形状尺寸(包括形状和尺寸)以得到各种瑕疵类型对应的影响区域的参考形状尺寸(包括参考形状和参考尺寸),形成影响区域查询表,在根据检测点的瑕疵类型确定对应的影响区域的形状尺寸的时候,可用根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状尺寸,作为该检测点的影响区域的形状尺寸。
进一步地,在进行大数据统计时,还可进一步统计同一种瑕疵类型的不同尺寸范围的瑕疵区的平均尺寸(瑕疵区的尺寸是指该瑕疵区的最小外接矩形框的对角线长度)作为对应尺寸范围的参考尺寸,并记录在影响区域查询表中(从而影响区域查询表中,每种瑕疵类型对应一种参考形状和多个不同尺寸范围的参考尺寸),在根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状尺寸,作为该检测点的影响区域的形状尺寸的时候,可先获取检测点对应瑕疵区的尺寸(例如提取瑕疵识别模型输出的检测图像中对应的瑕疵区的标记框的对角线长度得到该尺寸),然后根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状,作为该检测点的影响区域的形状,再根据检测点对应瑕疵区的尺寸所落入的尺寸范围在影响区域查询表中查询得到对应的参考尺寸,作为该检测点的影响区域的尺寸。
其中,通过使影响区域的中心点与检测点重合,完成对影响区域的中心点位置的确定。
其中,步骤A303包括:
B1.若检测段的影响区域之间有交叉,则先把相互交叉的影响区域融合为一个影响区域,再计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
B2.若检测段的影响区域之间没有交叉,则计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
B3.计算检测段的影响区域的总面积与该检测段的面积的占比;
B4.若该占比超过预设的占比阈值(可根据实际需要设置),则判定该检测段为不良段。
实际上,通过上述方式得到的不良段可能存在相互交叉的情况,此时,应该把相互交叉的不良段作为一个不良段,以便用户使用时一次性裁掉这些不可用的片段;因此,步骤B4之后,还包括:
B5.若存在相互交叉的不良段,则把相互交叉的不良段融合为一个不良段(具体地,以相互交叉的不良段中首个不良段的起始位置到最后一个不良段的终止位置之间的片段作为融合后的不良段)。
进一步地,步骤B5之后,还包括:
若相邻的不良段之间的间隔小于预设的间隔阈值(可根据实际需要设置),则把该相邻的不良段与该相邻的不良段之间的间隔融合为一个不良段(具体地,以相邻的不良段中前一个不良段的起始位置到后一个不良段的终止位置之间的片段作为融合后的不良段)。
当良段之间的间隔过小,则该间隔上的布料难以被利用,因此,直接作为不良段的一部分,进一步方便用户使用时一次性裁掉这些不可用的片段。
步骤A304中,不良段的位置包括起始位置和终止位置,其中,不良段的终止位置和起始位置仅包含平行于布料移动方向的坐标轴的坐标值。
在一些优选实施方式中,瑕疵信息还包括产品等级;
步骤A3之后和步骤A4之前,还包括:
在布料收卷完成后,据瑕疵点的瑕疵类型和数量、不良段的总长度在布料总长的占比以及不良段的数量,确定布料的产品等级。
例如,根据以下公式计算布料的不良度:
;
其中,E为布料的不良度,N为布料包含的瑕疵点的瑕疵类型的种类数,为第i种瑕疵类型对应的权重值(各种瑕疵类型的权重值根据实际需要预先设置),/>为第i种瑕疵类型的瑕疵点的数量,K为不良段的数量,r为不良段数量对应的权重值(根据实际需要预先设置),P为不良段的总长度在布料总长的占比,u为不良段的总长度在布料总长的占比的权重值(根据实际需要预先设置)。
可预先为不同的不良度范围分配对应的产品等级,不良度越大所对应的产品等级代表的产品质量越差,把计算得到的不良度所落入的不良度范围对应的产品等级,作为布料的产品等级。例如,产品等级可分为优、良、合格、不合格,或分为A级、B级、C级、D级等,但不限于此。
通过记录的瑕疵信息中的产品等级,生产方可在后续入库过程中根据产品等级对各布料卷进行分类存放,在分类入库时,只需要识别布料卷上的标识码即可获取对应的产品等级,从而实现自动化分类入库。此外,买方也可以通过识别布料卷上的标识码获取布料卷的产品等级,以避免用不合理的价格买到低质量的产品。
实际上,当某种瑕疵类型的瑕疵点集中出现在布料宽度方向上的局部区域,通常是布料生产装置发生故障,为此,在一些优选实施方式中,步骤A2之后和步骤A4之前,还包括步骤:
在布料收卷完成后,沿宽度方向把布料均分为多个纵向区域(具体划分数量可根据实际需要设置);
统计每种瑕疵类型的瑕疵点在各纵向区域的分布数量及分布比例(分布比例是指一种瑕疵类型的瑕疵点在一纵向区域种的分布数量与该瑕疵类型的瑕疵点的总数之间的比例);
若有瑕疵类型的瑕疵点在至少一个纵向区域的分布数量大于预设的第二数量阈值(可根据实际需要设置)且对应的分布比例大于预设的比例阈值(可根据实际需要设置,例如80%),则发出表示布料生产装置故障的第三提示信息。
进一步地,每种瑕疵类型的瑕疵点集中出现在布料宽度方向上的局部区域的典型故障类型可预先统计得到,在发出第三提示信息的时候,可根据引起故障提示的瑕疵类型发出对应的提示信息,以提示故障类型。从而,维修人员可先根据提示的故障类型进行排查,有助于更快地完成故障排查。
其中,标识码可以但不限于是条形码、二维码等;标识码可以直接记录瑕疵信息,从而直接识别标识码提取到瑕疵信息;瑕疵信息也可以记录在信息平台中,标识码记录瑕疵信息的访问地址,从而通过识别标识码访问信息平台以提取瑕疵信息。
步骤A4中,可以通过喷涂打印、激光打印等方式直接在布料卷上打印标识码,也可以生成标识码标签并粘贴在布料卷上。
由上可知,该布料瑕疵智能检测方法,通过实时获取布料的表面图像,基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分,根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分,在布料收卷完成后,生成与瑕疵信息关联的标识码并设置在对应的布料卷上;从而有利于用户便捷地获取布料卷的瑕疵信息并有利于用户节省分析瑕疵点所在位置的局部片段是否可用的时间。
参考图2,本申请提供了一种布料瑕疵智能检测装置,用于在出厂前进行布料收卷的过程中对布料进行瑕疵检测,包括:
第一获取模块1,用于实时获取布料的表面图像;
瑕疵点检测模块2,用于基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分;
不良段检测模块3,用于根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分;
标识模块4,用于在布料收卷完成后,生成与瑕疵信息关联的标识码并设置在对应的布料卷上。
在出厂前进行布料收卷时,对布料进行瑕疵检测得到布料卷的的瑕疵点的瑕疵点位置和对应的瑕疵类型以及不良段的不良段位置等瑕疵信息,并生成与该瑕疵信息关联的标识码设置在收卷好的布料卷上,从而,当用户购买并使用该布料卷时,通过识别标识码可直接提取到该布料卷的瑕疵信息,因此,有利于用户便捷地获取布料卷的瑕疵信息,无需用户自行检测获取布料卷的瑕疵信息,用户可以直接根据瑕疵信息中的不良段位置裁掉不良段,而无需自行分析瑕疵点所在位置的局部片段是否可用,有利于用户生产效率的提高。
可在布料收卷过程中布料经过的位置上方设置图像采集装置(如摄像头),第一获取模块1通过该图像采集装置实时采集下方的布料的表面图像。
其中,在布料移动的过程中,图像采集装置按预设的采样频率进行表面图像的采集,采样频率根据布料的移动速度设置,以保证相邻两帧表面图像所拍摄的布料区域前后连续或部分重叠,避免漏检。
在一些优选实施方式中,该布料瑕疵智能检测装置还包括:
预处理模块,用于对表面图像进行预处理,以去除背景图像。
若相邻两帧表面图像所拍摄的布料区域部分重叠,在去除背景图像后,还需要去除重叠部分。例如,可根据表面图像所包含的布料区域的实际长度(长度是布料移动方向的尺寸)、图像采集装置的采样周期(即采样频率的倒数)和布料的移动速度(可通过收卷装置上的传感器测得)计算重叠部分的长度(具体地,可根据以下公式计算该重叠部分的长度:△L=L-vT,△L为重叠部分的长度,L为表面图像所包含的布料区域的实际长度,v为布料的移动速度,T为采样周期),然后在表面图像中取出对应长度的布料图像作为预处理后的表面图像。
具体地,瑕疵点检测模块2在基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分的时候,执行:
把表面图像输入预先训练好的瑕疵识别模型,获取瑕疵点在表面图像中的第一位置信息和对应的瑕疵类型;
获取布料的前进距离,并根据第一位置信息和前进距离计算瑕疵点的瑕疵点位置。
通过获取瑕疵点的位置和瑕疵类型,有利于用户根据瑕疵信息快速确定瑕疵点的位置和判断对应的瑕疵是否影响使用。
瑕疵识别模型可以但不限于是Yolov4模型、改进Yolov4模型等,Yolov4模型、改进Yolov4模型具有较好的实时性,能够快速完成检测分析,从而有利于提高瑕疵检测效率。
通过采集不同布料的包含不同瑕疵类型的瑕疵点的图像,通过标记框对图像中的瑕疵区进行标记(其中,瑕疵点为对应瑕疵区的标记框的中心点,标记框为对应瑕疵区的最小外接矩形框)并标注对应的瑕疵类型,形成样本数据集,用该样本数据集对构建好的瑕疵识别模型进行训练以优化其模型参数,得到训练好的瑕疵识别模型。
其中,利用瑕疵识别模型获取的第一位置信息,是像素位置信息,需要换算为瑕疵点的实际位置信息才能进行记录供布料用户使用;其中,表面图像中的单位像素距离对应的实际长度可预先标定得到,以表面图像的中心点为图像坐标系原点,根据第一位置信息可知道瑕疵点在图像坐标系的第一坐标;其中,布料的前进距离是指从检测开始时刻到当前时刻布料前进了的总距离(在检测过程中,可能需要进行反复的前进和后退,前进时的移动量为正,后退时的移动量为负,前进状态的总位移量和后退状态的总位移量之和等于布料的前进距离,实际上,布料是由收卷装置驱动其前移的,从而布料的前进距离实质上是从检测开始时刻到当前时刻的布料收卷长度),可使用测量装置实测布料的前进距离(例如,测量装置包括两根上下对齐且分别压在布料上下两侧的压辊以及设置在其中一根压辊上的旋转编码器,布料移动时带动压辊旋转,由旋转编码器实时测量压辊旋转角度,结合压辊的半径可实时计算出布料的前进距离),可预先在布料前端设置起始点标识,并以该起始点标识的位置作为布料起始位置,在开始检测前使该起始点标识位于预设位置,该预设位置与摄像头的拍摄中心(即图像中心)之间在布料移动方向的距离L0可预先标定得到(一般地,该预设位置位于摄像头的下游处,即布料前移时先通过摄像头的位置再通过该预设位置,从而该L0为正值;实际上,预设位置也可以位于摄像头的上游处,即布料前移时先通过该预设位置再通过摄像头的位置,从而该L0为负值),其中,图像坐标系的原点位于图像中心点处,且y坐标轴正方向与布料移动方向相反,因此,可根据第一位置信息计算瑕疵点在图像坐标系的第一坐标(为现有技术,此处不对其计算过程进行详述),用以下公式计算对应瑕疵点的瑕疵点位置:X=x1,Y=s+L0+y1;X为瑕疵点位置的横坐标值,Y为瑕疵点位置的纵坐标值,x1为第一坐标的x坐标值,y1为第一坐标的y坐标值,s为布料的前进距离。
其中,每识别到一个瑕疵点,就记录该瑕疵点的瑕疵点位置和瑕疵类型,以便后续根据记录的瑕疵信息生成标识码。
另外,每当一帧表面图像检测出有瑕疵点,就记录瑕疵识别模型针对该表面图像输出的检测图像(检测图像中包含瑕疵点的标记框和对应的标注信息)作为瑕疵信息的一部分,以便于用户更直观地了解布料的瑕疵情况。
在一些优选实施方式中,瑕疵点检测模块2在基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分的时候,还执行:
在布料上对瑕疵点进行自动标记。
通过识别标识码来提取瑕疵信息,是需要使用相应的识别设备进行操作的,有时候,用户可能不具有相应的设备或不便于使用对应的设备,也可以直接通过布料上的标记得到瑕疵信息。
例如,可通过机械臂,利用标记笔或喷头在瑕疵点处进行自动标记或者利用粘贴标签的方式进行自动标记,针对不同类型的瑕疵点,可以用不同的颜色和/或形状的图案进行标记。
通过自动标记方式进行标记,自动化程度高,作业效率高,针对不同类型的瑕疵点用不同的颜色和/或形状的图案进行标记,用户可直接根据标记图案知道瑕疵类型,更加方便直观。
在另一些实施方式中,瑕疵点检测模块2在基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分的时候,还执行:
用激光在布料上对瑕疵点进行指示,以提示对瑕疵点进行确认。
通过对瑕疵点进行指示,工人可根据指示的位置判断该瑕疵点的检测结果是否正确,进而可在自动识别有误(例如瑕疵类型有误、把非瑕疵点判断为瑕疵点等)时修正检测结果(包括修正记录的瑕疵信息),另外,必要时还可由工人根据指示的位置对瑕疵点进行人工标记。需要说明的是,由于需要等候工人进行人工确认和人工标记,在用激光进行指示时,布料暂停移动,直到完成人工确认和人工标记(可由人工通过计算机界面进行操作以确定完成人工确认和人工标记的工作)后再继续移动和进行后续检测。
由于激光照射在布料上通常只有一个点,显著性较差,通常需要工人花费一定时间才能找到该点的位置,为此,在用激光在布料上对瑕疵点进行指示的时候,若当前检测的表面图像中仅包含一个瑕疵点,可以使激光照射点围绕瑕疵点作圆周运动,若当前检测的表面图像中包含多个瑕疵点,则可以根据该表面图像包含的各瑕疵点的瑕疵点位置生成依次连接各瑕疵点的轨迹,并使激光照射点沿该轨迹往复移动,从而更容易引起工人注意,进而有利于工人对瑕疵点快速定位。
一般地,对于生产工艺成熟的布料,即使出现瑕疵点,也只是少量且分散的瑕疵点,若集中在一段布料段内出现大量的瑕疵点,则此时可能出现了检测装置或布料生产装置故障的情况,需要进行故障排查。从而,在一些优选实施方式中,瑕疵点检测模块2在基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分的时候,还执行:
根据已检测到的瑕疵点的瑕疵点位置,判断布料是否存在瑕疵点过多的瑕疵段;
若存在瑕疵段,则重新获取至少一次瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型;
对比各次获得的瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型,确定瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型的最终检测结果。
其中,已检测到的瑕疵点的瑕疵点位置是指当前时刻以及当前时刻之前所有检测到的瑕疵点。
一般地,可以用当前时刻检测到的瑕疵点中离布料起始位置最远的瑕疵点作为第一参考点;若该第一参考点与布料起始位置的距离小于预设的第一段长,则暂时不判定布料是否存在瑕疵段;若该第一参考点与布料起始位置的距离不小于预设的第一段长(可根据实际需要设置),则在已检测到的瑕疵点中搜索出与第一参考点在布料移动方向上的距离不大于第一段长且不属于已检测出的瑕疵段的所有瑕疵点,记为邻近瑕疵点,若第一参考点与邻近瑕疵点的数量之和超过预设的第一数量阈值(可根据实际需要设置),则判定首个邻近瑕疵点到第一参考点之间的布料段为瑕疵段。每当一帧表面图像被检测出有瑕疵点,就执行上述的判断步骤。
瑕疵点检测模块2在重新获取至少一次瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型的时候,当检测到瑕疵段时,使布料段后移后再次对瑕疵段进行检测,根据预设的重复次数(可根据实际需要设置)重复该过程至少一次。具体地,先计算当前图像中心点到瑕疵段的首个瑕疵点之间在布料移动方向的距离L1,并用该距离L1减去摄像头在布料移动方向的拍摄范围的一半(即图像在y轴方向的半长所对应的实际长度,该实际长度可预先标定)得到第一距离L2,每次对瑕疵段进行检测时,先使布料后退第一距离L2,然后前移第一距离L2并在前移过程中进行检测。其中,在使用压辊和旋转编码器进行布料的前进距离测量的情况下,在布料前后往复移动时,压辊会随布料同步正反向转动,从而旋转编码器测得的转动角度会同步地增减,进而当布料前移时,测得的前进距离会对应增加,当布料后退时,测得的前进距离会对应减小,保证了根据该前进距离计算得到的瑕疵点位置的可靠性。
瑕疵点检测模块2在对比各次获得的瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型,确定瑕疵段包含的瑕疵点的瑕疵点位置和瑕疵类型的最终检测结果的时候,可以对比瑕疵段的各次检测结果是否均相同(所有瑕疵点的瑕疵点位置和瑕疵类型在各次检测中相同),若均相同,则判定检测结果准确,并以对瑕疵段的任一次检测结果作为最终检测结果,否则,判定检测结果不准确,此时,可用对瑕疵段的任一次检测结果作为最终检测结果并为该最终检测结果添加表示结果不准确的标签。
然而,布料在往复移动的过程中,不可避免地存在一定的定位误差,从而会引起各次检测结果中各瑕疵点的瑕疵点位置发生微小变化,以各次检测结果完全相同作为判断条件,过于严苛,容易引起误判,为此,在一些优选实施方式中,可以用每次检测得到的瑕疵点的瑕疵点位置和对应的瑕疵类型组成一个瑕疵数组(例如,瑕疵数组为{p1,p2,……,pn},pn为第n个瑕疵点的瑕疵信息元胞,pn=(xn,yn,qn),xn、yn为第n个瑕疵点的瑕疵点位置中的两个坐标值,qn为第n个瑕疵点的瑕疵类型),然后,计算各瑕疵数组两两之间的相似度,若所有相似度均不小于预设的相似度阈值(可根据实际需要设置),则判定检测结果准确,并以任一次检测结果作为最终检测结果,或者以与其它瑕疵数组的相似度之和最大的瑕疵数组对应的检测结果作为最终检测结果(例如,A、B、C三个瑕疵数组,A-B相似度与A-C相似度之和为Za,A-B相似度与B-C相似度之和为Zb,A-C相似度与B-C相似度之和为Zc,若Za≥Zb且Za≥Zc,则以瑕疵数组A对应的检测结果为最终检测结果;从而可进一步提高检测结果的准确性),否则,判定检测结果不准确,此时,可用对瑕疵段的任一次检测结果作为最终检测结果并为该最终检测结果添加表示结果不准确的标签。
其中,当存在瑕疵段且判定检测结果不准确时,一般是检测装置故障,可以发出表示检测装置故障的第一提示信息,以便对检测装置进行故障排查;当存在瑕疵段且判定检测结果准确时,很可能是布料生产装置存在故障,可以发出表示布料生产装置故障的第二提示信息,以便对布料生产装置进行故障排查。
在一些实施方式中,不良段检测模块3在根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分的时候,执行:
分别用当前时刻检测到的各瑕疵点作为第二参考点,并用以第二参考点为终点的第二预设长度(可根据实际需要设置)的布料段作为检测段,用检测段内的瑕疵点作为检测点;
根据各检测点的瑕疵点位置和瑕疵类型确定对应的影响区域;
根据各检测段的影响区域的总面积在对应检测段的面积的占比,判断各检测段是否为不良段;
若存在不良段,则提取不良段的位置,作为布料的瑕疵信息的一部分。
其中,瑕疵段通常表示在相对较长的布料段内出现数量过多的瑕疵点,与瑕疵点的分布密度无关,因此瑕疵段不一定是不可用的;不良段是在相对较短的局部片段内的瑕疵点分布密度过大,因此瑕疵段是不可用的;所以,第二预设长度一般小于第一预设长度。
其中,以第二参考点为终点的第二预设长度的布料段,是指以第二参考点所在的横断线(沿布料宽度方向延伸的直线)到该横断线前第二预设长度处的另一横断线之间的片段。
其中,不良段检测模块3在根据各检测点的瑕疵点位置和瑕疵类型确定对应的影响区域的时候,执行:
根据检测点的瑕疵类型确定对应的影响区域的形状尺寸;
根据检测点的瑕疵点位置确定对应的影响区域的中心点位置。
其中,影响区域反映了瑕疵点对布料的可利用性的影响程度,不同瑕疵类型的影响程度不同,通过影响区域的面积占比来确定不良段,与仅根据瑕疵点的数量来确定不良段相比,检测结果更加合理。
可通过大数据统计布料在使用时各种瑕疵类型的瑕疵点附近被裁掉不用的区域的形状尺寸(包括形状和尺寸)以得到各种瑕疵类型对应的影响区域的参考形状尺寸(包括参考形状和参考尺寸),形成影响区域查询表,在根据检测点的瑕疵类型确定对应的影响区域的形状尺寸的时候,可用根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状尺寸,作为该检测点的影响区域的形状尺寸。
进一步地,在进行大数据统计时,还可进一步统计同一种瑕疵类型的不同尺寸范围的瑕疵区的平均尺寸(瑕疵区的尺寸是指该瑕疵区的最小外接矩形框的对角线长度)作为对应尺寸范围的参考尺寸,并记录在影响区域查询表中(从而影响区域查询表中,每种瑕疵类型对应一种参考形状和多个不同尺寸范围的参考尺寸),在根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状尺寸,作为该检测点的影响区域的形状尺寸的时候,可先获取检测点对应瑕疵区的尺寸(例如提取瑕疵识别模型输出的检测图像中对应的瑕疵区的标记框的对角线长度得到该尺寸),然后根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状,作为该检测点的影响区域的形状,再根据检测点对应瑕疵区的尺寸所落入的尺寸范围在影响区域查询表中查询得到对应的参考尺寸,作为该检测点的影响区域的尺寸。
其中,通过使影响区域的中心点与检测点重合,完成对影响区域的中心点位置的确定。
其中,不良段检测模块3在根据各检测段的影响区域的总面积在对应检测段的面积的占比,判断各检测段是否为不良段的时候,执行:
B1.若检测段的影响区域之间有交叉,则先把相互交叉的影响区域融合为一个影响区域,再计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
B2.若检测段的影响区域之间没有交叉,则计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
B3.计算检测段的影响区域的总面积与该检测段的面积的占比;
B4.若该占比超过预设的占比阈值(可根据实际需要设置),则判定该检测段为不良段。
实际上,通过上述方式得到的不良段可能存在相互交叉的情况,此时,应该把相互交叉的不良段作为一个不良段,以便用户使用时一次性裁掉这些不可用的片段;因此,步骤B4之后,还包括:
B5.若存在相互交叉的不良段,则把相互交叉的不良段融合为一个不良段(具体地,以相互交叉的不良段中首个不良段的起始位置到最后一个不良段的终止位置之间的片段作为融合后的不良段)。
进一步地,步骤B5之后,还包括:
若相邻的不良段之间的间隔小于预设的间隔阈值(可根据实际需要设置),则把该相邻的不良段与该相邻的不良段之间的间隔融合为一个不良段(具体地,以相邻的不良段中前一个不良段的起始位置到后一个不良段的终止位置之间的片段作为融合后的不良段)。
当良段之间的间隔过小,则该间隔上的布料难以被利用,因此,直接作为不良段的一部分,进一步方便用户使用时一次性裁掉这些不可用的片段。
其中,不良段的位置包括起始位置和终止位置,其中,不良段的终止位置和起始位置仅包含平行于布料移动方向的坐标轴的坐标值。
在一些优选实施方式中,瑕疵信息还包括产品等级;
该布料瑕疵智能检测装置还包括:
评级模块,用于在布料收卷完成后,据瑕疵点的瑕疵类型和数量、不良段的总长度在布料总长的占比以及不良段的数量,确定布料的产品等级。
例如,根据以下公式计算布料的不良度:
;
其中,E为布料的不良度,N为布料包含的瑕疵点的瑕疵类型的种类数,为第i种瑕疵类型对应的权重值(各种瑕疵类型的权重值根据实际需要预先设置),/>为第i种瑕疵类型的瑕疵点的数量,K为不良段的数量,r为不良段数量对应的权重值(根据实际需要预先设置),P为不良段的总长度在布料总长的占比,u为不良段的总长度在布料总长的占比的权重值(根据实际需要预先设置)。
可预先为不同的不良度范围分配对应的产品等级,不良度越大所对应的产品等级代表的产品质量越差,把计算得到的不良度所落入的不良度范围对应的产品等级,作为布料的产品等级。例如,产品等级可分为优、良、合格、不合格,或分为A级、B级、C级、D级等,但不限于此。
通过记录的瑕疵信息中的产品等级,生产方可在后续入库过程中根据产品等级对各布料卷进行分类存放,在分类入库时,只需要识别布料卷上的标识码即可获取对应的产品等级,从而实现自动化分类入库。此外,买方也可以通过识别布料卷上的标识码获取布料卷的产品等级,以避免用不合理的价格买到低质量的产品。
实际上,当某种瑕疵类型的瑕疵点集中出现在布料宽度方向上的局部区域,通常是布料生产装置发生故障,为此,在一些优选实施方式中,该布料瑕疵智能检测装置还包括:
分区模块,用于在布料收卷完成后,沿宽度方向把布料均分为多个纵向区域(具体划分数量可根据实际需要设置);
统计模块,用于统计每种瑕疵类型的瑕疵点在各纵向区域的分布数量及分布比例(分布比例是指一种瑕疵类型的瑕疵点在一纵向区域种的分布数量与该瑕疵类型的瑕疵点的总数之间的比例);
若有瑕疵类型的瑕疵点在至少一个纵向区域的分布数量大于预设的第二数量阈值(可根据实际需要设置)且对应的分布比例大于预设的比例阈值(可根据实际需要设置,例如80%),则发出表示布料生产装置故障的第三提示信息。
进一步地,每种瑕疵类型的瑕疵点集中出现在布料宽度方向上的局部区域的典型故障类型可预先统计得到,在发出第三提示信息的时候,可根据引起故障提示的瑕疵类型发出对应的提示信息,以提示故障类型。从而,维修人员可先根据提示的故障类型进行排查,有助于更快地完成故障排查。
其中,标识码可以但不限于是条形码、二维码等;标识码可以直接记录瑕疵信息,从而直接识别标识码提取到瑕疵信息;瑕疵信息也可以记录在信息平台中,标识码记录瑕疵信息的访问地址,从而通过识别标识码访问信息平台以提取瑕疵信息。
标识模块4可以通过喷涂打印、激光打印等方式直接在布料卷上打印标识码,也可以生成标识码标签并粘贴在布料卷上。
由上可知,该布料瑕疵智能检测装置,通过实时获取布料的表面图像,基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分,根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分,在布料收卷完成后,生成与瑕疵信息关联的标识码并设置在对应的布料卷上;从而有利于用户便捷地获取布料卷的瑕疵信息并有利于用户节省分析瑕疵点所在位置的局部片段是否可用的时间。
请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当电子设备运行时,处理器301执行该计算机程序,以执行上述实施例的任一可选的实现方式中的布料瑕疵智能检测方法,以实现以下功能:实时获取布料的表面图像,基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分,根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分,在布料收卷完成后,生成与瑕疵信息关联的标识码并设置在对应的布料卷上。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的布料瑕疵智能检测方法,以实现以下功能:实时获取布料的表面图像,基于图像分析方法对表面图像进行检测,以获取布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为布料的瑕疵信息的一部分,根据瑕疵点的瑕疵点位置和对应的瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为布料的瑕疵信息的一部分,在布料收卷完成后,生成与瑕疵信息关联的标识码并设置在对应的布料卷上。其中,计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read OnlyMemory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种布料瑕疵智能检测方法,用于在出厂前进行布料收卷的过程中对所述布料进行瑕疵检测,其特征在于,包括步骤:
A1.实时获取布料的表面图像;
A2.基于图像分析方法对所述表面图像进行检测,以获取所述布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为所述布料的瑕疵信息的一部分;
A3.根据所述瑕疵点的所述瑕疵点位置和对应的所述瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为所述布料的瑕疵信息的一部分;
A4.在布料收卷完成后,生成与所述瑕疵信息关联的标识码并设置在对应的布料卷上;
步骤A2之后和步骤A4之前,还包括步骤:
在布料收卷完成后,沿宽度方向把布料均分为多个纵向区域;
统计每种瑕疵类型的瑕疵点在各纵向区域的分布数量及分布比例;所述分布比例是指一种瑕疵类型的瑕疵点在一纵向区域中的分布数量与该瑕疵类型的瑕疵点的总数之间的比例;
若有瑕疵类型的瑕疵点在至少一个纵向区域的分布数量大于预设的第二数量阈值且对应的分布比例大于预设的比例阈值,则发出表示布料生产装置故障的第三提示信息;基于每种瑕疵类型的瑕疵点集中出现在布料宽度方向上的局部区域的典型故障类型的统计结果,在发出第三提示信息的时候,根据引起故障提示的瑕疵类型发出对应的提示信号,以提示故障类型;
步骤A3包括:
A301.分别用当前时刻检测到的各所述瑕疵点作为第二参考点,并用以所述第二参考点为终点的第二预设长度的布料段作为检测段,用所述检测段内的瑕疵点作为检测点;
A302.根据各所述检测点的所述瑕疵点位置和所述瑕疵类型确定对应的影响区域;
A303.根据各所述检测段的所述影响区域的总面积在对应所述检测段的面积的占比,判断各所述检测段是否为所述不良段;
A304.若存在不良段,则提取所述不良段的位置,作为所述布料的瑕疵信息的一部分;
步骤A302包括:
根据所述检测点的所述瑕疵类型确定对应的影响区域的形状尺寸;
根据所述检测点的所述瑕疵点位置确定对应的影响区域的中心点位置;
根据所述检测点的所述瑕疵类型确定对应的影响区域的形状尺寸的步骤包括:获取检测点对应瑕疵区的尺寸,瑕疵区的尺寸是指该瑕疵区的最小外接矩形框的对角线长度,根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状,作为该检测点的影响区域的形状,根据检测点对应瑕疵区的尺寸所落入的尺寸范围在影响区域查询表中查询得到对应的参考尺寸,作为该检测点的影响区域的尺寸;影响区域查询表中记录有各种瑕疵类型对应的影响区域的一种参考形状和多个不同尺寸范围的参考尺寸;
根据所述检测点的所述瑕疵点位置确定对应的影响区域的中心点位置的步骤包括:使影响区域的中心点与检测点重合,完成对影响区域的中心点位置的确定;
步骤A303包括:
B1.若检测段的影响区域之间有交叉,则先把相互交叉的影响区域融合为一个影响区域,再计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
B2.若检测段的影响区域之间没有交叉,则计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
B3.计算检测段的影响区域的总面积与该检测段的面积的占比;
B4.若该占比超过预设的占比阈值,则判定该检测段为不良段。
2.根据权利要求1所述的布料瑕疵智能检测方法,其特征在于,步骤A2包括:
A201.把所述表面图像输入预先训练好的瑕疵识别模型,获取瑕疵点在所述表面图像中的第一位置信息和对应的瑕疵类型;
A202.获取所述布料的前进距离,并根据所述第一位置信息和所述前进距离计算所述瑕疵点的所述瑕疵点位置。
3.根据权利要求2所述的布料瑕疵智能检测方法,其特征在于,步骤A202之后,还包括:
A203.在所述布料上对所述瑕疵点进行自动标记。
4.根据权利要求2所述的布料瑕疵智能检测方法,其特征在于,步骤A202之后,还包括:
A204.用激光在所述布料上对所述瑕疵点进行指示,以提示对所述瑕疵点进行确认。
5.根据权利要求2所述的布料瑕疵智能检测方法,其特征在于,步骤A202之后,还包括:
A205.根据已检测到的所述瑕疵点的所述瑕疵点位置,判断所述布料是否存在瑕疵点过多的瑕疵段;
A206.若存在瑕疵点过多的瑕疵段,则重新获取至少一次所述瑕疵点过多的瑕疵段包含的所述瑕疵点的所述瑕疵点位置和所述瑕疵类型;
A207.对比各次获得的所述瑕疵点过多的瑕疵段包含的所述瑕疵点的所述瑕疵点位置和所述瑕疵类型,确定所述瑕疵点过多的瑕疵段包含的所述瑕疵点的所述瑕疵点位置和所述瑕疵类型的最终检测结果。
6.一种布料瑕疵智能检测装置,用于在出厂前进行布料收卷的过程中对所述布料进行瑕疵检测,其特征在于,包括:
第一获取模块,用于实时获取布料的表面图像;
瑕疵点检测模块,用于基于图像分析方法对所述表面图像进行检测,以获取所述布料的瑕疵点的瑕疵点位置和对应的瑕疵类型,作为所述布料的瑕疵信息的一部分;
不良段检测模块,用于根据所述瑕疵点的所述瑕疵点位置和对应的所述瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为所述布料的瑕疵信息的一部分;
标识模块,用于在布料收卷完成后,生成与所述瑕疵信息关联的标识码并设置在对应的布料卷上;
该布料瑕疵智能检测装置还包括:
分区模块,用于布料收卷完成后,沿宽度方向把布料均分为多个纵向区域;
统计模块,用于统计每种瑕疵类型的瑕疵点在各纵向区域的分布数量及分布比例;所述分布比例是指一种瑕疵类型的瑕疵点在一纵向区域中的分布数量与该瑕疵类型的瑕疵点的总数之间的比例;若有瑕疵类型的瑕疵点在至少一个纵向区域的分布数量大于预设的第二数量阈值且对应的分布比例大于预设的比例阈值,则发出表示布料生产装置故障的第三提示信息;基于每种瑕疵类型的瑕疵点集中出现在布料宽度方向上的局部区域的典型故障类型的统计结果,在发出第三提示信息的时候,根据引起故障提示的瑕疵类型发出对应的提示信号,以提示故障类型;
不良段检测模块在根据所述瑕疵点的所述瑕疵点位置和对应的所述瑕疵类型,获取表示不建议使用的不良段的不良段位置,作为所述布料的瑕疵信息的一部分的时候,执行:
分别用当前时刻检测到的各所述瑕疵点作为第二参考点,并用以所述第二参考点为终点的第二预设长度的布料段作为检测段,用所述检测段内的瑕疵点作为检测点;
根据各所述检测点的所述瑕疵点位置和所述瑕疵类型确定对应的影响区域;
根据各所述检测段的所述影响区域的总面积在对应所述检测段的面积的占比,判断各所述检测段是否为所述不良段;
若存在不良段,则提取所述不良段的位置,作为所述布料的瑕疵信息的一部分;
不良段检测模块在根据各所述检测点的所述瑕疵点位置和所述瑕疵类型确定对应的影响区域的时候,执行:
根据所述检测点的所述瑕疵类型确定对应的影响区域的形状尺寸;
根据所述检测点的所述瑕疵点位置确定对应的影响区域的中心点位置;
根据所述检测点的所述瑕疵类型确定对应的影响区域的形状尺寸的步骤包括:获取检测点对应瑕疵区的尺寸,瑕疵区的尺寸是指该瑕疵区的最小外接矩形框的对角线长度,根据检测点的瑕疵类型在影响区域查询表中查询得到对应的参考形状,作为该检测点的影响区域的形状,根据检测点对应瑕疵区的尺寸所落入的尺寸范围在影响区域查询表中查询得到对应的参考尺寸,作为该检测点的影响区域的尺寸;影响区域查询表中记录有各种瑕疵类型对应的影响区域的一种参考形状和多个不同尺寸范围的参考尺寸;
根据所述检测点的所述瑕疵点位置确定对应的影响区域的中心点位置的步骤包括:使影响区域的中心点与检测点重合,完成对影响区域的中心点位置的确定;
不良段检测模块在根据各所述检测段的所述影响区域的总面积在对应所述检测段的面积的占比,判断各所述检测段是否为所述不良段的时候,执行:
若检测段的影响区域之间有交叉,则先把相互交叉的影响区域融合为一个影响区域,再计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
若检测段的影响区域之间没有交叉,则计算所有影响区域的面积之和,得到该检测段的影响区域的总面积;
计算检测段的影响区域的总面积与该检测段的面积的占比;
若该占比超过预设的占比阈值,则判定该检测段为不良段。
7.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如权利要求1-5任一项所述的布料瑕疵智能检测方法中的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-5任一项所述的布料瑕疵智能检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881554.6A CN116593486B (zh) | 2023-07-18 | 2023-07-18 | 一种布料瑕疵智能检测方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881554.6A CN116593486B (zh) | 2023-07-18 | 2023-07-18 | 一种布料瑕疵智能检测方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116593486A CN116593486A (zh) | 2023-08-15 |
CN116593486B true CN116593486B (zh) | 2023-12-08 |
Family
ID=87608513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310881554.6A Active CN116593486B (zh) | 2023-07-18 | 2023-07-18 | 一种布料瑕疵智能检测方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116593486B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767443A (zh) * | 2019-01-17 | 2019-05-17 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
CN111242899A (zh) * | 2019-12-31 | 2020-06-05 | 河南裕展精密科技有限公司 | 基于图像的瑕疵检测方法及计算机可读存储介质 |
CN111275705A (zh) * | 2020-02-28 | 2020-06-12 | 中科视语(北京)科技有限公司 | 智能验布方法、装置、电子设备及存储介质 |
CN111680750A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(合肥)科技有限公司 | 图像识别方法、装置和设备 |
CN111754470A (zh) * | 2020-06-11 | 2020-10-09 | 厦门雨程户外运动用品有限公司 | 自动验布方法、装置、自动验布机和存储介质 |
CN212741939U (zh) * | 2020-05-18 | 2021-03-19 | 深圳市银宝山新科技股份有限公司 | 布料筛检装置及口罩机 |
CN115508282A (zh) * | 2022-10-18 | 2022-12-23 | 广东纱纤亿信息科技股份有限公司 | 一种在线智能验布检测系统 |
CN116029979A (zh) * | 2022-11-17 | 2023-04-28 | 杭州脉尖智能科技有限公司 | 一种基于改进Yolov4的布料瑕疵视觉检测方法 |
-
2023
- 2023-07-18 CN CN202310881554.6A patent/CN116593486B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767443A (zh) * | 2019-01-17 | 2019-05-17 | 深圳码隆科技有限公司 | 一种布料瑕疵数据收集方法及装置 |
CN110490874A (zh) * | 2019-09-04 | 2019-11-22 | 河海大学常州校区 | 基于yolo神经网络的纺织布匹表面瑕疵检测方法 |
CN111242899A (zh) * | 2019-12-31 | 2020-06-05 | 河南裕展精密科技有限公司 | 基于图像的瑕疵检测方法及计算机可读存储介质 |
CN111275705A (zh) * | 2020-02-28 | 2020-06-12 | 中科视语(北京)科技有限公司 | 智能验布方法、装置、电子设备及存储介质 |
CN212741939U (zh) * | 2020-05-18 | 2021-03-19 | 深圳市银宝山新科技股份有限公司 | 布料筛检装置及口罩机 |
CN111680750A (zh) * | 2020-06-09 | 2020-09-18 | 创新奇智(合肥)科技有限公司 | 图像识别方法、装置和设备 |
CN111754470A (zh) * | 2020-06-11 | 2020-10-09 | 厦门雨程户外运动用品有限公司 | 自动验布方法、装置、自动验布机和存储介质 |
CN115508282A (zh) * | 2022-10-18 | 2022-12-23 | 广东纱纤亿信息科技股份有限公司 | 一种在线智能验布检测系统 |
CN116029979A (zh) * | 2022-11-17 | 2023-04-28 | 杭州脉尖智能科技有限公司 | 一种基于改进Yolov4的布料瑕疵视觉检测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的纺织品质量检测系统;李晨曦;《中国优秀硕士学位论文全文数据库 工程科技I辑》(第2期);第17-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116593486A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10942133B2 (en) | Method and system for automatically detecting fabric defect, and computer readable storage medium | |
CN209300267U (zh) | 一种烟支外观图像处理控制系统及其在线检测装置 | |
EP1030172A2 (de) | Verfahren und Vorrichtung zum Detektieren, Kennzeichnen und Wiederauffinden von Fehlern eines Materialbandes | |
US9053413B2 (en) | Automatically identifying locations of printing defects within printed rolls | |
CN102621153B (zh) | 基于印刷质量在线检测的卷盘烟标生产系统及缺陷处理方法 | |
CN109142383B (zh) | 一种基于形态学的字符缺陷检测方法 | |
CN208716520U (zh) | 一种卷筒纸模切连线二维码喷印与检测装置 | |
CN110146506B (zh) | 一种偏光板自动光学检查机检测规格准确度调整方法 | |
CN111781209A (zh) | 连续物料检测系统及方法、物料缺陷检测系统 | |
CN107941812B (zh) | 信息处理方法及电子设备 | |
CN105301008A (zh) | 一种接装纸质量检测警示系统及质量在线检测方法 | |
CN106626847A (zh) | 打印方法及打印机 | |
CN114312004A (zh) | 一种彩票印刷质量监控方法及系统 | |
CN109187540A (zh) | 一种纺织品缩水率测试方法及其测试装置 | |
CN116593486B (zh) | 一种布料瑕疵智能检测方法及其相关设备 | |
CN103590231A (zh) | 一种用于纺织布料检验的方法 | |
CN109664611B (zh) | 一种印刷机 | |
CN101118232A (zh) | 检验布的方法 | |
CN113436180A (zh) | 生产线上喷射码的检测方法、装置、系统、设备和介质 | |
CN104568492B (zh) | 一种印刷机故障在线检测装置及检测方法 | |
CN204566915U (zh) | 一种用于凹印机的二维码检测装置 | |
CN113135037A (zh) | 一种印刷品工艺缺陷跟踪系统及方法 | |
CN207114447U (zh) | 卷筒印刷品视觉检测设备 | |
CN210775274U (zh) | 一种制管印刷缺陷自动检测与剔除系统 | |
CN208592250U (zh) | 一种连退机组扫码上卷系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |