CN116894840B - 纺纱打样机产品质量检测方法及系统 - Google Patents
纺纱打样机产品质量检测方法及系统 Download PDFInfo
- Publication number
- CN116894840B CN116894840B CN202311152459.9A CN202311152459A CN116894840B CN 116894840 B CN116894840 B CN 116894840B CN 202311152459 A CN202311152459 A CN 202311152459A CN 116894840 B CN116894840 B CN 116894840B
- Authority
- CN
- China
- Prior art keywords
- spinning
- clustering
- defect
- pixel points
- point
- 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
- 238000009987 spinning Methods 0.000 title claims abstract description 121
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000007547 defect Effects 0.000 claims abstract description 106
- 230000002950 deficient Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 239000004753 textile Substances 0.000 abstract description 9
- 239000000047 product Substances 0.000 description 37
- 235000019646 color tone Nutrition 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 235000012343 cottonseed oil Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及纺织打样机产品质量检测技术领域,具体涉及纺纱打样机产品质量检测方法及系统。该方法首先根据不断改变的预设聚类数量对纺纱图像中像素点进行聚类得到初始最佳聚类数量;基于初始最佳聚类数量,将纺纱图像划分为多个单元;计算每个单元的缺陷程度,基于缺陷程度筛选出疑似缺陷像素点;计算疑似缺陷像素点的异常因子;根据疑似缺陷像素点的异常因子和疑似缺陷像素点所属单元的缺陷程度确定缺陷相似度;结合缺陷相似度和像素点之间的距离,对纺纱图像中的像素点聚类得到聚类簇的数量,进而判断纺纱打样机产品的质量。本发明根据图像中聚类簇的数量判断纺纱打样机产品的质量,提高了对纺织打样机产品的质量判断的准确性。
Description
技术领域
本发明涉及纺织打样机产品质量检测技术领域,具体涉及纺纱打样机产品质量检测方法及系统。
背景技术
由不同颜色的纤维混纺而成的色纺纱,拥有自然、鲜艳的色彩和柔和的色调,由其制成的面料具有朦胧的立体效果,因而色纺纱更受到消费者的青睐。但是纺纱行业存在油污污染问题,这个问题是由多方面原因造成的,例如籽棉经轧工后棉籽未能除尽,留下的棉籽或者破籽经受纺纱各工序的打击和紧压,就会挤出油污,同时向周围纤维渗透扩散,会造成半成品、成纱或纺好的面料上会形成程度不一、形状不同的污垢,这类污垢纱一般占比例较大,当纺纱打样机织出的纺纱总是出现污垢时,就需要对纺纱打样机进行维修,避免出现更多带有污垢的纺纱,所以对纺纱打样机进行质量检测尤为重要。
目前常见的对纺纱打样机进行质量检测的方法为,对纺纱打样机织出的纺纱所对应的图像进行污垢检测主要通过聚类获取纺纱图像中有多少个类别,根据类别的数量判断纺纱图像中是否存在污垢,由于纤维纺织上通常有花纹或图像,仅通过距离或者像素点的密度进行聚类检测,会存在纺纱中污垢检测准确性较低,影响对纺织打样机产品的质量判断的问题。
发明内容
为了解决对纺织打样机产品的质量判断准确性较低的技术问题,本发明的目的在于提供纺纱打样机产品质量检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了纺纱打样机产品质量检测方法,该方法包括以下步骤:
获取纺纱打样机产品织出纺纱的纺纱图像;
根据不断改变的预设聚类数量对纺纱图像中像素点进行聚类,结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量;
基于初始最佳聚类数量,将纺纱图像划分为多个单元;根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度;基于缺陷程度对像素点进行筛选得到疑似缺陷像素点;根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子;
根据疑似缺陷像素点的异常因子和疑似缺陷像素点所属单元的缺陷程度确定缺陷相似度,所述缺陷相似度与缺陷程度正相关,与异常因子负相关;结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量;根据聚类簇的数量判断纺纱打样机产品的质量。
优选的,所述结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量,包括:
获取每次聚类得到的每个初始簇内像素点的色调值,将初始簇内像素点的色调值的梯度幅值求平均值,将平均值作为初始簇对应的变化度;
对于任意一次聚类得到的初始簇,根据初始簇对应的变化度、初始簇内像素点与初始簇的质心点的距离确定改进误差平方和;利用肘部分析法,结合预设聚类数量和对应的改进误差平方和,得到初始最佳聚类数量。
优选的,所述改进误差平方和的计算公式为:
其中,为预设聚类数量为k时对应的改进误差平方和;k为预设聚类数量;/>为第i个初始簇对应的变化度;/>为预设系数;/>为第i个初始簇的质心点;/>为第i个初始簇内像素点集合;/>为第i个初始簇内任意像素点;/>为第i个初始簇的质心点到第i个初始簇内任意像素点p的距离。
优选的,所述根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度,包括:
将单元内像素点对应的色调值的极差,作为色调极差值;基于单元内各像素点的色调值,计算单元对应的偏态系数;根据色调极差值和偏态系数确定单元的缺陷程度,其中,色调极差值和偏态系数均与缺陷程度呈正相关关系。
优选的,所述结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量,包括:
将缺陷相似度最大的像素点作为核心点;获取除核心点之外的其他像素点到核心点的可达距离;将缺陷相似度和预设系数的和值作为分母,将除核心点之外的其他像素点到核心点的可达距离作为分子,将分子和分母比值作为除核心点之外其他像素点的改进可达距离;基于改进可达距离,利用OPTICS聚类算法,对纺纱图像中的像素点进行聚类,得到聚类簇的数量。
优选的,所述基于缺陷程度对像素点进行筛选得到疑似缺陷像素点,包括:
将缺陷程度大于预设阈值的单元内的像素点确定为疑似缺陷像素点。
优选的,所述根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子,包括:
将疑似缺陷像素点对应的局部异常因子作为疑似缺陷像素点的异常因子。
优选的,所述根据聚类簇的数量判断纺纱打样机产品的质量,包括:
当聚类簇的数量大于预设簇类阈值时,判定纺纱图像对应的纺纱打样机产品的质量为不合格;
当聚类簇的数量小于或等于预设簇类阈值时,判定纺纱图形对应的纺纱打样机产品的质量为合格。
优选的,所述基于初始最佳聚类数量,将纺纱图像划分为多个单元,包括:
将预设倍数的初始最佳聚类簇数量作为单元的边长,将纺纱图像分成多个单元。
第二方面,本发明一个实施例提供了纺纱打样机产品质量检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述纺纱打样机产品质量检测方法。
本发明实施例至少具有如下有益效果:
本发明涉及纺织打样机产品质量检测技术领域。该方法基于得到的纺纱图像的初始最佳聚类数量,将纺纱图像划分为多个单元,实现保证划分的单元中稍小的污垢不会漏掉,且又提高运算速度的目的;根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度,该缺陷程度反映了单元内存在污垢的可能,缺陷程度越大则对应的单元内存在污垢的可能性越大;基于缺陷程度对像素点筛选出疑似缺陷像素点,并根据由疑似缺陷像素点的密集程度确定的异常因子和疑似缺陷像素点所属单元的缺陷程度确定缺陷相似度,该缺陷相似度反映了像素点与属于污垢缺陷相似度的相似程度;结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量,传统聚类是利用像素点之间的距离聚类,本发明中加入了缺陷相似度,对传统聚类进行了改进,提高了聚类的准确性,进而使得对纺纱中污垢检测的准确性提高;根据聚类簇的数量判断纺纱打样机产品的质量,提高了对纺织打样机产品的质量判断的准确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的纺纱打样机产品质量检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的纺纱打样机产品质量检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了纺纱打样机产品质量检测方法及系统的具体实施方法,该方法适用于纺纱打样机产品质量检测场景。为了解决对纺织打样机产品的质量判断准确性较低的技术问题。本发明针对污垢与纺纱及其绣花色调差异较大,以及污垢部分颜色由中心区域颜色较深到外围区域颜色较浅的特征,对纺纱图像每个像素点赋予不同的权值,根据聚类算法判断纺纱图像有无污垢。
下面结合附图具体的说明本发明所提供的纺纱打样机产品质量检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供纺纱打样机产品质量检测方法的方法流程图,该方法包括以下步骤:
步骤S100,获取纺纱打样机产品织出纺纱的纺纱图像。
本发明的目的是为了识别纺纱图像中污垢所处的位置,进而实现对纺纱打样机产品的质量判断。首先利用CCD相机采集初始纺纱图像,其中,该初始纺纱图像为RGB图像。对获取的初始纺纱图像进行预处理,以消除噪音和部分外界干扰造成的影响,增强后续对纺纱打样机产品的质量分析的准确性。在本发明实施例中设定同一批次纺纱上绣花的大小类似,故对同一批次的纺纱上存在的绣花等装饰,进行半径的量取,以便于后续与污垢的区分。
首先对纺纱打样机产品织出的纺纱的初始纺纱图像采用高斯滤波进行降噪,利用高斯滤波和获取到的初始纺纱图像做卷积,消除随机噪声。由于初始纺纱图像中的污垢一般与背景区域的颜色相差较大,故可以根据颜色差异将显著性强的部分分割出来,但是纺纱中一些绣花等装饰其形态和颜色与污垢的颜色相近,难以对其直接进行分离。为了提取出初始纺纱图像中颜色差异较为显著的部分,将去噪后的初始纺纱图像从RGB颜色空间转换到HSI颜色空间,将转换后的图像记为纺纱图像。
步骤S200,根据不断改变的预设聚类数量对纺纱图像中像素点进行聚类,结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量。
由于纺纱破损、污垢颜色与纺纱中绣花容易出现较为颜色接近的情况,为了识别出纺纱图像中的污垢区域,对纺织图像进行簇类误差平方和处理。传统的误差平方和是首先计算每个簇中所有数据点与对应簇的质心点之间距离的平方和,其次对每个簇中所有数据点与质心点之间距离的平方和求和,最后将所有簇对应的平方和求和的结果值再求和。
由于污垢区域的存在,为了更精确的知道有多个污垢区域,本发明首先预设聚类数量,对误差平方和公式进行进一步的细化。将所有数据分为预设聚类数量个初始簇,并对每个初始簇进行计算,获取每个像素点与其所属的初始簇的质心点的距离平方和。
将初始纺纱图像从RGB颜色空间转换到HSI颜色空间,得到纺纱图像后,对于纺纱图像由HSI颜色空间获取到每个像素点的色调值,再对每个簇中所有像素点的色调值使用Roberts交叉梯度算子计算出每个像素点的色调值的梯度幅值,将每个初始簇内所有像素点的色调值的梯度幅值求平均值,将该平均值作为初始簇对应的变化度。
由于污垢区域与周围环境色调差异较大,通常会形成鲜明的对比。在非污垢区域其色调值变化较小,故其非污垢区域中像素点对应的色调梯度值同样较小,非污垢区域内总体色调梯度值的平均会较小。而在污垢区域,其色调值变化相对较大,污垢区域内总体色调梯度值的平均会较大。
结合初始簇的变化度和初始簇内像素点的坐标确定改进误差平方和;利用肘部分析法获取最佳的误差平方和与对应的初始最佳聚类数量。
其中,结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量,具体的:
获取每次聚类得到的每个初始簇内像素点的色调值,将初始簇内像素点的色调值的梯度幅值求平均值,将平均值作为初始簇对应的变化度;对于任意一次聚类得到的初始簇,根据初始簇对应的变化度、初始簇内像素点与初始簇的质心点的距离确定改进误差平方和;利用肘部分析法,结合预设聚类数量和对应的改进误差平方和,得到初始最佳聚类数量。
该改进误差平方和的计算公式为:
其中,为预设聚类数量为k时对应的改进误差平方和;k为预设聚类数量;/>为第i个初始簇对应的变化度;/>为预设系数;/>为第i个初始簇的质心点;/>为第i个初始簇内像素点集合;/>为第i个初始簇内任意像素点;/>为第i个初始簇的质心点到第i个初始簇内任意像素点p的距离。
在本发明实施例中预设系数的取值为0.01,是为了防止出现分母为0的情况,在其他实施例中实施者可以根据实际情况调整该取值,例如预设系数也可以为无穷小数。
其中,改进误差平方和的计算公式中,对每个初始簇计算每个像素点与初始簇的质心的距离平方和,再将距离平方和与每个初始簇的变化度做商,也即为得到距离平方和与初始簇的变化度的比值,再将所有初始簇的结果求和。该改进误差平方和也即为加权簇内误差平方和,该改进误差平方和反映了各初始簇内的差异程度。当改进误差平方和得出的值越小,则代表分为k簇更合适。
结合肘部分析法,进一步确定污垢部分的数量。当基于预设聚类数量k越大,样本划分会更加精细,每个初始簇的聚合程度会逐渐提高,那么改进误差平方和自然会逐渐变小。通过肘图拐点可知k值,由于拐点处类内改进误差平方和已经很小了,已经不能比当前拐点处k值更好的区分样本了,所以最终得出初始最佳簇类数量。故也可以说利用肘部分析法,结合预设聚类数量和对应的改进误差平方和,得到初始最佳聚类数量。需要说明的是,利用肘部分析法进行K值的确定为本领域技术人员的公知技术,在此不再进行赘述。其中,肘部分析法也即为“肘”方法。
步骤S300,基于初始最佳聚类数量,将纺纱图像划分为多个单元;根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度;基于缺陷程度对像素点进行筛选得到疑似缺陷像素点;根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子。
在得到初始最佳聚类数量之后,将纺纱图像分成多个单元。具体的:将预设倍数的初始最佳聚类簇数量作为单元的边长,将纺纱图像均匀的分成多个单元。需要说明的是,在分割时从纺纱图像的左上角开始划分,当最右侧的像素点或者最下侧的像素点不足以划分为一个单元,直接本该属于同一个单元但将不足以构成一个单元大小的像素点作为一个单元。例如当预设倍数的初始最佳聚类簇数量为6,纺纱图像为13列,15行,将纺纱图像中最后一列像素点的从上往下前6个像素点划分为一个单元,将纺纱图像中最后一列像素点的从上往下第7-12个像素点划分为一个单元,将纺纱图像中最后一列像素点的从上往下第13-15个像素点划分为一个单元,将纺纱图像中最后一行、倒数第二行和倒数第三行中每行从左往右前6个像素点划分为一个单元,将纺纱图像中最后一行、倒数第二行和倒数第三行中每行从左往右第7-12个像素点划分为一个单元。在本发明实施例中预设倍数的取值为3,在其他实施例中实施者可根据实际情况调整该取值。
预设倍数的初始最佳聚类簇数量比初始最佳聚类簇数量稍大些,可以保证划分的单元中稍小的污垢不会漏掉,又可以提高运算的速度。由于污垢区域一般内芯颜色比较深,而外部边缘一点点变浅,所以分别将每个单元区域中的所有像素点色调进行从大到小的排列,并对最大和最小的像素点的色调值进行做差处理,得出每个单元区域的色调极差值,也可以说直接将单元内像素点对应的色调值的极差,作为色调极差值。若该单元区域存在污垢部分,则该单元区域色调极差值较大。进一步的基于单元内各像素点的色调值,计算单元对应的偏态系数,也可以说再对单元区域内每个像素点的色调值求偏态系数。需要说明的是,偏态系数的计算为公知技术,具体过程不再赘述。在本发明实施例中预设倍数为3,在其他实施例中实施者可根据实际情况调整该取值。
因为污垢区域内的点从内芯到外部边缘颜色逐渐变浅,所以其色调值也在不断变大。当其偏态系数较大,则说明该单元的色调分布并不对称,则说明该单元为污垢区域的可能性较大。故根据色调极差值和偏态系数确定单元的缺陷程度,其中,色调极差值和偏态系数均与缺陷程度呈正相关关系。
作为本发明的一个实施例,可以将色调极差值和偏态系数的乘积作为单元的缺陷程度;作为本发明的另一个实施例,还可以将色调极差值和偏态系数的和值作为单元的缺陷程度。当单元的缺陷程度越大时,则反映对应的单元内存在污垢缺陷的概率越大。
故进一步基于单元的缺陷程度对限速点进行筛选得到疑似缺陷像素点。具体的:将缺陷程度大于预设阈值的单元内的像素点确定为疑似缺陷像素点。该疑似缺陷像素点为污垢缺陷处的像素点的概率较大,但疑似缺陷像素点中也可能存在有正常区域的像素点,故进一步的对疑似缺陷像素点进行后续的分析。在本发明实施例中预设阈值的取值为2,在其他实施例中实施者可根据实际情况调整该取值,当实施者对纺纱质量要求高时,则对应的可以将预设阈值设置的小一些,使得对疑似缺陷像素点的筛选更精细,当实施者对纺纱质量要求较低时,则对应的可以将预设阈值设置的大一些,使得对疑似缺陷像素点的筛选更粗略一些。
在得到疑似缺陷像素点之后,根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子,具体的:将疑似缺陷像素点对应的局部异常因子作为疑似缺陷像素点的异常因子。该异常因子是基于每个疑似缺陷像素点的坐标信息计算的,局部异常因子算法是通过比较任意点p和邻域点的密度来判断该点是否为异常;当点p和邻域点的密度较低时,则越有可能为异常点,当局部异常因子越小于1时,说明点p的密度高于其邻域内其他点的密度;由于污垢缺陷上像素点与邻域点的密度较大,所以当局部异常因子的值越小于1时,该点为污垢区域的存在可能性较大。
步骤S400,根据疑似缺陷像素点的异常因子和疑似缺陷像素点所属单元的缺陷程度确定缺陷相似度,所述缺陷相似度与缺陷程度正相关,与异常因子负相关;结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量;根据聚类簇的数量判断纺纱打样机产品的质量。
作为本发明的一个实施例,将缺陷像素点的异常因子和预设系数的和值作为分母,将疑似缺陷像素点所属单元的缺陷程度作为分子,将分子和分母的比值作为对应缺陷像素点的缺陷相似度。在本发明实施例中预设系数的取值为0.01,在其他实施例中预设系数的取值可由实施者根据实际情况进行调整。将缺陷像素点的异常因子和预设系数的和值作为分母的目的是为了避免出现分母为零的情况出现。
作为本发明的另一个实施例,可以将疑似缺陷像素点所属单元的缺陷程度和缺陷像素点的异常因子的差值绝对值作为对应缺陷像素点的缺陷相似度。
当疑似缺陷像素点的异常因子越小时,则对应的该疑似缺陷像素点处于污垢区域的概率越大,则对应的缺陷相似度越大;当疑似缺陷像素点所属单元的缺陷程度越大时,则对应的该疑似缺陷像素点处于污垢区域的概率越大,则对应的缺陷相似度越大。故缺陷相似度与缺陷程度正相关,缺陷相似度与异常因子负相关。
使用基于密度的聚类算法(Ordering points to identify the clusteringstructure, OPTICS)对纺纱图像进行处理,但由于OPTICS聚类算法的半径A设定值为无穷,会导致计算时间过长,所以预先设定半径值可以小于预处理时测得绣花半径值。这样进行的OPTICS聚类算法便不会将纺纱中的绣花给计算进去,造成对污垢的误判。
结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇。由于OPTICS聚类算法计算量较大,计算时间较长,所以对其核心点的选取做出修改,由上述可知每个像素点都有其缺陷相似度,即该缺陷相似度反映该像素点与污垢区域的相似度。
具体的:取缺陷相似度最大的像素点作为核心点;获取除核心点之外的其他像素点到核心点的可达距离;将缺陷相似度和预设系数的和值作为分母,将除核心点之外的其他像素点到核心点的可达距离作为分子,将分子和分母比值作为除核心点之外其他像素点的改进可达距离;基于改进可达距离,利用OPTICS聚类算法,对纺纱图像中的像素点进行聚类,得到聚类簇的数量。也可以说以像素点与污垢区域的缺陷相似度作为权重,将可达距离与像素点与污垢区域的缺陷相似度的倒数进行加权,将加权后得到的值作为疑似缺陷像素点的改进可达距离,该改进可达距离作为OPTICS聚类算法中可达距离,实现对OPTICS聚类算法进行改良。需要说明的是,对于非疑似缺陷像素点,未进行缺陷相似度的计算,故直接将非疑似缺陷像素点与核心点对应的可达距离作为非疑似缺陷像素点对应的改进可达距离。
与传统OPTICS聚类算法相比,由于确认了第一位核心点,所以相较于随机选取,后续的计算量要小一些。而排序中较传统的只比较可达距离,而在本发明实施例中加入了缺陷相似度的概念,对可达距离进行了改进,利用改进可达距离进行比较,相比于之前每一步更为精确,最后得出结果的计算时间较短。
通过改进后的改进可达距离,利用OPTICS聚类算法得到的有序列表决策图,通过有序列表决策图得到纺纱图像中的聚类簇的数量,当聚类簇的数量大于预设簇类阈值时,判定纺纱图像对应的纺纱打样机产品的质量为不合格;当聚类簇的数量小于或等于预设簇类阈值时,判定纺纱图形对应的纺纱打样机产品的质量为合格。需要说明的是,通过OPTICS聚类算法得到的有序列表决策图获取聚类簇的数量为本领域技术人员的公知技术,在此不再进行赘述。在本发明实施例中,预设簇类阈值的取值为2,在其他实施例中可由实施者根据实际情况调整该取值,例如该批次的纺织图像中仅有两种类型绣花花纹时,则纺织图像中两种类型绣花花纹可以分为两个簇,背景可以分为一个簇,则对应的没有污垢的纺织图像应对应三个簇,此时预设簇类阈值的取值为3,当得到的聚类簇的数量大于预设簇类阈值的取值时,则判断纺纱图像所对应的纺织打样机产品的质量不合格。
本发明针对污垢与纺纱及其绣花色调差异较大,以及污垢部分颜色由中心区域颜色较深到外围区域颜色较浅的特征,对纺纱图像每个像素点赋予不同的权值,根据聚类算法判断纺纱图像有无污垢。在满足对污垢区域判别的前提下,提高了整个过程的运算时间,为后续纺纱质量的判别提高了效率。
综上所述,本发明涉及纺织打样机产品质量检测技术领域。该方法获取纺纱图像;根据不断改变的预设聚类数量对纺纱图像进行聚类,结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量;基于初始最佳聚类数量,将纺纱图像划分为多个单元;根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度;基于缺陷程度对像素点进行筛选得到疑似缺陷像素点;根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子;根据疑似缺陷像素点的异常因子和疑似缺陷像素点所属单元的缺陷程度确定缺陷相似度,所述缺陷相似度与缺陷程度正相关,与异常因子负相关;结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量;根据聚类簇的数量判断纺纱打样机产品的质量。
本发明实施例还提出了纺纱打样机产品质量检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。由于纺纱打样机产品质量检测方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (2)
1.纺纱打样机产品质量检测方法,其特征在于,该方法包括以下步骤:
获取纺纱打样机产品织出纺纱的纺纱图像;
根据不断改变的预设聚类数量对纺纱图像中像素点进行聚类,结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量;
基于初始最佳聚类数量,将纺纱图像划分为多个单元;根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度;基于缺陷程度对像素点进行筛选得到疑似缺陷像素点;根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子;
根据疑似缺陷像素点的异常因子和疑似缺陷像素点所属单元的缺陷程度确定缺陷相似度,所述缺陷相似度与缺陷程度正相关,与异常因子负相关;结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量;根据聚类簇的数量判断纺纱打样机产品的质量;
其中,所述结合每次聚类得到的初始簇内像素点的梯度幅值以及像素点的分布情况确定初始最佳聚类数量,包括:
获取每次聚类得到的每个初始簇内像素点的色调值,将初始簇内像素点的色调值的梯度幅值求平均值,将平均值作为初始簇对应的变化度;
对于任意一次聚类得到的初始簇,根据初始簇对应的变化度、初始簇内像素点与初始簇的质心点的距离确定改进误差平方和;利用肘部分析法,结合预设聚类数量和对应的改进误差平方和,得到初始最佳聚类数量;
其中,所述改进误差平方和的计算公式为:
其中,为预设聚类数量为k时对应的改进误差平方和;k为预设聚类数量;/>为第i个初始簇对应的变化度;/>为预设系数;/>为第i个初始簇的质心点;/>为第i个初始簇内像素点集合;/>为第i个初始簇内任意像素点;/>为第i个初始簇的质心点到第i个初始簇内任意像素点p的距离;
其中,所述根据每个单元中像素点对应的色调值的差异确定单元的缺陷程度,包括:
将单元内像素点对应的色调值的极差,作为色调极差值;基于单元内各像素点的色调值,计算单元对应的偏态系数;根据色调极差值和偏态系数确定单元的缺陷程度,其中,色调极差值和偏态系数均与缺陷程度呈正相关关系;
其中,所述结合所述缺陷相似度和像素点之间的距离,对纺纱图像中的像素点进行聚类,得到聚类簇的数量,包括:
将缺陷相似度最大的像素点作为核心点;获取除核心点之外的其他像素点到核心点的可达距离;将缺陷相似度和预设系数的和值作为分母,将除核心点之外的其他像素点到核心点的可达距离作为分子,将分子和分母比值作为除核心点之外其他像素点的改进可达距离;基于改进可达距离,利用OPTICS聚类算法,对纺纱图像中的像素点进行聚类,得到聚类簇的数量;
其中,所述基于缺陷程度对像素点进行筛选得到疑似缺陷像素点,包括:
将缺陷程度大于预设阈值的单元内的像素点确定为疑似缺陷像素点;
其中,所述根据疑似缺陷像素点的密集程度确定疑似缺陷像素点的异常因子,包括:
将疑似缺陷像素点对应的局部异常因子作为疑似缺陷像素点的异常因子;
其中,所述根据聚类簇的数量判断纺纱打样机产品的质量,包括:
当聚类簇的数量大于预设簇类阈值时,判定纺纱图像对应的纺纱打样机产品的质量为不合格;
当聚类簇的数量小于或等于预设簇类阈值时,判定纺纱图形对应的纺纱打样机产品的质量为合格;
其中,所述基于初始最佳聚类数量,将纺纱图像划分为多个单元,包括:
将预设倍数的初始最佳聚类簇数量作为单元的边长,将纺纱图像分成多个单元。
2.纺纱打样机产品质量检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1所述纺纱打样机产品质量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152459.9A CN116894840B (zh) | 2023-09-08 | 2023-09-08 | 纺纱打样机产品质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152459.9A CN116894840B (zh) | 2023-09-08 | 2023-09-08 | 纺纱打样机产品质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894840A CN116894840A (zh) | 2023-10-17 |
CN116894840B true CN116894840B (zh) | 2023-11-17 |
Family
ID=88315161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311152459.9A Active CN116894840B (zh) | 2023-09-08 | 2023-09-08 | 纺纱打样机产品质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894840B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473345B (zh) * | 2023-12-27 | 2024-03-22 | 山东顺发重工有限公司 | 基于数据分析的法兰锻造缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113711234A (zh) * | 2019-03-15 | 2021-11-26 | 英威达纺织(英国)有限公司 | 纱线质量控制 |
CN114757900A (zh) * | 2022-03-31 | 2022-07-15 | 启东新朋莱纺织科技有限公司 | 基于人工智能的纺织品缺陷类型识别方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
-
2023
- 2023-09-08 CN CN202311152459.9A patent/CN116894840B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113711234A (zh) * | 2019-03-15 | 2021-11-26 | 英威达纺织(英国)有限公司 | 纱线质量控制 |
CN114757900A (zh) * | 2022-03-31 | 2022-07-15 | 启东新朋莱纺织科技有限公司 | 基于人工智能的纺织品缺陷类型识别方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116894840A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843688B (zh) | 一种纺织品质量视觉检测方法 | |
CN116894840B (zh) | 纺纱打样机产品质量检测方法及系统 | |
CN114529550B (zh) | 一种基于图像处理的纺织品色牢度检测方法及系统 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
CN116630309B (zh) | 一种布匹断纬瑕疵检测方法 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN114742829B (zh) | 一种人造丝缺陷检测的方法及系统 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
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 | |
CN116008289B (zh) | 一种非织造产品表面缺陷检测方法及系统 | |
CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
CN116523899A (zh) | 一种基于机器视觉的纺织品瑕疵检测方法及系统 | |
CN115330770A (zh) | 一种布匹区域类疵点识别方法 | |
CN114998321A (zh) | 一种基于光学手段的纺织材料表面毛羽程度识别方法 | |
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 | |
CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
CN110458809A (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CA2042880A1 (en) | Method for determining and controlling fiber luster properties | |
CN116468689A (zh) | 一种基于灰度特征的瑕疵识别方法 | |
JP5155938B2 (ja) | パターン輪郭検出方法 | |
CN113554604A (zh) | 一种基于机器视觉的熔喷布缺陷区域检测方法 | |
CN113393444B (zh) | 一种基于图像处理技术的涤纶dty网络点检测方法 | |
CN118429341B (zh) | 渐变纹理织物的瑕疵检测方法 |
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 |